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 | Nascimento, Eduardo Soares | - |
Autor(es): dc.creator | Watanabe, Fernanda Sayuri Yoshino | - |
Autor(es): dc.creator | de Lourdes Bueno Trindade Galo, Maria | - |
Autor(es): dc.creator | da Silva, Erivaldo Antonio | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:21:46Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:21:46Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-11-03 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.5194/isprs-annals-X-3-2024-253-2024 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/303602 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/303602 | - |
Descrição: dc.description | The water crisis in the southeast region of China in 2022, caused by one of the worst heatwaves on record, was characterized by severe shortages of water resources, leading to challenges for local communities, agriculture, and industry. To analyze changes in land use and land cover (LULC) in the Jialing River region, Chongqing, China, we compared Remote Sensing (RS) imagery classifications before and after the intense heat waves of 2022. We evaluated the performance of two machine learning algorithms, KDTree KNN and Random Forest (RF), in LULC classifications. The classifications were carried out based on the RS images from the OLI/Landsat 8 system, NDWI index, and SRTM data. The model performances were similar, the classification accuracy showed that the RF algorithm was superior to KDTree KNN. The RF LULC classification and area calculation corroborate with the visual analysis, reaffirming the superiority of RF, which shows a decrease in water surface area, unlike DKTree KNN. | - |
Descrição: dc.description | Postgraduate Program in Cartographic Sciences (PPGCC) Department of Cartography School of Technology and Sciences São Paulo State University (FCT-UNESP), São Paulo | - |
Descrição: dc.description | Department of Cartography School of Technology and Sciences São Paulo State University (UNESP) | - |
Descrição: dc.description | Postgraduate Program in Cartographic Sciences (PPGCC) Department of Cartography School of Technology and Sciences São Paulo State University (FCT-UNESP), São Paulo | - |
Descrição: dc.description | Department of Cartography School of Technology and Sciences São Paulo State University (UNESP) | - |
Formato: dc.format | 253-260 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | and K-Nearest Neighbors Classifier | - |
Palavras-chave: dc.subject | Land Use and Land Cover | - |
Palavras-chave: dc.subject | machine learning | - |
Palavras-chave: dc.subject | OLI/Landsat 8 | - |
Palavras-chave: dc.subject | random forest | - |
Palavras-chave: dc.subject | remote sensing imagery | - |
Título: dc.title | Assessing Land Use and Cover Changes arising from the 2022 water crisis in Southeast China: A comparative analysis of Remote Sensing Imagery classifications and Machine Learning algorithms | - |
Tipo de arquivo: dc.type | aula 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: