Biblioteca Florestal
Digital

Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre

Show simple item record

dc.contributor.advisor Soares, Vicente Paulo pt_BR
dc.contributor.author Ribeiro, Regiane Maria Paes pt_BR
dc.contributor.other Universidade Federal de Viçosa pt_BR
dc.date 2007-12-03 00:00:00.0 pt_BR
dc.date.accessioned 2013-01-22T10:30:39Z
dc.date.available 2013-01-22T10:30:39Z
dc.date.issued 2003 pt_BR
dc.identifier.citation Ribeiro, Regiane Maria Paes. Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. Viçosa, MG : UFV, 2003. 53p.: il. (Dissertação - Mestrado em Ciência Florestal) - Universidade Federal de Viçosa. Orientador: Vicente Paulo Soares. T 634.9585 R484a 2003 pt_BR
dc.identifier.other 118823 pt_BR
dc.identifier.uri http://www.bibliotecaflorestal.ufv.br/handle/123456789/2446
dc.description Dissertação de mestrado defendida na Universidade Federal de Viçosa pt_BR
dc.description.abstract O trabalho consistiu na avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. Foram utilizados os algoritmos da Mínima Distância, da Máxima Verossimilhança e de Redes Neurais Artificiais (backpropagation), em uma imagem do satélite IKONOS II com 4 metros de resolução espacial. Para cada algoritmo foi realizada uma classificação por pixel e uma por regiões, gerando seis métodos: Mínima Distância por pixel, Mínima Distância por regiões, Máxima Verossimilhança por pixel, Máxima Verossimilhança por regiões, Redes Neurais Artificiais (backpropagation) por pixel e Redes Neurais Artificiais (backpropagation) por regiões, que apresentaram níveis de aceitação dos índices kappa iguais a razoável, razoável, razoável, excelente, razoável e excelente, respectivamente. Dentre os resultados obtidos, podem ser destacados: a) os métodos que mostra-ram melhor desempenho foram Redes Neurais Artificiais (backpropagation) e Máxima Verossimilhança, ambos por regiões, não apresentando diferença estatística significativa a 95% de probabilidade pelo teste Z entre eles; b) os seguintes métodos não apresentaram diferenças significativas a 95% de proba-bilidade: Máxima Verossimilhança por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Máxima Verossimilhança por pixel e Redes Neurais Artificiais (backpropagation) por regiões em relação à Máxima Verossimilhança por regiões; c) as classes mais homogêneas espectralmente foram melhor classificadas, apresentando menos sobreposição às outras classes; d) a baixa resolução espectral da imagem dificultou a distinção entre classes durante o processo de classificação; e) o algoritmo de classificação da Mínima Distância, que até então era utilizado com êxito para classificar imagens de média resolução espacial, apresentou desempenho inferior ao dos algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation) na classificação de imagens de alta resolução espacial; f) apesar de os resultados obtidos com os algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation), ambos por regiões, não diferirem estatisticamente, recomenda-se, pelo menos para este estudo, o uso do algoritmo de Máxima Verossimilhança. Essa recomendação se deve ao fato de que este exige um menor esforço computacional e se encontra implementado na maioria dos softwares de processamento de imagens. pt_BR
dc.description.abstract This work evaluated the methods of classification of IKONOS II imagery for land cover mapping. The algorithms Minimal Distance, Maximum Likelihood and Artificial Neural Networks (backpropagation) were used to classify a satellite IKONOS II image measuring 4 m of spacial resolution. A pixel – based and a region- based classification were performed for each algorithm, generating six methods : Minimal Distance per pixel, Minimal Distance per regions, Maximum Likelihood per pixel, Maximum Likelihood per regions, Artificial Neural Nets (backpropagation) per pixel, and Artificial Neural Nets (backpropagation) per regions, which presented Kappa index acceptance levels equal to reasonable, reasonable, reasonable, excellent, reasonable and excellent, respectively. Some of the most oustanding results obtained were: a) the approaches Artificial Neural Nets (backpropagation) and Maximum Likelihood, both by regions, presented the best results, with no significant statistical difference at 95% probability by the test Z between them; b) the following methods did not present significant differences at 95% of probability: Maximum Likelihood per pixel in relation to Minimal Distance per regions, Artificial Neural Nets (backpropagation) per pixel in relation to Minimal Distance per regions, Artificial Neural Nets (backpropagation) per pixel in relation to Maximum Likelihood per pixel and Artificial Neural Nets (backpropagation) by regions in relation to Maximum Likelihood per regions; c) the most spectrally homogeneous classes were better classified, presenting less superposition to the other classes; d) the low spectral resolution of the imagery made it difficult to distinguish between classes during the classification process; e) the algorithm Minimal Distance, which was until then successfully used to classify medium spatial resolution imagery had a performance inferior to that of the algorithms Maximum Likelihood and Artificial Neural Nets (backpropagation) in the classification of imagery of high spatial resolution; f) despite the fact that the results obtained with the algorithms Maximum Likelihood and Artificial Neural Nets (backpropagation), both by regions, did not differ statistically, the use of the algorithm Maximum Likelihood is recommended, at least for this study. Such recommendation is due to the fact that this algorithm demands less computing effort and has been implemented in most imagery - processing softwares. en
dc.description.sponsorship Universidade Federal de Viçosa pt_BR
dc.format.mimetype application/pdf pt_BR
dc.language.iso pt_BR pt_BR
dc.publisher Universidade Federal de Viçosa pt_BR
dc.subject Imagens multiespectrais; Classificação; Mapeamento do solo; Satélites artificiais em sensoriamento remoto; Uso do solo; pt_BR
dc.title Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre pt_BR
dc.title Evaluation of IKONOS II imagery classification methods for land cover mapping en
dc.type Dissertação pt_BR

Files in this item

Files Size Format View Description
Dissertaçao_Regiane-Paes-Ribeiro.pdf 3.030Mb application/pdf View/Open ou Pre-visualizar Dissertação

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Sobre a Biblioteca Florestal

Browse

My Account