AVALIAÇÃO DA ACURÁCIA DE ALGORITMOS DE CLASSIFICAÇÃO DE IMAGENS ORBITAIS NA BAÍA DA BABITONGA, NORDESTE DE SANTA CATARINA
DOI:
https://doi.org/10.26848/rbgf.v14.6.p3599-3613Keywords:
Acurácia de Algoritmos, Baía da Babitonga, Imagem orbital, Sensoriamento remoto, Uso e cobertura do solo.Abstract
O objetivo deste trabalho foi a avaliação da acurácia de algoritmos de classificação do uso e cobertura do solo, quando aplicados a uma imagem orbital de média resolução espacial. Para esse estudo foram utilizadas as bandas espectrais da faixa do visível e infravermelho próximo, do sensor Operational Land Imager – OLI na Baía da Babitonga/SC. Foram propostas nove classes de cobertura do solo, que serviram como controle para testar 11 algoritmos classificadores: Binary Encoding, Example Based Feature Extraction, IsoData, K-Means, Mahalanobis Distance, Maximum Likelihood, Minimum Distance, Neural Net, Parallelepiped, Spectral Angle Mapper e Spectral Information Divergence. O classificador Maximum Likelihood foi o que apresentou o melhor desempenho, obtendo um índice Kappa de 0,89 e acurácia global de 95,5%, sendo capaz de distinguir as nove classes de cobertura do solo propostas.
A B S T R A C T
The objective of this work was to evaluate the classification algorithms accuracy of the soil use and cover when applied to a spatial mean orbital image. For this study we used the visible and near infrared spectral bands of the Operational Land Imager - OLI sensor in Babitonga Bay / SC. Nine classes of soil cover were proposed, which served as control to test 11 classifier algorithms: Binary Encoding, Example Based Feature Extraction, IsoData, K-Means, Mahalanobis Distance, Maximum Likelihood, Minimum Distance, Neural Net, Parallelepiped, Spectral Angle Mapper and Spectral Information Divergence. The Maximum Likelihood classifier presented the best performance, obtaining a Kappa index of 0.89 and a global accuracy of 95.5%, being able to distinguish the nine proposed classes of soil cover.
Keywords: Algorithms Accuracy, Babitonga Bay, Orbital image, Remote sensing, Soil Use and Cover.
Downloads
References
Abbas, A.W., Minallh, N., Ahmad, N., Abid, S.A.R., Khan, M.A.A. 2016. K-Means and ISODATA Clustering Algorithms for Landcover Classification Using Remote Sensing. Sindh University Research Journal 48(2), 315-318. Disponível em: http://sujo-old.usindh.edu.pk/index.php/SURJ/article/download/2358/2008. Acesso em: 23 set. 2020.
Abburu, S., Golla, S.B. 2015. Satellite image classification methods and techniques: A review. International journal of computer applications 119(8), 20-25.
Andrade, A.C., Francisco, C.N., Almeida, C.M. 2014. Desempenho de Classificadores Paramétrico e Não Paramétrico na Classificação da Fisionomia Vegetal. Revista Brasileira de Cartografia [online] 66(2). Disponível em: http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/43917. Acesso: 1 dez. 2020.
Barbosa, C.C.F. 2005. Sensoriamento Remoto da dinâmica da circulação da Água do Sistema Planície de Curuai/Rio Amazonas. 254 p. (INPE-14614-TDI/1193) Tese de (Doutorado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São Jose dos Campos.
Bolfe, E.L., Pereira, R.S., Madruga, R.A., Fonseca, E.L. 2004. Avaliação da classificação digital de povoamentos florestais em imagens de satélite através de índices de acurácia. Revista Árvore [online] 28(1), 85-90. Disponível em: https://doi.org/10.1590/S0100-67622004000100011. Acesso: 28 nov. 2020.
Campbell, J.B. 1996. Introduction to remote sensing. New York: The Guilford Press. 622 p.
Campos, W.W., Gaspar, J., Lage, M.O., Kawashima, R.S., Giannotti, M.A., Quintanilha, J.A. 2016. Avaliação de Classificadores de Imagem de Satélite a Partir do Uso de uma Técnica de Votação. Revista Brasileira de Cartografia [online], n. 68(8), 1653-1664. Disponível em: http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44385. Acesso: 19 nov. 2020.
