Evaluating segmentation and classification approaches using rapideye data for vegetation mapping in Minas Gerais, Brazil

Abstract

Este trabalho tem como objetivo principal investigar diferentes abordagens de segmentação e classificação de imagens de sensoriamento remoto para o mapeamento de áreas vegetadas no estado de Minas Gerais. Como ponto de partida, este trabalho foca no desenvolvimento de uma abordagem geral de seleção e avaliação da segmentação de imagens de alta resolução utilizando amostras de objetos reais, os quais são referidos como objetos-referencia. Uma série de medidas foi aplicada para a avaliação da qualidade da segmentação produzida por diferentes combinações de parâmetros em diferentes classes de cobertura do solo. Estas medidas foram utilizadas para gerar diferentes valores de ranking onde a combinação de parâmetros que obteve o maior ranking foi selecionada com a combinação ideal de parâmetros para a segmentação de uma determinada classe. Os resultados dessa abordagem mostraram que cada classe apresentou um parâmetro diferente de segmentação, o que reforça que uma abordagem de escala única pode não ser adequada para representar toda a área de estudo. Uma vez selecionado a melhor segmentação (produzida pelos parâmetros selecionados), foi aplicada uma abordagem de classificação baseada em diferentes classificadores: Support Vector Machine, Árvores de Decisão e Random Forest. O objetivo desta abordagem foi verificar o desempenho destes classificadores combinados à abordagem baseada em objetos em gerar mapas da cobertura do solo. Baseando-se nos resultados de comparação visual e de valores de exatidão, o mapa produzido pelo Random Forest retratou mais precisamente todas as classes de cobertura do solo do que os outros mapas produzidos pelo classificador Árvore de Decisão e Support Vector Machine.

This study aims to investigate different segmentation and classification approaches using remote sensing imagery for mapping vegetated areas in the state of Minas Gerais. As a starting point, this research focuses on developing a general approach for selecting and evaluating the segmentation of high- resolution images using samples of real objects, which are referred to as reference objects. Several goodness measures have been applied for the assessment of the quality of the segmentation produced by different combinations of parameters for different land-cover classes. These measurements were used to generate different ranking values where the combination of parameters that achieved the highest ranking was selected as the ideal combination of parameters for the segmentation of a given class. The results of this approach showed that each class had a different parameter as the best parameter, which reinforces that a single scale approach may not be adequate to represent the entire study area. Once selected the best segmentation (produced by selected parameters), we applied a classification approach based on different classifiers: Support Vector Machine, Decision Trees and Random Forest. The goal of this approach was to verify the performance of these classifiers combined with object-based approach to generate maps of land-cover classes. Based on the results of visual comparison and values of accuracy, the map produced by the Random Forest depicted more accurately all land-cover classes than the other maps produced by Decision Tree Classifier and Support Vector Machine.