Baixe o app para aproveitar ainda mais
Prévia do material em texto
MOLUSCE Modules for Land Use Change Evaluation Guia Rápido (Tradução de Renato Cabral Bossle) (MOLUSCE ver. 3.*) Licença Exceto quando indicado, o conteúdo desta obra está licenciado sob uma Licença Creative Commons Attribution-Share Alike 3.0 Unported. 2 Sumário 1. Visão geral do plug-in .................................................................................................................................. 3 1.1. Introdução ............................................................................................................................................ 3 1.2. O que é MOLUSCE? ................................................................................................................................ 3 1.3. Funções ................................................................................................................................................. 3 2. Como usar o MOLUSCE ................................................................................................................................. 4 2.1. Entradas ................................................................................................................................................ 4 2.2. Avaliação de correlação ......................................................................................................................... 5 2.3. Variações de área .................................................................................................................................. 6 2.4. Modelagem de potencial de transição .................................................................................................... 7 2.4.1. Rede Neural Artificial (ANN) ............................................................................................................ 7 2.4.2. Avaliação Multi-Critério (MCE) ........................................................................................................ 8 2.4.3. Pesos de Evidência (WoE) ................................................................................................................ 9 2.4.4. Regressão Logística (LR) ................................................................................................................ 10 2.5. Simulação Autômata Celular ................................................................................................................ 11 2.6 Validação ............................................................................................................................................. 12 3 1. Visão geral do plug-in 1.1. Introdução Softwares construídos em plataformas de código aberto estão progressivamente e de forma ampla se popularizando nos setores público e privado. Em Sistemas de Informações Geográficas (SIGs), os pacotes de software de código aberto, como o QGIS, estão sendo utilizados significativamente. Mais importante ainda: estes softwares possuem uma personalização e desenvolvimento sem fim, uma vez que os desenvolvedores criam plug- ins específicos com muita flexibilidade. A Asia Air Survey Co., Ltd. (AAS), desde 2012, tem direcionado seus esforços para o incentivo ao software de fonte aberta tornando-se o primeiro patrocinador ouro do QGIS em todo o mundo. Em virtude do software de código aberto começar a ser usado mais amplamente para uso interno e em projetos internacionais, a AAS também iniciou o desenvolvimento de soluções open source com o objetivo de ampliar ainda mais seu mercado. 1.2. O que é MOLUSCE? AAS lançou o MOLUSCE (Modules for Land Use Change Evaluation - Módulos de Avaliação de Mudanças no Uso do Solo) no FOSS4G 2013. MOLUSCE é um plug-in de fácil utilização para QGIS 2.x. Ele é concebido para analisar, modelar e simular mudanças no uso e cobertura do solo. O plug-in incorpora algoritmos bem conhecidos, que podem ser utilizados na avaliação de mudanças no uso e cobertura do solo, análise das variações do uso e ocupação do solo em áreas urbanas, bem como em aplicações e projetos de cunho florestal. MOLUSCE é ferramenta de excelência em: análise do uso da terra e mudanças na cobertura florestal entre diferentes períodos de tempo; modelagem de transição potencial do uso e ocupação da terra ou de áreas com risco eminente de desmatamento; e simulação futura do uso da terra e de mudanças da cobertura florestal. 