[en] A KNOWLEDGE-BASED APPROACH FOR AUTOMATIC INTERPRETATION OF MULTIDATE REMOTE SENSING DATA

• Ano de defesa: 2009
• Autor(a) principal: GILSON ALEXANDRE OSTWALD PEDRO DA COSTA
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] SENSORIAMENTO REMOTO; [pt] PROCESSAMENTO DIGITAL DE IMAGENS; [pt] INTERPRETACAO BASEADA EM CONHECIMENTO; [en] REMOTE SENSING; [en] DIGITAL PROCESSING OF IMAGES; [en] KNOWLEDGE BASED INTERPRETATION
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=14130&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=14130&idi=2; http://doi.org/10.17771/PUCRio.acad.14130

[pt] O objetivo genérico desta Tese foi o desenvolvimento de técnicas computacionais baseadas em conhecimento para apoiar a interpretação automática de dados de sensoriamento remoto multi-temporais, com ênfase na investigação da aquisição e representação explícita de conhecimento temporal, bem como na sua integração com outros tipos de conhecimento dentro do processo de interpretação. Dois objetivos específicos, inter-relacionados, foram perseguidos: (i) o desenvolvimento de um novo método de classificação baseado no conceito de cadeias nebulosas de Markov (CNM), que provê meios para a estimação de seus parâmetros temporais e para a utilização de conhecimento temporal no processo de classificação; e (ii) a modelagem e implementação de um ambiente baseado em conhecimento, de código livre, para a interpretação de dados de sensoriamento remoto. Para validar o novo método de classificação multitemporal, foram realizados experimentos voltados à interpretação de uma seqüência de três imagens LANDSAT de uma área na Região Centro-Oeste do Brasil, utilizando um método estocástico e outro analítico para a estimação das matrizes de transição de classes que compõem o modelo CNM. Enquanto os classificadores mono-temporais obtiveram uma acurácia média por classe de 55%, o esquema multi-temporal alcançou acurácias entre 63% e 94%. Resultados semelhantes em termos de acurácia global foram verificados. Além disso, quando comparado a abordagens multi-temporais correlatas, o método proposto obteve melhores resultados. De forma a validar o ambiente baseado em conhecimento aqui proposto, o método CNM foi implementado através de suas funcionalidades. Um conjunto de experimentos nos quais diferentes variações do método CNM, estruturadas no novo ambiente, foi executado satisfatoriamente.