Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre

Detalhes bibliográficos
Autor(a) principal: Ribeiro, Regiane Maria Paes
Data de Publicação: 2003
Tipo de documento: Dissertação
Idioma: por
Título da fonte: LOCUS Repositório Institucional da UFV
Texto Completo: http://www.locus.ufv.br/handle/123456789/9217
Resumo: O trabalho consistiu na avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. Foram utilizados os algoritmos da Mínima Distância, da Máxima Verossimilhança e de Redes Neurais Artificiais (backpropagation), em uma imagem do satélite IKONOS II com 4 metros de resolução espacial. Para cada algoritmo foi realizada uma classificação por pixel e uma por regiões, gerando seis métodos: Mínima Distância por pixel, Mínima Distância por regiões, Máxima Verossimilhança por pixel, Máxima Verossimilhança por regiões, Redes Neurais Artificiais (backpropagation) por pixel e Redes Neurais Artificiais (backpropagation) por regiões, que apresentaram níveis de aceitação dos índices kappa iguais a razoável, razoável, razoável, excelente, razoável e excelente, respectivamente. Dentre os resultados obtidos, podem ser destacados: a) os métodos que mostra- ram melhor desempenho foram Redes Neurais Artificiais (backpropagation) e Máxima Verossimilhança, ambos por regiões, não apresentando diferença estatística significativa a 95% de probabilidade pelo teste Z entre eles; b) os seguintes métodos não apresentaram diferenças significativas a 95% de proba- bilidade: Máxima Verossimilhança por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Máxima Verossimilhança por pixel e Redes Neurais Artificiais (backpropagation) por regiões em relação à Máxima Verossimilhança por regiões; c) as classes mais homogêneas espectralmente foram melhor classificadas, apresentando menos sobreposição às outras classes; d) a baixa resolução espectral da imagem dificultou a distinção entre classes durante o processo de classificação; e) o algoritmo de classificação da Mínima Distância, que até então era utilizado com êxito para classificar imagens de média resolução espacial, apresentou desempenho inferior ao dos algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation) na classificação de imagens de alta resolução espacial; f) apesar de os resultados obtidos com os algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation), ambos por regiões, não diferirem estatisticamente, recomenda-se, pelo menos para este estudo, o uso do algoritmo de Máxima Verossimilhança. Essa recomendação se deve ao fato de que este exige um menor esforço computacional e se encontra implementado na maioria dos softwares de processamento de imagens.
id UFV_8e5c6326896e5f272f1d322deeb941b0
oai_identifier_str oai:locus.ufv.br:123456789/9217
network_acronym_str UFV
network_name_str LOCUS Repositório Institucional da UFV
repository_id_str 2145
spelling Vieira, Carlos Antônio OliveiraRibeiro, Carlos Antônio Álvares SoaresRibeiro, Regiane Maria Paeshttp://lattes.cnpq.br/1567093399276788Soares, Vicente Paulo2016-12-16T10:55:32Z2016-12-16T10:55:32Z2003-12-17RIBEIRO, Regiane Maria Paes. Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. 2003. 53f. Dissertação (Mestrado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2003.http://www.locus.ufv.br/handle/123456789/9217O trabalho consistiu na avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. Foram utilizados os algoritmos da Mínima Distância, da Máxima Verossimilhança e de Redes Neurais Artificiais (backpropagation), em uma imagem do satélite IKONOS II com 4 metros de resolução espacial. Para cada algoritmo foi realizada uma classificação por pixel e uma por regiões, gerando seis métodos: Mínima Distância por pixel, Mínima Distância por regiões, Máxima Verossimilhança por pixel, Máxima Verossimilhança por regiões, Redes Neurais Artificiais (backpropagation) por pixel e Redes Neurais Artificiais (backpropagation) por regiões, que apresentaram níveis de aceitação dos índices kappa iguais a razoável, razoável, razoável, excelente, razoável e excelente, respectivamente. Dentre os resultados obtidos, podem ser destacados: a) os métodos que mostra- ram melhor desempenho foram Redes Neurais Artificiais (backpropagation) e Máxima Verossimilhança, ambos por regiões, não apresentando diferença estatística significativa a 95% de probabilidade pelo teste Z entre eles; b) os seguintes métodos não apresentaram diferenças significativas a 95% de proba- bilidade: Máxima Verossimilhança por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Máxima Verossimilhança por pixel e Redes Neurais Artificiais (backpropagation) por regiões em relação à Máxima Verossimilhança por regiões; c) as classes mais homogêneas espectralmente foram melhor classificadas, apresentando menos sobreposição às outras classes; d) a baixa resolução espectral da imagem dificultou a distinção entre classes durante o processo de classificação; e) o algoritmo de classificação da Mínima Distância, que até então era