Fechar
Metadados

@Article{ReisDutrSantEsca:2018:AnInEn,
               author = "Reis, Mariane Souza and Dutra, Luciano Vieira and Sant'Anna, 
                         Sidnei Jo{\~a}o Siqueira and Escada, Maria Isabel Sobral",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)}",
                title = "An{\'a}lise das incertezas envolvidas em 
                         classifica{\c{c}}{\~a}o multi-legendas da cobertura da terra com 
                         suporte de simula{\c{c}}{\~a}o Monte Carlo",
              journal = "Revista Brasileira de Cartografia",
                 year = "2018",
               volume = "69",
               number = "9",
                pages = "1847--1863",
             keywords = "Classifi ca{\c{c}}{\~a}o de Cobertura da Terra, Classifi 
                         ca{\c{c}}{\~a}o Hier{\'a}rquica, Incerteza da Classifi 
                         ca{\c{c}}{\~a}o, Compara{\c{c}}{\~a}o de Classifi cadores, 
                         Classifi ca{\c{c}}{\~a}o Baseada em Pixel, Amaz{\^o}nia, Land 
                         Cover Classifi cation, Hierarchic Classifi cation, Classifi cation 
                         Uncertainty, Classifi er Comparison, Pixel Wise Classifi cation, 
                         Amazon.",
             abstract = "A necessidade de informa{\c{c}}{\~o}es acerca das din{\^a}micas 
                         de uso da terra tornou estudos relacionados {\`a} classifi 
                         ca{\c{c}}{\~a}o de uso e cobertura da terra na regi{\~a}o 
                         Amaz{\^o}nica relevantes no campo cient{\'{\i}}fi co, com 
                         destaque ao uso de classifi cadores supervisionados. No entanto, o 
                         desempenho de um classifi cador supervisionado {\'e} dependente 
                         dos dados de entrada utilizados (imagem a ser classifi cada, defi 
                         ni{\c{c}}{\~a}o das classes e coleta de amostras de 
                         treinamento), que em muitos estudos n{\~a}o s{\~a}o propriamente 
                         avaliados. Para contribuir com o entendimento de como 
                         varia{\c{c}}{\~o}es nos dados de entrada afetam os resultados da 
                         classifi ca{\c{c}}{\~a}o supervisionada, este estudo analisou os 
                         resultados de classifi ca{\c{c}}{\~o}es de cobertura da terra em 
                         uma regi{\~a}o da Amaz{\^o}nia brasileira, considerando 
                         diferentes m{\'e}todos de classifi ca{\c{c}}{\~a}o baseados em 
                         pixel, legendas com distintos n{\'{\i}}veis de detalhe 
                         (n{\'u}mero de classes) e a sensibilidade dos classifi cadores 
                         {\`a} varia{\c{c}}{\~a}o das amostras de treinamento 
                         (Incerteza) com o uso de uma imagem {\'o}tica de m{\'e}dia 
                         resolu{\c{c}}{\~a}o. Para tanto, foram geradas 100 imagens 
                         classifi cadas para tr{\^e}s legendas com diferentes 
                         n{\'{\i}}veis de detalhe e diferentes confi gura{\c{c}}{\~o}es 
                         de quatro algoritmos de classifi ca{\c{c}}{\~a}o 
                         supervisionados: M{\'a}xima Verossimilhan{\c{c}}a (ML), 
                         M{\'a}quina de Vetores Suporte (SVM), {\'A}rvore de Decis{\~a}o 
                         (J48) e k-Vizinhos mais Pr{\'o}ximos (K-NN). No total, foram 
                         obtidos 111 (3 n{\'{\i}}veis de legenda x 37 confi 
                         gura{\c{c}}{\~o}es de classifi cadores) grupos de 100 imagens 
                         classifi cadas, que foram utilizados para gerar imagens combinadas 
                         em que cada pixel recebe o r{\'o}tulo mais frequente nesses 
                         grupos de imagens (moda) e mapas da Incerteza associada. De forma 
                         geral, a combina{\c{c}}{\~a}o de imagens retornou uma imagem 
                         classifi cada de igual ou maior exatid{\~a}o que imagens que a 
                         comp{\~o}em, com diferen{\c{c}}as menos expressivas em 
                         fun{\c{c}}{\~a}o dos classifi cador utilizado que ao se 
                         considerar os grupos de 100 imagens classifi cadas, embora a 
                         diferen{\c{c}}a no valor de exatid{\~a}o seja pequena. A maioria 
                         das imagens classifi cadas mais acuradas foram obtidas utilizando 
                         alguma confi gura{\c{c}}{\~a}o do algoritmo K-NN. No entanto, 
                         esse algoritmo apresentou maiores valores de Incerteza quando 
                         comparado a ML e SVM. Essa maior variabilidade (maiores valores de 
                         Incerteza), em compensa{\c{c}}{\~a}o, colabora para a 
                         obten{\c{c}}{\~a}o de melhores resultados da 
                         opera{\c{c}}{\~a}o da moda, pois permite reclassifi car 
                         adequadamente pixels de classifi ca{\c{c}}{\~a}o inst{\'a}vel. 
