CLASSIFICAÇÃO MULTITEMPORAL DA COBERTURA DA TERRA NA ÁREA DE INFLUÊNCIA DO RESERVATÓRIO DE ITUPARARANGA UTILIZANDO REDES NEURAIS ARTIFICIAIS

Transcrição

1 ISSN , p CLASSIFICAÇÃO MULTITEMPORAL DA COBERTURA DA TERRA NA ÁREA DE INFLUÊNCIA DO RESERVATÓRIO DE ITUPARARANGA UTILIZANDO REDES NEURAIS ARTIFICIAIS REJANE ENNES 1 LETÍCIA SABO BOSCHI 2 MARIA DE LOURDES BUENO TRINDADE GALO 3 EDIVALDO D. VELINI 4 Universidade Estadual Paulista - Unesp 3 Faculdade de Ciências e Tecnologia FCT, Depto de Cartografia - Presidente Prudente SP 1, 2 Programa de Pós-Graduação em Ciências Cartográficas {sabo, rejane}@pos. prudente.unesp.br; {mlourdes}@fct.unesp.br 4 Faculdade de Ciências Agronômicas FCA, Departamento de Agricultura Botucatu SP velini@fca.unesp.br RESUMO A análise temporal feita usualmente a partir da comparação entre classificações individuais, é limitada pela concordância das classes em cada data de aquisição. A classificação supervisionada através de Redes Neurais Artificiais (RNA) pode mapear um conjunto de dados de entrada nas mesmas classes definidas no processo de treinamento da rede. Assim, considerando dados multitemporais compatíveis geométrica e radiometricamente, uma RNA treinada pode reconhecer classes específicas em uma data e discriminar as mesmas classes em imagens de outras datas, facilitando portanto a comparação entre as classificações e a análise das mudanças temporais. Portanto, o objetivo deste trabalho foi avaliar o desempenho de uma RNA para a classificação supervisionada de diferentes tipos de cobertura da terra em uma área de influência do reservatório de Itupararanga, na qual uma imagem ETM+/Landsat tomada em 2002 foi adotada como referência para o treinamento e validação de uma RNA. A rede treinada foi aplicada em outras imagens Landsat adquiridas em 1985 e 2001, respectivamente. Os resultados mostraram que a RNA treinada foi capaz de discriminar as classes mais significativas presentes nas demais datas. ABSTRACT The temporal changes analysis, usually developed by the comparison among individual classifications is limited by the concordance of the classes in each acquisition date. The classification supervised through Artificial Neural Network (ANN) may discern a data set of entrance in the same classes defined for the net training process. Thus, considering the data geometrically and radiometrically compatible, an ANN trained to recognize specific classes in a date may discriminate the same classes in images acquired at another date, enhancing therefore the comparison between the classifications and the temporal change analysis. The objective of this research was to evaluate the performance of an ANN for the supervised classification of different land cover types in an influence area of the Itupararanga reservoir, in wich an ETM+/Landsat image acquired in 2002 was adopted as reference for the training and validation of an ANN. The trained net was applied in other Landsat images acquired in 1985 and 2001, respectivelly. The results showed that the trained RNA was able to discriminate the most significant classes in the other dates. 1 INTRODUÇÃO As imagens multiespectrais de sensoriamento remoto oferecem uma contribuição efetiva na tarefa de quantificar mudanças a partir de cenas tomadas em diferentes datas. Porém, a análise de mudanças temporais, feita normalmente a partir da comparação entre classificações individuais, é limitada pela dificuldade em compatibilizar as classes resultantes em cada uma das datas de aquisição de dados. A classificação supervisionada através de Redes Neurais Artificiais (RNA) pode mapear um conjunto de dados de entrada nas mesmas classes definidas durante o processo de treinamento da rede. Além disso, a utilização de RNAs com o propósito de classificação pode-se constituir em uma alternativa vantajosa aos classificadores baseados em conceitos estatísticos, uma vez que nenhuma hipótese prévia sobre a distribuição dos dados a serem classificados é exigida não restringindo a possibilidade de incorporação de dados não espectrais na classificação. Existem vários modelos de RNA desenvolvidos para as mais diversas aplicações. Dentre eles, destaca-se a rede neural de perceptron multicamadas, a qual assume

