CARACTERIZAÇÃO DO USO DA TERRA NO MUNICÍPIO DE VIÇOSA-MG A PARTIR DE CLASSIFICAÇÃO SUPERVISIONADA COM REDE NEURAL ARTIFICIAL* Eixo 1

Transcrição

1 CARACTERIZAÇÃO DO USO DA TERRA NO MUNICÍPIO DE VIÇOSA-MG A PARTIR DE CLASSIFICAÇÃO SUPERVISIONADA COM REDE NEURAL ARTIFICIAL* Eixo 1 Michelle Milanez França - Bacharel e Licenciada em Geografia, UFV. Mestranda em Solos e Nutrição de Plantas, UFV - milanezmichelle@gmail.com Elpídio Inácio Fernandes Filho - Professor Adjunto do Departamento de Solos, UFV - elpidio@ufv.br Bruno Toríbio de Lima Xavier - Engenheiro Agrônomo e Licenciado em Ciências Agrícolas, UFRPE. Mestrando em Solos e Nutrição de Plantas, UFV - brunotoribio@gmail.com INTRODUÇÃO * Extraído da monografia da primeira autora. Uma imagem de satélite consiste numa representação digital da superfície terrestre. Matematicamente, elas podem ser vistas como matrizes de pontos (ou pixels) com m linhas por n colunas, onde o valor de cada elemento representa a magnitude do total de energia eletromagnética refletida ou emitida pelo sensor. Assim, pode-se aplicar uma gama variada de técnicas de processamento digital de imagens para as matrizes numéricas. A quantificação das classes de uso do solo, obtida pela classificação das imagens de satélite, é uma fonte de informação importante para os municípios e permite uma política mais racional de planejamento territorial, urbano e ambiental. As geotecnologias vêm sendo cada vez mais empregadas para esta finalidade, sobretudo, devido à rapidez e qualidade dos produtos gerados. Foi a partir da década de 1970 que as técnicas de processamento digital obtiveram maiores avanços. Este fato se deu devido principalmente ao crescente interesse comercial nesses produtos. Câmara (2001) ressalta, porém, que tal interesse não foi acompanhado por um avanço teórico e assim o seu aprendizado tornou-se dificultado. Para ele, as raízes deste problema encontram-se na natureza interdisciplinar desta ciência, com base na Geografia, Informática, Planejamento Urbano, Engenharias e Estatística, dentre outras. Frente a esta lacuna teórico-conceitual, o espaço geográfico constitui-se como um conceito muito importante para a consolidação destes fundamentos teóricos. Milton Santos foi um dos geógrafos mais preocupados em analisar a correspondência entre o espaço geográfico e as geotecnologias para o estudo da sociedade e das mudanças que se perpassam na ocupação do espaço e o fez a partir do meio técnico-científico-informacional. A análise das imagens consiste na extração de informações de uma paisagem no momento visitado pelo satélite. Estas informações devem ser trabalhadas de modo que sejam facilmente discerníveis pelo foto-intérprete. Em virtude das diferentes propriedades físicas e composições químicas, a variedade dos materiais da superfície terrestre podem emitir, refletir ou absorver a radiação eletromagnética em diferentes formas. Desta maneira, os sistemas sensores poderão registrar o comportamento dos diferentes materiais, quando da iteração com o fenômeno físico ao longo do

