artigo anterior

934
Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5471-5478.

Comparao dos mtodos de classificao supervisionada de imagem Mxima Verossimilhana e Redes Neurais em ambiente urbano Rmulo Jos da Costa Ribeiro, e Gustavo Macedo de Mello Baptista Edlson de Souza Bias Universidade de Braslia - UnB Instituto Central de Cincias - ICC Norte - Gleba A Campus Universitrio Darcy Ribeiro Asa Norte Caixa postal 04431 70910-900 - Braslia DF rjcribeiro@uol.com.br Unio Pioneira de Integrao Social UPIS SEPS 712/912, Conj. A - Asa Sul 70390-125 Braslia DF Universidade Catlica de Braslia UCB QS 07 lote 01 EPCT 71966-700 guas Claras Taguatinga DF gmbaptista@pos.ucb.br; edilsonb@ucb.br
Abstract The supervised classification of images is a process that assists the analyst in the identification of superficial phenomena in images of remote sensing. The traditional methods, although to present good results, in some cases present a little difference in the surface phenomena. The search for more accurate methods becomes basic for the best classification of the images. In this work it was present the comparison enters the traditionals classification method of maximum likelihood and neural networks. The last one, although to present better resulted than the first method, it is more delayed and demands many attempts and errors until getting an acceptable result. But it can be an interesting method for attainment of better results. Palavras-chave: Image classification, maximum likelihood, neural networks, classificao de imagens, mxima verossimilhana, redes neurais.

1. Introduo A configurao de uma cidade extremamente dinmica, haja vista a sua evoluo, principalmente, ps Revoluo Industrial, com o surgimento dos subrbios e a ocupao de sua periferia, principalmente, devido migrao de reas agrcolas para reas urbanas (Mumford, 1998). Esse processo migratrio persiste at hoje, de forma mais acelerada devido a busca da populao rural por melhor qualidade de vida, o que se confirma a partir de dados que cerca de 90% da populao mundial vive em cidades (Moreira, 1999). No Brasil, a populao urbana corresponde a mais de 80% da populao total do pas (IBGE, 2001). Para o melhor conhecimento dessa dinmica, dispe-se de uma forte ferramenta: as imagens de sensores remotos. Ao permitirem o imageamento de um mesmo lugar em diferentes datas, h a possibilidade de se acompanhar a evoluo dos limites das manchas urbanas. Desta forma, pode-se avaliar tanto a velocidade quanto a forma de crescimento, isto , se os limites esto sendo ampliados em direo a reas no permissveis, ou o quanto a cidade j est ocupando rea no permissvel, permitindo-se a elaborao de polticas que visem alterao deste quadro. A utilizao de imagens de sensores remotos tem se mostrado de suma importncia para o conhecimento da realidade urbana. Mas, devido complexidade cada vez maior desta realidade, tem se buscado o aprimoramento de tcnica de interpretao automatizada de tais imagens. O surgimento das redes neurais artificiais vem com o intuito de melhorar a classificao supervisionada de tais imagens. Apesar de a literatura salientar melhores resultados obtidos com esse algoritmo em detrimento aos demais, as redes neurais so extremamente complexas

5471

Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5471-5478.

e de difcil montagem, sendo a obteno do resultado final somente obtida depois de muitas tentativas e erros. Apesar disto, o uso de redes neurais tem crescido, pois a necessidade de melhores resultados tambm crescente. Recentemente alguns softwares comerciais tm disponibilizado este mtodo de classificao, de forma estruturada, simplificando sua utilizao. Mesmo que ainda se tenha que utilizar o sistema de tentativa e erro, a acurcia final pode compensar. O objetivo do presente estudo comparar dois mtodos de classificao supervisionada de imagens, um tradicional (Mxima Verossimilhana) outro por redes neurais, a fim de se verificar qual mtodo oferece melhores resultados para classificao de imagens em reas urbanas. 2. rea de Estudo A rea investigada pertencente Regio Administrativa XVIII (RA XVIII) Lago Norte. Alguns anos aps a inaugurao de Braslia a Empresa Urbanizadora da Nova Capital do Brasil NOVACAP havia elaborado vrios projetos de urbanizao e ocupao da Pennsula Norte, que se deu de forma lenta e natural. Somente em 10 de janeiro de 1994, por meio da Lei n 641/94 e do Decreto n 15.516/94 foi criada a RA XVIII, composta pelo Setor de Manses do Lago (SML), Setor de Habitaes Individuais Norte (SHIN), Vila Varjo do Torto e pelo Centro de Atividades CA (Figura 1). (CODEPLAN, 2003)

