Artificial neural networks to spectral-temporal classification of agricultural crops / Redes neurais artificiais para classificação espectro-temporal de culturas agrícolas

AUTOR(ES)
DATA DE PUBLICAÇÃO

2004

RESUMO

Investigou-se nesse trabalho uma nova metodologia de classificação de cenas agrícolas em imagens digitais. As cenas agrícolas possuem uma complexidade intrínseca causada pela desuniformidade fenológica encontrada em uma cena, além da perda de particularidades espectrais quando imageadas pelos sensores orbitais de bandas largas. Visando solucionar esse problema, foi analisada uma metodologia onde um pixel é analisado de maneira contínua no tempo, e a espectro-temporalidade obtida é analisada através de redes neurais. Dez imagens do sensor ETM+ (Enhanced Thematic Mapper Plus) da órbita/ponto 220/74, do ano de 2002 da região de Miguelópolis (SP) foram utilizadas. Estas imagens foram retificadas radiometricamente para a uniformização dos efeitos atmosféricos e classificadas através de perceptrons de múltiplas camadas treinados com o algoritmo de retropropagação do erro (RPE); outra rede utilizada foi a rede de Funções de Base Radial (FBR), além do classificador Gaussiano de máxima verossimilhança. Foram utilizados como parâmetros de entrada as bandas 3, 4 e 5, e o índice NDVI como indicador de variação de IAF (Índice de Área Foliar). As classificações foram supervisionadas tendo 6 classes agrícolas: feijão1, feijão2, milho, sorgo, cana colhida no ano e cana de ano e meio. Foram testados diferentes parâmetros estatísticos para alimentar as redes como a média e/ou desvio padrão de janelas com 3x3 pixels, em três combinações diferentes: média e desvio padrão das bandas 3, 4 e 5 e do NDVI; média do NDVI e média e desvio padrão das bandas 3, 4 e 5 e, por último, somente os arquivos de média das bandas e do NDVI. A melhor combinação de parâmetros foi a utilização apenas dos arquivos de média, uma vez que o uso do desvio padrão introduziu ruído na classificação. Após a escolha da melhor combinação de parâmetros estatísticos, analisou-se, através da classificação temporal, o desempenho dos algoritmos RPE, FBR e o MaxVer. Numa análise posterior, executaram-se com esses três algoritmos, classificações de única data, que foram confrontadas com a classificação temporal. Por último, testou-se a tolerância das redes neurais a dados falhos, simulando-se a perda alternada de imagens. Essas imagens foram suprimidas e substituídas pela média entre a imagem anterior e a posterior à data considerada. Os desempenhos das classificações foram analisados através de procedimentos de estatística kappa e kappa condicional, este último permitiu verificar o desempenho dos classificadores e a influência da temporalidade para cada classe específica. Na análise dos classificadores, o algoritmo de RPE apresentou um valor de kappa superior à rede FBR e ao MaxVer; porém sem diferença significativa. A simulação de dados falhos, resultou numa queda não significativa do kappa, mas a classe sorgo desapareceu do mapa temático final. O kappa condicional mostrou que a temporalidade na caracterização das culturas agrícolas é relevante principalmente com a rede RPE, embora a melhora na classificação nem sempre ocorra simultaneamente em relação aos erros de omissão e comissão de cada classe. A única classe que não se beneficiou com o uso da temporalidade foi a classe cana de ano. Essa classe é de difícil definição do vetor espectro-temporal pela ação antrópica que pode ocorrer em sete meses ao longo do ano. No entanto, a classificação com uma única data, em meados de abril, mostrou ser bastante satisfatória. A análise espectro-temporal de cenas agrícolas processada através de redes neurais é promissora em relação aos tradicionais métodos de classificação.

ASSUNTO(S)

phenology sensoriamento remoto normalized difference vegetation index temporal resolution remote sensing crop identification identificação de culturas agrículas índice de vegetação da diferença normalizada análise multitemporal neural nets redes neurais fenologia

Documentos Relacionados