@MastersThesis{Bento:2017:AvClÁr,
author = "Bento, Bruna Maria Pechini",
title = "Avalia{\c{c}}{\~a}o de classificadores por {\'a}rvore de
decis{\~a}o e {\'a}rvore de regress{\~a}o em cenas urbanas do
sensor WorldView-2",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2017",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2016-08-29",
keywords = "sensoriamento remoto, alta resolu{\c{c}}{\~a}o espacial,
WorldView-2, GEOBIA, minera{\c{c}}{\~a}o de dados, remote
sensing, high spatial resolution, WorldView-2. GEOBIA, data
mining.",
abstract = "A Terceira Gera{\c{c}}{\~a}o de Sat{\'e}lites Imageadores
proporcionou a disponibiliza{\c{c}}{\~a}o de imagens orbitais
com resolu{\c{c}}{\~o}es espaciais, espectrais,
radiom{\'e}tricas e temporais mais detalhadas, abrindo novos
caminhos para se explorar a complexidade espacial do fen{\^o}meno
urbano. No entanto, a an{\'a}lise dessas imagens pelos
m{\'e}todos tradicionais, que envolvem classificadores pixel a
pixel e por regi{\~a}o, resultam em limita{\c{c}}{\~o}es no
detalhamento de classes e consequentemente baixas acur{\'a}cias.
Dessa maneira, o aumento do conte{\'u}do informativo deste novo
tipo de imagens, exigiu dos usu{\'a}rios a busca por novas
metodologias e ferramentas para analis{\'a}-los. A abordagem da
an{\'a}lise de imagem baseada em objeto geogr{\'a}fico (GEOBIA -
Geographic Object-Based Image Analysis) representou uma
solu{\c{c}}{\~a}o para superar essas limita{\c{c}}{\~o}es. A
GEOBIA permite simular a vis{\~a}o contextual de um
int{\'e}rprete humano, atrav{\'e}s de modelos de conhecimento
expressos por redes sem{\^a}nticas. A constru{\c{c}}{\~a}o de
modelos de conhecimento {\'e} uma tarefa complexa, a qual exige
do int{\'e}rprete o conhecimento pr{\'e}vio da cena e demanda um
longo per{\'{\i}}odo para a sua realiza{\c{c}}{\~a}o. Neste
sentido, t{\'e}cnicas de minera{\c{c}}{\~a}o de dados t{\^e}m
sido amplamente utilizadas como ferramenta de apoio para a
constru{\c{c}}{\~a}o da rede sem{\^a}ntica. Estas v{\^e}m na
vanguarda das tecnologias analisar de forma eficiente bancos de
dados complexos, auxiliando os cientistas nas previs{\~o}es
n{\~a}o triviais. Um dos tipos de algoritmos mais utilizados na
minera{\c{c}}{\~a}o de dados s{\~a}o as {\'a}rvores de
decis{\~a}o. Na classifica{\c{c}}{\~a}o de imagens orbitais,
estes algoritmos selecionam de forma autom{\'a}tica, dentre os
atributos dispon{\'{\i}}veis, os mais adequados na
caracteriza{\c{c}}{\~a}o das classes a serem discriminadas. O
resultado {\'e} representado por uma {\'a}rvore de decis{\~a}o,
que {\'e} um conjunto de regras aplicadas sobre os atributos
dispon{\'{\i}}veis. Este conjunto de regras {\'e}
posteriormente convertido em uma rede sem{\^a}ntica, presente em
plataformas de GEOBIA. Este trabalho prop{\~o}e uma metodologia
empregando conjuntamente abordagens cognitivas e de
minera{\c{c}}{\~a}o de dados com o objetivo de analisar o
desempenho dos algoritmos de {\'a}rvore de decis{\~a}o e
{\'a}rvore de regress{\~a}o para a classifica{\c{c}}{\~a}o de
cobertura do solo urbano. Como base para esta an{\'a}lise foi
utilizada uma {\'a}rea teste do munic{\'{\i}}pio de S{\~a}o
Jos{\'e} dos Campos - SP a partir de uma cena da imagem do
sistema sensor {\'o}ptico de alta resolu{\c{c}}{\~a}o espacial
WorldView-2. Ambos algoritmos apresentaram boas acur{\'a}cias,
sendo que a acur{\'a}cia da {\'a}rvore de decis{\~a}o
apresentou em m{\'e}dia valores ligeiramente maiores do que a
{\'a}rvore de regress{\~a}o. Quanto aos modelos de {\'a}rvore
obtidos nos experimentos, o algoritmo de {\'a}rvore de
decis{\~a}o apresentou melhor capacidade de
generaliza{\c{c}}{\~a}o na formula{\c{c}}{\~a}o das regras por
atributo e, portanto, recorreu a um n{\'u}mero menor de atributos
e gerou menores tamanhos de {\'a}rvores do que os gerados por
{\'a}rvore de regress{\~a}o. As {\'a}rvores de decis{\~a}o
testadas se apoiaram em mais de um programa computacional para
executar suas an{\'a}lises, impondo desafios aos pesquisadores no
que diz respeito a integra{\c{c}}{\~a}o de dados, convers{\~a}o
de formato dos dados, o conhecimento do software a ser utilizado,
al{\'e}m da replica{\c{c}}{\~a}o de arquivos. Uma vez que
{\'a}rea de estudo cobre uma {\'a}rea geogr{\'a}fica reduzida e
