Aprendizado De MÃquina Na DetecÃÃo Do Uso Do Solo No Bioma Caatinga Via Sensoriamento Remoto / REMOTE SENSING AND MACHINE LEARNING APPLIED TO SOIL USE DETECTION IN CAATINGA BIOMA

AUTOR(ES)
FONTE

IBICT - Instituto Brasileiro de Informação em Ciência e Tecnologia

DATA DE PUBLICAÇÃO

06/03/2009

RESUMO

O manejo adequado dos recursos naturais em ambientes frÃgeis, como o da Caatinga, requer o conhecimento de suas propriedades e distribuiÃÃo espacial. Desta forma, o presente trabalho propÃe uma abordagem para a classificaÃÃo de imagens do satÃlite LANDSAT-5, correspondente a uma regiÃo semiÃrida localizada no municÃpio de Iguatu no Estado do CearÃ, objetivando detectar o bioma da Caatinga por meio de dois tipos de classificadores baseados em aprendizado de mÃquina: o mÃtodo baseado em Perceptrons de MÃltiplas Camadas-MLP (do inglÃs Multi Layer Perceptron) e o mÃtodo MÃquinas de Vetores de Suporte-SVM (do inglÃs Support Vector Machine). O classificador estatÃstico da mÃxima verossimilhanÃa, por ser amplamente utilizado na literatura, tambÃm foi aplicado à Ãrea em estudo para que o desempenho dos mÃtodos propostos fosse comparado aos destes. Cinco classes foram definidas para a classificaÃÃo, a saber: agricultura, antropizada, Ãgua, caatinga herbÃcea arbustiva (CHA) e caatinga arbÃrea densa (CAD). Para o mÃtodo MLP, foram realizados testes variando a quantidade de neurÃnios na camada intermediÃria. Jà os testes para o mÃtodo SVM consistiram em variar o parÃmetro σ da funÃÃo gaussiana e o parÃmetro de penalizaÃÃo (C). A eficiÃncia dos mÃtodos foi analisada por meio dos coeficientes de ExatidÃo Global, ExatidÃo EspecÃfica e de Kappa calculados por meio dos dados da matriz de confusÃo. Esta, por sua vez, foi gerada para cada mÃtodo a partir da comparaÃÃo entre a classificaÃÃo e os pontos georreferenciados com aparelho GPS (correspondentes à verdade terrestre). O mÃtodo MLP apresentou melhor desempenho para o teste em que 12 neurÃnios foram atribuÃdos à camada intermediÃria, com valores de ExatidÃo Global e de Kappa de 82,14% e 0,76, respectivamente. Jà o mÃtodo SVM apresentou melhor performance para o teste com C=1000 e σ=2 no qual se obteve valores de 86,03% e 0,77 para os coeficientes de ExatidÃo Global e Kappa, respectivamente. O valor de ExatidÃo Global para o classificador estatÃstico da mÃxima verossimilhanÃa permitiu concluir que 81,2% dos pixels foram classificados corretamente e o coeficiente de Kappa para este mÃtodo foi de 0,73. Os valores dos coeficientes de ExatidÃo EspecÃfica, que proporcionam analisar o desempenho dos mÃtodos em cada classe, foram superiores a 70%. A Ãrea total classificada foi de 576 km2 e, dentre as duas classes consideradas para o bioma Caatinga, a predominante à a do tipo caatinga herbÃcea arbustiva (CHA). Assim, por meio dos resultados experimentais obtidos, pode-se afirmar que os mÃtodos SVM e MLP, baseados em aprendizado de mÃquina, apresentaram desempenho satisfatÃrio para a classificaÃÃo do bioma Caatinga.

ASSUNTO(S)

irrigacao e drenagem inteligÃncia artificial semiÃrido classificaÃÃo de imagens de satÃlite. artificial intelligence semi-arid satellite image classification.

ACESSO AO ARTIGO

Documentos Relacionados