normas para redaÇÃo de artigos para o...
TRANSCRIPT
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
Presidente Prudente - SP, 24-26 de julho de 2017
p. 244-250
Z. Zanetti; F. L. S. Braga; D. C. O. Duarte ISSN 1981-6251
COMPARAÇÃO DOS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM MÁXIMA VEROSSIMILHANÇA,
DISTÂNCIA EUCLIDIANA, PARALELEPÍPEDO E REDES NEURAIS EM
IMAGENS VANT, UTILIZANDO O MÉTODO DE EXATIDÃO GLOBAL,
ÍNDICE KAPPA E O TAU
2JULIETTE ZANETTI
FRANCIELE LÚCIA SILVA BRAGA 2
DANIEL CAMILO DE OLIVEIRA DUARTE 2
Universidade Federal de Viçosa - UFV1
Departamento de Engenharia Civil - DEC
Programa de Pós-Graduação em Engenharia Civil - MG2
{juliette.zanetti, franciele.braga, daniel.duarte}@ufv.br
RESUMO - O objetivo do trabalho foi testar técnicas de classificação em imagens aéreas digitais de alta
resolução espacial obtidas por Veículo Aéreo Não Tripulado (VANT). As imagens recobrem uma área da
Universidade Federal de Viçosa, campus Viçosa-MG. A partir da ortofoto gerada foram realizados os testes
de classificação, utilizando quatro classificadores: Paralelepípedo, Distância Euclidiana, Máxima
Verossimilhança e Redes Neurais Artificiais. A classificação que melhor delimitou as diferentes feições
presentes na imagem foi à classificação por Redes Neurais Artificiais. Para comprovar estatisticamente a
eficiência da classificação a validação foi realizada por meio da Exatidão Global, índice Kappa, índice Tau,
além da análise visual.
Palavras chave: Classificadores, VANT, Exatidão Global, Índice Kappa, Índice Tau.
ABSTRACT - The aim of this work was to test the classification techniques in digital aerial images of
spatial high resolution obtained by Unmanned Aerial Vehicle (UAV). The images cover an area of the
Federal University of Viçosa, campus Viçosa-MG. From the orthophoto generated, the classification test
was made, by using four classifiers: Parallelepiped, Average Minimum Distance, Maximum Likelihood
and Artificial Neural Networks. The classification that best delimited the different features present in the
image was the classification by Artificial Neural Networks. In order to prove statistically the classification
efficiency, the validation was carried out through Global Accuracy, Kappa index, Tau index, besides the
visual analysis.
Key words: Classifiers, UAV, Global Accuracy, Kappa Index, Tau Index
1 INTRODUÇÃO
Atualmente, existem diversos métodos para o
tratamento de imagens digitais de sensoriamento remoto
que permitem realizar tarefas de manipulação, análise e
compreensão das imagens. No processamento das imagens
de sensoriamento remoto, a natureza dos alvos é
determinada baseada no fato de que diferentes materiais
são caracterizados por interagir de diferentes formas em
cada uma das faixas do espectro eletromagnético
(JENSEN, 2009).
O uso de Veículos Aéreos Não Tripulados
(VANTs) é o campo de estudos que está crescendo
rapidamente dentro das tecnologias de sensoriamento
remoto, oferecendo uma opção de baixo custo que permite
mensurar e monitorar aspectos do meio ambiente com a
possibilidade de aquisição das imagens (HONKAVAARA,
et al., 2013). Imagens aéreas com alta resolução espacial e
temporal contribuem para obtenção de informações em
campo, caracterização do problema e até a geração de
cartas temáticas em escala de elevado detalhe. Lian e Chen
(2011) trabalharam com classificação orientada a objeto
em imagens de satélites de alta resolução espacial e
concluíram que a precisão da classificação está relacionada
diretamente com a resolução espacial.
