Geotecnologias e o planejamento da agricultura de energia - IEE/USP
Geotecnologias e o planejamento da agricultura de energia - IEE/USP
Geotecnologias e o planejamento da agricultura de energia - IEE/USP
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Na classificação não-supervisiona<strong>da</strong> o classificador não utiliza a priori nenhum<br />
conhecimento sobre as classes existentes na imagem e <strong>de</strong>fine, sem a interferência do<br />
analista, a estratificação <strong>da</strong> cena, atribuindo a ca<strong>da</strong> pixel uma <strong>de</strong>termina<strong>da</strong> classe. O<br />
algoritmo <strong>de</strong>fine estas classes com base em regras estatísticas pré-seleciona<strong>da</strong>s<br />
(VENTURIERI; SANTOS, 1998).<br />
Na classificação supervisiona<strong>da</strong> o usuário seleciona amostras representativas para<br />
ca<strong>da</strong> uma <strong>da</strong>s classes que se <strong>de</strong>seja i<strong>de</strong>ntificar na imagem. Assume-se que as classes<br />
po<strong>de</strong>m ser <strong>de</strong>scritas por uma função <strong>de</strong>nsi<strong>da</strong><strong>de</strong> <strong>de</strong> probabili<strong>da</strong><strong>de</strong> e, portanto,<br />
<strong>de</strong>scritas por seus parâmetros estatísticos. Estes parâmetros são estimados através do<br />
conjunto <strong>de</strong> amostras <strong>de</strong> treinamento, previamente estabelecidos. Entre os métodos<br />
<strong>de</strong> classificação supervisiona<strong>da</strong>, <strong>de</strong>stacam-se o paralelepípedo e o máxima<br />
verossimilhança, ou MAXVER, como sendo os mais utilizados (BATISTA;<br />
AFFONSO, 2002).<br />
No método do paralelepípedo, a mais simples <strong>da</strong>s classificações supervisiona<strong>da</strong>s e <strong>de</strong><br />
maior rapi<strong>de</strong>z computacional, as “assinaturas” <strong>da</strong>s classes são estabeleci<strong>da</strong>s pelo<br />
exame dos histogramas, que compõem os atributos espectrais individuais dos <strong>da</strong>dos<br />
contidos nas amostras <strong>de</strong> treinamento. Os limites inferior e superior do histograma<br />
são i<strong>de</strong>ntificados e utilizados para <strong>de</strong>screver a amplitu<strong>de</strong> dos valores <strong>de</strong> brilho<br />
característica <strong>de</strong> ca<strong>da</strong> componente temática na imagem orbital. Para Crósta (1992)<br />
apud Venturieri e Santos (1998), no paralelepípedo <strong>de</strong>finido pelo nível <strong>de</strong> cinza<br />
mínimo e máximo do conjunto <strong>de</strong> treinamento, os lados <strong>de</strong>sta figura geométrica<br />
constituem os limites <strong>de</strong> <strong>de</strong>cisão <strong>de</strong> <strong>de</strong>termina<strong>da</strong> classe. Assim, todos os pixels contidos<br />
neste intervalo serão rotulados como pertencentes a esta classe específica. Um aspecto<br />
que afeta o <strong>de</strong>sempenho <strong>de</strong>ste método é a correlação existente entre ban<strong>da</strong>s ópticas<br />
dos sensores atualmente disponíveis, principalmente aquelas na região do visível<br />
(VENTURIERI; SANTOS, 1998).<br />
MAXVER é o método <strong>de</strong> classificação “pixel a pixel” mais utilizado em <strong>da</strong>dos <strong>de</strong><br />
sensoriamento remoto. Este método consi<strong>de</strong>ra a pon<strong>de</strong>ração <strong>da</strong>s distâncias entre<br />
médias dos níveis digitais <strong>da</strong>s classes, utilizando parâmetros estatísticos, para que o<br />
mesmo seja suficiente é necessário um número razoavelmente elevado <strong>de</strong> “pixels”,<br />
23