                         O algoritmo ML apresentou resultados mais consistentes (variam 
                         pouco em rela{\c{c}}{\~a}o ao conjunto de amostras de 
                         treinamento), adequadamente acurados e possui 
                         utiliza{\c{c}}{\~a}o mais simples, j{\'a} que a etapa de ajuste 
                         de par{\^a}metros n{\~a}o {\'e} necess{\'a}ria. Quanto menor o 
                         n{\'{\i}}vel de detalhe da legenda, maior a exatid{\~a}o das 
                         imagens classifi cadas e menor sensibilidade das imagens classifi 
                         cadas {\`a} varia{\c{c}}{\~a}o das amostras de treinamento 
                         (Incerteza). A diminui{\c{c}}{\~a}o do n{\'{\i}}vel de detalhe 
                         da legenda resulta tamb{\'e}m em diferen{\c{c}}as menos sutis na 
                         exatid{\~a}o das imagens classifi cadas por diferentes algoritmos 
                         na confi gura{\c{c}}{\~a}o {\'o}tima. ABSTRACT: The need for 
                         information about the dynamics of land use highlighted the 
                         relevancy of classifi cation of land use and land cover in the 
                         Amazon region studies, with special interest to those related to 
                         the use of supervised classifi ers. However, the performance of a 
                         supervised classifi er is dependent on the input data used (image 
                         to be classifi ed, class defi nition and sample training), which 
                         are not properly evaluated in many studies. In order to contribute 
                         to the understanding of how variations in the input data aff ect 
                         supervised classifi cation results, this study analyzed land cover 
                         classifi cations in a region of the Brazilian Amazon, obtained by 
                         diff erent pixel based classifi cation methods, legends with 
                         distinct levels of detail (number of classes) and the sensitivity 
                         of the classifi ers to the variation of the training samples 
                         (Uncertainty), with the use of a medium resolution optical image. 
                         For this, 100 classifi ed images were generated, considering three 
                         legends with diff erent levels of detail and varied confi 
                         gurations of four supervised classifi cation algorithms: Maximum 
                         Likelihood (ML), Support Vector Machine (SVM), Decision Tree (J48) 
                         and k-Nearest Neighbors (K-NN). In total, 111 (3 levels of legend 
                         x 37 confi gurations of classifi ers) groups of 100 classifi ed 
                         images were obtained, which were used to generate combined images 
                         in which each pixel receives the most frequent label in a given 
                         group of images (mode). Associated Uncertainty maps were also 
                         generated from these groups of 100 classifi ed images. In general, 
                         combining groups of classifi ed images returned a classifi ed 
                         image of equal or greater accuracy than those used to generated 
                         it, with less expressive diff erences related to the used classifi 
                         er than when considering the groups of 100 classifi ed images. 
                         Nevertheless, this diff erence in accuracy is small. Generally, 
                         the most accurate classifi ed images were obtained from some confi 
                         guration of the K-NN algorithm. However, this algorithm presented 
                         Uncertainty values higher than either ML or SVM. Nonetheless, this 
                         greater variability (higher Uncertainty values) contributes to 
                         obtaining better results from mode operation, since it allows to 
                         properly reclassify unstably classifi ed pixels. The ML algorithm 
                         presented more consistent results (smaller variation in results 
                         due to variation of the training samples set), that are adequately 
                         accurate and has a simpler use, since the step of adjusting 
                         parameters is not necessary. The decrease of the detail level in 
                         legends results in more accurate also less infl uenced by the 
                         training samples variation (Uncertainty) classifi ed images. The 
                         decrease in legend detail also leads to less subtle diff erences 
                         in the accuracy of the classifi ed images obtained by diff erent 
                         algorithms in the optimal confi guration.",
                 issn = "0560-4613 and 1808-0936",
             language = "en",
           targetfile = "reis_analise.pdf",
        urlaccessdate = "26 nov. 2020"
}


Fechar