Segundo Queiroz et al. (2004), as informações
contidas nas imagens podem ser extraídas através do
processo de classificação. Existem vários métodos de
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
Z. Zanetti; F. L. S. Braga; D. C. O. Duarte ISSN 1981-6251
classificação que buscam, através de diversas abordagens,
identificar com acurácia a informação de cada pixel da
imagem, classificando-o em categorias. Os métodos de
classificação de imagens podem apresentar diferentes
níveis de acurácia, dependendo da abordagem utilizada
pelo método e da especificação dos parâmetros do mesmo.
Desta forma, o objetivo deste estudo foi avaliar e
comparar o desempenho de quatro classificadores:
Paralelepípedo (PPD), Distância Euclidiana (DE), Máxima
Verossimilhança (MAXVER) e Redes Neurais Artificiais
(RNA) para a determinação de um mapa de uso e cobertura
com as classes: Floresta, Água, Urbanização, Agricultura e
Solo Exposto, em imagens de VANT, na região de Viçosa-
MG. Na avaliação da qualidade das classificações dos
mapas obtidos, foi utilizado o índice Kappa, Exatidão
Global e o índice Tau.
2 CLASSIFICAÇÃO DE IMAGENS
Os métodos de classificação podem ser divididos
em classificadores por pixel ou por regiões e podem levar
em conta uma ou mais bandas das imagens. Os
classificadores por pixel utilizam a informação espectral de
cada pixel isolado para encontrar regiões homogêneas,
definidas como classes. Classificadores por regiões
baseiam-se na informação de um conjunto de píxeis
vizinhos (CROSTA, 1992). Segundo Santos (2013), o
método da Distância Euclidiana atribui cada pixel
desconhecido à classe cuja média seja mais próxima a ele.
Cada pixel dentro e fora das áreas de treinamento é
avaliado e assinalado à classe à qual o mesmo tem a maior
probabilidade de pertencer (Figura 1).
Figura 1- Esquema do método de classificação
supervisionada Distância Euclidiana. Fonte: LIRA et al.
(2016).
O método PPD define áreas quadradas, usando
unidades de desvio padrão, ou de valores de refletância
mínimos e máximos dentro de cada área de treinamento,
conforme a Figura 2. Já o método MAXVER, segundo
Queiroz et al. (2004) é o mais utilizado em sensoriamento
remoto dentro da abordagem estatística. Este método se
adequa a elipses, de modo que a localização, a forma e
tamanho da elipse, refletem a média variância e
covariância de duas variáveis. A distribuição dos valores
de refletância é descrita por uma função de probabilidade
que avalia a possibilidade de um determinado pixel
pertencer a uma categoria e classifica o pixel para uma
categoria à qual o mesmo tem maior probabilidade de
associação (SANTOS, 2013) como o representado na
Figura 3.
Figura 2 – Esquema do método de classificação
supervisionada de paralelepípedo. Fonte: LIRA et al.
(2016).
Figura 3 - Esquema do método de classificação
supervisionada de Máxima Verossimilhança. Fonte: LIRA
et al. (2016).
As redes RNA também são utilizadas em
processamento de imagens. Para Queiroz et al. (2004) as
RNA são algoritmos cujo funcionamento baseia-se na
estrutura do cérebro humano pois adquire e armazena
conhecimentos através do processo de aprendizado, que se
dá pelas conexões entre neurônios, que também são
conhecidas como sinapses. Segundo Abdalla e Sá Volotão
(2013) existem redes neurais de camada simples, que são
constituídas por um grupo de neurônios arranjados em
apenas uma camada, e as redes multicamadas, formadas
por inúmeras camadas escondidas ou pela combinação de
várias redes de camadas simples.
