Análise do desempenho de redes neurais artificiais no monitoramento sazonal de macrófitas no reservatório de Salto Grande e nas mudanças no uso e cobertura da terra do entorno

• Autor(a) principal: Tolentino, Franciele Marques [UNESP]
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/181974
• topic: Redes neurais artificiais; Uso e cobertura da terra; Reservatório de Salto Grande; Macrófitas; Oli/landsat8; Artificial neural networks; Macrophytes

As formas de uso e cobertura da terra no entorno de corpos d’água é um dos fatores que mais impactam águas continentais. Diante disso, é que ambientes aquáticos se tornam cada vez mais susceptíveis a processos de eutrofização, o que favorece a proliferação de macrófitas. Uma maneira de monitorar a proliferação de macrófitas, assim como alterações nas formas de uso e cobertura da terra no entorno de reservatórios é a partir de dados de sensoriamento remoto. Sensores remotos surgem como uma alternativa com grande potencial para a análise da variabilidade espaço-temporal de macrófitas aquáticas. Classificadores baseados em aprendizado máquina são cada vez mais utilizados em alternativa às técnicas tradicionais, uma vez que alguns desses algoritmos não requerem a distribuição estatística dos dados permitindo assim a inclusão de atributos não espectrais no processo de classificação. Este estudo teve por objetivo avaliar o potencial de redes neurais artificiais (RNAs) no monitoramento sazonal da dispersão de macrófitas aquáticas no reservatório de Salto Grande, Americana (SP), simultaneamente às alterações no uso e cobertura da terra do seu entorno. No processo de classificação, foram realizados diversos experimentos a fim de selecionar os atributos e arquiteturas de RNA mais adequados para discriminar tanto as macrófitas no corpo hídrico, quanto os tipos de uso e cobertura da terra no seu entorno. Os dados de entrada constituíram-se de bandas espectrais do sistema OLI/Landsat-8, imagens de textura derivadas das imagens OLI, índices espectrais normalizados para realce da vegetação (NDVI), teor de umidade (MNDWI) e áreas construídas (NDBI), imagens resultantes da transformação RGB - IHS (componente matiz (H) e saturação (S)), além de um Modelo Digital de Elevação (MDE). Foram avaliadas as arquiteturas [21-27-14-6], [13-19-10-6] e [11-17-9-6], sendo observado que uma arquitetura mais enxuta pode apresentar melhor desempenho. O método proposto se mostrou adequado na detecção de macrófitas, com acurácia de 0,9829. No entanto, o mapeamento das classes de uso e cobertura da terra foi prejudicado por significativas variações sazonais e espectrais presentes nas cenas. Diante disso, é necessário analisar cuidadosamente os dados de entrada, para que grandes variações espectrais e/ou sazonais não camuflem informações importantes no processo de classificação. Por fim, os resultados obtidos mostraram que o MDE foi determinante na identificação das áreas com presença de macrófitas, visto que não foram identificadas grandes áreas classificadas como macrófitas fora do contexto do reservatório. Além disso, a estratégia de generalização temporal da RNA apresentou resultados adequados, e pode ser utilizada como uma alternativa à análise multitemporal de alvos.