CLASSIFICAÇÃO DE SUPERFÍCIES IMPERMEÁVEIS EM IMAGEM MULTIESPECTRAL COM ALGORITMO DE MACHINE LEARNING

Autores

  • Michelle Tais Garcia Furuya Universidade do Oeste Paulista - UNOESTE
  • Danielle Elis Garcia Furuya Universidade do Oeste Paulista - UNOESTE
  • Lucas Prado Osco Universidade do Oeste Paulista - UNOESTE
  • Ana Paula Marques Ramos UNOESTE - University of Western São Paulo

Palavras-chave:

classificação, inteligência artificial, superfícies impermeáveis

Resumo

O processo de urbanização expõe a paisagem urbana a rápidas e constantes transformações. A mudança nos padrões de uso e cobertura do solo impacta diretamente na qualidade de vida das cidades. Por isso o monitoramento da composição territorial urbana se torna fundamental para a gestão urbana. Para obter acesso a esses dados, estudos vem aplicando técnicas de sensoriamento remoto aliada à aprendizagem de máquina (machine learning). As imagens de satélites oferecem dados em larga escala e com alta resolução temporal, facilitando a detecção de mudanças na paisagem. Já os algoritmos de machine learning proporcionam classificações com maior acurácia em relação aos métodos tradicionais. A partir desse contexto e das técnicas disponíveis, o estudo tem como objetivo avaliar o desempenho do algoritmo Support Vector Machine (SVM) em quantificar áreas impermeáveis no perímetro urbano de Presidente Prudente a partir de uma imagem Planet. O processo de classificação foi feito por meio do software ArcGIS Pro. Os resultados demonstram alto desempenho para o SVM quando aplicado em classificação de áreas impermeáveis em território urbano. A acurácia de 94% evidencia que o método proposto no trabalho é útil como ferramenta para o planejamento urbano.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • Ana Paula Marques Ramos, UNOESTE - University of Western São Paulo

    Graduated in Cartographic Engineering by the School of Sciences and Technology from São Paulo State University (UNESP). Master and Ph.D. in Cartographic Sciences by UNESP. Currently is a Professor Ph.D. at the University of Western São Paulo (UNOESTE). Develops research in the Geomatic area, focusing on thematic Cartography and Remote Sensing applied to environmental problems. Recently has started researches focused on the evaluation and application of Artificial Intelligence (Machine Learning; Deep Learning) in remote sensing data. https://orcid.org/0000-0001-6633-2903 

Referências

AGUILAR, R.; KUFFER, M. (2020). Cloud computation using high-resolution images for improving the SDG indicator on open spaces. Remote Sens., 12, 1144. https://doi.org/10.3390/rs12071144

AVUDAIAMMAL, R.; ELAVENI, P.; SELVAN, S.; RAJANGAM, V (2020). Extraction of Buildings in Urban Area for Surface Area Assessment from Satellite Imagery based on Morphological Building Index using SVM Classifier. J. Indian Soc. Remote. Sens., 48, 1325–1344. https://doi.org/10.1007/s12524-020-01161-0

DENG, X., LIU, Q., DENG, Y., & MAHADEVAN, S. (2016). An improved method to construct basic probability assignment based on the confusion matrix for classification problem. Information Sciences, 340-341, 250–261. https://doi.org/10.1016/j.ins.2016.01.033

DOU, Y.; KUANG, W. (2020). A comparative analysis of urban impervious surface and green space and their dynamics among 318 different size cities in China in the past 25 years. Sci. Total Environ., 706, 135828. https://doi.org/10.1016/j.scitotenv.2019.135828

ESRI - ARCGIS PRO (2021a). The Image Classification Wizard. Disponível em: < https://pro.arcgis.com/en/pro-app/latest/help/analysis/image-analyst/the-image-classification-wizard.htm>. Acesso em: 29 maio 2021.

ESRI - ARCGIS PRO (2021b). Accuracy Assessment. Disponível em: < https://pro.arcgis.com/en/pro-app/latest/help/analysis/image-analyst/accuracy-assessment.htm>. Acesso em: 08 junho 2021.

IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (2021). Cidades e Estados – Presidente Prudente. Disponível em: < https://www.ibge.gov.br/cidades-e-estados/sp/presidente-prudente.html>. Acesso em: 03 agosto 2021.

