Visite nosso site ! latitude23.br

- Soluções em Geoprocessamento Distribuidor autorizado da MicroImages Visite nosso site ! www.latitude23.com.br

4. Analisar uma Classificação espectral TNTmips possui ferramentas analíticas para classificações espectrais. A aplicação destas ferramentas permite um aprimoramento significativo da classificação. O módulo Analisar uma Classificação espectral mostra em passos sucessivos a análise de uma classificação espectral de uma imagem de satélite.

4. Analisar uma Classificação espectral Clique em “Imagem” > “Interpretar” > Classificação Automática” para iniciar a classificação de imagens.

4. Analisar uma Classificação espectral Clique em “Abrir Classe...” para carregar a classificação anteriormente criada.

4. Analisar uma Classificação espectral Navegue até o arquivo de projeto “Classificação de Imagens.rvc” e entra nele, clicando 2x. Selecione a classificação “CLS_MAXLIKE”, que criamos no módulo 3 do tutorial. A seguir, clique em “OK”.

4. Analisar uma Classificação espectral Clique na janela indicada para colocá-la em primeiro plano.

4. Analisar uma Classificação espectral Clique em “Dendograma...”.

4. Analisar uma Classificação espectral O dendograma mostra de maneira gráfica a separabilidade espectral entre as diferentes classes. As classes “Mata” e “Capoeira” tem a menor separabilidade, ou seja, maior semelhança espectral. O valor em (%) representa a participação da determinada classe na imagem. A soma de porcentagem das classes não chega a ser 100% (97,24%), pois temos celas mascaradas e celas classificadas como “nulas” (=preto), que não encaixavam em nenhuma das 4 classes do jogo de treinamento.

4. Analisar uma Classificação espectral Feche o dendograma.

4. Analisar uma Classificação espectral Clique em “Co-ocorrência...”.

4. Analisar uma Classificação espectral A “co-ocorrência” analisa o grau de associação espacial de 2 classes, ou seja, a probabilidade de encontrar as 2 classes lado a lado na natureza. O valor em vermelho representa a “co-ocorrência” entre “Água” e “Pasto Sujo”. Valores positivos representam uma boa associação espacial, valores negativos uma fraca associação espacial. Em nossa classificação não há nenhuma forte associação espacial entre as classes. O valor em azul representa a “separabilidade” (igual ao dendograma) entre “Água” e “Pasto Sujo”. O maior o valor, o maior a separabilidade espectral entre as 2 classes.

4. Analisar uma Classificação espectral Feche a análise de co-ocorrência.

4. Analisar uma Classificação espectral Clique em “EllipseScatterPlot...”.

4. Analisar uma Classificação espectral O gráfico mostra as classes espectrais em forma de elipse em função de 2 bandas espectrais (eixo X e Y). A dispersão por elipse permite identificar, quais combinações de bandas permitem uma melhor discriminação das classes. O parâmetro determina, qual porcentagem do total das celas de uma determinada classe constitui a elipse. 95% é um padrão, que elimina eventuais dados discrepantes.

4. Analisar uma Classificação espectral Redimensione a janela e clique no ícone “Novo”.

4. Analisar uma Classificação espectral Crie as dispersões por elipse com as combinações de bandas sugeridas.

4. Analisar uma Classificação espectral Podemos observar, que a classe “Pasto Sujo” possui a maior eclipse em todas as combinações de bandas, ou seja, esta classe tem a maior variabilidade espectral.

4. Analisar uma Classificação espectral Vamos investigar as classes “Mata” e “Capoeira”, que têm a maior semelhança espectral entre si. Primeiro, clique no ícone “Caixa de Zoom” nesta janela e faça a seguir um zoom na área indicada (vermelho).

4. Analisar uma Classificação espectral Observa-se pelo posicionamento das 2 elipses das classes “Capoeira” e “Mata”, que tem sobreposição espectral no espectro infravermelho próximo nos valores mais altos e no espectro verde nos valores mais baixos. A dispersão por elipse nos permite de avaliar, quais espectros conseguem melhor discriminar as diferentes classes e quais faixas dentro dos espectros possuem mais sobreposição espectral.

4. Analisar uma Classificação espectral Clique no ícone “Pixel” para visualizar as classes na forma de nuvens de celas.

4. Analisar uma Classificação espectral Observe-se, que no espectro infravermelho próximo (eixo x) há uma faixa relativamente grande de celas pretas. As celas pretas indicam uma sobreposição espectral entre uma ou mais classes.

4. Analisar uma Classificação espectral Clique em “Arquivo” > “Fechar Tudo” para encerrar a análise de dispersão por elipse.

4. Analisar uma Classificação espectral Clique em “Visualizar” > “Histograma de Distância...”.

4. Analisar uma Classificação espectral Primeiro, clique em “Auto-Atualizar” se não estiver ativo.

4. Analisar uma Classificação espectral A seguir, clique em um local, que representa a classe “Mata”.

4. Analisar uma Classificação espectral O eixo Y representa a contagem das celas. O gráfico mostra o histograma da classe “Mata”. O eixo X representa a distância dos pontos do centro da classe (ponto zero do eixo X). Ajuste o critério “Bins” ao valor “64” para ter um gráfico suavizado.

4. Analisar uma Classificação espectral A cauda do histograma de distância representa celas difusas com fraca associação à determinada classe. Vamos excluir estas celas da classe.

