Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Martins, Antonio Cesar Germano | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Galvão, Jonilson Michel Fontes | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:19:16Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:19:16Z | - |
Data de envio: dc.date.issued | 2023-04-19 | - |
Data de envio: dc.date.issued | 2023-04-19 | - |
Data de envio: dc.date.issued | 2023-02-28 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/243054 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/243054 | - |
Descrição: dc.description | A disponibilidade de recursos para estudo e compreensão da dinâmica do uso e cobertura do solo através de sensoriamento remoto por meio de técnicas de classificação com auxílio de aprendizado de máquina tem ganho destaque nos últimos anos. Este trabalho visa apresentar resultados da classificação de regiões em imagens do satélite Sentinel-2 da Área de Preservação Ambiental de Itupararanga, especificamente no entorno da represa de Itupararanga, no Estado de São Paulo. Através do pré-processamento e utilização de índices espectrais (NDVI, GNDVI, NDWI, MNDWI e NDBI) foi feita a classificação da cobertura do solo da região usando as técnicas de inteligência artificial: Random Forest (RF) e Support Vector Machine (SVM). As métricas de avaliação de desempenho registraram excelentes resultados com 99,27% de acurácia global para SVM com kernel radial e 99,15% para RF. O cálculo da cobertura do solo realizado por meio do SVM com kernel radial resultou em 3,4% de agricultura, 7,0% de água, 24,0% de vegetação arbórea, 4,2% de eucalipto, 27,7% de vegetação rasteira, 14,9% de solo exposto, 7,2% de interação solo e arbusto, 14,0% de área urbana e 0,2% de nuvem nas imagens analisadas. | - |
Descrição: dc.description | The availability of resources for studying and understanding of land cover dynamics with remote sensing and classification techniques based on machine learning has gained prominence in recent years. This work aims to present results of the classification of regions in Sentinel-2 satellite images from Itupararanga Environmental Preservation Area, specifically around Itupararanga dam, in the State of São Paulo. Through the pre-processing and use of spectral indexes (NDVI, GNDVI, NDWI, MNDWI and NDBI), soil cover of the region was classification using the following artificial intelligence techniques: Random Forest (RF) and Support Vector Machine (SVM). Performance evaluation metrics showed excellent results with 99,27% overall accuracy for SVM with radial kernel and 99,15% for RF. The calculation of land cover performed by means of SVM with radial kernel resulted in 3,4% of agriculture, 7,0% of water, 24,0% of tree vegetation, 4,2% of eucalyptus, 27,7% of undergrowth, 14,9% of exposed soil, 7,2% of soil and shrub interaction, 14,0% of urban area and 0,2% of cloud in the analysed images. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
Direitos: dc.rights | info:eu-repo/semantics/openAccess | - |
Palavras-chave: dc.subject | Geoprocessamento | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Inteligencia artificial | - |
Título: dc.title | Classificação de Regiões em Imagens do Satélite Sentinel 2 através de Inteligência Artificial | - |
Título: dc.title | Classification of Regions in Sentinel 2 Satellite Images using Artificial Intelligence | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: