Download PDF
ads:
LETÍCIA ANDRADE SABO
ANÁLISE DA INCERTEZA NA
REPRESENTAÇÃO DE CLASSES
TEMÁTICAS RESULTANTES DA
APLICAÇÃO DE UMA REDE NEURAL
ARTIFICIAL
Presidente Prudente
2006
UNIVERSIDADE ESTADUAL PAULISTA
Faculdade de Ciências e Tecnologia
Campus de Presidente Prudente
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
LETÍCIA ANDRADE SABO
ANÁLISE DA INCERTEZA NA
REPRESENTAÇÃO DE CLASSES
TEMÁTICAS RESULTANTES DA
APLICAÇÃO DE UMA REDE NEURAL
ARTIFICIAL
Dissertação apresentada à Faculdade de Ciências
e Tecnologia da Universidade Estadual Paulista,
Unesp, para a obtenção do título de Mestre em
Ciências Cartográficas.
Orientador: Maria de Lourdes B. Trindade Galo
Presidente Prudente
2006
ads:
S122a
Sabo, Letícia Andrade
Análise da incerteza na representação de classes temáticas resultantes
da aplicação de uma rede neural artificial / Letícia Andrade Sabo.
Presidente Prudente: [s.n.], 2006.
122 f. : il.
Dissertação (mestrado) - Universidade Estadual Paulista, Faculdade
de Ciências e Tecnologia.
Orientadora: Maria de Lourdes Bueno Trindade Galo
1. Classificação de ambientes urbanos. 2. Redes neurais artificiais.
3. Incerteza na classificação. 4. Sensoriamento remoto. I. Sabo, Letícia
Andrade. II. Galo, Maria de Lourdes Bueno Trindade. III. Título.
CDD (18.ed.) 519.7
AGRADECIMENTOS
À professora Maria de Lourdes Bueno Trindade Galo pelo apoio, dedicação,
sugestões, ensinamentos, paciência e amizade.
Aos membros da banca examinadora: Selma Regina Aranha Ribeiro, Aparecida
Doniseti Pires de Souza, Nilton Nobuhiro Imai e Luciene Delazari Stamato.
Ao professor Maurício Galo pela contribuição com implementações computacionais
na área de conversão de imagens.
Aos professores do Departamento de Cartografia, Nilton Nobuhiro Imai, Mônica
Modesta dos Santos Decanini , Antônio Maria Garcia Tommaselli e ao colega Edmur Pugliesi
pelo auxílio, idéias e sugestões apresentadas.
À professora do Departamento de Matemática, Estatística e Computação, Aparecida
Doniseti Pires de Souza pelo apoio e sugestões na parte conceitual de estatística.
À Coordenação de Aperfeiçoamento de Nível Superior (CAPES), pela concessão da
bolsa de estudos.
Ao Fred e à minha família pelo apoio, incentivo e paciência.
A todos que direta ou indiretamente contribuíram para a realização deste trabalho.
“Tudo tem seu tempo determinado, e
tempo para todo propósito debaixo do
céu”.
(Eclesiastes: 3.1)
RESUMO
A grande diversidade de materiais que caracteriza os ambientes urbanos
determina uma estrutura de classes misturadas, quando a classificação destas áreas é realizada
a partir de imagens multiespectrais cujo elemento de resolução espacial é da ordem de
dezenas de metros. Nesse sentido, é importante definir um sistema de classificação adequado,
prevendo a utilização de um classificador não paramétrico, que permita incorporar dados de
natureza não espectral (tais como textura) ao processo. Os modelos de redes neurais
artificiais, diferente do classificador de máxima verossimilhança que assume uma função
densidade de probabilidade normal ou gaussiana para as classes, permitem incorporar
atributos não espectrais aos dados de entrada para a classificação e, a partir dos valores de
saída da rede calculados em relação a cada classe, analisar a incerteza associada a cada
elemento de resolução classificado. Considerando estas premissas, foi desenvolvido um
experimento baseada na aplicação de uma rede neural artificial para a classificação da
cobertura do solo urbano de Presidente Prudente, SP, e na análise da incerteza na
representação das classes temáticas mapeadas. A ambigüidade que caracteriza essas classes
foi analisada através da distribuição espacial da probabilidade por classe, da incerteza por
classe e da entropia, as quais foram posteriormente representadas em imagens em tons de
cinza e mapas temáticos. Os resultados mostraram que o objetivo de discriminar as variações
na cobertura do solo urbano através da aplicação de uma rede neural artificial na classificação
foi atingido e, a partir das representações geradas, foi possível visualizar a variação espacial
da incerteza na atribuição das classes de cobertura do solo urbano ao pixel. Além disso, foi
possível verificar que a classe caracterizada por um padrão definido como intermediário,
quanto à impermeabilidade do solo urbano, foi aquela que apresentou maior grau de
ambigüidade e, portanto, maior mistura em relação às demais. A realização do experimento
confirmou a expectativa inicial quanto ao potencial da rede neural artificial em discriminar
classes de cobertura do solo urbano, caracterizadas pelo alto grau de mistura que apresentam,
e representar espacialmente a incerteza associada a cada classe, desde que a aplicação de
interesse seja cuidadosamente modelada.
