{"id":5180,"date":"2024-07-29T12:25:48","date_gmt":"2024-07-29T15:25:48","guid":{"rendered":"https:\/\/www.ufsm.br\/unidades-universitarias\/ccne\/?p=5180"},"modified":"2024-08-09T14:42:15","modified_gmt":"2024-08-09T17:42:15","slug":"novo-modelo-estatistico-de-analise-de-imagens-digitais-pode-contribuir-para-o-combate-ao-desmatamento-ilegal","status":"publish","type":"post","link":"https:\/\/www.ufsm.br\/unidades-universitarias\/ccne\/2024\/07\/29\/novo-modelo-estatistico-de-analise-de-imagens-digitais-pode-contribuir-para-o-combate-ao-desmatamento-ilegal","title":{"rendered":"Novo modelo estat\u00edstico de an\u00e1lise de imagens digitais pode contribuir para o combate ao desmatamento ilegal"},"content":{"rendered":"\n

Em um avan\u00e7o significativo para a an\u00e1lise de imagens digitais, o egresso de estat\u00edstica V\u00edtor Bernardo Silveira Pereira desenvolveu em seu Trabalho de Conclus\u00e3o de Curso (TCC) o modelo <\/span>\u201cKumaraswamy Autorregressivo de M\u00e9dias M\u00f3veis Bidimensional\u201d<\/i><\/b>, orientado pelo docente do Departamento de Estat\u00edstica, Dr. F\u00e1bio Mariano Bayer. O trabalho tem o objetivo de transformar como processamos e entendemos dados de sensoriamento remoto.<\/span><\/p>\n

Para compreender a utilidade e a import\u00e2ncia do modelo que iremos chamar de <\/span>2-D KARMA<\/b> desenvolvido por V\u00edtor, \u00e9 essencial que primeiro possamos compreender alguns conceitos fundamentais. Esses conceitos ir\u00e3o fornecer uma pequena base necess\u00e1ria para apreciar como o modelo criado pelo egresso se diferencia e oferece vantagens na an\u00e1lise de imagens digitais. Vamos abordar os seguintes pontos: s\u00e9ries temporais, distribui\u00e7\u00f5es Kumaraswamy e Normal.<\/span><\/p>\n

\"\"
Legenda: Exemplo de distribui\u00e7\u00e3o Kumaraswamy. Fonte: Wikip\u00e9dia.<\/figcaption><\/figure>\n

Entendendo as \u201cS\u00e9ries Temporais\u201d e as diferen\u00e7as entre distribui\u00e7\u00f5es \u201cKumaraswamy\u201d e \u201cNormal\u201d<\/b><\/p>\n

Uma s\u00e9rie temporal \u00e9 um conjunto de dados medidos em intervalos regulares de tempo, como a quantidade de chuva registrada diariamente. Analisar a distribui\u00e7\u00e3o desses dados ajuda a entender padr\u00f5es e tend\u00eancias ao longo do tempo, permitindo previs\u00f5es precisas.<\/span><\/p>\n

Ap\u00f3s a coleta dos dados das s\u00e9ries temporais, eles ser\u00e3o distribu\u00eddos, conforme prefer\u00eancias metodol\u00f3gicas dos pesquisadores.\u00a0<\/span><\/p>\n

A <\/span>distribui\u00e7\u00e3o Kumaraswamy<\/b> \u00e9 uma distribui\u00e7\u00e3o flex\u00edvel, que pode assumir v\u00e1rias formas e \u00e9 ideal para modelar dados que est\u00e3o restritos a um intervalo espec\u00edfico, como propor\u00e7\u00f5es e porcentagens. Isso a torna particularmente \u00fatil para dados de sensoriamento remoto, onde os valores, como a propor\u00e7\u00e3o da \u00e1rea com a vegeta\u00e7\u00e3o, volume de \u00e1gua em uma faixa espec\u00edfica.<\/span><\/p>\n

\"\"
Legenda: A distribui\u00e7\u00e3o normal ou Gaussiana \u00e9 uma das mais importantes distribui\u00e7\u00f5es te\u00f3ricas e pr\u00e1ticas sendo utilizada na infer\u00eancia estat\u00edstica. Fonte: Departamento de Inform\u00e1tica e Estat\u00edstica da UFSC.<\/figcaption><\/figure>\n

