2.5. BASEL-II DERECELENDİRME SİSTEMİ VE KREDİ RİSKİ
2.5.4. Basel-II Kredi Riski Ölçme Yöntemleri
2.5.4.2 İçsel Derecelendirmeye Dayalı Yaklaşım
O método proposto para isolar regiões de via em áreas urbanas, integrando dados geométricos e radiométricos de VLA com imagem aérea RGB, por meio de uma classificação por RNA foi avaliado a partir de 5 experimentos, cujos resultados foram apresentados no Capítulo 4. A partir dos resultados da classificação para cada combinação realizada foi possível verificar que:
• No resultado da classificação usando a combinação RGB, verificou- se confusão entre diversas classes. A classe via apresentou grande influência das classes edificação de telhado cinza e concreto. Logo, não é apropriada no sentido de detectar as regiões de via.
• As imagens MDSn e MDSnLim, quando combinadas com as imagem RGB (combinações RGB+MDSn e RGB+MDSnLim), permitem separar na cena os elementos elevados daqueles que estão no nível do terreno, reduzindo a confusão entre as classes. Entretanto, ainda verificou-se confusão entre as classes via e concreto, mas em menor escala. Isso ocorre pelo fato de que ambas as classes, além de apresentarem características similares na imagem RGB, estão no mesmo nível em relação à altura. Dentre essas combinações, a RGB+MDSnLim apresentou melhor resultado, uma vez que a imagem MDSnLim define, sem níveis intermediários, pixels representando elementos elevados ou não.
• Nas combinações RGB+I, RGB+IS e RGB+ISM, a característica das vias na imagem de intensidade permite obter a classe via de forma mais homogênea e sem interferências provocadas por sombras dos elementos ao redor das vias. Em alguns casos, a imagem de intensidade contribui com o registro das vias em locais obstruídos por árvores. Mas em contrapartida, elementos com características radiométricas iguais às das vias também foram atribuídas à classe via. Na combinação RGB+I, os ruídos inerentes à imagem de
intensidade influenciam o resultado da classificação. As combinações com imagens suavizadas, tanto com filtro mediana (IS) ou com morfologia matemática (ISM) reduziram esse problema e apresentaram melhores resultados. A combinação RGB+ISM apresentou uma pequena redução dos pixels, classificados erroneamente como classe via, no interior das quadras, entretanto, observou-se o efeito serrilhado nas bordas da classe via.
• As combinações RGB+MDSnLim+IS e RGB+MDSnLim+ISM integram ambos os dados de VLA com a imagem RGB. Para a classe via, essas combinações apresentaram valores altos para acurácia do produtor e do usuário, além de maiores valores para o coeficiente kappa, revelando que os dados de VLA complementam as informações obtidas a partir da imagem RGB, com a informação da imagem de intensidade do pulso LASER influenciando diretamente o resultado para a classe via e a informação de altura, oriunda da imagem MDSnLim, auxiliando na separação das classes de acordo com as características de altura dos elementos presentes na cena. • Com a utilização das CPs mais significativas não foi possível
concluir se a classificação, de modo geral, apresentou bom resultado, uma vez que para os recortes 1, 2 e 3 constatou-se confusão entre diversas classes e nos recortes 4 e 5, o mesmo não ocorreu, alcançando resultados compatíveis com os resultados das combinações RGB+MDSnLim+IS e RGB+MDSnLim+ISM. No entanto, obteve-se um bom resultado para a classe via para todos os recortes, alcançando valores altos para as acurácias do usuário e do produtor.
Portanto, os dados radiométricos e geométricos de VLA complementam a imagem aérea RGB no sentido de isolar a classe via das demais classes. A imagem MDSn limiarizado proveniente dos dados geométricos de VLA permite separar os pixels da imagem em dois conjuntos de classes de informação: 1) classes que representam elementos da cena na altura do terreno (vias, áreas gramadas etc.) e; 2) classes que representam elementos elevados (edificações e árvores). A característica radiométrica das vias na imagem de intensidade beneficia diretamente o resultado para a classe via, permitindo classificar corretamente pixels
correspondentes às vias que não aparecem na imagem RGB por problemas de obstruções, mas que foram registradas na imagem de intensidade.
