Author(s): Silva, Joel Dinis Baptista Ferreira da
Date: 2010
Persistent ID: http://hdl.handle.net/10451/5936
Origin: Repositório da Universidade de Lisboa
Subject(s): Classificação automática; Imagens de satélite; Mapas de uso/ocupação de solo; Divergência de Kullback-Leibler; Teses de mestrado - 2010
Tese de mestrado, Engenharia Geográfica, Universidade de Lisboa, Faculdade de Ciências, 2010
O presente trabalho foi desenvolvido no contexto do projecto DesertWatch-Extention, que visa o desenvolvimento de uma aplicação informática que permita a derivação de indicadores de desertificação a partir de imagens de satélite. Um dos parâmetros de entrada para a determinação desses indicadores é um mapa de uso/ocupação de solo da área em estudo. Estes tipos de mapas têm servido de ponto de partida para o estudo do fenómeno da desertificação desde da década de 90, altura em que o uso de imagens de satélite para o estudo e gestão da superfície terreste ganhou o seu maior ímpeto. O objectivo deste trabalho é, então, definir um algoritmo de classificação de imagens de satélite que seja simples, em termos de implementação e de aplicação pelos futuros utilizadores, mas também que possibilite a elaboração de mapas de uso/ocupação de solo comqualidade temática de, pelo menos, 80%. Nestas condições, foram seleccionados cinco classificadores já amplamente estudados e aplicados em problemas de classificação: o classificador discriminante linear, o classificador discriminante quadrático, o classificador de Parzen, o classificador k nearest neighbor e as árvores de classificação. Para uma comparação objectiva destes algoritmos, foram definidos quatro factores que ponderaram a selecção do classificador, são eles: as exigências computacionais, a parametrização, o volume de treino, a robustez ao ruído e a qualidade temática do mapa produzido. Os resultados mostram diferenças compatíveis com o que é afirmado na literatura. Em particular, os resultados mostram que, em termos de qualidade temática, os mapas resultantes com cada um dos algoritmos são equivalentes. Contudo, alguns erros de classificação persistem, como é o caso da confusão entre as classes de Agricultura de Sequeiro e Pastagens. Assim, procurou-se melhorar os resultados obtidos melhorando umdos algoritmos de classificação. O algoritmo seleccionado para esta finalidadefoi o classificador linear discriminante. Para refinar este algoritmo, adoptou-se um sistema de classificador composto, ou multiclassificador,do tipo cooperativo. E de modo a aumentar a separabilidade entre classes, foi introduzida no algoritmo a medida de entropia relativa, conhecida também por divergência de Kullback-Leibler, com a finalidade de identificar as classes mais prováveis de confusãocom um dada classe inicial, reduzido a lista de classes possíveis a serem atribuídas a um determinado pixelFinalmente, o algoritmo determina uma transformação de Fisher, baseada nas classes previamente identificadas,que irá projectar o espaço de classificação inicial para outro espaço mas máxima separabilidade entre as classes, sendo a classificação final realizada nesse espaço transformado. Os resultados mostram um ganho significativo em exactidão temática global com apenas um pequeno ganho em tempo de classificação.
This work was developed under the project DesertWatch-Extention, which aims to develop a computer application that allows the derivation of indicators of desertification from satellite images. One of input parameters for the determination of these indicators is a map of land use / land cover of the study area. These types of maps have served as a starting point for the study of desertification since the 90s, when the use of satellite imagery for the study and management of terrestrial surface has gained its greatest impetus. The aim of this work is then set a classification algorithm of satellite imagery that is simple in terms of implementation and application by future users, but also allowing for mapping land use / land cover with a thematic quality of at least 80%. Accordingly, we selected five classifiers already widely studied and applied in classification problems: the linear discriminant classifier, a quadratic discriminant classifier, the Parzen classifier, the classifier k nearest neighbor and classification trees. For an objective comparison of these algorithms, we defined four factors that considered the selection of the classifier, they are: the computational requirements, the parameterization, the volume of training, the robustness to noise data and quality of the thematic map produced. The results show differences consistent with what is stated in the literature. In particular, the results show that, in terms of thematic quality, the maps derived with each of the algorithms are equivalent. However, some misclassification persist, as is the case of confusion between the classes of Rainfed Agriculture and Pasture. Thus, we tried to improve the results improving the classification algorithms. The algorithm chosen, for this proporse, was the linear discriminant classifier. To refine this algorithm, it was adopted a cooperative multiclassifier strategy. And in order to increase the separability between classes, was introduced in the algorithm the measure of relative entropy, also known as Kullback-Leibler divergence, with the aim of identifying the classes most likely to be confused with a given initial class, reducing, in this manner, the list of possible classes to be assigned to a given pixel Finally, the algorithm determines a transformation of Fisher, based on classes previously identified, which will project the initial classification space to another space but with maximum separability between classes, being the final classification made in this transformed space. The results show a significant gain in overall thematic accuracy with only a small gain in classification time.