Por outro lado, a distribui\u00e7\u00e3o Normal (Gaussiana)<\/strong> \u00e9 sim\u00e9trica e tem a forma de um sino. Ela \u00e9 usada para modelar vari\u00e1veis cont\u00ednuas que podem assumir qualquer valor real, especialmente quando os dados seguem um padr\u00e3o sim\u00e9trico em torno da m\u00e9dia, como alturas de pessoas, ou varia\u00e7\u00f5es di\u00e1rias de temperatura.<\/span><\/p>\n

Modelo 2-D KARMA<\/b><\/p>\n

O modelo Kumaraswamy Autorregressivo de M\u00e9dias M\u00f3veis Bidimensional, ou 2-D KARMA, criado por V\u00edtor, \u00e9 uma ferramenta avan\u00e7ada para analisar e fazer previs\u00f5es de imagens digitais. Ele foi criado para lidar com dados de imagens, especialmente aqueles obtidos por sat\u00e9lites, como imagens de vegeta\u00e7\u00e3o ou de \u00e1reas urbanas.<\/span><\/p>\n

Ele \u00e9 uma extens\u00e3o dos modelos tradicionais (modelos autorregressivos de m\u00e9dias m\u00f3veis –\u00a0 <\/span>ARMA<\/span><\/a>) que s\u00e3o usados para analisar dados que mudam ao longo do tempo. <\/span>No entanto, o 2-D KARMA \u00e9 uma vers\u00e3o bidimensional, o que significa que ele considera tanto as varia\u00e7\u00f5es espaciais (diferentes locais na imagem) ao inv\u00e9s das varia\u00e7\u00f5es temporais.<\/span><\/p>\n

O modelo \u00e9 “bidimensional” porque analisa a imagem em duas dimens\u00f5es \u2014 largura e altura. Isso permite que ele leve em conta a rela\u00e7\u00e3o entre pixels adjacentes, o que \u00e9 essencial para entender padr\u00f5es e caracter\u00edsticas na imagem, como a vegeta\u00e7\u00e3o em uma \u00e1rea ou a distribui\u00e7\u00e3o de constru\u00e7\u00f5es.<\/span><\/p>\n

Ao contr\u00e1rio de muitos modelos antigos que usam a distribui\u00e7\u00e3o Gaussiana (uma forma cl\u00e1ssica de distribui\u00e7\u00e3o de dados em formato de sino), o 2-D KARMA usa a distribui\u00e7\u00e3o Kumaraswamy (formato flex\u00edvel). Esta distribui\u00e7\u00e3o \u00e9 ideal para dados que est\u00e3o restritos a um intervalo espec\u00edfico. Isso \u00e9 comum em imagens de sat\u00e9lite, onde os dados dos pixels geralmente ficam dentro de um intervalo definido entre 0 (zero) e 255 (duzentos e cinquenta e cinco) e, sempre ao realizar a divis\u00e3o dos valores atribu\u00eddos aos pixels por 255, todos os valores da matriz ficam entre 0 (zero) e 1 (um).<\/span><\/p>\n

O 2-D KARMA pode prever como os dados de uma imagem devem se comportar e identificar qualquer coisa fora do comum (anomalias). Por exemplo, ele pode detectar \u00e1reas de uma imagem onde a vegeta\u00e7\u00e3o \u00e9 inesperadamente alta ou baixa, indicando poss\u00edveis problemas, como \u00e1reas de desmatamento ilegal.<\/span><\/p>\n

Processo de valida\u00e7\u00e3o do Modelo 2-D KARMA<\/b><\/p>\n

Para validar a efic\u00e1cia do modelo, foram realizadas diversas simula\u00e7\u00f5es e testes:<\/span><\/p>\n

Simula\u00e7\u00f5es de <\/b>Monte Carlo<\/b><\/a>: T\u00e9cnica estat\u00edstica ajuda a avaliar a performance do modelo em diferentes condi\u00e7\u00f5es e cen\u00e1rios, criando simula\u00e7\u00f5es para testar como o modelo se comporta em situa\u00e7\u00f5es variadas.\u00a0<\/span><\/p>\n

Imagens do \u00cdndice de Vegeta\u00e7\u00e3o por Diferen\u00e7a Normalizada <\/b>(<\/span>NDVI<\/span><\/a>)<\/span> reais de uma regi\u00e3o no estado da Para\u00edba:<\/b>\u00a0 Este \u00edndice \u00e9 uma ferramenta usada para monitorar caracter\u00edsticas das folhas e densidade da vegeta\u00e7\u00e3o a partir de imagens de sat\u00e9lite. Testar o modelo com dados reais \u00e9 fundamental porque garante que ele funcione bem em situa\u00e7\u00f5es pr\u00e1ticas e com dados que representam o mundo real.<\/span><\/p>\n