RA XVIII - Lago Norte

Centro de Atividades Pennsula do Lago Norte e SML Vila Varjo do Torto reas de Chcaras ou Desocupadas

Figura 1 Localizao da RA XVIII Lago Norte, Distrito Federal (CODEPLAN, 1997; IBGE, 2002). A RA XVIII possui quatro grandes situaes interessantes para a anlise urbana: reas com baixas densidades populacionais, que chegam a menos de 10 habitantes por hectare (hab/ha), e alta concentrao de renda, rea da pennsula do Lago Norte e SML (rea em verde); reas com crescimento descontrolado, constituda por comrcios, servios e kitnets, favorecendo altas densidade populacional e circulao de pessoas, rea do Centro de Atividades (CA) (rea em azul claro);

5472

Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5471-5478.

reas de chcaras ou tidas como agrcolas, rea norte da referida regio administrativa (rea em ocre); reas de invaso, caracterizadas por populao de baixa renda, alta concentrao de pessoas, pouca ou ausncia de infra-estrutura e equipamentos urbanos, rea da Vila Varjo do Torto (rea em vermelho). Estas quatro situaes convivem juntas gerando vrios tipos de presses urbansticas e sociais, demandando estudos e intervenes que minimizem estas presses, buscando melhoria das condies de vida das populaes marginalizadas, sem agredir as reas de entorno ou impedir o desenvolvimento da regio. Visando, ainda, a manuteno e atendimento das necessidades das reas de alta renda j consolidadas e procurando o desenvolvimento da rea de comrcio e servios, sem que nenhuma destas situaes venha a agredir ou buscando minimizar a agresso j existente ao meio ambiente. 3. Materiais e Mtodos 3.1. O Satlite Landsat A srie Landsat composta por satlites lanados pela NASA desde 1972, com o intuito do imageamento das caractersticas ambientais da superfcie terrestre. Em cada nova plataforma foram colocadas as tecnologias mais recentes desenvolvidas para a poca, visando cada vez mais a melhor na gerao de dados por esse satlite. Em 1999 foi lanado o mais recente satlite da srie, o Landsat 7, composto pelo sensor de varredura mecnica ETM+ (Moreira, 2001). A novidade deste sensor que alm das sete bandas existentes no sensor TM, com resoluo espacial de 30 m (bandas 1, 2, 3, 4, 5 e 7), foi adicionada uma banda pancromtica com resoluo espacial de 15 m, melhorando significativamente a capacidade de identificao de objetos na superfcie, especialmente em reas urbanas. Alm disso, o sensor ETM+ apresenta a banda 6 com resoluo espacial de 60 m (contra a de 120 do sensor TM) e apresentadas em duas verses, sendo uma de alto e outra de baixo ganho. Este sensor apresentou problemas de navegao a partir de maio de 2003. 3.2. Classificao pelo Mtodo da Mxima Verossimilhana Este o mtodo tradicional mais comumente utilizado quando necessria a obteno de classes informacionais a partir de imagens de sensores remotos. A distribuio espectral das classes de uso do solo considerada como sendo gaussiana ou normal, isto , objetos pertencentes mesma classe apresentaro resposta espectral prxima mdia de valores para aquela classe. Este mtodo parte do princpio que a classificao errada de um pixel no tem mais significado do que a classificao errada de qualquer outro pixel na imagem (Richards, 1993). O mtodo considera a ponderao das distncias mdias, utilizando parmetros estatsticos de distribuio dos pixels dentro de uma determinada classe (Crsta, 1993). Para a obteno de um bom resultado com esta classificao necessria a escolha de um nmero razoavelmente elevado de pixels para cada amostra de treinamento da classe, e que estes tenham uma distribuio estatstica prxima da distribuio normal (Crsta, 1993). Outro fator importante para a sua eficcia, a obteno de uma preciso razovel da estimativa do vetor mdio e da matriz de covarincia de toda a classe espectral. Fato este dependente da quantidade de pixels includos nas amostras de treinamento (Sulsoft, 2003). Este mtodo de classificao parte do pressuposto que o usurio conhea previamente a rea analisada, bem com a distribuio das classes, para que desta forma, quando da aplicao

5473

Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5471-5478.

