Classificação de imagens de sensoriamento remoto via rotulação de agrupamentos por distâncias estocásticas

Resumo

Classificação de imagens de sensoriamento remoto é uma das mais importantes aplicações de Reconhecimento de Padrões em estudos ambientais. Métodos de classificação de imagens geralmente possuem aprendizado supervisionado ou não-supervisionado. Enquanto os métodos de aprendizado supervisionado realizam a classificação por meio de uma função ou regra de decisão modelada através de informações fornecidas a priori, o aprendizado não-supervisionado constrói seu conhecimento em função de analogias observadas sobre os dados. No entanto, ambos os métodos apresentam restrições. A qualidade dos resultados da classificação supervisionada está diretamente relacionada à qualidade do conjunto de padrões treinamento fornecidos a priori, o que nem sempre pode ser garantido. Com relação à classificação não-supervisionada, há necessidade de interpretar a relação entre os agrupamentos identificados e as diferentes classes existentes no problema, o que pode ser uma tarefa complexa. Uma alternativa para lidar com as fragilidades de ambos paradigmas é oferecida pelo aprendizado semissupervisionado, cuja motivação é combinar conceitos dos aprendizados com e sem supervisão. Neste contexto, este projeto de pesquisa propõe a formalização e implementação de um método de classificação semissupervisionada que combina ferramentas clássicas da área de Reconhecimento de Padrões: o Algoritmo Hierárquico Divisivo, K-Médias e distâncias estocásticas. A partir de um conjunto de agrupamentos, definidos pela combinação entre o Algoritmo Hierárquico Divisivo e K-Médias, de forma não supervisionada, as distâncias estocásticas são empregadas para rotulação de cada um destes agrupamentos. Estudos de caso sobre a classificação do uso e cobertura do solo em uma região Amazônica serão realizados a fim de comparar o método proposto com outros métodos de classificação já conhecidos na literatura. (AU)