Detalhes bibliográficos
| Ano de defesa: |
2016 |
| Autor(a) principal: |
David Guimarães Monteiro França |
| Orientador(a): |
Cláudia Maria de Almeida |
| Banca de defesa: |
Hermann Johann Heinrich Kux,
Thales Sehn Körting,
Raul Queiroz Feitosa |
| 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: |
Urban areas have strategic importance for hosting the vast majority of the population, but these areas are dynamic and require continuous and updated mapping. As a consequence of this need, remote sensing (RS) plays a key role in mapping and updating these areas, providing systematic coverage and high geometrical quality, but the complexity of urban targets is a persistent theme in the literature and goes beyond spectral limitations. In this context, this work explored comparatively the potential and constraints of the WorldView-2 sensor (WV-2) in the fine classification of urban targets by means of non-parametric algorithms and having as a study object an area containing a large diversity of land cover materials, located at the campus of Campinas State University (UNICAMP), belonging to Sao Paulo state, Brazil. Data mining methods where explored in order to fulfill this task, refined by the boosting algorithm (AdaBoost.M1) they where also coupled to the geographical object-based image analysis (GEOBIA). Three algorithms were also analyzed for two legend levels: C4.5 (J48), C5.0 (See5) and CART, with and without the help of a digital height model (DHM). As a result, 12 classification scenarios where generated for a single image of the study area. The boosting algorithm displayed its efficiency in the 12 experiments by means of assisting the decision trees to reach thematic accuracy values of up to 0.74 to the first 12 legend classes (Level I) and up to 0.72 to 36 classes of the Level II. Regarding the comparative analysis among the algorithms, the CART algorithm with the help of the DHM, generated the decision tree model with the smallest number of rules among them. Lastly, we can conclude that the methodology hereby presented proved to be satisfactory in the data mining targeted to the object-based supervised classification of the WV-2 image related to the study area analyzed in this work. |
| Link de acesso: |
http://urlib.net/sid.inpe.br/mtc-m21b/2016/08.23.15.02
|
Resumo: |
Áreas urbanas possuem importância estratégica por abrigarem a imensa maioria da população brasileira, mas essas áreas são dinâmicas e demandam contínua atualização cartográfica. Tal necessidade posiciona o sensoriamento remoto orbital (SR) como ferramenta chave para o mapeamento e atualização dessas áreas, oferecendo cobertura sistemática e elevada qualidade geométrica. Mas a complexidade dos alvos urbanos é tema persistente na literatura e vai além das limitações espectrais. Neste contexto, este trabalho explorou as potencialidades e limitações do sensor WorldView-2 (WV-2) para a classificação fina de alvos urbanos, utilizando-se de algoritmos não-paramétricos e tendo como objeto de estudo uma área contendo grande diversidade de materiais de cobertura do solo, localizada em uma área-teste do campus da Universidade Estadual de Campinas (UNICAMP), São Paulo. De forma a cumprir essa tarefa, foram explorados métodos de mineração de dados, refinados pelo algoritmo híbrido de boosting (AdaBoost.M1) e conjugados a análise de imagens baseada em objetos geográficos (GEOBIA). Foram analisados três algoritmos de árvore de decisão: C4.5 (J48), C5.0 (See5) e CART em dois níveis de legenda de classificação, com e sem o auxílio de um modelo digital de altura (MDA). Como resultado, foram gerados 12 cenários de classificação para uma mesma imagem da área de estudo. O algoritmo de boosting se mostrou eficiente nos 12 experimentos de classificação, auxiliando as árvores de decisão a atingirem valores de exatidão temática de até 0,74 para 12 classes de legenda (Nível I) e 0,72 para 36 classes do Nível II. No que diz respeito à análise comparativa dos algoritmos, o CART com auxílio do MDA gerou o modelo de árvore de decisão com o menor número de regras dentre os algoritmos aqui apresentados. Por fim, conclui-se que a metodologia apresentada se mostrou satisfatória na mineração de dados visando à classificação supervisionada baseada em objeto da imagem WV-2 referente à área de estudo analisada neste trabalho. |
