1. Identity statement | |
Reference Type | Thesis or Dissertation (Thesis) |
Site | mtc-m16d.sid.inpe.br |
Holder Code | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S |
Identifier | 8JMKD3MGP7W/37A6SQ8 |
Repository | sid.inpe.br/mtc-m19@80/2010/04.08.17.43 (restricted access) |
Last Update | 2010:09.21.15.04.30 (UTC) sergio |
Metadata Repository | sid.inpe.br/mtc-m19@80/2010/04.08.17.43.15 |
Metadata Last Update | 2018:12.07.11.19.59 (UTC) sergio |
Secondary Key | INPE-16720-TDI/1658 |
Citation Key | Vieira:2010:AnImOr |
Title | Análise de imagem orientada a objeto e mineração de dados aplicadas ao mapeamento da cultura da cana-de-açúcar |
Alternate Title | Object-based image analysis and data mining applied to the sugar cane mapping |
Course | SER-SPG-INPE-MCT-BR |
Year | 2010 |
Date | 2010-04-20 |
Access Date | 2024, May 13 |
Thesis Type | Dissertação (Mestrado em Sensoriamento Remoto) |
Secondary Type | TDI |
Number of Pages | 110 |
Number of Files | 1 |
Size | 4337 KiB |
|
2. Context | |
Author | Vieira, Matheus Alves |
Group | SER-SPG-INPE-MCT-BR |
Committee | Rudorff, Bernard Friedrich Theodor (presidente) Formaggio, Antonio Roberto (orientador) Rennó, Camilo Daleles (orientador) Almeida, Claudia Maria de Costa, Gilson Alexandre Ostwald Pedro da |
e-Mail Address | mvieira@gmail.com |
University | Instituto Nacional de Pesquisas Espaciais (INPE) |
City | São José dos Campos |
History (UTC) | 2010-04-08 17:44:54 :: matheus -> yolanda :: 2010-04-13 12:19:33 :: yolanda -> administrator :: 2010-05-11 01:00:31 :: administrator -> supervisor :: 2010-08-30 14:44:03 :: supervisor -> ricardo :: 2010-09-21 15:04:30 :: ricardo -> viveca@sid.inpe.br :: 2010-09-23 12:45:36 :: viveca@sid.inpe.br -> administrator :: -> 2010 2018-12-07 10:44:36 :: administrator -> sergio :: 2010 |
|
3. Content and structure | |
Is the master or a copy? | is the master |
Content Stage | completed |
Transferable | 1 |
Keywords | agricultura classificação de imagens inteligência artificial análise de imagem orientada a objeto mineração de dados agriculture image classification artificial intelligence object-based image analisys data mining |
Abstract | O mapeamento da área cultivada com cana-de-açúcar é de grande relevância para o setor sucroenergético, auxiliando nas tomadas de decisão e definição de estratégias de mercado. Tradicionalmente, o mapeamento da cana é feito através de interpretação visual de séries temporais de imagens orbitais de média resolução espacial, procedimento que, apesar de fornecer resultados consistentes, é custoso em termos de tempo de processamento. Nesse sentido, o objetivo desta pesquisa foi desenvolver uma metodologia capaz de automatizar a tarefa de mapeamento de áreas canavieiras. Para isso, testou-se a integração de duas importantes abordagens da Inteligência Artificial: Análise de Imagem Orientada a Objeto (AIOO) e Mineração de Dados (MD). A área de estudo é constituída pelos municípios de Ipuã, Guará e São Joaquim da Barra, situados ao noroeste do estado de São Paulo, região que representa bem as condições da agricultura nas regiões sul e sudeste brasileiras. A AIOO foi utilizada para emular o conhecimento do intérprete no processo de mapeamento da cana, porém, a tarefa mais importante em sistemas baseados no conhecimento, e muitas vezes de difícil realização, é a aquisição do conhecimento. Desta forma, foram empregadas técnicas de MD como auxílio na construção do modelo de conhecimento. O algoritmo MD utilizado foi o C4.5, que gera árvores de decisão (AD) a partir de um conjunto de treinamento. Uma série temporal de imagens Landsat foi adquirida a fim de representar a ampla variabilidade de padrões dentro do ciclo da cana-de-açúcar. Os objetos, unidades básicas desse trabalho, foram gerados pela aplicação do algoritmo de segmentação multiresolução implementado na plataforma de AIOO (Definiens Developer$\textregistered$). A partir daí, deu-se início ao processo de extração do conhecimento, o qual termina com a obtenção da AD. Depois de devidamente treinada, a AD foi aplicada à série temporal Landsat e, em seguida, gerado o mapa temático com as áreas de cana-de-açúcar disponíveis para colheita. Visando a comparação com sistemas convencionais de classificação automática, foi gerada uma classificação por regiões ISOSEG, usando a mesma