Determinação semiautomática de limiares para classificação de conjuntos multitemporais de imagens de satélite

Abstract

O desenvolvimento de métodos de classificação aplicados a imagens de satélite tem apresentado resultados bastante satisfatórios, nomeadamente a classificação baseada em objeto (OBIA – Object Based Image Analysis). Porém, os algoritmos construídos para a classificação de uma dada área de estudo, apresentam um desempenho inferior quando aplicados a uma imagem da mesma área, adquirida noutra época. Assim, a presente dissertação de mestrado tem como principal objetivo desenvolver uma metodologia de classificação multitemporal de imagens de média resolução, semiautomática e replicável. Esta terá a capacidade de identificar os principais padrões de ocupação do solo de qualquer imagem na mesma área de estudo, sendo aplicada em diversos contextos temporais, permitindo a redução da subjetividade na classificação e uma rápida e constante atualização da informação, através da repetibilidade do algoritmo construído. Foram recolhidas imagens do satélite Land Remote Sensing Satellite 8 (Landsat 8) sendo estas subdivididas num conjunto de imagens de treino e de teste. De seguida, é desenvolvido um algoritmo de classificação de imagens orientada em objetos, através das imagens de treino com o auxílio do software eCognition®. Nesta primeira fase são encontradas as variáveis e os respetivos limiares de corte das funções, das imagens utilizadas na construção do algoritmo de classificação. Posteriormente, através do software Matrix Laboratory (Matlab®) procedeu-se à aplicação de um algoritmo baseado na Análise por Componentes Principais (ACP) para determinar automaticamente os limiares de corte das funções para a classificação das imagens de teste. Este método multivariado permite numa primeira instância analisar a correlação entre parâmetros caracterizadores das imagens e os limiares das imagens de treino. Através de uma segunda ACP, as imagens de treino e de teste foram ordenadas e foi efetuada a interpolação dos limiares de corte das funções para as imagens a classificar. Foram produzidos mapas de ocupação de solo para 8 imagens, com uma exatidão global superior a 94% e um coeficiente de concordância Kappa acima de 0,94.

The analysis and classification of land cover images show a clear dependence on the user not only to identify the classes of a given area, but also at their extraction through a classification methodology. However, the constant change in land cover over time also contributes to a delay in updating the information and subjectivity in the image classification. Thus, this master thesis aims to develop a methodology of medium resolution images classification, semiautomatic and replicable. The algorithm developed has the ability to identify key land cover patterns of any image, to be applied in different temporal, allowing the reduction of subjectivity in the classification and rapid and constant updating of information. In order to achieve the presented purpose, was developed a methodology based on oriented image classification on objects (OBIA - Object Based Image Analysis), with the help of software eCognition®, to apply the images collected from the Landsat 8 (Land Remote Sensing Satellite) satellite sensor. In this first phase was classified a set of training images with visual selection of cutoff thresholds for variables used to build the classification algorithm. Later, through the Matlab® software (Matrix Laboratory) it proceeded to the application of an algorithm, based on Principal Component Analysis (PCA) to automatically determine the cutoff thresholds for classification of a new set of images (test image). The multivariate method allows to analyze in a first instance, the correlation between the parameters characterizing images and the reference images thresholds. Through a second PCA the reference and test images, were ordered and carried out the interpolation of cutting thresholds for the images to classify. Land cover maps were produced for 8 images, with a global accuracy greater than 94% and a Kappa coefficient of agreement above 0.94.