banca.Rmd

---
title: APLICAÇÃO DE MÉTODOS DE APRENDIZADO DE MÁQUINA PARA CLASSIFICAÇÃO DE USO E COBERTURA DA TERRA EM IMAGENS DE SENSORIAMENTO REMOTO
author: "Alexandre de Tomy Silva"
date: "Outubro/2019"
output:
  beamer_presentation:
    theme: "Singapore"
    colortheme: "lily"
  ioslides_presentation: default
  slidy_presentation: default
---

<style type="text/css">

.title-slide hgroup h1 {
  font-size: 28px;
  letter-spacing: 0;
}

</style>

```{r setup, include=FALSE}
library(knitr)
library(kableExtra)
library(sf)
knitr::opts_chunk$set(echo = FALSE,
                      cache = TRUE,
                      message=FALSE,
                      cache.path = "./.cache/")
# kableExtra::kable_styling(latex_options = "scale_down")
```


# Introdução


## Introdução | *Sensoriamento Remoto*

- Imagens geradas por satélites

  - Observação da terra: monitoramento dos recursos

  - Coleta, distribuição e análise


## Intrudução | *Aprendizado de Máquina*

- Aprendizado de máquina

  - Reconhecimento de padrões de uso e cobertura da terra

  - Resultados como base para outras aplicações


## Introdução | *Dados e ferramentas*  

- Disponibilidade

  - Ambientes SIG integrados

  - Computação em núvem: processamento, armazenamento e distribuição

  - Reprodutibilidade


## Objetivo

- Desenvolvimento e estudo de modelos preditivos de classificação de imagens de sensoriamento remoto

  - Dados: **MapBiomas** e **Sentinel-2/MSI**

  - Área de interesse: Região do município de **Bauru**

  - Ferramentas: Linguagem **R** e **Google Earth Engine**

  - Classes: padrões de **uso e cobertura terrestre **

  - Algoritmos: **Máquina de Vetores Suporte** (linear com regularização e com função de base radial como núcleo) e **Florestas Aleatórias**



# Fundamentação Teórica


## Sensoriamento Remoto

> Sensoriamento  remoto  é  uma  técnica  de  obtenção  de  imagens  dos  objetos  da  superfície  terrestre  sem  que  haja  um  contato  físico  de  qualquer  espécie entre o sensor e o objeto.

- Presença de um **alvo** (superfície terrestre) que interage com a **energia** (radiação) provinda de uma **fonte** (luz solar), gerando uma resposta que é captada por um **sensor** (acoplado em um satélite).


## Aprendizado de máquina

- Aprendizado de Máquina é uma área da inteligência artificial que se refere ao desenvol-vimento de métodos que otimizam sua performance iterativamente aprendendo com dados


## Aprendizado de máquina | *Sensoriamento Remoto*

- Problema de **classificação** pixel a pixel, aplicando métodos **supervisionados** e **não paramétricos** 

- Classificadores paramétricos como máxima verissimilhança são muito utilizados

- Porém, os não paramétricos possuem melhores resultados


## Aprendizado de máquina | *Support Vector Machines*

- Achar o **limite de decisão** que separa as classes (binário)

- Projeção do espaço de características para uma dimensão maior

  - Funções de núcleo (polinomial, lineares, etc)


## Aprendizado de máquina | *Decision Trees*

- "Cortes" recursivos e repetidos

  - Cada corte gera um "tronco"

  - "Folhas" são as classes


## Aprendizado de máquina | *Random Forests*

- Conjunto de Árvores de Decisões

- Classe será definida pelo "voto" da maioria das árvores da floresta

  - Previne problema de **alto viés**

- Cada árvore é treinada com um único subconjunto de teste e variáveis

  - Uma árvore será menos precisa, porém, menos correlacionada com as outras



# Metodologia


## Dados | *MapBiomas*

>O projeto MapBiomas é uma iniciativa multi-institucional para gerar mapas anuais de cobertura e uso do solo a partir de processos de classificação automática aplicada a imagens de satélite.


## Dados | Sentinel-2/MSI

- Programa Sentinel

  - Resolução espacial média (10-30m)

  - Sensor multiespectral

  - Dados abertos desde 2013


## Ambientes | *R*

- Linguagem de paradigmas funcional e orientado a objeto

- Muito utlizada para análises estatísticas

- Ambiente integrado com bibliotecas de dados geoespaciais

- Forte documentaçãoo


## Ambientes | *Google Earth Engine*

- Ambiente de computação em núvem

- Diversas coleções de dados de satélite

- Processamento extremamente rápido

- Utilizado pelo MapBiomas


## Etapas

![]("./monografia/rascunhos/figs/etapas.png")



# Desenvolvimento


## Aquisicao dos Dados | Satélite Sentinel-2

```{r}
sentinel_bandas <- read.csv("./dados/satelite/sentinel/bandas.csv") 

sentinel_bandas %>% kable() %>% 
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

# 
# xtable::xtable(sentinel_bandas)
# sentinel_bandas %>% 
#   xtable(label = "sentinel-bandas",
#          caption = "Características das bandas do sensor multiespectral MSI do Satélite Sentinel-2") %>%
#   print(file = "./saida/tex/table_sentinel-bandas.tex") %>% 
```

