Proposta de classificação e de pós-classificação baseada em objetos da cobertura e do uso da terra por meio de imagens obtidas por Veículo Aéreo Não Tripulado (VANT)

• Ano de defesa: 2019
• Autor(a) principal: Ruiz, Luis Fernando Chimelo
• Orientador(a): Guasselli, Laurindo Antônio
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sensoriamento remoto; Veículo aéreo não tripulado; Uso da terra
• Palavras-chave em Inglês: Data mining; Object-based Classification; Machine learning
• Link de acesso: http://hdl.handle.net/10183/189964

Uma das principais aplicações das imagens de sensoriamento remoto é a classificação da cobertura e do uso da terra. Para mapeamentos mais detalhados, utilizam-se atualmente imagens aéreas obtidas por Veículo Aéreo Não Tripulado (VANT). No entanto, essas imagens apresentam uma alta variabilidade espectral intraclasse e entreclasses, dificultando a classificação da cobertura e do uso da terra. A partir dessas considerações, esta tese tem como objetivos: (i) desenvolver e avaliar um método de reconhecimento de padrões não paramétrico para classificação baseada em objetos da cobertura e do uso da terra, denominado de Iterative K – Nearest Neighbors Algorithm (IKNN); (ii) propor e avaliar dois métodos de pósclassificação que consideram o contexto dos objetos, intitulados como: Votação dos Objetos Vizinhos (VOV) e Quantificação das Fronteiras dos Objetos (QFO); e (iii) desenvolver uma ferramenta automatizada para classificação baseada em objetos que integre reconhecimento de padrões e Análise de Imagens Baseada em Objetos, chamada de GeoPatterns. Foi utilizada uma ortoimagem aérea obtida por um Veículo Aéreo Não Tripulado (VANT) Echar 20B. Essa ortoimagem foi segmentada utilizando o método crescimento de regiões. As ferramentas e os métodos propostos foram desenvolvidos utilizando a linguagem de programação Python e as bibliotecas: Scikit-Learn (mineração de dados), Numpy (computação científica) e PyQGIS (integra Python e QGIS). O método IKNN possibilitou a seleção das características mais relevantes e o tratamento da sobreposição dos seus valores. Quando utilizado um limiar de confiança igual a 60%, IKNN resultou em uma Proporção Correta (PC) igual a 90,0%, o que foi superior aos métodos Support Vector Machine (SVM) e k – Nearest Neighbors (k-NN). O método de pós-classificação baseada em objetos, VOV, aumentou a acurácia da classificação de 92,5% para 95,7%, quando avaliados objetos da segmentação maiores que 7000 pixels. O método de pós-classificação QFO obteve resultados superiores, alcançando acurácias iguais a 97,0% para objetos da classificação maiores que 9400 pixels. O programa GeoPatterns viabilizou a integração de técnicas não paramétricas de reconhecimento de padrões e OBIA, assim como automatizou os processos de segmentação, amostragem e classificação dos objetos. A interface gráfica tornou mais acessível a classificação baseada em objetos da cobertura e do uso da terra por meio de imagens com resolução espacial submétrica obtidas por VANT.