Uso da análise discriminante regularizada (RDA) no reconhecimento de padrões em imagens digitais hiperespectral de sensoriamento remoto

Em cenas naturais, ocorrem com certa freqüência classes espectralmente muito similares, isto é, os vetores média são muito próximos. Em situações como esta, dados de baixa dimensionalidade (LandSat-TM, Spot) não permitem uma classificação acurada da cena. Por outro lado, sabe-se que dados em alta dimensionalidade [FUK 90] tornam possível a separação destas classes, desde que as matrizes covariância sejam suficientemente distintas. Neste caso, o problema de natureza prática que surge é o da estimação dos parâmetros que caracterizam a distribuição de cada classe. Na medida em que a dimensionalidade dos dados cresce, aumenta o número de parâmetros a serem estimados, especialmente na matriz covariância. Contudo, é sabido que, no mundo real, a quantidade de amostras de treinamento disponíveis, é freqüentemente muito limitada, ocasionando problemas na estimação dos parâmetros necessários ao classificador, degradando portanto a acurácia do processo de classificação, na medida em que a dimensionalidade dos dados aumenta. O Efeito de Hughes, como é chamado este fenômeno, já é bem conhecido no meio científico, e estudos vêm sendo realizados com o objetivo de mitigar este efeito. Entre as alternativas propostas com a finalidade de mitigar o Efeito de Hughes, encontram-se as técnicas de regularização da matriz covariância. Deste modo, técnicas de regularização para a estimação da matriz covariância das classes, tornam-se um tópico interessante de estudo, bem como o comportamento destas técnicas em ambientes de dados de imagens digitais de alta dimensionalidade em sensoriamento remoto, como por exemplo, os dados fornecidos pelo sensor AVIRIS. Neste estudo, é feita uma contextualização em sensoriamento remoto, descrito o sistema sensor AVIRIS, os princípios da análise discriminante linear (LDA), quadrática (QDA) e regularizada (RDA) são apresentados, bem como os experimentos práticos dos métodos, usando dados reais do sensor. Os resultados mostram que, com um número limitado de amostras de treinamento, as técnicas de regularização da matriz covariância foram eficientes em reduzir o Efeito de Hughes. Quanto à acurácia, em alguns casos o modelo quadrático continua sendo o melhor, apesar do Efeito de Hughes, e em outros casos o método de regularização é superior, além de suavizar este efeito. Esta dissertação está organizada da seguinte maneira: No primeiro capítulo é feita uma introdução aos temas: sensoriamento remoto (radiação eletromagnética, espectro eletromagnético, bandas espectrais, assinatura espectral), são também descritos os conceitos, funcionamento do sensor hiperespectral AVIRIS, e os conceitos básicos de reconhecimento de padrões e da abordagem estatística. No segundo capítulo, é feita uma revisão bibliográfica sobre os problemas associados à dimensionalidade dos dados, à descrição das técnicas paramétricas citadas anteriormente, aos métodos de QDA, LDA e RDA, e testes realizados com outros tipos de dados e seus resultados.O terceiro capítulo versa sobre a metodologia que será utilizada nos dados hiperespectrais disponíveis. O quarto capítulo apresenta os testes e experimentos da Análise Discriminante Regularizada (RDA) em imagens hiperespectrais obtidos pelo sensor AVIRIS. No quinto capítulo são apresentados as conclusões e análise final. A contribuição científica deste estudo, relaciona-se à utilização de métodos de regularização da matriz covariância, originalmente propostos por Friedman [FRI 89] para classificação de dados em alta dimensionalidade (dados sintéticos, dados de enologia), para o caso especifico de dados de sensoriamento remoto em alta dimensionalidade (imagens hiperespectrais). A conclusão principal desta dissertação é que o método RDA é útil no processo de classificação de imagens com dados em alta dimensionalidade e classes com características espectrais muito próximas.

Extração de feições em dados imagem com alta dimensão por otimização da distância de Bhattacharyya em um classificador de decisão em árvore

Neste trabalho é investigada uma abordagem para extração de feições baseada na otimização da distância de Bhattacharyya em um classificador hierárquico de estrutura binária. O objetivo é mitigar os efeitos do fenômeno de Hughes na classificação de dados imagem hiper-espectrais. A utilização de um classificador em múltiplo-estágio, analisando um sub-conjunto de classes em cada etapa ao invés do conjunto total, permite modos mais eficientes para extrair as feições mais adequadas em cada etapa do procedimento de classificação. Em uma abordagem de árvore binária, somente duas classes são consideradas em cada etapa, permitindo a implementação da distância de Bhattacharyya como um critério para extração de feições em cada nó da árvore. Experimentos foram realizados utilizando dados imagem do sensor AVIRIS. A performance da metodologia proposta é comparada com métodos tradicionais para extração e seleção de feições.

Ecologia e aplicabilidade de métodos para avaliação da produção primária de Zizaniopsis bonariensis : uma macrófita aquática emergente, no sistema hidrológico do Taim, RS

Este estudo analisou variações mensais na dinâmica populacional, biomassa aérea, taxas de crescimento e produção primária de Zizaniopsis bonariensis, uma macrófita aquática emergente, no Sistema Hidrológico do Taim, RS, durante o ano de 2004. Indivíduos fotossinteticamente ativos tiveram todas suas folhas etiquetadas, quantificações de incrementos em biomassa foram determinadas de modo não destrutivo através de quadros experimentais “in situ”. Variáveis alométricas foliares como comprimento de tecido clorofilado e senescente e diâmetro basal de centenas de indivíduos foram mensuradas em campo e convertidas em biomassa através da regressão da área da superfície foliar contra biomassa. Devido à emergência contínua de indivíduos de Z.bonariensis durante todo o ano, coortes mensais foram recrutadas e monitoradas. Variações na biomassa desta espécie também foram avaliadas de modo destrutivo através de blocos de colheita. Os dados obtidos foram utilizados para calcular a Produção Primária Aérea Anual (PPAA) com base em nove métodos de estimativa: Pico Anual de Biomassa; Pico Anual de Biomassa modificado; Milner & Hughes (IBP); Smalley; Valiela et al; Curva de Allen; Soma dos Máximos de Biomassa; Soma de Incrementos e Crescimento Instantâneo. A taxa media mensal de emergência de brotos foi de 11,7ind m-2, sem evidências de pulsos de emergência em função de mudanças sazonais. A densidade média foi de 48 ind m-2. A longevidade das coortes foi estimada em 10,5 meses, e taxa de mortalidade aumentou após o período reprodutivo, sugerindo preliminarmente influência da sazonalidade sobre estas variáveis A biomassa média das coortes aumentou durante o período reprodutivo, demonstrando alto investimento reprodutivo, sendo o maior valor registrado em outubro, 39,96 gPS m-2, pela coorte de janeiro. A taxa de crescimento relativo se mostrou maior durante o primeiro mês após emergência entre todas as coortes, 0,048 g PSm-2d-1. A biomassa clorofilada dos quadros experimentais decresceu no inverno, voltando a aumentar durante a primavera. A PPAA foi estimada em 2870 gPS m-2. Dos métodos utilizados, apenas o método de Milner & Hughes (não-destrutivo) se mostrou adequado, enquanto os baseados em dados de colheita (destrutivo) subestimaram a produção real de Z. bonariensis.