Desmatamento e um futuro perigoso em Lábrea – 4: classificação dos padrões e trajetórias do desmatamento

Por Beatriz Figueiredo Cabral, Aurora Miho Yanai, Paulo Maurício Lima de Alencastro Graça, Maria Isabel Sobral Escada, Cláudia Maria de Almeida e Philip Martin Fearnside Os padrões de desmatamento foram classificados por meio de técnicas de mineração de dados espaciais.

Para isso, utilizou-se o plugin Geographical Data Mining Analyst (GeoDMA), um classificador desenvolvido por Körting et al. [1] para o software TerraView versão 5.6.1.

O GeoDMA integra ferramentas de processamento e análise de imagens de sensoriamento remoto com técnicas de mineração de dados, possibilitando a extração de informações e a identificação de padrões em grandes bancos de dados [2].

Além disso, o plugin permite a classificação estrutural de objetos através da extração de um conjunto de métricas da paisagem que mensuram e descrevem os padrões de ocupação.

O processo de classificação realizado pela GeoDMA envolveu as seguintes etapas: 1) extração de métricas da paisagem a partir de polígonos de desmatamento em células de 10 × 10 km); 2) compilação de um conjunto abrangente de amostras de treinamento para as classes de desmatamento; 3) aplicação do algoritmo de árvore de decisão C5.0 para classificar e validar os padrões de desmatamento [3] e 4) avaliação dos resultados da classificação através da análise da matriz de confusão gerada para as amostras de treinamento.

Durante a fase de treinamento, um único conjunto de amostras foi construído para os quatro anos analisados (ou seja, 2008, 2013, 2017 e 2021).

Isso permitiu que padrões não presentes em um determinado ano fossem incluídos em outro período, compondo uma tipologia única que considerou os padrões de desmatamento para todos os anos.

No total, foram coletadas 383 amostras de treinamento, das quais 60 correspondiam aos padrões difuso, florestal e geométrico; 58 ao padrão multidirecional; 55 ao padrão consolidado; e 45 aos padrões espinha de peixe e linear.

Devido à baixa frequência de alguns padrões de desmatamento na área de estudo, como os padrões linear e espinha de peixe, diferentes números de amostras foram selecionados para cada classe.

Após a coleta das amostras de treinamento, utilizamos o algoritmo C5.0 com seu recurso de “ boosting “, que gera um número predefinido de árvores onde a classificação final de cada segmento é aquela atribuída pela maioria das árvores de decisão [3].

O GeoDMA separou automaticamente 66% (254 amostras) das amostras coletadas para classificar os padrões (ou seja, geração de árvores de decisão) e 34% (129 amostras) para validação.