60ª Reunião Anual da SBPC

INTRODUÇÃO:

As tecnologias de Sensoriamento Remoto (SR) assumem cada vez mais uma importância maior, dada a sua aplicação em áreas diversas, desde a metereologia, passando pelo monitoramento ambiental e indo até a geração de subsídios para a construção de políticas públicas de desenvolvimento humano e ambiental. Nesse sentido, dada a importância estratégica do domínio da tecnologia de SR, o Brasil tem investido, tendo a China como parceira, no programa CBERS (China-Brazil Earth Resources Satellite): uma parceria científica e tecnológica que resultou em 3 satélites, CBERS-1, 2 e 2B, que integram o Sistema Brasileiro de Coleta de Dados Ambientais, sendo previsto para os próximos anos o lançamento de mais dois satélites. As imagens de SR ou combinações delas permitem a geração de mapas temáticos a partir da análise digital das imagens adquiridas, que pode ser monoespectral ou multiespectral. Neste trabalho se procura mostrar que é possível utilizar métodos de classificação não-supervisionada, baseados em mapas auto-organizados, combinados para extrair informação do sensor IRMSS, dotado de quatro bandas, sendo três de infra-vermelho, que permitem uma boa distinção entre tipos diferentes de vegetação e cultura. A área imageada abrange a cidade de Petrolina, PE, e o Rio São Francisco.

METODOLOGIA:

A área imageada utilizada neste trabalho abrange os municípios de Petrolina e Lagoa Grande, PE, e Juazeiro, BA. O centro das imagens engloba a mezorregião do Rio São Francisco pernambucano. As imagens foram geradas a partir do sensor IRMSS, do satélite CBERS-2, e obtidas em 2004, com clima bom e sem incidência de nuvens, pelo Instituto Nacional de Pesquisas Espaciais, INPE. As quatro bandas fornecidas, pan-cromática, duas bandas de infra-vermelho médio e uma de infra-vermelho termal, foram integradas numa só imagem multiespectral. Para tanto se procedeu com o registro manual das imagens, a partir de pontos marcadores. Para classificação das imagens e detecção dos tipos de vegetação e cultura presentes na área imageada, foram utilizados os seguintes métodos, a partir do software AnImed: mapa auto-organizado de Kohonen, mapa auto-organizado de Kohonen modificado (função de distância retangular), rede fuzzy c-médias e mapa de k-médias. Foram estudadas diversas configurações em todos os métodos citados, até o máximo de 7 classes, número máximo de iterações de 200, e passo de 0,1.

RESULTADOS:

A partir da classificação utilizando o mapa de k-médias, foram identificadas no máximo 3 classes das 7 requeridas nos parâmetros de entrada, o que implica que, com o k-médias, não foi possível distinguir mais do que 3 populações estatisticamente significativas. Resultados semelhantes foram encontrados utilizando-se a rede fuzzy c-médias, com a diferença que uma das três classes correspondentes, ao se comparar os resultados de classificação com os dois métodos, acabou ocupando uma área ligeiramente maior na rede fuzzy c-médias do que no mapa de k-médias. Essas duas classes, após rotulação usando conhecimento especialista, provaram ser dois tipos de vegetação distintos. Não há identificação clara das construções presentes na área imageada. A terceira classe, nesses casos, acaba sendo o próprio rio. Os mapas auto-organizados de Kohonen utilizados foram de dois tipos: com função de vizinhança gaussiana (padrão) e com função modificada (retangular). Ao se utilizar o mapa de Kohonen padrão, foram identificadas 6 das 7 classes desejadas, que podem ser identificadas por: construção 1 e 2, vegetação e culturas 1, 2 e 3, e o próprio rio. Já com o mapa de Kohonen modificado foi possível encontrar todas as 7 classes, sendo agora 3 classes associadas a construção (construção 1, 2 e 3).

CONCLUSÕES:

Dos estudos realizados pode-se concluir que o mapa auto-organizado de Kohonen modificado, ou mapa com distância retangular, foi o que melhor se comportou na detecção de novidades na área imageada, uma vez que tornou evidente a existência de três tipos de construção diferentes, dos quais um dos tipos não aparece nos mapas de Kohonen clássicos, enquanto os mapas de k-médias e fuzzy c-médias não conseguiram detectar nenhuma classe associada a construção. Como trabalhos futuros espera-se utilizar conhecimento especialista na seleção de regiões de interesse para poder avaliar objetivamente a classificação, utilizando métodos como o índice kappa e a matriz de confusão. Outros trabalhos possíveis seriam ainda o estudo de diferentes áreas imageadas e o experimento de outros métodos de classificação não-supervisionada baseados em mapas auto-organizados.

Trabalho de Iniciação Científica

Palavras-chave: sensoriamento remoto, mapas auto-organizados, aplicações ambientais

E-mail para contato: cecilia-cordeiro@hotmail.com