2 espectro eletromagnético, e estabelecer a relação existente entre eles, o qual pode ser entendido e interpretado através das técnicas de processamento de imagens. Fascinados pelo funcionamento biológico do nosso cérebro, os cientistas desenvolveram modelos de Redes Neurais Artificiais para servir como ferramenta de apoio a tomada de decisão. Deste modo, as RNA s tentam construir um modelo matemático que supostamente trabalha de maneira análoga ao cérebro humano. Já há algum tempo tem sido reconhecido que uma abordagem matemática baseada nas ações de neurônios biológicos pode ser implementada para processar e interpretar muitos tipos diferentes de dados digitais. Enquanto não é possível ou desejável reproduzir a complexidade do cérebro humano em um computador, as RNA s, que são baseadas da arquitetura de elementos processadores simples como neurônios, estão sendo usadas com sucesso para uma variedade de aplicações (Atkinson & Tatnall, 1997). As RNA s (Redes Neurais Artificiais) consistem numa tecnologia que se originou de ciências como a informática, neurociência, estatística, matemática, física, dentre outras. Atuam como simuladores de comportamento inteligentes que se baseiam no funcionamento do cérebro humano. O conhecimento é adquirido e armazenado pela rede através do processo de aprendizado, que se dá pelas conexões entre os neurônios, também conhecidos como sinapses. A rede é composta de uma camada de entrada onde as informações provenientes das variáveis discriminantes são apresentadas ao classificador; uma camada de saída na qual a rede informa a classificação obtida a partir daquele conjunto de variáveis discriminantes e de um número variável de camadas intermediárias denominadas camadas ocultas onde o processo de aprendizagem da rede ocorre. Os satélites CBERS 1 e 2 são projetados para cobertura global e contém câmaras para observação óptica e um sistema de coleta de dados ambientais. Estes satélites são compostos por dois módulos. O módulo "carga útil" acomoda os sistemas ópticos (CCD Câmera Imageadora de Alta Resolução, IRMSS Imageador por Varredura de Média Resolução e WFI Câmera Imageadora de Amplo Campo de Visada) usadas para a observação da Terra e no Repetidor para o Sistema Brasileiro de Coleta de Dados Ambientais. O outro módulo denomina-se "serviço" e nele estão contidos os equipamentos que asseguram o suprimento de energia, os controles, as telecomunicações e demais funções necessárias a operação do satélite. O satélite CBERS-2B é muito semelhante aos CBERS-1 e 2, mas o IRMSS é substituído pela HC - Câmera Pancromática de Alta Resolução. O objetivo principal deste trabalho consistiu na produção da caracterização supervisionada do uso e cobertura da terra no município de Viçosa, a partir de imagens do sensor CBERS com a utilização de Redes Neurais Artificiais, além de testar variáveis discriminantes, como altitude, declividade e faces de exposição solar, dentre outros, na contribuição deste tipo de classificação.

3 MATERIAIS E MÉTODOS Foi adquirida uma imagem do sensor CBERS no site do INPE. A imagem foi visitada pelo sensor no dia 08 de julho de 2006, época de baixas precipitações pluviométricas e onde as pastagens encontravam-se secas, podendo ser confundidas com o solo exposto e diferenciadas de uma vegetação herbácea. A composição R (red) G (green) e B (blue) foi processada com as bandas 2, 4 e 3, respectivamente, no software ENVI. O georreferenciamento foi feito a partir da hidrografia municipal, obtida nas cartas topográficas do IBGE (2001), uma vez que esta feição é facilmente discernível na imagem. O sistema de projeção utilizado neste georreferenciamento foi a Projeção Universal Transversa de Mercator, fuso 23 sul. Foi elaborado um mapa com a imagem georreferenciada, a hidrografia e as estradas, na escala 1: para auxiliar as visitas a campo. Realizaram-se três visitas a campo com a finalidade de obter pontos com o GPS de navegação nas principais classes de uso e cobertura da área, que foram: área urbana, café, mata/capoeira, pastagem conservada e pastagem degradada. Nestas visitas, procurou-se identificar os principais tipos de uso e cobertura do solo e foram coletados pontos em locais com diferentes usos próximos uns dos outros, como pastagens conservadas e degradadas, café e pastagem degradada, da mata e eucalipto, por exemplo, com o objetivo de solucionar as possíveis confusões feitas pelo classificador. Os pontos foram obtidos dentro das áreas, evitando-se o entorno, pois o GPS de navegação possui erro médio de 10 metros e, desta forma, é importante que não se obtenha pontos muito próximos a borda das classes de uso. Terminado a etapa de campo, sobrepôs-se os pontos do GPS na imagem para observar a distribuição, o georreferenciamento e se os pontos de campo estavam condizentes com a imagem. No software ArcGis, coletaram-se amostras destas classes sobre a imagem. Estas amostras consistem na resposta espectral das classes. Depois, estas foram transformadas em polígonos, que foram usados no software ERDAS para capturar a assinatura espectral delas. Os polígonos foram identificados com o nome da classe de uso e cobertura a qual eles pertencem. A primeira simulação foi processada apenas com os atributos originais da imagem, ou seja, sua composição colorida, sem adicionar outras variáveis discriminantes que poderiam ou não auxiliar melhor esta metodologia supervisionada. Posteriormente, com o propósito de melhorar a classificação, procurou-se incorporar variáveis aleatórias, como as classes de declividade, a orientação da face de exposição da radiação solar, o modelo digital de elevação e o índice NDVI, que é o Índice da diferença normalizada da vegetação. O NDVI é sensível em captar resposta espectral da vegetação, que possui

