Chegamos à etapa que, muitas vezes, é o ápice dos estudos em Sensoriamento Remoto. Em linhas gerais, podemos definir o processo todo como o uso de algoritmos computacionais para extrair informações úteis de nossa imagem e, em seguida, agrupá-las em diferentes categorias ou classes. Classificar é colocar em “caixinhas” aqueles pixels que são mais parecidos segundo algum critério.

Em geral, costuma-se dividir a classificação, em termos de abordagens, em duas: não supervisionada e supervisionada. A classificação não supervisionada, também chamada de clusterização, não requer a especificação das classes ou categorias de antemão. Esse método envolve o agrupamento de pixels em diferentes classes com base em sua similaridade espectral (ou outra dimensão presente em seu dado). O algoritmo de classificação não supervisionada utiliza a análise de agrupamento para identificar os diferentes padrões de pixel nas imagens de satélite e, em seguida, os agrupa em diferentes categorias.

A classificação supervisionada envolve o uso de um conjunto de dados de treinamento para classificar as imagens de satélite. Esse método requer que o usuário especifique as classes ou categorias das imagens de satélite antes da análise. O algoritmo “aprende” a diferença entre as diferentes classes e, em seguida, aplica esse conhecimento às imagens de satélite para classificá-las em diferentes categorias.

Uma das partes mais legais na classificação é que existem inúmeros métodos de agrupar nossos queridos pixels em classes discretas. A brincadeira fica interessante quando testamos qual deles se sai melhor no nosso conjunto de dados. Cada método “enxerga” os padrões de forma diferente. Alguns utilizam métricas simples, como distância euclidiana ou similaridade de cossenos. Outros já funcionam com árvores de decisão, criação de hiperplanos separadores e redes neurais (Machine Learning). Nos últimos anos temos visto uma explosão de métodos mais rebuscados ainda: as redes neurais convolucionais (Deep Learning).

A classificação é uma área extremamente empolgante, porém cheia de complexidades e desafios. Não é tão simples para o computador conseguir decifrar os padrões existentes na imagem e diferenciar um alvo do outro. Nem para nós, não é mesmo?! Veja a imagem abaixo cheia de cachorrinhos fofinhos . Por isso temos diversos métodos, cada um tenta ultrapassar algumas dificuldades específicas que podem ser mais ou menos expressivas a depender do seu conjunto de dados.

Portanto, o ideal é aprender sobre o maior número de métodos possível (suas particularidades e aplicações) e colocá-los em prática no seu conjunto de imagens favorito. Ah, não podemos esquecer de analisar bem a classificação e traçar hipóteses fundamentadas na teoria sobre os porquês de ter tido tal resultado.

Um grande abraço.