PROCESSAMENTO DE IMAGENS AÉREAS PARA IDENTIFICAÇÃO E

SOLUÇÃO DE PROBLEMAS AMBIENTAIS

Autores:
Romário da Costa Silva – eng.romariosilva@gmail.com – Discente do curso
de Bacharelado em Engenharia de Computação
Jose Jailton Henrique Ferreira Junior – jjj@ufpa.br – Docente da Faculdade
de Computação

INTRODUÇÃO

O crescente avanço populacional gerou uma urbanização, na maior parte

das vezes, descontrolada e comumente identificada em áreas específicas. Em
consequência, a forte dependência do modal rodoviário e os problemas ambientais,
como desmatamento e queimadas, impactam não somente na preservação da
biodiversidade da fauna e flora, como também na qualidade de vida humana.
Em suma, os problemas ambientais são, em sua maioria, decorrentes da
ação humana sobre o equilíbrio dos ecossistemas, afetando de diferentes formas
a qualidade de vida da fauna e flora. Dentre os principais, encontram-se: o
desmatamento, a poluição da água e a poluição atmosférica e todos apresentam
significativo aumento desde a revolução industrial (DA CRUZ, 2018).
Visando o monitoramento ambiental e mensurar seus respectivos impactos
no território brasileiro, o Instituto Nacional de Pesquisas Espaciais – INPE conta
com três sistemas operacionais: o Programa de Monitoramento da Floresta
Amazônica Brasileira por Satélite (PRODES), o Sistema de Detecção de
Desmatamento em Tempo Real (DETER) e o sistema de mapeamento do uso e
ocupação da terra após o desmatamento, TerraClass (INPE, 2019).
Apesar do monitoramento realizado pelo INPE, os problemas ambientais
vem tomando grandes proporções nos últimos anos. Segundo dados do INPE
(2019), o país registrou, entre janeiro a agosto, um aumento de 70% das queimadas
em relação ao mesmo período de 2018, com 90.500 focos de incêndios. Os
sistemas atuais de monitoramento ambiental, apesar de complementares, ainda
são suscetíveis a falhas, seja devido ao período de tempo necessário para
realizarem a coleta de dados, pelas falhas de comunicação, ao tempo de
processamento ou até mesmo à sensibilidade a determinados fenômenos
climáticos.
Nesse contexto, a utilização de técnicas de inteligência artificial surge como
alternativa para aumentar a eficiência e otimização da extração de informações, a
partir da análise de imagens e dados, para as soluções de monitoramento
ambiental já existentes, bem como a proposição de novas metodologias e
tecnologias.

METODOLOGIA

A pesquisa proposta apresenta natureza aplicada, cujo objetivo é gerar

conhecimentos para o desenvolvimento de uma aplicação prática, dirigidos à
identificação e mapeamento de problemas ambientais (SILVA, 2001). Para tanto, é
proposto um sistema de processamento de imagens aéreas, para identificação e
mapeamento de problemas ambientais em cenários arborizados e que utiliza, como
base, da aplicação de técnicas de aprendizado de máquina.
Para o desenvolvimento, foi utilizado o software Matlab Mathworks como
ambiente de codificação por apresentar ferramentas que auxiliam na aplicação das
técnicas de inteligência artificial e na avaliação de desempenho do sistema. Além
disso, na codificação, utilizou-se da arquitetura de rede neural convolucional
AlexNet, a qual teve grande destaque e difundiu as redes neurais convolucionais
(CNNs) como uma alternativa para visão computacional (NOGUEIRA, 2018).
Em seguida, através de pesquisas nos principais navegadores de busca, foi
criado um banco de imagens com 207 arquivos que representam a visão aérea de
casos de desmatamento, queimadas e áreas arborizadas. As imagens foram
classificadas em 69 de área arborizada, 69 de desmatamento e 69 de queimadas
e redimensionadas para o tamanho 227 x 227 pixels, dimensões necessárias para
a utilização da rede Alexnet.

