Utilização de redes neurais artificiais na classificação de níveis de degradação em pastagens

Ano: 2009 | Volume: 13 | Número: 3

Autores: César S Chagas, Carlos A O Vieira, Elpídio I Fernandes Filho, Waldir de C Júnior

Palavras-chave: aster, sensoriamento remoto, classificação supervisionada

Resumo Português:

Este trabalho teve por objetivo avaliar a eficiência dos classificadores redes neurais artificiais (RNA) e o de máxima
verossimilhança (Maxver) na classificação do uso da terra no município de Viçosa, MG, a partir de imagens do sensor
ASTER, com ênfase nos níveis de degradação das pastagens. Neste estudo, foram identificados três níveis de degradação
das pastagens (moderado, forte e muito forte) e avaliada uma composição da imagem do sensor ASTER contendo as 3
bandas do visível e infravermelho próximo, com resolução espacial de 15 m. O simulador de redes neurais empregado
foi o “Java Neural Network Simulator” e o algoritmo de aprendizado, o backpropagation. Os resultados mostram que a
classificação por redes neurais, embora apresente resultado ligeiramente superior, teve desempenho estatisticamente
semelhante ao obtido pela classificação pelo Maxver, obtendo um índice Kappa de 0,80, contra 0,79, respectivamente.
Nas classificações realizadas a classe que apresentou maior erro de classificação foi a pastagem no nível de degradação
forte, enquanto a maior exatidão na classificação foi obtida pelo café, para ambos os classificadores, com 100 e 96%,
respectivamente.

Resumo Inglês:

The aim of this work is to evaluate the artificial neural networks and the maximum likelihood classification performances
to classify land uses at Viçosa, Minas Gerais State, using ASTER images in order to verify degradation levels of pastures.
In this study, three different levels of pasture degradation have been identified (moderate, strong and very strong) and an
image composition of 3 bands was tested (covering the visible and the near infra-red) with 15 m of spatial resolution.
The neural networks simulator used was the “Neural Java Network Simulator”, with a feed forward model and the learning
algorithm of back propagation. The obtained results show that the classification using neural networks, while presenting
a slightly superior result, had a statistically similar performance compared to the maximum likelihood, getting a Kappa
index of 0.80, against 0.79, respectively. In relation to individual performances, the class that presented the greatest
error of classification was pasture in the level of very strong degradation, while the largest accuracy in the classification
was obtained for coffee, for both classifiers, with 100 and 96% (respectively, Maxver and neural networks).