Cohen, J.A. 1960. Coefficient of Agreement for Nominal Scales. Educational and Measurement [online], 20(1), 37-46. Disponível em: https://doi.org/10.1177/001316446002000104. Acesso: 15 out. 2020.
Congalton, R.G. 1991. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment 49(12),1671-1678.
Congalton, R.G., Green, K. 2009. Assessing the accuracy of remotely sensed data: principles and practices. Russell G. Congalton and Kass Green: Boca Raton/FL.
Chaves, E.D., M., Picoli, C.A., Sanches, M.D.I. 2020. Recent Applications of Landsat 8/OLI and Sentinel-2/MSI for Land Use and Land Cover Mapping: A Systematic Review. Remote Sensing [online] 2020(12), 3062. Disponível em: https://doi.org/10.3390/rs12183062. Acesso: 02 dez. 2020.
Espinhosa, M.C., Galo, M.L.B.T. 2004. O Uso de Redes Neurais Artificiais na Análise Da Ambiguidade Entre Classes De Água E Plantas Aquáticas. Boletim de Ciências Geodésicas [online] 10(2), 193-213. Disponível em: https://revistas.ufpr.br/bcg/article/view/1533/1287. Acesso em: 28 nov. 2020.
Fonseca, D.S.R., Clemente, C.M.S., Reis, D.C., Cardoso, T.R., De Melo, W.J., França, M.A. 2014. Estatística Experimental Aplicada Na Avaliação Da Eficiência De Métodos Baseados Em Classificação Supervisionada De Imagens. Revista Brasileira de Cartografia 66(3), 581-594.
França, M. 2010. Análise Do Uso Da Terra No Município De Viçosa-Mg Mediado Por Classificações Supervisionadas Com Redes Neurais Artificiais E Maxver. Revista Brasileira de Geografia Física 2(3), 92-109. Disponível em: https://doi.org/10.26848/rbgf.v2.3.p92-109. Acesso: 01 dez. 2020.
Gómez, C., White, J.C., Wulder, M.A. 2016. Optical remotely sensed time series data for land cover classification: A review. ISPRS Journal of Photogrammetry Remote Sensing [online] 116, 55–72. Disponível em: https://doi.org/10.1016/j.isprsjprs.2016.03.008. Acesso em: 10 nov. 2020.
IBGE. Instituto Brasileiro de Geografia e Estatística. 2020. Cidades. Disponível em: https://cidades.ibge.gov.br/brasil/sc/panorama. Acesso em: 30 nov. 2020.
Jog, S., Dixit, M. 2016. Supervised classification of satellite images. 2016 Conference on Advances in Signal Processing (CASP), 2016, 93-98. Disponível em: https://ieeexplore.ieee.org/document/7746144. Acesso em: 20 out. 2020.
Lambin, E., Rounsevell, M., Geist, H. 2000. Are agricultural land-use models able to predict changes in land-use intensity? Agriculture, Ecosystems & Environment [online] 82, 321–331. Disponível em: https://doi.org/10.1016/S0167-8809(00)00235-8. Acesso em: 26 nov. 2020.
Landis, J.R., Koch, G.G. 1977. The Measurement of Observer Agreement for Categorical Data. International Biometric Society 33(1),159-174.
Linden, R. 2009. Técnicas de Agrupamento. Revista de Sistemas de Informação da FSMA 4,18-36. Disponível em: http://www.fsma.edu.br/si/edicao4/FSMA_SI_2009_2_Tutorial.pdf. Acesso em: 27 out. 2020.
Mastella, A.F.M., Vieira, C.A.O. 2018. Acurácia temática para classificação de imagens utilizando abordagens por pixel e por objetos. Revista Brasileira de Cartografia [online], 70, 1618-1643. Disponível em: http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44559. Acesso em: 13 nov. 2020.
Moura, N.V.A. 2016. Comparação Entre Classificadores Supervisionados para fins de Análise Multitemporal do Uso e Cobertura da Terra no Entorno do Reservatório da Usina Hidrelétrica de Corumbá IV/GO. (Dissertação de Mestrado) Universidade de Brasília. Brasília/DF.
