Author(s): Duarte, Alda Fernandes
Date: 2013
Persistent ID: http://hdl.handle.net/20.500.11960/1125
Origin: Repositório Científico IPVC
Subject(s): LiDAR; Classificação de imagens; Separabilidade; Exactidão vertical; Árvores de decisão; Separability; Images Classification; Vertical accuracy; Decision Tree
O desenvolvimento de novos métodos, técnicas e tecnologias de cartografar o território, revelam-se ferramentas determinantes na gestão e no planeamento sustentável do território. A tecnologia LiDAR tem demonstrado resultados favoráveis nesta temática, incorporando elevados graus de precisão e exactidão posicional assim como, de qualidade temática à cartografia produzida. Com este trabalho experimental pretendeu-se avaliar quais os níveis de informação, derivados de dados LiDAR, necessários para a produção de cartografia de ocupação do solo, considerando um total de sete classes (Edifícios, Solo Nu, Zonas Pavimentadas, Vegetação alta, Vegetação Baixa, Vegetação Jovem e Zonas desflorestadas). Este exercício implicou a utilização de técnicas de selecção de características, como os índices de separabilidade, mais concretamente o método da Divergência Transformada e a Distância de Jeffreis-Matusita para a avaliação da separabilidade das classes de ocupação do solo. Com o modelo conceptual de classificação de imagens em árvore de decisão pretendeu-se identificar a percentagem de amostras classificadas correctamente, avaliando-se a qualidade das amostras seleccionadas para uma possível classificação de imagens. Os resultados obtidos demonstraram que todas as classes de ocupação do solo podem ser discriminadas, à excepção das classes Vegetação Baixa e Solo Nu considerando uma combinação entre cinco níveis informacionais: i) o Modelo Digital de Superfície normalizado (2004); ii) Imagem de Intensidade (2004); iii) Declives (2004); iv) diferença entre primeiro e último retorno (2004) e; v) diferença entre Modelos Digitais de Superfície normalizado. Os valores médios de separabilidade obtidos para o método da DT e da DJM foram, respectivamente, de 1,99 e 1,97. Considerando o método de validação cruzada das amostras verificou-se uma precisão da classificação de 92,4% já pelo método de validação considerando um conjunto de amostras externas ou independentes obteve-se uma precisão da classificação de 90%.
The development of new methods, technologies and techniques of mapping the territory show up determinants tools in the management and sustainable land planning. LiDAR technology has shown favorable results in this subject, incorporating in produced cartography high degrees of precision and positional accuracy. This experimental study sought to assess what levels of information, derived from LiDAR data, is necessary for the production of land use cartography, considering a total of seven classes (buildings, bare-earth, pavement, high vegetation, low vegetation, young vegetation and harvested forest). This exercise use techniques of feature selection, as the indices of separability, more specifically the method of transformed divergence and distance of Jeffreis-Matusita, for evaluating the separability of land cover. We calculated a conceptual model of image classification in decision tree to evaluate the correctly classified samples percentage, allowing to analyze the quality of the selected samples for a possible image classification. The results showed that all classes of land cover can be discriminated, except bare earth and low vegetation classes, considering a five informational levels combination: i) the normalized Digital Surface Model (2004), ii) Intensity image (2004), iii) Slopes (2004), iv) difference between first and last pulse (2004) and v) difference between normalized Digital Surface Models. The mean values obtained for the separability method of Transformed Divergence and distance Jeffreis-Matusita were, respectively, 1.99 and 1.97. Considering the cross validation method there was a classification accuracy of 92.4% already by the validation method considering a set of external or independent samples obtained a classification accuracy of 90%.
