@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 = "27 abr. 2024"
}