Reconhecimento de padrões espaço-temporais em imagens WorldView-2 e RPAs por aprendizado de máquina em Floresta Ombrófila Mista
Enzo Luigi Crisigiovanni
⠀⠀⠀⠀⠀
Defesa Pública: 10 de junho de 2021
⠀⠀⠀⠀⠀
Banca Examinadora:
Dr. Rodrigo de Campos Macedo – UFPR – Primeiro Examinador
Dr. Nelson Carlos Rosot – UFPR – Segundo Examinador
Dr. Ronaldo Ferreira Maganhotto – UNICENTRO – Terceiro Examinador
Dr. Fernando Luís Dlugosz – UNICENTRO – Quarto Examinador
Dr. Afonso Figueiredo Filho – UNICENTRO – Orientador e Presidente da Banca Examinadora
⠀⠀⠀⠀⠀
Resumo:
A perda de habitats e a bioinvasão, associadas a processos antrópicos, são as principais causas das extinções de espécies. Uma das principais ferramentas para a análise espaço-temporal desses processos é o sensoriamento remoto. Com o enfoque de reconhecer padrões na Floresta Ombrófila Mista (FOM) em diferentes escalas espaciais e temporais, em três capítulos buscou-se: (1) Classificar e mensurar elementos da paisagem de uma sub-bacia hidrográfica na Floresta Ombrófila Mista no Centro-Sul do estado do Paraná, associando os componentes da paisagem à parâmetros fitossociológicos da comunidade arbórea; (2) Quantificar a taxa de reconhecimento de Hovenia dulcis Thunb. (Uva-do-Japão), espécie exótica invasora e de Araucaria angustifolia (Bertol.) Kuntze (Araucária), conífera nativa ameaçada de extinção, por algoritmos de aprendizado de máquina; e (3) Aprimorar a extração de atributos para a classificação de H. dulcis, em um modelo de classificação pixel a pixel de apenas uma classe. Para o cumprimento dos objetivos, os métodos empregados foram: (1) Para duas imagens WolrdVew2 dos anos de 2012 e 2016, utilizando apenas as bandas multiespectrais do sensor (2m de resolução espacial) foram aplicadas a segmentação multirresolução e Máquina de Vetores de Suporte (Support Vector Machine – SVM). A partir das classificações de maior acurácia foram extraídas nove métricas da paisagem submetidas a uma Análise de Componentes Principais (Principal Component Analysis – PCA). Esses componentes foram associados a modelos de regressão gerados por Generalized Estimation Equation (GEE) para nove parâmetros fitossociológicos calculados a partir de nove parcelas permanentes de inventário florestal, com três medições 2011, 2014 e 2017 distribuídas na área da sub-bacia em questão; (2) Para o reconhecimento de A. angustifolia e H. dulcis foi realizada a interpretação visual e recorte das copas das árvores validadas por imagens de RPA (Remotely Piloted Aircraft) na imagem WorldView-2 de 2016 fusionada (0,5m de resolução espacial). Os recortes tiveram atributos texturais extraídos por filtros de bordas (Edge Filter) e por Histogramas de Gradiente Orientados em Pirâmide (Pyramid Histogram of Oriented Gradients – PHOG). Os atributos texturais e os valores espectrais dos pixels das imagens foram submetidos a mineração de dados utilizando algoritmo genético. Finalmente foram submetidos à dois classificadores, Redes Neurais Artificiais (Artificial Neural Network – ANN) e Floresta de Decisão Randômica (Ramdom Forest – RF) e; (3) Em duas imagens de RPA de 2018 foram selecionados pixels aleatórios de H. dulcis e da classe negativa (não-H. dulcis), de maneira balanceada. Em seguida, foram criados modelos de classificação pixel a pixel de apenas uma classe (One-class classification), pelo algoritmo Random Forest, utilizando apenas os atributos espectrais dos pixels para a classificação. De maneira geral encontrou-se elevada acurácia, aproximadamente 90%, para todas as classificações empregadas, com as diferentes técnicas de classificação aplicadas às diferentes imagens e alvos. Com relação ao Capítulo 1, nos quatro anos de análise encontrou-se uma redução na área de cobertura de FOM de 6,4% e uma expansão agrícola de 8,07%, devido principalmente ao aumento do processo de fragmentação da paisagem. Ainda foi possível encontrar associações da fragmentação na comunidade arbórea, a qual apresentou mudanças principalmente relacionadas ao incremento de biomassa, indicando processos de regeneração. No Capítulo 2 a classificação das espécies foi realizada com alta acurácia, chegando a 95% de acertos para o Cross-Validation. RF superou as taxas de classificação da ANN e ainda se mostrou mais estável e veloz para o treinamento e posterior classificação das espécies. Para o Capítulo 3, a classificação das imagens de RPA também apresentaram elevada acurácia, com cerca de 95% de acertos. Com apenas três bandas espectrais: Red (R), Green (G) e Blue (B) os atributos espectrais da faixa do vermelho e do verde se mostraram mais relevantes para a classificação, e o modelo de classificação pixel a pixel de apenas uma classe se mostrou eficiente na detecção de H. dulcis. Concluiu-se que o sensor multiespectral WorldView-2 e a imagens de RPAs, associadas ou não, têm elevado potencial de fornecer informações para o reconhecimento de padrões florestais da FOM, variando de elementos da paisagem, e.g. remanescentes florestais, até copas de espécies arbóreas, como H. dulcis e A. angustifolia. Dessa forma, esses instrumentos podem ser efetivos na contribuição da conservação e manejo sustentável da FOM.
