Show simple item record

dc.contributor.advisorCenteno, Jorge Antonio Silva, 1963-pt_BR
dc.contributor.authorCasaroti, Carla Jaqueline, 1990-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências Geodésicaspt_BR
dc.date.accessioned2021-03-30T20:12:03Z
dc.date.available2021-03-30T20:12:03Z
dc.date.issued2020pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/68537
dc.descriptionOrientador: Prof. Dr. Jorge Antonio Silva Centeno.pt_BR
dc.descriptionTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Pós-Graduação em Ciências Geodésicas. Defesa : Curitiba, 21/02/2020pt_BR
dc.descriptionInclui referências: p. 88-93pt_BR
dc.description.abstractResumo: Para apoiar os estudos hidrológicos baseados em física ambiental, há a necessidade de encurtar a distância entre imagens de satélite bruto e modelos de gestão de recursos hídricos no que diz respeito às classes de cobertura da terra. À medida que as melhorias na resolução espacial de imagem permitem uma visão mais detalhada da superfície da Terra, o número de classes possíveis também aumenta. No entanto, os modelos hidrológicos ou de qualidade da água ainda dependem de dados grosseiros, como mapas de solo em pequena escala ou estimativas de chuva interpoladas que não são compatíveis com uma descrição detalhada da superfície. Por outro lado, manter os modelos mais gerais permite usálos em diferentes regiões ao redor do mundo. Nesse sentido, é proposta uma rede semântica hierárquica de classes com base nos modelos hidrológicos e de qualidade da água mais comuns e, essa rede também está relacionada a resoluções de imagem. Os resultados mostraram a relação quase direta entre parâmetros de diferentes modelos e, comprovou-se que as classes necessárias pelos modelos podem ser organizadas dentro de uma rede hierárquica, da mesma forma que os sistemas de classes propostos por agências internacionais como CORINE e LCCS. Este esquema de classificação desenvolvido foi então aplicado a um caso de estudo no Brasil, a bacia de Vossoroca. As imagens Rapideye da área são classificadas usando a análise de imagem baseada em objetos (OBIA). O uso da abordagem de análise de imagem baseada em objetos em imagens digitais para fins de classificação em imagens de satélite de alta resolução espacial pode ser dividido em dois passos principais: o primeiro seria a etapa de segmentação e o segundo está relacionado à rotulagem esses segmentos ou objetos de acordo com um determinado conjunto de recursos e classificadores. As árvores de decisão são comumente usadas para representar o conhecimento humano em relação às classes de interesse na etapa de classificação. A questão nessa pesquisa foi sobre como selecionar uma quantidade menor ou combinação de características de um espaço de características disponível; que poderiam ser espaciais, espectrais e/ou texturais, a fim de descrever melhor as classes de interesse. Essa pergunta leva à escolha do melhor ou mais conveniente método de seleção de características. Para a etapa de seleção de características, diferentes algoritmos de seleção foram comparados: um modelo wrapper, um baseado em perceptron e outro no algoritmo SBS. O efeito do conjunto escolhido de variáveis derivadas das características disponíveis foi avaliado classificando as regiões de teste da mesma imagem. Acurácias globais da classificação foram satisfatórias, com valores maiores que 90%, revelando que, usar o método desenvolvido de seleção de características (modelo wrapper), junto com OBIA e o classificador pelo método do vizinho mais próximo é um bom caminho. Palavras-chave: Seleção de Variáveis, Perceptron, Árvore de Decisãopt_BR
dc.description.abstractAbstract: To support environmental physics-based hydrological studies there are several studies made throughout the years in order to shorten the distance between raw satellite imagery and water resources management models as regards land cover classes. As improvements in image spatial resolution enable a more detailed view of the Earth's surface the number of possible classes also increases. Nevertheless, hydrological or water quality models still rely on coarse data, such as small-scale soil maps or interpolated rain estimates that are not compatible with a detailed description of the surface. On the other hand, keeping the models more general allows using them in many different regions around the world. In this sense, in this thesis it is proposed a semantic hierarchical network of classes based on the most common hydrological and water quality models based on the water body components' samples and this net is related to image resolutions. Findings showed the almost direct relation between parameters of different models and it is proved that the classes needed by the models can be organized within a hierarchical net, in the same way as the classification systems CORINE and LCCS proposed by international agencies. This classification schema is then applied to a study case in Brazil, the Vossoroca basin. RapidEye images are classified using the object-based image analysis (OBIA). The use of object-based image analysis approach on digital imagery for classification purposes on high spatial resolution satellite imagery can be divided into two main steps: the first one would be the segmentation step and the second one is related to labeling these segments or objects according to a certain set of features and classifier. Decision trees are commonly used to represent human knowledge regarding the classes of interest in the classification step. The issue here is regarding on how to select a smaller amount or combination of features from a feature space; that could contain spatial, spectral and/or textural features, in order to improve the classes of interest description as well as the feature selection in this context. That question leads to choosing the best or more convenient feature selection method. For the feature selection step, different feature selection algorithms were compared: the wrapper model, the perceptron-based model and the SBS algorithm. The effect of the chosen set of variables derived from the available features was evaluated classifying test regions from the same image. Satisfactory overall image classification accuracy larger than 90% were revealed when using the developed feature selection method along with the OBIA approach using the nearest neighbor as classifier. Keywords: Feature Selection (FS); Perceptron; Decision tree.pt_BR
dc.format.extent1 arquivo (93 p.) : il. (algumas color.).pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languageInglêspt_BR
dc.subjectHidrologia - Modelospt_BR
dc.subjectGeodésiapt_BR
dc.subjectArvores de decisãopt_BR
dc.subjectProcessamento de imagenspt_BR
dc.titleFeature selection for land cover classification using object-based approach for global application hydrological modelspt_BR
dc.typeTese Digitalpt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record