[pt] O presente trabalho apresenta a modelagem de conhecimento
multitemporal
para a classificação automática de cobertura do solo para
imagens de satélite. O
procedimento de classificação agrega os conhecimentos
espectral e multitemporal
utilizando conjuntos nebulosos e suas pertinências de
classe como informação
prévia. O método se baseia no conceito de Redes de Markov
Nebulosas, um
sistema com um conjunto de estados que a cada instante de
tempo troca o estado
corrente de acordo com possibilidades associadas a cada
um. No caso deste
trabalho cada estado representa uma classe, e as
possibilidades são estimadas
automaticamente a partir de dados históricos de uma mesma
região geográfica,
empregando algoritmos genéticos. A avaliação experimental
utilizou um conjunto
de imagens Landsat-5 da cidade do Rio de Janeiro, obtidas
em cinco datas
separadas por aproximadamente quatro anos. Os resultados
indicaram que o uso
do conhecimento multitemporal, conforme modelado pelo
método proposto traz
um significante aumento da eficiência de classificação em
comparação à
classificação puramente espectral, além de flexibilizar o
procedimento de
classificação no que diz respeito aos dados necessários
para o treinamento do
modelo. / [en] This work presents a multitemporal knowledge model for
automatic
classification of remotely sensed images. The model
combines multitemporal and
spectral knowledge within a fuzzy framework. This method
is based on Fuzzy
Markov Chains, a system having a set of states that, at
each time, change the
current state according to the fuzzy possibilities
associated to each one. In this
work each state represents one class, and the
possibilities are automatically
estimated based on historical data by using genetic
algorithms. The experimental
evaluation was carried through for a set of Landsat-5 TM
images of the Rio de
Janeiro State, Brazil, acquired at five dates separated by
approximately four years.
Results indicate that the use of multitemporal knowledge
as modeled by the
proposed method brings an expressive improvement in
efficiency to the
classification, when compared to the pure spectral
classifier. Besides it, adds
flexibility to the classification procedure, concerning to
necessary data used for
model training.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:8953 |
| Date | 04 September 2006 |
| Creators | MARIA CLARA DE OLIVEIRA COSTA |
| Contributors | RAUL QUEIROZ FEITOSA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0032 seconds