Classificação de áreas urbanas com imagens multiespectrais e hiperespectrais utilizando métodos não-paramétricos

Ambientes urbanos representam uma das áreas mais desafiadoras para as análises por meio de 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 solução ideal para...

Nível de Acesso:openAccess
Publication Date:2016
Main Author: Camila Souza dos Anjos
Orientador/a: Cláudia Maria de Almeida, Lênio Soares Galvão
Banca: Carlos Roberto de Souza Filho, Cristiane Nunes Francisco
Format: Tese
Language:por
Published: Instituto Nacional de Pesquisas Espaciais (INPE)
Programa: Programa de Pós-Graduação do INPE em Sensoriamento Remoto
Online Access:http://urlib.net/sid.inpe.br/mtc-m21b/2016/04.04.19.03
Resumo Português:Ambientes urbanos representam uma das áreas mais desafiadoras para as análises por meio de 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 solução ideal para aplicações urbanas, pois a combinação destas duas características permite uma melhor detecção e discriminação de alvos. O presente trabalho propõe a avaliação de dois conjuntos de dados: um deles composto exclusivamente por uma imagem orbital multiespectral (WV-2) e os atributos derivados de seu processamento; e o outro conjunto composto exclusivamente por uma imagem aerotransportada hiperespectral (SpecTIR) e os atributos derivados de seu processamento. Para cada conjunto de dados (multiespectral e hiperespectral), foram realizados quatro experimentos de classificação de imagens, nos quais foram aplicados os métodos Árvore de Decisão C4.5 e Floresta Randômica (RF) em dois diferentes níveis de legenda, em que o Nível de Legenda 1 apresenta 11 classes de cobertura do solo urbano, e o Nível de Legenda 2, mais refinado, 38 classes de cobertura do solo urbano. Analisou-se então a diferença de desempenho entre os métodos de classificação e os conjuntos de dados para esses dois níveis de detalhamento. Os oito experimentos de classificação obtiveram elevada acurácia, com valores de índice Kappa oscilando de 0,6712 a 0,7857, e de Exatidão Global variando de 70,07\% a 81,52\%. As classificações do Nível de Legenda 1 apresentam resultados semelhantes aos já encontrados em trabalhos indexados. Já as classificações do Nível 2 abordaram um nível de legenda ainda não reportado até o momento na literatura científica, em que materiais visualmente semelhantes em toda a cena foram individualmente caracterizados. Os testes de hipótese comparando o desempenho dos classificadores para o Nível 1 demonstraram que o método RF é significantemente superior ao C4.5, ao passo que para o Nível 2, no caso dos dados WV-2, o método RF demonstrou superioridade, e no caso dos dados SpecTIR, demonstrou-se que os classificadores não são significantemente diferentes. Quando a comparação realizada foi relacionada ao desempenho dos conjuntos de dados, demonstrou-se para todos os níveis de detalhamento e classificadores que as classificações obtidas com dados do sensor SpecTIR apresentaram resultados significantemente superiores àqueles das classificações obtidas com dados do sensor WV-2. Percebe-se com este importante resultado que a caracterização precisa de alvos presentes no ambiente urbano necessita efetivamente de uma alta resolução espacial, entretanto, a junção dessa importante característica com a alta resolução espectral pode levar a resultados mais detalhados e precisos.
Resumo inglês:Urban environments account for one of the most challenging areas for remote sensing analyses due to the great diversity of materials found at their surface. The usage of high spatial and spectral resolution imagery arises as an ideal solution for urban applications because the combination of these two characteristics allows a better targets detection and discrimination of targets. This thesis is committed to evaluate two datasets: one exclusively composed by an orbital multispectral image (WorldView-2) and attributes derived from its processing; and another one solely composed by an airbone hyperspectral image (SpecTIR) and attributes derived from its processing as well. For classification experiments were conducted with each dataset (multispectral and hyperspectral), using the C4.5 decision tree and random forest methods at two distinct legend levels. Level 1 contains 11 urban land cover classes, and Level 2, a more refined one, presents 38 urban land cover classes. Differences in performance between the classification methods and the two datasets were analyzed for these two levels. The eight classification experiments produced attained high accuracy, with Kappa indices ranging from 0.6712 to 0.7857, and global accuracy varying from 70.07\% to 81.52\%. The classifications for Level 1 presented similar results to those found in previous peer-review works. On their turn, the classifications for Level 2 dealt with a legend level not yet reported in the scientific literature hitherto, in which visually similar surface materials throughout the scene could be individually characterized. The hypothesis tests comparing the performance of classifiers for Level 1 using the WV-2 dataset demonstrated that the Random Forest was significantly superior to C4.5 classifications. Regarding the Legend Level 2, the RF classifier was significantly superior for WV-2. Concerning the SpecTIR datasets, both methods showed to be not significantly different for classification results. When the comparison focuses on the performance of the two datasets, it was demonstrated for all legend levels and classifiers that the results obtained with the SpecTIR sensor data were significantly superior to those based on the use of the WV-2 data. It can be inferred from these relevant results that the precise characterization of urban targets effectively needs high spatial resolution, however, the association of both high spatial and high spectral resolution will certainly lead to increasingly detailed and accurate results.