Para Mazhar et al (2013), em uma rede neural a
camada de entrada 𝑋𝑖 é aquela na qual os padrões são
apresentados à rede. As camadas intermediárias, (também
chamadas de ocultas ou escondidas) as quais podem ser
mais do que uma, são responsáveis por grande parte do
processamento. Nessa etapa os dados de entrada são
multiplicados pelo peso 𝑊𝑗𝑖 e também é adicionado
polarização 𝜃𝑗 para ajustar o erro residual. Uma ativação
ou transferência função f calcula a saída 𝑌𝑗 do neurônio,
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
Z. Zanetti; F. L. S. Braga; D. C. O. Duarte ISSN 1981-6251
usando uma lógica pré-definida. Desta forma, os padrões
são passados para os outros neurônios obedecendo às
funções de transferência que cada neurônio possui. O
funcionamento de um neurônio típico numa rede é
mostrado na Figura 4, podendo matematicamente ser
escrita pelas equações 1 e 2:
Іj = WjiXi + θj
Yi = f (Ij) = f(WjiXi + θj)
Figura 4 - Arquitetura de uma RNA com duas camadas
escondidas. Fonte: Abdalla e Sá Volotão (2013).
De acordo com Galo (2000) o número de neurônios
da primeira camada corresponde à dimensionalidade do
vetor de atributos dos dados de entrada. Desse modo, de
acordo com a apresentação do padrão de treinamento na
entrada da rede, é possível saber qual deve ser a resposta
de cada neurônio na camada de saída (MENDES & DAL
POZ, 2011). No entanto, o problema maior está na
definição do número de camadas escondidas, e do número
de neurônios que as compõem. Na prática este problema
tem sido geralmente resolvido por tentativa e erro (GALO,
2000).
3 AVALIAÇÃO DA CLASSIFICAÇÃO
Segundo Campbell (1987), os erros estão presentes
em qualquer tipo de classificação. A forma padronizada
para verificar tais erros em locais específicos é a chamada
matriz de erros, também conhecida como matriz de
confusão por identificar não somente o erro global da
classificação para cada categoria, mas também como
deram as confusões entre categorias.
A análise quantitativa da matriz de erros é
geralmente necessária após a realização inicial para se
detectar a natureza genérica dos erros presentes. As
medidas derivadas da matriz de confusão são: a Exatidão
Global, o índice Kappa, o índice Tau, entre outros.
O método da Exatidão Global é calculado dividindo
a soma da diagonal principal da matriz de erros 𝑥𝑖𝑖 , pelo
número total de amostras coletadas n, ou seja:
𝐺 = ∑ 𝑥𝑖𝑖
𝑐𝑖=𝑛
𝑛.
Sendo:
G= Coeficiente de Exatidão Global;
𝑥𝑖𝑖 = Observações na linha i e coluna i;
𝑛 = Número de observações (pontos amostrais);
O método do índice Kappa é calculado com base
em uma matriz de erros, e é utilizado como medida de
concordância entre o mapa e a referência adotada para a
estimativa da exatidão, neste caso, a ortofoto. A Equação 4
calcula o coeficiente Kappa (COHEN, 1960):
𝐾 = 𝑛 ∑ 𝑥𝑖𝑖
𝑐𝑖=𝑛 −∑ 𝑥𝑖+𝑥+𝑖
𝑐
𝑖=𝑛
n2− ∑ 𝑥𝑖+𝑥+𝑖𝑐
𝑖=𝑛
Sendo:
𝐾 = Coeficiente Kappa de concordância;
𝑛 = Número de observações (pontos amostrais);
𝑥𝑖𝑖 = Observações na linha i e coluna i;
𝑥𝑖+= Total marginal da linha i;
𝑥+𝑖= Total marginal da coluna i;
Por fim o método do índice Tau baseia-se na
probabilidade a priori (KLECKA, 1980), ou seja, a
concordância esperada (Pr) pode ser obtida antes mesmo
de elaborar a matriz de erros. Pr é expresso por 1/n, onde n
é número de categorias ou classes. Pode ser considerado,
ainda, se a classificação das categorias foi efetuada com a
mesma probabilidade ou não (MA & REDMOND, 1995).
