Use este identificador para citar ou linkar para este item: https://locus.ufv.br//handle/123456789/3028
Tipo: Dissertação
Título: Generalização espaço-temporal de redes neurais artificiais para classificação do uso e cobertura do solo da região de Miguelópolis-SP
Título(s) alternativo(s): Spectral-temporal generalized artificial neural networks for classification landscover of Miguelópolis-SP
Autor(es): Schimith, Rafaelle da Silva
Primeiro Orientador: Gleriani, José Marinaldo
Primeiro coorientador: Soares, Vicente Paulo
Segundo coorientador: Silva, Elias
Primeiro avaliador: Pinto, Francisco de Assis de Carvalho
Segundo avaliador: Martins, Sebastião Venâncio
Abstract: A classificação de imagens de satélites subsidia na identificação e extração de informações possibilitando a produção de novos mapas contendo informações específicas, que auxiliam em pesquisas ambientais relacionadas às distintas linhas de pesquisas. Toda classificação executa uma generalização espacial, no entanto, a generalização temporal, aonde um classificador é treinado com amostras distantes no tempo é pouco conhecido e pode ser bastante útil na irrigação, análise de ciclos da cultura, análise do uso e ocupação do solo, dentre outros. Neste contexto, este trabalho teve o objetivo de testar o desempenho da generalização espaço-temporal de redes supervisionadas MLP (Multilayer Perceptron) para classificar o uso e ocupação do solo, especificamente as culturas agrícolas no município de Miguelópolis - SP. Foram utilizadas 20 cenas ETM+/ Landsat 7 e TM/Landsat-5 do ano de 2001 e do ano de 2002, onde as imagens de 2001 foram retificadas com a cena base do ano de 2002. Foram separados dois grupos, um destas imagens retificadas e o outro destas imagens apenas com reflectância para ambos os testes serem feitos. Os processamentos de registro, retificação, geração do NDVI e imagens reflectância foram realizados no software de Sistemas de Informações Geográficas - SPRING e para estabelecer a arquitetura da rede e treinamento foi utilizado o software Stuttgart Neural Network Simulator - SNNS empregando o algoritmo de retropropagação do erro, esperando erro de saída de 0,01. Primeiramente foi feita a classificação das cenas de 2001, com amostras coletadas na mesma cena; logo em seguida a classificação foi feita pela abordagem espectro-temporal, classificando as cenas de 2001 com uma rede treinada a partir de amostras de 2002 e depois a classificação foi feita através das cenas do ano de 2002 com uma rede treinada a partir de amostras do ano de 2001. Foram utilizados como parâmetros de entrada as bandas 3, 4 e 5 e o Índice de Vegetação da Diferença Normalizada - NDVI, procurando distinguir nas imagens oito classes: feijão de primeira safra, feijão de segunda safra, milho, sorgo, cana de ano e meio, cana colhida no ano, água e outros usos, que englobam edificações, áreas de florestas que são poucas no retângulo que envolve a área de estudo. As avaliações das classificações foram feitas por meio da estatística Kappa (K) e da estatística Z (Z) para analisar através destes valores a necessidade da retificação radiométrica na classificação espectro-temporal nas imagens retificadas e nas imagens reflectância, verificando se a calibração é o suficiente na uniformização radiométrica das cenas nas classificações. A retificação foi capaz de normalizar a resposta espectral dos alvos nas imagens, entretanto, os valores do (K) foram baixos em todas as classificações, principalmente na classificação espectro- temporal fato que pode estar relacionado à complexidade da área de estudo em identificar as culturas agrícolas que apresentam diferentes estádios fenológicos e grande variação nas épocas de cultivos. Através do NDVI, foi possível traçar em relação aos dias do ano de 2001, o ciclo produtivo das culturas, evidenciando a complexidade destes que influem na classificação no espaço e no tempo. Os testes (Z) mostraram uma queda significativa na exatidão da rede treinada com dados de 2001 para classificar as cenas do ano de 2002 e na treinada com dados de 2002 para classificar as cenas de 2001, mas a classificação com dados treinados e classificados em uma mesma data apresentou resultados aquém das classificações no tempo. A utilização de imagens refletância do ano de 2001 resultou em uma classificação que não diferiu estatisticamente das imagens retificadas, logo o procedimento de retificação neste trabalho não seria necessário, visto que ele requer tempo e é complexo. Na área de estudo, é possível verificar diante das classificações, a grande quantidade de pivôs para irrigação. A agricultura irrigada, geralmente substitui a mata ciliar, relacionada diretamente com a qualidade da água, gerando inúmeros problemas, portanto, análises neste tocante são necessárias, já que as classificações das imagens auxiliam na aquisição de informações para possíveis tomadas de decisões.
