Comparação entre Algoritmos de Aprendizado de Máquina para a Identificação de Floresta Tropical Sazonalmente Seca

Autores

DOI:

https://doi.org/10.11137/1982-3908_2022_45_40758

Palavras-chave:

Algoritmos de aprendizagem de máquina, Caatinga, OLI/Landsat 8

Resumo

O objetivo do estudo foi avaliar o potencial dos algoritmos de aprendizado de máquina k-Nearest Neighbor (kNN), Random Forest (RF), Support Vector Machine (SVM) e Artificial Neural Networks (ANN) na identificação das fitofisionomias da Caatinga a partir de imagens OLI/Landsat 8. Para tanto, foi elaborado um arquivo vetorial de treinamento com as amostras dos diferentes padrões dos usos e cobertura da terra, a fim de orientar os algoritmos no processo de classificação. A validação das classificações foi obtida por meio da validação cruzada, do tipo k-fold, com 30 repetições, sendo avaliada a qualidade da classificação a partir dos valores expressos pelo coeficiente Kappa. Para verificar a existência de diferenças significativas entre os algoritmos foi aplicado o teste estatístico de Friedman e Nemenyi. O algoritmo RF apresentou os maiores valores para o coeficiente Kappa, expressando um valor médio de 0,9841. Por outro lado, a ANN demonstrou desempenho inferior aos demais, englobando um valor médio de 0,7551, ocasionado pela confusão espectral na identificação da classe nuvem/sombra com a classe água. Apesar de todos os algoritmos testados apresentarem bons resultados, o algoritmo RF diferiu significativamente dos demais, expressando resultados superiores quando aplicado à identificação de padrões espaciais na Caatinga. Conclui-se que o uso de algoritmos de aprendizagem de máquina é eficiente na identificação de fitofisionomias da Caatinga, com destaque para o RF, o qual englobou melhor a variação dos padrões espectrais dos usos, podendo ser utilizado para estudos posteriores relacionados com a Caatinga. 

Referências

Alba, E. 2020, 'Influência e análise da cobertura florestal na modificação do albedo com o uso de inteligência artificial e sensoriamento remoto', PhD thesis, Universidade Federal de Santa Maria, Santa Maria.

Alcantara, F.C., Ferreira, L.F. & Santos, H.S. 2018, 'Avaliação do kNN para reconhecimento de placas veiculares modelo Brasileiro', Perspectiv@, vol. 15, pp. 6-9.

Araújo, B.A., Neto Dantas, J., Alves, A.S. & Araújo, P.A.A. 2012, 'Estrutura fitossociológica em uma área de Caatinga no Seridó Paraibano', Revista Educação Agrícola Superior, vol. 27, no. 1, pp. 25-9, DOI:10.12722/0101-756X.v27n01a04.

Castro, F.C. & Santos, A.M. 2015, 'Susceptibilidade ambiental a salinização das terras em municípios da microrregião de Petrolina-Pernambuco-Brasil', Caminhos de Geografia, vol. 16, no. 56, pp. 160-72.

Chagas, C.S., Carvalho, W.Jr. & Bhering, S.B. 2011, 'Integração de dados do Quickbird e atributos do terreno no mapeamento digital de solos por redes neurais artificiais', Revista Brasileira de Ciência do Solo, vol. 35, no. 3, pp. 693-704, DOI:10.1590/S0100-06832011000300004.

Demsar, J. 2006, 'Statistical comparisons of classifiers over multiple data sets', Journal of Machine Learning Research, vol. 7, pp. 1-30.

Fernandes, A.M.R. 2003, Inteligência artificial: Noções gerais, Visual Books, Florianópolis.

França, M.M. 2007, 'Avaliação de classificações supervisionadas com Redes Neurais Artificiais e MAXVER para caracterização do uso da terra no município de Viçosa-MG', Master thesis, Universidade Federal de Viçosa, Viçosa.

Friedman, M. 1940, 'A comparison of alternative tests of significance for the problem of m rankings', Annals of Mathematical Statistics, vol. 11, no. 1, pp. 86-92, DOI:10.1214/aoms/1177731944.

Gaiad, N.P., Martins, A.P.M., Debastiani, A.B., Corte, A.P.D. & Sanquetta, C.R. 2017, 'Uso e cobertura da terra apoiados em algoritmos baseados em aprendizado de máquina: o caso de Mariana–MG', Enciclopédia Biosfera, vol. 14, no. 25, pp. 1211-20, DOI:10.18677/EnciBio_2017A99.

Gariglio, M.A., Sampaio, E.V.S.B., Cestaro, L.A. & Kageyama, P.Y. 2010, Uso sustentável e conservação dos recursos florestais da Caatinga, Serviço Florestal Brasileiro, Brasília.

IBGE Instituto Brasileiro de Geografia e Estatística 2004, Portal de Mapas, visualizado 22 Novembro 2021, <http://mapas.ibge.gov.br/biomas2/viewer.htm>.

Landis, J. & Koch, G.G. 1977, 'The measurements of agreement for categorical data', Biometrics, vol. 33, no. 1, pp. 159-74, DOI:10.2307/2529310.

