Classificação de imagens POLINSAR utilizando técnicas de mineração de dadosPOLINSAR image classification using data mining technics

Resumo

A Descoberta de Conhecimento em Bancos de Dados (Knowledge Discovery in Databases), ou KDD, objetivam gerar técnicas para análise de dados através de algoritmos de mineração. No Subprojeto Cartografia Terrestre, da Diretoria de Serviço Geográfico – DSG – está previsto o imageamento de uma área de aproximadamente 770.000km² da região amazônica utilizando tecnologia de Radares de Abertura Sintética Interferométricos e Polarimétricos - POLINSAR. O objetivo deste trabalho é analisar o potencial de dados de SAR para classificação de uso do solo. Nesta análise foram utilizadas técnicas de mineração de dados identificando quais tipos de atributos são os mais adequados para discretizar às classes a serem definidas. Além dessas técnicas, foram também selecionados atributos que melhor classificaram separadamente a imagem mediante uma árvore de decisões. Os resultados obtidos indicaram que a classificação com os melhores atributos obtidos separadamente nas etapas de treinamento obtiveram melhor avaliação. Conclui-se que, apesar de os resultados terem sido melhores com o método proposto, a avaliação da classificação com os atributos selecionados automaticamente se aproximou bastante.

Abstract

Knowledge Discovery in Databases – KDD – is intended to generate new techniques to analyze data through data mining algorithms. In the Brazilian Terrestrial Cartography Subproject, also known as “Amazon Radiography”, from Geographic Service of Brazilian Army (DSG), is expected the imagery of an area of approximately 770,000km² of the Amazon region, using the Polarimetric Interferometric and Synthetic Aperture Radar – POLINSAR – technology. The aim of this study is to examine the potential of SAR data for land use classification. Data mining techniques were used to identify the features that best discriminate the classes. In addition to these techniques, features that best separately classified the image separately through a great variety of using decision tree were also selected options. The results indicate that the best classification with best features which were obtained separately in the training sections got better evaluation. We conclude that although the results were better with the proposed method, the evaluation of the classification with the automatically selected attributes automatically were very close.