Análise Do Nível De Legenda De Classificação De Areas Urbanas Empregando Imagens Multiespectrais E Hiperespectrais Com Os Métodos Árvore De Decisão C4.5 E Floresta Randômica

Abstract

Resumo:Ambientes urbanos representam uma das áreas mais desafiadoras do sensoriamento remoto devido à grande diversidade encontrada nos materiais presentes na sua superfície. O uso de imagens com alta resolução espacial e alta resolução espectral surge como uma alternativa para aplicações urbanas, pois a combinação destas duas características permite uma melhor detecção e discriminação de alvos. O presente trabalho tem um duplo objetivo: i) avaliar dois conjuntos de dados na classificação fina de alvos urbanos para dois níveis de legenda (com 11 e 38 classes de cobertura do solo): um deles composto exclusivamente por uma imagem orbital multiespectral (WV-2) e o outro conjunto composto exclusivamente por uma imagem aerotransportada hiperespectral (SpecTIR), ii) bem como testar o desempenho de dois métodos diferentes de classificação de imagens, Árvore de Decisão C4.5 e Floresta Randômica (Random Forest), para ambos os níveis de legenda. Oito experimentos de classificação foram realizados para atender a tais objetivos de investigar a eficácia dos sensores e dos métodos em dois níveis de detalhamento. Foram obtidas classificações de elevada acurácia. Demonstrou-se para todos os níveis de

DELIMITAÇÃO DE VOÇOROCAS POR MEIO DE GEOBIA (Geographic Object Based Image Analysis) E MINERAÇÃO DE DADOS, UTILIZANDO PRODUTOS CARTOGRÁFICOS DE AERONAVES REMOTAMENTE PILOTADAS (ARP)

“…No entanto, vale ressaltar que as metodologias do estudo da autora apresentam métodos diferentes, não sendo objeto de comparação, mas sim de material complementar no que tange a delimitação de voçorocas por meio de GEOBIA e mineração de dados. Os estudos de Anjos et al (2017) apresentam resultados com valores de índice Kappa entre de 0,6712 a 0,7857, e de Exatidão Global variando de 70,07% a 81,52%, utilizando a GEOBIA e Mineração de dados em imagens hiperespectrais. A mineração de dados tem duas etapas primordiais, sendo a primeira, a seleção dos atributos mais relevantes, mediante o ranqueamento proposto pelos algoritmos existentes no software WEKA 3.8.…”

“…A seleção de atributos visa selecionar as melhores variáveis do conjunto de dados de entrada que serão utilizados na classificação. Nesse sentido, as imagens de entrada são transformadas ou sujeitas a operações aritméticas, a fim de gerar novos atributos e, assim, poder separar as classes de interesse com mais eficiência (Anjos et al 2017). Para o estudo utilizou-se três algoritmos (Tabela 4), a fim de analisar se haveria uma diferença significativa na qualidade da geração das árvores de decisão e, consequentemente, na classificação da imagem.…”

“…Anjos et al (2017) afirma que o parâmetro de escala é definido para controlar o tamanho médio dos segmentos. O autor ainda afirma que os valores de forma determinam o grau de segmentação em relação a cor;.…”

Analysis of VHR Image Classification by Single and Ensemble of Classifiers

“…It uses lots of unrelated decision trees. From the whole training data, different data sets are randomly created, one set for each tree (Anjos et al, 2017a). According to the literature, the RF accuracy outperforms other classifiers.…”