Marchesan, J., Alba, E., Schuh, M.S., Favarin, J.A.S. & Pereira, R.S. 2020, 'Aboveground biomass estimation in a tropical forest with selective logging using random forest and lidar Data', Floresta, vol. 50, no. 4, pp. 1873-82, DOI:10.5380/rf.v50 i4. 66589.

Montaño, R.A.N.R., Sanquetta, C.R., Wojciechowski, J., Matta, E., Corte, A.P.D. & Todt, E. 2017, 'Artificial intelligence models to estimate biomass of tropical forest trees', Polibits, vol. 56, pp. 29-37.

Moreira, M.A. 2005, Fundamentos do sensoriamento remoto e metodologias de aplicação, UFV, Viçosa.

Nascimento, R.F.F., Alcântara, E.H., Kampel, M., Stech, J.L., Novo, E.M.L.M. & Fonseca, L.M.G. 2009, 'O algoritmo Support Vector Machines (SVM): avaliação da separação ótima de classes em imagens CCD-CBERS-2', Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, INPE, Natal, 25-30 Abril, vol. 14, pp. 2079-86.

Nemenyi, P.B. 1963, 'Distribution-free multiple comparisons', PhD thesis, Princeton University, New Jersey.

Oliveira, P.D.S. 2019, 'Uso de aprendizagem de máquina e redes neurais convolucionais profundas para a classificação de áreas queimadas em imagens de alta resolução espacial', Master thesis, Universidade de Brasília, Brasília.

Qgis Development Team 2019, QGIS Geographic Information System, Open Source Geospatial Foundation Project, visualizado 22 Dezembro 2019, <http://www.qgis.org/>.

Qian, Y., Zhou, W., Yan, J., Li, W. & Han, L. 2015, 'Comparing machine learning classifiers for object-based land cover classification using very high resolution imagery', Remote Sensing, vol. 7, no. 1, pp. 153-68, DOI:10.3390/rs70100153.

R Development Core Team 2019, R: a language and environment for statistical computing, R Foundation for Statistical Computing, Vienna, visualizado 22 Dezembro 2019, <http://www.R-project.org>.

Rodríguez, G.V. & Chica, R.M. 2012, 'Clasificación de imágenes de satélite mediante software libre: nuevas tendencias en algoritmos de Inteligencia Artificial', XV Congreso Nacional de Tecnologías de laInformación Geográfica, AGE-CSIC, Madrid, pp. 19-21.

Silva, D.A.O., Lopes, F.M.O., Moura, G.B.A., Silva, E.F.F., Silva, J.L.B. & Bezerra, A.C. 2019, 'Evolução espaço-temporal do risco de degradação da cobertura vegetal de Petrolina-PE', Revista Brasileira de Meteorologia, vol. 34, no. 1, pp. 89-99, DOI:10.1590/0102-7786334018.

Silva, F.H.B.B., Silva, M.S.L., Cavalcanti, A.C. & Cunha, T.J.F. 2006, 'Principais solos do Semiárido do Nordeste do Brasil: “Dia de Campo”', in Embrapa Semiárido-Artigo em anais de congresso, Embrapa, Juazeiro, pp. 2-35.

Soares, D.G. & Teive, R.C.G. 2015, 'Previsão de cheias do Rio Itajaí-Açu utilizando redes neurais artificiais', Anais do Computer on the Beach, pp. 308-17, DOI:10.13140/RG.2.1.4414.9366.

Souza, C.G., Carvalho, L., Aguiar, P. & Arantes, T.B. 2016, 'Algoritmos de aprendizagem de máquina e variáveis de sensoriamento remoto para o mapeamento da cafeicultura', Boletim de Ciências Geodésicas, vol. 22, no. 4, pp. 751-73, DOI:10.1590/S1982-21702016000400043.

SONDA Sistema de Organização Nacional de Dados Ambientais 2021, Rede Sonda, visualizado 25 Novembro 2021, <http://sonda.ccst.inpe.br/estacoes/petrolina_clima.html>.

Sothe, C., Liesenberg, V., Almeida, C.M. & Schimalski, M.B. 2017, 'Abordagens para classificação do estádio sucessional da vegetação do parque nacional de são Joaquim empregando imagens landsat-8 e rapideye', Boletim de Ciências Geodésicas, vol. 23, no. 3, pp. 389-404, DOI:10.1590/S1982-21702017000300026.

Taura, T.A., Alvarez, I.A., Sá, I.B., Pereira, L.A. & Santos, S.M. 2011, 'Sensoriamento remoto na análise da expansão do uso e ocupação do solo em Petrolina-PE', Anais XV Simpósio Brasileiro de Sensoriamento Remoto, INPE, Curitiba, 30 de abril a 5 de maio, pp. 6939-46.

Zheng, S., Cao, C., Dang, Y., Xiang, H., Zhao, J., Zhang, Y., Wang, X. & Guo, H. 2013, 'Retrieval of forest growing stock volume by two different methods using Landsat TM images', International Journal of Remote Sensing, vol. 35, no. 1, pp. 29-43, DOI:10.1080/01431161.2013.860567.

Arquivos adicionais

Publicado

2022-09-20

Edição

Seção

Ciências do Ambiente