Generalização espaço-temporal de redes neurais artificiais para classificação do uso e cobertura do solo da região de Miguelópolis-SP / Spectral-temporal generalized artificial neural networks for classification landscover of Miguelópolis-SP

AUTOR(ES)
DATA DE PUBLICAÇÃO

2008

RESUMO

A classificação de imagens de satélites subsidia na identificação e extração de informações possibilitando a produção de novos mapas contendo informações específicas, que auxiliam em pesquisas ambientais relacionadas às distintas linhas de pesquisas. Toda classificação executa uma generalização espacial, no entanto, a generalização temporal, aonde um classificador é treinado com amostras distantes no tempo é pouco conhecido e pode ser bastante útil na irrigação, análise de ciclos da cultura, análise do uso e ocupação do solo, dentre outros. Neste contexto, este trabalho teve o objetivo de testar o desempenho da generalização espaço-temporal de redes supervisionadas MLP (Multilayer Perceptron) para classificar o uso e ocupação do solo, especificamente as culturas agrícolas no município de Miguelópolis - SP. Foram utilizadas 20 cenas ETM+/ Landsat 7 e TM/Landsat-5 do ano de 2001 e do ano de 2002, onde as imagens de 2001 foram retificadas com a cena base do ano de 2002. Foram separados dois grupos, um destas imagens retificadas e o outro destas imagens apenas com reflectância para ambos os testes serem feitos. Os processamentos de registro, retificação, geração do NDVI e imagens reflectância foram realizados no software de Sistemas de Informações Geográficas - SPRING e para estabelecer a arquitetura da rede e treinamento foi utilizado o software Stuttgart Neural Network Simulator - SNNS empregando o algoritmo de retropropagação do erro, esperando erro de saída de 0,01. Primeiramente foi feita a classificação das cenas de 2001, com amostras coletadas na mesma cena; logo em seguida a classificação foi feita pela abordagem espectro-temporal, classificando as cenas de 2001 com uma rede treinada a partir de amostras de 2002 e depois a classificação foi feita através das cenas do ano de 2002 com uma rede treinada a partir de amostras do ano de 2001. Foram utilizados como parâmetros de entrada as bandas 3, 4 e 5 e o Índice de Vegetação da Diferença Normalizada - NDVI, procurando distinguir nas imagens oito classes: feijão de primeira safra, feijão de segunda safra, milho, sorgo, cana de ano e meio, cana colhida no ano, água e outros usos, que englobam edificações, áreas de florestas que são poucas no retângulo que envolve a área de estudo. As avaliações das classificações foram feitas por meio da estatística Kappa (K) e da estatística Z (Z) para analisar através destes valores a necessidade da retificação radiométrica na classificação espectro-temporal nas imagens retificadas e nas imagens reflectância, verificando se a calibração é o suficiente na uniformização radiométrica das cenas nas classificações. A retificação foi capaz de normalizar a resposta espectral dos alvos nas imagens, entretanto, os valores do (K) foram baixos em todas as classificações, principalmente na classificação espectro- temporal fato que pode estar relacionado à complexidade da área de estudo em identificar as culturas agrícolas que apresentam diferentes estádios fenológicos e grande variação nas épocas de cultivos. Através do NDVI, foi possível traçar em relação aos dias do ano de 2001, o ciclo produtivo das culturas, evidenciando a complexidade destes que influem na classificação no espaço e no tempo. Os testes (Z) mostraram uma queda significativa na exatidão da rede treinada com dados de 2001 para classificar as cenas do ano de 2002 e na treinada com dados de 2002 para classificar as cenas de 2001, mas a classificação com dados treinados e classificados em uma mesma data apresentou resultados aquém das classificações no tempo. A utilização de imagens refletância do ano de 2001 resultou em uma classificação que não diferiu estatisticamente das imagens retificadas, logo o procedimento de retificação neste trabalho não seria necessário, visto que ele requer tempo e é complexo. Na área de estudo, é possível verificar diante das classificações, a grande quantidade de pivôs para irrigação. A agricultura irrigada, geralmente substitui a mata ciliar, relacionada diretamente com a qualidade da água, gerando inúmeros problemas, portanto, análises neste tocante são necessárias, já que as classificações das imagens auxiliam na aquisição de informações para possíveis tomadas de decisões.

ASSUNTO(S)

sensoriamento remoto redes neurais artificiais processamento de imagens landsat manejo florestal remote sensing artificial neural networks images processing landsat

ACESSO AO ARTIGO

Documentos Relacionados