da classificao, a seleo de amostras de treinamento possa ser o mais eficiente possvel (Crsta, 1993). 3.3. Classificao por Redes Neurais Perceptron com Algoritmo Backpropagation Novas tecnologias tm sido desenvolvidas para melhoria dos mtodos tradicionais de classificao de imagens de sensoriamento remoto. Nos ltimos 10 anos tem crescido o interesse por pesquisas utilizando redes neurais artificiais aplicadas ao reconhecimento de padres de classes. O grande diferencial que este novo mtodo utiliza sistema de amostragem, no requerendo a natureza paramtrica da distribuio estatstica dos dados, nem o conhecimento prvio desta distribuio (Galo, 2000). Existem vrios modelos de redes neurais artificiais desenvolvidos para os mais diversos fins.
Neste contexto, est inserida a rede neural perceptron multicamadas, a qual assume regies de deciso semelhantes quelas formadas por um classificador estatstico, porm com entradas no correlacionadas e distribuies diferentes para os dados (Lippmann, 1987). Alm disto, essas redes so treinadas por um algoritmo interativo de aprendizagem, chamado backpropagation que habilita a desenvolver um comportamento associativo correto quando confrontadas com situaes com caractersticas similares (Galo, 2000).

Mtodos que utilizam redes neurais artificiais podem ser aplicados a diferentes situaes, devido flexibilidade na entrada dos dados para a classificao, a possibilidade de incorporar dados de outras fontes ao conjunto de dados de entrada, e ao fato de sua aplicao no implicar necessidade de uma distribuio estatstica dos dados. A rede neural perceptron multicamadas capaz de reconhecer diferentes classes e resolver o problema de superposio de regies. A estrutura de perceptron multicamadas pode ser definida como uma rede de alimentao progressiva, com uma ou mais camadas escondidas entre os neurnios de entrada e de sada (Lippmann, 1987).
Na descrio da arquitetura bsica de uma rede neural perceptron multicamadas, Gonzalez & Woods (1993) mostram um modelo que consiste de camadas de neurnios estruturalmente idnticos, arranjados de modo que a sada de cada neurnio em cada camada, alimente a entrada de cada um dos neurnios da camada seguinte (Figura 2). O nmero de neurnios da primeira camada corresponde dimensionalidade do vetor de atributos dos dados de entrada. A camada de sada ter tantos neurnios quantas forem as classes a serem separadas. O problema maior est na definio do nmero de camadas escondidas, e do nmero de neurnios que as compem. Na prtica este problema tem sido geralmente resolvido por tentativa e erro, ou pela experincia prvia no domnio de uma dada situao. (Galo, 2000)
X1 Pesos Wjxi j = 1, 2,..., Nj i = 1, 2,..., n Pesos Wqj q = 1, 2,..., Nq j = 1, 2,..., Nj Classe w 1 X2 N Padres Vetoriais de Entrada

Classe w 2 X3

Classe w M Camada de sada Q Nq ns Camada escondida J NJ ns

Xn

Figura 2 Estrutura esquemtica de uma rede perceptron, com uma cada escondida (Adaptada de Gonzales & Woods, 1993. Modificada de Galo, 2000).

5474

Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5471-5478.

A Figura 2 mostra a estrutura esquemtica de uma rede perceptron com duas camadas: uma escondida, chamada J e outra de sada, chamada Q. Os vetores X1, X2,..., Xn, representam o conjunto de dados de entrada. Os pesos ajustados durante o treinamento so representados por Wjxi e Wqj, e as M classes de sadas so representadas por w1, w2,..., wM,. Lippmann (1987) considera que o algoritmo backpropagation permite o ajuste de pesos em cada uma das camadas da rede, sendo projetado para minimizar a soma do erro quadrtico entre a sada calculada por uma estrutura multicamadas e a desejada. Este algoritmo atua de modo iterativo, propagando o erro regressivamente, de modo a ajustar os pesos, a partir dos neurnios da camada de sada para os ns das camadas anteriores (Galo, 2000). O sistema utiliza a rede neural aplicada tcnica de classificao de camadas feedforward. Esta tcnica utiliza o padro backpropagation para o aprendizado supervisionado. O aprendizado ocorre pelo ajuste dos pesos nos ns para minimizar as diferenas entre a ativao do n de sada e a sada desejada. O erro retroalimentado atravs da rede e o ajuste do peso feito usando um mtodo recursivo. Este mtodo foi utilizado para melhorar a performance de anlise de dados no-lineares. Vrios trabalhos tm demonstrado a eficcia da utilizao de redes neurais para a classificao de imagens de satlite. A classificao digital consiste em associar determinado pixel a determinada categoria ou classe por meio de critrios estabelecidos. A classificao tem como objetivo: ordenar, discriminar e categorizar (Ribeiro & Centeno, 2001). 3.4. Definio dos Principais Tipos de Uso do Solo Os tipos de usos do solo, geralmente, so constitudos por um volume grande de dados espacializados, extraiu-se, basicamente, as informaes relativas a trs classes, sendo que os espaos pouco urbanizados foram constitudos de reas esparsas com baixo grau de ocupao, reas agrcolas, reas de desmatamentos, solos expostos, reas de queimada e voorocas; as extenses de feies naturais representadas pelas matas, cerrados, campos e veredas; e reas urbanas, constitudas por alto grau de ocupao, malham viria densa e estruturada. Esse plano de informao foi elaborado com base na imagem do satlite ETM+/Landsat 7, de 04 de maio de 2002. Partindo-se da premissa que este novo mtodo mais preciso que os mtodos tradicionais, decidiu-se por sua utilizao, que foi comparado com o mtodo Mxima Verossimilhana. A anlise da matriz de confuso dos dois mtodos de classificao e a anlise visual comparativa entre os resultados e a imagem original, foi fundamental para a avaliao do produto final. 4. Resultados O uso do solo foi obtido a partir da classificao da imagem do Landsat 7 ETM+ de 04 de maio de 2002 (Figura 3). Para tal, foi adotada a cena com resoluo de 15 metros obtida a partir da fuso da banda pancromtica com as multiespectrais.

