Análise do Uso e Cobertura da Terra Utilizando Imagens Sentinel-2A e Inteligência Artificial

Autores

  • Matheus Frigo Wolfer Universidade Federal de Santa Maria
  • Juliana Marchesan Universidade Federal de Santa Maria
  • Elisiane Alba Universidade Federal Rural de Pernambuco
  • Mateus Schuh Universidade Federal de Santa Maria
  • Dionatas Henrique Honnef Universidade Federal de Santa Maria
  • Helena Silva Oliveira Universidade Federal de Santa Maria
  • Rudiney Soares Pereira Universidade Federal de Santa Maria

DOI:

https://doi.org/10.11137/2020_4_395_403

Palavras-chave:

Aprendizado de máquina, Classificação supervisionada, Linguagem R

Resumo

O objetivo do presente estudo consistiu em avaliar a eficiência dos algoritmos de aprendizado de máquina Random Forest (RF), Support Vector Machine (SVM) e Artificial Neural Network (ANN) na classificação supervisionada de usos e cobertura da terra utilizando imagens MSI/Sentinel-2A na bacia hidrográfica do Rio Pardo – RS. O processo de classificação foi conduzido por meio do software R utilizando o pacote caret. Os algoritmos foram avaliados utilizando os valores de acurácia de 30 repetições da validação cruzada. Para cada repetição foram atribuídos pesos para ordenamento dos algoritmos de acordo com a eficiência, de modo a verificar se os mesmos se diferiram estatisticamente utilizando o teste de Friedman e Nemenyi. O algoritmo RF apresentou o melhor resultado de acurácia média (0,9973) seguido do SVM (0,9937) e ANN (0,5628). Os algoritmos se diferiram estatisticamente entre si, sendo possível inferir que o RF pode ser utilizado de forma eficiente para classificação do uso e cobertura da terra, por meio de imagens MSI/Sentinel-2A. Neste contexto, o presente estudo demonstrou que os algoritmos de aprendizado de máquina aliados às imagens de média resolução espacial possibilitam adquirir resultados de boa precisão e confiabilidade, os quais poderão auxiliar em estudos ambientais futuros, permitindo a obtenção de resultados de forma rápida e eficiente.

Referências

Abdi, A.M. 2019. Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. GIScience & Remote Sensing, 57(1): 1-20.

Andrade, A.C.; Francisco, C.N. & Almeida, C.M. 2014. Desempenho de Classificadores Paramétricos e Não-Paramétricos Na Classificação Da Fisionomia Vegetal. Revista Brasileira de Cartografia, 66(2): 349-363.

Belgiu, M. & Drăgu, L. 2016. Random Forest in Remote Sensing: A Review of Applications and Future Directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114: 24-31.

Bivand, R.S.; Keitt, T. & Rowlingson, B. 2018. rgdal: Bindings for the Geospatial Data Abstraction Library. R package v. 1.3-4. 2018. Disponível em: <https://CRAN.R-project.org/package=rgdal>. Acesso em: 20 nov. 2019.

Breiman, L. 2001. Random Forests. Machine Learning, 45(1): 5-32.

Cortes, C. & Vapnik, V. 1995. Support-Vector Networks. Machine Learning, 20: 273-297.

Faceli, K.; Lorena, A.C.; Gama, J. & Carvalho, A.C.P.L.F. 2011. Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. Rio de Janeiro, LTC Editora, 394p.

Farda, N.M. 2017. Multi-temporal Land Use Mapping of Coastal Wetlands Area using Machine Learning in Google Earth Engine. In: THE 5TH GEOINFORMATION SCIENCE SYMPOSIUM, 5, Yogyakarta, 2017. Resumo completo, Yogyakarta, 2017.

Farias, A.J. 2010. Atividade Florestal no Contexto da Fumicultura: Oportunidade de Desenvolvimento Regional, Diversificação, Geração de Emprego e Renda. Programa de Pós-graduação em Engenharia Florestal, Universidade Federal de Santa Maria, Tese de Doutorado, 168p.

Freires, E.V.; Silva Neto, C.A.; Cunha, D.S.R.; Duarte, C.R.; Veríssimo, C.U.V. & Gomes, D.D.M. 2019. Comparação de Imagens OLI/Landsat-8 e MSI/Sentinel-2 no Mapeamento de Cobertura e Uso da Terra no Maciço de Uruburetama, Ceará. Anuário do Instituto de Geociências, 42(4): 427-442.

Friedman, M.A. 1940. Comparison of alternative tests of significance for the problem of m rankings. Annals of Mathematical Statistics, 11: 86-92.

Gaiad, N.P.; Martins, A.P.M.; Debastiani, A.B.; Dalla Corte, A.P. & Sanquetta, C.R. 2017. Uso e Cobertura da Terra Apoiados em Algoritmos Baseados em Aprendizado de Máquina: O Caso de Mariana – MG. Enciclopedia Biosfera, 14(25): 1211-1220.

Ge, G.; Shi, Z.; Zhu, Y.; Yang, X. & Hao, Y. 2020. Land Use/Cover Classification in an Arid Desert-Oasis Mosaic Landscape of China Using Remote Sensed Imagery: Performance Assessment of Four Machine Learning Algorithms. Global Ecology and Conservation, 22: e00971.

Hasenack, H. & Weber, E. 2010. Base cartográfica vetorial contínua do Rio Grande do Sul. Porto Alegre: UFRGS Centro de Ecologia. Escala 1:50.000. Disponível em: <http://multimidia.ufrgs.br/conteudo/labgeo-ecologia/Arquivos/Downloads/Dados/2010/Base_50k_RS/base_cartografica_vetorial_RS_50k.pdf>. Acesso em: 16 set. 2019.

