ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
ISEGI – Instituto Superior de Estatística e Gestão de Informação   Mestrado/Pós-graduação em C&SIG (2002/2003)   62203 - D...
Upcoming SlideShare
Loading in...5
×

Produção de Mapas Temáticos com Utilização de Classificação Orientada a Objectos (Lezíria Grande de Vila Franca de Xira - 08/09/2003)

290

Published on

Mestrado/Pós-graduação em Ciência & SIG
Trabalho Final - Detecção Remota

Produção de Mapas Temáticos com Utilização de Classificação Orientada a Objectos (Leziria Grande de Vila Franca de Xira)

Published in: Education
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
290
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Transcript of "Produção de Mapas Temáticos com Utilização de Classificação Orientada a Objectos (Lezíria Grande de Vila Franca de Xira - 08/09/2003) "

  1. 1. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final       INSTITUTO SUPERIOR DE ESTATÍSTICA E GESTÃO DE INFORMAÇÃO MESTRADO/PÓS-GRADUAÇÃO EM CIÊNCIA E SISTEMAS DE INFORMAÇÃO GEOGRÁFICA 62203 - DETECÇÃO REMOTA TRABALHO FINAL - PARTE PRÁTICA PRODUÇÂO DE MAPAS TEMÁTICOS COM UTILIZAÇÃO DE CLASSIFICAÇÃO ORIENTADA A OBJECTOS (Leziria Grande de Vila Franca de Xira) Fernando José Pereira Gil (G2002178) Ricardo Nuno Calado Antunes (G2002162) Rita Isabel Isidro Praça (G2002193) Sandra Maria Ferreira (G2002192) 62203drprat-121206173019-phpapp01.doc
  2. 2. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final INSTITUTO SUPERIOR DE ESTATÍSTICA E GESTÃO DE INFORMAÇÃO MESTRADO/PÓS-GRADUAÇÃO EM CIÊNCIA E SISTEMAS DE INFORMAÇÃO GEOGRÁFICA 62203 - DETECÇÃO REMOTA TRABALHO FINAL - PARTE PRÁTICA PRODUÇÂO DE MAPAS TEMÁTICOS COM UTILIZAÇÃO DE CLASSIFICAÇÃO ORIENTADA A OBJECTOS (Leziria Grande de Vila Franca de Xira) FERNANDO JOSÉ PEREIRA GIL (G2002178) RICARDO NUNO CALADO ANTUNES (G2002168) RITA ISABEL ISIDRO PRAÇA (G2002193) SANDRA MARIA FERREIRA (G2002192) Lisboa, 8 de Setembro de 2003 62203drprat-121206173019-phpapp01.doc 1
  3. 3. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final INSTITUTO SUPERIOR DE ESTATÍSTICA E GESTÃO DE INFORMAÇÃO MESTRADO/PÓS-GRADUAÇÃO EM CIÊNCIA E SISTEMAS DE INFORMAÇÃO GEOGRÁFICA 62203 - DETECÇÃO REMOTA TRABALHO FINAL - PARTE PRÁTICA PRODUÇÂO DE MAPAS TEMÁTICOS COM UTILIZAÇÃO DE CLASSIFICAÇÃO ORIENTADA A OBJECTOS (Leziria Grande de Vila Franca de Xira) ÍNDICE DO TEXTO 1. DESCRIÇÃO SUMÁRIA DO TEMA.........................................................................................................2 2. CARACTERISTICAS DA INFORMAÇÃO A UTILIZAR ....................................................................3 3. CONCEITOS E MÉTODOS.......................................................................................................................4 3.1 INTRODUÇÃO.......................................................................................................................................... 4 3.2 ANÁLISE ORIENTADA A OBJECTOS........................................................................................................... 4 3.3 SEGMENTAÇÃO....................................................................................................................................... 4 3.4 CLASSIFICAÇÃO...................................................................................................................................... 5 4. MAPAS TEMÁTICOS ................................................................................................................................7 4.1 INTRODUÇÃO.......................................................................................................................................... 7 4.2 PRIMEIRA CLASSIFICAÇÃO....................................................................................................................... 7 4.3 SEGUNDA CLASSIFICAÇÃO..................................................................................................................... 