Uso de rede neural artificial não supervisionada na classificação de dados de radar na Banda-P para mapeamento de cobertura da terra em floresta tropical

• Main Author: Alcina Maria Nepomuceno
• Other Authors: Corina da Costa. Freitas
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais 2003
• Online Access: http://urlib.net/sid.inpe.br/jeferson/2003/05.07.10.44

Apresenta-se uma avaliação sobre as propriedades discriminatórias de dados de radar na Banda-P para o mapeamento da cobertura da terra usando a rede neural artificial não supervisionada Fuzzy-ART (Teoria da Ressonância Adaptativa). A área de estudo situa-se próxima à Floresta Nacional do Tapajós, no Estado do Pará, Brasil. Os dados de radar foram obtidos durante a missão realizada pela empresa alemã AeroSensing RadarSystem GmbH, em setembro de 2000. Foi selecionada uma faixa de imageamento 2,4 km x 7,4 km para o estudo. Os parâmetros de entrada para a rede Fuzzy-ART foram otimizados por algoritmo genético. Foram investigadas as eficiências dos filtros Map Gamma (5x5) e a combinação dos filtros Frost e Mediana (3x3) para redução do efeito do ruído speckle. As seguintes imagens foram avaliadas individualmente e combinadas duas a duas: retroespalhamento nas polarizações HH, HV, VV, Seção Transversa Média (STM), e os índices biofísicos Índice de Biomassa (BMI), Índice de Estrutura do Dossel (CSI) e Índice de Espalhamento Volumétrico (VSI). Examinou-se também a combinação HH/HV/VV. Os padrões discriminados pela rede neural foram relacionados com as classes de cobertura da terra de locais previamente observados em trabalho de campo. As oito classes de referência são: Solo Exposto (SE), Pasto/Cultivo (PC), Regeneração Nova (RN), Regeneração Intermediária (RI), Regeneração Antiga (RA), Regeneração Muito Antiga (RMA), Floresta Primária (FP), e Várzea (VA). Um conjunto de amostras de referência foi utilizado para identificar a classe a que os padrões pertencem e outro para calcular a exatidão global e o índice Kappa. A discriminação de oito classes de cobertura da terra não foi satisfatória. A melhor exatidão global (56%) foi obtida a partir da lassificação da imagem STM. Baseado no grau de confusão entre as classes de referência foram realizadas combinações entre classes e entre seus correspondentes padrões para cinco e quatro classes. Os melhores resultados de exatidão global foram obtidos na discriminação de quatro classes (SE/PC; RN/RI; FP/RMA/RA e VA). As seguintes exatidões globais foram obtidas para as imagens classificadas individualmente: 84%, 73%, 78%, 83%, 74%, 79%, e 76% para HH, HV, VV, STM, BMI, CSI e VSI, respectivamente. Foram obtidos os seguintes resultados para as classificações das combinações de imagens: 84,9%, 84,5% 83,7%, 81,2%,79,6%, 76,5%, 74,4%, e 72,8% para CSI/HV, HH/HV/VV, HH/HV, HH/VV, CSI/VV, VSI/HV, BMI/HV e VV/HV, respectivamente. Como resultado geral das análises, o melhor resultado (84,9%) foi obtido a partir da combinação das imagens CSI e HV filtradas com o filtro Map Gamma para a discriminação das classes SE/PC, RN/RI,FP/RMA/RA e VA. Conclui-se que a utilização das imagens co-polarizadas e com polarização cruzada combinadas contribui para uma melhora no resultado das classificações, e que a aplicabilidade dos dados da Banda-P para avaliação da cobertura da terra em paisagens de Floresta Tropical é somente confiável para classes de cobertura da terra amplamente definidas. === The applicability of P-band radar data for land cover mapping using the unsupervised artificial neural network Fuzzy-ART (Adaptive Resonance Theory) is evaluated. The study area is located near Tapajós National Forest in the State of Para, Brazil. The radar data was acquired during an airborne mission conducted by AeroSensing RadarSystem GmbH in september 2000. A 2.4 km x 7.4 km image strip was selected for the study. The input parameters for the neural network Fuzzy-ART were optimized by genetic algorithm. It was investigated the speckle reduction efficiencies of Map Gamma filter (5x5 pixels) and the combination of Frost and Median filters (3x3 pixels). The following images were analyzed individually and combined in pairs: backscatter in the polarizations HH, HV, VV, Average cross section (ACS), and the biophysical indices Biomass Index (BMI), Canopy Structure Index (CSI) and Volume Scattering Index (VSI). The combination HH/HV/VV was also evaluated. The clusters discriminated by the neural network were related with the land cover classes of sites previously observed in field work. The eight reference classes are: Bare Soil (BS), Pasture and Agriculture (PA), Upland Forest Regrowth - Pioneer Stages (R1), Upland Forest Regrowth Early Intermediate Stages (R2), Upland Forest Regrowth Late Intermediate Stages (R3), Upland Forest Regrowth Advanced Stages (R4), Primary Upland Forest (PF) and Primary Floodplain Forest (FF). Part of the reference data set was used for cross tabulation to map unsupervised clusters set onto the land cover class set and the other part for estimating the global accuracy and the Kappa coefficient. The discrimination of the eight land cover classes was not satisfactory. Best global accuracy (56%) was obtained with PT. Based on the degree of confusion among reference classes, the combinations of classes and corresponding clusters were reduced to five and four classes. The best results of global accuracy were obtained in the discrimination of four classes (BS/PA; R1/R2; R3/R4/FP and FF). The following global accuracies were obtained for the individually classified images: 84%, 73%, 78%, 83%, 74%, 79%, and 76% for HH, HV, VV, PT, BMI, CSI and VSI, respectively. It was obtained the following global accuracies for the classifications of combined images: 84,9%, 84,5% 83,7%, 81,2%, 79,6%, 76,5%, 74,4%, and 72,8% for CSI/HV, HH/HV/VV, HH/HV, HH/VV, CSI/VV, VSI/HV, BMI/HV and VV/HV, respectively. As a general result of the analyses, the best result (global accuracy of 84,9%) was obtained with the combination of CSI and HV pre-filtered with the Map Gamma filter for the discrimination of the classes BS/PA; R1/R2; R3/R4/FP and FF. It was concluded that the utilization of co-polarized and cross-polarized images contributes for the improvement of the classification result, and that the applicability of P-band radar data for land cover assessment in tropical forest landscape is only reliable for broadly defined land cover classes.