Made available in DSpace on 2017-07-21T14:19:23Z (GMT). No. of bitstreams: 1
Kelly Lais.pdf: 3909972 bytes, checksum: a9e068fb926de9ca233857005e400c84 (MD5)
Previous issue date: 2014-12-16 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O Sensoriamento Remoto (SR) dispõe de tecnologias em constante crescimento e com grande potencial para a agricultura, tanto no gerenciamento de culturas, manejo de solo,
bem como discriminações de feições da terra. Atualmente, há muitos métodos de análise e categorização de paisagens, que com a integração de dados de SR e técnicas de Sistemas
de Informação Geográfica (SIG) apresentam alternativa promissora. Isto é, proporcionam maior facilidade na manipulação de dados geográficos, bem como otimização da validação a campo. Neste contexto, esta pesquisa foi realizada utilizando classificação digital não-supervisionada pela Rede Neural Artificial (RNA) Self-Organizing Maps (SOM) no
reconhecimento de padrões de uso e cobertura da terra em um recorte de imagem orbital de alta resolução Rapideye pertencente à Bacia do Pitangui, o qual abrange o município
de Ponta Grossa, localizado a centro-leste do Estado do Paraná. Primeiramente aplicouse a técnica NDVI (Índice de Vegetação por Diferença Normalizada) para estimular a separação das classes, principalmente os diferentes tipos de cultivos agrícolas, bem como cobertura florestal. A imagem orbital e NDVI foram segmentadas por meio de Análise de Imagem Baseada em Objeto (GEOBIA), gerando descritores com propriedades espaciais,
espectrais e de textura, culminando no banco de dados relacional (BDR) com tais descritores.
Mediante Análise de Componentes Principais (ACP) reduziu-se a dimensionalidade dos dados do BDR, selecionando os descritores mais significativos. A dimensionalidade foi reduzida, sem perda de informação, de 42 descritores para 21, a saber 6 espaciais, 12 espectrais e 3 de textura. Após esta preparação dos dados, utilizou-se a RNA SOM para o reconhecimento dos padrões pré-determinados a campo. As classes de uso e cobertura da terra discriminadas pela RNA SOM foram cultivos (cultivo 1, 2, 3 e 4), estradas e construções, cobertura florestal e corpos d’água. A RNA SOM culminou no agrupamento das classes cultivos inclusive em relação ao seu ciclo fenológico. A associação da banda artificial NDVI, com seus descritores às bandas espectrais, incrementou a separabilidade entre classes, tais como cobertura florestal e corpos d’água. As classes de uso e cobertura da terra foram validadas a campo, a exatidão global foi de 91% de acerto, com índice kappa de 0,9, considerado resultado excelente em valores de referência. Também foi realizado o teste estatístico F, o qual satisfez as hipóteses de nulidade nas áreas analisadas.Conclui-se que os métodos utilizados apresentaram eficácia, agilidade e baixo custo no mapeamento d o uso e cobertura da terra em escala detalhada. / Remote Sensing (RS) uses steadily growing technologies and presents great potential for agriculture, e.g. in crop and land management, as well as for discrimination of land features.
Currently, there are many methods of analysis and landscape categorization that when integrated with RS data and Geographic Information Systems (GIS) techniques stage as promising alternatives. That is, they provide greater ease in handling spatial data as well as optimizing validation on the field. In this context, this study was carried out using unsupervised digital classification with Artificial Neural Network (ANN) Self-
Organizing Maps (SOM), in order to recognize patterns of land cover and land use in part of a high-resolution Rapideye orbital image belonging to the Pitangui River Basin, which encompasses the city of Ponta Grossa, located in the Central-Eastern portion of the State of Paraná. Initially, NDVI (Normalized Difference Vegetation Index) technique was applied to stimulate the separation of classes, especially to evidence different types of agricultural crops and forest cover. The orbital image and the NDVI were segmented through Geographic Object-Based Image Analysis (GEOBIA), generating descriptors with spatial,
spectral and textural properties, culminating in the relational database (RDB) with such descriptors. With Principal Component Analysis (PCA) dimensionality of the BDR data was reduced, selecting the most significant descriptors. Dimensionality was reduced without information loss, from 42 descriptors to 21, namely 6 spatial, 12 spectral and 3 textural. After this data preparation, ANN SOM was used to recognize predetermined
patterns in the field. The classes of land cover and land use discriminated by ANN SOM were crops (crop 1, 2, 3 and 4), roads and buildings; forest cover and water bodies. The
ANN SOM culminated in the grouping of crop classes including in relation to its phenological cycle. The association of the NDVI artificial band with descriptors to spectral bands, increased the separability between classes, such as forest cover and water bodies. Classes of land cover and land use were validated in the field, the global accuracy was 91%, with kappa index of 0.9 and considered to be excellent as reference values. F statistical test
was also carried out and showed satisfiability in the analyzed areas. It is concluded that the methods used were effective, agile and low-cost in detailed scale mapping of land use
and coverage.
Identifer | oai:union.ndltd.org:IBICT/oai:tede2.uepg.br:prefix/126 |
Date | 16 December 2014 |
Creators | Wiggers, Kelly Lais |
Contributors | Ribeiro, Selma Regina Aranha, Ré, Angelita Maria de, Rocha, Jose Carlos Ferreira da |
Publisher | UNIVERSIDADE ESTADUAL DE PONTA GROSSA, Programa de Pós Graduação Computação Aplicada, UEPG, BR, Computação para Tecnologias em Agricultura |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Biblioteca Digital de Teses e Dissertações da UEPG, instname:Universidade Estadual de Ponta Grossa, instacron:UEPG |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds