Segmentação de imagens e lógica nebulosa para treinamento de uma rede neural artificial na caracterização do uso da terra na região de Tucuruí (PA)

• Autor(a) principal: Adriano Venturieri
• Data de Publicação: 1996
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações do INPE
• Texto Completo: http://urlib.net/sid.inpe.br/iris@1912/2005/07.20.10.59

Para avaliação e monitoramento das áreas desflorestadas na Amazônia têm sido desenvolvidas, atualmente, técnicas de segmentação e classificação de imagens TM/LANDSAT por redes neurais. O sucesso desta abordagem tem permitido direcionar esforços para uma estratificação das áreas desflorestadas, hoje em uso agropecuário ou em pousio. Por conseguinte, o objetivo deste trabalho é o desenvolvimento do processo de segmentação de imagens e rotulação de segmentos utilizando a lógica nebulosa como suporte para treinamento (através do algoritmo backpropagation) de redes neurais artificiais especializadas em classes de vegetação e uso da terra na região de Tucuruí (PA). Em complementação à este objetivo é apresentada a comparação (através da estatística Kappa) entre imagens temáticas resultantes dos algoritmos de classificação tradicionais (ISOSEG e Máxima Verossimilhança) como primeiro passo para uma avaliação geral dos diferentes processos classificatórios de imagens, incluindo futuramente aquele derivado das redes neurais. O estudo foi desenvolvido em parte da região sob influência da barragem de Tucuruí (SE do Estado do Pará). O processo de segmentação da imagem foi realizado com base nas características de natureza espectral, através da técnica de crescimento de regiões. Foram rotulados individualmente 15.033 segmentos de imagem para formação da base de conhecimento/treinamento da rede nas geoclasses: Floresta, Sucessão Secundária Avançada, Sucessão Secundária Inicial, Pasto Sujo, Pasto Limpo, Cultura Agrícola, Área Urbana e Água (categorias básicas) além de Sombra e Nuvem (categorias de interferência). No processo de rotulação destes segmentos foi atribuído a cada categoria temática, graus de pertinência parciais ( 0,0; 0,25; 0,50; 0,75 e 1,0), entre os conceitos booleanos de falso e verdadeiro, dentro do procedimento que define o conceito de lógica nebulosa. Na arquitetura deste sistema classificador por rede neural foram consideradas para treinamento, as informações espectrais (média) e texturais (variância, correlação e entropia). Para avaliar os resultados preliminares da rede utilizaram-se os índices MSE (Mean Square Error), Sensibilidade e Especificidade. No treinamento da rede houve uma minimização do MSE com o número de épocas deste treinamento, indicando uma sensibilidade e especificidade coerente à identificação das geoclasses. No caso de comparação das classificações temáticas entre as abordagens ISOSEG e Máxima Verossimilhança e a imagem de referência, foi constatada a superioridade do algoritmo não supervisionado em função deste utilizar regiões resultantes da segmentação de imagens. É esperado que, em oportunidade futura, com a realização de uma equalização da rede, nova fase de treinamento e procedimento de classificação temática (associando descritores de vizinhança), seja possível a comparação deste processo classificatório com aqueles convencionais (ISOSEG e Máxima Verossimilhança) para um adequado entendimento da estratificação de classes de ocupação da terra na Amazônia Oriental.