@MastersThesis{França: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/ibi/8JMKD3MGP3W34P/3MAPN7E",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}