USO DE DADOS AUXILIARES PARA CLASSIFICAÇÃO DO USO DA TERRA NA APA DA ESCARPA DEVONIANA- PR POR REDES NEURAIS ARTIFICIAIS

Transcrição

1 123 USO DE DADOS AUXILIARES PARA CLASSIFICAÇÃO DO USO DA TERRA NA APA DA ESCARPA DEVONIANA- PR POR REDES NEURAIS ARTIFICIAIS OLIVEIRA, Marianne RIBEIRO, Selma Regina Aranha 1. Introdução; A Área de Proteção Ambiental (APA) da Escarpa Devoniana foi criada pelo Decreto Estadual nº 1.231, de 27 de março de 1992, com o objetivo de assegurar a proteção do limite natural entre o Primeiro e o Segundo Planaltos Paranaenses, inclusive a área dos Campos Gerais, a qual se constituem em ecossistema peculiar que alterna capões da floresta de araucária, matas de galerias e afloramentos rochosos, além de locais de beleza cênica como os cânions e de vestígios arqueológicos e pré-históricos (SEMA, 2004). Devido à falta de conhecimento do uso da terra, a área permanece com muitas degradações, e mesmo com a criação do plano de manejo em 2004 e ainda não concluído, as atividades ilegais continuam a destruir o patrimônio geológico e geomorfológico. Com o uso das Geotecnologias Sensoriamento Remoto (SR) e Sistemas de Informação Geográfica (SIG) é possível avaliar e quantificar o atual uso da terra. Como já mencionado faz-se mister a delimitação e quantificação das classes de uso da terra desta APA, ainda mais sendo que o seu tombamento é uma questão atual em discussão. A escarpa tem suas peculiaridades e uma delas é a sua formação geológica o que dificulta a acessibilidade. Somente técnicas de campo são insuficientes para a geração de mapa de uso da terra. Sendo assim é pertinente o uso de Geotecnologias supracitadas e aliada a elas imagens orbitais e dados auxiliares, dados estes que subsidiaram as características do relevo associadas ao seu uso. 2. Objetivos; O objetivo deste estudo é apresentar os distintos tipos de usos da terra na APA da escarpa Devoniana-PR com a imagem MODIS (Moderate Resolution Imaging Spectroradiometer) e dados auxiliares como: Modelo digital de elevação (da missão Shuttle Radar Topography Mission- SRTM) o Índice de Vegetação da Diferença Normalizada (NDVI) gerado a partir da imagem MODIS e coleta de pontos para validação das classes de uso. 3. Metodologia; A escarpa Devoniana (figura 1) é um degrau topográfico que separa o primeiro do segundo planalto paranaense, e é sustentada pela formação furnas que é importante no ciclo d água, sendo imprescindível a sua conservação. Desde sua criação a área da APA é uma unidade de uso sustentável, assim é permitida a utilização dos recursos de forma consciente e seu tombamento pretende limitar e supervisionar as atividades inadequadas ambientalmente.

2 124 Figura 1 Localização da escarpa Devoniana. Para o estudo foram utilizadas as imagens do sensor MODIS a bordo do satélite Aqua, produto MYD09A1 do dia 01 de maio de 2011, adquirida gratuitamente via internet do site < Ela foi recortada, corrigida geometricamente mediante um polinômio do segundo grau, com base nas ortoimagens do mapeamento sistemático do PR As resoluções são: espacial de 500 metros, radiométrica de 12 bits, espectral de cinco bandas (visível, infravermelho próximo e médio) e resolução temporal diária. A figura 2 (a, b, c e d) apresenta em: a) a imagem MODIS, composição colorida verdadeira falsa cor; b) o NDVI, o qual é calculado mediante as bandas do vermelho e do infravermelho próximo da imagem MODIS e realça a vegetação, isto é, quanto mais branco mais abundante é a vegetação local e c) a imagem de relevo SRTM, disponibilizada pela NASA (National Aeronautics and Space Administration: USGS United States Geologial Survey), ou seja, Modelo Digital de Elevação (MDE) que é a representação digital do relevo por meio de grade regular, fácil de interpretar com possibilidade de inúmeros cálculos sobre o relevo. Figura 2 Imagem MODIS (a) - falsa cor, NDVI (b), Relevo- MDE (c). Fonte: NASA, Fica evidente neste estudo que o SR por meio de imagens orbitais é uma das técnicas para classificação de áreas em macro ou microescalas identificando suas formas e feições.