15 4.4 TERCEIRA CLASSIFICAÇÃO..................................................................................................................... 17 4.5 QUARTA CLASSIFICAÇÃO....................................................................................................................... 18 4.6 QUINTA CLASSIFICAÇÃO........................................................................................................................ 18 5. CONCLUSÕES...........................................................................................................................................21 6. BIBLIOGRAFIA.........................................................................................................................................22 62203drprat-121206173019-phpapp01.doc 1
  4. 4. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final INSTITUTO SUPERIOR DE ESTATÍSTICA E GESTÃO DE INFORMAÇÃO MESTRADO/PÓS-GRADUAÇÃO EM CIÊNCIA E SISTEMAS DE INFORMAÇÃO GEOGRÁFICA 62203 - DETECÇÃO REMOTA TRABALHO FINAL - PARTE PRÁTICA PRODUÇÂO DE MAPAS TEMÁTICOS COM UTILIZAÇÃO DE CLASSIFICAÇÃO ORIENTADA A OBJECTOS (Leziria Grande de Vila Franca de Xira) 1. DESCRIÇÃO SUMÁRIA DO TEMA O objectivo deste trabalho consiste na utilização da aplicação da abordagem da classificação orientada a objectos para produção de mapas temáticos da zona da Leziria Grande de Vila Franca de Xira na região do Ribatejo. Para levar a cabo o conjunto de operações de análise e classificação orientada a objectos foi utilizado o software Ecognition V2.1. Foram efectuados testes com vista à produção de dois tipos de mapas temáticos: um mapa temático com classes genéricas de ocupação do solo (área florestal, área forrageira, área social, estradas, rios e albufeiras e terra arável) e um mapa temático com classes mais detalhadas ao nivel da utilização agricola, entrando em linha de conta com algumas das culturas mais representativas da zona. Qualquer uma das abordagens anteriores teve por base um conjunto de áreas de treino inferidas explicitamente dos elementos da imagem, bem como a utilização de uma estratégia de classificação supervisionada baseada no método do vizinho mais próximo standard. No primeiro caso em análise, a saber a produção de um mapa temático das grandes classes de ocupação do solo, os testes efectuados conduziram a um resultado final, que apesar de não ser perfeito (sentimos nomeadamente que haveria que efectuar mais afinações ao nivel das amostras), se pode considerar razoável face aos elementos que se podem inferir visualmete da imagem, e ao conhecimento da zona. No segundo caso em análise, e apesar dos esforços desenvolvidos, temos a consciência que muito ainda haveria que investigar por forma a que se pudesse obter um mapa temático com qualidade aceitável para todas as classes escolhidas. No entanto, resolveu-se apresentar o resultado que se obteve tendo presente que, não passará de um primeirissimo teste. 62203drprat-121206173019-phpapp01.doc 2
  5. 5. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final 2. CARACTERISTICAS DA INFORMAÇÃO A UTILIZAR A zona de trabalho abrange boa parte da Leziria de Vila Franca, mais de metade da área do concelho de Benavente, e territórios dos concelhos vizinhos, a saber: Alenquer, Azambuja, Salvaterra de Magos e Coruche. Na figura seguinte apresentamos a composição colorida das bandas 432 (RGB) conjuntamente com o limite dos concelhos referidos (escala 1/250.000). A informação raster a trabalhar é constituida por seis bandas do satélite LandSat do Verão de 2000, com um pixel de 25 metro, apresentando-se de seguida as caracteristicas radiométricas das diferentes bandas tendo por referência o sensor TM (Thematic Mapper): -Leziria_b1_00.tif: Banda do azul (0.45-0.52 micra); -Leziria_b2_00.tif: Banda do verde (0.52-0.60 micra); -Leziria_b3_00.tif: Banda do vermelho (0.63-0.69 micra); -Leziria_b4_00.tif: Banda do infra-vermelho próximo (0.76-0.90 micra); -Leziria_b5_00.tif: Banda do infra-vermelho médio1 (1.55-1.75 micra); -Leziria_b7_00.tif: Banda do infra-vermelho médio2 (2.08-2.35 micra). 62203drprat-121206173019-phpapp01.doc 3
