Classificação de imagens de Radar (Banda-P) Classificação de imagens de Radar (Banda-P) utilizando Redes Neurais para mapeamento de utilizando Redes Neurais para mapeamento de

cobertura da terra em região de Floresta cobertura da terra em região de Floresta Tropical.Tropical.

Alcina Maria Nepomuceno

Aluna de Mestrado em Sensoriamento Remoto

Bolsista CAPES

Orientadores: Dra. Corina Freitas

Dr. Dalton Valeriano

Objetivos Objetivos Geral.Geral. Avaliar a potencialidade da classificação por Redes Neurais

Artificiais de dados de radar na banda–P para discriminação e mapeamento de cobertura da terra em região de Floresta Tropical.

Específico.Específico. Estudar a capacidade discriminatória da banda-P utilizando as

polarizações (HH, HV, VH, VV) e as imagens Potência Total, BMI (Índice de Biomassa), CSI (Índice da Estrutura do Dossel), VSI (Índice de espalhamento volumétrico).

Utilização de uma nova metodologia na classificação destes dados: “Algoritmo Genético otimizando os parâmetros da Rede Neural e os resultados da classificação”.

Índices Biofísicos de Radar de Abertura Índices Biofísicos de Radar de Abertura SintéticaSintética

Pope et al., 1994Pope et al., 1994

2

HHVVBMI

HHVV

VVCSI

BMICS

CSVSI

2

VHHVCS

4

VVVHHVHHtalPotênciaTo

Durden et al., 1991Durden et al., 1991

MetodologiaMetodologia

ORIGINAISFILTRADAS

COMPOSIÇÕES

IMAGENSCLASSIFICADAS

HH, HV, VH, VV

GEOCODIFICADAS

IMAGENS RADAR

FLORESTAREGENERAÇÃO MUITO ANTIGAREGENERAÇÃO ANTIGAREGENERAÇÃO INTERMEDIÁRIAREGENERAÇÃO NOVAPASTO/CULTURASOLO EXPOSTO

AMOSTRAS CLASSES

IMAGENSFORMATOFW_CRS

TRANSFORMARPARA

GEO-TIFF

EXATIDÃOCOEFICIENTE

KAPPA

TABULAÇÃOCRUZADA

HH, HV, VH, VV,PT, CS, CSI, BMI e VSI

IMAGENS RADAR

FROST e MEDIANAJANELAS (3x3) e (5x5)

IMAGENS FILTRADAS

GERARIMAGENS

PT, CS, CSIBMI e VSI

FILTRARRUÍDO

SPECKLEFROST eMEDIANA

EXPORTARGEO-TIFF

CLASSIFICARREDE

FUZZY-ART

FILTRARRUÍDO

SPECKLEMAP GAMA

HH, HV, VH, VV,PT, CS, CSI, BMI e VSI

IMAGENS ORIGINAIS

FROST e MEDIANAJANELAS (3x3) e (5x5)

IMAGENS FILTRADAS

MAP GAMMAJANELAS (3x3) e (5x5)

IMAGENS FILTRADAS

MESCLARCLASSES

MATRIZCORRELAÇÃO

COMPOSIÇÃOIMAGENSMENOS

CORRELACIONADAS

MATRIZDE

CONFUSÃO

RELAÇÃOSINAL/RUÍDO

RELAÇÃOSINAL/RUÍDO

RELAÇÃO SINAL/RUÍDORELAÇÃO SINAL/RUÍDO

0,000,200,400,600,801,001,201,401,601,802,002,202,40

FiltroFrost/Mediana

(3x3)

Filtro MapGamma (5x5)

SN

R (

var)

Floresta Reg muito ant Reg antiga Reg interm Reg nova Pasto Solo

IMAGENSFILTRADAS

VALORES (SNR)DE CADA CLASSEFROST e MEDIANA

JANELA 3X3

VALORES (SNR)DE CADA CLASSEFROST e MEDIANA

JANELA 5X5

VALORES (SNR)DE CADA CLASSE

MAP GAMMAJANELA 3X3

VALORES (SNR)DE CADA CLASSE

MAP GAMMAJANELA 5X5

MELHORRESULTADOP/ O FILTRO MAP GAMA

MELHOR FILTROE

MELHOR JANELA

ANÁLISERELAÇÃO

SINAL/RUÍDO

AMOSTRASPOR

CLASSES

MELHORRESULTADO

P/ OS FILTROS FROST EMEDIANA

x x

x

2

2

varoriginalimagem

filtradaimagemSNR

Schowengerdt (1997)Schowengerdt (1997)