3 125 Esta caracterização extraindo informações por meio de padrões é substituída por técnicas quantitativas de análise semiautomática, semelhante ao sistema do cérebro humano. Segundo Avery e Berlin (1992), SR é uma técnica para obter informações sobre objetos por meio de dados coletados por instrumentos que não estejam em contato físico como os objetos investigados. Para a geração do mapa de usos da terra a classificação de imagens digitais é a técnica usada em SR e PDI. Neste estudo optou-se pela classificação supervisionada não estatística de Redes Neurais Artificias (RNA). As RNA caracterizam-se por unidades de processamento que se comunicam por ligações que formam uma rede de processamento altamente conectada. Pelo fato de não serem estatísticas apresentam vantagens em comparação a outros classificadores, realizando reconhecimento de padrões com poucas amostras de treinamento e são capazes de classificar dados advindos de diversas origens com diferentes escalas (RIBEIRO, 2003). E dentre as classes encontradas na área da APA destacam-se: Água (azul), Agricultura (amarelo), Área Urbana (magenta), Reflorestamento (verde-bandeira), Vegetação (verde não bandeira). As amostras de treinamento, média 200 pixels por classe - puras e representativas de cada classe, foram coletadas visualmente de acordo com as classes já conhecidas no trabalho de Roza (2011) de seus usos. O primeiro teste é a classificação pelo método da distância de Mahalanobis, um método estatístico gerado pela correlação das variáveis conhecidas e desconhecidas, sem dados auxiliares, isto é, somente as amostras de treinamento selecionadas da imagem MODIS. No segundo teste, adiciona-se duas variáveis auxiliares, MDE - SRTM e o NDVI, além das informações espectrais e o classificador utilizado é a RNA. Ambos (teste 1 e 2) foram processados no programa ENVI 5.2, mediante classificação supervisionada, destacando-se que para a RNA, teste 2, necessita-se de ajustes de parâmetros e variáveis (espectrais e dados auxiliares), portanto realiza-se dez testes por variável, alterando os parâmetros (taxa de treinamento, momento, taxa de aprendizado, limiar de erro). 4. Resultados e Discussões; Figura 3 Diagrama de blocos representando as informações supracitadas.

4 126 Abaixo estão descritos alguns resultados do uso das RNA para identificar os padrões (classes) na APA da escarpa Devoniana. Os parâmetros foram alterados assim como a escolha dos dados (espectrais e auxiliares) de entrada, realizando testes por dados combinados para melhor compreensão será destacado aqui um exemplo dos dez testes, mediante a tabela 1. Na tabela 1 estão dispostos os testes realizados com a combinação da imagem MODIS com o SRTM e amostras das classes. É possível visualizar a alteração dos parâmetros para observar a alteração dos resultados. Assim foram feitas outras combinações com dados iniciais, entre a MODIS e o NDVI da área e outras somente com a MODIS. A melhor arquitetura da RNA é determinada durante os processamentos dela, onde são estipulados o Erro Médio Quadrático (RMS Root Mean Square), fixado em 0,1 e os treinamento: Taxa, Momento e Limiar. Tabela 1- Resultados da classificação entre duas variáveis e alterações dos parâmetros. A figura 3 a, b, e c exibe o resultado das imagens classificadas. Na figura 3 (a) a classificação foi processada mediante RNA com as cinco bandas espectrais da imagem MODIS. Na imagem (b) da figura 3 apresenta-se o processamento da RNA com as bandas espectrais e o dado auxiliar MDE-SRTM e finalmente na mesma figura em (c) o dado auxiliar acrescentado no processamento da rede foi o NDVI. Destaca-se aqui que o processamento estatístico (distância de Mahalanobis) foi rejeitado e optou-se pelo processamento não estatístico com possibilidade de introduzir, aos processamentos, dados auxiliares.