A principal vantagem do uso de RNA para a detecção da classe via é a possibilidade da integração dos dados de diferentes naturezas, com a condição de que os dados estejam escalonados no intervalo [0, 255]. De outro lado, o inconveniente está em relação à definição da arquitetura da rede para cada combinação, que se baseia em métodos empíricos através de diferentes testes de treinamento da rede.
Referente ao método de refinamento da classe via conclui-se, a partir dos experimentos realizados, que:
• A regularização por MM permitiu recuperar algumas áreas das regiões de via, que no processo de classificação foi detectada com falhas, de modo a obtê-las de forma mais homogênea;
• A detecção das regiões de via como linhas usando o detector de linhas de Steger foi fundamental para detectar o eixo das regiões, permitindo quebrar a estrutura complexa da malha viária em segmentos de regiões. Ao mesmo tempo em que permitiu eliminar grande quantidade de regiões menos relevantes, ou seja, de não via; • A conexão das linhas usando informações de direção e de distância
resultou em linhas mais extensas, sendo estas mais propícias de serem regiões de via, pois atendem a uma das propriedades conhecidas das vias, que são regiões alongadas.
• A filtragem das linhas a partir dos critérios de comprimento e relação de área permitiu eliminar segmentos de regiões menores que não apresentavam área compatível com o que seria uma região de via ideal, ou seja, alongada e com largura constante.
• O recurso de dilatação do eixo das regiões de via possibilitou obter as bordas mais regulares para as regiões de via, avançando no sentido de reconstrução da malha viária. No entanto, no resultado final verificou-se que em alguns pontos a região de via detectada apresentou-se deslocada em relação à região de via de referência.
Desta forma conclui-se que a etapa de refinamento permitiu obter as regiões de via de forma mais homogênea, alongada e com largura constante, condizentes com as
características da malha viária. Alguns falsos positivos não puderam ser eliminados na etapa de refinamento, devido à dificuldade de definir parâmetros que elimine somente segmentos de regiões de não via. Nenhum tratamento para as regiões que representam estacionamentos foi proposto, resultando em falsos positivos referentes às estas regiões.
Também verificou-se que em alguns pontos a região de via detectada apresentou-se deslocada em relação à região de via de referência. Isso ocorreu porque a linha detectada, que representa as regiões de via, foi considerada como eixo central da via. Mas nem sempre isso ocorre, principalmente, em áreas que sofreram obstruções.
A etapa de refinamento proposta baseia-se em técnicas de processamento de imagens e algumas dessas técnicas dependem de parâmetros a serem ajustados, no entanto, vale ressaltar que a maioria desses parâmetros estão fixos no método, sendo que somente dois parâmetros (Comprimento e Área) precisam ser ajustados. No entanto, constatou-se um intervalo provável de valores para estes parâmetros, os quais foram sugeridos no método.
5.2 Trabalhos futuros
Algumas recomendações para trabalhos futuros são descritas nesta subseção visando aperfeiçoar o método de detecção de vias proposto.
O tratamento dos dados de VLA pode ser melhorado no sentido de aumentar o nível de automatização, principalmente em relação à obtenção dos modelos digitais de elevação, que no método proposto é realizado em etapas e com coletas manuais de pontos.
A etapa da detecção prévia de regiões de via foi proposta usando a classificação por RNA. A verificação de outro método, como por exemplo, a classificação por SVM é sugerida, método que atualmente tem se destacado.
Melhorias na etapa de refinamento devem ser realizadas baseando-se em reconstrução da malha viária a partir das bordas das regiões detectadas, verificando relações de contexto entre a via e o os elementos ao redor das vias para tratar problemas de regiões desconectadas ou com deslocamentos, causados por obstruções. Outra importante melhoria sugerida é em relação às regiões de estacionamento, que devem ser tratadas usando relações contextuais e critérios de formas, reduzindo os falsos positivos.
