Fechar

Metadados

1. Identificação Tipo de Referência Tese ou Dissertação (Thesis) Site mtc-m12.sid.inpe.br Código do Detentor isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S Identificador 6qtX3pFwXQZ3P8SECKy/DFLzh Repositório sid.inpe.br/jeferson/2004/10.06.14.19 Última Atualização 2015:01.28.13.03.20 (UTC) administrator Repositório de Metadados sid.inpe.br/jeferson/2004/10.06.14.19.55 Última Atualização dos Metadados 2018:06.05.00.40.40 (UTC) administrator Chave Secundária INPE-12908-TDI/1011 Chave de Citação Gleriani:2004:ReNeAr Título Redes neurais artificiais para classificação espectro-temporal de culturas agrícolas Título Alternativo Artificial neural networks to spectral-temporal classification of agricultural crops Curso SER-SPG-INPE-MCT-BR Ano 2004 Data 2004-08-30 Data de Acesso 11 maio 2024 Tipo da Tese Tese (Doutorado em Sensoriamento Remoto) Tipo Secundário TDI Número de Páginas 212 Número de Arquivos 651 Tamanho 32004 KiB 2. Contextualização Autor Gleriani, José Marinaldo Grupo SER-SPG-INPE-MCT-BR Banca Fonseca, Leila Maria Garcia (presidente) Epiphanio, José Carlos Neves (orientador) Silva, José Demísio Simões da (orientador) Valeriano, Márcio de Morisson Vettorazzi, Carlos Alberto Antunes, Mauro Antonio Homem Endereço de e-Mail marcelo.pazos@inpe.br Universidade Instituto Nacional de Pesquisas Espaciais (INPE) Cidade São José dos Campos Histórico (UTC) 2006-05-25 18:24:53 :: jefferson -> jeferson :: 2006-07-20 18:29:08 :: jeferson -> administrator :: 2014-11-19 18:06:53 :: administrator -> sergio :: 2004 2015-02-04 13:06:05 :: sergio -> marcelo.pazos@sid.inpe.br :: 2004 -> 2005 2015-02-04 13:07:35 :: marcelo.pazos@sid.inpe.br -> administrator :: 2005 2015-02-04 17:45:24 :: administrator -> marcelo.pazos@sid.inpe.br :: 2005 2015-02-04 17:45:53 :: marcelo.pazos@sid.inpe.br -> administrator :: 2005 -> 2004 2018-06-05 00:40:40 :: administrator -> :: 2004 3. Conteúdo e estrutura É a matriz ou uma cópia? é a matriz Estágio do Conteúdo concluido Transferível 1 Palavras-Chave identificação de culturas agrículas análise multitemporal índice de vegetação da diferença normalizada redes neurais fenologia crop identification temporal resolution normalized difference vegetation index neural nets phenology Resumo Investigou-se nesse trabalho uma nova metodologia de classificação de cenas agrícolas em imagens digitais. As cenas agrícolas possuem uma complexidade intrínseca causada pela desuniformidade fenológica encontrada em uma cena, além da perda de particularidades espectrais quando imageadas pelos sensores orbitais de bandas largas. Visando solucionar esse problema, foi analisada uma metodologia onde um pixel é analisado de maneira contínua no tempo, e a espectro-temporalidade obtida é analisada através de redes neurais. Dez imagens do sensor ETM+ (Enhanced Thematic Mapper Plus) da órbita/ponto 220/74, do ano de 2002 da região de Miguelópolis (SP) foram utilizadas. Estas imagens foram retificadas radiometricamente para a uniformização dos efeitos atmosféricos e classificadas através de perceptrons de múltiplas camadas treinados com o algoritmo de retropropagação do erro (RPE); outra rede utilizada foi a rede de Funções de Base Radial (FBR), além do classificador Gaussiano de máxima verossimilhança. Foram utilizados como parâmetros de entrada as bandas 3, 4 e 5, e o índice NDVI como indicador de variação de IAF (Índice de Área Foliar). As classificações foram supervisionadas tendo 6 classes agrícolas: feijão1, feijão2, milho, sorgo, cana colhida no ano e cana de ano e meio. Foram testados diferentes parâmetros estatísticos para alimentar as redes como a média e/ou desvio padrão de janelas com 3x3 pixels, em três combinações diferentes: média e desvio padrão das bandas 3, 4 e 5 e do NDVI; média do NDVI e média e desvio padrão das bandas 3, 4 e 5 e, por último, somente os arquivos de média das bandas e do NDVI. A melhor combinação de parâmetros foi a utilização apenas dos arquivos de média, uma vez que o uso do desvio padrão introduziu ruído na classificação. Após a escolha da melhor combinação de parâmetros estatísticos, analisou-se, através da classificação temporal, o desempenho dos algoritmos RPE, FBR e o MaxVer. Numa análise posterior, executaram-se com esses três algoritmos, classificações de única data, que foram confrontadas com a classificação temporal. Por último, testou-se a tolerância das redes neurais a dados falhos, simulando-se a perda alternada de imagens. Essas imagens foram suprimidas e substituídas pela média entre a imagem anterior e a posterior à data considerada. Os desempenhos das classificações foram analisados através de procedimentos de estatística kappa e kappa condicional, este último permitiu verificar o desempenho dos classificadores e a influência da temporalidade para cada classe específica. Na análise dos classificadores, o algoritmo de RPE apresentou um valor de kappa superior à rede FBR e ao MaxVer; porém sem diferença significativa. A simulação de dados falhos, resultou numa queda não significativa do kappa, mas a classe sorgo desapareceu do mapa temático final. O kappa condicional mostrou que a temporalidade na caracterização das culturas agrícolas é relevante principalmente com a rede RPE, embora a melhora na classificação nem sempre ocorra simultaneamente em relação aos erros de omissão e comissão de cada classe. A única classe que não se beneficiou com o uso da temporalidade foi a classe cana de ano. Essa classe é de difícil definição do vetor espectro-temporal pela ação antrópica que pode ocorrer em sete meses ao longo do ano. No entanto, a classificação com uma única data, em meados de abril, mostrou ser bastante satisfatória. A análise espectro-temporal de cenas agrícolas processada através de redes neurais é promissora em relação aos tradicionais métodos de classificação. ABSTRACT: This work aimed at investigating a new classification methodology for agricultural scenes in digital images. Agricultural scenes are intrinsically complex due to phenological differences found in the scene and to the loss of spectral particularities when surveyed by broad-band orbital sensors. In order to solve this problem, a new methodology is presented, where the pixel is seen as a continuum in time and the spectral-temporality is analyzed using neural networks. Ten ETM+ images, path/row 220/74 of Miguelópolis-SP, Brazil, from the winter of 2002 were used. These images were radiometricaly corrected to uniform the atmospheric effects and classified by a multilayer perceptron trained with the backpropagation error (BPE) algorithm; another neural network used was radial basis function (FBR), besides the Maximum Likelihood Gaussian classifier (MaxVer). The input parameters were bands 3, 4 and 5 and the NDVI (Normalized Difference Vegetation Index) as an LAI (Leaf Area Index) variation indicator. Supervised classifications were used with six agricultural classes: beans1, beans2, corn, sorghum, one-year sugarcane and one-year-and-half sugarcane. Different ways of feeding the network with the average and/or standard deviation of 3x3 pixel windows were tried with three different combinations: average and standard deviation of bands 3, 4 and 5 and of NDVI; average of NDVI and average and standard deviation of bands 3, 4 and 5; and only the files of average of the bands and the NDVI. The best combinations parameters was the use only the average files, because the standard deviation introduced noise in classification. After choosing the best statistical parameters to be used, the performance of the BPE, FBR and the MaxVer algorithms were analyzed through a temporal classification. Then, the classification within each date was carried out with these three algorithms and the results were analyzed and compared against the temporal classification of each algorithm. At last, the tolerance of the neural network was tested for missing data, simulating the loss of images from every other date. These images were suppressed and substituted by the average between the preceding and the posterior images to the considered date. The performance of these classifications was tested using kappa and conditional kappa statistics; this last test allowed the evaluation of the performance of the classifiers and of the temporal trend of each specific class. Results for the statistical parameters showed that using only the files of average is enough to represent the classes, as the standard deviation introduces noise to the classification. The BPE algorithm presented a higher kappa value than FBR network and MaxVer algorithms, but withou significative difference; however without statistical significance. The simulation of missing data caused no significant decrease on kappa statistics, but the class sorghum was suppressed from the final thematic map. The conditional kappa showed that the use of temporal characteristics of the data in the classification of agricultural crops is relevant, mainly with the BPE network, although the improvement in the classification is not always simultaneous in relation to the commission and omissions errors of each class. The only class that did not show an improvement with the temporal characteristic was the one-year sugarcane. In this class the spectral-temporal vector is difficult to define due to tillage practices that may occur any time during seven months throughout the year. Meanwhile, the classification using only one date from April showed rather satisfactory. The spectral-temporal analysis of the agricultural scenes by neural network is promising in comparison with traditional classification methods. Área SRE Arranjo urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Redes neurais artificiais... Conteúdo da Pasta doc acessar Conteúdo da Pasta source publicacao.pdf 28/01/2015 11:02 5.1 MiB Conteúdo da Pasta agreement TERMO DE DEPOSITO ASSINADO PELO AUTOR MARINALDO.pdf 28/01/2015 11:03 1001.3 KiB  4. Condições de acesso e uso URL dos dados http://urlib.net/ibi/6qtX3pFwXQZ3P8SECKy/DFLzh URL dos dados zipados http://urlib.net/zip/6qtX3pFwXQZ3P8SECKy/DFLzh Idioma pt Arquivo Alvo paginadeacesso.html Grupo de Usuários administrator jefferson marcelo.pazos@inpe.br sergio Visibilidade shown Licença de Direitos Autorais urlib.net/www/2012/11.12.15.10 Detentor da Cópia SID/SCD Permissão de Leitura allow from all Permissão de Atualização não transferida 5. Fontes relacionadas Unidades Imediatamente Superiores 8JMKD3MGPCW/3F3NU5S Divulgação NTRSNASA; BNDEPOSITOLEGAL. Acervo Hospedeiro sid.inpe.br/banon/2001/04.06.10.52 6. Notas Campos Vazios academicdepartment affiliation archivingpolicy archivist callnumber contenttype creatorhistory descriptionlevel doi electronicmailaddress format isbn issn label lineage mark mirrorrepository nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype

Fechar