[pt] Esta dissertação propõe uma metodologia baseada em Modelos
de Markov Ocultos (Hidden Markov Models - HMM) para a
classificação de culturas agrícolas, explorando informações
de seqüências temporais de imagens dos sensores TM e
ETM+/Landsat. O método reconhece os diferentes tipos de
culturas agrícolas analisando os perfis espectrais
em uma seqüência temporal de imagens de satélite de média
resolução espacial ( aproximadamente 30m). Nesta abordagem,
o comportamento temporal de cada classe de cultura é
modelado por um HMM específico. A classificação é feita
segmento-a-segmento, descritos por um vetor de atributos
calculado como as médias espectrais dos pixels contidos no
segmento
em cada banda da imagem. Os vetores de atributos do
segmento em cada imagem da seqüência de imagens são
subseqüentemente submetidos aos HMMs de cada classe de
cultura. O segmento é então associado à cultura cujo HMM
correspondente gera a maior probabilidade de emitir a
seqüência de valores espectrais observada. Os experimentos
para análise foram conduzidos utilizando-se um conjunto de
12 imagens LANDSAT coregistradas e corrigidas
radiometricamente. As imagens cobrem uma área do estado de
São Paulo, Brasil, com aproximadamente 124.100ha, entre
2002 e 2004. As seguintes coberturas vegetais foram
consideradas: cana de açúcar, soja, milho, pastagem e
matagaleria. A avaliação do desempenho do método foi
efetuada utilizando-se um conjunto de dados classificado
visualmente por dois especialistas e validado por um
extenso trabalho de campo. O desempenho do método de
classificação multitemporal proposto foi
comparado com o de um classificador monotemporal de máxima
verossimilhança, e os resultados mostraram a superioridade
notável do método baseado em HMM, o qual
alcançou uma acurácia média de nada menos que 91% na
identificação do tipo correto de cultura agrícola, para
seqüências de dados contendo apenas uma única classe de
cultura. / [en] This work proposes a Hidden Markov Model (HMM)-based
methodology to classify agricultural crops, exploring
information of temporal image sequences from TM
and ETM+/Landsat sensors. HMMs are used to relate the
varying spectral response along the crop cycle with plant
phenology for different crop classes. The method recognizes
different agricultural crops by analyzing their spectral
profiles over a temporal sequence of medium resolution
satellite images ( approximation 30m). In our approach the
temporal behaviour
of each crop class is modelled by a specific HMM. A segment-
based classification is
performed using the average spectral values of the pixels
in each image segment across
an image sequence, which is subsequently submitted to the
HMMs of each crop class.
The image segment is assigned to the crop class, whose
corresponding HMM delivers the
highest probability of emitting the observed sequence of
spectral values. Experiments
were conducted upon a set of 12 co-registered and
radiometrically corrected LANDSAT
images. The images cover an area of the State of São Paulo,
Brazil with about 124.100ha,
between the years 2002 and 2004. The following classes were
considered: sugarcane,
soybean, corn, pasture and riparian forest. Performance
assessment was carried out upon
a data set classified visually by two analysts and
validated by extensive field work. The
performance of the proposed multitemporal classification
method was compared to that of
a monotemporal maximum likelihood classifier, and the
results indicated a remarkable
superiority of the HMM-based method, which achieved an
average of no less than 91%
accuracy in the identification of the correct crop, for
sequences of data containing a single
crop class.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:12960 |
Date | 13 January 2009 |
Creators | PAULA BEATRIZ CERQUEIRA LEITE |
Contributors | RAUL QUEIROZ FEITOSA |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0019 seconds