RESULTADOS E DISCUSSÃO

Para o teste do sistema, as imagens foram agrupadas aleatoriamente em

20% para treinamento, 20% para validação e 60% para teste. Portanto, o teste
consistiu na classificação de 123 imagens escolhidas aleatoriamente após o
treinamento da rede, sendo 41 imagens de cada classe e os resultados obtidos
foram avaliados por métricas especiais: matriz de confusão e coeficiente Kappa.
Segundo PRINA (2015), a matriz de confusão é a forma de representação da
qualidade obtida de uma classificação digital de imagem, sendo expressa por meio
da correlação de informações dos dados de referência com os dados classificados.
Já o coeficiente Kappa é uma das variáveis que podem ser quantificadas
após a construição da matriz de confusão, sendo um índice que indica o grau de
concordância dos dados e varia no intervalo de 0 a 1, sendo que quanto mais
próximo a 1, melhor a qualidade dos dados classificados. Portanto, esse coeficiente
proporciona um aspecto de confiabilidade e precisão dos dados classificados
(PERROCA e GAIDZINSKI, 2003).
A matriz de confusão obtida no teste, figura 1, foi gerada utilizando as 3
classes de classificação para as imagens: Área Arborizada, Desmatamento,
Queimada. Conforme análise da matriz, foi obtido um percentual de 90,2% de
acerto para a classe Desmatamento, 100% para a classe Queimada e 90,7% de
acerto para a classe de área arborizada. Totalizando um acerto médio de 93,5% na
classificação correta das imagens e demonstrando um alto desempenho e precisão
para o sistema.
 Figura 1. Matriz de confusão obtida

Após a obtenção da matriz de confusão, o coeficiente Kappa foi calculado e

obteve-se como resultado o valor aproximado de 0,9023. Conforme o agrupamento
de índices Kappa de Fonseca (2000), tabela 1, o sistema apresenta um excelente
desempenho, convalidando dessa forma o resultado obtido na métrica anterior.
 CONSIDERAÇÕES FINAIS

Neste trabalho foi proposto um sistema de processamento de imagens

aéreas para identificação e solução de problemas ambientais, cujos resultados
obtidos constataram um alto grau de confiabilidade da classificação das imagens
utilizadas, sendo um percentual de 93,5% de acerto médio na matriz de confusão
e um índice de 0,9023 para o coeficiente Kappa. Portanto, o sistema foi capaz de
realizar predições corretas mesmo utilizando uma base de dados considerada
pequena, dado a dificuldade para obtenção de imagens devido a ausência de um
monitoramento nesta categoria.

Referências.

DA CRUZ, Jhon Wallacy Virginia et al. Uma Solução Internet das Coisas para
Monitoramento de Gases Poluentes na Amazônia Legal. Anais SULCOMP, v. 9,
2018.

INPE. Banco de Dados de queimadas. Disponível em:

http://queimadas.dgi.inpe.br/queimadas/bdqueimadas#. Acesso em: 02 set. 2019

______. INPE esclarece sobre sistemas de monitoramento. Disponível em:

http://www.obt.inpe.br/OBT/noticias/inpe-esclarece-sobre-sistemas-de-
monitoramento. Acesso em: 02 set. 2019

KRIZHEVSKY, G. H. e. I. S. A. Imagenet classification with deep

convolutional neural networks. NIPS, 2012.

NOGUEIRA, Angelo Baruffi et al. Análise de viabilidade no uso de Deep

Learning para contagem de pessoas com câmeras de segurança. 2018.

PERROCA, Márcia Galan; GAIDZINSKI, Raquel Rapone. Avaliando a

confiabilidade interavaliadores de um instrumento para classificação de pacientes:
coeficiente Kappa. Revista da Escola de Enfermagem da USP, v. 37, n. 1, p. 72-
80, 2003.

PRINA, Bruno Zucuni; TRENTIN, Romario. GMC: Geração de Matriz de

Confusão a partir de uma classificação digital de imagem do ArcGIS®. Anais do
XVII Simpósio Brasileiro de Sensoriamento Remoto–SBSR, p. 137, 2015.

PROVOST, Foster; KOHAVI, Ron. Guest editors' introduction: On applied

research in machine learning. Machine learning, v. 30, n. 2, p. 127-132, 1998.

SILVA, Edna Lúcia da; MENEZES, Estera Muszkat. Metodologia da

pesquisa e elaboração de dissertação. 2001.