## Aquisicao dos dados | Satélite Sentinel-2

```{r, fig.align='center'}
sentinel <- raster::brick("./dados/satelite/sentinel/sentinel.tif")
# pdf("./saida/tex/plot_sentinel-rgb.pdf")
# raster::plotRGB(sentinel,r=3,g=2,b=1, stretch = "lin")
# dev.off()
raster::plotRGB(sentinel,r=3,g=2,b=1, stretch = "lin")
sp_shp <- st_read("./dados/ibge/35MUE250GC_SIR.shp", quiet = TRUE)
# bauru_shp <- sp_shp %>%  
#   filter(NM_MUNICIP == "BAURU")
# plot(bauru_shp, lwd=2, add=TRUE)
```

## Aquisição dos dados | Seleção das amostras

```{r}
samples <- sf::st_read("./saida/shapefile/pontos_amostra_sp.shp", quiet = TRUE)

# pdf("./saida/tex/plot_pontos-amostra.pdf")
plot(sp_shp$geometry)
plot(samples, add=TRUE)
# dev.off()
```

## Aquisição dos dados | Seleção das amostras

```{r}
kable(table(samples$CERRADO)) %>% 
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
```


## Extracao de características | Indice de vegetacao

```{r}
ndvi <- readRDS("./saida/plots/plot_ndvi.rds")

# pdf("./saida/tex/plot_ndvi.pdf")
# raster::plot(ndvi, axes = FALSE, box = FALSE)
# dev.off()
raster::plot(ndvi, axes = FALSE, box = FALSE)

# RStoolbox::ggR(ndvi)
# plot(ndvi)
```

## Extracao de características | Seleção das bandas

```{r}
bandas <- readRDS("./saida/plots/plot_bandas.rds")
plot(bandas)
```

## Reamostragem

```{r}
amostras_treino <- readRDS("./saida/modelos/amostras_treino.rds")
amostras_teste <- readRDS("./saida/modelos/amostras_teste.rds")
kable(table(amostras_treino$Classe), caption = "Amostras para treino") %>% 
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
```
## Reamostragem

```{r}
kable(table(amostras_teste$Classe), caption = "Amostras para teste") %>% 
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
```



## Treinamento | SVM Linear

```{r}
plot_svm_linear <- readRDS("./saida/modelos/plot_svm_linear.rds")
# pdf("./saida/tex/plot_svm-linear.pdf")
# dev.off()
plot_svm_linear
```

## Treinamento | SVM Radial

```{r}
plot_svm_radial <- readRDS("./saida/modelos/plot_svm_radial.rds")
# pdf("./saida/tex/plot_svm-radial.pdf")
# dev.off()
plot_svm_radial
```

## Treinamento | Random Forests

```{r}
plot_rf <- readRDS("./saida/modelos/plot_rf.rds")
# pdf("./saida/tex/plot_rf.pdf")
# dev.off()
plot_rf
```

## Predição | SVM Linear

```{r}
map_svm_linear <- readRDS("./saida/mapas/map_svm_linear.rds")
# pdf("./saida/tex/map_svm-linear.pdf")
# dev.off()
map_svm_linear
```

## Predição | SVM Radial

```{r}
map_svm_radial <- readRDS("./saida/mapas/map_svm_radial.rds")
# pdf("./saida/tex/map_svm-radial.pdf")
# dev.off()
map_svm_radial
```

## Predição | SVM Radial

```{r}
map_rf <- readRDS("./saida/mapas/map_rf.rds")
# pdf("./saida/tex/map_rf.pdf")
# dev.off()
map_rf
```

## Mapa de referência | Mapbiomas

```{r}
map_mapbiomas <- readRDS("./saida/mapas/map_mapbiomas.rds")
# pdf("./saida/tex/map_mapbiomas.pdf")
# dev.off()
map_mapbiomas
```

## Avaliação de precisão

- Matriz de erro para cada modelo com 100 pontos de amostras de cada classe extraídos do *raster* do MapBiomas

```{r}
matriz_confusao <- readRDS("./saida/tabelas/confusao.rds")
kable(matriz_confusao) %>% 
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
```


## Considerações

- Classes que sofreram confusão (ex: formacao_florestal e floresta_plantada)
  - Variáveis preditoras insuficientes
- Classes predominantes na classsificação com MVS radial

# Conclusão

## Conclusão

- Sistemas de Sensoriamento Remoto que permitem imageamento da superfície terrestre
- Um modelo preditivo bem ajustado depende de uma série de considerações a serem avaliadas
- Aplicações: Monitoramento de recursos; análises temporais; planejamento urbano; cruzamento de dados; entre outras aplicações
- Trabalhos futuros: comparação com outra base de dados; seleção de amostras de outras regiões; etapas adicionais de pré processamento e extração de características; utilização de outros algoritmos como Redes Neurais Artificiais

##
\begin{center}
Dúvidas?
\end{center}

##
\begin{center}
Obrigado!
\end{center}