2 regiões de decisão semelhantes àquelas formadas por um classificador estatístico, porém com entradas não correlacionadas e distribuições diferentes para os dados (LIPPMANN, 1987). Além disso, essas redes podem ser treinadas por um algoritmo iterativo de aprendizagem, chamado backpropagation que as habilita a desenvolver um comportamento associativo correto quando confrontadas com situações de características similares. Nesse contexto, o objetivo deste trabalho é avaliar o desempenho de uma Rede Neural Artificial treinada para uma única data, na classificação multitemporal da cobertura da terra na área de influência do reservatório de Itupararanga, utilizando imagens multiespectrais adquiridas em épocas distintas. Especificamente, é utilizada uma arquitetura de RNA treinada em uma das datas para mapear os tipos de cobertura da terra em outras datas de tomada dos dados. 2 CLASSIFICAÇÃO UTILIZANDO REDES NEURAIS ARTIFICIAIS Os mapas temáticos procuram generalizar as feições da superfície terrestre através de categorias especificadas em um esquema de classificação apropriado para cada aplicação. Os esquemas de classificação constituem, então, os meios usados para organizar a informação espacial de maneira lógica e ordenada e possibilitam, para quem produz o mapa, caracterizar as feições da paisagem e, para o usuário do mapa, reconhecê-las (CONGALTON e GREEN, 1999). Em sensoriamento remoto, a classificação de imagens consiste em se estabelecer um processo de decisão no qual um pixel ou grupo de pixels é definido como pertencente a uma determinada classe (VENTURIERI e SANTOS, 1998). Para a análise de dados multiespectrais, Richards (1986) destaca dois procedimentos abrangentes de classificação. Um deles, definido como classificação nãosupervisionada, que é um meio pelo qual os pixels de uma imagem são associados a classes espectrais, sem que haja um conhecimento prévio da existência ou nome destas classes. A classificação supervisionada se constitui na ferramenta analítica essencial usada na extração de informação quantitativa a partir de dados multiespectrais. O processo é dito supervisionado, pois implica na interação entre o intérprete humano e o sistema de análise, possibilitando o treinamento do algoritmo de classificação através de amostras usadas para caracterizar ou estimar parâmetros estatísticos de cada classe. Um pressuposto importante adotado na maioria dos procedimentos mais consolidados de classificação supervisionada é o de que as classes de interesse podem ser modeladas por uma distribuição de probabilidade no espaço multiespectral e, conseqüentemente, descritas pelos parâmetros dessa distribuição (GONZALEZ e WOODS, 2000). Muitas vezes, porém, as propriedades estatísticas de uma classe não podem ser estimadas, de modo que os problemas de teoria de decisão são melhor trabalhados pelos métodos que produzem diretamente as funções de decisão através dos dados de treinamento, sem levar em conta qualquer informação probabilística das classes de interesse. Os modelos de RNA permitem desenvolver adaptativamente os coeficientes das funções de decisão através de apresentações sucessivas de conjunto de padrões de treinamento (GONZALEZ e WOODS, 2000). As RNA são organizadas em camadas que compõem sua topologia ou arquitetura. Existem redes neurais de camada simples (perceptron) constituídas por um grupo de neurônios ou elementos de processamentos arranjados em apenas uma camada, e as redes multicamadas, formadas por várias camadas intermediárias ou pela combinação de várias redes de camadas simples (VENTURIERI e SANTOS, 1998). As camadas de elementos de processamento que compõem uma RNA têm suas próprias especificidades. A camada de entrada constitui uma estrutura de distribuição dos dados apresentados à rede; as camadas escondidas ou intermediárias realizam a maior parte do processamento, através das conexões ponderadas e podem ser consideradas como extratoras de características. Finalmente, na camada de saída, o resultado final é concluído e apresentado. A topologia de uma rede refere-se à maneira como os elementos de processamento são organizados, o que afeta o desempenho da rede, uma vez que sua estrutura está intimamente ligada às regras de treinamento ou aprendizagem usadas na fase de treinamento da rede. A entrada de uma RNA é um conjunto de observações e as saídas são os valores associados às classes desejadas. O processo de obtenção dos pesos e tendências é feito através da aprendizagem da rede, que é, essencialmente, um treinamento supervisionado. Durante o treinamento, elementos do conjunto de observações que correspondem aos nós da camada de entrada são apresentados à rede vinculados à classe correspondente. Para uma dada entrada, a rede deve ajustar o conjunto de pesos associados às conexões e também aos limiares dos nós, de modo a se obter a saída desejada. Uma vez que esse ajustamento tenha sido efetuado pela rede, um outro par de entrada e saída desejada é apresentado e a rede calcula o valor de saída correspondente (GONG, 1996). Normalmente, o algoritmo de treinamento ou aprendizagem utilizado para treinar uma