  6. 6. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final 3. CONCEITOS E MÉTODOS 3.1 Introdução Nos capítulos seguintes vai-se passar em revista de uma forma breve os conceitos base da classificação orientada a objectos. Desta forma, começa-se por dar uma definição de que é entendido por análise orientada a objectos, abordando-se seguidamente a segmentação e a classificação. Dos métodos apresentados explicitam-se os utilizados no presente trabalho. 3.2 Análise orientada a objectos De acordo com o que é explicitado no manual do Ecognition, na análise orientada a objectos as unidades de processamento de base são os objectos da imagem ou segmentos e não os pixeis individualmente. Isto porque a aproximação baseada nos pixeis tem muitas limitações na extracção de objectos do mundo real a partir das imagens que sejam adequados em termos da classificação que se leve a cabo, e em termos da sua forma. Outra caracteristica da análise das imagens orientada a objectos é a quantidade de informação que pode ser derivada com base nos objectos da imagem. Assim para além do tom, temos tambem a forma, a textura, o contexto e informação de outros layers. Utilizando esta informação, a classificação atinge melhor diferenciação semântica e resultados mais especificos e precisos. Outra das caracteristicas desta aproximação é a inter-operação circular entre o processamento e a classificação dos objectos da imagem. Baseado na segmentação, escala e forma dos objectos de imagem fica disponivel para a classificação informação especifica. Por outro lado, baseada na claassificação, poderão ser activados algoritmos de processamento especificos. Este processamento circular, similar ao processo de entendimento das imagens pelos humanos, resulta numa sequência de estados intermédios, com crescente diferenciação da classificação e com crescente abstracção da informação original fornecida pela imagem. Os primeiros passos deste tipo de abordagem serão assim mais comandados pelos dados em si, nos passos posteriores serão então aplicados mais e mais conhecimento e diferenciação semântica. 3.3 Segmentação Segundo o manual do Ecognition, segmentação é a divisão da imagem em regiões separadas. Nesta operação, há a expectativa de, em muitos casos, ser capaz de extrair automáticamente a partir da imagem, os objectos de interesse desejados para uma dada tarefa. 62203drprat-121206173019-phpapp01.doc 4
  7. 7. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final Os métodos de segmentação de imagem podem-se separar em dois dominios principais: métodos guiados pelo conhecimento (top-down) e métodos guiados pelos dados (bottom-up). As alternativas mais comuns, são as aproximações baseadas no conhecimento. Estas aproximações tentam incorporar o conhecimento derivados de áreas de treino ou outras fontes no processo de segmentação. Neste trabalho utilizou-se a aproximação baseada no conhecimento com definição de áreas de treino. 3.4 Classificação Segundo o manual do Ecognition, de uma forma geral, classificar significa atribuir um número de objectos a uma certa classe de acordo com a descrição da classe. Desta forma, a descrição da classe é a descrição das propriedades ou condições tipicas, que as classes desejadas tem. Os objectos serão assim atribuidos (classificados) de acordo com o facto de estarem ou não de acordo com estas propriedades/condições. Em termos de linguagem de base de dados pode-se dizer que o espaço das caracteristicas é segmentados em diferentes regiões, o que conduz a uma relação de um-para-muitos entre os objectos e as classes. Como resultado tem- se que cada objecto pertence a uma dada classe ou a classe nenhuma. Os classificadores clássicos utilizados em detecção remota (máxiam-parecença, minima-distância, paralelipipedo, etc.) atribuem a pertença de 1 ou 0 aos objectos, expressando assim o facto de um objecto