Durante o desenvolvimento do método de refinamento, tentativas foram realizadas para obter as linhas, que representam as regiões, mais retilíneas e mais coincidentes com o eixo central da via, minimizando os deslocamentos anteriormente comentados. Uma das possibilidades verificadas foi ajustar uma reta à linha. Mas, os resultados foram favoráveis
somente para a malha viária caracterizada em forma de grade. Isso causa restrições ao método, pois no caso em que as vias apresentam-se curvadas, como aparecem nos dados utilizados neste trabalho, o ajuste das retas tem de ser realizado de forma cautelosa, definindo pequenos segmentos de retas. Uma solução apontada e que deve ser testada é o ajuste das linhas usando spline cúbica.
No presente trabalho foram usadas imagens aéreas de alta resolução, assim sugere-se também a extensão do método proposto para tratar imagens orbitais de alta resolução.
REFERÊNCIAS
ALHARTHY, A.; BETHEL, J. Automated Road Extraction from LiDAR Data. In:
Proceedings of ASPRS. Anchorage, 2003.
ALONSO, M. C.; MALPICA, J. A. Satellite imagery classification with LiDAR data. In:
International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. XXXVIII, Part 8, Japan, pp. 730-735, 2010.
BALTSAVIAS, E. P. Airborne LASER Scanning: basic relation and formulas. ISPRS Journal of Photogrammetry and Remote Sensing, v. 54, pp. 199-214, 1999a.
BALTSAVIAS, E. P. A comparison between photogrammetry and laser scanning. ISPRS Journal of Photogrammetry and Remote Sensing, v. 54, pp. 83-94, 1999b.
BELLENS, R.; GAUTAMA, S.; MARTINEZ-FONTE, L.; PHILIPS, W.; CHAN, J. C.; CANTERS, F. Improved Classification of VHR Images of Urban Areas using Directional Morphological Profiles. IEEE Transactions on Geoscience and Remote Sensing, v. 46, n.
10, pp. 2803-2813, 2008.
BENEDIKTSSON J. A.; PESARESI, M.; ARNASON, K. Classification and Feature Extraction for Remote Sensing Images from Urban Areas based on Morphological Transformations. IEEE Transactions on Geoscience and Remote Sensing, v. 41, n. 9, pp.
1940-1949, 2003.
BENKOUIDER, F.; HAMAMI, L.; ABDELLAOUI, A. Use of the Neural Net for Road Extraction from Satellite Images, Application in the City of Laghouat (Algria). PIERS ONLINE, v.7, n.2, pp. 146-150, 2011. Disponível em:
<http://piers.org/piersonline/piers.php?volume=7&number=2&page=146>. Acesso em: 23
mar. 2012.
BLUM, H. A transformation for extracting new descriptors of shape. In: Wathen-Dunn, W. Models for Perceptions of Speech and Visual Forms. Cambridge: MIT Press, pp. 362-380,
1967.
BOTELHO, M. F.; CENTENO, J. A. S. Uso integrado de imagem de alta resolução espacial e altura derivada do LASER Scanner na escolha do classificador orientado a região. Boletim de Ciências Geodésicas, Curitiba, v. 11, n. 1, pp. 71-87, 2005.
BOTELHO, M. F.; CENTENO, J. A. S. Reconstrução tridimensional de edificações utilizando dados LASER scanner aerotransportados. Boletim de Ciências Geodésicas,
Curitiba, v. 13, n. 1, pp. 107-126, 2007.
BRONDINO, N. C. M.; SILVA, A. N. R. Da teoria à prática: introduzindo técnicas emergentes na avaliação de imóveis em massa. Revista Minerva – Pesquisa & Tecnologia,
2 (2), pp. 107-117, 2005.
CAMARGO, E. C. G.; FUCKS, S. D.; CÂMARA, G. Análise espacial de superfícies.
Brasília: Embrapa, 2004.
CHANUSSOT, J.; BENEDIKTSSON, J. A.; FAUVEL, M. Classification of Remote Sensing Images From Urban Areas Using a Fuzzy Possibilistic Model. IEEE Geoscience and Remote Sensing Letters, v. 3, n. 1, pp. 40-44, 2006.
CLODE, S.; ROTTENSTEINER, F.; KOOTSOOKOS, P.; ZELNIKER, E. Detection and vectorisation of roads from LIDAR data. Photogrammetric Engineering and Remote Sensing, 73(5), pp. 517-535, 2007.
CONGALTON, R. G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing Environment, v. 37, n. 1, pp. 35-46, 1991.