O método do índice Tau é expresso por:
𝑇 = 𝑃𝑜 − 𝑃𝑟
1 − 𝑃𝑟
Sendo:
T= Coeficiente Tau de concordância;
𝑃𝑜=Proporção de pontos de verdade terrestre concordantes;
𝑃𝑟=Concordância esperada;
Segundo Brites (1996), o índice global superestima
a classificação e sempre resultará em valores mais altos do
que os outros índices. O índice Kappa, ao calcular a
concordância casual, inclui os elementos da diagonal
principal, fazendo com que esta concordância seja
superestimada, reduzindo o valor do índice. Segundo Ma e
Redmond (1995) o índice Tau não superestima como
Exatidão Global e não subestima como o Kappa, sendo o
índice mais adequado na avaliação do mapeamento.
4 ÁREA DE ESTUDO E MATERIAIS
A área de estudo faz parte da Universidade Federal
de Viçosa (UFV) campus Viçosa, estado de Minas Gerais.
A paisagem da UFV apresenta uma diversidade de classes
de uso e ocupação do solo como: remanescentes florestais;
campos experimentais de agricultura e solo exposto;
edificações e logradouros com características distintas;
corpos d’água como rios e lagoas, entre outras. Devido a
estas características foram selecionadas as classes floresta,
agricultura, solo exposto, urbanização e água, para a
realização do experimento.
(1)
(2)
(3)
(4)
(5)
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
Z. Zanetti; F. L. S. Braga; D. C. O. Duarte ISSN 1981-6251
No presente trabalho foi utilizado o equipamento
VANT Echar 20A fabricado pela XMOBOTS (2015),
acoplada com câmera RGB Sony ILCE – 7R, 36.4 MP Full-
Frame Exmor® CMOS Sensor. O processamento das fotos
foi realizado no software PhotoScan Professional Edition
1.0.2 da Agisoft. Foram coletados pontos de controle e de
validação utilizando receptor GNSS (Global Navigation
Satellite System) JAVAD TRIUMPH 1 com aplicação do
método Real Time Kinematic (RTK) para o
georreferenciamento ao Sistema Geodésico Brasileiro. Para classificar a ortoimagem (RGB) foi utilizado o
Sistema de informação Geográfica (SIG) IDRISI versão 17
- Selva, desenvolvido pela Clark University. O software foi
escolhido por apresentar diversas ferramentas de
processamento e análise de imagens digitais.
5 METODOLOGIA
A fim de facilitar a compreensão da metodologia
empregada, um fluxograma das atividades realizadas é
apresentado na Figura 5.
Figura 5 - Fluxograma da metodologia proposta.
As imagens VANT foram obtidas dia 10/08/2015 às
11 horas e 41 minutos. De posse das fotos do VANT e dos
pontos de controle, foi gerada a ortofoto com resolução
espacial de 5 cm. De modo a minimizar o esforço
computacional dos classificadores, a ortofoto foi recortada
nos limites da área de estudo.
Em seguida foram coletadas amostras
aleatoriamente na região de estudo de classe de Floresta,
Água, Urbanização, Agricultura e Solo exposto, sendo
divididas em dois grupos: treinamento e validação. Foram
aproximadamente 61.995 pixels de treinamento e 12.810
pixels de validação para cada classe. É importante ressaltar
que o tamanho da amostra de cada classe foi um fator de
controle no experimento possibilitando que as análises dos
classificadores fossem independentes do tamanho amostral
de cada classe.
Uma vez coletada as amostras de treinamento para
as diferentes classes, a próxima etapa refere-se à execução
do processo de classificação de toda a imagem, por regras
de decisão. No caso deste estudo foi utilizado os métodos
Paralelepípedo (PPD), Distância Euclidiana (DE), Máxima
Verossimilhança (MAXVER) e Redes Neurais Artificiais
(RNA).
O processo de análise da qualidade das
classificações foi realizado a partir das amostras de
validação utilizando o índice Kappa, Exatidão Global, e o
índice Tau. Também foi realizado a análise qualitativa,
baseando-se na análise visual, onde se comparou os
resultados das imagens classificadas com a imagem
original, visando-se verificar se a identificação das classes
foi coerente com a realidade.
