Uma proposta metodológica de integração de técnicas de análise espectral e de inteligência computacional, baseadas em conhecimento, para o reconhecimento de padrões em imagens multiespectrais

Somente no ano de 2011 foram adquiridos mais de 1.000TB de novos registros digitais de imagem advindos de Sensoriamento Remoto orbital. Tal gama de registros, que possui uma progressão geométrica crescente, é adicionada, anualmente, a incrível e extraordinária massa de dados de imagens orbitais já existentes da superfície da Terra (adquiridos desde a década de 70 do século passado). Esta quantidade maciça de registros, onde a grande maioria sequer foi processada, requer ferramentas computacionais que permitam o reconhecimento automático de padrões de imagem desejados, de modo a permitir a extração dos objetos geográficos e de alvos de interesse, de forma mais rápida e concisa. A proposta de tal reconhecimento ser realizado automaticamente por meio da integração de técnicas de Análise Espectral e de Inteligência Computacional com base no Conhecimento adquirido por especialista em imagem foi implementada na forma de um integrador com base nas técnicas de Redes Neurais Computacionais (ou Artificiais) (através do Mapa de Características Auto- Organizáveis de Kohonen SOFM) e de Lógica Difusa ou Fuzzy (através de Mamdani). Estas foram aplicadas às assinaturas espectrais de cada padrão de interesse, formadas pelos níveis de quantização ou níveis de cinza do respectivo padrão em cada uma das bandas espectrais, de forma que a classificação dos padrões irá depender, de forma indissociável, da correlação das assinaturas espectrais nas seis bandas do sensor, tal qual o trabalho dos especialistas em imagens. Foram utilizadas as bandas 1 a 5 e 7 do satélite LANDSAT-5 para a determinação de cinco classes/alvos de interesse da cobertura e ocupação terrestre em três recortes da área-teste, situados no Estado do Rio de Janeiro (Guaratiba, Mangaratiba e Magé) nesta integração, com confrontação dos resultados obtidos com aqueles derivados da interpretação da especialista em imagens, a qual foi corroborada através de verificação da verdade terrestre. Houve também a comparação dos resultados obtidos no integrador com dois sistemas computacionais comerciais (IDRISI Taiga e ENVI 4.8), no que tange a qualidade da classificação (índice Kappa) e tempo de resposta. O integrador, com classificações híbridas (supervisionadas e não supervisionadas) em sua implementação, provou ser eficaz no reconhecimento automático (não supervisionado) de padrões multiespectrais e no aprendizado destes padrões, pois para cada uma das entradas dos recortes da área-teste, menor foi o aprendizado necessário para sua classificação alcançar um acerto médio final de 87%, frente às classificações da especialista em imagem. A sua eficácia também foi comprovada frente aos sistemas computacionais testados, com índice Kappa médio de 0,86.

Uso de imagens de satélite de alta resolução (GeoEye-1) para estimativa de acúmulo de carbono em alagados de Mata Atlântica em recuperação na Reserva Ecológica Guapiaçu (Cachoeiras de Macacu, Rio de Janeiro)

Áreas alagadas são importantes devido à grande biodiversidade que sustentam e aos serviços ambientais gerados pela sua conservação. Essas áreas, quando dominadas por macrófitas, tendem a suportar grande biodiversidade e assumir grande valor de conservação. Assim, o monitoramento do estabelecimento deste importante componente do ecossistema durante um projeto de recuperação de ecossistemas é importante para avaliar o sucesso da sua recuperação. Este trabalho teve como objetivo estimar aquantidade de biomassa por área acumulada em um ecossistema ao longo de um gradiente de recuperação. Através da classificação não supervisionada gerada a partir de de imagens de satélite de alta resolução (GeoEye-1) e amostragem destrutiva foram estimadas quantidades de biomassa por área em três alagados em recuperação na Reserva Ecológica Guapiaçú. A classificação não supervisionada se mostrou uma ferramenta acurada e eficiente no mapeamento de classes de vegetação. Os alagados estudados apresentam uma taxa de acúmulo de carbono anual estimada em 1,12 MgC.hec-1 atingindo um máximo de 5.55 MgC.hec-1 no terceiro ano. Adicionalmente, foi observada uma correlação negativa entre biomassa e profundidade.