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.
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 <http://wist.echo.nasa.gov/api//>. Ela foi recortada, corrigida geometricamente mediante um polinômio do segundo grau, com base nas ortoimagens do mapeamento sistemático do PR 2005. 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, 2015. 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.
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.
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.
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.
128 6. Referências Bibliográficas; AVERY, T. E.; BERLIN, G. L. Fundamentals of Remote Sensing and Airphoto Interpretation. 5 ed. New Jersey: Prentice Hall. 1992. 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., 2003. 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., 2014. 350 p. Disponível em: <http://www.iap.pr.gov.br/arquivos/file/plano_de_manejo/apa_escarpa_devoniana/1_apa _PM.pdf>. Acesso em: 06 nov. 2015.