DALMOLIN, Q.; SANTOS, D. R. Sistema LASERSCANNING: Conceitos e princípios de
funcionamento. Curitiba: UFPR, 2004. 97 p.
DAS, S.; MIRNALINEE, T. T.; VARGHESE, K. Use of Salient Features for the Design of a Multistage Framework to Extract Roads From High-Resolution Multispectral Satellite Images. IEEE Transactions on Geoscience and Remote Sensing, v. 49, n. 10, pp. 3906-
3931, 2011.
EL-SHEIMY, N.; VALEO, C.; HABIB, A. Digital Terrain Modeling: Acquisition,
manipulation, and applications. Artech House, 2005. 257 p.
ELBERINK, S. O.; MASS, H. G. The use of anisotropic height texture for the segmentation of airborne laserscanner data. In: International Archives of Photogrammetry and Remote Sensing, v. 33, Part B3, Commission III, Amsterdam, pp. 616-623, 2000.
FACON, J. Morfologia Matemática: Teoria e Exemplos. Curitiba: Editora Universitária
GALO, M. L. B. T. Aplicação de redes neurais artificiais e sensoriamento remoto na caracterização ambiental do Parque Estadual Morro do Diabo. 2000. Tese (Doutorado
em Ciências da Engenharia Ambiental) - Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos.
GAO, J.; WU, L. Automatic Extraction of Road Networks in Urban Areas from Ikonos Imagery Based on Spatial Reasoning. In: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, Istanbul, v. 35,
Comm. III/3, pp. 331-337, 2004.
GONZALEZ, R. C.; WOODS, R. E. Processamento Digital de Imagens. 3ª ed. Pearson,
2010. 624 p.
GORNI, A. A. Redes Neurais Artificiais - Uma Abordagem Revolucionária em Inteligência Artificial. Parte I: Conceitos. Micro Sistemas. v. 13, n. 133, pp. 14-25, 1993.
GROTE, A.; ROTTENSTEINER, F. Automatic road network extraction in suburban areas from high resolution aerial images. In: Photogrammetric Computer Vision and Image Analysis, Proceedings..., France, 2010.
HABIB, A. F.; KIM, E.; KIM, C. New Methodologies for True Orthophoto Generation. Photogrammetric Engineering and Remote Sensing. v. 73, n. 1, pp. 25–36, 2007.
HINZ, S.; BAUMGARTNER, A. Automatic extraction of urban road networks from multi- view aerial imagery. ISPRS Journal of Photogrammetry and Remote Sensing 58(1-2), pp.
83-98, 2003.
ISHIBASHI, R. Extração de segmentos de rodovias em imagens de resoluções variadas usando o princípio de bordas paralelas. 2008. 136 p. Dissertação (Mestrado em Ciências
Cartográficas) – Faculdade de Ciências e Tecnologias, Universidade Estadual Paulista, Presidente Prudente.
JAIN, R.; KASTURI, R.; SCHUNCK, B. G. Machine Vision. New York: MIT Press and
McGraw-Hill, 1995. 549 p.
JAKOB, A. A. E.; YOUNG, A. F. O uso de métodos de interpolação espacial de dados nas análises sociodemográficas. In: XV Encontro Nacional de Estudos Populacionais, 2006, Caxambu – MG. Anais ... , 2006.
JENSEN, J. R. Sensoriamento Remoto do Ambiente: Uma Perspectiva em Recursos
Terrestres. Tradução da 2ª ed. por (pesquisadores do INPE): José Carlos N. Epiphanio (Coordenador); Antonio R. Formaggio; Athos R. Santos; Bernardo F. T. Rudorff; Cláudia M. Almeida; e Lênio S. Galvão. Editora Parêntese, 2009. 598 p.
KLETTE, G. Topologic, geometric, orgraph-theoretic properties of skeletal curves.
Proefswchrift Rijksuniversiteit Groningen, 2007. Disponível em <http://dissertations.ub.rug.nl/faculties/science/2007/g.klette/>. Acesso em: 20/01/2009.
LANDIM, P. M. B. Análise estatística de dados geológicos multivariados. Lab.
Geomatemática, DGA, IGCE, UNESP/Rio Claro, Texto Didático 03, 2000. 128 p.
