| Summary: | Somente no ano de 2011 foram adquiridos mais de 1.000TB de novos registros digitais
de imagem advindos de Sensoriamento Remoto orbital. Tal gama de registros, que possui
uma progressão geométrica crescente, é adicionada, anualmente, a incrível e extraordinária
massa de dados de imagens orbitais já existentes da superfície da Terra (adquiridos desde a
década de 70 do século passado). Esta quantidade maciça de registros, onde a grande maioria
sequer foi processada, requer ferramentas computacionais que permitam o reconhecimento
automático de padrões de imagem desejados, de modo a permitir a extração dos objetos
geográficos e de alvos de interesse, de forma mais rápida e concisa. A proposta de tal
reconhecimento ser realizado automaticamente por meio da integração de técnicas de Análise
Espectral e de Inteligência Computacional com base no Conhecimento adquirido por
especialista em imagem foi implementada na forma de um integrador com base nas técnicas
de Redes Neurais Computacionais (ou Artificiais) (através do Mapa de Características Auto-
Organizáveis de Kohonen SOFM) e de Lógica Difusa ou Fuzzy (através de Mamdani).
Estas foram aplicadas às assinaturas espectrais de cada padrão de interesse, formadas pelos
níveis de quantização ou níveis de cinza do respectivo padrão em cada uma das bandas
espectrais, de forma que a classificação dos padrões irá depender, de forma indissociável, da
correlação das assinaturas espectrais nas seis bandas do sensor, tal qual o trabalho dos
especialistas em imagens. Foram utilizadas as bandas 1 a 5 e 7 do satélite LANDSAT-5 para a
determinação de cinco classes/alvos de interesse da cobertura e ocupação terrestre em três
recortes da área-teste, situados no Estado do Rio de Janeiro (Guaratiba, Mangaratiba e Magé)
nesta integração, com confrontação dos resultados obtidos com aqueles derivados da
interpretação da especialista em imagens, a qual foi corroborada através de verificação da
verdade terrestre. Houve também a comparação dos resultados obtidos no integrador com
dois sistemas computacionais comerciais (IDRISI Taiga e ENVI 4.8), no que tange a
qualidade da classificação (índice Kappa) e tempo de resposta. O integrador, com
classificações híbridas (supervisionadas e não supervisionadas) em sua implementação,
provou ser eficaz no reconhecimento automático (não supervisionado) de padrões
multiespectrais e no aprendizado destes padrões, pois para cada uma das entradas dos recortes
da área-teste, menor foi o aprendizado necessário para sua classificação alcançar um acerto
médio final de 87%, frente às classificações da especialista em imagem. A sua eficácia
também foi comprovada frente aos sistemas computacionais testados, com índice Kappa
médio de 0,86.
=== Only in 2011 were acquired over 1.000TB of new digital image registers arising from
orbital remote sensing. This range of data, which has a geometric progression increasing, is
added annually to an extraordinary and incredible mass of data from existing satellite images
of Earth's surface (acquired since the 70s of last century). This massive amount of raw data
requires computational tools which allow the automatic recognition of image patterns desired
to allow the extraction of geographical objects and targets of interest more quickly and
concisely. The proposal for such recognition to be performed automatically through Spectral
Analysis and Computational Intelligence integration, based on knowledge acquired by image
experts, was implemented as an integrator based on Computational Neural Networks (via
Kohonens Self-Organizing Feature Maps - SOM) and Fuzzy Logic (through Mamdani)
techniques. These techniques were applied to the spectral signatures pattern formed by the
quantization levels or gray levels of the corresponding pattern in each spectral band of each
pattern of interest, so that the pattern classification will depend, in an inseparable manner, of
the spectral signatures correlation of the six bands of the sensor, like the work of image
experts. Bands 1 to 5 and 7 of the Landsat-5 satellite were used for the determination of five
classes / targets of interest in cover and land occupation, in three test areas located in the State
of Rio de Janeiro (Guaratiba, Mangaratiba and Magé) in this integration with comparison of
results with those derived from the interpretation of the imaging expert, which was
corroborated by checking the ground truth. There was also a results comparison obtained with
two commercial computer systems (IDRISI Taiga and ENVI 4.8) with the integrator,
regarding the quality of classification (Kappa) and response time. The integrator, with hybrid
classifications (supervised and unsupervised) in its implementation, proved to be effective in
multispectral automatic (unsupervised) pattern recognition and in learning of these patterns,
because as the input of a new test area occurs, the lower became the process of learning,
which achieve a final average accuracy o f 87%, compared to the experts classifications. Its
efficacy was also demonstrated compared to systems tested, with average Kappa of 0.86.
|
|---|
