Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Dorini, Leyza Elmeri Baldo | - |
Autor(es): dc.creator | Costa, João Paulo de Oliveira | - |
Autor(es): dc.creator | Ortolan, Lucas Dissenha | - |
Data de aceite: dc.date.accessioned | 2022-02-21T22:01:15Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T22:01:15Z | - |
Data de envio: dc.date.issued | 2020-11-11 | - |
Data de envio: dc.date.issued | 2020-11-11 | - |
Data de envio: dc.date.issued | 2014-03-21 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/9289 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/666028 | - |
Descrição: dc.description | As imagens produzidas a partir do sensoriamento remoto geralmente são analisadas por especialistas para extração de informações usadas para análise de dados ou tomada de decisões. Este processo pode ser auxiliado por meio de um procedimento automático de classificação, de tal forma que uma imagem temática seja produzida, enfatizando características e/ou regiões de interesse. O presente trabalho tem como objetivo desenvolver uma metodologia baseada em Redes Neurais Artificiais (RNAs) para reconhecimento de padrões em imagens de sensoriamento remoto em dois cenários distintos. O primeiro refere-se à imagens de satélite da região de Três Pontas, localizada ao Sul de Minas Gerais, onde a cultura cafeeira encontra-se presente. Neste caso, o objetivo é identificar automaticamente zonas produtores de café, diferenciando-a de regiões de mata e de outros usos. O segundo cenário é composto por imagens da região da Baía de Paranaguá referentes à duas datas de aquisição distintas, 1986 e 1999. Este trabalho tem como objetivo delimitar as regiões correspondentes à zonas urbanas. Dessa forma, é possível determinar diferentes itens, incluindo invasão de zonas de preservação e crescimento urbano. A precisão da classificação foi avaliada com base no índice Kappa, que fornece uma ideia da acurácia da classificação. O melhor índice obtido no primeiro cenário foi de 0.81 e no segundo de 0.80, ambos considerados bons. Alguns dos erros da abordagem proposta podem ser minimizados ao considerar diferentes descritores e operações de pré-processamento, o que pode incentivar o desenvolvimento de trabalhos futuros. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Departamento Acadêmico de Informática | - |
Palavras-chave: dc.subject | Sensoriamento remoto | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Remote sensing | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Sistemas de Informação | - |
Título: dc.title | Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
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: