AVALIAÇÃO DA TURBIDEZ DA ÁGUA NO RESERVATÓRIO DE ITUPARARANGA USANDO REDES NEURAIS ARTIFICIAIS NA CLASSIFICAÇÃO DE IMAGENS CCD/CBERS

(1)

V Colóquio Brasileiro de Ciências Geodésicas ISSN 1981-6251, p. 598-603

AVALIAÇÃO DA TURBIDEZ DA ÁGUA NO RESERVATÓRIO DE ITUPARARANGA USANDO REDES NEURAIS ARTIFICIAIS NA

CLASSIFICAÇÃO DE IMAGENS CCD/CBERS

LAURIANA RÚBIO SARTORI

ÉRIKA AKEMI SAITO

MARIA DE LOURDES BUENO TRINDADE GALO

Universidade Estadual Paulista - Unesp Faculdade de Ciências e Tecnologia - FCT Departamento de Cartografia, Presidente Prudente – SP

Pós Graduação em Ciências Cartográficas lauriana@pos.fct.unesp.br

eakemisaito@gmail.com mlourdes@fct.unesp.br

RESUMO – Os recursos hídricos podem ter sua qualidade modificada devido a processos naturais e pela ação do homem. As atividades de monitoramento e avaliação da qualidade de superfícies aquáticas podem ser realizadas utilizando-se tecnologias ou técnicas, como o uso de Sensoriamento Remoto e análise de imagens multiespectrais, que podem auxiliar na representação espacial de alguns componentes presentes no espelho d’água, os quais são correlacionados com a variabilidade espectral, como é o caso da turbidez. Uma alternativa para análise dessa variabilidade é a classificação por Redes Neurais Artificiais (RNA), a qual se constitui num método capaz de solucionar vários problemas envolvendo altos graus de não-linearidade. Nesse sentido, foi utilizada a classificação por RNA de imagens CCD/Cbers adquiridas em data próxima ao levantamento de dados de turbidez no Reservatório de Itupararanga na região de Sorocaba. Os resultados demonstraram concordância espacial apenas razoável entre os dados de turbidez medidos “in situ” e a imagem classificada por RNA, sendo este resultado compatível apenas com as variações radiométricas da imagem.

ABSTRACT - The water resources can have its quality modified due to the natural processes and for the action of the human being. The activities of monitoring and evaluation of the quality of aquatic bodies can be developed using technologies or techniques, as the use of Remote Sensing and analysis of multispectral images, that can assist in the space representation of some components of the water mirror, which are correlated with the spectral variability, as it is the case of the turbity. An alternative for the analysis of this variability is the Artificial Neural Network (ANN) classification, which it constitutes in a method capable to solve many problems involving high degrees of no-linearity. In this context, ANN classification was applied in images CCD/Cbers. Data of turbity were acquired in date next to the images.

The study area was Itupararanga Reservoir, which is placed in the Sorocaba region. The results demonstrated only reasonable space agreement between the measured data of turbity “in situ” and the image classified for RNA, being this result compatible only with the radiometric variations of the image.

1 INTRODUÇÃO

As mensurações “in situ” e coleta de elementos amostrais para análise laboratorial são usualmente realizadas para avaliar a qualidade da água, sendo tais métodos acurados para medidas pontuais no tempo e no espaço. No entanto, permitem representar espacial e temporalmente a qualidade da água de maneira adequada para sua avaliação e manejo. O Sensoriamento Remoto e a análise de imagens multiespectrais são alternativas que possibilitam o estudo da distribuição espacial de alguns

componentes presentes no corpo d’água, correlacionados com sua variação espectral, como é o caso da turbidez.

A área definida para o presente estudo, o Reservatório de Itupararanga, é formado pelo rio Sorocaba, sendo um importante manancial com boa qualidade, possuindo uma considerável porção de remanescente mata natural que serve de refúgio para a fauna da região. Em seu entorno existe intensa atividade agrícola e empreendimentos imobiliários que podem causar impactos na qualidade ambiental do reservatório.