1.3. Funções A interface do MOLUSCE é extremamente amigável e fácil de entender, com funções específicas agrupadas nos seguintes módulos básicos: Módulo de Entrada (Input module) Local onde são introduzidos os mapas de cobertura e uso do solo de diferentes épocas, além de dados de variáveis socioeconômicas e ambientais tais como o sistema viário, rede hidrográfica, dados topográficos, populacionais, etc. Módulo de Avaliação de Correlação (Evaluating correlation)1 Este módulo dispõe de técnicas para realizar a análise de correlação. Análise de variação de área (Area change analysis) Calcula a variação no uso e ocupação do solo entre dois períodos distintos de tempo (T¹ e T²). Neste módulo são produzidas matrizes de transição para o uso e ocupação, bem como mapas de alterações no uso do solo. Métodos de modelagem (Modelling methods) São utilizados quatro métodos para a modelagem de potencial de transição do uso e ocupação do solo: Rede Neural Artificial (ANN, do inglês, Artificial Neural Networks), Regressão Logística (LR), Avaliação Multi-Critério (MCE) e Pesos de Evidência (WoE). 1 Esta descrição não consta do documento original, mas é tratada posteriormente na sequência do referido guia, razão de sua inclusão nesta tradução (Nota do tradutor). 4 Simulação (Simulation) Mostra mapa de potencial de transição, função certeza (em caráter experimental) e resultados da simulação. Um mapa de uso e cobertura do solo simulado (projetado) é produzido com base em um modelo autômato-celular na abordagem Monte Carlo. Validação (Validation) Este sub-módulo incorpora estatísticas kappa (kappa padrão, histograma kappa e locação kappa), as quais são utilizadas para validar a acurácia dos mapas simulados de uso e cobertura do solo. 2. Como usar o MOLUSCE 2.1. Entradas Os dados podem ser introduzidos usando a aba entradas (inputs). 1 Todos os arquivos matriciais (raster) são carregados nesta aba (inputs). Carregue os rasters inicial e final de uso e ocupação do solo conforme mostrado nos campos 2 e 3. Estes arquivos base determinam a geometria de todos os arquivos de saída, tamanho do pixel, escala e projeção. Os campos 4 e 5 mostram os anos correspondentes a cada arquivo base (eles devem ser digitados pois não aparecem automaticamente). Os campos 6 e 7 mostram os botões para adicionar/remover variáveis espaciais, as quais são mostradas no campo 8. O botão 9 (Check geometry) deve ser acionado para verificar se as geometrias são coincidentes. Nota: É importante que o campo NDV (No Data Value) esteja marcado em cada camada adicionada ao QGIS. Se isto não ocorrer, o MOLUSCE processará as áreas sem valor de dados como classes de uso ou ocupação do solo, aumentando o tempo de processamento e prejudicando a calibração do modelo. O MOLUSCE adiciona o NDV da camada base de entrada e o propaga a cada mapa de saída, juntamente com a geometria da camada base. 5 2.2. Avaliação de correlação O módulo de avaliação de correlação contém três técnicas para a execução da análise de correlação: 1. Correlação de Pearson 2. Coeficiente de Cramer 3. Incerteza de informação conjunta O usuário pode escolher realizar uma comparação entre dois raster, selecionando o primeiro e o segundo raster, ou entre todos os raster carregados no MOLUSCE. O utilizador pode executar a correlação, pressionando Verificação (Check) localizado na parteinferior da janela. Nota: As técnicas do Coeficiente de Cramer e de Incerteza de informação conjunta trabalham apenas com dados categóricos. Os dados devem ser categorizados previamente (por ex. com o uso do GRASS). 