Classificador neural híbrido para imagens obtidas por sensoriamento remoto

Remote sensing is one technology of extreme importance, allowing capture of data from the Earth's surface that are used with various purposes, including, environmental monitoring, tracking usage of natural resources, geological prospecting and monitoring of disasters. One of the main applications of remote sensing is the generation of thematic maps and subsequent survey of areas from images generated by orbital or sub-orbital sensors. Pattern classification methods are used in the implementation of computational routines to automate this activity. Artificial neural networks present themselves as viable alternatives to traditional statistical classifiers, mainly for applications whose data show high dimensionality as those from hyperspectral sensors. This work main goal is to develop a classiffier based on neural networks radial basis function and Growing Neural Gas, which presents some advantages over using individual neural networks. The main idea is to use Growing Neural Gas's incremental characteristics to determine the radial basis function network's quantity and choice of centers in order to obtain a highly effective classiffier. To demonstrate the performance of the classiffier three studies case are presented along with the results.

O sensoriamento remoto de uma tecnologia de extrema importância na atualidade, permitindo a captação de dados da superfície terrestre que são utilizados com diversas finalidades, entre as quais, fiscalização ambiental, acompanhamento de uso dos recursos naturais, prospecçãao geológica e monitoramento de catástrofes. Uma das aplicações principais do sensoriamento remoto é a geração de mapas temáticos e posterior levantamento de áreas a partir de imagens geradas por sensores orbitais ou sub-orbitais. Métodos de classicação de padrões são utilizados na implementação de rotinas computacionais que automatizem essa atividade. As redes neurais artificiais apresentam-se como métodos alternativos viáveis aos classicadores estatísticos tradicionais, principalmente em aplicações cujos dados apresentem alta dimensionalidade como os provenientes de sensores hiperespectrais. Este trabalho tem como objetivo principal desenvolver um classicador baseado nas redes neurais de função de base radial e Growing Neural Gas e que apresenta algumas vantagens em relação à utilização individual de redes neurais. A idéia principal é utilizar as características incrementais da rede Growing Neural Gas para determinar a quantidade e a escolha de centros da rede de função de base radial com o intuito de obter um classificador altamente ecaz. Para atestar o desempenho do classicador são apresentados três estudos de caso juntamente com os resultados obtidos