Search

COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR O presente trabalho apresenta a modelagem de conhecimento multitemporal para a classificação automática de cobertura do solo para imagens de satélite. O procedimento de classificação agrega os conhecimentos espectral e multitemporal utilizando conjuntos nebulosos e suas pertinências de classe como informação prévia. O método se baseia no conceito de Redes de Markov Nebulosas, um sistema com um conjunto de estados que a cada instante de tempo troca o estado corrente de acordo com possibilidades associadas a cada um. No caso deste trabalho cada estado representa uma classe, e as possibilidades são estimadas automaticamente a partir de dados históricos de uma mesma região geográfica, empregando algoritmos genéticos. A avaliação experimental utilizou um conjunto de imagens Landsat-5 da cidade do Rio de Janeiro, obtidas em cinco datas separadas por aproximadamente quatro anos. Os resultados indicaram que o uso do conhecimento multitemporal, conforme modelado pelo método proposto traz um significante aumento da eficiência de classificação em comparação à classificação puramente espectral, além de flexibilizar o procedimento de classificação no que diz respeito aos dados necessários para o treinamento do modelo. This work presents a multitemporal knowledge model for automatic classification of remotely sensed images. The model combines multitemporal and spectral knowledge within a fuzzy framework. This method is based on Fuzzy Markov Chains, a system having a set of states that, at each time, change the current state according to the fuzzy possibilities associated to each one. In this work each state represents one class, and the possibilities are automatically estimated based on historical data by using genetic algorithms. The experimental evaluation was carried through for a set of Landsat-5 TM images of the Rio de Janeiro State, Brazil, acquired at five dates separated by approximately four years. Results indicate that the use of multitemporal knowledge as modeled by the proposed method brings an expressive improvement in efficiency to the classification, when compared to the pure spectral classifier. Besides it, adds flexibility to the classification procedure, concerning to necessary data used for model training.