Thiago Broerman Cazes InterpretaÃ§Ã£o Baseada ... - NIMA - PUC-Rio

More documents

Recommendations

Info

82 5.4.1 Resultados do classificador multitemporal Uma série de experimentos foi realizada para avaliar a contribuição do conhecimento multitemporal e nebuloso, conforme mostrado nas seções a seguir. 5.4.1.1 Contribuição do conhecimento multitemporal crisp Erro médio de omissão apos a inclusao o conhecimento multitemporal crisp 100,0% 90,0% 80,0% 70,0% 60,0% 50,0% 40,0% 30,0% 20,0% 10,0% 0,0% Agua Campo Alagado Floresta Campo Urbana Floresta Urbano Rocha Campo Urbano Media FASE1 40,0% 52,5% 88,0% 66,7% 36,7% 29,8% 79,1% 94,2% 60,9% FASE2 40,0% 52,5% 58,6% 59,5% 26,7% 35,8% 88,2% 73,6% 54,4% FASE3 - CRISP 40,00% 50,00% 60,00% 35,71% 29,21% 33,83% 73,53% 71,20% 49,19% Gráfico 4 – Erro de classificação global após a inclusão de conhecimento multitemporal de maneira CRISP. (resultado após 20 execuções) Os resultados da inclusão do conhecimento multitemporal crisp mostram um aumento significativo de desempenho, ou seja, a diminuição do erro de omissão médio em cerca de cinco pontos percentuais. Algumas classes, como Floresta Urbana e Rocha foram mais afetadas. Essas classes claramente se beneficiam de informação multitemporal. No caso da Rocha, ela tende a não se alterar ao longo do tempo e no caso de Floresta Urbana, que compreende parques e jardins, ocorre o mesmo. Na média, no entanto, o erro de omissão cai significativamente após a inclusão do conhecimento multitemporal, mesmo usando a modelo crisp.
83 5.4.1.2 Contribuição do conhecimento multitemporal nebuloso No segundo experimento aplicou-se o conhecimento multitemporal nebuloso. A Tabela 11 mostra os valores da matriz de transição obtida pelo algoritmo genético com base nos dados de treinamento. t t-∆t Água Campo Campo Urbano Floresta Urbana Floresta Urbano Rocha Campo Urbano Água 1,00 0,33 0,49 0,00 0,00 0,16 0,00 0,18 Campo Urbano 0,00 1,00 0,13 0,00 0,00 0,21 0,00 0,76 Campo 0,00 0,11 1,00 0,29 0,29 0,49 0,58 0,39 Floresta Urbana 0,00 0,00 0,00 1,00 0,00 0,50 0,00 0,69 Floresta 0,00 0,00 0,49 0,77 1,00 0,19 0,00 0,41 Urbano 0,00 0,00 0,00 0,69 0,00 1,00 0,00 0,50 Rocha 0,00 0,00 0,16 0,00 0,00 0,25 1,00 0,30 Campo Urbano 0,00 0,00 0,00 0,76 0,00 0,28 0,00 1,00 Tabela 11 – Matriz de transição nebulosa. Valores em zero indicam transições impossíveis. A função objetivo do algoritmo genético, conforme citado anteriormente, é a taxa média de acerto entre as classes. No Gráfico 5 é apresentado um exemplo retirado dos experimentos realizados que retrata a evolução do algoritmo genético durante a sua evolução. Observa-se um incremento significativo na função de avaliação a cada geração.
Page 1 and 2:
A-PDF Merger DEMO : Purchase from w
Page 3 and 4:
Todos os direitos reservados. É pr
Page 5 and 6:
Resumo Cazes, Thiago Broerman; Feit
Page 7 and 8:
Sumário 1 Introdução 13 1.1 Obje
Page 9 and 10:
Lista de Figuras Figura 1 - Exemplo
Page 11 and 12:
Lista de Tabelas Tabela 1 - Caracte
Page 13 and 14:
13 1 Introdução As técnicas de s
Page 15 and 16:
15 compatíveis com a escala 1:50.0
Page 17 and 18:
17 2 Fundamentos Teóricos A presen
Page 19 and 20:
19 Os sensores remotos passivos que
Page 21 and 22:
21 Figura 2 - resposta espectral re
Page 23 and 24:
23 disponíveis em todo o mundo. O
Page 25 and 26:
25 que as mesmas sejam reconhecidas
Page 27 and 28:
27 Basicamente o tipo de funções
Page 29 and 30:
29 nebulosa permite representar val
Page 31 and 32: 31 2.2.1.4 Algoritmos Genéticos Al
Page 33 and 34: 33 2.3 Segmentação 2.3.1 Históri
Page 35 and 36: 35 software eCognition [35]. O proc
Page 37 and 38: 37 3 Estado da arte em classificaç
Page 39 and 40: 39 de alta resolução resultando n
Page 41 and 42: 41 diferença está nos atributos o
Page 43 and 44: 43 utilizado a decisão baseia-se n
Page 45 and 46: 45 4 Modelo proposto 4.1 Introduç
Page 47 and 48: 47 nebulosas. Agrega-se ao resultad
Page 49 and 50: 49 entre classes em um determinado
Page 51 and 52: 51 5 Avaliação experimental Nesse
Page 53 and 54: 53 Na área analisada a temperatura
Page 55 and 56: 55 Figura 17 - Foto da área do Par
Page 57 and 58: 57 uma resolução radiométrica de
Page 59 and 60: 59 5.1.4 Segmentação A segmentaç
Page 61 and 62: 61 CLASSE Água Características pr
Page 63 and 64: 63 CLASSE Floresta Urbana Caracter
Page 65 and 66: 65 contendo a descrição detalhada
Page 67 and 68: 67 Classificação 2001 Água Campo
Page 69 and 70: 69 também 50 padrões por classe p
Page 71 and 72: 71 (ou verdade de campo) a uma outr
Page 73 and 74: 73 5.3.2 Regras O conhecimento do e
Page 75 and 76: 75 O conjunto de treinamento utiliz
Page 77 and 78: 77 Taxa de erro global, comparaçã
Page 79 and 80: 79 Classe em t-1 Água Campo Alagad
Page 81: 81 analisado (t). A ordem das class
Page 85 and 86: 85 Se comparado com a Fase 1 a incl
Page 87 and 88: 87 6 Comentários finais O objetivo
Page 89 and 90: 89 Referências 1 CORR, D.G.; TAILO
Page 91 and 92: 91 27 GONZALEZ, R.C., WOODS, R.E. D
Page 93 and 94: 93 52 LEE, C.; LANDGREBE, D.A. Deci
show all

Thiago Broerman Cazes InterpretaÃ§Ã£o Baseada ... - NIMA - PUC-Rio

Create successful ePaper yourself

Delete template?

Save as template?