| Summary: | O estudo do ambiente urbano tem despertado grande interesse na comunidade científica e profissional que se utiliza do sensoriamento remoto, porque representa um desafio à investigação de seus estudos e à complexidade de seus alvos. Embora, apresentem grande potencial para os estudos dos ambientes urbanos, as imagens de alta resolução oferecem dificuldades à extração automática de informações porque se caracterizam pela grande heterogeneidade espacial e espectral para um mesmo segmento, o que dificulta sobremaneira os processos de segmentação e classificação das mesmas. Dessa forma, novos conceitos e análises têm sido usados para o mapeamento do espaço urbano. A abordagem orientada a objeto e baseada em segmentação multiresolução tem se mostrado bastante eficiente na discriminação de alvos urbanos em imagens de alta resolução espacial. Uma das técnicas que pode auxiliar o processo de classificação é a mineração de dados, a qual pode ser utilizada para explorar grandes conjuntos de dados, identificar e caracterizar os padrões de interesse e assim auxiliar na descoberta da informação. Neste contexto, este trabalho propõe uma metodologia empregando conjuntamente abordagens cognitivas (rede semântica, lógica fuzzy, análise orientada a objeto) e mineração de dados (algoritmos genéticos e árvores de decisão) para a classificação de cobertura do solo urbano a partir de dados ópticos orbitais e de laser aerotransportado. Para avaliar a eficiência da metodologia e garantir a acurácia dos mapeamentos produzidos, as etapas desenvolvidas neste trabalho foram submetidas a um controle de qualidade. Os resultados foram apresentados e discutidos, indicando uma satisfatória acurácia nos mapeamentos realizados, corroborando a confiabilidade da metodologia para o mapeamento de cobertura do solo em áreas urbanas. === The study of the urban environment has raised great interest among researchers and practitioners involved with the use of remote sensing, in face of the challenges for its investigation and the complexity of its targets. Although they have great potential for studies of urban environments, the high-resolution images present difficulties for automatic extraction of information because they are characterized by high spatial and spectral heterogeneity for the same segment, which greatly complicates the process of segmentation and classification of them. Thus, new concepts and analyses have been used for mapping the urban space. Object-based analysis and multiresolution segmentation have been quite efficient in the discrimination of urban targets in high spatial resolution images. One technique that can assist the classification process is data mining, which can be used to explore large data sets, identify and characterize patterns of interest, and hence, support the precise extraction of useful information. In this context, this paper proposes a methodology jointly employing cognitive approaches (semantic net, fuzzy logic, object-based analysis) and data mining (genetic algorithms and decision trees) for the classification of urban land cover from optical orbital and airborne laser data. To assess the efficacy of the methodology and ensure the accuracy of the produced maps, the steps undertaken in this study were subject to quality control. The results were presented and discussed, indicating a satisfactory accuracy in the generated mapping products, demonstrating the reliability of the methodology for mapping land cover in urban areas.
|
|---|