utilizado com êxito para classificar imagens de média resolução espacial, apresentou desempenho inferior ao dos algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation) na classificação de imagens de alta resolução espacial; f) apesar de os resultados obtidos com os algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation), ambos por regiões, não diferirem estatisticamente, recomenda-se, pelo menos para este estudo, o uso do algoritmo de Máxima Verossimilhança. Essa recomendação se deve ao fato de que este exige um menor esforço computacional e se encontra implementado na maioria dos softwares de processamento de imagens.This work evaluated the methods of classification of IKONOS II imagery for land cover mapping. The algorithms Minimal Distance, Maximum Likelihood and Artificial Neural Networks (backpropagation) were used to classify a satellite IKONOS II image measuring 4 m of spacial resolution. A pixel based and a region- based classification were performed for each algorithm, generating six methods : Minimal Distance per pixel, Minimal Distance per regions, Maximum Likelihood per pixel, Maximum Likelihood per regions, Artificial Neural Nets (backpropagation) per pixel, and Artificial Neural Nets (backpropagation) per regions, which presented Kappa index acceptance levels equal to reasonable, reasonable, reasonable, excellent, reasonable and excellent, respectively. Some of the most oustanding results obtained were: a) the approaches Artificial Neural Nets (backpropagation) and Maximum Likelihood, both by regions, presented the best results, with no significant statistical difference at 95% probability by the test Z between them; b) the following methods did not present significant differences at 95% of probability: Maximum Likelihood per pixel in relation to Minimal Distance per regions, Artificial Neural Nets (backpropagation) per pixel in relation to Minimal Distance per regions, Artificial Neural Nets (backpropagation) per pixel in relation to Maximum Likelihood per pixel and Artificial Neural Nets (backpropagation) by regions in relation to Maximum Likelihood per regions; c) the most spectrally homogeneous classes were better classified, presenting less superposition to the other classes; d) the low spectral resolution of the imagery made it difficult to distinguish between classes during the classification process; e) the algorithm Minimal Distance, which was until then successfully used to classify medium spatial resolution imagery had a performance inferior to that of the algorithms Maximum Likelihood and Artificial Neural Nets (backpropagation) in the classification of imagery of high spatial resolution; f) despite the fact that the results obtained with the algorithms Maximum Likelihood and Artificial Neural Nets (backpropagation), both by regions, did not differ statistically, the use of the algorithm Maximum Likelihood is recommended, at least for this study. Such recommendation is due to the fact that this algorithm demands less computing effort and has been implemented in most imagery - processing softwares.Conselho Nacional de Desenvolvimento Científico e TecnológicoporUniversidade Federal de ViçosaImagens multiespectrais - ClassificaçãoMapeamento do soloSatélites artificiais em sensoriamento remotoSolo - UsoRedes neurais ( Computação )Ciências Exatas e da TerraAvaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestreEvaluation of IKONOS II imagery classification methods for land cover mappinginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal de ViçosaDepartamento de Engenharia FlorestalMestre em Ciência FlorestalViçosa - MG2003-12-17Mestradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf3030977https://locus.ufv.br//bitstream/123456789/9217/1/texto%20completo.pdfbfbfdb30853d06b83a0f799c5c74b1ffMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/9217/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52THUMBNAILtexto completo.pdf.jpgtexto completo.pdf.jpgIM Thumbnailimage/jpeg3607https://locus.ufv.br//bitstream/123456789/9217/3/texto%20completo.pdf.jpge0c392f187dc1fb00f593225969851ccMD53123456789/92172016-12-16 22:00:20.83oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452016-12-17T01:00:20LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false
dc.title.pt-BR.fl_str_mv Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre
dc.title.en.fl_str_mv Evaluation of IKONOS II imagery classification methods for land cover mapping
title Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre
spellingShingle Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre
Ribeiro, Regiane Maria Paes
Imagens multiespectrais - Classificação
Mapeamento do solo
Satélites artificiais em sensoriamento remoto
Solo - Uso
Redes neurais ( Computação )
Ciências Exatas e da Terra
title_short Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre
title_full Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre
title_fullStr Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre
title_full_unstemmed Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre
title_sort Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre
author Ribeiro, Regiane Maria Paes
author_facet Ribeiro, Regiane Maria Paes
author_role author
dc.contributor.authorLattes.pt-BR.fl_str_mv http://lattes.cnpq.br/1567093399276788
dc.contributor.none.fl_str_mv Vieira, Carlos Antônio Oliveira
Ribeiro, Carlos Antônio Álvares Soares
dc.contributor.author.fl_str_mv Ribeiro, Regiane Maria Paes
dc.contributor.advisor1.fl_str_mv Soares, Vicente Paulo
contributor_str_mv Soares, Vicente Paulo
dc.subject.pt-BR.fl_str_mv Imagens multiespectrais - Classificação
Mapeamento do solo
Satélites artificiais em sensoriamento remoto
Solo - Uso
Redes neurais ( Computação )
topic Imagens multiespectrais - Classificação
Mapeamento do solo
Satélites artificiais em sensoriamento remoto
Solo - Uso
Redes neurais ( Computação )
Ciências Exatas e da Terra
dc.subject.cnpq.fl_str_mv Ciências Exatas e da Terra
description O trabalho consistiu na avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. Foram utilizados os algoritmos da Mínima Distância, da Máxima Verossimilhança e de Redes Neurais Artificiais (backpropagation), em uma imagem do satélite IKONOS II com 4 metros de resolução espacial. Para cada algoritmo foi realizada uma classificação por pixel e uma por regiões, gerando seis métodos: Mínima Distância por pixel, Mínima Distância por regiões, Máxima Verossimilhança por pixel, Máxima Verossimilhança por regiões, Redes Neurais Artificiais (backpropagation) por pixel e Redes Neurais Artificiais (backpropagation) por regiões, que apresentaram níveis de aceitação dos índices kappa iguais a razoável, razoável, razoável, excelente, razoável e excelente, respectivamente. Dentre os resultados obtidos, podem ser destacados: a) os métodos que mostra- ram melhor desempenho foram Redes Neurais Artificiais (backpropagation) e Máxima Verossimilhança, ambos por regiões, não apresentando diferença estatística significativa a 95% de probabilidade pelo teste Z entre eles; b) os seguintes métodos não apresentaram diferenças significativas a 95% de proba- bilidade: Máxima Verossimilhança por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Máxima Verossimilhança por pixel e Redes Neurais Artificiais (backpropagation) por regiões em relação à Máxima Verossimilhança por regiões; c) as classes mais homogêneas espectralmente foram melhor classificadas, apresentando menos sobreposição às outras classes; d) a baixa resolução espectral da imagem dificultou a distinção entre classes durante o processo de classificação; e) o algoritmo de classificação da Mínima Distância, que até então era utilizado com êxito para classificar imagens de média resolução espacial, apresentou desempenho inferior ao dos algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation) na classificação de imagens de alta resolução espacial; f) apesar de os resultados obtidos com os algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation), ambos por regiões, não diferirem estatisticamente, recomenda-se, pelo menos para este estudo, o uso do algoritmo de Máxima Verossimilhança. Essa recomendação se deve ao fato de que este exige um menor esforço computacional e se encontra implementado na maioria dos softwares de processamento de imagens.
publishDate 2003
dc.date.issued.fl_str_mv 2003-12-17
dc.date.accessioned.fl_str_mv 2016-12-16T10:55:32Z
dc.date.available.fl_str_mv 2016-12-16T10:55:32Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv RIBEIRO, Regiane Maria Paes. Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. 2003. 53f. Dissertação (Mestrado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2003.
dc.identifier.uri.fl_str_mv http://www.locus.ufv.br/handle/123456789/9217
identifier_str_mv RIBEIRO, Regiane Maria Paes. Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. 2003. 53f. Dissertação (Mestrado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2003.
url http://www.locus.ufv.br/handle/123456789/9217
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Viçosa
publisher.none.fl_str_mv Universidade Federal de Viçosa
dc.source.none.fl_str_mv reponame:LOCUS Repositório Institucional da UFV
instname:Universidade Federal de Viçosa (UFV)
instacron:UFV
instname_str Universidade Federal de Viçosa (UFV)
instacron_str UFV
institution UFV
reponame_str LOCUS Repositório Institucional da UFV
collection LOCUS Repositório Institucional da UFV
bitstream.url.fl_str_mv https://locus.ufv.br//bitstream/123456789/9217/1/texto%20completo.pdf
https://locus.ufv.br//bitstream/123456789/9217/2/license.txt
https://locus.ufv.br//bitstream/123456789/9217/3/texto%20completo.pdf.jpg
bitstream.checksum.fl_str_mv bfbfdb30853d06b83a0f799c5c74b1ff
8a4605be74aa9ea9d79846c1fba20a33
e0c392f187dc1fb00f593225969851cc
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)
repository.mail.fl_str_mv fabiojreis@ufv.br
_version_ 1801213090088353792