Segmentação de imagens e lógica nebulosa para treinamento de uma rede neural artificial na caracterização do uso da terra na região de Tucuruí (PA)

• Ano de defesa: 1996
• Autor(a) principal: Adriano Venturieri
• Orientador(a): João Roberto dos Santos
• Banca de defesa: Hermann Johann Heinrich Kux, Ricardo José Machado, Evaristo Eduardo de Miranda
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Sensoriamento Remoto
• País: BR
• Resumo em Inglês: Neural net-based segmentation and classification techniques of TM/LANDSAT imagery are presently being developed for the evaluation and monitoring of the deforested areas of Amazon. The good results obtained using this approach allowed to direct efforts towards a stratification of deforested areas, presently under agricultural use and fallow. As such, the objective of this work is the development of the process of image segmentation and labeling of the segments, using fuzzy logic sets as the basis for training of artificial neural nets, which are specialized in vegetation and land use classes in the region of Tucuruí (PA-Brazil). As a first step for a general evaluation of different image classification processes, including those based on neural nets, a comparison using KAPP A statistics is done between thematic images resulting from the use of traditional classification algorithms (ISOSEG, Maximum Likelihood). The study was developed over a part of the region under influence of the Tucuruí dam (SE of Pará State). The segmentation process of the imagery was based on spectral characteristics, using the regions-growth technique. A total of 15.033 segments were individually labeled: as basic categories, Forest, Advanced Secondary Succession, Initial Secondary Succession, Shrub Rangeland, Herbaceous Rangeland, Agricultural Land, Urban Land and Water, besides the interference categories of Shadows and Clouds. In the labeling process of those segments, they were attributed degrees of partial membership (0,0; 0,25; 0,50; 0,75 and 1,0), using the Boolean concepts of true and false, according to the procedures that define the fuzzy logic sets. Spectral characteristics such as average, as well as textural ones, such as variance, correlation and entropy, were considered for class training in the architecture of this neural net classifier system. Mean Square Error (MSE), Sensitivity and Specificity were used to evaluate the preliminary results of the network. The training aimed at minimizing the MSE with the number of seasons, indicating sensitivity and specificity coherent to the identification of geo-classes. The performance of the unsupervised classification algorithm against a reference image when using regions based on the image segmentation was superior when compared to the performance of ISOSEG and Maximum. For an adequate understanding of the stratification of land-cover classes in East Amazon, it is expected in the future, that a comparison of the proposed classification process with the conventional ones (ISOSEG and Maximum Likelihood) can be done after an equalization of the neural net and a new training phase.
• Link de acesso: http://urlib.net/sid.inpe.br/iris@1912/2005/07.20.10.59

Para avaliação e monitoramento das áreas desflorestadas na Amazônia têm sido desenvolvidas, atualmente, técnicas de segmentação e classificação de imagens TM/LANDSAT por redes neurais. O sucesso desta abordagem tem permitido direcionar esforços para uma estratificação das áreas desflorestadas, hoje em uso agropecuário ou em pousio. Por conseguinte, o objetivo deste trabalho é o desenvolvimento do processo de segmentação de imagens e rotulação de segmentos utilizando a lógica nebulosa como suporte para treinamento (através do algoritmo backpropagation) de redes neurais artificiais especializadas em classes de vegetação e uso da terra na região de Tucuruí (PA). Em complementação à este objetivo é apresentada a comparação (através da estatística Kappa) entre imagens temáticas resultantes dos algoritmos de classificação tradicionais (ISOSEG e Máxima Verossimilhança) como primeiro passo para uma avaliação geral dos diferentes processos classificatórios de imagens, incluindo futuramente aquele derivado das redes neurais. O estudo foi desenvolvido em parte da região sob influência da barragem de Tucuruí (SE do Estado do Pará). O processo de segmentação da imagem foi realizado com base nas características de natureza espectral, através da técnica de crescimento de regiões. Foram rotulados individualmente 15.033 segmentos de imagem para formação da base de conhecimento/treinamento da rede nas geoclasses: Floresta, Sucessão Secundária Avançada, Sucessão Secundária Inicial, Pasto Sujo, Pasto Limpo, Cultura Agrícola, Área Urbana e Água (categorias básicas) além de Sombra e Nuvem (categorias de interferência). No processo de rotulação destes segmentos foi atribuído a cada categoria temática, graus de pertinência parciais ( 0,0; 0,25; 0,50; 0,75 e 1,0), entre os conceitos booleanos de falso e verdadeiro, dentro do procedimento que define o conceito de lógica nebulosa. Na arquitetura deste sistema classificador por rede neural foram consideradas para treinamento, as informações espectrais (média) e texturais (variância, correlação e entropia). Para avaliar os resultados preliminares da rede utilizaram-se os índices MSE (Mean Square Error), Sensibilidade e Especificidade. No treinamento da rede houve uma minimização do MSE com o número de épocas deste treinamento, indicando uma sensibilidade e especificidade coerente à identificação das geoclasses. No caso de comparação das classificações temáticas entre as abordagens ISOSEG e Máxima Verossimilhança e a imagem de referência, foi constatada a superioridade do algoritmo não supervisionado em função deste utilizar regiões resultantes da segmentação de imagens. É esperado que, em oportunidade futura, com a realização de uma equalização da rede, nova fase de treinamento e procedimento de classificação temática (associando descritores de vizinhança), seja possível a comparação deste processo classificatório com aqueles convencionais (ISOSEG e Máxima Verossimilhança) para um adequado entendimento da estratificação de classes de ocupação da terra na Amazônia Oriental.