Sistema de classificação de imagens de sensores remotos

• Ano de defesa: 2016
• Autor(a) principal: Boell, Miler Grudtner
• Orientador(a): Ferreira, Danton Diego
• Banca de defesa: Lacerda, Wilian Soares, Volpato, Margarete Marin Lordelo, Alves, Helena Maria Ramos, Vitor, Giovani Bernardes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Café – Imagens de sensoriamento remoto; Sensoriamento remoto – Análise; Coffee – Remote-sensing images; Remote sensing – Analysis
• Área do conhecimento CNPq: Sensoriamento Remoto
• Link de acesso: https://repositorio.ufla.br/handle/1/12130

A classificação de imagens multiespectrais, derivada de sensores de satélite, é um objetivo desejado pela comunidade científica para identificação de áreas em imagens multiespectrais. O grande interesse é na identificação de várias áreas, incluindo a produção de café. O café se destaca por ser uma importante fonte de renda e de emprego, bem como sendo um dos mais importantes produtos para a economia do Brasil. No entanto, mapear automaticamente essa cultura tem sido um desafio tanto em análise orientada a objeto quanto "pixel a pixel". O objetivo deste trabalho consiste no uso de diferentes métodos de seletores de parâmetros a fim de identificar os melhores parâmetros para a classificação. A imagem de satélite, utilizada neste estudo, refere-se à região de Três Pontas-Minas Gerais (MG), Brasil, que tem uma forte produção agrícola, sobretudo, do café. As imagens escolhidas foram usadas em todas as sete bandas espectrais do Landsat 8-OLI (Operacional Land Imager). Na metodologia proposta foram selecionadas 5 classes de uso: café, mata, água, área urbana, outros usos (pastagem, solo exposto, outras culturas, eucalipto). Várias características espectrais e texturas, para as classificações, foram combinadas. Também foi testado o desempenho de características, com base em estatísticas de ordem superior (EOS), combinadas com aqueles comumente utilizados na literatura para esta finalidade. Sete bandas espectrais do satélite Landsat 8 foram exploradas. Dois métodos de seleção de redução de dimensão: Discriminante Linear de Fisher (DLF) e a correlação linear. Os resultados mostraram que as performances, para ambos os classificadores, RNA e SVM, foram semelhantes. Os melhores índices de kappa obtidos foram 73.13% para RNA, alimentada por todas as características extraídas e 74,37% com o SVM por meio apenas dos pixels das 7 bandas como entrada. Os resultados foram comparados com os métodos atuais da literatura e com dois softwares comerciais.