Classificação de imagens POLINSAR utilizando técnicas de mineração de dados

Ano: 2010 | Volume: 6 | Número: Suplemento

Autores: Carlos Alberto Pires de Castro Filho, João Roberto dos Santos

Palavras-chave: mineração de dados, classificação, sensoriamento remoto, radar

Resumo Português:

A Descoberta de Conhecimento em Bancos de Dados (Knowledge Discovery
in Databases), ou KDD, objetivam gerar técnicas para análise de dados através
de algoritmos de mineração. No Subprojeto Cartografia Terrestre, da Diretoria
de Serviço Geográfico – DSG – está previsto o imageamento de uma área de
aproximadamente 770.000km2 da região amazônica utilizando tecnologia de
Radares de Abertura Sintética Interferométricos e Polarimétricos - POLINSAR.
O objetivo deste trabalho é analisar o potencial de dados de SAR para classificação
de uso do solo. Nesta análise foram utilizadas técnicas de mineração de dados
identificando quais tipos de atributos são os mais adequados para discretizar
as classes a serem definidas. Além dessas técnicas, foram também selecionados
atributos que melhor classificaram separadamente a imagem mediante uma
árvore de decisões. Os resultados obtidos indicaram que a classificação com os
melhores atributos obtidos separadamente nas etapas de treinamento obtiveram
melhor avaliação. Conclui-se que, apesar de os resultados terem sido melhores
com o método proposto, a avaliação da classificação com os atributos selecionados
automaticamente se aproximou bastante.

Resumo Inglês:

Knowledge Discovery in Databases – KDD – is intended to generate new techniques
to analyze data through data mining algorithms. In the Brazilian Terrestrial
Cartography Subproject, also known as “Amazon Radiography”, from Geographic
Service of Brazilian Army (DSG), is expected the imagery of an area of approximately
770,000km2 of the Amazon region, using the Polarimetric Interferometric and Synthetic Aperture Radar – POLINSAR – technology. The aim of this study is to
examine the potential of SAR data for land use classification. Data mining techniques
were used to identify the features that best discriminate the classes. In addition to
these techniques, features that best separately classified the image separately through
a great variety of using decision tree were also selected options. The results indicates
that the best classification with best features which were obtained separately in
the training sections got better evaluation. We conclude that although the results
were better with the proposed method, the evaluation of the classification with the
automatically selected attributes automatically were very close.