5475

Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5471-5478.

Figura 3 Imagem do satlite ETM+/Landsat 7, de 04 de maio de 2002, composio colorida RGB das bandas 3, 4 e 5, reamostrada para 15 metros. O resultado obtido pelo mtodo de classificao Mxima Verossimilhana pode ser visualizado na Figura 4. J o resultado obtido pelo mtodo de classificao de redes neurais, apresentado na Figura 5. Para a obteno da imagem classificada por redes neurais, modificaram-se os parmetros de sensibilidade, e por tentativa e erro, obteve-se um resultado aceitvel. Para tanto, foram processadas 27 classificaes, escolhendo-se os melhores resultados, e, a partir destes, modificaram-se novamente os parmetros, na tentativa de melhorar o resultado. Foram geradas mais 5 classificaes, sendo que o resultado da 32 classificao foi o selecionado. A escolha dos melhores resultados baseou-se no conhecimento prvio da rea de estudos.

Malha Hdrica Lago Parano

Classe de Uso
reas Vegetadas reas Fracamente Urbanizadas reas Fortemente Urbanizadas

Figura 4 Principais tipos de uso do solo, obtidos pela classificao Mxima Verossimilhana.

5476

Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5471-5478.

Malha Hdrica Lago Parano

Classe
reas Vegetadas reas Fracamente Urbanizadas reas Fortemente Urbanizadas

Figura 5 Principais tipos de uso do solo, obtidos pela classificao por redes neurais. Pode-se verificar que para a classe fracamente urbanizada h uma melhor separao, na classificao por redes neurais, de vegetao lenhosa de no lenhosa montante do brao do Ribeiro do Torto, que corresponde ao brao inferior do Lago Parano, mas h mistura entre asfalto e o canteiro central na rea da pennsula do Lago Norte. Este um problema tpico de classificao supervisionada de imagens com baixa resoluo radiomtrica. Para a escolha do melhor resultado obtido pela classificao por redes neurais, compararam-se as matrizes de confuso e o coeficiente kappa, das 32 classificaes, com a matriz de confuso e o coeficiente kappa da classificao Mxima Verossimilhana. A matriz de confuso compara o resultado da classificao com dados de verdade de solo, obtendo uma acurcia global e o coeficiente kappa. Usaram-se as reas de interesse de classificao como verdade de solo. O coeficiente kappa apresenta uma vantagem na comparao de resultados, pois incorpora os pixels mal classificados, no apenas os bem classificados como na acurcia global. Esta ltima superestimaria a acurcia da classificao, e o coeficiente kappa apresentaria uma avaliao mais adequada (Sulsoft, 2003). Apesar de os dois mtodos apresentarem valores elevados, tanto na Acurcia Global, como no coeficiente kappa, o obtido por meio de redes neurais apresentou valores comparativamente mais elevados. O 32 resultado foi o que apresentou melhor resultado, quando comparado ao mtodo Mxima Verossimilhana (Quadro 1). Quadro 1 Comparao dos resultados obtidos pelos dois mtodos de classificao. Mtodo de Classificao Acurcia Global Coeficiente kappa Mxima Verossimilhana 99,2282 0,9879 Redes Neurais 99,5590 0,9931 A comparao visual entre as duas classificaes (Figuras 4 e 5) e a imagem original (Figura 3) mostrou que a classificao por redes neurais apresentou melhor identificao das classes, obtendo uma melhor separao entre as mesmas.