\"\"
Legenda: Compara\u00e7\u00e3o entre a imagem \u00f3ptica (\u00e0 esquerda) e a imagem NDVI (\u00e0 direita) em uma regi\u00e3o semi\u00e1rida do estado da Para\u00edba em maio de 2019. Na imagem NDVI, em verde escuro encontram-se \u00e1reas de maior densidade e altura da vegeta\u00e7\u00e3o e, as \u00e1reas em verde claro, marrons e avermelhadas, tem a vegeta\u00e7\u00e3o menos densa, mais escassa. Fonte: Pereira, 2023, p. 24.<\/figcaption><\/figure>\n

Imagens do \u00cdndice Global de Priva\u00e7\u00e3o Relativa em Grade (GRDI): <\/b>Este\u00a0 \u00edndice \u00e9<\/span> uma ferramenta usada para avaliar a pobreza e desigualdade em diferentes regi\u00f5es do mundo. Para isso, analisa dados de sat\u00e9lite e outros indicadores para identificar \u00e1reas com altos n\u00edveis de priva\u00e7\u00e3o e desigualdade. O GRDI ajuda a mapear e entender onde est\u00e3o as maiores car\u00eancias e desigualdades, oferecendo uma vis\u00e3o global das condi\u00e7\u00f5es de vida e permitindo que pol\u00edticas e interven\u00e7\u00f5es sejam direcionadas de maneira mais eficaz.<\/span><\/p>\n

Imagens artificiais:<\/b> Foram utilizados componentes sint\u00e9ticos (artificiais), inseridos pelos pr\u00f3prios integrantes da pesquisa, para simular esse efeito de componentes an\u00f4malos. Esta etapa de valida\u00e7\u00e3o foi realizada visando descobrir se o modelo poderia lidar com diferentes tipos de dados e cen\u00e1rios que n\u00e3o foram previstos inicialmente.<\/span><\/p>\n

—————<\/span><\/p>\n

O modelo 2-D KARMA \u00e9 importante por v\u00e1rias raz\u00f5es, trazendo diversas aplica\u00e7\u00f5es \u00fateis. A primeira delas \u00e9 que ele oferece uma precis\u00e3o superior na an\u00e1lise de dados que possuem limites fixos.<\/span><\/p>\n

Esses dados de sensoriamento remoto, como a intensidade da vegeta\u00e7\u00e3o ou \u00edndices como o NDVI, est\u00e3o limitados a um intervalo espec\u00edfico de valores. O NDVI, por exemplo, varia entre -1 e 1, onde -1 indica m\u00e1 qualidade ambiental da imagem analisada e 1 indica boa qualidade ambiental da imagem analisada . Outros \u00edndices, como o GRDI, variam entre 0 a 100, facilitando a aplica\u00e7\u00e3o do modelo. J\u00e1, no modelo 2-D KARMA, por exemplo, em imagens tanto coloridas como as de escala cinza, que cont\u00e9m seus intervalos em valores entre 0 e 255, basta dividir esses valores por 255 para que todos os valores originais resultem no intervalo de 0 a 1. Essa uniformiza\u00e7\u00e3o permite que o modelo lide de maneira eficaz com dados restritos a valores espec\u00edficos.\u00a0<\/span><\/p>\n

\u00a0Al\u00e9m disso, o modelo \u00e9 mais eficiente na detec\u00e7\u00e3o de problemas ou padr\u00f5es incomuns, reduzindo de maneira significativa o n\u00famero de erros, como falsos positivos, em compara\u00e7\u00e3o com modelos antigos. Isso torna o modelo n\u00e3o apenas mais preciso, mas tamb\u00e9m mais confi\u00e1vel na identifica\u00e7\u00e3o de anomalias.\u00a0<\/span><\/p>\n

Suas aplica\u00e7\u00f5es pr\u00e1ticas s\u00e3o amplas: ele pode ser utilizado para monitorar a sa\u00fade das florestas, detectar mudan\u00e7as no uso da terra e at\u00e9 avaliar condi\u00e7\u00f5es sociais e econ\u00f4micas em diferentes regi\u00f5es do mundo.<\/span><\/p>\n

Premia\u00e7\u00f5es e Reconhecimentos:<\/b><\/p>\n

O egresso e seu orientador tem sido amplamente reconhecido em premia\u00e7\u00f5es importantes em competi\u00e7\u00f5es cient\u00edficas e acad\u00eamicas pelo seu Trabalho de Conclus\u00e3o de Curso com base no desenvolvimento do modelo 2-D KARMA, sendo elas:<\/span><\/p>\n