6 RESULTADOS
Foi observado que dos quatro classificadores
avaliados, RNA e o MAXVER demostraram as melhores
performances, em conformidade com os valores de
Exatidão Global, índice Kappa e o índice Tau. O menor
nível de exatidão das classificações realizadas, foi obtido
pelo método do classificador Paralelepípedo, onde se
obteve os valores de 0,44 para a exatidão global com 0,30,
para o índice Kappa e 0,30 para o índice Tau, de acordo
com a Figura 6.
Figura 6 - Gráfico da validação das classificações
aplicando a exatidão global, o índice Kappa e o índice Tau
dos classificadores Máxima Verossimilhança, Distância
Euclidiana, Paralelepípedo e RNA, respectivamente.
As Figuras 7, 8, 9 e 10, ilustram os mapas dos
classificadores utilizados.
Figura 7 - Mapa do classificador por Redes Neurais.
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
Z. Zanetti; F. L. S. Braga; D. C. O. Duarte ISSN 1981-6251
Figura 8 - Mapa do classificador por Máxima
Verossimilhança.
Figura 9 - Mapa do classificador por Distância Euclidina.
Figura 10 - Mapa do classificador por Paralelepípedo.
Pode-se observar que o método do Paralelepípedo
apresentou o pior resultado (Figura 10), não sendo assim
recomendado para este tipo de mapeamento. Salienta-se
que a regra de decisão do Paralelepípedo é indicada em
classificações preliminares, para efeitos de visualização
(MENESES &ALMEIDA, 2012).
Já o resultado do método da distância euclidiana
deve-se ao fato de que foram trabalhadas classes de
interesse na imagem que tiveram melhor adequação ao
algoritmo do método, apresentando boa semelhança
espectral, o que facilitou a classificação.
Avaliando-se visualmente as imagens geradas pelos
classificadores, observa-se que o método de redes neurais
e o da máxima verossimilhança mostraram-se mais
condizentes com a realidade, conseguindo distinguir
melhor os alvos. Para a obtenção da imagem classificada
por RNA, modificaram-se os parâmetros, e por tentativa e
erro, obteve-se um resultado aceitável.
As configurações utilizadas para teste na tentativa
de obter a rede que melhor classifique a imagem estão
apresentadas na Tabela 1.
Tabela 1 - Configurações utilizadas para realização dos
testes.
Camadas Nó
1
Nó
2
Exatidão
Global Kappa Tau
Escondidas
1 10 0 0,91 0,89 0,89
1 14 0 0,93 0,91 0,91
2 10 6 0,95 0,94 0,94
2 12 8 0,95 0,94 0,94
2 14 10 0,95 0,94 0,94
De acordo com a Tabela 1, pode-se relatar que com
uma camada e aumentando o número de nós, os valores da
validação das classificações empregando Exatidão Global,
o índice Kappa e o índice Tau tem comportamento
aleatório. Com duas camadas o método de classificação por
redes neurais obteve o melhor desempenho.
Nos testes realizados, observou-se que, aumentando
o número de nós nas duas camadas, a rede não produziu
resultados significativos na imagem e a avaliação ficou
constante, apresentando na avaliação da Exatidão Global
valor igual a 0,95, já em relação aos índices Kappa e Tau,
os valores da validação estatística foi o mesmo: 0,94. As
Figuras 11, 12, 13, 14 e 15 ilustram os mapas obtidos pelo
método de Redes Neurais Artificiais.
Figura 11 - Mapa do classificador por Redes Neurais.
DISTÂNCIA EUCLIDIANA
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
Z. Zanetti; F. L. S. Braga; D. C. O. Duarte ISSN 1981-6251
Figura 12 - Mapa do classificador Redes por Neurais.
Figura 13 - Mapa do classificador por Redes Neurais.
Figura 14 - Mapa do classificador por Redes Neurais.
Figura 15 - Mapa do classificador por Redes Neurais.
