| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 9.84 MB | Adobe PDF |
Authors
Abstract(s)
Remote sensing is a domain that tends to use satellite images for classification and Land Use/Cover (LULC) mapping. For this purpose, classification algorithms are used, which are numerous and diverse, and it is necessary to establish decision criteria when choosing the algorithm. Ultimately, the main decision criterion will be the accuracy obtained in classification because the accuracy of classification may differ from one algorithm to another, even within the same algorithm, according to its variables. But there are other equally important criteria: it depends on the nature of the task, the quantity and types of data available, the type of response expected, the time and computational resources available, the depth of our knowledge about the algorithms.
The methodology of each part of the work was described and the criteria for comparison were established. In this research, with the same training data, the same validation data, the same application context (7 classes), and the same image data (Sentinel-2), we tested 15 iterations with the Random Forest classification algorithm, with different tree number decision values, and 3 iterations with vegetation and soil indexes, for the production of the LULC map of the Bragança region (northeast Portugal). Finally, we evaluate the accuracy of the classification, before and after the post-classification tasks (generalization, fragmentation and removal of isolated pixels).
The results obtained show that a classification with an nb-trees = 1000, including vegetation and soil indices, and after post-classification tasks, provided excellent precision results (Coefficient Kappa = 0.93, Overall accuracy = 96%, and marginal errors of omission & commission below 4%).
A teledetecção é um domínio que tende a utilizar imagens de satélite para classificação e mapeamento de Uso/Cobertura da Terra (LULC). Para este fim, são utilizados algoritmos de classificação, que são numerosos e diversos, sendo necessário estabelecer critérios de decisão ao escolher o algoritmo. Em última análise, o principal critério de decisão será a precisão obtida na classificação, porque a precisão da classificação pode diferir de um algoritmo para outro, mesmo dentro do mesmo algoritmo, de acordo com as suas variáveis. Mas existem outros critérios igualmente importantes: depende da natureza da tarefa, da quantidade e tipos de dados disponíveis, do tipo de resposta esperada, do tempo e dos recursos computacionais disponíveis, da profundidade dos nossos conhecimentos sobre os algoritmos. A metodologia de cada parte do trabalho foi descrita e os critérios de comparação foram estabelecidos. Nesta investigação, com os mesmos dados de formação, os mesmos dados de validação, o mesmo contexto de aplicação (7 classes), e os mesmos dados de imagem (Sentinel-2), testámos 15 iterações com o algoritmo de classificação Random Forest, com diferentes valores de decisão de número de árvores, e 3 iterações com índices de vegetação e solo, para a produção do mapa LULC da região de Bragança (nordeste de Portugal). Finalmente, avaliámos a exactidão da classificação, antes e depois das tarefas de pós-classificação (generalização, fragmentação e remoção de pixels isolados). Os resultados obtidos mostram que uma classificação com um nb-trees = 1000, incluindo índices de vegetação e solo, e após tarefas de pós-classificação, forneceu excelentes resultados de precisão (Coeficiente Kappa = 0.93, Precisão geral =96%, e erros marginais de omissão & comissão abaixo de 4%).
A teledetecção é um domínio que tende a utilizar imagens de satélite para classificação e mapeamento de Uso/Cobertura da Terra (LULC). Para este fim, são utilizados algoritmos de classificação, que são numerosos e diversos, sendo necessário estabelecer critérios de decisão ao escolher o algoritmo. Em última análise, o principal critério de decisão será a precisão obtida na classificação, porque a precisão da classificação pode diferir de um algoritmo para outro, mesmo dentro do mesmo algoritmo, de acordo com as suas variáveis. Mas existem outros critérios igualmente importantes: depende da natureza da tarefa, da quantidade e tipos de dados disponíveis, do tipo de resposta esperada, do tempo e dos recursos computacionais disponíveis, da profundidade dos nossos conhecimentos sobre os algoritmos. A metodologia de cada parte do trabalho foi descrita e os critérios de comparação foram estabelecidos. Nesta investigação, com os mesmos dados de formação, os mesmos dados de validação, o mesmo contexto de aplicação (7 classes), e os mesmos dados de imagem (Sentinel-2), testámos 15 iterações com o algoritmo de classificação Random Forest, com diferentes valores de decisão de número de árvores, e 3 iterações com índices de vegetação e solo, para a produção do mapa LULC da região de Bragança (nordeste de Portugal). Finalmente, avaliámos a exactidão da classificação, antes e depois das tarefas de pós-classificação (generalização, fragmentação e remoção de pixels isolados). Os resultados obtidos mostram que uma classificação com um nb-trees = 1000, incluindo índices de vegetação e solo, e após tarefas de pós-classificação, forneceu excelentes resultados de precisão (Coeficiente Kappa = 0.93, Precisão geral =96%, e erros marginais de omissão & comissão abaixo de 4%).
Description
Mestrado de dupla diplomação com o Institute Agronomic and Veterinary Hassan II
Keywords
Remote sensing Bragança region