LIPPMANN, R. P. An Introduction to Computing with Neural Nets. IEEE ASSP Magazine, v. 3, n. 4, pp. 4-22, 1978.
LUGNANI, J. B. Introdução à fototriangulação. Curitiba: Imprensa da Universidade
Federal do Paraná, 1987. 134 p.
MANCINE, A.; FRONTONI, E.; ZINGARETTI, P. Automatic extraction of urban objects from multi-source aerial data. In: CMRT09. IAPRS, Vol. XXXVIII, Part 3/W4 – Paris, pp.
13-18, 2009.
MELLO, C. R.; LIMA, J. M.; SILVA, A. M.; MELLO, J. M.; OLIVEIRA, M. S. Krigagem e inverso do quadrado da distância para interpolação dos parâmetros da equação de chuvas intensas. Revista Brasileira de Ciência do Solo, v. 27, pp. 925-933, 2003.
MENDES, T. S. G; DAL POZ, A. P. Extração de vias combinando métodos de detecção de regiões e linhas em imagens de intensidade de pulso laser. Pesquisas em Geociências, v. 38,
n. 3, pp. 235-249, 2011.
MIKHAIL, E. M.; BETHEL, J. S.; McGLONE, J. C. Introduction to Modern Photogrammetry. John Wiley & Sons, 2001. 479 p.
MOKHTARZADE, M.; VALADAN ZOEJ, M. J. Road detection from high resolution satellite images using artificial neural networks. International Journal of Applied Earth Observation and Geoinformation, v. 9, n. 1, pp. 32-40, 2007.
NEVES, S. R. Algoritmos para Segmentação de Imagens Infravermelhas. 2003. 121 p.
Tese (Doutorado em Ciências em Engenharia Elétrica) – COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro.
PLOTZE, R. O.; BRUNO, O. M. Estudo e comparação de algoritmos de esqueletonização para imagens binárias. In: IV Congresso Brasileiro de Computação – CBComp2004. Itajaí – SC. Anais... , pp. 59-64, 2004.
RICHARDS, J. A.; JIA, X. Remote Sensing Digital Image Analysis. 4th Edition Berlin-
Heidelberg: Springer-Verlag, 2006. 439 p.
SCHENK, T.; CSATHÓ, B. Fusion of LiDAR data and aerial imagery for a more complete surface description. In: International Archives of Photogrammetry and Remote Sensing
Proceedings… v. 34, pp. 310-317. 2002.
SCHOWENGERDT, R. A. Remote Sensing: Models and Methods for Image Processing. 3.
ed. San Diego: Academic Press, 2007. 515 p.
SCLÜTER, D.; WACHSMUTH, S.; SAGERER, G. Towards an integrated framework for contour-based grouping and object recognition using Markov Randon Fields. In: IEEE - International Conference on Image Processing 2000, Vancouver. Proceedings... IEEE. v. 2,
pp. 100-103, 2000.
SHACKELFORD, A. K.; DAVIS, C. H. Urban Road Network Extraction from High- Resolution Multispectral Data. In: 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas. pp. 142-146, 2003.
SHANMUGAM, M.; SIVAGNANAM, N.; RAMALINGAM, M. Combined Variograms of Spectral and Texture Bands in Urban Land Use Classification using High Resolution Satellite Data. European Journal of Scientific Research, v. 75, n. 4, pp. 611-415, 2012.
SHIH, F. Y. Image Processing and Mathematical Morphology: Fundamentals and
Applications. Taylor & Francis Group, 2009. 415 p.
SOILLE, P. Morphological Image Analysis. Berlin: Springer-Verlag, 1999. 316 p.
STEGER, C. Extracting Lines Using Differential Geometry and Gaussian Smoothing. In:
International Archives of Photogrammetry and Remote Sensing, v. 31, Part B3, pp. 821-
826, 1996.
STEGER, C. An Unbiased Detector of Curvilinear Structures. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 20, n. 2, pp. 113-125, 1998.
STEGER, C. Subpixel – Precise Extraction of Lines and Edges. In: ISPRS, v. 33,
Amsterdam, pp. 141-156, 2000.