base de dados utilizada pela AIOO. Os resultados das duas metodologias de classificação, AIOO e ISOSEG, foram então confrontados com um mapa de referência para validação e comparação dos desempenhos. A classificação AIOO apresentou desempenho significativamente superior, obtendo índice de exatidão global de 94\% contra 82\% da classificação ISOSEG. Diante disso, concluiu-se que a integração entre AIOO e MD é adequada para a automação do processo de classificação da cana-de-açúcar com níveis de exatidão superiores aos sistemas convencionais de classificação automática. ABSTRACT: The mapping of sugar cane cultivated area is important for the sugar and ethanol sectors, supporting decision making and the definition of market strategies. Traditionally, sugar cane monitoring has been performed through visual classification based on time series of medium resolution images. Although it provides accurate results, it is a time-consuming method due to the vast extensions of sugar cane crops in Brazil. As a result, the aim of this research was to develop a methodology that can automate the sugar cane mapping task. For this, we tested the integration of two major approaches of Artificial Intelligence: Object Based Image Analysis (OBIA) and Data Mining (DM). The study area comprises the cities of Ipuã, Guará and São Joaquim da Barra, located in the northwestern region of São Paulo state, which well represents the conditions of agriculture in the southern and southeastern regions of Brazil. The AIOO was used to emulate the interpreter knowledge in the process of sugar cane mapping, but the most important task in knowledge-based systems, and often difficult to achieve, is the acquisition of knowledge. Thus, MD techniques were employed for automatic generation of the knowledge model. The MD algorithm used was C4.5, which generates decision trees (DT) from a training set. A time series of Landsat images was acquired in order to represent the wide patterns variability within the sugar cane cycle. The objects were generated by the application of the multiresolution segmentation algorithm implemented in Definiens Developer$\textregistered$. Thereafter, the knowledge extraction process begins, which ends with the acquisition of DT. Once properly trained, the DT was applied to the Landsat time series and then generated the thematic map. In the way to compare the obtained results with conventional systems of automatic classification, a classification with the ISOSEG algorithm was generated using the same data base used by OBIA. Then, the results of both classification methods were cross-checked with a reference map for validation and comparison of performance. AIOO classification showed significantly superior performance, achieving an overall accuracy of 94\% against 81.81\% of ISOSEG classification. The result shows that it is possible to automate the sugar cane classification process with the proposed methodology. |
Area | SRE |
Arrangement | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Análise de imagem... |
doc Directory Content | access |
source Directory Content | @4primeirasPaginas-9.pdf | 31/08/2010 13:55 | 70.2 KiB | Folha de Aprovação.pdf | 21/09/2010 09:30 | 14.7 KiB | matheus_implementadasl.docx | 30/06/2010 10:18 | 8.2 MiB | matheus_implementadasl.pdf | 30/06/2010 15:03 | 3.5 MiB | publicacao.pdf | 21/09/2010 11:39 | 4.2 MiB | |
agreement Directory Content | there are no files |
|
4. Conditions of access and use | |
Language | pt |
Target File | publicacao.pdf |
User Group | administrator matheus ricardo viveca@sid.inpe.br yolanda.souza@mcti.gov.br |
Visibility | shown |
Rightsholder | originalauthor yes locatedauthor no |
Copy Holder | SID/SCD |
Read Permission | deny from all and allow from 150.163 |
Update Permission | not transferred |
|
5. Allied materials | |
Mirror Repository | sid.inpe.br/mtc-m19@80/2009/08.21.17.02.53 |
Next Higher Units | 8JMKD3MGPCW/3F3NU5S |
Dissemination | NTRSNASA; BNDEPOSITOLEGAL. |
Host Collection | sid.inpe.br/mtc-m19@80/2009/08.21.17.02 |
|
6. Notes | |
Empty Fields | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyright creatorhistory descriptionlevel doi electronicmailaddress format isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype |
|
7. Description control | |
e-Mail (login) | sergio |
update | |
|