Detalhes bibliográficos
| Ano de defesa: |
2016 |
| Autor(a) principal: |
Bruna Maria Pechini Bento |
| Orientador(a): |
Hermann Johann Heinrich Kux |
| Banca de defesa: |
Cláudia Maria de Almeida,
Thales Sehn Korting,
Francisco Cristiane Nunes |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Instituto Nacional de Pesquisas Espaciais (INPE)
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação do INPE em Sensoriamento Remoto
|
| Departamento: |
Não Informado pela instituição
|
| País: |
BR
|
| Resumo em Inglês: |
The Third Generation of Image Satellites has enabled the availability of more detailed orbital images with spatial, spectral, radiometric and temporal resolution. This opens new ways to explore the spatial complexity of the urban phenomenon. The analysis of those images through the traditional methods, which involves pixel-to-pixel and per region classifiers, results in limitations on class detail and, consequently, low accuracy. Therefore, the increase of the informative content of this new type of images has required from the users the search for new methodologies and tools to analyze them. The analysis approach of the image based on geographic object (GEOBIA Geographic Object-Based Image Analysis) represents a solution to overcome those limitations.The GEOBIA allows simulating the contextual view of a human interpreter using models of knowledge expressed by semantic networks.The construction of knowledge models is a complex task, which requires from the interpreter the previous knowledge of the scene and demands an extensive period for its realization. In this sense, data mining techniques have been widely used as a support tool for the construction of the semantic network.These come in the forefront of the technology to efficiently analyze complex databases, assisting scientists in non-trivial predictions. The decision trees are one of the most usedtypes of algorithms in data mining. In the classification of orbital images, those algorithms automatically select the most appropriate attributes to characterize the discriminated classes. The result is represented by a decision tree, which is a group of rules applied on the available attributes. This group of rules is afterwards converted in a semantic network, present in the GEOBIA platforms. The aim of this study is to analyze the performance of the algorithms of the decision tree and the regression tree to classify the urban land coverage. It proposes for that a methodology that uses jointly cognitive approaches and data mining. A test area of São José dos Campos SP was used as the base for this analysis, which is a scene from the image of the spatial high resolution optic sensor WorldView-2.Both algorithms presented good accuracy and it is worth mentioning that the decision tree accuracy on average presented values slightly higher than the regression tree. In what regards the tree models obtained in the experiments, the decision tree algorithm showed better generalization capacity in the formulation of the rules by attribute. As a consequence, it resorted to a smaller number of attributes and generated smaller tree sizes than the ones generated by the regression tree.The tested decision trees were supported by several softwares in the execution of the analyses. This posed as a challenge to the researchers in what regards the data integration, data format conversion, knowledge of the utilized software and also file replication. Albeit this study covered a reduced geographic area, it presented a high number of objects. Therefore, it is possible to conclude that, in a complete scene, the data volume may represent a bigger barrier. On the other hand, the regression trees that were tested belong to an integrated platform of GEOBIA, which benefits the user in reducing the time spent to execute all the image analysis stages. |
| Link de acesso: |
http://urlib.net/sid.inpe.br/mtc-m21b/2016/10.24.18.16
|
Resumo: |
A Terceira Geração de Satélites Imageadores proporcionou a disponibilização de imagens orbitais com resoluções espaciais, espectrais, radiométricas e temporais mais detalhadas, abrindo novos caminhos para se explorar a complexidade espacial do fenômeno urbano. No entanto, a análise dessas imagens pelos métodos tradicionais, que envolvem classificadores pixel a pixel e por região, resultam em limitações no detalhamento de classes e consequentemente baixas acurácias. Dessa maneira, o aumento do conteúdo informativo deste novo tipo de imagens, exigiu dos usuários a busca por novas metodologias e ferramentas para analisá-los. A abordagem da análise de imagem baseada em objeto geográfico (GEOBIA - Geographic Object-Based Image Analysis) representou uma solução para superar essas limitações. A GEOBIA permite simular a visão contextual de um intérprete humano, através de modelos de conhecimento expressos por redes semânticas. A construção de modelos de conhecimento é uma tarefa complexa, a qual exige do intérprete o conhecimento prévio da cena e demanda um longo período para a sua realização. Neste sentido, técnicas de mineração de dados têm sido amplamente utilizadas como ferramenta de apoio para a construção da rede semântica. Estas vêm na vanguarda das tecnologias analisar de forma eficiente bancos de dados complexos, auxiliando os cientistas nas previsões não triviais. Um dos tipos de algoritmos mais utilizados na mineração de dados são as árvores de decisão. Na classificação de imagens orbitais, estes algoritmos selecionam de forma automática, dentre os atributos disponíveis, os mais adequados na caracterização das classes a serem discriminadas. O resultado é representado por uma árvore de decisão, que é um conjunto de regras aplicadas sobre os atributos disponíveis. Este conjunto de regras é posteriormente convertido em uma rede semântica, presente em plataformas de GEOBIA. Este trabalho propõe uma metodologia empregando conjuntamente abordagens cognitivas e de mineração de dados com o objetivo de analisar o desempenho dos algoritmos de árvore de decisão e árvore de regressão para a classificação de cobertura do solo urbano. Como base para esta análise foi utilizada uma área teste do município de São José dos Campos - SP a partir de uma cena da imagem do sistema sensor óptico de alta resolução espacial WorldView-2. Ambos algoritmos apresentaram boas acurácias, sendo que a acurácia da árvore de decisão apresentou em média valores ligeiramente maiores do que a árvore de regressão. Quanto aos modelos de árvore obtidos nos experimentos, o algoritmo de árvore de decisão apresentou melhor capacidade de generalização na formulação das regras por atributo e, portanto, recorreu a um número menor de atributos e gerou menores tamanhos de árvores do que os gerados por árvore de regressão. As árvores de decisão testadas se apoiaram em mais de um programa computacional para executar suas análises, impondo desafios aos pesquisadores no que diz respeito a integração de dados, conversão de formato dos dados, o conhecimento do software a ser utilizado, além da replicação de arquivos. Uma vez que área de estudo cobre uma área geográfica reduzida e obteve um número elevado de objetos, quando for utilizada uma cena completa o volume de dados pode representar uma barreira ainda maior. Já as árvores de regressão testadas pertencem a uma plataforma integrada de GEOBIA, beneficiando o usuário quanto à redução de tempo para a realização de todas as etapas de análise de imagem. |
