Avaliação Final (Discursiva) - Processamento Digital de Imagens II

Prévia do material em texto

21/09/2023, 13:24 Avaliação Final (Discursiva) - Individual
about:blank 1/4
Prova Impressa
GABARITO | Avaliação Final (Discursiva) - Individual
(Cod.:887266)
Peso da Avaliação 4,00
Prova 68340525
Qtd. de Questões 2
Nota 7,00
Dentro do ambiente do Sistema de Informações Geográficas (SIG), existem duas abordagens básicas 
de classificação supervisionada: aprendizado supervisionado e aprendizado não supervisionado. A 
principal diferença é que um usa dados rotulados para ajudar a prever resultados, enquanto o outro 
não. No entanto, existem algumas nuances entre as duas abordagens e áreas-chave em que uma 
supera a outra. 
A esse respeito, explique a diferença entre os dois tipos de classificação de imagens, dando um 
exemplo para cada método.
Resposta esperada
A principal distinção entre as duas abordagens é o uso de conjuntos de dados rotulados. Para
simplificar, o aprendizado supervisionado usa dados de entrada e saída rotulados, enquanto um
algoritmo de aprendizado não supervisionado não.
No aprendizado supervisionado, o algoritmo “aprende” com o conjunto de dados de treinamento
fazendo previsões iterativas sobre os dados e ajustando para a resposta correta. Embora os
modelos de aprendizado supervisionado tendam a ser mais precisos do que os modelos de
aprendizado não supervisionados, eles exigem intervenção humana inicial para rotular os dados
adequadamente. Por exemplo, um modelo de aprendizado supervisionado pode prever quanto
tempo seu trajeto terá com base na hora do dia, condições climáticas e assim por diante. Mas
primeiro, você terá que treiná-lo para saber que o tempo chuvoso prolonga o tempo de condução.
Os modelos de aprendizado não supervisionados, por outro lado, trabalham por conta própria
para descobrir a estrutura inerente de dados não rotulados. Observe que eles ainda requerem
alguma intervenção humana para validar as variáveis ¿¿de saída. Por exemplo, um modelo de
aprendizado não supervisionado pode identificar que os compradores on-line geralmente
compram grupos de produtos ao mesmo tempo. No entanto, um analista de dados precisaria
validar se faz sentido para um mecanismo de recomendação agrupar roupas de bebê com um
pedido de fraldas, molho de maçã e copos com canudinho.
Minha resposta
 VOLTAR
A+
Alterar modo de visualização
1
21/09/2023, 13:24 Avaliação Final (Discursiva) - Individual
about:blank 2/4
Geralmente a classificação supervisionada é escolhida quando o analista possui um bom
conhecimento da área, uma vez que o profissional seleciona amostras representativas para cada
classe de cobertura da terra (vegetação, rocha, área urbana, etc). O software usa os dados dessas
amostras e os aplica a toda a imagem através de algoritmos. Portanto, o usuário seleciona pixels
de amostra em uma imagem (que são representativos de classes específicas), depois direciona o
software de geoprocessamento a usar esses pixels de treinamento como referências para a
classificação de todos os outros pixels na imagem. Os locais de treinamento são selecionados
com base no conhecimento do usuário. O usuário define os limites de semelhança entre os pixels
para poder agrupá-los na mesma classe, também define o número de classes em que a imagem é
classificada. Na realização de uma classificação supervisionada existem etapas para se conferir a
veracidade dos dados coletados, treinos e do resultado final, dentre essas etapas estão: dados de
treinamento, seleção de recursos, seleção do algoritmo de classificação e avaliação da precisão.
Já na classificação não supervisionada o software faz a maior parte do processamento por conta
própria,o que normalmente gera mais categorias do que o usuário está interessado. Nesse ponto o
usuário decide quais categorias podem ser agrupadas em um única categoria de uso da terra. Em
outras palavras o analista tenta, a posteriori, atribuir ou transformar classes espectrais em classes
de informação de interesse, por exemplo, floresta ou agricultura. A classificação de imagens não
supervisionada é baseada na identificação automática e atribuição de pixels de imagem e
agrupamento espectrais, envolvendo interação mínima do usuário, requerendo interpretação após
a classificação. Na classificação não supervisionada, o analista designa rótulos e combina classes
após apurar informações sobre classes. A classificação não supervisionada é mais usada para a
atribuição rápida de rótulos a classes de cobertura do solo mais simples e definidas como por
exemplo, vegetação/não vegetação, água, etc, reduzindo o viés do analista. A classificação não
supervisionada é um método eficaz de obtenção de dados de imagens de sensoriamento remoto
em espaço multiespectral. Já a classificação supervisionada permite um ajuste fino das classes de
informação pelos analistas, possibilitando subcategorias mais refinadas, incluindo classes de
nível. Nessa técnica de classificação são usados dispositivos GPS de alta precisão para coletar
dados de treinamento em campo, permitindo ao analista decifrar o problema de maneira mais
minuciosa e usar dados mais precisos para treinar os algoritmos de classificação, em outras
palavras a classificação supervisionada produz resultados mais precisos.