4 CONCLUSÕES
Imagens de maior resolução espacial podem vir a
melhorar a classificação, devido à melhor identificação de
objetos no solo. Assim, após a realização do trabalho
verificou-se que a utilização de imagens VANT mostrou-
se eficiente na delimitação de alvos de interesse, evitando-
se o trabalho de digitalização, baseado em
fotointerpretação. Importante ressaltar também, que essas
análises podem ser feitas de forma extremamente rápida e
dinâmica, permitindo o acompanhamento da evolução
física, ambiental e social urbana, por exemplo.
A escolha dos melhores resultados neste trabalho
baseou-se na avaliação da qualidade das classificações a
partir dos valores obtidos da análise da Exatidão Global, do
índice Kappa e do índice TAU, assim como uma análise
visual dos resultados gerados. Foi verificado que o
classificador de redes neurais obteve melhor acurácia
apresentando valor de Exatidão Global de 0,92. O índice
Kappa para o mapa foi de 0,89, sendo assim menor que a
validação da classificação por redes neurais empregando a
Exatidão Global. Isso pode ser explicado pela formulação
do índice Kappa, que considera todos os elementos da
matriz de erros.
Além disso, analisando a Figura 6, os valores da
acurácia total obtida para os três métodos de avaliação não
apresentam diferenças significativas entre si, em relação ao
método de classificação empregando a regra de decisão de
redes neurais. No entanto, o coeficiente de concordância
Kappa e Tau são mais consistentes por envolver no valor
final todas as células da matriz de erros. Além disso, como
o coeficiente de concordância Tau e Kappa apresentam
valores aproximados neste presente trabalho (Figura 6),
ambos podem ser recomendados na avaliação da acurácia
de mapas temáticos. No entanto, salienta-se que o índice
Tau é o mais simples de se determinar.
Conclui-se, portanto, que a utilização do método de
classificação por redes neurais mostrou-se mais eficiente
que os demais métodos testados, porém a definição dos
parâmetros e seu treinamento foram demorados, sendo
necessários testes, com parâmetros modificados, para que
se chegasse a um resultado aceitável. No entanto, alguns
autores na literatura (e.g., Benedicktsson, 1990; Austin,
1997), constataram que a mudança de regra de decisão de
um método estatístico para o de redes neurais, apenas
melhora um pouco os resultados da classificação. Isto
posto, o problema não é com a regra de decisão e sim com
a etapa de extração de características.
É importante ressaltar a necessidade de uma
análise integrada de todos os índices para escolha da
melhor classificação. A acurácia do produto dá um bom
indício da qualidade do mapeamento explicitando a
porcentagem de área mapeada de uma classe que
corresponde a sua realidade. Então, se toda a área fosse
mapeada como floresta haveria um acerto de 100% com
relação ao real, porém uma grande porcentagem
corresponderia a erros de comissão, ou seja, áreas que não
são floresta, mas que foram mapeadas como tal.
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
Z. Zanetti; F. L. S. Braga; D. C. O. Duarte ISSN 1981-6251
Nesse contexto, os dados gerados pela presente
pesquisa, podem trazer uma contribuição efetiva, podendo
ser considerados como uma alternativa para uma
sistematização na detecção de classes na imagem não se
limitando a técnicas tradicionais.
REFERÊNCIAS
ABDALLA, L.S.; SÁ VOLOTÃO, C.F. Estudo da
configuração de diferentes arquiteturas de redes neurais
artificiais MLP para classificação de imagens ópticas. In:
XVI Simpósio Brasileiro de Sensoriamento Remoto -
SBSR, 2013, Foz do Iguaçu, PR, Brasil. Anais. 2013.p.
8200-8207, 2013.
AUSTIN, J., HARDING, S., KANELLOPOULUS, I.,
Lees, K., McNAUGHTON, H., ROLI, F., VERNAZZA,
G.,WILKINSON, G. G. (1997). Connectionist
computation in Earth observation. In Report of the
Research Strategy Meeting of the European Concerted
Action “COMPARES”, held in Cagliari, Sardinia, Italy,
24-25 October. Joint Research Centre – European
Commission (EUR 17341 EN), Ispra, Italy.