5 127 Figura 4- Classificação por RNA: a)somente imagem MODIS dados espectrais; b) Imagem MODIS dados espectrais e MDE; c) Imagem MODIS dados espectrais e NDVI. O resultado da melhor imagem classificada foi realizado visualmente, comparando com o estudo de Roza (2011). E também considerando-se os parâmetros ajustados da RNA no que tange as variáveis espectrais e auxiliares. Na análise dos valores dos parâmetros da RNA que apresentassem melhor resultado final numericamente e concordância com a análise visual, destaca-se o erro médio quadrático de 0,005, pois quanto menor o erro do treinamento melhor o resultado da RNA, se o erro não for compatível o processo não é finalizado. Para o parâmetro Momento da RNA (Training Momentum - o qual prevê as mudanças dos pesos diferentes concluindo com maior eficiência o erro para o treinamento da rede), o resultado adequado e compatível com a análise visual foi o valor de 0,8. Na Taxa de treinamento foi empregado o valor de 0,1 (Training Rate - onde os valores são avaliados de acordo com os outros parâmetros citados, pois adicionando um valor muito baixo à taxa do processamento tende a ser lenta e, o valor alto deixa o resultado instável). Por último o parâmetro Limiar da rede (Training Threshold - determina o tamanho que será a contribuição de cada classe amostral no processamento) estabelecido como o melhor valor 0,8. Nas combinações o que mais se destacou foi a confusão de área urbana e água, mas isso resulta da resolução espacial da imagem original que é de 500m e a dificuldade de coletar amostras com propriedade demonstra a qualidade do processamento por Redes Neurais Artificiais com poucos dados. 5. Considerações Finais; A primeira consideração a destacar no estudo é a possibilidade de extrair informações do uso atual da terra mediante SR e PDI, que proporciona este fato sem estar presente no local de estudo, fato relevante, pois as altitudes e declividades aumentam custos e limitam visitas in loco. O uso de RNA como classificador é satisfatório, devido a não necessitar avaliação a priori dos dados de entrada e proporcionar a adição de dados auxiliares à classificação para a busca de melhor resultado, comparando-se a análise visual, e até mesmo com uma quantidade baixa de amostras de treinamento, o que não é possível em classificadores robustos estatísticos. A combinação dos dados (variáveis do relevo e de vegetação com as bandas espectrais MODIS) e alteração dos parâmetros foi realizada mediante testes (tentativa e erro) para verificar a influência de cada parâmetro da RNA e de cada dado da imagem original e os dados auxiliares. Assim os resultados obtidos neste estudo preliminar ainda não são aceitáveis devido à resolução espacial de 500 m da imagem prejudicando a coleta de amostras de treinamento puras e representativas das classes. Entretanto a classificação por RNA foi melhor com o MDE e com o NDVI do que a classificação com o método estatístico de distância de Mahalanobis, não apresentado. Problemas de confusão espectral, não foram resolvidos com a adição dos dados auxiliares, tais como, as classes o predomínio de vegetação e áreas de campo, outras atividades como pequenos agricultores e mineradoras não são possíveis de classificar devido a resolução espacial da imagem MODIS, mas de modo geral a classificação é significativa como primeira etapa para o reconhecimento dos padrões da área de estudo, proporcionando novos estudos em imagens disponíveis gratuitamente como as séries temporais LandSat TM, ETM e OLI.

6 Referências Bibliográficas; AVERY, T. E.; BERLIN, G. L. Fundamentals of Remote Sensing and Airphoto Interpretation. 5 ed. New Jersey: Prentice Hall RIBEIRO, S. R. A.. Integração de Imagens Landsat TM e dados auxiliares para a delimitação automática de unidades fisionômicas usando Redes Neurais Artificiais. Tese (Doutorado em Ciências Geodésicas) Universidade Federal do Paraná, Curitiba PR, 160 p., SEMA - Secretaria de Estado do Meio Ambiente e Recursos Hídricos. Zoneamento ecológico econômico, Plano de manejo e regulamentação legal da área de proteção ambiental da escarpa Devoniana. Curitiba: MRS Estudos Ambientais Ltda., p. Disponível em: < _PM.pdf>. Acesso em: 06 nov