Exemplo das classificações c/ rede Fuzzy-ART: Exemplo das classificações c/ rede Fuzzy-ART: Polarização HH original e filtradasPolarização HH original e filtradas

HHORIGINAL

HHORIGINAL13 classes

HHFROST

MEDIANA

HHFROST

MEDIANA13 classes

HHMAP GAMMA

14 classes

HHMAP GAMMA

Exemplo das classificações c/ rede SOM: Exemplo das classificações c/ rede SOM: Polarização HH original e filtradaPolarização HH original e filtrada

HHORIGINAL

4 classes

HHMAP GAMMA

4 classes

Exemplo das classificações: composições das Exemplo das classificações: composições das polarizações menos correlacionadaspolarizações menos correlacionadas

HV e VVORIGINAL23 classes

HV e VVFROST e MEDIANA

22 classes

HV e VVMAP GAMMA

20 classes

Exatidão das imagens classificadasExatidão das imagens classificadas

Tabulaçãocruzada

Matrizde

confusão

ExatidãoCoeficiente

KAPPA

Mesclarclasses

Exemplo do processo de combinação das classes Exemplo do processo de combinação das classes PERCENTAGEM DOS PIXELS DOS PADRÕES EM CADA ROI DAS CLASSES PARA A IMAGEM HH MAP GAMMA. Classes 8 3 10 4 5 0 13 11 1 2 6 7 12 9 Total SE 74,53 9,23 10,70 2,09 2,40 0,50 0,15 0,08 0,00 0,01 0,00 0,01 0,00 0,31 100 PC 27,04 22,91 22,51 6,60 10,21 2,68 2,33 1,33 0,01 0,07 0,03 0,40 0,13 3,74 100 RN 0,99 0,00 1,81 8,52 45,86 17,10 6,42 0,63 0,00 0,02 0,00 0,19 0,00 18,46 100 RI 0,70 0,00 0,53 2,45 36,35 23,98 6,49 0,97 0,00 0,00 0,00 0,00 0,00 28,53 100 RA 0,11 0,00 0,00 0,11 2,89 6,26 37,70 17,68 0,00 0,78 0,00 2,05 0,20 32,22 100 RMA 0,26 0,00 0,00 0,04 1,55 3,17 25,32 29,31 0,08 2,92 0,79 16,09 5,24 15,22 100 FP 0,12 0,00 0,00 0,03 1,15 2,02 16,52 25,62 1,16 3,35 4,75 23,14 13,70 8,44 100

PERCENTAGEM DOS PIXELS DOS PADRÕES EM CADA ROI DAS CLASSES PARA A IMAGEM HH MAP GAMMA APÓS COMBINAR AS CLASSES. Classes 8 10 5 0 13 11 12 9 Total SE 74,53 19,93 4,48 0,50 0,15 0,08 0,01 0,31 100 PC 27,04 45,42 16,81 2,68 2,33 1,33 0,63 3,74 100 RN 0,99 1,81 54,38 17,10 6,42 0,63 0,21 18,46 100 RI 0,70 0,53 38,80 23,98 6,49 0,97 0,00 28,53 100 RA 0,11 0,00 3,01 6,26 37,70 17,68 3,03 32,22 100 RMA 0,26 0,00 1,59 3,17 25,32 29,31 25,12 15,22 100 FP 0,12 0,00 1,17 2,02 16,52 25,62 46,11 8,44 100

Exemplo do resultado das imagens com classes combinadasExemplo do resultado das imagens com classes combinadas

HH MAP GAMMA(8 classes)

HH MAP GAMMA(14 classes)

Situação Atual do TrabalhoSituação Atual do Trabalho

Fase de análise dos resultados.

Limite do prazo final: Março/2003.

Data provável da defesa da dissertação: Fevereiro ou Março/2003.

Fim