Supondo que haja correlação entre a variabilidade espectral e a turbidez presente no corpo aquático, este L. R. Sartori; E. A. Saito; M. L. B. T. Galo

(2)

V Colóquio Brasileiro de Ciências Geodésicas

L. R. Sartori; E. A. Saito; M. L. B. T. Galo

trabalho propõe-se a avaliar as variações radiométricas de uma imagem multiespectral CCD/Cbers por meio da classificação por Redes Neurais Artificiais (RNA) e tentar associar a imagem classificada com dados de turbidez coletados em campo.

2 TURBIDEZ COMO INDICADOR DA QUALIDADE DA ÁGUA

As águas pluviais ao escoarem pelo solo, podem carregar impurezas para os corpos d`água que vão depender de vários fatores: uso do solo na área, fatores hidrológicos, cobertura do solo entre outros. O processo erosivo no solo pode provocar o carreamento de partículas para os corpos hídricos, contribuindo para modificações na qualidade, e principalmente na elevação da turbidez (MOTA, 1995).

A turbidez representa o grau de interferência à passagem da luz através da água, conferindo uma aparência turva à mesma. Ela é causada por elementos em suspensão tais como partículas insolúveis de solo, matéria orgânica e organismos microscópicos. Se os sólidos em suspensão são de origem natural, não acarreta nenhum inconveniente sanitário direto, sendo somente esteticamente desagradável na água potável. No entanto, os sólidos em suspensão podem servir de abrigo para microorganismos patogênicos. Quando a origem é antropogênica, pode estar associada a compostos tóxicos e organismos patogênicos. Em corpos d`água a turbidez pode reduzir a penetração de luz, prejudicando a fotossíntese (VON SPERLING, 1996).

Os padrões de qualidade da água referem-se a um determinado número de parâmetros capazes de refletir a presença efetiva ou em potencial de algumas substâncias ou microorganismos que possam comprometer a sua qualidade estética ou sanitária (REBOUÇAS, 2002).

3 CLASSIFICAÇÃO POR REDES NEURAIS ARTIFICIAIS (RNA)

As Redes Neurais Artificiais tiveram seu desenvolvimento inicial motivado pela tentativa de reproduzir o alto desempenho do cérebro humano em tarefas cognitivas extremamente complexas. Os modelos de redes neurais representam um tipo especial de processamento da informação que consiste em muitas células primitivas que trabalham em paralelo e estão conectadas através de ligações diretas ou conexões. A principal função dessas células é distribuir padrões de ativação através de suas conexões, de maneira similar ao mecanismo básico do cérebro humano (ZELL et al., 1995).

As redes com múltiplas camadas têm sido utilizadas com sucesso para a solução de vários problemas envolvendo altos graus de não-linearidade. Um tipo de rede aplicado com sucesso para diversos tipos de classificação de imagens multiespectrais é o tipo supervisionado que utiliza um algoritmo que realiza a retropropagação do erro, sendo denominado error

backpropagation. Esse algoritmo é baseado numa regra de aprendizagem que “corrige” o erro durante o treinamento (BOCANEGRA, 2002). Lippmann (1987) define as redes multicamadas como redes de alimentação progressiva, com uma ou mais camadas de neurônios, chamadas camadas escondidas, entre os neurônios das camadas de entrada e de saída. As redes de alimentação progressiva são chamadas, também, de feedforward e têm esse nome devido à maneira como os neurônios são arranjados: a saída de cada neurônio em uma camada deve alimentar a entrada de cada neurônio da camada seguinte.

Segundo Gonzalez e Woods (1992), o processo de treinamento pelo algoritmo backpropagation começa com a definição de um conjunto arbitrário de pesos para as conexões da rede, é iterativo e envolve duas fases distintas em cada ciclo de iteração. Na primeira, um vetor de treinamento com a respectiva saída desejada é apresentado à rede e propagado através de suas camadas para computar uma saída para cada nó. As saídas dos nós da camada de saída são comparadas com as saídas desejadas e a partir disso, os termos de erro são gerados.

A segunda fase envolve uma passagem de volta através da rede a partir da última camada, durante a qual o erro é repassado para cada nó e os pesos correspondentes são convenientemente alterados. Em uma sessão de treinamento bem sucedido, este erro diminui com o aumento do número de iterações e o procedimento converge para um conjunto estável de pesos.