rede Multicamadas é o Backpropagation, derivado da Regra Delta Generalizada (SCHALKOFF, 1992). Esse algoritmo permite um ajuste de pesos em cada uma das camadas e é projetado para minimizar o erro entre a saída calculada por uma arquitetura multicamadas e a saída desejada. Utiliza um método iterativo que propaga regressivamente o erro requerido para adaptar os pesos, a partir dos neurônios da camada de saída para os nós das camadas precedentes (LIPPMANN, 1987). De acordo com Gonzalez e Woods (1993) o número de elementos de processamento (nós) da camada de entrada corresponde ao número de variáveis e a camada de saída terá tantos elementos quantas forem às classes a serem mapeadas. A maior dificuldade está na definição do número de

3 camadas escondidas e do número de nós que as compõe, o que tem sido resolvido experimentalmente e/ou pela experiência prévia do analista no domínio de uma dada aplicação. Segundo Galo (2000), após o aprendizado da rede, ela classifica os padrões de interesse usando o conjunto dos pesos ajustados durante a fase de treinamento e calculando, para cada padrão de entrada, os valores de saída (ou ativação de saída) associados a cada classe. Essas ativações de saída indicam então, o grau de associação de um dado padrão de interesse em relação a cada uma das classes, fornecendo um indicador importante da ocorrência de ambigüidade ou incerteza. 3 DESENVOLVIMENTO METODOLÓGICO A área de estudos refere-se à área de influência do reservatório de Itupararanga, Estado de São Paulo, cuja delimitação foi feita com base na identificação das áreas que drenam em direção ao reservatório (bacia hidrográfica da represa de Itupararanga). Assim, não foi considerada toda bacia do rio Sorocaba, principal formador do reservatório de Itupararanga (QUEIROZ e IMAI, 2007). 3.1 Imagens e Aplicativos utilizados As imagens multiespectrais e multitemporais utilizadas neste trabalho foram tomadas pelos sensores TM e ETM+ do satélite Landsat, cuja resolução espacial é de 30 metros e as bandas espectrais utilizadas foram: 3 (0,63-0,69 µm), 4 (0,76-0,90 µm) e 5 (1,55-1,75 µm). A imagem tomada pelo sensor TM refere-se a maio de Já as imagens obtidas pelo sensor ETM+ são de setembro de 2000 e abril de Para a classificação das imagens foi utilizado o simulador de redes neurais SNNS (Stuttgart Neural Network Simulator). Trata-se de um ambiente de simulação e pesquisa, desenvolvido por um grupo de pesquisadores da Universidade Stuttgart, que engloba uma vasta quantidade de modelos de redes neurais e se caracteriza pela flexibilidade quanto aos dados de entrada. Além disso, foram utilizados os aplicativos Spring (Sistema de Processamento de Informações Georreferenciadas), desenvolvido e disponibilizado gratuitamente pelo INPE (Instituto nacional de Pesquisas Espaciais), e o Idrisi 3.2 desenvolvido originalmente na Clark University. Estes programas foram usados no processamento e tratamento dos dados de entrada e saída da classificação. 3.2 Classes de cobertura da terra e dados de entrada para classificação As classes de cobertura da terra definidas para a área de influência do reservatório de Itupararanga foram determinadas com base no conhecimento prévio da área de estudos em uma verificação de campo. Assim, foram definidas como tipos de cobertura da terra nessa área as categorias: mata, pastagem, cultura agrícola, solo exposto, área impermeável e corpo d água. Para que os dados de sensoriamento remoto passassem a constituir os planos de entrada para a rede, que efetivamente permitissem a discriminação das classes de interesse foram aplicados tratamentos específicos às imagem multiespectrais e multitemporais. Desta maneira, foram realizados os seguintes processamentos: o georreferenciamento das imagens multiespectrais utilizando 11 (onze) pontos de controle, com um erro médio de 0,3 pixel, e a geração de imagens derivadas: uma representando variações de textura e outra realçando áreas de vegetação. A imagem mostrando variabilidade ou textura foi obtida a partir da banda 4, utilizando um operador de contexto denominado índice de fragmentação, o qual calcula um índice numérico com base na variabilidade espacial observada em uma janela de 3x3, 5x5 e 7x7 pixels. O objetivo da geração da imagem de textura é quantificar a variabilidade espacial a fim de possibilitar uma melhor caracterização dos padrões que definem as classes de interesse, haja vista a necessidade de se considerar também as propriedades estruturais de uma vizinhança de pixels (SHIMABUKURO e SMITH, 1991). Outra imagem gerada foi a de Índice de Vegetação, a qual é uma combinação aritmética simples baseada no contraste entre as respostas espectrais