obteve um n{\'u}mero elevado de objetos, quando for utilizada uma
cena completa o volume de dados pode representar uma barreira
ainda maior. J{\'a} as {\'a}rvores de regress{\~a}o testadas
pertencem a uma plataforma integrada de GEOBIA, beneficiando o
usu{\'a}rio quanto {\`a} redu{\c{c}}{\~a}o de tempo para a
realiza{\c{c}}{\~a}o de todas as etapas de an{\'a}lise de
imagem. ABSTRACT: The Third Generation of Image Satellites has
enabled the availability of more detailed orbital images with
spatial, spectral, radiometric and temporal resolution. This opens
new ways to explore the spatial complexity of the urban
phenomenon. The analysis of those images through the traditional
methods, which involves pixel-to-pixel and per region classifiers,
results in limitations on class detail and, consequently, low
accuracy. Therefore, the increase of the informative content of
this new type of images has required from the users the search for
new methodologies and tools to analyze them. The analysis approach
of the image based on geographic object (GEOBIA Geographic
Object-Based Image Analysis) represents a solution to overcome
those limitations.The GEOBIA allows simulating the contextual view
of a human interpreter using models of knowledge expressed by
semantic networks.The construction of knowledge models is a
complex task, which requires from the interpreter the previous
knowledge of the scene and demands an extensive period for its
realization. In this sense, data mining techniques have been
widely used as a support tool for the construction of the semantic
network.These come in the forefront of the technology to
efficiently analyze complex databases, assisting scientists in
non-trivial predictions. The decision trees are one of the most
usedtypes of algorithms in data mining. In the classification of
orbital images, those algorithms automatically select the most
appropriate attributes to characterize the discriminated classes.
The result is represented by a decision tree, which is a group of
rules applied on the available attributes. This group of rules is
afterwards converted in a semantic network, present in the GEOBIA
platforms. The aim of this study is to analyze the performance of
the algorithms of the decision tree and the regression tree to
classify the urban land coverage. It proposes for that a
methodology that uses jointly cognitive approaches and data
mining. A test area of S{\~a}o Jos{\'e} dos Campos SP was used
as the base for this analysis, which is a scene from the image of
the spatial high resolution optic sensor WorldView-2.Both
algorithms presented good accuracy and it is worth mentioning that
the decision tree accuracy on average presented values slightly
higher than the regression tree. In what regards the tree models
obtained in the experiments, the decision tree algorithm showed
better generalization capacity in the formulation of the rules by
attribute. As a consequence, it resorted to a smaller number of
attributes and generated smaller tree sizes than the ones
generated by the regression tree.The tested decision trees were
supported by several softwares in the execution of the analyses.
This posed as a challenge to the researchers in what regards the
data integration, data format conversion, knowledge of the
utilized software and also file replication. Albeit this study
covered a reduced geographic area, it presented a high number of
objects. Therefore, it is possible to conclude that, in a complete
scene, the data volume may represent a bigger barrier. On the
other hand, the regression trees that were tested belong to an
integrated platform of GEOBIA, which benefits the user in reducing
the time spent to execute all the image analysis stages.",
committee = "Kux, Hermann Johann Heinrich (presidente/orientador) and Almeida,
Cl{\'a}udia Maria de and Korting, Thales Sehn and Nunes,
Francisco Cristiane",
copyholder = "SID/SCD",
englishtitle = "Assessment of classifiers through decision tree and regression
tree in urban areas using the WorldView-2 sensor",
language = "pt",
pages = "164",
ibi = "8JMKD3MGP3W34P/3MLSFAH",
url = "http://urlib.net/ibi/8JMKD3MGP3W34P/3MLSFAH",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}