Estando a rede treinada e, portanto, com os pesos das conexões ajustados, esta é aplicada a todo conjunto e os pixels são classificados como pertencente a uma determinada classe, quando a saída para esta classe for alta, e baixa para as demais classes (GONZALEZ E WOODS, 1992).

4 MATERIAL E MÉTODO

A pesquisa foi realizada no Reservatório de Itupararanga utilizando imagens orbitais tomadas pelo sensor CCD/Cbers de resolução espacial de 20 m, adquiridas no dia 22/07/2006. Essas imagens estão disponibilizadas no site do Instituto Nacional de Pesquisas Espaciais – INPE e foram obtidas no endereço (http://www.cbers.inpe.br/pt/programas/p_imagens.htm).

Para que as variações sutis na resposta espectral da água ficassem destacadas na imagem multiespectral foi necessário excluir a área externa ao reservatório da cena.

Os dados utilizados para classificação pela rede neural artificial foram as bandas espectrais 2 (faixa espectral do verde – visível) e 3 (faixa espectral do vermelho – visível) e a componente de intensidade resultante da transformação no espaço de cores RGB-IHS, a partir da composição colorida das bandas 2, 3, e 4 (infravermelho próximo). A componente intensidade foi utilizada a fim de minimizar o efeito das acentuadas variações radiométricas observadas nas bandas 2 e 3, decorrentes das diferentes respostas espectrais dos componentes presentes no corpo d’agua. A banda 1,

(3)

referente à faixa espectral do azul, não foi utilizada neste experimento pelo fato de apresentar acentuadas distorções radiométricas que comprometem a percepção das variações no corpo d’agua.

Além disso, foram utilizados dados de turbidez resultantes do levantamento de campo realizado em 21/07/2006 para definir intervalos que constituem as classes de interesse e posteriormente tentar relacioná-los com os resultados obtidos com a classificação.

4.1 Caracterização da área de estudo

A área de estudo, o Reservatório de Itupararanga situado no município de Votorantim-SP, pertence a uma das 22 Unidades de Gerenciamento de Recursos Hídricos (UGRHI (s)) no Estado de São Paulo, com base nas bacias hidrográficas. O Reservatório de Itupararanga insere-se na denominada UGRHI 10 – Tietê/Sorocaba, como é representada pela Figura 1 (CARACTERIZAÇÃO..., 2000).

Figura 1 – Localização da UGRHI 10 no Estado de São Paulo e do Reservatório de Itupararanga (SÃO PAULO, 2007).

A represa de Itupararanga controla uma área de drenagem de 936,51 Km², tendo aproximadamente 26 Km de canal principal e 192,88 km de margens, foi construída em 1912 pela LIGHT para gerar energia elétrica (CARACTERIZAÇÃO..., 2000). Identifica-se a existência de atividades agrícolas intensivas. Os sistemas de cultivo envolvem a utilização intensiva de pesticidas e fertilizantes, que podem ser transportados para os cursos d`água por escoamento superficial devido a precipitações ou irrigação, podendo comprometer a qualidade ambiental da represa. Além disso, a intensa atividade de mineração de areia na região pode comprometer os cursos d`água, aumentando o assoreamento, principalmente nas cabeceiras da represa de Itupararanga (SOS ITUPARARANGA, 2007). Esse intenso uso da área de entorno do Reservatório de Itupararanga contribui para modificações em sua qualidade, e principalmente na elevação da turbidez.

4.2 Definição das classes de turbidez

Em 21 de julho de 2006, os pesquisadores da FCA (Faculdade de Ciências Agrárias) – Unesp de Botucatu, engenheiros agrônomos Drs. Eduardo Negrisoli e Marcelo Rocha Corrêa realizaram um levantamento da água no Reservatório de Itupararanga, coletando 200 elementos amostrais posicionados com receptor GPS de navegação.

Estes pontos de coleta foram distribuídos por todo o reservatório e caracterizados quanto à turbidez da água.

Na Figura 2 é mostrada a distribuição das mensurações realizadas ao longo do reservatório.

