Uso de redes neurais artificiais para análise multitemporal da dinâmica do uso e cobertura da terra em bacias hidrográficas

• Ano de defesa: 2022
• Autor(a) principal: Silva, Camille Vasconcelos [UNESP]
• Orientador(a): Lourenço, Roberto Wagner, Sales, Jomil Costa Abreu
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Geoprocessamento; Inteligência Artificial; Mata Atlântica; Geoprocessing; Artificial intelligence; Atlantic Forest
• Link de acesso: http://hdl.handle.net/11449/216903

As atividades antrópicas se relacionam de forma direta com o uso dos recursos naturais, promovendo de forma acelerada um cenário de degradação ambiental. Essas alterações são oriundas principalmente do crescimento populacional desordenado e das atividades agropecuárias e industriais. Dentre as consequências dessas mudanças, tem-se a redução das florestas nativas, em especial a Mata Atlântica, que apresenta apenas 13% de remanescente florestal. Nesse cenário, as geotecnologias, como os Sistemas de Informação Geográficas (SIG) e o Sensoriamento Remoto, têm apresentado papel importante como ferramentas para o monitoramento ambiental. Diante disso, esta pesquisa tem como objetivo avaliar o potencial das ferramentas de SIG associadas às técnicas de Inteligência Artificial na análise temporal da dinâmica do uso e cobertura da terra de 2000 a 2020 na Bacia Hidrográfica do Rio Sorocabuçu (BHRS), em Ibiúna, São Paulo, Brasil. Para o desenvolvimento deste estudo foi organizada uma base cartográfica com informações planimétricas e altimétricas, como hidrografia, malha viária, curvas de nível, além da utilização de imagens multiespectrais do satélite Landsat 7, sensor ETM+, e Landsat 8, sensor OLI. O processamento e análise das imagens e dados foram efetuados nos softwares ArcGis e Qgis. Para o mapeamento do uso e cobertura da terra foram realizados os métodos por interpretação visual, onde as feições são identificadas de acordo com seu padrão de cor, textura e forma, e o de classificação por Redes Neurais Artificiais (RNA) realizada no software IDRISI Selva, através do módulo Multi-Layer-Perpectron (MLP), operando com o algoritmo Error Backpropagation. Para a verificação da acurácia da classificação foi utilizado o coeficiente kappa (k). Foram caracterizadas seis classes de uso e cobertura da terra: Áreas Urbanizadas, Áreas Agrícolas, Área Vegetacional Perturbada, Reflorestamento, Mata e Corpos Hídricos. Os mapas de uso da terra obtidos pela classificação RNA MLP apresentaram índice kappa de 0,82 apontando excelente classificação. Foi constatada variação ao longo do tempo analisado de áreas com atividades antrópicas de 44,71% para 47,74% e áreas naturais de 55,29% para 52,26% pela Interpretação Visual. Pela RNA MLP as áreas antropizadas mudaram de 50,57% para 56,11% e as áreas naturais de 49,43% para 43,89%. Uma fragilidade identificada no método da RNA MLP foi a superestimação de algumas classes, como Área Urbanizada, Áreas Agrícolas, Área Vegetacional Perturbada e Reflorestamento. Como potencialidade, essa metodologia possibilitou gerar um diagnóstico ambiental mais rápido e de menor custo e pode ser replicada para o reconhecimento de padrões e classificação de imagens de satélite em outros ecossistemas florestais. Esta pesquisa pode contribuir para a identificação de potenciais impactos socioambientais e auxiliar no planejamento e gestão ambiental da BHRS.