da vegetação na região do vermelho e do infravermelho próximo. O índice de vegetação utilizado foi o NDVI (Normalized Diference Vegetation Index), expresso como a diferença entre a banda do infravermelho próximo (IVP) e vermelho (V), normalizada pela soma das bandas. O uso de uma imagem de índice de vegetação acarreta maior brilho nas áreas de vegetação e melhora a aparência da distribuição espacial de informações das imagens, tornando-as de fácil interpretação visual e computacional (SHIMABUKURO e SMITH, 1991). A partir da definição das imagens que possibilitassem a discriminação das classes pré-definidas, foi utilizada para o treinamento da rede a imagem ETM+/Landsat referente a abril de A aquisição das áreas de treinamento e validação foi feita através da extração de áreas ou segmentos da imagem, em cada um dos planos de entrada da rede (bandas espectrais ETM+/Landsat). Nesse processo, foram selecionadas uma área de treinamento e de validação que procuravam englobar todas as possíveis classes de saída definidas através da imagem a ser classificada. Em seguida foram selecionados dados amostrais para a definição de um plano de saída associado à ocorrência de cada classe de interesse. Para uma melhor identificação das classes de saída da rede neural foi utilizada como referência a imagem ETM+/Landsat de Após a aquisição das amostras de treinamento e validação, esses dados foram analisados estatisticamente com o propósito de verificar a ocorrência de uma possível confusão entre as classes dentro das áreas selecionadas.

4 Certificada independência espectral entre as classes, deuse inicio a aplicação da rede na classificação. treinamento, a rede passou a discriminar todas as sete classes de interesse, com um erro igual a 0, Aplicação da Rede Neural Artificial na classificação A definição de uma arquitetura de rede neural multicamadas, adequada para classificar o conjunto de dados de entrada, implicou na determinação prévia das classes de interesse e dos dados a serem classificados, os quais especificam, respectivamente, o número de elementos de processamento (nós) das camadas de saída e de entrada da rede. A configuração da RNA utilizada constou de cinco (5) elementos de processamento de entrada (3 bandas espectrais do sensor ETM+; a imagem de textura e NDVI desta data) e sete elementos de processamento na camada de saída (correspondentes às classes especificadas anteriormente, mais a parte externa à área de interesse Fundo). As imagens utilizadas para a extração dos cinco (5) elementos de processamento de entrada são apresentadas na Figura 1. 4 RESULTADOS Na Figura 2 apresenta-se a classificação resultante da aplicação da arquitetura [5-48-7], treinada com 2000 ciclos, para as imagens de abril de Como pode ser verificado nesta figura, a aplicação da arquitetura de RNA com uma camada escondida possibilitou discriminar as seis classes de interesse. (a) (b) (c) Figura 2 Classificação resultante da aplicação da arquitetura [5-48-7] aos dados ETM+/Landsat adquiridos em abril de (d) (e) Figura 1 Dados de entrada da RNA: bandas espectrais 3 (a), 4 (b), 5 (c) do sensor ETM+, Imagem de Textura (d) e Imagem de índice de Vegetação (NDVI) (e) referentes ao mês de abril de Para definir o número de camadas escondidas e o número de nós de cada camada, foram realizadas simulações com diferentes arquiteturas de rede e verificado o desempenho da rede treinada para uma amostra de validação. O número de camadas escondidas e o número de elementos nestas camadas foram definidos experimentalmente, tendo sido avaliadas arquiteturas com uma e duas camadas escondidas. Os pesos iniciais foram definidos no intervalo (-0,1 a 0,1), estabelecendo-se que a cada 100 iterações o treinamento seria interrompido para calcular o erro (EMQ) para o conjunto de validação. Esse erro foi monitorado tanto para padrões de treinamento quanto para validação, resultando na definição de uma arquitetura de rede com cinco elementos de processamento na entrada da rede, 48 nós na camada escondida e sete nós na camada de saída. Essa arquitetura, especificada como [5-48-7] foi treinada com 2000 iterações, já que com este ciclo de Analisando a Figura 3, observa-se na parte norte da represa a predominância de pastagem com alguns pontos isolados de mata, enquanto que ao sul ocorrem principalmente: a classe áreas construídas ou impermeáveis, solo exposto e culturas agrícolas. Em seguida a mesma rede aplicada à imagem de abril de 2002 foi aplicada à imagem ETM+/Landsat de maio de As imagens utilizadas para extração dos cinco (5) elementos de processamento de entrada definidos para a classificação dessa segunda data são mostrados na Figura 3.