Figura 2 – Distribuição dos pontos amostrais ao longo do reservatório de Itupararanga.

Os valores de turbidez medidos foram usados para definir os intervalos de três classes associadas a baixa, média e alta turbidez, levando em conta, também, as variações radiométricas observadas na banda 2, para alguns pontos tomados como referência. Esses intervalos de turbidez e o padrão radiométrico observado na banda 2, são apresentados na Tabela 1. Na primeira coluna é apresentada a denominação de cada classe, na segunda o padrão da radiometria utilizado para a coleta dos elementos amostrais e na última coluna o intervalo dos valores de turbidez (em FTU) de cada classe.

Tabela 1 – Classes de turbidez.

Nome da classe Padrão radiométrico na

banda 2

Intervalo dos valores de turbidez (FTU*)

Baixa 1 a 10

Média 10 a 25

Alta Maior que 25

* FTU equivale a NTU (Unidades Nefelométricas de Turbidez).

(4)

4.3 Classificação por Redes Neurais Artificiais (RNA) A classificação usando RNA foi feita utilizando o simulador de redes neurais SNNS (Stuttgart Neural Network Simulator) desenvolvido na Universidade de Stuttgart.

O SNNS permite operar simultaneamente com dois conjuntos de padrões, um de treinamento e outro de validação. O primeiro é usado para o aprendizado da rede neural e o segundo para estimar o desempenho da rede neural sobre um conjunto de padrões que não foram treinados (ZELL, 1995). Assim, foram definidos os dois conjuntos de padrões. Os procedimentos para o treinamento foram: recorte das áreas selecionadas para treinamento e validação nos planos de entrada selecionados para a classificação; coleta de elementos amostrais representativos de cada classe nas áreas de treinamento e de validação; conversão dos arquivos gerados para um formato compatível com o SNNS;

definição da arquitetura da rede, ou seja, definição do número de camadas escondidas e número de nós em cada camada; definição dos parâmetros relacionados com as funções de aprendizagem e ativação e com as regras estabelecidas para a atualização de pesos e inicialização da rede, além do critério de término das iterações ou ciclos.

Foi utilizada uma arquitetura com duas camadas escondidas, a primeira com vinte e sete nós e a segunda com nove nós. A camada de entrada foi configurada com três nós, correspondentes aos três planos de entrada (bandas 2 e 3 e componente intensidade do modelo IHS).

A camada de saída foi constituída por quatro nós referentes às quatro classes de saída: baixa, média, alta turbidez e fundo. A Figura 3 apresenta um esquema da arquitetura utilizada.

Figura 3 – Arquitetura da Rede Neural Artificial usada na classificação da cena.

Análise da incerteza

Através do programa SNNS-PBM foram geradas imagens representando a incerteza na associação de um dado pixel a cada classe.

As estimativas de probabilidade são calculadas a partir dos valores de ativação determinados para cada pixel da imagem após sua classificação pela RNA. Assim, cada pixel possui quatro valores de ativação, ou seja, um para cada classe de saída. O cálculo da probabilidade é feito conforme a Equação 1.

ij j

j j j

ij

ij O O O O O

P O

+ + + +

= +

4 ...

3 2 1

(1)

em que, Pij representa a probabilidade de um dado pixel j estar associado à classe i;

O

_1j ….

O

_ij valor de ativação de saída da rede, referente a um dado pixel j, para cada uma das i classes, i = 1, 2, 3, 4.

Em seguida, foram geradas imagens da incerteza por classe. Conforme Sabo (2006), a incerteza em relação a uma dada classe i para cada pixel j é dada pela Equação (2):

ij

ij P

I =1−

(2)

Como a imagem gerada para representar a estimativa de probabilidade apresenta 8 bits, ou seja, está no intervalo de 0 a 255, as imagens de incerteza foram obtidas pela diferença entre o valor 255 e a imagem da estimativa de probabilidade.

5 RESULTADOS E ANÁLISES

A Figura 4 apresenta a classificação resultante da aplicação da rede neural treinada.

RNA

Alta Baixa Média

Fundo

(a) Banda 2

(b) Banda 3

(c) Imagem Intensidade (RGB-IHS)

Figura 4 – Classificação resultante da RNA.