4. Analisar uma Classificação espectral Posicione a mira no valor “30” do eixo X .Todas as celas para direita da mira serão excluídas da classe “Mata”. O valor de “Direito” mostra, que 2,73% das celas serão excluídas. Clique em “Aplicar” para excluir a cauda.

4. Analisar uma Classificação espectral A cauda (celas com associação fraca) foi removida da classe “Mata”.

4. Analisar uma Classificação espectral Clique em “Fechar” para encerrar a análise de histograma de distância.

4. Analisar uma Classificação espectral Clique em “Visualizar” > “Estatísticas de Saída...”.

4. Analisar uma Classificação espectral “ClassMeans” refere-se a média espectral de cada classe. O critério é uma importante ferramenta para avaliar, quais classes têm médias espectrais próximas entre si e quais bandas conseguem melhor discriminar as classes. Já sabemos, que as classes “Mata” e “Capoeira” possuem um comportamento espectral semelhante. Porém, no espectro infravermelho próximo há uma discriminação espectral melhor das 2 classes do que nos outros espectros. “Class Standard Deviations” refere-se ao desvio padrão. O maior o desvio padrão, o mais heterogêneo é o comportamento espectral da determinada classe. Como já observamos na dispersão por elipse, a classe “Pasto Sujo” é a mais difusa. “ClassDistancebetweenMeans” refere-se à distância entre as médias espectrais de 2 classes (= dendograma). A “CovarianceMatrix” refere-se à covariança de 2 bandas. Se o valor for positivo, tem uma relação relativamente proporcional entre as 2 bandas. Se o valor for negativo, a relação é indiretamente proporcional.

4. Analisar uma Classificação espectral Clique em “Fechar” para encerrar as estatísticas de saída.

4. Analisar uma Classificação espectral Clique em “Visualizar” > “Matriz de Erro”, que representa uma excelente ferramenta para avaliar a acurácia da classificação.

4. Analisar uma Classificação espectral Clique em “Raster de Superfície Verdadeira...”.

4. Analisar uma Classificação espectral Navegue até o arquivo de projeto “Classificação de Imagens.rvc” e entra nele, clicando 2x. Selecione “JogoControle”, que é um segundo jogo de treinamento com áreas diferentes do primeiro jogo de treinamento. A seguir, clique em “OK”.

4. Analisar uma Classificação espectral A acurácia por coluna refere-se à porcentagem das celas do jogo de controle (GroundTruth Data), que foram corretamente classificadas. O valor “96,81%” significa, que 3,19% (1 + 414) das celas “Pasto Sujo” do jogo de controle foram atribuídas a outras classes.

4. Analisar uma Classificação espectral A acurácia por linha refere-se à porcentagem das celas do jogo de controle (GroundTruth Data), que foram corretamente classificadas. O valor “98,26%” significa, que 1,74% (9 + 214) das celas do jogo de controle foram incorretamente atribuídas a “Pasto Sujo”.

4. Analisar uma Classificação espectral A “Overall Accuracy” (“93,93%) é a soma das celas corretamente classificadas (em vermelho) dividido pela soma de todas as celas do jogo de controle (aqui “22927”).

4. Analisar uma Classificação espectral A “KhatStatistik”, também chamado de índice de Kappa, é um índice bastante usado para avaliar a acurácia de classificações espectrais.

4. Analisar uma Classificação espectral A matriz de erro mostra, que aproximadamente 13% da classe “Mata” do jogo de controle foi atribuído à classe “Capoeira”. Isto leva a suposição, que algumas celas classificadas como “Capoeira” devem representar na verdade “Mata”. A baixa acurácia de 67,97% reforça esta suposição; 32,03% de celas de outras classes (“Mata” e “Pasto Sujo”) foram atribuídas a classe “Capoeira”.

4. Analisar uma Classificação espectral Clique em “Fechar” para encerrar o processo da matriz de erro.

4. Analisar uma Classificação espectral Clique em “Sair” para encerrar o processo de classificação de imagens.

4. Analisar uma Classificação espectral Parabéns! Você terminou o módulo do tutorial “Classificação de Imagens”. Veja o resumo das diferentes análises para aprimorar a classificação espectral: • Dendograma: • - as classes “Mata” e “Capoeira” tem a maior semelhança espectral • entre si > possível solução: subdivisão da classe “Capoeira” e aprimoramento do jogo de treinamento. • Co-ocorrência: • - não há forte associação espacial entre as classes. • Dispersão por Elipse: • a classe “Pasto Sujo” tem a maior variabilidade espectral > possível solução: subdivisão da classe e • aprimoramento do jogo de treinamento. • - no espectro infravermelho próximo há uma faixa relativamente grande de • sobreposição espectral entre uma ou mais classes. • Histograma de Distância: • - oferece a possibilidade de excluir celas com fraca associação de classe. • Estatísticas de Saída: • no espectro infravermelho próximo há uma discriminação espectral melhor entre as • classe “Mata” e “Capoeira” > possível melhoramento da classificação: usar o NDVI como banda de entrada. • Matriz de Erro: • a classe “Capoeira” é sobre-estimada e algumas celas pertencem às classes “Mata” e Pasto Sujo” > possível • solução: subdivisão da classe “Capoeira” e aprimoramento do jogo de treinamento.

Soluções em Geoprocessamento Parabéns! Você concluiu o tutorial com sucesso. Continue com o próximo módulo do tutorial. Visite nosso site para conhecer toda a série de tutoriais da Latitude 23: http://latitude23.com.br/tntmips-treinamento-cursos/ Distribuidor autorizado da MicroImages

Visite nosso site ! latitude23.br