4 alta reflectância na banda do infravermelho próximo. Este índice foi gerado a partir da imagem CBERS, utilizando-se a equação no software ENVI: NDVI=(ρ(IVP) ρ(vermelho))/(ρ(ivp)+ρ(vermelho), onde: NDVI= Normalized Difference Vegetation Index; ρ(vermelho)= fator de reflectância bidirecional na banda do vermelho; ρ(ivp)= fator de reflectância bidirecional na banda do infravermelho próximo. Para o processamento das informações e a resposta acerca da utilização das variáveis empregadas, foi feito uma classificação por vez e depois todas em uma única composição multibandas. Todas as composições multi-bandas foram processadas no software ERDAS. Ao final de cada composição, os valores dos níveis digitais de cinza da imagem foram reescalados de 0 a 255 para 0 a 1, que é uma exigência para o bom funcionamento do classificador de redes neurais, visto que esta metodologia supervisionada classifica a resposta espectral das classes emitida para o sensor, que está compreendida no intervalo transformado. A partir das amostras de treinamento criadas no ArcGis, foram extraídas todas as informações relativas às variáveis discriminantes nas diferentes classes de uso e cobertura do solo. Estes arquivos foram salvos em formato asc no software ERDAS. Assim, foram importados em planilhas EXCEL, onde foram selecionadas de 200 a 400 amostras para cada classe de uso e cobertura, tanto para os arquivos de treinamento quanto para os de validação. O arquivo final foi salvo em formato texto. No simulador de redes neurais JavaNNS (VIEIRA, 2000) foram estabelecidos parâmetros que permitiram o funcionamento da rede, como a escolha do algoritmo backpropagation, o número de ciclos de aprendizado do classificador, a iniciação aleatória dos coeficientes, e a arquitetura da rede, dentre outros. Através de tentativas, determinou-se o melhor número de camadas ocultas para estabelecer a arquitetura da rede. Os índices de exatidão global e kappa foram calculados após o treinamento da rede neural. O índice kappa varia de 0 a 1, onde k 0,2: péssimo; 0,2 < k 0,4: razoável; 0,4 < k 0,6: bom; 0,6 < k 0,8: muito bom e 0,8 < k 1: excelente.

5 RESULTADOS E DISCUSSÃO Com as matrizes de conflito pôde ser observado uma confusão entre as classes de pastagem conservada, pastagem degrada e área urbana. A pastagem conservada e a degradada consistem no mesmo padrão de cobertura, porém a conservada é agronomicamente melhor em função de uma série de fatores e cuidados tomados pelo agricultor, como o manejo agronômico ou zootécnico e principalmente a utilização de insumos, pois aparenta um aspecto estético melhor na paisagem, passando a apresentar pastos verdes, uniformes e vegetados. Já as pastagens degradadas geralmente estão localizadas em pastos descuidados, próximo a estradas vicinais e apresentam uma característica que faz com que o classificador confunda alguns pixels com a classe de área urbana, que é a presença de solo exposto. A arquitetura da rede consiste nas variáveis empregadas na classificação, como os dados de entrada, a camada oculta, onde ocorre a multiplicação dos pesos somáticos e origina a classificação, e a classe de saída. Os dados de entrada consistem no número de bandas espectrais que a classificação utiliza, precedido por um neurônio cada. O número de neurônios na camada oculta deve ser testado, pois ainda não existe metodologia padrão se considerarmos que cada classificação utiliza parâmetros e atributos diferentes, como a imagem utilizada, o tamanho da área, as classes amostradas, as bandas espectrais utilizadas, e desta forma não é possível generalizá-las. E a classe de saída é acompanhada pelo número de neurônios equivalente ao número das classes amostradas. Este algoritmo atualiza os pesos da última camada de acordo com a regra delta e para as outras camadas ir propagando o erro da saída para a entrada, indo alterar os pesos de acordo com a influência destes na saída. Nas matrizes de confusão exibidas a seguir, a classe 1 representa a área urbana, a 2 o café, a 3 para mata/capoeira, 4 para pastagem conservada e 5 para pastagem degradada. Na tabela 1 foi desenvolvida uma matriz de confusão para as RNA s a partir de um conjunto amostral de 400 pixels. As variáveis discriminantes utilizadas foram apenas a composição RGB da imagem de referência. O resultado apresentou pouca confusão interna entre pixels por classe. O treinamento de amostras apenas com a composição RGB objetivou avaliar o quanto estas bandas espectrais auxiliam no reconhecimento das classes em questão. Este consistiu no treino mais importante de amostras, porque analisou o potencial das bandas espectrais isolado. A partir dos resultados apresentados por ele, pôde-se tomar decisões proporcionando a melhora da classificação.

