Análise comparativa de métodos não paramétricos de classificação de regiões de vias com imagens de altíssima resolução espacial e laser scanning aerotransportado: a influência das camadas de atributos no desempenho dos classificadores “support vector machine” e “artificial neural network”

Abstract

O objetivo do projeto é analisar comparativamente dois métodos não paramétricos de classificação (o “Support Vector Machine” – SVM e o “Artificial Neural Network” – ANN) de regiões de vias em imagens de altíssima resolução espacial e associadas aos dados provenientes de Laser Scanning aerotransportado. O estudo pretende verificar que tipo de influência as camadas de atributos possuem no desempenho dos respectivos classificadores (SVM E ANN). O objeto cartográfico que delimita o estudo são as bases de dados referentes a malha rodoviária, pois, estas são muito importantes para a sociedade humana devido ao seu relevante papel no cotidiano das pessoas. Além disto, nas últimas décadas, muitas metodologias foram propostas em relação ao desafio representado pela extração semiautomatizada da malha viária a partir de técnicas de sensoriamento remoto. Esta dificuldade pode ser comprovada na revisão de alguns trabalhos relacionados ao tema e publicados na última década. Mena (2003) e Ziems et al (2017) demonstraram que o problema de extração semiautomatizada de regiões de vias (ruas ou rodovias) é muito analisado por diversas áreas da ciência e propostas baseadas em algoritmos genéticos ou sistemas especialistas são cada vez mais recorrentes e, neste contexto, os métodos não paramétricos surgem como uma forte tendência. Assim sendo, as análises propostas neste projeto serão feitas em um ambiente de teste e validação controlado, onde ambos os classificadores receberão o mesmo conjunto de amostras de treinamento, os mesmos conjuntos de atributos obtidos por intermédio de aerofotogrametria e com altíssima resolução espacial e radiométricas (imagens em níveis de cinza do espectro visível; do espectro infravermelho próximo e ALS – Airborne Laser Scanning), assim como serão validados a partir da mesma imagem de verdade de campo e através de procedimentos consolidados na literatura, como o Coeficiente Kappa. Uma combinação simples e sem repetição dos planos de informação disponíveis permitirá a análise da influência de cada camada no espaço de atributos e no desempenho de cada um dos classificadores.