O resultado da aplicação da RNA apresentou-se consistente com as variações radiométricas observadas nas bandas 2 e 3, porém houve a ocorrência de pixels não classificados na transição entre classes média e alta turbidez, na parte leste do reservatório.

(5)

Para verificar a coincidência espacial das classes mapeadas pela RNA em relação aos valores de turbidez apresentados na Tabela 1, foram tabuladas as concordâncias entre as categorias baixa, alta e média turbidez, cujo resultado é mostrado na matriz de erros da Tabela 2.

Tabela 2 – Matriz de confusão entre os dados de referência (linhas) e as classes definidas pela RNA (colunas).

Classes definidas pela RNA

Baixa Média Alta

Baixa 69 17 4 90

Média 48 14 18 80

Classes de

turbidez Alta 0 9 12 21

117 40 34 191 A acurácia global da classificação foi de 49,7%, sendo a classe baixa turbidez a que ficou melhor definida na classificação pela RNA (59% de concordância). A classe média turbidez apresentou maiores erros de omissão e de inclusão (82,5% e 65%, respectivamente). A maior confusão para esta classe ocorreu em relação à baixa turbidez, o que pode ser confirmado na representação da incerteza para esta classe (Figura 4 – b).

O resultado desta tabulação cruzada mostra que um percentual menor que 50% dos pontos que tiveram valores de turbidez medidos “in situ”, generalizados em intervalos associados à baixa, média e alta turbidez, coincidiram com essa categorização obtida no mapa temático gerado por meio da RNA aplicada a imagens multiespectrais CCD/Cbers.

Para uma melhor percepção das classes que mais se misturam em termos dos valores de saída produzidos pela aplicação da RNA treinada aos dados CCD/Cbers, foram geradas as imagens mostradas na Figura 5. As imagens de incerteza têm a finalidade de apresentar as regiões de maior incerteza em relação a uma determinada classe, ou seja, uma medida complementar à probabilidade do pixel estar totalmente inserido em uma das classes. Na Figura 5, as regiões em tom branco e esverdeadas indicam maior incerteza, enquanto as áreas mais escuras representam menor incerteza (maior probabilidade – classes que se confundem menos) . Assim, quanto maior a incerteza, menor a chance de um pixel estar associado a uma determinada classe.

As áreas em branco no corpo do reservatório concentram os pixel que apresentam maior grau de confusão para as classes designadas, ou seja, uma alta incerteza de realmente pertencerem à classe em questão.

Assim, pode-se verificar nas Figuras 5 (b e c), pela cor branca predominante para muitas regiões do reservatório, uma grande incerteza na atribuição dos pixels às classes média turbidez e alta turbidez, respectivamente. Isto reflete a observação feita anteriormente em relação à classe média turbidez: erros de omissão e de inclusão altos (82,5% e 65%, respectivamente), indicando tratar-se de uma classe de transição. Portanto, há concordância entre os resultados numérico e visual apresentados.

As áreas em tom escuro, tom avermelhado, representam baixa incerteza de pertencer à classe que está sendo analisada. Assim, pode-se observar que na Figura 5 (a) ocorre alta certeza da maior parte do corpo principal do reservatório pertencer à classe baixa turbidez.

(a) Baixa turbidez

(b) Média turbidez

(c) Alta turbidez

Figura 5 – Imagens em tons de cinza representando a incerteza por classe.

6 CONCLUSÕES

A estratégia concebida para avaliar as variações radiométricas de uma imagem multiespectral CCD/Cbers por meio de sua classificação por Redes Neurais Artificiais (RNA) permitiu definir três classes, as quais foram relacionadas a regiões de baixa, média e alta turbidez para o reservatório de Itupararanga. Porém, a tentativa de associar as categorias mapeadas com dados de turbidez coletados em campo resultou em uma

(6)

concordância espacial apenas razoável entre os pontos medidos e a classe mapeada. Isso era, de alguma forma, esperado, visto que a turbidez é uma característica muito dinâmica que integra a influência de vários componentes presentes no corpo d’agua, os quais isoladamente, têm características espectrais distintas, que podem ser registrados como variações radiométricas nas imagens.