5 para uma época consideravelmente diferente das anteriores. Deste modo, a rede treinada também foi aplicada para as imagens TM/Landsat adquiridas em maio de Vale ressaltar que a imagem utilizada neste processamento foi adquirida por outro sensor, o que pode resultar em maiores diferenças em relação ás imagens (a) (b) (c) anteriormente analisadas. Deve-se considerar também as grandes variações radiométricas de cenas adquiridas em épocas diferentes, em decorrência das variações temporais e sazonais. A Figura 5 apresenta as imagens utilizadas para extração dos cinco (5) elementos de processamento de (d) (e) entrada referente a maio de Figura 3 Dados de entrada da RNA: bandas espectrais 3 (a), 4 (b), 5 (c) do sensor ETM +, Imagem de Textura (d) e Imagem de índice de Vegetação (NDVI) (e) referentes a maio de Como se pode observar nas Figuras 1 e 3, as imagens de entrada para rede apresentam-se visualmente similares em decorrência da proximidade temporal e pelo fato de sem adquiridas na mesma época do ano. Na Figura 4 apresenta-se a classificação resultante da aplicação da arquitetura [5-48-7], treinada para as imagens de abril de 2002, nas imagens de maio de (a) (b) (c) (d) (e) Figura 5 Dados de entrada da RNA: bandas espectrais 3 (a), 4 (b), 5 (c) do sensor TM, Imagem de Textura (d) e Imagem de índice de Vegetação (NDVI) (e) referentes a maio de 1985 Observando as Figuras 1, 3 e 5, percebe-se uma diferença radiométrica entre as imagens mais recentes (Figura 1 e 3) e a imagem mais antiga (Figura 5). Este fato é resultante das diferentes condições ambientais nas datas de tomada das imagens ou simplesmente ocasionadas por fatores naturais ou antrópicos. Na Figura 6 apresenta-se a classificação resultante da aplicação da arquitetura [5-48-7], treinada para as imagens de abril de 2002 nas imagens de maio de Figura 4 Classificação resultante da aplicação da arquitetura [5-48-7] aos dados ETM+/Landsat adquiridos em maio de Comparando as Figuras 2 e 4, observam-se alterações sutis quanto ao tipo de cobertura da terra, também pelo fato das imagens terem sido adquiridas com intervalo menor que um ano e em períodos sazonais próximos (abril e maio). Entretanto, ainda podem-se observar algumas alterações ocasionadas pela alternância de classes em alguns locais. Pode-se perceber que todas as classes consideradas na classificação foram bem representadas. Com o intuito de se verificar a robustez da rede treinada para épocas distintas, utilizou-se a rede treinada

6 discriminar os tipos de cobertura da terra no entorno do reservatório de Itupararanga, por meio da realização um único treinamento da RNA e aplicação dessa RNA na classificação das imagens orbitais tomadas em épocas distintas. AGRADECIMENTOS Figura 6 Classificação resultante da aplicação da arquitetura [5-48-7] aos dados TM/Landsat adquiridos em maio de Como mostra a Figura 6, a classificação da imagem de maio de 1985 define adequadamente as classes solo exposto, mata, e água. As classes cultura e pastagem apresentaram-se confusas, pois na análise estatística das amostras, notou-se que as mesmas apresentam um padrão similar. Admitindo a diferença dos sensores e o alto intervalo temporal de aquisição entre a imagem classificada e a imagem utilizada para o treinamento da rede, este resultado era esperado. Observou-se também que a classe áreas impermeáveis não ficou definida. Analisando visualmente a imagem, percebe-se que a ocorrência de áreas com essa característica na imagem de 1985 era pouco significativa. 