6 2.3. Variações de área O botão inferior Atualizar tabelas (Update tables) produz tabelas de Estatísticas das classes (Class statistics) e de Matriz de Transição (Transition matrix). As tabelas de Estatísticas das classes (Class statistics) mostram as áreas inicial e final de cada uso/cobertura do solo alterado. A Matriz de transição (Transition matrix) mostra a proporção de pixels modificados de um para outro uso/cobertura. O botão inferior Criar mapa de alterações (Create change map) gera um raster com as alterações nas classes. Esta nova camada será adicionada automaticamente ao QGIS e salva como GeoTiff. Nota: Os dados das tabelas podem ser copiados e colados diretamente em programas de planilhas, simplesmente selecionando as linhas e colunas desejadas e utilizando as famosas combinações Ctrl-C e Ctrl-V. 7 2.4. Modelagem de potencial de transição MOLUSCE utiliza os métodos de Rede Neural Artificial (ANN, do inglês, Artificial Neural Networks), Avaliação Multi-Critério (MCE), Pesos de Evidência (WoE) e Regressão Logística (LR) para a modelagem de potencial de transição do uso e ocupação do solo. O usuário pode selecionar um método a partir da guia Transition Potencial Modelling. 2.4.1. Rede Neural Artificial (ANN) Em Definir Amostras (Define Samples) podem ser especificados o número de amostras (Number of samples) e o tipo de amostragem (Mode). Além disso, os pontos de amostragem criados podem ser salvos (Save samples...) e exibidos (Add to canvas). Cinco entradas são necessárias para personalizar uma modelagem ANN: Vizinhança (Neighbourhood) define a quantidade de pixels vizinhos ao pixel corrente. Tamanho = 1 significa 9 pixels (matriz 3x3); tamanho = 2 significa 25 pixels (matriz 5x5), e assim por diante. Taxa de aprendizagem (Learning rate), Momentum e Maximum iterations (Iterações máximas) definem os parâmetros da aprendizagem. Grande taxa de aprendizagem permite uma aprendizagem rápida, mas instável (picos no gráfico); taxa de aprendizagem pequena e dinâmica significa uma aprendizagem estável, porém lenta. Camadas Ocultas (Hidden Layers) é o local de entrada para uma lista de números n1, n2, ..., nk, onde n1 é o número de neurônios na primeira camada oculta, n2 na segunda e assim por diante até nk, que é o número de neurônios na última camada oculta (camada kth). Por exemplo, se o usuário digita "2" será criada uma rede com apenas uma camada escondida com 2 neurônios. Para criar uma rede com duas camadas ocultas o usuário deve inserir 2 números, por exemplo 10 2, onde 10 será o número de neurônios da primeira camada oculta e 2 o número de neurônios da segunda camada oculta. Os seguintes resultados são propostos (para a atual iteração de aprendizagem): A área gráfica contém os conjuntos de erros de treinamento e de validação. Representa a principal informação do processo de aprendizagem. O gráfico pode ser editado e salvo como imagem. O campo " Validação Global do Erro Mínimo" (Min Validation Overall Error) contém informação sobre o erro mínimo encontrado na validação do conjunto de amostras. O campo "Variação da Precisão Global" (Δ Overall Accuracy) mostra a diferença entre o erro encontrado e o erro atual. O campo "Validação Kappa Atual" (Current Validation Kappa) mostra o valor kappa. O processo é iniciado quando se clica no botão Train neural network e pode ser interrompido a qualquer momento pressionando-se o botão Stop. O algoritmo do processo de aprendizagem analisa a precisão alcançada nos conjuntos de amostras de treinamento e validação e armazena a melhor rede neural na memória. O processo termina quando a melhor precisão possível é atingida. 8 2.4.2. Avaliação Multi-Critério (MCE) O usuário pode definir os valores dentro de uma Matriz de Comparação Pareada (Pairwise Comparison Matrix). Pode, também, selecionar quais classes quer utilizar para o modelo de treinamento mudando os valores de uma classe (From class) para outra (To class) na parte inferior da janela. O modelo inicia-se pressionando o botão Treinamento do modelo (Train model). Os pesos da variável espacial aparecerão na matriz de pesos (weights matrix). 9 2.4.3. Pesos de Evidência (WoE) O método WoE propõe duas maneiras de definir os níveis de quebra. O usuário pode definir um número de intervalos ou especificar os valores dos níveis de quebra. Quando o botão Calcular Níveis de quebra (Calculate Range breaks) é pressionado, as informações dos pesos para cada transição são produzidas. Uma vez que o usuário esteja satisfeito com os pesos pode, então, pressionar o botão Treinamento do modelo (Train model). 