Uma das maiores dificuldades encontradas neste trabalho decorre da necessidade de generalizar não apenas as variações radiométricas observadas na imagem, por meio da classificação, mas também de estabelecer intervalos para os valores de turbidez, que sejam adequados para a comparação.

Em relação às imagens multiespectrais utilizadas no estudo, dados obtidos pelo sensor CCD/Cbers, é importante destacar que a banda espectral referente à faixa espectral do azul (banda 1), importante no estudo de ambientes aquáticos, apresenta distorções radiométricas consideráveis, o que inviabilizou sua utilização como imagem de entrada para a classificação pela RNA. Além disso, as variações espectrais em um corpo d’água são sutis, o que dificultou a aquisição de dados de treinamento para a RNA que sejam compatíveis com as variações de turbidez.

Portanto, mesmo considerando que as medições

“in situ” de turbidez e a tomada da imagem foi bastante próxima (um único dia de diferença), o resultado da classificação pela RNA foi compatível apenas com as variações radiométricas da imagem e mostrou uma concordância espacial razoável com os dados de turbidez medidos “in situ”.

AGRADECIMENTOS

Os autores deste artigo agradecem ao PIBIC/

CNPQ pela bolsa de iniciação científica concedida à segunda autora; aos pesquisadores da FCA (Faculdade de Ciências Agrárias)/Unesp de Botucatu, engenheiros agrônomos Drs. Eduardo Negrisoli e Marcelo Rocha Corrêa que realizaram o levantamento dos elementos amostrais no reservatório de Itupararanga; ao professor Doutor Maurício Galo do Departamento de Cartografia da FCT/Unesp pelo programa de conversão dos dados de entrada para um formato compatível com o SNNS.

REFERÊNCIAS

BOCANEGRA, C.W.R. Procedimentos para tornar mais efetivo o uso das redes neurais artificiais em planejamento de transportes. 2002. 108f. Dissertação (Mestrado em Engenharia Civil – Transportes) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos.

CARACTERIZAÇÃO geral da UGRH 10, 2000.

Disponível em:

<http://www.rededasaguas.org.br/comite/relsmtseg.pdf>.

Acesso em: nov. 2006.

GONZALEZ, R. C.; WOODS, R. E. Processamento de imagens digitais. São Paulo: Edgard Blücher, 1992.

509p.

LIPPMANN, R. P. (1987). An introduction to computing with neural nets. IEEE ASSP Magazine, 1987, v.4, p.4- 22.

MOTA, S. Preservação e Conservação de Recursos Hídricos. 2^oEdição. Rio de Janeiro: ABES, 1995.

REBOUÇAS, A. C. BRAGA, B.; REBOUÇAS, A. C.;

TUNDISI, J. G. (Org.). Águas doces no Brasil: capital ecológico, uso e conservação. 2º Edição. São Paulo:

Escrituras Editora, 2002.

SABO, L. A. Análise da incerteza na representação de classes temáticas resultantes da aplicação de uma rede neural artificial. 2006. Dissertação (Mestrado em Ciências Cartográficas) – Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente.

SÃO PAULO (Estado). Secretaria de Energia, recursos hídricos e saneamento. Sistema de Informações para o Gerenciamento de Recursos Hídricos do Estado de São

Paulo.Disponível em:

<http://mapas.sigrh.sp.gov.br:8888/sigrh.php>. Acesso em: fev. 2007.

SOS ITUPARARANGA. Caracterização Geoambiental da Bacia da Represa de Itupararanga, Bacia Hidrográfica do Rio Sorocaba – SP. Disponível em:

<http://www.sositupararanga.com.br/biblioteca/index.asp

>. Acesso em: fev. 2007.

VON SPERLING, M. Introdução à qualidade da água e ao tratamento de esgotos. 2ª edição. Belo Horizonte:

Departamento de Engenharia Sanitária e Ambiental – DESA – UFMG, 1996.

ZELL, A. SNNS: Stuttgart Neuronal Network Simulator. User Manual, Version 4.1. Stuttgart, University of Stuttgart, 1995 (Report No. 6/95).