Uso de redes neurais artificiais e objetos geográficos na classificação digital de imagens de sensoriamento remoto

Abstract

O presente trabalho teve como objetivo o desenvolvimento de uma metodologia para a criação de um mapa de uso e cobertura do solo na região norte do estado de Minas Gerais, onde, além de atividades agropecuárias, predominam vegetações nativas de cerrado, florestas estacionais deciduais e extensas áreas de vereda. Utilizando parcelas inventariadas e imagens dos sensores Rapideye, Landsat TM e MODIS, foram traçados três objetivos específicos, que são: testar o uso de técnicas de segmentação de imagens para uma classificação baseada em objetos contemplando nessa técnica informações espectrais, espaciais e temporais; testar a viabilidade da classificação de imagens de alta resolução espacial, como as do sensor Rapideye, combinadas a séries temporais Landsat-TM e a classificação dos dados por meio de Redes Neurais Artificiais. Através da segmentação de uma série temporal de imagens MODIS e parcelas inventariadas no Mapeamento e Inventário da Flora Nativa e dos Reflorestamentos de Minas Gerais foram extraídas as assinaturas temporais das principais fisionomias presentes na região, de onde foi possível observar os melhores períodos do ano a serem representados no processo. Devido à incompatibilidade de resoluções espaciais entre imagens Rapideye e MODIS, uma nova série Landsat TM foi tomada nestes períodos. Os objetos criados na segmentação das imagens Rapideye, juntamente com as imagens Landsat TM, foram classificados por dez diferentes arquiteturas de redes Mult Layer Parceptron, com uma, duas e três camadas de neurônios, variando ainda o número dos mesmos em cada uma. Os resultados mostraram que metodologia atende aos propósitos do estudo e as características das fisionomias presentes na região. Com excelentes valores de acurácia para as classes nativas, o estudo mostra a importância da adequação da base de dados em trabalhos de classificação e da importância de séries temporais no mapeamento de florestas estacionais.

The aim of this study was to develop a methodology for mapping land cover in northern Minas Gerais, Brazil. In addition to agricultural fields, the landscape in the region is dominated by cerrado (Brazilian savanna), deciduous forests, and extensive areas of palm swamp vegetation (veredas). Using forest inventory data, RapidEye, Landsat TM, and MODIS images, three specific objectives were defined: (1) to evaluate the use of image segmentation techniques for an object-based classification considering the spectral, spatial and temporal domains; (2) to evaluate the feasibility of using temporal information derived from a Landsat-TM time series for classification of high spatial resolution objects segmented from RapidEye images; (3) to evaluate Artificial Neural Networks classification algorithms. We used a MODIS time series and inventory plots to guide the construction of a Landsat TM time series that best represent the seasonality of different vegetation classes. Image objects and the respective attributes derived from the RapidEye images, as well as from the Landsat TM time series were input to ten different Multi Layer Perceptron network architectures. The results showed that the methodology meets the purposes of the study, being able to describe the landscape patterns of the region. With excellent accuracy for native classes, the study shows the importance of having a structured database for classification as well as the importance of having time series of images for mapping seasonal forests.