10 2.4.4. Regressão Logística (LR) O método de Regressão Logística (RL) oferece a possibilidade de definir amostras (número de amostras e modo de amostragem) assim como salvar e exibir os pontos amostrais criados. Duas entradas são utilizadas para customizar o modelo LR: A Iteração Máxima (Maximum iteration) define o número total de iterações. A Vizinhança (Neighbourhood) define a quantidade de pixels vizinhos ao pixel corrente. Tamanho = 1 significa 9 pixels (matriz 3x3); tamanho = 2 significa 25 pixels (matriz 5x5), e assim por diante. Os seguintes resultados são propostos (para a atual iteração de aprendizagem): O Pseudo R-quadrado mostra a qualidade do ajuste A guia Coeficientes A guia Desvios padrão A guia Valores-p Para rodar o modelo basta pressionar o botão Ajuste do modelo (Fit model). Nota: Para informações adicionais sobre as saídas LR consulte o manual "Informação técnica: Métodos e Algoritmos" 11 2.5. Simulação Autômata Celular Tendo sido escolhido o método a partir da aba Modelagem de Potencial de Transição (Transition Potencial Modelling), o usuário pode, então, acessar a guia Simulação Autômata Celular (Cellular Automata Simulation). Lembre-se que o MOLUSCE guarda na memória o último método processado; se, por exemplo, o usuário rodar primeiro o método ANN (Rede Neural Artificial) e, em seguida, o LR (Regressão Logística), a guia Simulação Autômata Celular usará os resultados do método LR. Três tipos de mapas são produzidos. Uma caixa de seleção antes de cada tipo de mapa de saída permite ao usuário habilitar somente o que for necessário. O botão Procurar... (Browse...) localizado ao final de cada saída permite salvar cada mapa. O botão Prefixo dos mapas de potencial de transição (Prefix of transition potencial maps) permite selecionar o prefixo dos nomes dos mapas de potencial de transição. Um mapa de potencial de transição mostra a probabilidade ou potencial de mudança de uma para outra classe de uso/cobertura do solo. Os valores do potencial de transição variam de 0 (baixo potencial de transição) a 100 (alto potencial de transição). Estes mapas de potencial de transição são produzidos a partir das correspondentes mudanças de uso/cobertura do solo (por exemplo, "Floresta" para "Desmatamento" ou "Floresta" para "Solo exposto"). A Função de segurança (Certainty function), como mencionado anteriormente, está em fase experimental. O Resultado da simulação (Simulation result) produz um mapa simulado do uso/cobertura do solo. 12 2.6 Validação A aba Validação (Validation) permite ao usuário checar, validar e comparar os resultados das simulações. Mapa de Referência (Reference Map) e Mapa Simulado (Simulated Map) de uso/cobertura do solo devem estar carregados para que se possa iniciar o processo de validação. T³ refere-se ao mapa de uso/cobertura do solo resultante. T¹ refere-se ao uso/ocupação do solo inicial, enquanto T² diz respeito ao uso/ocupação do solo final usado no modelo. O botão Procurar...(Browse...) localizado após cada uma das saídas permite carregar o mapa desejado. Um mapa de comparação de duas vias é criado a partir dos mapas de referência (T³) e de mapas simulados de uso/ocupação do solo. A fim de realizar um mapa de comparação de três vias, o usuário pode marcar a caixa de seleção Mapa de Validação das Classes de Risco (Risk Class Validation Map). Ainda que não seja mostrado explicitamente, o mapa de comparação de três vias usa o mapa de uso/ocupação inicial do solo (T¹), o mapa de uso e ocupação resultante, ou mapa de referência (T³), e o mapa simulado de uso/cobertura do solo (T²). O método Estimativa de múltipla-resolução (Multiple-resolution budget) é também usado no MOLUSCE. O usuário pode decidir o número de iterações de validação (Number of validation iterations) e iniciar o processo clicando no botão Iniciar validação (Start validation). O gráfico pode ser editado e salvo como imagem. A precisão geral (% de acerto, % of Correctness), Kappa (overall), Kappa (histo) e Kappa (loc) podem ser executadas clicando-se no botão Calcular kappa (Calculate kappa).
Compartilhar