Estimativa de biomassa na região amazônica utilizando técnicas de aprendizado de máquina

Abstract

No ano de 2016 mais de 190 países participaram da 21ª Conferência das Partes das Nações Unidas sobre Mudança Climática, realizada em Paris. Apesar de intensos trabalhos visando elaborar um tratado, os resultados não atenderam às expectativas devido à falta de metodologias que medem com precisão a quantidade de biomassa florestal. Imagens de sensoriamento remoto podem ser usadas para que seja realizada uma quantificação mais precisa e viável da biomassa existente em regiões de difícil acesso, como a região amazônica, com destaque para as imagens na faixa do micro-ondas, mais especificamente as de radares. Em função da grande quantidade de dados de sensoriamento remoto disponíveis, faz-se necessário o desenvolvimento de técnicas e ferramentas que visem organizá-los e analisá-los de forma inteligente e automática, como as técnicas de Aprendizado de Máquina (Machine Learning). A presente tese tem por objetivo geral desenvolver e aplicar uma metodologia para estimar a quantidade de biomassa arbórea em uma área da região amazônica, a partir de dados de SAR, utilizando técnicas de Aprendizado de Máquina. As etapas metodológicas de tese encontra-se divididas em três artigos técnicos sequenciais que cobrem os objetivos propostos. O primeiro artigo possui como hipótese a possibilidade de ajuste da altura interferométrica, atributos de InSAR, a partir da identificação de áreas de solo exposto, isto é, onde o valor é teoricamente igual a 0 (zero). Além de inovadora, a hipótese previa o ajuste do modelo digital da região visando aprimorar a modelagem referente à estimativa de biomassa. Entretanto, como resultado, o método proposto no primeiro artigo não possibilitou a melhora significativa da estimativa de biomassa florestal, não sendo adotado nas próximas etapas do trabalho. O segundo artigo dá continuidade ao primeiro e apresenta a aplicação de técnicas de Aprendizado de Máquina sobre os atributos de SAR extraídos dos dados disponíveis. De forma inédita avalia e compara modelos de estimativa de biomassa baseados em atributos qualitativos e quantitativos. O segundo artigo conclui que as diferentes regiões da Floresta Amazônica e suas respectivas características demandam modelos e técnicas específicas, não se enquadrando em um único padrão. Neste caso não foi possível identificar uma única técnica de Aprendizado de Máquina que se mostrasse como a mais adequada ao objetivo, apesar dos melhores resultados apontarem para o uso das redes neurais artificiais. O terceiro e último artigo conclui o trabalho da presente tese por meio da análise e construção de produtos temáticos de biomassa. Neste último artigo é apresentado um sistema computacional desenvolvido que visa otimizar o processo de categorização, necessário à representação visual da geoinformação. Os resultados obtidos no terceiro artigo mostram que o algoritmo de Otimização de Categorização proposto demonstrou capacidade de encontrar novos subintervalos de categorias que aumentaram o índice de concordância Kappa. Como resultado, foram construídos produtos temáticos que apresentaram acurácia temática superior aos obtidos pelos métodos clássicos de categorização. Juntamente, do ponto de vista computacional, a heurística proposta no algoritmo possibilitou a identificação de resultados de forma eficiente, evitando os altos custos de processamento. A hipótese proposta na tese, isto é, de que a aplicação de técnicas de aprendizado de máquina sobre dados de SAR permitem obter a estimativa de biomassa da região amazônica com erros abaixo de 20%, atendendo os padrões preceituados por organismos internacionais, não foi confirmada. Os resultados obtidos nos modelos elaborados são classificados somente como moderados. Dentre os fatores que podem ter contribuído para este resultado, está a quantidade reduzida de amostras de biomassa, com pequena variação de valores, o que prejudicou o ajuste dos modelos gerados e o acesso restrito aos dados de SAR das bandas X e P, não sendo possível gerar novos atributos coerentes.