Change Detection Software Using Self-Organizing Feature Maps

Abstract

Os mapas auto-organizáveis (SOFM) consistem em um tipo de rede neural artificial que permite a conversão de dados de alta dimensão, complexos e não lineares, em simples relações geométricas com baixa dimensionalidade. Este método também pode ser utilizado para a classificação de imagens de sensoriamento remoto, pois permite a compressão de dados de alta dimensão preservando as relações topológicas dos dados primários. Este trabalho objetiva desenvolver uma metodologia eficaz para a utilização de mapas auto-organizáveis na detecção de mudanças. No presente estudo o SOFM é utilizado para a classificação não supervisionada de dados de sensoriamento remoto, considerando os seguintes atributos: espaciais (x, y), espectrais e temporais. O método é empregado na região oeste da Bahia, que teve recentemente um aumento significativo em monoculturas. Testes foram realizados com os parâmetros do SOFM com o objetivo de refinar o mapa de detecção demudanças. O SOFM possibilita uma melhor seleção de células e dos correspondentes vetores de peso, que mostram o processo de ordenação e agrupamento hierárquicodos dados. Esta informação é essencial para identificar mudanças ao longo do tempo. Um programa em linguagem C ++ do método proposto foi desenvolvido. ABSTRACT. Self-organizing feature maps (SOFM) consist of a type of artificial neural network that allows the conversion from high-dimensional data into simple geometric relationships with low-dimensionality. This method can also be used for classification of remote sensing images because it allows the compression of high dimensional data while preserving the most important topological and metric relationships of the primary data. This paper aims to develop an effective methodology forusing self-organizing maps in change detection. In this study, SOFM is used for unsupervised classification of remote sensing data, considering the following attributes: spatial (x and y), spectral and temporal. The method is tested and simulated in the western region of Bahia that has observed a significant increase in mechanized agriculture. Tests were performed with the SOFM parameters for the purpose of fine tuning a change detection map. The SOFM provides the best selection of cell and corresponding adjustment of weight vectors, which show the process of ordering and hierarchical clustering of the data. This information is essential to identify changes over time. All algorithms were implemented in C++ language.Keywords: unsupervised classification; land cover; multitemporal analysis; remote sensing

ART Based Reliable Method for Prediction of Agricultural Land Changes Using Remote Sensing

“…Artificial neural networks have more general and flexible functional forms than the traditional statistical methods and can effectively deal with supervised and unsupervised learning methods and address problems such as pattern recognition and prediction [4]. Adaptive resonance theory is used to process the human cognitive information [5].…”

“…Here PCA produced high accuracy results and at last artificial neural network was implemented which produced higher accuracy result than other techniques [3]. Nitton Corredia da Silva has developed automated system software for classification and change detection process in C++ language [4]. This author tells that the neural network based change detection system is implemented using back propagation neural network.…”

Análise das mudanças espaciais e temporais nos padrões de paisagem na região do oeste da Bahia sobre a formação do grupo urucuia (1988-2011) e suas implicações para a conservação do Cerrado

“…As imagens de satélite são adequadas para a quantificação das mudanças, uma vez que fornecem medidas consistentes e repetíveis em escala regional (KENNEDY et al, 2007;QIN et al, 2006). O processamento de imagens multitemporais para a detecção de mudança pode ser subdividido em dois tipos (LAMBIN, 1999;SILVA et al, 2012): (a) modelo discreto, baseado em imagens bi-temporais, onde cada unidade espacial é representada por um único valor categórico e que é estável ao longo de um período de tempo; e (b) modelo contínuo, onde são empregadas séries temporais densas para descrever a trajetória da superfície e da dinâmica espacial.…”

“…Neste trabalho, a análise de mudança será realizada com base no processamento de imagens bi-temporais discretas. Uma vantagem do modelo discreto é que ele permite uma descrição simples e rápida da dinâmica espacial (SILVA et al, 2012). O processamento digital de imagens bi-temporais pode ser subdividido em dois tipos: pré-classificação e pósclassificação (JENSEN et al, 1993;YUAN et al, 2005).…”

“…O processamento de detecção de mudança pelo procedimento de pós-classificação realiza, inicialmente, a classificação individual de cada imagem temporal e depois efetua uma comparação das imagens por tabulação cruzada, com o propósito de identificar as áreas com mudança MAS, 1999). Diferentes métodos de classificação são utilizados na detecção de mudança por pós-classificação, como a interpretação visual (LOVELAND et al, 2002), classificadores supervisionados LIU & ZHOU, 2004) ou não supervisionados (SILVA et al, 2012). O método de pós-classificação possui como vantagem a menor influência dos efeitos atmosféricos e radiométricos (LU et al, 2003).…”