Ciências Exatas e Tecnológicas
URI permanente desta comunidadehttps://locus.ufv.br/handle/123456789/4
Navegar
1 resultados
Resultados da Pesquisa
Item Uso de informações contextuais no processo de classificação de imagens do sensoriamento remoto(Universidade Federal de Viçosa, 2008-07-08) Assis, Leonardo Campos de; Rodrigues, Dalto Domingos; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4780466U6; Silva, Antônio Simões; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781844Y2; Vieira, Carlos Antonio Oliveira; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728250D0; http://lattes.cnpq.br/7358954562509101; Gleriani, José Marinaldo; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4791933J1; Silva, Fabyano Fonseca e; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4766260Z2; Oliveira, Leonardo Castro de; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4786641Y8; Vasconcellos, José Carlos Penna; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4730828H3A utilização de informações exclusivamente espectrais para classificação de imagens tem se mostrado pouco eficiente frente aos complexos cenários que o avanço tecnológico de observação terrestre oferece. Por esse motivo, a pesquisa apresentada nesta dissertação propõe a consideração de informações contextuais para auxiliar no processo de classificação de imagens digitais do sensoriamento remoto. Para demonstrar a viabilidade da proposta, aplicou-se a metodologia no estudo de caso para determinação de áreas de vegetação no Município de Belo Horizonte MG. Através de contato com órgãos da Prefeitura de Belo Horizonte, provedores dos dados espaciais, foram estabelecidas as classes informacionais a serem discriminadas pelo processo. Os dados constavam de planos de informação vetoriais e imagens multiespectrais do satélite artificial QuickBird 2. Após edição de parte dos dados vetoriais e posterior conversão para o formato raster, aliada ao processo de atenuação dos efeitos atmosféricos e ortorretificação das imagens, iniciou-se a aplicação do método. Primeiramente foram levantadas quais informações contextuais seriam úteis à identificação das classes informacionais almejadas, em seguida realizaram-se procedimentos para se obtê-las. Optou-se então por tratar a modelagem do contexto por meio de duas abordagens distintas: uma direta e outra indireta. A modelagem direta caracterizou-se por operações de intersecção de imagens com tipo de dados booleanos, enquanto a modelagem indireta forneceu a opção de manipular tipos de dados contínuos. A modelagem direta foi aplicada para obtenção da ocorrência de áreas de vegetação em vias e em quadras, conseguida a partir da variável de ambiente espectral NDVI. Após, foi realizada operação de intersecção com imagens de vegetação, de vias e de quadras. Para aplicação da modelagem indireta, as informações contextuais foram definidas para melhor caracterizar tipos de vegetação (floresta nativa; floresta plantada, cerrado, campo cerrado e campo plantado), em termos das variáveis de ambiente topográficas MDEHC, MDD, MDN, e MDL; e variável da ambiente espectral NDVI. Para cada classe informacional, uma combinação particular de informações contextuais foi estabelecida e utilizada em procedimento de Regressão Logística Binomial, para determinar valores iniciais de maior verossimilhança para sua ocorrência. Desse modo, foram geradas imagens, uma para cada classe informacional, com valores de verossimilhança definidos pela operação de regressão. Aplicou-se então o paradigma Bayesiano, através de modelo probabilístico Bayesiano, para se obter imagens fundamentadas em valores atualizados de probabilidade com base no conhecimento especialista. O modelo probabilístico Bayesiano adotado foi o Beta-Binomial, cuja indexação foi feita pelos valores dos hiperparâmetros α e β, que expressam a opinião do analista acerca da posição e dispersão da distribuição, respectivamente. Os valores adotados para os hiperparâmetros foram obtidos por simulações e iterações, seguidas de análises intermediárias dos resultados, realizadas sucessivamente até que se obtivesse uma representação mais apropriada da realidade. As imagens fundamentadas em valores de probabilidade, determinadas pelo modelo Bayesiano, foram utilizadas como valores iniciais de probabilidade no método de classificação pela máxima verossimilhança. Para verificar a eficácia do método de inclusão de informações contextuais, denominado de Classificação Contextual, comparou-se com o método de Classificação Tradicional pelo algoritmo Classificador da Máxima Verossimilhança. Os resultados dos dois procedimentos foram avaliados por matrizes de contingência, geradas pela comparação entre as imagens temáticas produzidas e uma imagem de referência. A imagem de referência foi obtida a partir das amostras de treinamento refinadas (ou purificadas) pelo algoritmo da distância estatística de Mahalanobis, com um valor arbitrado de 50% como critério de semelhança. A partir das matrizes de contingência foi estimado o valor do coeficiente Kappa, que apresentou diferença de aproximadamente 6,5% entre os métodos de Classificação, com superioridade para o Contextual (0,9199) em relação ao Tradicional (0,8528). Para certificar que essa diferença foi, contudo, significativa, aplicou-se o teste Z bilateral entre os métodos ao nível de significância de 5%. Pelos valores Z observou-se que, ao nível de confiança de 95%, a hipótese de nulidade (de equivalência entre métodos) foi rejeitada e, portanto, os métodos foram constatados diferentes. Empregou-se então, o método de Classificação Contextual para geração da imagem temática de vegetação do Município de Belo Horizonte - MG. Concluí-se daí que, a partir dos dados disponíveis e hipóteses simplificativas assumidas, o método de Classificação Contextual foi realmente superior ao método de Classificação Tradicional, logo, sua aplicação é recomendada.