6 Tabela 1. Matriz de confusão obtida por RNA s e composição espectral RGB Classe Total Usuário U Total Produtor Kappa: Exatidão Global: 91.0 Na tabela 2, a matriz de conflito correlaciona a classificação por RNA s a partir das variáveis RGB e o índice NDVI. O conjunto amostral utilizado aqui também foi de 400 pixels. Pode-se perceber, com a presença da variável NDVI, um incremento nos valores de pastagem conservada (classe 4) e pastagem degradada (classe 5) com uma melhor proporção de pixels classificados em virtude da classificação que levou apenas em consideração a composição RGB (tabela 1). Tabela 2. Matriz de confusão obtida por RNA s a partir de composição espectral RGB e índice NDVI Classe Total Usuário U Total Produtor Kappa: Exatidão Global: 96.6

7 O bom desempenho das RNA s é ressaltado por França (2007) que aborda que a ocorrência de índices kappa possui melhor desempenho em classificações supervisionadas do tipo redes neurais que classificações estatísticas tipo algoritmos de máxima verossimilhança. Isto porque nas redes neurais há a utilização de um algoritmo de retropropagação do erro (backpropagation) onde seu aprendizado é fundamentado no aprendizado por correção de erros. Assim, ao oferecer os pixels de treinamento à rede, ela ajusta pesos de forma que consiga adaptar-se aos diferentes estímulos de entrada, ocorrendo a partir deste momento o seu aprendizado. Nas RNA s o aprendizado por correção de erros é processado pela seguinte equação: e k = d k y k onde, para o estímulo k: e= sinal de erro; d= saída desejada apresentada durante o treinamento; y= saída real da rede após a apresentação do estímulo de entrada. Na tabela 3, com a inclusão da variável altimetria, através do interpolador topogrid, os valores dos índices de exatidão se manterão estáveis, mostrando assim que não houve incremento significativo com a entrada desta variável. Tabela 3. Matriz de confusão obtida por RNA s a partir de composição espectral RGB, índice NDVI e interpolador topogrid Classe Total Usuário U Total Produtor Kappa: Exatidão Global: 92.1

8 Na tabela 4, incluiu-se as classes de declividade do terreno, às variáveis composição RGB e índice de diferença da vegetação normalizada. Também pelos resultados dos índices de exatidão expressos, devido a seus valores manterem-se estáveis, sem acréscimo ou decréscimo significativo na confusão interna de pixels, esta variável também não se mostrou muito eficaz em no problema elucidado acerca da separação de pixels entre pastagem conservada, pastagem degradada e área urbana. Tabela 4. Matriz de confusão obtida por RNA s a partir de composição espectral RGB, índice NDVI e as classes de declividade do terreno Classe Total Usuário Total Produtor Kappa: Exatidão Global: 91.9 E, por último, na tabela 5, foram incluídas todas as variáveis mencionadas anteriormente, com adição apenas das faces de exposição à radiação solar. Houve uma ligeira melhoria na alocação dos pixels de pastagem conservada (classe 4). Porem, os pixels de pastagem degradada (classe 5) se confundiram mais que com adição de outras variáveis, vistas nas tabelas anteriores. A classe de área urbana (classe 1) também teve sua confusão interna diminuída.

