USO DE CLASSIFICADORES EM IMAGENS DE SAT ÉLITE, PARA A AN ÁLISE MULTITEMPORAL DO DESMATAMENTO NO
RIO LARGO, AL 2019 Flávio Henrique dos santos silva
3. RESULTADOS E DISCUSSÕES
3.1 Classificador Random Forest (RF)
A seguir as figuras 2, 3, 4 e 5 apresentam os resultados qualitativos, da classificação multitemporal utilizando o algoritmo RF.
II Congresso Alagoano de Engenharia de Agrimensura – CONEAGRI 2019 Rio Largo-AL, 02-04 de dezembro de 2019
Fotogrametria, Sensoriamento Remoto e Processamento Digital de Imagens Figura 3. Resultado classificação mosaico Landsat 5, com imagens de 1997. Fonte: Autores (2019).
Geoinformação: A agrimensura inserida nos diversos campos profissionais
Figura 5. Resultado classificação mosaico Landsat 8, com imagens de 2019. Fonte: Autores (2019).
Analisando as imagens classificadas utilizando o classificador Random Forest (figuras 2, 3, 4 e 5) é possível observar uma redução da área de vegetação nativa ao longo dos anos analisados à medida que vegetação rasteira, solo exposto e urbanização aumentaram. Comparando os resultados obtidos e os resultados apresentados por programas de monitoramento do desmatamento – SAD E PRODES – que apontam crescimento progressivo do desmatamento na área de estudo, o resultado obtido pode ser considerado satisfatório. 3.2 Classificador K-Nearest Neighbors (KNN)
A seguir as figuras 6, 7, 8 e 9 apresentam os resultados qualitativos, da classificação multitemporal utilizando o algoritmo KNN.
II Congresso Alagoano de Engenharia de Agrimensura – CONEAGRI 2019 Rio Largo-AL, 02-04 de dezembro de 2019
Fotogrametria, Sensoriamento Remoto e Processamento Digital de Imagens Figura 7. Resultado classificação mosaico Landsat 5, com imagens de 1997. Fonte: Autores (2019).
Geoinformação: A agrimensura inserida nos diversos campos profissionais
Figura 9. Resultado classificação mosaico Landsat 8, com imagens de 2019. Fonte: Autores (2019).
Ao observar o resultado das as imagens classificadas utilizando o classificador K-Nearest Neighbors (figuras 6, 7, 8 e 9), assim como nas imagens utilizando o classificador Random Forest (RF), é possível perceber redução da área de vegetação nativa ao longo dos anos analisados à medida que os outros aspectos aumentam. Embora a urbanização tenha aumentado é perceptível as diferenças entres os anos 1997, 2008 e 2019 nos quais há uma redução entre os anos de 1997 à 2008 e depois há um aumento entre 2008 à 2019.
Na sequência a “Tabela 3” e a “Figura 10” apresentam os dados quantitativos da classificação, utilizando os algoritmos RF e KNN.
II Congresso Alagoano de Engenharia de Agrimensura – CONEAGRI 2019 Rio Largo-AL, 02-04 de dezembro de 2019
Fotogrametria, Sensoriamento Remoto e Processamento Digital de Imagens Figura 10. A esquerda gráfica relaciona a porcentagem da área total classificada utilizando RF, com as
classes e ano. Já a direita utiliza o algoritmo KNN. Fonte: Autores (2019).
Através da análise dos dados presentes na “Tabela 3” e “Figura 10” é possível perceber que ambos os classificadores utilizados apresentaram resultados semelhantes, exceto para a classe ‘água’ nos quatro anos analisados e para a classe ‘urbanização’ utilizando o classificador k-
nearest neighbor nos anos de 1997 e 2008 que apresentaram uma área de 59,99 km2 e 30,05 km2 respectivamente. Neste caso, podemos afirmar que o resultado é inconsistente (redução de 29,94 km2, da área urbana neste intervalo), pois analisando a série histórica dos dados, sobre população e densidade demográfica da capital do estado do Acre, pode-se perceber que teve um constante aumento destes parâmetros, que está ligado diretamente com o expansão da área urbana (IBGE, 2019). Esta inconsistência, utilizando o algoritmo k-nearest neighbor é justificada, já que para classificar um pixel utiliza como referência as classes dos vizinhos mais próximos, desta forma quanto maior a semelhança entre os valores dos pixels e proximidade entre duas classes, maior a probabilidade de confusão, como é o caso do Solo Exposto com a Urbanização. Desta forma, mesmo considerando a maior acurácia no treinamento utilizando o
KNN, este tipo de inconsistência era esperada, já que a acurácia não tem relação direta com o
resultado da classificação, além disso este método de classificação é bem mais simples se comparado com o RF.