TRINDER, J. C.; SALAH, M. Support Vector Machines: Optimization and Validation for Land Cover Mapping Using Aerial Images and Lidar Data. In: 34th ISRSE Symposium, Australia, pp. 10-15, 2011.
TSO, B.; MATHER, P. M. Classification Methods for Remotely Sensed Data. CRC Press,
2009. 356 p.
TUIA, D.; CAMPS-VALLS, G. Urban Image Classification with Semisupervised Multiscale Cluster Kernels. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, JSTARS, v. 4, n. 1, pp. 65-75, 2011.
WANG, C.; GLENN, N. F. Integrating LiDAR Intensity and Elevation Data for Terrain Characterization in a Forested Area. IEEE Geoscience and Remote Sensing Letters, v. 6,
no. 3, pp. 463-466, 2009.
WEHR, A.; LOHR, U. Airborne LASERscanning - an introduction and overview. In: ISPRS Journal of Photogrammetry and Remote Sensing. v. (54) 2-3. Proceedings.... pp. 68-82, 1999
WEVER, C.; LINDENBERGER, J. Experience of 10 years of laser Scanning. Schriftenreihe des Institute für Photogrammetrie. der Universität Stuttgart, pp. 125-132, 1999.
WIEDEMANN, C. External Evaluation of Road Networks. In: International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. XXXIV, Part
3/W8, Munich, pp.17-19, 2003.
WOLF, P. R.; DEWITT, B. A. Elements of Photogrammetry: with applications in GIS.
Boston: McGraw-Hill, 2000. 608 p.
YANG, C.; KAO, S.; LEE, F.; HUNG, P. Twelve different interpolation methods: a case study of surfer 8.0. In: XX ISPRS CONGRESS, Istanbul, Turkey, 2004. Proceedings... 2004.
ZENG, Y.; ZHANG, J.; WANG, G.; LIN, Z. Urban land-use classification using integrated airbone laser scanning data and high resolution multi-espectral satellite imagery. In:
ZHANG, Y.; WANG, R. Multi-resolution and multi-espectral image fusion for urban object extraction. In: XXth ISPRS Congress Geo-Imagery Bridging Continents, Istanbul, 2004, Vol. XXXV, Part B3, Commission 3, pp. 960-966, 2004.
ZHAO, J.; YOU, S.; HUANG, J. Rapid extraction and updating of road network from LIDAR data. In: IEEE Applied Imagery Pattern Recognition (AIPR) Workshop, Washington,
APÊNDICE A
MATRIZ DE CONFUSÃO PARA OS EXPERIMENTOS APRESENTADOS NA SUBSEÇÃO 4.1 (RECORTE 1) Combinação RGB Dados de referência Clas si fi cação p or RNA via gram a árvore ed. t el . ci nza ed . t el . verm . con cret o
TOTAL inclusão erro (%) AU
via 4847 79 582 1145 192 209 7054 0,31 68,71
grama 13 928 183 8 4 5 1141 0,19 81,33
árvore 275 109 3092 204 7 66 3753 0,18 82,39
ed. tel. cinza 318 0 0 901 58 244 1521 0,41 59,24
ed. tel. verm. 8 38 41 250 2617 59 3013 0,13 86,86
concreto 0 0 0 154 56 386 596 0,35 64,77 TOTAL 5461 1154 3898 2662 2934 969 17078 erro omissão 0,11 0,20 0,21 0,66 0,11 0,60 AP (%) 88,76 80,42 79,32 33,85 89,20 39,83 Kappa 0,67 Combinação RGB+MDSn Dados de referência Cl assi fi cação p or RNA via gram a árvore ed. t el . ci nza ed . t el . verm . con cret o
TOTAL inclusão erro (%) AU
via 5243 83 814 278 43 129 6590 0,20 79,56
grama 4 921 136 0 0 4 1065 0,14 86,48
árvore 97 75 2447 204 1 13 2837 0,14 86,25
