Detecção de áreas de clareiras na Floresta Amazônica através de monitoramento via satélite usando técnicas de aprendizagem de máquina

  • Marcela Pessoa UFAM
  • Robson Melo UFAM
  • Adrisson Rodrigues Faculdade Fucapi
  • Sergio Cleger UEAM
  • João Marcos Cavalcanti UFAM
  • Rasiane de Freitas UFAM

Resumo


Este artigo aborda o problema de detecção de áreas de clareira na Floresta Amazônica, através do uso de dados de sensoriamento remoto e técnicas de aprendizagem de máquina supervisionada e não-supervisionada. Uma clareira (ou lacuna de dossel) é uma pequena área em uma floresta onde não há árvores ou há apenas mata baixa que destoa do seu entorno. Foram usadas 44 imagens de satélite, divididas em 3.288 segmentos, rotulados por um especialista, sendo 1.652 da classe não-clareira e 1.636 de clareira. Os segmentos foram representados por um conjunto de características que inclui informacões de cor e estatística de 1a e 2a ordem. No aprendizado supervisionado, os melhores resultados foram obtidos com os métodos baseados em regras, Decision Tree e Randon Forest, chegando a 97% nas duas classes. Métodos que usam abordagens diferentes obtiveram resultados piores, o que sugere melhor análise da relacão entre os atributos. Já no aprendizado não-supervisionado, o melhor desempenho foi para o método BIRCH, que obteve 94,48% para as duas classes, mas necessitando de um grande número de agrupamentos sob alto custo de processamento. Os resultados preliminares obtidos indicam que a abordagem proposta é promissora, o que deve continuar sendo investigado.

Referências

Ab’S´aber, A. N. (1997). O caráter diferencial das diretrizes para uso e preservação da natureza, a nível regional no brasil.

Braga, A. L. and Figueiredo, G. C., S. F. S. V. P. (2006). Comparação entre as classificações híbrida e supervisionada no mapeamento do uso do solo usando imagens de alta resolução. Anais do Congresso Brasileiro de Cadastro Técnico Multifinalitário.

Cavalcanti L., A. M., Carvalho J., H., and Miranda dos Santos, E. (2015). A comparison on supervised machine learning classification techniques for semantic segmentation of aerial images of rain forest regions. Proceedings of the 10th International Conference on Computer Vision Theory and Applications (VISAPP-2015).

Curran, P. J. (1988). The semi-variogram in remote sensing: an introduction.

Dell’Acqua, F. and Gamba, P. (2003). Texture-based characterization of urban environments on satellite sar images. IEEE Trans. on Geoscience and Remote Sensing, 41(1):153–159.

Du, P., Samat, A., Waske, B., Liu, S., and Li, Z. (2015). Random forest and rotation forest for fully polarized sar image classification using polarimetric and spatial features. Journal of Photogrammetry and Remote Sensing (ISPRS), pages 38–53.

Fernandes, C. d. E. (2008). Classificação de imagens de sensoriamento remoto com áreas desmatadas.

He, C., Li, S., Liao, Z., and Liao, M. (2013). Texture classification of polsar data based on sparse coding of wavelet polarization textons. IEEE Transactions on Geoscience and Remote Sensing, 51(8):4576–4590.

Jin, H., Mountrakis, G., and Stehman, S. V. (2014). Assessing integration of intensity, polarimetric scattering, interferometric coherence and spatial texture metrics in PALSAR-derived land cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 98:70–84.

Kumar, M. and Miller, D. A. (2006). Non-parametric classification strategy for remotely sensed images using both spectral and textural information. International Multi- Conference Signal Processing, Pattern Recognition (IASTED), pages 81–89.

Magnabosco, D., Chambers, J., Higuchi, N., Trumbore, S., Ribeiro, G. H., dos Santos, J., Negr´on-Ju´arez, R., Reu, B., and Wirth, C. (2014). Large-scale wind disturbances promote tree diversity in a central amazon forest. PLoS ONE, 9:e103711.

MapBiomas (2015). Projeto de mapeamento anual da cobertura e uso do solo no brasil. projeto mapbiomas – coleção 3.1 da série anual de mapas de cobertura e uso de solo do brasil. disponível em: http://mapbiomas.org. acesso em 2019.

Olofsson, P., Foody, G., Herold, M., Stehman, S., Woodcock, C., and Wulder, M. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, page 42–57.

Pla, F.; Carmona, P. L. S. J. M. (2013). One-class classification techniques in image recognition problems. Information Optics (WIO), pages 1–3.

Qi, Z., Yeh, A. G.-O., Li, X., and Lin, Z. (2012). A novel algorithm for land use and land cover classification using RADARSAT-2 polarimetric SAR data. Remote Sensing of Environment, 118:21–39.

Russell, S. and Norvig, P. (2003). Artificial Intelligence - A Modern Approach. Prentice Hall, 2th edition.

Tan, P.-N., Steinbach, M., and Kumar, V. (2009). Introdução ao Data Mining. Ciência Moderna, 1th edition.

Uhlmann, S. and Kiranyaz, S. (2014). Classification of dual- and single polarized SAR images by incorporating visual features. ISPRS Journal of Photogrammetry and Remote Sensing, 90:10–22.

Wang, X. e. a. (2013). A one-class classification by spatial-contextual for remotely sensed image. eoscience and Remote Sensing Symposium (IGARSS), page 437–440.

Witten, I. H. and Frank (2005). Data Mining – Practical Machine Learning Tools and Techniques. McGraw- Hill.
Publicado
09/07/2019
Como Citar

Selecione um Formato
PESSOA, Marcela; MELO, Robson; RODRIGUES, Adrisson; CLEGER, Sergio; CAVALCANTI, João Marcos; DE FREITAS, Rasiane. Detecção de áreas de clareiras na Floresta Amazônica através de monitoramento via satélite usando técnicas de aprendizagem de máquina. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 46. , 2019, Belém. Anais do XLVI Seminário Integrado de Software e Hardware. Porto Alegre: Sociedade Brasileira de Computação, july 2019 . p. 125-136. ISSN 2595-6205. DOI: https://doi.org/10.5753/semish.2019.6573.