Dissertação de Mestrado - Correia, Antonio Henrique

Dissertação de Mestrado em Sensoriamento Remoto, orientada pela Dra. Corina da
Costa Freitas e pelo Dr. Alejandro César Frery Orgambide, aprovada em 13 de
novembro de 1998.

Este trabalho tem como objetivos investigar, implementar e testar classificadores de
Máxima Verossimilhança Pontuais (MaxVer), associados com o classificador
contextual Iterated Conditional Modes (ICM), para vizinhança oito, desenvolvido por
Vieira (1996), para os dados polarimétricos multi-look de radares de abertura sintética
(SAR). A modelagem dos dados é feita através do modelo multiplicativo, sendo o
speckle modelado pela distribuição de Wishart complexa multivariada, enquanto que o
backscatter é modelado por diferentes distribuições, de acordo com o grau de
homogeneidade da área imageada. Sob a suposição do backscatter constante são
apresentadas as distribuições dos dados polarimétricos univariados (diferença de fase e
razão de intensidades) e bivariados (par de intensidades e par intensidade-diferença de
fase) multi-look. Considerando-se a modelagem disponível atualmente para os dados
mutivariados complexos multi-look (representados pela matriz de covariância
complexa) foi desenvolvida neste trabalho uma nova distribuição, denominada de 0
C G multivariada. Este distribuição modela os dados provenientes de áreas consideradas
extremamente heterogêneas. Com base nas propriedades estatísticas dos dados
polarimétricos foram implementadas cinco rotinas de classificação, uma para cada tipo
de dado polarimétrico uni/bivariado e outra que utiliza as distribuições multivariadas
mais apropriadas para os dados multivariados complexos. Essas rotinas funcionam
através de interfaces gráficas e são totalmente amigáveis ao usuário, tendo sido
implementadas dentro do software ENVI 3.0, com a finalidade de aproveitar os diversos
recursos deste software no processamento e análise de imagens SAR. Para testar as
rotinas implementadas foram utilizadas imagens polarimétricas multi-look (HH, HV e
VV) da missão SIR-C/X-SAR, nas bandas L e C, na tentativa de discriminar nove
classes de interesse. A fim de se avaliar quantitativamente, através do coeficiente de
concordância Kappa, o ganho de qualidade das classificações obtidas com dados
polarimétricos sob diferentes modelagens estatísticas, foram utilizados diferentes tipos
de dados SAR multi-look: univariados em amplitude (utilizando-se as distribuições mais
apropriadas), polarimétricos uni/bivariados, multivariados em amplitude (utilizando-se a
distribuição Normal mutlivariada) e multivariados complexos. Os resultados mostram
que o uso das distribuições multivariadas complexas produziu classificações de
qualidade superior às demais e permitiu discriminar as nove classes de interesse,
enquanto que com as distribuições Normal multivariada, polarimétricas uni/bivariadas e
univariadas em amplitude mais apropriadas, apenas oito, seis e quatro classes,
respectivamente, foram discriminadas em uma mesma classificação. Considerando-se
que os dados multivariados complexos nem sempre estão disponíveis, os resultados das
classificações dos dados polarimétricos uni/bivariados também são significativos pois,
com esses dados, foi possível discriminar todas as classes de interesse em diferentes
classificações. O uso dos dados multivariados complexos permite, portanto, obter
ótimos resultados na discriminação de classes como estágios de cultivo de soja (três) e
milho (dois), solo preparado, restolho, caatinga e rio, como é o caso das imagens SIRC/
X-SAR utilizadas.