Proposta de classificação e de pós-classificação baseada em objetos da cobertura e do uso da terra por meio de imagens obtidas por Veículo Aéreo Não Tripulado (VANT)

Abstract

Uma das principais aplicações das imagens de sensoriamento remoto é a classificação da cobertura e do uso da terra. Para mapeamentos mais detalhados, utilizam-se atualmente imagens aéreas obtidas por Veículo Aéreo Não Tripulado (VANT). No entanto, essas imagens apresentam uma alta variabilidade espectral intraclasse e entreclasses, dificultando a classificação da cobertura e do uso da terra. A partir dessas considerações, esta tese tem como objetivos: (i) desenvolver e avaliar um método de reconhecimento de padrões não paramétrico para classificação baseada em objetos da cobertura e do uso da terra, denominado de Iterative K – Nearest Neighbors Algorithm (IKNN); (ii) propor e avaliar dois métodos de pósclassificação que consideram o contexto dos objetos, intitulados como: Votação dos Objetos Vizinhos (VOV) e Quantificação das Fronteiras dos Objetos (QFO); e (iii) desenvolver uma ferramenta automatizada para classificação baseada em objetos que integre reconhecimento de padrões e Análise de Imagens Baseada em Objetos, chamada de GeoPatterns. Foi utilizada uma ortoimagem aérea obtida por um Veículo Aéreo Não Tripulado (VANT) Echar 20B. Essa ortoimagem foi segmentada utilizando o método crescimento de regiões. As ferramentas e os métodos propostos foram desenvolvidos utilizando a linguagem de programação Python e as bibliotecas: Scikit-Learn (mineração de dados), Numpy (computação científica) e PyQGIS (integra Python e QGIS). O método IKNN possibilitou a seleção das características mais relevantes e o tratamento da sobreposição dos seus valores. Quando utilizado um limiar de confiança igual a 60%, IKNN resultou em uma Proporção Correta (PC) igual a 90,0%, o que foi superior aos métodos Support Vector Machine (SVM) e k – Nearest Neighbors (k-NN). O método de pós-classificação baseada em objetos, VOV, aumentou a acurácia da classificação de 92,5% para 95,7%, quando avaliados objetos da segmentação maiores que 7000 pixels. O método de pós-classificação QFO obteve resultados superiores, alcançando acurácias iguais a 97,0% para objetos da classificação maiores que 9400 pixels. O programa GeoPatterns viabilizou a integração de técnicas não paramétricas de reconhecimento de padrões e OBIA, assim como automatizou os processos de segmentação, amostragem e classificação dos objetos. A interface gráfica tornou mais acessível a classificação baseada em objetos da cobertura e do uso da terra por meio de imagens com resolução espacial submétrica obtidas por VANT.

One of the main applications of remote sensing images is both land cover and land use classifications. For more refined mapping, Unmanned Aerial Vehicle (UAV) aerial images are currently used. However, these images show both high intraclass and interclasses spectral variability, making it difficult to achieve land cover and land use classifications. Based on these considerations, this thesis aims: both to develop and to evaluate a nonparametric pattern recognition method for object-based land cover and land use classification, which is called Iterative K - Nearest Neighbors Algorithm (IKNN); both to propose and to evaluate two postclassification methods that consider the objects’ context, Voting Neighbors Objects (VNO) and Quantification of Object Frontiers (QOF); and to develop an automated tool for objectbased classification that integrates recognition patterns and Object-Based Image Analysis, called GeoPatterns. To do so, an aerial orthoimage was obtaining by an Unmanned Aerial Vehicle (UAV) Echar 20B. This orthoimage was segmenting by using region growing method. Both proposed tools and methods were developing by using Python programming language and Scikit-Learn (data mining), Numpy (scientific computing) and PyQGIS (which integrate Python and QGIS) libraries. The IKNN method allowed the selection of the most relevant characteristics and the treatment of the overlapping of its values. To the 60% confidence threshold, IKNN method resulted in a Correct Proportion equal to 90.0%, which was superior to the Support Vector Machine (SVM) and k-Nearest Neighbors (k-NN) methods. The VNO object-based post-classification method increased the accuracy of the classification from 92.5% to 95.7% in the evaluation of 7,000 pixels or higher segmentation objects. The QOF post-classification method obtained higher results, reaching up to 97.0% for 9,400 pixels or higher objects classification. The GeoPatterns program enabled the integration of both nonparametric recognition patterns and OBIA techniques, as well as it has automated the segmentation, the sampling and the classification of objects. By using UAV-obtained submetric resolution images, the graphical interface made both land cover and land use objectbased classification more accessible.