Los datos de teledetección son esenciales para comprender la dinámica ambiental, su pronóstico y la detección temprana de desastres. Los sensores de teledetección de microondas complementan la información proporcionada por las observaciones en el espectro óptico, con la ventaja de ser menos sensibles a las condiciones atmosféricas adversas y de contar con su propia fuente de iluminación. Por un lado, las nuevas generaciones y constelaciones de sensores de Radar de Apertura Sintética (SAR) proporcionan imágenes con alta resolución espacial y temporal y excelente cobertura. Por otro lado, las imágenes SAR presentan ruido de speckle y requieren modelos específicos y técnicas de extracción de información. En este sentido, la familia de distribuciones ?0 es un modelo adecuado para los datos de intensidad SAR, ya que describe bien áreas con diferentes grados de textura. La teoría de la información se ha consolidado en el procesamiento de señales e imágenes para la estimación de parámetros y la extracción de características. La entropía destaca como una de las características más expresivas en este ámbito. Evaluamos el rendimiento de varios estimadores de entropía de Shannon paramétricos y no paramétricos como entrada para algoritmos de clasificación supervisados ??y no supervisados. También proponemos una metodología para ajustar los estimadores de entropía no paramétricos. Finalmente, aplicamos estas técnicas a datos reales.
Remotely sensed data are essential for understanding environmental dynamics, for their forecasting, and for early detection of disasters. Microwave remote sensing sensors complement the information provided by observations in the optical spectrum, with the advantage of being less sensitive to adverse atmospherical conditions and of carrying their own source of illumination. On the one hand, new generations and constellations of Synthetic Aperture Radar (SAR) sensors provide images with high spatial and temporal resolution and excellent coverage. On the other hand, SAR images suffer from speckle noise and need specific models and information extraction techniques. In this sense, the ?0
family of distributions is a suitable model for SAR intensity data because it describes well areas with different degrees of texture. Information theory has gained a place in signal and image processing for parameter estimation and feature extraction. Entropy stands out as one of the most expressive features in this realm. We evaluate the performance of several parametric and non-parametric Shannon entropy estimators as input for supervised and unsupervised classification algorithms. We also propose a methodology for fine-tuning non-parametric entropy estimators. Finally, we apply these techniques to actual data.
Dados de sensoriamento remoto são essenciais para a compreensão da dinâmica ambiental, para sua previsão e para a detecção precoce de desastres. Sensores de sensoriamento remoto por micro-ondas complementam as informações fornecidas por observações no espectro óptico, com a vantagem de serem menos sensíveis a condições atmosféricas adversas e de possuírem sua própria fonte de iluminação. Por um lado, novas gerações e constelações de sensores de Radar de Abertura Sintética (SAR) fornecem imagens com alta resolução espacial e temporal e excelente cobertura. Por outro lado, imagens de SAR sofrem com ruído speckle e necessitam de modelos e técnicas de extração de informação específicos. Nesse sentido, a família de distribuições ?0
é um modelo adequado para dados de intensidade de SAR, pois descreve bem áreas com diferentes graus de textura. A teoria da informação ganhou espaço no processamento de sinais e imagens para estimativa de parâmetros e extração de características. A entropia se destaca como uma das características mais expressivas nesse campo. Avaliamos o desempenho de diversos estimadores de entropia de Shannon paramétricos e não paramétricos como entrada para algoritmos de classificação supervisionados e não supervisionados. Também propomos uma metodologia para ajuste fino de estimadores de entropia não paramétricos. Por fim, aplicamos essas técnicas a dados reais.
