[pt] O objetivo genérico desta Tese foi o desenvolvimento de técnicas
computacionais baseadas em conhecimento para apoiar a interpretação automática
de dados de sensoriamento remoto multi-temporais, com ênfase na investigação
da aquisição e representação explícita de conhecimento temporal, bem como na
sua integração com outros tipos de conhecimento dentro do processo de
interpretação. Dois objetivos específicos, inter-relacionados, foram perseguidos:
(i) o desenvolvimento de um novo método de classificação baseado no conceito
de cadeias nebulosas de Markov (CNM), que provê meios para a estimação de
seus parâmetros temporais e para a utilização de conhecimento temporal no
processo de classificação; e (ii) a modelagem e implementação de um ambiente
baseado em conhecimento, de código livre, para a interpretação de dados de
sensoriamento remoto. Para validar o novo método de classificação multitemporal,
foram realizados experimentos voltados à interpretação de uma
seqüência de três imagens LANDSAT de uma área na Região Centro-Oeste do
Brasil, utilizando um método estocástico e outro analítico para a estimação das
matrizes de transição de classes que compõem o modelo CNM. Enquanto os
classificadores mono-temporais obtiveram uma acurácia média por classe de 55%,
o esquema multi-temporal alcançou acurácias entre 63% e 94%. Resultados
semelhantes em termos de acurácia global foram verificados. Além disso, quando
comparado a abordagens multi-temporais correlatas, o método proposto obteve
melhores resultados. De forma a validar o ambiente baseado em conhecimento
aqui proposto, o método CNM foi implementado através de suas funcionalidades.
Um conjunto de experimentos nos quais diferentes variações do método CNM,
estruturadas no novo ambiente, foi executado satisfatoriamente. / [en] The general objective of this research was the development of knowledgebased
computational techniques to support the interpretation of multitemporal
remote sensing data, focusing on the investigation of the explicit representation of
temporal knowledge and its integration to other types of knowledge; and also on
the processing and acquisition of temporal knowledge. Two interrelated, specific
objectives were pursued: (i) the development of a novel multitemporal
classification method based on the concept of fuzzy Markov chain (FMC) that
provides for the automatic estimation of its temporal related parameters and for
the exploration of temporal knowledge in the classification process; and (ii) the
design and implementation of an open-source, knowledge-based framework for
multitemporal interpretation of remote sensing data. In order to validate the new
multitemporal classification method, experiments were carried out aiming at the
interpretation of a sequence of three LANDSAT images from the central region of
Brazil, using both a stochastic and an analytical technique to estimate the class
transition possibilities that compose the FMC model. While the monotemporal
classifiers used in the experiments attained an average class accuracy of
approximately 55%, the multitemporal scheme reached accuracies between 65%
and 94%. Similar results in terms of overall accuracy were also observed.
Furthermore, when compared to two alternative multitemporal classification
approaches, the devised method consistently showed better results. In order to
validate the proposed multitemporal framework, the FCM-based method was
implemented using its temporal functionalities, and a number of experiments in
which different variants of the FCM-based method were structured through the
framework were successfully carried out.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:14130 |
| Date | 15 September 2009 |
| Creators | GILSON ALEXANDRE OSTWALD PEDRO DA COSTA |
| Contributors | RAUL QUEIROZ FEITOSA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.327 seconds