The images classification of satellites subsidizes in the information identification and extraction making possible the production of new maps with specific information that assists in environmental researches related to distinct research lines. All classification executes a spatial generalization, however, the temporal generalization, where a classifier is trained with distant samples in time, is little known and it can be sufficiently useful in the irrigation, analysis of culture cycles, use analysis and land occupation, among others. In this context, this study aimed to test the performance of the spectral- temporal generalization of supervised networks MLP (Multilayer Perceptron) to classify the use and land occupation, especially the agricultural crops in Miguelópolis-SP. 10 scenes ETM +/Landsat 7 and TM/Landsat-5 of 2001 and 2002 were used, where the images of 2001 were rectified to the base scene of 2002 corrected atmospherically.Two groups had been separated, one of these images rectified and another one only with reflectance with the objective that both tests were done. The register processes, rectification, NDVI generation and reflectance images were performed in SPRING - Geographical Information Systems software, and to establish the network architecture and training was used SNNSStuttgart Neural Network Simulator software, using a multilayer perceptron, that was trained with the algorithm of backpropagation error, expecting exit error of 0.01. First the classification of the 2001 scenes was done, with s collected samples in the same scene; immediately afterwards the classification was done by the spectral-temporal approach, classifying the 2001 scenes with a trained network from the 2002 samples and then the classification was done through the 2002 scenes with a trained network from the 2001 samples. The bands 3, 4 and 5 and NDVI - Normalized Difference Vegetation Index had been used as entrance parameters, trying to distinguish in the images eight classes: beans of first crop, beans of second crop, corn, sorghum, sugarcane of year and a half, sugarcane harvested in the year, water and other uses, which include constructions, forests areas that are few in the rectangle that involves the study area. The evaluations of the classifications had been made by Kappa (K) statistic and Z statistic (Z) to analyze through these values the necessity of the radiometric rectification in the spectral-temporal classification in the rectified images and in the reflectance images, being verified if the calibration is sufficient in the scenes radiometric standardization in the classifications. The rectification was capable to normalize the spectral response of the targets in the images, however, (K) values had been low in all classifications, mainly in the spectral-temporal classification, fact that can be related to the complexity of the study area in identifying the agricultural crops that present different phenological stadiums and a great variation in cultivate periods. By NDVI, it was possible to trace according to the days of 2001, the productive cycle of the crops, evidencing the complexity of these that influences in the classification of the space and time. (Z) tests had shown a significant decrease in the accuracy of the trained network with data of 2001 to classify the scenes of 2002 and in the trained one with the data of 2002 to classify the scenes of 2001, but the classification with trained and classified data in a same date presented results over the time classifications. The use of reflectance images of 2001 resulted in a classification that did not differ statistically from the rectified images, so the rectification procedure in this work would not be necessary because it requires time and it is complex. In the study area, it is possible to verify ahead of the classifications, the great amount of pivots for irrigation, the irrigated agriculture generally substitutes the ciliar forest, directly related to the water quality, causing innumerable problems, therefore works for these analyses are necessary and the classification of the images helps in the information acquisition for possible taking of decisions.
Palavras-chave: Sensoriamento remoto
Redes neurais artificiais
Processamento de imagens
LANDSAT
Remote sensing
Artificial neural networks
Images processing
LANDSAT
CNPq: CNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL::MANEJO FLORESTAL
Idioma: por
País: BR
Editor: Universidade Federal de Viçosa
Sigla da Instituição: UFV
Departamento: Manejo Florestal; Meio Ambiente e Conservação da Natureza; Silvicultura; Tecnologia e Utilização de
Programa: Mestrado em Ciência Florestal
Citação: SCHIMITH, Rafaelle da Silva. Spectral-temporal generalized artificial neural networks for classification landscover of Miguelópolis-SP. 2008. 103 f. Dissertação (Mestrado em Manejo Florestal; Meio Ambiente e Conservação da Natureza; Silvicultura; Tecnologia e Utilização de) - Universidade Federal de Viçosa, Viçosa, 2008.
Tipo de Acesso: Acesso Aberto
URI: http://locus.ufv.br/handle/123456789/3028
Data do documento: 24-Jul-2008
Aparece nas coleções:Ciência Florestal

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
texto completo.pdf2,4 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.