9 Tabela 5 Matriz de confusão obtida por RNA s a partir de composição espectral RGB, índice NDVI, interpolador topogrid, classes de declividade do terreno e face de orientação solar Classe Total Usuário U Total Produtor Kappa: Exatidão Global: 92.7 A par de todas as variáveis adicionadas com o objetivo de melhorar a confusão interna de pixels, este estudo apontou que o índice NDVI mostrou-se mais satisfatório, sendo o principal responsável por classificar corretamente cerca de 98 a 99% dos pixels de vegetação (classe 3 mata) corretamente nas cinco matrizes de confusão acima. Em virtude de ter-se conseguido melhor resultado com este índice, as tabelas posteriores (3, 4 e 5) vieram incluídas deste índice para testar possíveis melhoras, que como dito, não foram verificadas. Já a composição RGB participou de todas as matrizes de confusão, uma vez que esta variável trata-se da imagem em si. Na Tabela 6, está expressa a quantidade dos pixels classificados na imagem pela abrangência de sua área. As pastagens ocupam grande proporção no município, seguido da classe de Mata/Capoeira. O café, consiste numa cultura perene de grande significância para os pequenos agricultores da região, uma vez que na zona da mata mineira esta cultura é amplamente empregada nas pequenas propriedades rurais. A classe de área urbana apresenta um tamanho reduzido em relação ao tamanho real, pois muitos de seus pixels foram alocados para as classes de pastagem degradada, fazendo com que esta classe aumentasse sua real proporção.

10 Tabela 6 Distribuição das classes de uso do solo no município Classe Área (m 2 ) Área (ha) Área Urbana ,3311 Café ,5837 Mata/Capoeira ,6671 Pastagem Conservada ,4276 Pastagem Degradada ,4905 CONCLUSÕES Apesar de obter uma rede com um índice kappa e exatidão global (overall) considerados muito bons, percebe-se a confusão de pixels em algumas classes, como na pastagem, na área urbana e no solo exposto. Porém, a confusão entre estas classes não é considerada ruim porque de certa forma estes pixels apresentam uma certa semelhança entre si na resposta espectral. O NDVI de fato foi um bom separador entre os pixels de vegetação e até mesmo para com os pixels de pastagem, visto que a confusão entre suas subclasses não foram conflitantes.

11 REFERÊNCIAS BIBLIOGRÁFICAS ARONOFF, S. Geographic Information Systems: a management perspective. Otawa, WDL Publications. ATKINSON, P.M. & TATNALL, A.R.L. Neural Networks in Remote Sensing. International Journal of Remote Sensing, v.18, p , BENEDIKTSSON, J.A & SVEINSSON, J.R. Feature Extraction for Multisource Data Classification with Artificial Neural Networks. International Journal of Remote Sensing, v. 18, p , BRAGA, A. de P.; CARVALHO, A.P. de L.F. de e LUDEMIR, T.B. Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro: LTC Livros Técnicos e Científicos Editora, BURROUGH, P.A.; VAN RIJN, R. & RIKKEN, M. Spatial Data Quality and Error analysis Issues: GIS functions and environmental modeling. In: GOODCHILD, M.F.; STEYERT, L.T.; PARKS, B.O.; JOHNSTON, C.; MAIDMENT, D.; CRANE, M. & GLENDINNING, S. (eds.). GIS and environmental modeling: progress and research issues. Fort Collins, CO: GIS World books, p CÂMARA, G. et al. Geocomputation techiniques for spatial analysis: is the case for health data sets? Cadernos de Saúde Pública, 17 (5): , set/out FRANÇA, M.M. Avaliação de classificações supervisionadas com Redes Neurais Artificiais e Maxver para caracterização do uso da terra no município de Viçosa-MG. Universidade Federal de Viçosa, 2007 (Monografia de conclusão de curso). INPE. Instituto Nacional de Pesquisas Espaciais. São José dos Campos, SP. Disponível em: << 12/09/2006 HAYKIN, S. Redes Neurais: princípios e prática. trad. Paulo Martins Engel. 2ª ed. Porto Alegre: Bookman, MATHER, P.M. Computer processing of remote sensed images: an introduction. Chichester: Wiley, ROSA, R. Introdução ao Sensoriamento Remoto. Uberlândia, MG, Editora UFU (EDUFU), SANTOS, M. O Brasil: território e sociedade no século XXI. São Paulo, editora Record: SCHALKOFF, R.J. Pattern Recognition: Statistical, Structural and Neural Approaches. New York: John Wiley & Sons, SILVA, E.P da S. Geoprocessamento na discriminação de pastagens degradadas utilizando rede neural artificial em imagens IKONOS II. Viçosa, MG, (Tese de doutorado) VALENTE, E.L. Caracterização da intensidade de degradação do solo e da cobertura vegetal de uma área no médio rio Doce, utilizando imagens IKONOS II. Viçosa, MG, (Dissertação de mestrado)

12 VIEIRA, C.A.O. Accuracy of remotley sensing classification of agricultural crops: a comparative study. University of Nottingham, (Tese de doutorado)