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 | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Negri, Rogério Galante | - |
Autor(es): dc.creator | da Costa, Fernanda Dácio | - |
Autor(es): dc.creator | da Silva Andrade Ferreira, Bruna | - |
Autor(es): dc.creator | Rodrigues, Matheus Wesley | - |
Autor(es): dc.creator | Bankole, Abayomi | - |
Autor(es): dc.creator | Casaca, Wallace | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:09:01Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:09:01Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2025-04-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1111/tgis.70028 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/298433 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/298433 | - |
Descrição: dc.description | Natural disasters, particularly floods, are escalating in frequency and intensity, disproportionately impacting economically disadvantaged populations and leading to substantial economic losses. This study leverages temporal and multi-sensor data from Synthetic Aperture Radar (SAR) and multispectral sensors on Sentinel satellites to evaluate a range of supervised and semi-supervised machine learning (ML) models. These models, combined with feature extraction and selection techniques, effectively process large datasets to map flood-affected areas. Case studies in Brazil and Mozambique demonstrate the efficacy of the methods. The Support Vector Machine (SVM) with an RBF kernel, despite achieving high kappa values, tended to overestimate flood extents. In contrast, the Classification and Regression Trees (CART) and Cluster Labeling (CL) methods exhibited superior performance both qualitatively and quantitatively. The Gaussian Mixture Model (GMM), however, showed high sensitivity to input data and was the least effective among the methods tested. This analysis highlights the critical need for careful selection of ML models and preprocessing techniques in flood mapping, facilitating rapid, data-driven decision-making processes. | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Institute of Science and Technology São Paulo State University, São Paulo | - |
Descrição: dc.description | Graduate Program in Natural Disasters São Paulo State University Brazilian Center for Early Warning and Monitoring for Natural Disasters, São Paulo | - |
Descrição: dc.description | Graduate Program in Civil and Environmental Engineering São Paulo State University, São Paulo | - |
Descrição: dc.description | Institute of Biosciences Letters and Exact Sciences São Paulo State University, São Paulo | - |
Descrição: dc.description | Institute of Science and Technology São Paulo State University, São Paulo | - |
Descrição: dc.description | Graduate Program in Natural Disasters São Paulo State University Brazilian Center for Early Warning and Monitoring for Natural Disasters, São Paulo | - |
Descrição: dc.description | Graduate Program in Civil and Environmental Engineering São Paulo State University, São Paulo | - |
Descrição: dc.description | Institute of Biosciences Letters and Exact Sciences São Paulo State University, São Paulo | - |
Descrição: dc.description | FAPESP: 2021/01305-6 | - |
Descrição: dc.description | FAPESP: 2021/03328-3 | - |
Descrição: dc.description | CNPq: 305220/2022-5 | - |
Descrição: dc.description | CNPq: 316228/2021-4 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Transactions in GIS | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | classification | - |
Palavras-chave: dc.subject | digital image analysis | - |
Palavras-chave: dc.subject | flooding | - |
Palavras-chave: dc.subject | machine learning | - |
Palavras-chave: dc.subject | remote sensing | - |
Título: dc.title | Assessing Machine Learning Models on Temporal and Multi-Sensor Data for Mapping Flooded Areas | - |
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: