Cristina Maria Bentz
Título
Reconhecimento Automático de Eventos Ambientais Costeiros e Oceânicos em Imagens de Radares Orbitais
Resumo
Este trabalho objetivou o desenvolvimento de um modelo classificatório para a identificação automática de feições oceânicas detectáveis em imagens orbitais de radar. O procedimento foi customizado para ser utilizado na margem sudeste brasileira, já que o treinamento e teste dos classificadores foram realizados com exemplos de 402 imagens RADARSAT-1, adquiridas na região. Diferentes conjuntos de atributos espectrais, texturais, geométricos e contextuais de regiões de baixo sinal de retorno foram avaliados. Métodos de aprendizado de máquina (redes neurais, árvores de decisão e máquinas de suporte vetorial) foram utilizados para a indução de classificadores para a diferenciação entre sete classes, divididas em duas categorias. O procedimento de classificação envolve duas etapas. Primeiro as feições são classificadas conforme a sua categoria: vazamento de óleo ou fenômeno meteooceanográfico. Na segunda etapa, é realizada a identificação de três classes de vazamentos de óleo – vazamentos operacionais, descartes de navios e os eventos de origem não identificada - e de quatro classes de fenômenos meteo-oceanográficos - filmes de óleos biogênicos, ressurgências, florações de algas, regiões de baixas de vento e células convectivas. Os bons resultados obtidos, principalmente com o uso de máquinas de suporte vetorial e redes neurais, viabilizam o uso operacional do modelo proposto.
Abstract
This study aimed to develop an automatic classification procedure able to identify different oceanic events, detectable in orbital radar images. The procedure was customized to be used in the southeastern Brazilian coast, since the classification training and test used examples extracted from 402 RADARSAT-1 images acquired in this region. Different sets of spectral, geometric and contextual (meteoceanographic and location) features of selected low backscatter areas were evaluated. Machine learning procedures (neural networks, decision trees and support vector machines) were used to induce classifiers to differentiate between seven classes, belonging to two categories. The classification procedure involves two steps: first the features area classified in one of two categories - oil pollution or meteoceanographic event. In the second step, the identification of tree classes of oil pollution and four classes of meteoceanographic events is done. The oil spill related classes are associated to oil exploration and production, ship releases and others. The meteoceanographic phenomena include biogenic slicks and/or upwellings, algae blooms, low wind areas and rain cells. The models induced by support vector machines and neural networks achieved good results, allowing the operational implementation of the proposed procedures.
