Revista Brasileira de Cartografia (Jun 2019)
DISTÂNCIAS ESTOCÁSTICAS E MAPAS DE INCERTEZAS APLICADOS À CLASSIFICAÇÃO DE DADOS DE MÚLTIPLOS SENSORES
Abstract
Neste trabalho é proposto o aperfeiçoamento de classifi cações por meio de uma nova técnica de integração de dados multifonte ou multisensor cuja combinação ocorre em nível diferente daqueles adotados em técnicas de integração tradicionais. Neste caso, a composição dos dados é aplicada às informações obtidas no processo de classifi cação individual de w imagens provenientes de w fontes distintas. O conteúdo dessas informações refere-se às distâncias e estatísticas de teste contidas nos mapas de incertezas (referentes à confi abilidade da classifi cação) de cada uma das classifi cações. Os dados selecionados para este trabalho contemplam uma imagem óptica e uma imagem de micro-ondas. Tais imagens foram classifi cadas a partir do classifi cador por regiões PolClass que além da classifi cação gera um mapa de incertezas. Por meio dos dados gerados nas classifi cações individuais das imagens foram construídos cinco Cenários de Classifi cação visando índices de acurácia superiores aqueles obtidos pelas classifi cações individuais. Dois destes Cenários de classifi cação apresentaram baixas incertezas nas classifi cações. Para um deles, o coefi ciente kappa e acurácia global igualaram-se estatisticamente ao maior kappa e maior acurácia adquiridos individualmente. O outro Cenário, cuja origem foi baseada na lógica Fuzzy, obteve o melhor resultado entre os Cenários criados. A utilização de informações provenientes de fontes distintas mostrou-se um fator positivo na classifi cação por agregar diferentes informações ao resultado fi nal. A lógica Fuzzy revelou-se um fator positivo por permitir uma classifi cação em classes mistas com baixas incertezas.