BENEDIKTSSON, J. A., SWAIN, P. H., ERSOY, O. K.
(1990). Neural network approaches versus statistical
methods in classification of multisource remote sensing
data. IEEE Transactions on Geoscience and Remote
Sensing,GE-28,540-552.
BRITES, R. S. Verificação da exatidão em classificação
de imagens digitais orbitais: efeitos de diferentes
estratégias de amostragens e avaliação de índices de
exatidão.1996. 101 p. Tese (Doutorado em Ciência
Florestal) - Universidade Federal de Viçosa, Viçosa.1996.
CAMPBELL, J.B. Introduction to remote sensing. New
York, The Guilford Press, 1987. 551p.
CROSTA, A. P. Processamento digital de imagens de
sensoriamento remoto. Campinas: IG/UNICAMP. 1992.
170p.
COHEN, J.A. Coefficient of agreement for nominal
scales. Educational and Psychological Measurement,
20:37-46, 1960.
GALO, M. L. B. T., Aplicação de redes Neurais
Artificiais e Sensoriamento Remoto na Caracterização
Ambiental do Parque Estadual Morro do Diabo. Tese
de Doutorado, Escola de Engenharia de São Carlos da
Universidade de São Paulo, São Carlos, SP, 2000.
HONKAVAARA, E.; SAARI H.; KAIVOSOJA, J.; POLONEN,
I; HAKALA T.; LITKEY, P; MAKYNEN J.; PESONEN L.
Processing and assessment of Spectrometric, Stereoscopic
Imagery Collected Using a Lightweight UAV Spectral
Camera for Precision Agriculture. Remote Sensing, 5:5006-
5039,2013.
JENSEN, J. R. Sensoriamento remoto do ambiente: uma
perspectiva em recursos terrestres. São José dos
Campos: Parêntese, 2009. 4-29 p.
KLECKA, W.R. Discriminat analysis. Beverly Hills:
SALE, 1980. 71 p.
LIAN, L. & CHEN, J. 2011. Research on segmentation
scale of multi-resources remote sensing data based on
object-oriented. Procedia Earth and Planetary Science,
2(1): 352-357.
LIRA, C., AMORIM, A., SILVA, A. N. e TABORDA, R.,
(2016). Sistemas de Informação Geográfica: Análise de
Dados de Satélite. DGRM, Lisboa, Portugal. E-book
disponível em www.sophia-mar.pt.
MA, Z.; REDMOND, R.L. Tau coefficients for accuracy
assessment of classification of remote sensing
data. Photogrammetric Engineering and Remote
Sensing, Reston, v.61, n.4, p.63-152, 1995
.
MAZHAR, F.; KHAN, A. M.; CHAUDHRY, I. A.;
AHSAN, M. On using neural networks in UAV structural
design for CFD data fitting and classification. Aerospace
Science and Technology (2013).
MENDES, T. S. G; DAL POZ, A. P. Classificação de
imagens de alta-resolução utilizando Redes Neurais
Artificiais e dados de varredura a laser: In: SIMPOSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, 15.,
2011, Curitiba. Anais...São José dos Campos: INPE,
2011.p.7792-7799.
MENESES, P. R; ALMEIDA, T. (org.), Introdução ao
Processamento de Imagens de Sensoriamento Remoto: 1 ed. Brasília: UnB/CNPq, 2012.
SANTOS, R. D. B. Dinâmica espaço-temporal (1990 -
2010) do uso da terra no município de Seropédica, RJ,
determinado por classificação automatizada. 2013.
Trabalho de conclusão de curso de Engenharia florestal -
Universidade Federal Rural do Rio de Janeiro (UFRRJ).
QUEIROZ, R. B.; RODRIGUES, A. G.; GÓMEZ, A. T.
Estudo comparativo entre as técnicas máxima
verossimilhança gaussiana e redes neurais na
classificação de imagens IR-MSS CBERS 1",
WORKCOMP 2004, 2004.