5477

Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5471-5478.

6. Consideraes Finais Aps a realizao do trabalho verificou-se que a utilizao de instrumentos de sensoriamento remoto um forte aliado para o conhecimento da realidade urbana. A associao deste com bancos de dados populacionais, como os censos demogrficos, permite o conhecimento do perfil populacional e possveis tendncias. Sendo que estas anlises podem ser feitas de forma extremamente rpida e dinmica, permitindo o acompanhamento da evoluo fsica, ambiental e social urbana. A utilizao do mtodo de classificao por redes neurais mostrou-se mais eficiente que o mtodo tradicional, mas a definio dos parmetros e seu treinamento foram muito demorados, sendo necessria a execuo de 32 classificaes, com parmetros diferentes, para que se chegasse a um resultado aceitvel. A utilizao de um software comercial facilitou o uso de redes neurais, mas ainda so necessrios muito tempo e laborioso processo de tentativas e erros para a obteno de bons resultados. A utilizao de uma imagem de sensoriamento remoto de mdia resoluo espacial (15 metros), mostrou-se adequada, principalmente em relao ao custo de aquisio e a resoluo espectral da mesma. Imagens de maior resoluo espacial podem vir a melhorar a classificao, devido melhor identificao de objetos no solo. Mas deve-se ficar atentos tambm quanto as resolues espectral e radiomtrica dos dados, pois tendem a gerar melhores separaes entre os alvos investigados. Bibliografia
CODEPLAN, Companhia de Desenvolvimento do Planalto Central. Disponvel em: <http://www.codeplan.df.gov.br>. Acesso em: 08/08/2003. CRSTA, A. P, Processamento Digital de Imagens de Sensoriamento Remoto, Campinas, SP, UNICAMP, ed. rev., 1993. GALO, M. L. B. T., Aplicao de redes Neurais Artificiais e Sensoriamento Remoto na Caracterizao Ambiental do Parque Estadual Morro do Diabo. Tese de Doutorado, Escola de Engenharia de So Carlos da Universidade de So Paulo, So Carlos, SP, 2000. GONZALEZ, R. C. & WOODS, R. E., Recognition and Interpretation. Digital Image Processing, 1993. In: GALO, M. L. B. T., Aplicao de redes Neurais Artificiais e Sensoriamento Remoto na Caracterizao Ambiental do Parque Estadual Morro do Diabo. Tese de Doutorado, Escola de Engenharia de So Carlos da Universidade de So Paulo, So Carlos, SP, 2000. IBGE, Censo Demogrfico de 2000. Caractersticas da Populao e dos Domiclios. Resultado do Universo, Rio de Janeiro, RJ, IBGE, 2001. CD-ROM. LIPPMANN, R. P., An introduction to computing with neural nets. IEEE ASSP Magazine, v.4., 1987. In: GALO, M. L. B. T., Aplicao de redes Neurais Artificiais e Sensoriamento Remoto na Caracterizao Ambiental do Parque Estadual Morro do Diabo. Tese de Doutorado, Escola de Engenharia de So Carlos da Universidade de So Paulo, So Carlos, SP, 2000. MOREIRA, I., O Espao Geogrfico Geografia Geral e do Brasil, So Paulo, SP; tica, 1999. MOREIRA, M. A., Fundamentos do Sensoriamento Remoto e Metodologias de Aplicao, So Jos dos Campos, SP, Instituto Nacional de Pesquisas Espaciais, INPE, 1 ed, 2001. MUMFORD, L., A Cidade na Histria. Suas Origens, Transformaes e Perspectivas, So Paulo, SP; Martins Fontes, 4 edio, 1998. RIBEIRO, S. R. A. & CENTENO, J. S., Classificao do Uso do Solo Utilizando Redes Neurais e o Algoritmo MAXVER. In: Simpsio Brasileiro de Sensoriamento Remoto, 10, Foz do Iguau, PR, Anais, 2001. CD-ROM. RIBEIRO, R. J. C., Geotecnologia em Apoio Aplicao de Instrumentos de Poltica Urbana. Braslia, DF, Dissertao de Mestrado, Universidade de Braslia, Faculdade de Arquitetura e Urbanismo, Programa de PsGraduao, 2003. SULSOFT, Guia do ENVI em Portugus. Disponvel em: <http://www.envi.com.br>. Acesso em: 06/07/2003.

5478