Paz, J.P.S., Vieira, C.V. 2018. Evolução do uso e cobertura do solo no município de São Francisco do Sul – Estado de Santa Catarina. Boletim Paranaense de Geociências [online] 74(1),28-36. Disponível em: http://dx.doi.org/10.5380/geo.v74i1.50945. Acesso em: 25 out. 2020.
Perumal, K., Bhaskaran, R. 2010. Supervised Classification Performance of Multispectral Images. Journal of Computing [online] 2(2), 124-129. Disponível em: https://arxiv.org/abs/1002.4046. Acesso em: 29 nov. 2020.
Polinário, A.M., Imai, N.N., Tommaselli, A.M.G., Flores, F.C. 2006. Detecção e Discriminação de Sombras, Nuvens e Corpos D’água em Imagens de Sensoriamento Remoto. Revista Brasileira de Cartografia [online] 58(3). Disponível em: http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44908. Acesso em: 11 nov. 2020.
Prado, B.R., Martins, V.A., Hayakawa, E.H., Tavares Júnior, J.B., Shimabukuro, Y.E. 2010. Identificação de classes de cobertura da terra na Amazônia utilizando imagens Alos/Palsar e classificação orientada a objeto. Revista Brasileira de Cartografia [online] 62(3), 11. Disponível em: http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/43691/22955. Acesso em: 17 nov. 2020.
Profeta, A.L. 2015. Dinâmica Multitemporal da cobertura do Solo no município de Piranga - MG, no Período de 1984 a 2009. Revista Brasileira de Cartografia [online]67(1). Disponível em: http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44730. Acesso em: 17 nov. 2020.
Silva, R.F., Santos, V.A., Galdino, S.M.G. 2016. Análise dos impactos ambientais da Urbanização sobre os recursos hídricos na sub-bacia do Córrego Vargem Grande em Montes Claros-MG. Caderno de Geografia 26(47), 966-976.
Tabosa, W.F., Amaro, V.E., Vital, H. 2018. Análise Do Ambiente Costeiro E Marinho, A Partir De Produtos De Sensoriamento Remoto Na Região De São Bento Do Norte, NE Brasil. Brazilian Journal of Geophysics, [online] 25(5), 37-48. Disponível em: http://dx.doi.org/10.1590/S0102-261X2007000500005. Acesso em: 03 nov. 2020.
Vieira, C.V., Horn Filho, N.O., Bonetti, C.V.D.H.C., Bonetti, J. 2008. Caracterização Morfosedimentar e Setorização do Complexo Estuarino da Baía da Babitonga/SC. Boletim Paranaense de Geociências [online] 62-63, 85-105. Disponível em: http://dx.doi.org/10.5380/geo.v62i0.12783. Acesso em: 05 out. 2020.
Wilkinson, G.G., Folving, S., Kanellopoulos, L., Mccormick, N., Fullerton, K., Mégier, J. 1995. Forest Mapping from multi-source satellite data using neural network classifiers - an experiment in Portugal. Remote Sensing Reviews [online] 12, 83-106. Disponível em: https://doi.org/10.1080/02757259509532277. Acesso em: 12 out. 2020.
Xu, Y., Yu, L., Zhao, F.R., Cai, X., Zhao, J., Lu, H., Gong, P. 2018. Tracking annual cropland changes from 1984 to 2016 using time-series Landsat images with a change-detection and post-classification approach: Experiments from three sites in Africa. Remote Sensing Environment [online] 218, 13–31. Disponível em: https://doi.org/10.1016/j.rse.2018.09.008. Acesso em: 27 set. 2020.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Brazilian Journal of Physical Geography
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with Revista Brasileira de Geografia Física agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under the Creative Commons Attribution 4.0 International (CC BY 4.0) license that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted to make their work available online before or during the editorial process, on academic social networks, digital repositories, or preprint servers. After publication in Revista Brasileira de Geografia Física, authors are expected to update the preprint or postprint versions on the platforms where they were originally made available, providing a link to the final published version and any other relevant information, with proper recognition of authorship and the initial publication in this journal.
You are free to:
Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
Adapt — remix, transform, and build upon the material for any purpose, even commercially.
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
