Generalização espaço-temporal de redes neurais artificiais para classificação do uso e cobertura do solo da região de Miguelópolis-SP

• Ano de defesa: 2008
• Autor(a) principal: Schimith, Rafaelle da Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; BR; Manejo Florestal; Meio Ambiente e Conservação da Natureza; Silvicultura; Tecnologia e Utilização de; Mestrado em Ciência Florestal; UFV
• Palavras-chave em Português: Sensoriamento remoto; Redes neurais artificiais; Processamento de imagens; LANDSAT; Remote sensing; Artificial neural networks; Images processing; CNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL::MANEJO FLORESTAL
• Link de acesso: http://locus.ufv.br/handle/123456789/3028

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.