pertencer a uma certa classe ou não. Por este facto estes classificadores, e uma vez que expressão a pertença de um objecto a uma certa classe de uma forma binária, são chamados classificadores duros. Em contraste os classificadores macios (principalmente sistemas fuzzy e classificadores de Bayes) utilizam um grau/probabilidade de pertença para expressar a atribuição de um objecto a uma classe. O valor de pertença habitualmente encontra-se entre 1.0 e 0.0, onde o valor de 1.0 expressa a completa pertença/probabilidade a uma certa classe e o valor de 0.0 expressa a absoluta não pertença/probabilidade. Desta forma, o grau de pertença/probabilidade depende do grau em que os objectos preenchem as propriedades/condições que descrevem a classe. A grande vantagem dos métodos macios é que estes permitem expressar incertezas acerca das descrição das classes. No que diz respeito aos métodos de classificação, estes podem ser básicamente separados em métodos supervisionados e métodos não supervisionados. Enquanto que os métodos supervisionados perguntam ao utilizador como é são 62203drprat-121206173019-phpapp01.doc 5
  8. 8. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final as desejadas classes, os métodos não supervisionados são quase independentes do utilizador. Enquanto que os métodos não supervisionados funcionam quase automáticamente, os métodos supervisionados tem que ser treinados pelo utilizador, habitualmente retirando amostras ou descrevendo as propriedades das classes. Desta forma, a informação relativa à descrição da classe tem que ser precisa, representativa e tão completa como possivel, o que na maioria dos casos é muito dificil. Os métodos de classificação supervisionados podem ser mais trabalho intensivos uma vez que o utilizador tem que descrever as propriedades das classes explicitamente ou retirando amostras representativas de cada uma das classes. No presente trabalho utilizou-se métodos de classificação supervisionados. 62203drprat-121206173019-phpapp01.doc 6
  9. 9. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final 4. MAPAS TEMÁTICOS 4.1 Introdução Para a produção dos mapas temáticos que são o objectivo deste trabalho procedeu-se a um conjunto diverso de classificações cuja descrição se apresenta nos próximos capítulos. Em todas as classificações foi utilizado o método de classificalção baseado em amostras. Neste método o eCognition utiliza uma aproximação fuzzy de clustering do vizinho mais próximo. Baseado nas amostras, a aproximação clustering detecta os objectos de imagem semelhantes no espaço de caracteristicas multidimensional. 4.2 Primeira classificação 4.2.1 Criação do projecto O primeiro passo efectuado resume-se na criação de um novo projecto no eCognition com todas as bandas disponibilizadas (bandas 1 a 7, com excepção da banda 6), que irão corresponder às várias layers (camadas) da imagem. Posteriormente, visuallizou-se a imagem recorrendo a duas composições coloridas com uma equalização do tipo “Histogram“. Assim, nas figuras seguintes 62203drprat-121206173019-phpapp01.doc 7
  10. 10. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final pode-se observar em primeiro lugar, a composição colorida com as bandas 432 colocadas nos canais do vermelho (R), verde (G) e azul (B) respectivamente. Na segunda figura, pode-se observar uma outra composição em que se utiliza as bandas 453 (RGB). 4.2.2 Segmentação Como já foi referido anteriormente, segmentação é a divisão da imagem em regiões separadas. Nesta primeira classificação efectuou-se esta operação atribuindo a todas as bandas o mesmo peso 1. Os restantes parametros podem ser consultados na figura seguinte. 62203drprat-121206173019-phpapp01.doc 8
  11. 11. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final Na figura seguinte, apresenta-se o resultado da segmentação com a opção “object mean”. 62203drprat-121206173019-phpapp01.doc 9
