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

Abstract

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.

The land use/cover surrounding water bodies is one of the factors that most impact continental waters. Thus, aquatic environments become increasingly susceptible to eutrophication processes, which favors the growth of macrophytes. One way to monitor the growth of macrophytes as well as changes in the forms of land use/cover surrounding reservoirs, is from remote sensing data. Remote sensors emerge as an alternative with great potential for the analysis of spatio-temporal variability of aquatic macrophytes. Classifiers based on machine learning are alternatives increasingly used in detriment to traditional techniques. Those algorithms do not require the statistical distribution of the data, thus allowing the inclusion of non-spectral attributes in the classification process. In this sense, this wok aims to evaluate the potential of artificial neural network (ANN) in the seasonal monitoring of aquatic macrophytes dispersion in Salto Grande, Americana (SP), simultaneously with the changes monitoring in the land use/cover of the surrounding areas. In the classification process, several experiments were performed to select the most appropriate attributes, as well as the best ANN architecture to discriminate the macrophytes in the water body and the types of land use/cover of the surrounding. The input data consisted of OLI / Landsat-8 system spectral bands, texture images derived from OLI images, normalized spectral indices for vegetation enhancement (NDVI), moisture content (MNDWI) and built-up areas (NDBI), images resulting from the RGB - IHS transformation (hue and saturation component), as well as a Digital Elevation Model (DEM). The architectures evaluated were [21-27-14-6], [13-19-10-6] and [11-17-9-6], and it was observed that a lean architecture may perform better. The proposed method was adequate for detecting macrophytes, with an accuracy of 0.9829, but the mapping of the land use/cover categories was affected by significant seasonal and spectral variations present in the scenes. Thus, it is necessary to carefully analyze the input data, so that large spectral and/or seasonal variations do not camouflage important information in the classification process. Finally, the results showed that the DEM was relevant in the identification of areas with presence of macrophytes, since no large areas classified as macrophytes outside the context of the reservoir were identified. In addition, the ANN temporal generalization presented adequate results, and can be used as an alternative to the multitemporal analysis of targets.