4 CONCLUSÕES A aplicação de uma RNA com único treinamento na classificação e mapeamento da cobertura do solo no entorno do reservatório de Itupararanga mostrou-se viável para a separação das classes de interesse nas três épocas consideradas, mesmo necessitando de um tempo de processamento considerável na etapa de treinamento. Quando a rede treinada para a imagem de referência (imagem ETM+/Landsat de abril de 2002) foi aplicada nas imagens de 1985 e 2001, esta se mostrou capaz de representar as classes mais significativas nessas imagens. Vale ressaltar que a imagem de 1985 foi obtida pelo sensor TM/Landsat e que este fato pode diferenciar as características espectrais comparadas com as outras duas imagens. Além disso, deve-se considerar també m q as variações radiométricas que ocorrem nas cenas adquiridas em épocas diferentes. A incorporação de dados de natureza não espectral (imagem de textura e imagem índice de vegetação (NDVI)) foi importante para a seleção das áreas de treinamento e também para a discriminação das classes. A realização do experimento confirmou a expectativa inicial quanto ao potencial da RNA em Os autores do trabalho agradecem ao Conselho Nacional de Desenvolvimento Cientifico e Tecnológico - CNPq, pelo auxilio financeiro destinado a essa pesquisa sob a forma de bolsas de estudos. Ao Prof. Doutor Maurício Galo, docente do Departamento de Cartografia da FCT/UNESP, que desenvolveu e implementou os programas para converter os dados a serem classificados em um arquivo padrão que pudesse ser compreendido pelo simulador, assim como, para a conversão dos valores de saída da rede neural artificial para o formato de uma imagem classificada. REFERÊNCIAS CONGALTON, R.G.; GREEN, K. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. 137p. Cap. 3, pg Boca Ratton: Lewis Publishers, GALO, M. L. B. T.. Aplicação de redes neurais artificiais e sensoriamento remoto na caracterização ambiental do Parque Estadual Morro do Diabo f. Tese (Doutorado em Engenharia Ambiental) - Escola de Engenharia de São Carlos. Universidade de São Paulo. GONG, P.. Integrated Analysis of Spatial data from multiple sources: using evidential reasoning and artificial neural network techniques for geological mapping. Photogrammetric Enginnering & Remote Sensing, v.62, n 5p, , GONZALES, R. C.; WOODS, R. E.. Recognition and Interpretation. In: Digital Image Processing. Reading, Addison-Wesley, GONZALEZ, R. C.; WOODS, R. E.. Processamento Digital de Imagens. Edgard Blücher, p LIPPMANN, R. P.. An introduction to computing with neural nets. IEEE ASSP Magazine, v.4, 4-22p, QUEIROZ, R. P.; IMAI, N. N. Mapeamento das atividades antrópicas na área de entorno do reservatório de Itupararanga SP. In: Simpósio Brasileiro de Sensoriamento Remoto, 13., 2007, Florianópolis.Anais... Florianópolis: INPE, p

7 RICHARDS, J. A. Remote Sensing Digital Image Analysis: An Introduction. New York, Springer Verlag, SCHALKOFF, F. Pattern Recognition: Statistical, Structural and Neural Approaches. Singapore: John Willey & Sons, SHIMABUKURO, Y.E.; SMITH, J.A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, v.29, n.1, p.16-20, VENTURIERI, A.; SANTOS, J. R. Técnicas de Classificação de Imagens para Análise de Cobertura Vegetal. In: ASSAD, E. D.; SANO, E. E., eds. Sistema de Informação Geográfica: Aplicações na Agricultura. Brasília: DF. Embrapa SPI/Embrapa-CPAC, p