Detalhes bibliográficos
| Ano de defesa: |
2017 |
| Autor(a) principal: |
Paulo Roberto da Silva Ruiz |
| Orientador(a): |
Cláudia Maria de Almeida,
Camila Souza dos Anjos Lacerda |
| Banca de defesa: |
Hermann Johann Heinrich Kux,
Elcio Hideiti Shiguemori |
| 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: |
At the end of the 1990s, orbital remote sensing began to offer very high spatial resolution images. Since then, this novelty has fostered new possibilities of scientific investigation in the scope of urban studies. The very high spatial resolution enables a more accurate and efficient identification of urban targets, opening up new paths for studying the intraurban environment. Today, as most of the world population resides in cities, urban planning cannot be done without an efficient urban mapping. In this sense, remote sensing of high spatial resolution plays a decisive role, though still presents many challenges. One of these is to combine high spatial resolution with more than four multispectral bands, which is the case of WorldView-2 (WV-2), an eight-band system, and WorldView-3 (WV-3), which has 16 spectral bands meant for imaging the Earth surface. Urban mapping improves quality with spectral refinement, however suitable classification methods must be investigated to optimize this task. In this context, the present work seeks to evaluate the performance of two decision tree induction algorithms to be applied in the classification of two scenes, WV-2 and WV-3, covering a transect within the campus of the Campinas State University, São Paulo. For each dataset, four classifications were made applying the Best First Tree (BFTree) and Logistic Model Tree (LMT) algorithms at two different legend levels. Legend Level 1 presents 11 urban land use classes for both datasets (WV-2 and WV-3) and Legend Level 2 presents 38 classes for the WV-2 data and 42 classes for the WV-3 data. The classifications achieved very good accuracies, with Kappa indices ranging from 0.6129 to 0.7863 and the overall accuracy lying between 64.41\% and 82.27\%. The comparisons among the classifications results were performed by means of hypothesis tests. The tests comparing the algorithms performance for the different datasets and legend levels demonstrated that the LMT algorithm was significantly superior to the BFTree algorithm. Regarding the performance of the two datasets, even though the greater number of classes at the Legend Level 2, the WV-3 data when classified by the LMT algorithm performed better than the WV-2 data, also at the Legend Level 1. Finally, this work corroborated the need to improve the spatial and spectral resolutions of the orbital data for the precise identification of the urban targets as well as the adoption of appropriate data mining algorithms for this purpose. |
| Link de acesso: |
http://urlib.net/sid.inpe.br/mtc-m21b/2017/03.23.16.13
|
Resumo: |
A partir do final dos anos 1990, o sensoriamento remoto orbital passou a oferecer imagens de elevada resolução espacial. Desde então, essa novidade fez florescer novas possibilidades no panorama dos estudos urbanos. A alta resolução espacial permite identificar com mais eficiência os alvos característicos das cidades, inaugurando uma nova era no estudo do espaço intraurbano. Atualmente, como a maioria da população mundial reside em cidades, o planejamento urbano não pode prescindir de um eficiente mapeamento urbano. Nesse sentido, o sensoriamento remoto de alta resolução espacial possui papel decisivo, mas apresenta ainda inúmeros desafios. Um deles é aliar alta resolução espacial a mais de quatro bandas multiespectrais, que é o caso dos sensores WorldView-2 (WV-2), detentor de oito bandas, e WorldView-3 (WV-3), detentor de 16 bandas espectrais imageadoras da superfície terrestre. O mapeamento urbano ganha qualidade com o refinamento espectral, todavia métodos adequados de classificação devem ser investigados para otimizar essa tarefa. Nesse contexto, o presente trabalho busca avaliar o desempenho de dois algoritmos de indução de árvores de decisão para serem aplicados na classificação de duas cenas, uma do WV-2 e a outra do WV-3, referente a um transecto do campus da Universidade Estadual de Campinas, São Paulo. Para cada conjunto de dados, foram realizadas quatro classificações aplicando os algoritmos de árvore de decisão Best First Tree (BFTree) e Logistic Model Tree (LMT) em dois diferentes níveis de legenda de classificação. O Nível de Legenda 1 apresenta 11 classes de cobertura do solo urbano tanto para a cena do WV-2 como para aquela do WV-3, e o Nível de Legenda 2 apresenta 38 classes para a cena do WV-2 e 42 classes para a cena do WV-3. As classificações alcançaram acurácias consideradas muito boas, em que os índices Kappa variaram de 0,6129 a 0,7863 e as exatidões globais entre 64,41\% e 82,27\%. As comparações entre os resultados das classificações foram realizadas por meio de testes de hipótese. Os testes comparando o desempenho dos algoritmos para os distintos conjuntos de dados e níveis de legenda demonstraram que o algoritmo LMT foi significantemente superior ao algoritmo BFTree. No tocante ao desempenho dos conjuntos de dados de ambos os sensores, mesmo possuindo mais classes no Nível de Legenda 2, os dados do WV-3, quando classificados pelo algoritmo LMT, obtiveram desempenho superior em relação àqueles do WV-2, inclusive no Nível de Legenda 1. Por fim, o desenvolvimento deste trabalho elucidou a necessidade de melhoria das resoluções espaciais e espectrais dos dados orbitais para a identificação precisa dos alvos urbanos, bem como a adoção de algoritmos de mineração de dados apropriados para esse fim. |