A partir da análise qualitativa e quantitativa dos resultados obtidos nas classificações verificou-se que, para este tipo de temática, entre os dois classificadores utilizados, o Random
Forest apresentou melhor identificação de classes, com resultados mais consistentes enquanto
o K-Nearest Neighbors apesar de ter mostrado um bom resultado na maioria dos aspectos analisados apresentou conflito entre solo exposto e urbanização devido a sua metodologia mais simples o que o tornou os resultados obtidos utilizando o classificador inconsistentes.
Geoinformação: A agrimensura inserida nos diversos campos profissionais
4. CONSIDERAÇÕES FINAIS
Em relação aos dados da classificação utilizando classificador RF, pode-se concluir que no período de 33 anos, ocorreu o desmatamento de 18% da vegetação nativa (Floresta Amazônica), da área de estudo, tendo como consequência o aumento de 6,13% da área classificada como vegetação rasteira, solo exposto 8,05%, urbanização 0,85% e água 3,01% (que pode ser atribuído ao assoreamento da área). Já considerando o classificador KNN, observou-se a redução de 17,05% da área classificada como vegetação nativa, e o aumento de 7,76% de vegetação rasteira, solo exposto 8,03%, urbanização 0,76% e água 0,50%. Desta forma, é nítido que o município de Rio Branco - AC, teve neste período, uma dinâmica de uso do solo ligado diretamente ao desmatamento do bioma nativo da região.
Apesar de ter apresentado as melhores porcentagens na acurácia dando a entender que possuiria uma melhor qualidade na classificação, o classificador k-nearest neighbor foi o que apresentou resultados mais desproporcionais em algumas classes sendo aconselhável a comparação com um terceiro método de classificação, e comparar com dados de desmatamento de programas como o SAD, PRODES e MAPBIOMAS. Recomenda-se também a aplicação de índices de vegetação, como por exemplo, Normalized Difference Vegetation Index (NDVI), utilizando a mesma base de dados deste trabalho.
II Congresso Alagoano de Engenharia de Agrimensura – CONEAGRI 2019 Rio Largo-AL, 02-04 de dezembro de 2019
Fotogrametria, Sensoriamento Remoto e Processamento Digital de Imagens
REFERÊNCIAS
BOCCATO, Levy; ATTUX, Romis. Tópicos em Sistemas Inteligentes II - Aprendizado de Máquina, Tópico 5: k-Nearest Neighbors. 2019, Faculdade de Engenharia Elétrica e de Computação, Departamento de Engenharia de Computação e Automação Industrial (DCA), Unicamp, Campinas - SP, p. 1-9, 30 out. 2019. Disponível em: http://www.dca.fee.unicamp.br/~lboccato/ia006_2s2019.html Acesso em: 15 out. 2019. BUTZKE, Alindo; PANTALTI, Sieli (org.). Os Recursos Naturais E O Homem: O Direito Ao Meio Ambiente Ecologicamente Equilibrado Frente À Responsabilidade Solidária. 1. ed. Caxias do Sul -RS, Brasil: Editora da Universidade de Caxias do Sul- EDUCS, 2012. 382 p. v.
1. ISBN 978-85-7061-687-6. Disponível em:
https://www.ucs.br/site/midia/arquivos/recursos_naturais_homem_EDUCS_ebook.pdf. Acesso em: 28 out. 2019.
FONSECA, A.; et al. Boletim do desmatamento da Amazônia Legal. SAD, 2019. (p. 1). Belém: Imazon. Disponível em: https://imazon.org.br/publicacoes/boletim-do-desmatamento-da- amazonia-agosto-2019/. Acesso em 25 de Outubro de 2019.
GALIANO, Victor Rodriguez et al. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, [s. l.], ano 2012, v. 67, p. 93-104, 2012. Disponível em: https://www.sciencedirect.com/science/article/pii/S0924271611001304#!. Acesso em: 17 out. 2019.
SIVIERO, Amaury; Delunardo, Thiago Andrés; Haverroth, Moacir; Oliveira, Luis Cláudio de; Medonça, Ângela Maria Silva Medonça. 2011. Cultivo de Espécies Alimentares em Quintais Urbanos de Rio Branco, Acre, Brasil. Acta Botanica Brasilica. Disponível em: https://www.alice.cnptia.embrapa.br/alice/bitstream/doc/912104/1/24060.pdf. Acesso em: 30/10/2019.
IBGE. Instituto Brasileiro de Geografia e Estatística - cidades. Disponível em: https://cidades.ibge.gov.br/brasil/ac/rio-branco . Acesso em: 25 out. 2019.
PROJETO PRODES DIGITAL, INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS, 2018. Desmatamento nos Municípios da Amazônia Legal para o ano de 2018. Disponível em: http://www.dpi.inpe.br/prodesdigital/prodesmunicipal.php . Acesso em 25 de Outubro de 2019.
SUFRAMA. Amazônia Ocidental. 2019. Disponível em:
http://www.suframa.gov.br/invest/zona-franca-de-manaus-amazonia-ocidental.cfm. Acesso em: 30/10/2019.