Palavras-chave: Classificação de ambientes urbanos, Redes Neurais Artificiais, Incerteza na
classificação, Sensoriamento Remoto.
ABSTRACT
The great diversity of materials that characterizes the urban environment
determines a structure of mixed classes, when the classification of these areas is accomplished
using medium resolution (10-30 m) multiespectral images. In that sense, it is important to
define an appropriate classification system, using a classifier that allows incorporating non -
spectral data (texture) to the process. The Artificial Neural Networks (ANN) models, that not
assume a known probability density function for the classes, allow incorporating non-spectral
attributes to the input data for the classification. They also allow analyzing the uncertainty
associated to each class from the output values of the network calculated in relation to each
class. Considering these properties, an experiment that consisted in the application of an ANN
was carried out. This experiment aims the classification of the urban land cover of Presidente
Prudente city and the analysis of the uncertainty in the representation of the mapped thematic
classes. The ambiguity that characterizes those classes was analyzed through of the spatial
distribution of the probability by class, of the uncertainty for class and of the entropy, wich
were represented in gray levels images and thematic maps. The results showed that the aim of
discriminating the variations in the urban land cover through the application of an ANN in the
classification was reached. It was also possible to visualize the spatial variation of the
uncertainty in the attribution of classes of urban land cover and from the generated
representations. The class characterized by a pattern that define an intermediary level, related
to the impermeability of the urban soil, showed larger ambiguity degree and, therefore, larger
mixture. The experiment confirmed that the ANN can discriminate classes of urban land
cover with high level of mixture and represent spatially the uncertainty associated with each
class, since the application of interesting be modeled carefully.
Keywords: Classification of urban environment, Artificial Neural Networks, Uncertainty in
the classification, Remote Sensing.
LISTA DE FIGURAS
Figura 1
Curvas de reflectância dos materiais característicos de ambientes urbanos...
20
Figura 2
A estrutura de uma rede de alimentação progressiva (feed-forward).............
33
Figura 3
Modelo sinático de neurônio artificial, nó, ou elemento de processamento
de uma rede.....................................................................................................
34
Figura 4
Hierarquia da classificação de ambientes urbanos.........................................
42
Figura 5
Localização do Município de Presidente Prudente no contexto do Oeste do
Estado de São Paulo ......................................................................................
54
Figura 6
Composição Colorida (BGR-234) da imagem CCD/Cbers2 .........................
58
Figura 7
Carta de Zoneamento Urbano de Presidente Prudente...................................
60
Figura 8
Fluxograma das atividades previstas para o projeto ......................................
66
Figura 9
Classes de cobertura do solo, especificadas para a área urbana e de
expansão urbana de Presidente Prudente.
69
Figura 10
Imagens geradas a partir da conversão RGB IHS RGB .......................
73
Figura 11
Imagem de Textura (a) e de Índice de Vegetação da Diferença
Normalizada (NDVI) (b) ...............................................................................
76
Figura 12
Imagens de entrada (123g, 234b, 234r,Textura e NDVI) para a
classificação da rede neural artificial .............................................................
78
Figura 13
Localização das áreas de treinamento nos planos de entrada da rede neural
artificial ........................................................................................................
79
Figura 14
Média das classes obtidas a partir dos planos de entrada (123g, 234b, 234r,
Textura e NDVI).............................................................................................
81
Figura 15
Desvio Padrão das médias de cada classe...................................................... 82
Figura 16
Esquema de Classificação pela Rede Neural Artificial .................................
88
Figura 17
Classificação resultante da aplicação da RNA com a arquitetura [5-54-7]....
89
Figura 18
Imagens em tons de cinza indicando as estimativas de probabilidades por
classe...............................................................................................................
93
Figura 19
Imagens em tons de cinza representando a Incerteza/classe..........................
95
Figura 20
Mapas de Incerteza para classe Maior Densidade de Superfícies
Impermeáveis e Densidade Intermediária de Superfícies
Impermeáveis......................................................
97
Figura 21
Mapas de Incerteza para classe Menor Densidade de Superfícies
Impermeáveis e Vegetação Arbórea/Arbustiva..............................................
98
Figura 22
Mapas de Incerteza para classe Vegetação Rasteira/Solo Exposto e Corpo
D’água............................................................................................................
98
Figura 23
Composição colorida das três classes utilizando as imagens de
probabilidade referentes às classes Maior (R), Intermediária (G) e Menor
Densidade de Superfícies Impermeáveis (B)..................................................
99
Figura 24
Composição colorida das três classes utilizando os mapas de incerteza,
referentes a estas classes.................................................................................
100
Figura 25
Entropia associada ao conjunto de seis classes.............................................. 102
Figura 26
Localização da incerteza média apresentada ao cruzar as classes Maior
Densidade e Densidade Intermediária, Densidade Intermediária e Menor
Densidade e as classes Veget