  12. 12. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final 4.2.3 Criação dos poligonos No passo seguinte efectuou-se a vectorização automática dos objectos imagem resultantes da segmentação, recorrendo à ferramenta respectiva do eCognition, de que resultou a criação dos poligonos respectivos. 62203drprat-121206173019-phpapp01.doc 10
  13. 13. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final 4.2.4 Criação de classes Tendo em vista a produção do mapa temático pretendido, criaram-se seis classes: 1. Área Florestal 2. Área Forrageira 3. Área Social 4. Estradas 5. Rios e Albufeiras 6. Terra Arável As convenções atribuidas a estas classes, em termos de código de cores, foram as seguintes: Seguidamente foram asssociadas a cada uma das classes amostras num total de 109, o mais representativas possivel do seu conteúdo. Esta operação é ilustrada nas figuras seguintes. - Área Florestal (12 amostras): 62203drprat-121206173019-phpapp01.doc 11
  14. 14. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final - Área Forrageira (10 amostras): - Área Social (18 amostras): 62203drprat-121206173019-phpapp01.doc 12
  15. 15. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final - Estradas (3 amostras): - Rios e Albufeiras (20 amostras): - Terra Arável (46 amostras): 62203drprat-121206173019-phpapp01.doc 13
  16. 16. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final Na figura seguinte, pode-se observar a máscara de treino e teste (TTA mask) mandada gerar a apartir das 109 amostras anteriormente carregadas. De seguida, e de forma procedeu-se à aplicação em cada uma das classes dos parametros relativos ao método do vizinho mais próxímo standard, tal como é mostrado na figura seguinte. 4.2.5 Classificação O corolário dos passos anteriores é pois a classificação do espaço de caracteristicas constituido pela informação raster em análise. 62203drprat-121206173019-phpapp01.doc 14
  17. 17. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final A aplicação da classificação com os critérios e métodos anteriormente enunciados permitiu obtiver os resultados que se apresentam na figura seguinte. Uma vez que estes resultados se revelaram claramente insatisfatórios devido à discrepância entre a classificação e a realidade no terreno, nomeadamente no que diz respeito à falsa e extensiva identificação de corpos de água, procuraram- se outras estratégias que se apresentam nos próximos capítulos consubstanciadas nas classificações e processamentos respectivos. 4.3 Segunda classificação Nesta classificação, utilizou-se as mesmas classes da anterior. Foi tambem utilizada a mesma máscara de treino e teste, no entanto as amostras foram carregadas com as caracteristicas agora disponibilizadas para análise. Os procedimentos foram muito semelhantes aos anteriores, tendo-se mantido o fluxo de trabalho. A diferença principal situa-se na forma como foi efectuada a segmentação. A segmentação da imagem só entrou em linha de conta com as bandas 2, 3 e 4 uma vez que às restantes foi atribuido um peso com o valor 0. Esta operação é ilustrada pela figura seguinte. 62203drprat-121206173019-phpapp01.doc 15
  18. 18. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final A classificação assim obtida é a que se apresenta na figura seguinte. 62203drprat-121206173019-phpapp01.doc 16
  19. 19. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final Como se popde observar este mapa temático já está mais consentâneo com a realidade. No entanto, ressalva-se ainda o facto de se ter sentido muita dificuldade de separar de forma inequivoca os arrozais dos restantes corpos de água. A sua correcta delimitação só poderá ser efectuada numa imagem de uma data mais tardia na qual esta cultura esteja numa fase do seu ciclo cultural em que as plantas cubram mais uniformemenete os canteiros. Pode-se considerar tambem a possibilidade de se efectuar uma outra classificação em que seja criada explicitamente uma classe para os arrozais, para se possa tentar concluir da sua separabilidade dos restantes corpos de água. Após esta classificação ainda se efectuaram mais dois teste que se passam a apresentar. 