ed. tel. cinza 54 0 336 1701 77 116 2284 0,26 74,47
ed. tel. verm. 5 75 161 275 2785 78 3379 0,18 82,42
concreto 58 0 4 204 28 629 923 0,32 68,15 TOTAL 5461 1154 3898 2662 2934 969 17078 erro omissão 0,04 0,20 0,37 0,36 0,05 0,35 AP (%) 96,01 79,81 62,78 63,90 94,92 64,91 Kappa 0,75 Combinação RGB+MDSnLim Dados de referência Cl assi fi cação p or RNA via gram a árvore ed. t el . ci nza ed . t el . verm . con cret o TOTAL erro inclusão AU (%) via 5244 118 677 174 10 94 6317 0,17 83,01 grama 3 920 95 6 0 5 1029 0,11 89,41 árvore 21 47 2958 90 1 26 3143 0,06 94,11
ed. tel. cinza 42 0 94 1894 68 208 2306 0,18 82,13
ed. tel. verm. 18 48 70 367 2832 81 3416 0,17 82,90
concreto 133 21 4 131 23 555 867 0,36 64,01
TOTAL 5461 1154 3898 2662 2934 969 17078
erro omissão 0,04 0,20 0,24 0,29 0,03 0,43
Combinação RGB+I Dados de referência Clas si fi cação p or RNA via gram a árvore ed. t el . ci nza ed . t el . verm . con cret o
TOTAL inclusão erro (%) AU
via 5127 2 547 197 56 33 5962 0,14 85,99
grama 4 911 308 17 1 4 1245 0,27 73,17
árvore 42 138 2611 60 17 31 2899 0,10 90,07
ed. tel. cinza 258 46 347 1645 59 180 2535 0,35 64,89
ed. tel. verm. 14 57 77 422 2755 91 3416 0,19 80,65
concreto 16 0 8 321 46 630 1021 0,38 61,70 TOTAL 5461 1154 3898 2662 2934 969 17078 erro omissão 0,06 0,21 0,33 0,38 0,06 0,35 AP (%) 93,88 78,94 66,98 61,80 93,90 65,02 Kappa 0,75 Combinação RGB+IS Dados de referência Cl assi fi cação p or RNA via gram a árvore ed. t el . ci nza ed . t el . verm . con cret o
TOTAL inclusão erro (%) AU
via 5195 0 415 106 16 81 5813 0,11 89,37
grama 2 972 790 24 3 5 1796 0,46 54,12
árvore 49 73 2326 104 14 86 2652 0,12 87,71
ed. tel. cinza 198 41 170 1759 226 110 2504 0,30 70,25
ed. tel. verm. 1 41 74 256 2655 58 3085 0,14 86,06
concreto 16 27 123 413 20 629 1228 0,49 51,22 TOTAL 5461 1154 3898 2662 2934 969 17078 erro omissão 0,05 0,16 0,40 0,34 0,10 0,35 AP (%) 95,13 84,23 59,67 66,08 90,49 64,91 Kappa 0,74 Combinação RGB+ISM Dados de referência Clas si fi cação p or RNA via gram a árvore ed. t el . ci nza ed . t el . verm . con cret o
TOTAL inclusão erro (%) AU
via 5256 0 279 116 0 121 5772 0,09 91,06
grama 4 853 455 19 0 7 1338 0,36 63,75
árvore 36 174 2707 62 1 54 3034 0,11 89,22
ed. tel. cinza 48 33 364 1515 82 93 2135 0,29 70,96
ed. tel. verm. 14 69 71 399 2826 52 3431 0,18 82,37
concreto 103 25 22 551 25 642 1368 0,53 46,93
TOTAL 5461 1154 3898 2662 2934 969 17078
erro omissão 0,04 0,26 0,31 0,43 0,04 0,34
Combinação RGB+MDSnLim+IS Dados de referência Clas si fi cação p or RNA via gram a árvore ed. t el . ci nza ed . t el . verm . con cret o
TOTAL inclusão erro (%) AU
via 5252 0 306 144 6 83 5791 0,09 90,69
grama 0 998 228 25 38 21 1310 0,24 76,18
árvore 50 96 2808 105 26 101 3186 0,12 88,14
ed. tel. cinza 51 0 270 1992 102 208 2623 0,24 75,94
ed. tel. verm. 0 0 101 212 2728 4 3045 0,10 89,59
concreto 108 60 185 184 34 552 1123 0,51 49,15 TOTAL 5461 1154 3898 2662 2934 969 17078