Hijmans, R.J. 2017. raster: Geographic Data Analysis and Modeling. R package v. 2.6-7. Disponível em: <https://CRAN.R-project.org/package=raster>. Acesso em: 20 nov. 2018.

IBGE. 2018. Instituto Brasileiro de Geografia e Estatística. Cidades. Produção Agrícola: Lavoura Temporária. Disponível em: <https://cidades.ibge.gov.br/brasil/rs/panorama> Acesso em: 04 mar. 2020.

Jamali, A. 2019. Evaluation and comparison of eight machine learning models in land use/land cover mapping using Landsat 8 OLI: a case study of the northern region of Iran. SN Applied Science, 1: 1-10.

Kuhn, M. 2018. caret: Classification and Regression Training. R package version 6.0-81. Disponível em: <https://CRAN.R-project.org/package=caret>. Acesso em: 07 nov. 2019.

Li, C.; Wang, J.; Wang, L.; Hu, L. & Gong, P. 2014. Comparison of Classification Algorithms and Training Sample Sizes in Urban Land Classification with Landsat Thematic Mapper Imagery. Remote Sensing, 6(2): 964-983.

Merschmann, L.H.C. 2007. Classificação Probabilística Baseada Em Análise de Padrões. Programa de Pós-Graduação em Computação, Universidade Federal Fluminense, Tese de Doutorado, 103p.

Miranda, E.E. 2005. Brasil em Relevo. Embrapa Monitoramento por Satélite. Disponível em: <http://www.relevobr.cnpm.embrapa.br>. Acesso em: 15 abr. 2019.

Monjezi, M.; Bahrami, A. & Varjani, A. Y. 2010. Simultaneous Prediction of Fragmentation and Flyrock in Blasting Operation Using Artificial Neural Networks. International Journal of Rock Mechanics and Mining Sciences, 47(3): 476-80.

Nemenyi, P.B. 1963. Distribution-free multiple comparisons. Universidade de Princeton, Tese de doutorado, 254p.

Niemeyer, J.; Rottensteiner, F. & Soergel, U. 2014. Contextual classification of lidar data and building object detection in urban areas. ISPRS Journal of Photogrammetry and Remote Sensing, 87: 152-165.

Phiri, D. & Morgenroth, J. 2017. Developments in Landsat Land Cover Classification Methods: A Review. Remote Sensing, 9(9): 1-25.

R Development Core Team. R: A Language and Environment for Statistical Computing. Vienna: R Foundation for Statistical Computing. 2018.

Rodriguez-Galiano, V.F.; Ghimire, B.; Rogan, J.; Chica-Olmo, M. & Rigol-Sanchez, J.P. 2012. An Assessment of the Effectiveness of a Random Forest Classifier for Land-Cover Classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67(1): 93-104.

Rosa, M.R. 2018. Classificação do Padrão de Ocupação Urbana de São Paulo Utilizando Aprendizagem de Máquina e Sentinel 2. Revista do Departamento de Geografia, Volume Especial: 15-21.

Seabra, V.S.; Xavier, R.A.; Damasceno, J. & Dornellas, P.C. 2015. Análise das mudanças de uso e cobertura da terra na bacia do rio Taperoá-PB entre os anos de 1990 e 2009. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16, João Pessoa, 2015. Resumo completo, São José dos Campos, INPE, p. 108-115.

SEMA. 2003. Secretaria do Meio Ambiente e Infraestrutura. Inventário florestal contínuo. Porto Alegre: UFSM / SEMA – RS, 2003. Disponível em: <http://coralx.ufsm.br/ifcrs/frame.htm.>. Acesso em: 04 mar. 2020.

SEMA. 2019. Secretaria do Meio Ambiente e Infraestrutura. Bacia Hidrográfica do Rio Pardo. Disponível em: <https://www.sema.rs.gov.br/g050-bacia-hidrografica-do-alto-jacui>. Acesso em: 12 set. 2019.

Shao, Z. & Zhang, L. 2016. Estimating Forest Aboveground Biomass by Combining Optical and SAR Data: A Case Study in Genhe, Inner Mongolia, China. Sensors, 16(6): 1-16.

Song, J.; Gao, S.; Zhu, Y. & Ma, C. 2019. A Survey of Remote Sensing Image Classification Based on CNNs. Big Earth Data, 3(3): 232-54.

USGS. 2019. United States Geological Survey. Earth Explorer. Disponível em: <https://earthexplorer.usgs.gov/>. Acesso 16 set. 2019.

Vaeza, R.F.; Filho, P.C.O.; Maia, A.G. & Disperati, A.A. 2010. Uso e ocupação do solo em Bacia Hidrográfica urbana a partir de imagens orbitais de alta resolução. Floresta e Ambiente, 17(1): 23-29.

Young, C.F. 2006. Desmatamento e desemprego rural na Mata Atlântica. Floresta e Ambiente, 13(2): 75-88.

Zhu, W.; Sun, Z.; Peng, J.; Huang, Y.; Li, J.; Zhang, J.; Yang, B. & Liao, X. 2019. Estimating maize above-ground biomass using 3D point clouds of multi-source unmanned aerial vehicle data at multi-spatial scales. Remote Sensing, 11(22): 1-22.

Zhu, X. & Liu, D. 2015. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. ISPRS Journal of Photogrammetry and Remote Sensing, 102: 222-231.

Downloads

Publicado

2020-12-18

Edição

Seção

Artigos