Retorno da correção
Acadêmico, você Contemplou razoavelmente o esperado
Apresentou poucos elementos da questão, faltou aprofundamento.
Ao escrever um texto dissertativo é preciso inferir, interpretar, sintetizar, e não se trata apenas de
transcrever as palavras.
Esta orientação é para que nas próximas avaliações você responda à questão com construção
própria. Bons Estudos!
As operações aritméticas em imagens de satélite, por meio da calculadora raster, representaram um 
grande avanço na obtenção de subprodutos e na possibilidade de se extrair a maior quantidade de 
informações possíveis de uma imagem. 
Disserte sobre as aplicações que podem ser desenvolvidas pela calculadora raster em imagens de 
satélite.
Resposta esperada
2
21/09/2023, 13:24 Avaliação Final (Discursiva) - Individual
about:blank 3/4
A calculadora raster é uma das ferramentas mais importantes no sensoriamento remoto. Nos dias
atuais, ela permite realizar cálculos com base em valores de pixels das imagens raster existentes
no caso das bandas espectrais, possibilitando uma série de análises e aplicações multicritérios
por meio de expressões matemáticas.
Uma das operações mais usuais é a aplicação de índices ou técnicas mais avançadas de
operações entre bandas, por exemplo, NDVI, EVI, NWDI, SAVI, dentre outros. Esses índices
formam uma revolução na extração de mais informações, a partir de imagens de satélites, que,
anteriormente, na era analógica, era muito difícil de se realizar, possibilitando identificar
relações entre as respostas espectrais dos alvos por meio de operações entre bandas espectrais,
assim como a identificação de alterações nos padrões de refletância por meio de análise de
imagens multitemporais, muito útil para visualizar mudanças e alterações na superfície terrestre.
Minha resposta
Entre as aplicações da calculadora raster está a aritmética entre bandas (soma, subtração,
multiplicação e divisão) que, de maneira simples e rápida, possibilitam ajustar e suavizar ruídos
presentes nas imagens de satélite, bem como realçar a área da imagem ou alvos específicos
dentro da imagem de acordo com os interesses do analista. As operações aritméticas de banda
realizam a transformação dos dados a partir da combinação de imagens de diferentes bandas do
mesmo sensor ou de bandas com data de aquisição diferentes, gerando uma nova imagem de
saída melhorada a partir da composição das imagens de entrada. Tal processo ocorre porque
dentro dos SIG´s, os dados matriciais são representados por um arquivo composto por n (linhas x
colunas), possibilitando processamentos matemáticos, estatísticos e probabilísticos dos dados. As
operações matemáticas mais básicas são a soma, a subtração, a multiplicação e a divisão entre
bandas e entre imagens, cada operação possuindo aplicações específicas. Como, por exemplo, a
adição permite a normalizaçãodo brilho e remoção de ruídos, enquanto que a subtração permite
a detecção de diferenças entre duas imagens consecutivas da mesma cena. Enfim, cada operação
gera um efeito na imagem e a calculadora raster facilita a execução desses procedimentos e por
consequência possibilita o tratamento e análise de um grande volume de dados em escala
regional ou até continental, melhorando o aspecto da imagem e realçando feições de interesse
para o analista. Além das operações aritméticas, a calculadora raster também permite realizar
operações lógicas que são muito úteis para análises ambientais, bem como a utilização de índices
como o Índice de Vegetação de Diferença Normalizada (NDVI), muito usado em análises
ambientais e na agricultura de precisão. De maneira genérica podemos dizer que a calculadora
raster facilita e agiliza o processamento de imagens de sensoriamento remoto, possuindo
diversas aplicações, sendo necessário que o analista conheça e domine as finalidades de cada
operação.
Retorno da correção
Acadêmico, você Contemplou razoavelmente o esperado
Apresentou poucos elementos da questão, faltou aprofundamento.
Ao escrever um texto dissertativo é preciso inferir, interpretar, sintetizar, e não se trata apenas de
transcrever as palavras.
Esta orientação é para que nas próximas avaliações você responda à questão com construção
própria. Bons Estudos!
21/09/2023, 13:24 Avaliação Final (Discursiva) - Individual
about:blank 4/4
Imprimir