KESIKOGLU, M.H., OZKAN, C. & KAYNAK, T. (2021). The impact of impervious surface, vegetation, and soil areas on land surface temperatures in a semi-arid region using Landsat satellite images enriched with Ndaisi method data. Environ Monit Assess 193, 143. https://doi.org/10.1007/s10661-021-08916-3

LIN, Y.; ZHANG, H.; LIN, H.; GAMBA, P.; LIU, X. (2020). Incorporating synthetic aperture radar and optical images to investigate the annual dynamics of anthropogenic impervious surface at large scale. Remote Sens. Environ., 242, 111757. https://doi.org/10.1016/j.rse.2020.111757

MCLAUGHLIN, C; HUTSON, H; DE VINE, L; WOODLEY, A; GEVA, S; CHAPPELL T. (2019). Change detection over the state of Queensland using high resolution Planet satellite mosaics, Digital Image Computing: Techniques and Applications (DICTA), pp. 1-8. https://doi.org/10.1109/DICTA47822.2019.8945942

MICHAEL, Y.; LENSKY, I.M.; BRENNER, S.; TCHETCHIK, A.; TESSLER, N.; HELMAN, D. (2018). Economic Assessment of Fire Damage to Urban Forest in the Wildland-Urban Interface Using Planet Satellites Constellation Images. Remote Sens., 10, 1479. https://doi.org/10.3390/rs10091479

MISRA, M., D. KUMAR, AND S. SHEKHAR. (2020). Assessing Machine Learning Based Supervised Classifiers for Built-Up Impervious Surface Area Extraction from Sentinel-2 Images. Urban Forestry & Urban Greening. 53: 126714. https://doi.org/10.1016/j.ufug.2020.126714

MORABITO, M.; CRISCI, A.; GUERRI, G.; MESSERI, A.; CONGEDO, L.; MUNAFÒ, M. (2021). Surface urban heat islands in Italian metropolitan cities: Tree cover and impervious surface influences. Sci. Total Environ., 751, 142334. https://doi.org/10.1016/j.scitotenv.2020.142334

RAHMAN, A; ABDULLAH, H.M; TANZIR, M.T; HOSSAIN, M.J; KHAN, B.M; MIAH, M.G; ISLAM, I. (2020). Performance of different machine learning algorithms on satellite image classification in rural and urban setup. Rem. Sens. Appl. Soc. Environ., 20, p. 10041. https://doi.org/10.1016/j.rsase.2020.100410

RUUSKA, S., HÄMÄLÄINEN, W., KAJAVA, S., MUGHAL, M., MATILAINEN, P., & MONONEN, J. (2018). Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural Processes, 148, 56–62. https://doi.org/10.1016/j.beproc.2018.01.004

TANG, P; DU, P; LIN, C; GUO, S; QIE. L. (2020). A novel sample selection method for impervious surface area mapping using JL1-3B nighttime light and Sentinel-2 imagery. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. p. 1. https://doi.org/10.1109/JSTARS.2020.3004654

WELLMANN, T.; LAUSCH, A.; ANDERSSON, E.; KNAPP, S.; CORTINOVIS, C.; JACHE, J.; SCHEUER, S.; KREMER, P.; MASCARENHAS, A.; KRAEMER, R.; ET AL. (2020). Remote sensing in urban planning: Contributions towards ecologically sound policies? Landsc. Urban Plan. 204, 103921. https://doi.org/10.1016/j.landurbplan.2020.103921

XU, S.; QING, L.; HAN, L.; LIU, M.; PENG, Y.; SHEN, L. (2020). A New Remote Sensing Images and Point-of-Interest Fused (RPF) Model for Sensing Urban Functional Regions. Remote Sens. 12, 1032. https://doi.org/10.3390/rs12061032

ZENG, Q., XIE, Y., & LIU, K. (2019). Assessment of the patterns of urban land covers and impervious surface areas: A case study of Shenzhen, China. Physics and Chemistry of the Earth 110, 1-7. https://doi.org/10.1016/j.pce.2019.04.002

ZHANG, L., ZHANG, M., & YAO, Y. (2018). Mapping seasonal impervious surface dynamics in Wuhan urban agglomeration, China from 2000 to 2016. International Journal of Applied Earth Observation and Geoinformation, 70, 51–61. https://doi.org/10.1016/j.jag.2018.04.005

Downloads

Publicado

2022-02-09

Edição

Seção

Artigo Científico Original

Como Citar

CLASSIFICAÇÃO DE SUPERFÍCIES IMPERMEÁVEIS EM IMAGEM MULTIESPECTRAL COM ALGORITMO DE MACHINE LEARNING. (2022). Colloquium Exactarum. ISSN: 2178-8332, 13(3), 38-47. https://journal.unoeste.br/index.php/ce/article/view/4193

Artigos Semelhantes

1-10 de 31

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.

Artigos mais lidos pelo mesmo(s) autor(es)