Este artigo investiga uma abordagem para o problema da detecção de mudanças em imagens multitemporais de sensoriamento remoto empregando Support Vector Machines (SVM) com o uso dokernel polinomial e do kernel RBF (kernel função de base radial). Para os experimentos, foram consideradas duas imagens Landsat 5-TM cobrindo a mesma área, localizada no Estado de Roraima, Brasil (61°37’W–61°49’W de longitude e 3°40’N–3°52’N de latitude). A proposta metodológica está baseada na diferença de imagens-fração. Em imagens de cenas naturais, a diferença nas frações de solo e vegetação tende a apresentar uma distribuição simétrica em torno da origem, fato utilizado para modelarduasdistribuições normais multivariadas:mudança e não-mudança. O algoritmo Expectation-Maximization (EM) foiimplementado para estimar os parâmetrosassociados a essas duas distribuições. Amostras aleatórias foram extraídas a partir das distribuições e usadas para treinar o classificador SVM. Para a avaliação da acuráciada metodologia, foram utilizados dois procedimentos: a análise qualitativa, realizada por meio da produção do mapa de mudança, e a análise quantitativa, a partir da construção da matriz de confusão em uma imagem sintética.Foi possível observar que o kernel RBF apresentou resultados muito semelhantes para todos os conjuntos de amostras de teste, independentemente do tamanho do conjunto de amostras de treinamento, o que não ocorre com o kernel polinomial.Os experimentos desenvolvidos neste trabalho mostram a adequação da metodologia proposta, produzindo resultados aceitáveis na detecção de alterações na cobertura do solo, uma vez que o SVM é um método robusto, lida bem com o problema da dimensionalidade e com amostras ruidosas e necessita de um número pequeno de amostras de treinamento para o processo de classificação.
Detecção de mudanças em dados de imagens multitemporais de sensoriamento remoto empregando Support Vector Machines com o uso de kernel polinomial e kernel RBF (kernel função de base radial)