4.4 Terceira classificação Os procedimentos utilizados foram muito semelhantes aos anteriores, tendo-se mantido o fluxo de trabalho. A diferença principal situa-se na quantidade de dados (número de bandas da imagem) carregados no projecto inicial, e do seu reflexo na composição das amostras. Desta forma, só foram carregadas no projecto as bandas 2, 3 e 4. O resultado do conjunto de procedimentos atrás descrito é oque se apresenta na figura seguinte. Como se pode verificar tambem esta estratégia continua a classificar como corpos de água os arrozais em que as plantas estão nos seus estados iniciais de 62203drprat-121206173019-phpapp01.doc 17
  20. 20. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final desenvolvimento, como espectável, gerando uma pior classificação que a anterior no que diz respeito à área florestal. 4.5 Quarta classificação Os procedimentos utilizados foram muito semelhantes aos anteriores, tendo-se mantido o fluxo de trabalho. A diferença principal situa-se na quantidade de dados (número de bandas da imagem) carregados no projecto inicial, e do seu reflexo na composição das amostras. Desta forma, só foram carregadas no projecto as bandas 3, 4 e 5. O resultado do conjunto de procedimentos atrás descrito é o que se apresenta na figura seguinte. Com esta classificação, e por mera análise visual constata-se uma clara diminuição da área forrageira em relação às anteriores, bem como a um aumento da classificação incorrecto de áreas de estradas. 4.6 Quinta classificação Os procedimentos utilizados foram muito semelhantes aos anteriores, tendo-se mantido o fluxo de trabalho. A diferença principal situa-se na quantidade de dados (número de bandas da imagem) carregados no projecto inicial, e do seu reflexo na composição das amostras. Desta forma, só foram carregadas no projecto as bandas 2, 3 e 4. Para esta classificação, criou-se um novo conjunto de classes onde se separou a classe Terra Arável nas suas culturas mais significativas. 62203drprat-121206173019-phpapp01.doc 18
  21. 21. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final As classes criadas foram assim as seguintes: -Milho de regadio; -Beterrada; -Girassol de regadio; -Arroz; -Tomate; -Floresta; -Rios e albufeiras; -Áreas sociais; e -Áreas forrageiras. O resultado do conjunto de procedimentos atrás descrito é oque se apresenta na figura seguinte. 62203drprat-121206173019-phpapp01.doc 19
  22. 22. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final Nesta classificação já se consegui uma separação do arroz da classe Rios e Albufeiras. No que diz respeito à obtenção da separação correcta entre as várias culturas, esta apenas pode ser considerada como uma primeirissima e muito limitada aproximação. Apesar de serem de salientar os bons resultados obtidos com a classificação das áreas de milho, beterraba, área forrageira, floresta e rios e albufeiras. 62203drprat-121206173019-phpapp01.doc 20
  23. 23. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final 5. CONCLUSÕES Uma vez que a versão do eCognition com que se trabalhou é uma versão de demonstração que não permite exportação dos dados a sua análise fica restrita à sua avaliação visual em face do existente na realidade. Tendo em conta as limitações referidas, e face ao conhecimento do terreno e à interpreteção visual dos objectos presentes na imagem, e no que diz respeito ao mapa temático de carácter genérico, indicamos a segunda classificação como a mais próxima das realidades referidas. 62203drprat-121206173019-phpapp01.doc 21
  24. 24. ISEGI – Instituto Superior de Estatística e Gestão de Informação Mestrado/Pós-graduação em C&SIG (2002/2003) 62203 - Detecção Remota Trabalho Final 6. BIBLIOGRAFIA 1. ISEGI-UNL. Mestrado em Ciência e SIG, 2002/2003. Documentação fornecida no âmbito da cadeira de Detecção Remota. 2. eCognition User Guide. Release 2.1. Definiens Imaging, 2001. 62203drprat-121206173019-phpapp01.doc 22

×