Uma abordagem de classificação da cobertura da terra em imagens obtidas por veículo aéreo não tripulado

Câmaras não métricas acopladas a Veículos Aéreos Não Tripulados (VANT) possibilitam coleta de imagens com alta resolução espacial e temporal. Além disso, o custo de operação e manutenção desses equipamentos são reduzidos. A classificação da cobertura da terra por meio dessas imagens são dificultadas devido à alta variabilidade espectral dos alvos e ao grande volume de dados gerados. Esses contratempos são contornados utilizando Análise de Imagens Baseada em Objetos (Object-Based Image Analysis – OBIA) e algoritmos de mineração de dados. Um algoritmo empregado na OBIA são as Árvores de Decisão (AD). Essa técnica possibilita tanto a seleção de atributos mais informativos quanto a classificação das regiões. Novas técnicas de AD foram desenvolvidas e, nessas inovações, foram inseridas funções para selecionar atributos e para melhorar a classificação. Um exemplo é o algoritmo C5.0, que possui uma função de redução de dados e uma de reforço. Nesse contexto, este trabalho tem como objetivo (i) avaliar o método de segmentação por crescimento de regiões em imagens com altíssima resolução espacial, (ii) determinar os atributos preditivos mais importantes na discriminação das classes e (iii) avaliar as classificações das regiões em relação aos parâmetros de seleção dos atributos (winnow) e de reforço (trial), que estão contidos no algoritmo C5.0. A segmentação da imagem foi efetuada no programa Spring, já as regiões geradas na segmentação foram classificadas pelo modelo de AD C5.0, que está disponível no programa R. Como resultado foi identificado que a segmentação crescimento de regiões possibilitou uma alta correspondência com regiões geradas pelo especialista, resultando em valores de Reference Bounded Segments Booster (RBSB) próximos a 0. Os atributos mais importantes na construção dos modelos por AD foram a razão entre a banda do verde com a azul (r_v_a) e o Modelo Digital de Elevação (MDE). Para o parâmetro de reforço (trial), não foi identificada melhora na acurácia da classificação ao aumentar seu valor. Já o parâmetro winnow possibilitou uma redução no número de atributos preditivos, sem perdas estatisticamente significativas na acurácia da classificação. A função de reforço (trial) não melhorou a classificação da cobertura da terra. Também não foram constatadas diferenças estatisticamente significativas quando winnow selecionado como verdadeiro, mas se encontrou o benefício desse último parâmetro reduzindo a dimensionalidade dos dados. Nesse sentido, este trabalho contribuiu para a classificação da cobertura da terra em imagens coletadas por VANT, uma vez que se desenvolveu algoritmos para automatizar os processos da OBIA e para avaliar a classificação das regiões em relação às funções de reforço (winnow) e de seleção do atributo (winnow) do classificador por árvore de decisão C5.0.Non-metric cameras attached to Unmanned Aerial Vehicles (UAV) enable collection of images with high spatial and temporal resolution. In addition, the cost of operation and maintenance of equipment are reduced. The land cover classification through these images are hampered due to high spectral variability of the targets and the large volume of data generated. These setbacks are contoured using Image Analysis Based on Objects (OBIA) and data mining algorithms. An algorithm used in OBIA are Decision Trees (AD). This technique allows the selection of the most informative attributes as the classification of regions. New AD techniques have been developed and these innovations, were functions inserted to select attributes and to improve classification. One example is a C5.0 algorithm, which has a data reduction function and of boosting. In this context, this paper aims to (i) evaluate the segmentation method for growing regions in images with high spatial resolution, (ii) determine the most important predictive attributes in the discrimination of classes and (iii) evaluate the classifications of regions regarding the attributes selection parameters (winnow) and boosting (trial), which are contained in the C5.0 algorithm. The image segmentation was performed in Spring program, since the regions generated in segmentation were classified by model C5.0 , which is available in the program R. As a result it was identified that the segmentation by region growing provided a high correlation with regions generated by the expert, resulting in Reference Bounded Segments Booster values (RBSB) near 0. The most important features in the construction of models of decision tree are the ratio between the band of green with the blue (r_v_a) and the Digital Elevation Model (DEM). Was not identified improvement in classification accuracy when was increased value of trial parameter. Already winnow parameter enabled a reduction in the number of predictive attributes, with no statistically significant losses in the accuracy of the classification. The boosting function (trial) did not improve the classification of land cover. Also were not found statistically significant differences when winnow selected as true, but was found the benefit of the latter parameter to reducing the dimensionality of the data. Thus, this work contributed to the land cover classification in images collected by UAV, once that were developed algorithms to automate the processes of integration OBIA and decision tree (C5.0)