Fechar
Metadados

@MastersThesis{Franša:2017:EsCaSe,
               author = "Fran{\c{c}}a, David Guimar{\~a}es Monteiro",
                title = "Compara{\c{c}}{\~a}o entre classifica{\c{c}}{\~o}es de 
                         cobertura do solo urbano derivadas do WV-2 quanto ao 
                         n{\'{\i}}vel da legenda de classifica{\c{c}}{\~a}o: estudo de 
                         caso para um setor da Unicamp, SP",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2017",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2016-08-31",
             keywords = "sensoriamento remoto urbano, GEOBIA, modelo digital de altura, 
                         CART, urban remote sensing, digital height model, AdaBoost.M1.",
             abstract = "{\'A}reas urbanas possuem import{\^a}ncia estrat{\'e}gica por 
                         abrigarem a imensa maioria da popula{\c{c}}{\~a}o brasileira, 
                         mas essas {\'a}reas s{\~a}o din{\^a}micas e demandam 
                         cont{\'{\i}}nua atualiza{\c{c}}{\~a}o cartogr{\'a}fica. Tal 
                         necessidade posiciona o sensoriamento remoto orbital (SR) como 
                         ferramenta chave para o mapeamento e atualiza{\c{c}}{\~a}o 
                         dessas {\'a}reas, oferecendo cobertura sistem{\'a}tica e elevada 
                         qualidade geom{\'e}trica. Mas a complexidade dos alvos urbanos 
                         {\'e} tema persistente na literatura e vai al{\'e}m das 
                         limita{\c{c}}{\~o}es espectrais. Neste contexto, este trabalho 
                         explorou as potencialidades e limita{\c{c}}{\~o}es do sensor 
                         WorldView-2 (WV-2) para a classifica{\c{c}}{\~a}o fina de alvos 
                         urbanos, utilizando-se de algoritmos n{\~a}o-param{\'e}tricos e 
                         tendo como objeto de estudo uma {\'a}rea contendo grande 
                         diversidade de materiais de cobertura do solo, localizada em uma 
                         {\'a}rea-teste do campus da Universidade Estadual de Campinas 
                         (UNICAMP), S{\~a}o Paulo. De forma a cumprir essa tarefa, foram 
                         explorados m{\'e}todos de minera{\c{c}}{\~a}o de dados, 
                         refinados pelo algoritmo h{\'{\i}}brido de boosting 
                         (AdaBoost.M1) e conjugados a an{\'a}lise de imagens baseada em 
                         objetos geogr{\'a}ficos (GEOBIA). Foram analisados tr{\^e}s 
                         algoritmos de {\'a}rvore de decis{\~a}o: C4.5 (J48), C5.0 (See5) 
                         e CART em dois n{\'{\i}}veis de legenda de 
                         classifica{\c{c}}{\~a}o, com e sem o aux{\'{\i}}lio de um 
                         modelo digital de altura (MDA). Como resultado, foram gerados 12 
                         cen{\'a}rios de classifica{\c{c}}{\~a}o para uma mesma imagem 
                         da {\'a}rea de estudo. O algoritmo de boosting se mostrou 
                         eficiente nos 12 experimentos de classifica{\c{c}}{\~a}o, 
                         auxiliando as {\'a}rvores de decis{\~a}o a atingirem valores de 
                         exatid{\~a}o tem{\'a}tica de at{\'e} 0,74 para 12 classes de 
                         legenda (N{\'{\i}}vel I) e 0,72 para 36 classes do 
                         N{\'{\i}}vel II. No que diz respeito {\`a} an{\'a}lise 
                         comparativa dos algoritmos, o CART com aux{\'{\i}}lio do MDA 
                         gerou o modelo de {\'a}rvore de decis{\~a}o com o menor 
                         n{\'u}mero de regras dentre os algoritmos aqui apresentados. Por 
                         fim, conclui-se que a metodologia apresentada se mostrou 
                         satisfat{\'o}ria na minera{\c{c}}{\~a}o de dados visando {\`a} 
                         classifica{\c{c}}{\~a}o supervisionada baseada em objeto da 
                         imagem WV-2 referente {\`a} {\'a}rea de estudo analisada neste 
                         trabalho. ABSTRACT: Urban areas have strategic importance for 
                         hosting the vast majority of the population, but these areas are 
                         dynamic and require continuous and updated mapping. As a 
                         consequence of this need, remote sensing (RS) plays a key role in 
                         mapping and updating these areas, providing systematic coverage 
                         and high geometrical quality, but the complexity of urban targets 
                         is a persistent theme in the literature and goes beyond spectral 
                         limitations. In this context, this work explored comparatively the 
                         potential and constraints of the WorldView-2 sensor (WV-2) in the 
                         fine classification of urban targets by means of non-parametric 
                         algorithms and having as a study object an area containing a large 
                         diversity of land cover materials, located at the campus of 
                         Campinas State University (UNICAMP), belonging to Sao Paulo state, 
                         Brazil. Data mining methods where explored in order to fulfill 
                         this task, refined by the boosting algorithm (AdaBoost.M1) they 
                         where also coupled to the geographical object-based image analysis 
                         (GEOBIA). Three algorithms were also analyzed for two legend 
                         levels: C4.5 (J48), C5.0 (See5) and CART, with and without the 
                         help of a digital height model (DHM). As a result, 12 
                         classification scenarios where generated for a single image of the 
                         study area. The boosting algorithm displayed its efficiency in the 
                         12 experiments by means of assisting the decision trees to reach 
                         thematic accuracy values of up to 0.74 to the first 12 legend 
                         classes (Level I) and up to 0.72 to 36 classes of the Level II. 
                         Regarding the comparative analysis among the algorithms, the CART 
                         algorithm with the help of the DHM, generated the decision tree 
                         model with the smallest number of rules among them. Lastly, we can 
                         conclude that the methodology hereby presented proved to be 
                         satisfactory in the data mining targeted to the object-based 
                         supervised classification of the WV-2 image related to the study 
                         area analyzed in this work.",
            committee = "Almeida, Cl{\'a}udia Maria de (presidente/orientadora) and Kux, 
                         Hermann Johann Heinrich and K{\"o}rting, Thales Sehn and Feitosa, 
                         Raul Queiroz",
           copyholder = "SID/SCD",
         englishtitle = "Comparison of land cover classifications of WV-2 images regarding 
                         the legend level: a case study in the Unicamp-SP sector",
             language = "pt",
                pages = "243",
                  ibi = "8JMKD3MGP3W34P/3MAPN7E",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34P/3MAPN7E",
           targetfile = "publicacao.pdf",
        urlaccessdate = "24 nov. 2020"
}


Fechar