|
|
Registro Completo |
Biblioteca(s): |
Embrapa Agropecuária Oeste; Embrapa Amazônia Oriental; Embrapa Pantanal; Embrapa Solos. |
Data corrente: |
30/08/1996 |
Data da última atualização: |
23/06/2017 |
Autoria: |
VENTURIERI, A. |
Afiliação: |
ADRIANO VENTURIERI, CPATU. |
Título: |
Segmentação de imagens e logica nebulosa para treinamento de uma rede neural artificial na caracterização do uso da terra na região de Tucuruí (PA). |
Ano de publicação: |
1996 |
Fonte/Imprenta: |
1996. |
Páginas: |
118 p. |
Descrição Física: |
il. |
Idioma: |
Português |
Notas: |
Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. Orientador: João Roberto dos Santos. |
Conteúdo: |
Para avaliacao e monitoramento das aguas desfloradas na Amazonia tem sido desenvolvidas, atualmente, tecnicas de segmentacao e classificacao de imagens TM/LANDSAT por redes neurais. O sucesso desta abordagem tem permitido direcionar esforcos para uma estratificacao das areas desflorestadas, hoje em uso agropecuario ou em pousio. Por conseguinte, o objetivo dste trabalho e o desenvolvimento do processo de segmentacao de imagens e rotulacao de segmentos utilizando a logica nebulosa como suporte para treinamento (atraves do algoritmo backpropagation) de redes neurais artificiais especializadas em classes de vegetacao e uso da terra na regiao de Tucurui (PA). Em complementacao a este objetivo e apresentada a comparacao (atraves da estatistica Kappa) entre imagens tematicas resultantes dos algoritmos de classificacao tradicionais (SOSEG e Maxima Verossimilhanca) como primeiro passo para uma avaliacao geral dos diferentes processos classificatorios de imagens, incluindo futuramente aquele derivado das redes neurais. O estudo foi desenvolvido em parte da regiao sob influencia da barragem de Tucurui (SE do Estado do Para). O processo de segmentacao da imagem foi realizado com base nas caracteristicas de natureza espectral, atraves da tecnica de crescimento de regioes. Foram rotulados individualmente 15.033 segmentos de imagem para formacao da base de conhecimento/treinamento da rede nas geoclasses: floresta, sucessao secundaria avancada, sucessao secundaria inicial, pasto sujo, pasto limpo, cultura agricola, area urbana e agua (categorias basicas) alem de sombra e nuvem (categorias de interferencia). No processo de rotulacao destes segmentos foi atribuido a cada categoria tematica, graus de pertinencia parciais (0,0; 0,25; 0,75; e 1,0), entre os conceitos booleanos de falso e verdadeiro, dentro do procedimento que define o conceito de logica nebulosa. Na arquitetura deste sistema classificador por rede neural foram consideradas para treinamento, as informacoes espectrais (media) e texturais (variancia, correlacao e entropia). Para avaliar os resultados preliminares da rede utilizaram-se os indices MSE (Mean Square Error), sensibilidade e especificidade. No treinamento da rede houve uma minimizacao do MSE com o numero de epocas deste treinamento, indicando uma sensibilidade e especificidade coerente a identificacao das geoclasses. No caso de comparacao das classificacoes tematicas entre as abordagens ISOSEG e maxima verossimilhanca e a imagem de referencia, foi constatada a superioridade do algoritmo nao supervisionado em funcao deste utilizar regioes resultantes da segmentacao de imagens. E esperado que, em oportunidade futura, com a realizacao de uma equalizacao da rede, nova fase de treinamento e procedimento de classificacao tematica (associando descritores de vizinhanca), seja possivel a comparacao deste processo classificatorio com aqueles convencionais (ISOSEG e maxima verossimilhanca) para um adequado entendimento bda estratificacao de classes de ocupacao da terra na Amazonia Oriental. MenosPara avaliacao e monitoramento das aguas desfloradas na Amazonia tem sido desenvolvidas, atualmente, tecnicas de segmentacao e classificacao de imagens TM/LANDSAT por redes neurais. O sucesso desta abordagem tem permitido direcionar esforcos para uma estratificacao das areas desflorestadas, hoje em uso agropecuario ou em pousio. Por conseguinte, o objetivo dste trabalho e o desenvolvimento do processo de segmentacao de imagens e rotulacao de segmentos utilizando a logica nebulosa como suporte para treinamento (atraves do algoritmo backpropagation) de redes neurais artificiais especializadas em classes de vegetacao e uso da terra na regiao de Tucurui (PA). Em complementacao a este objetivo e apresentada a comparacao (atraves da estatistica Kappa) entre imagens tematicas resultantes dos algoritmos de classificacao tradicionais (SOSEG e Maxima Verossimilhanca) como primeiro passo para uma avaliacao geral dos diferentes processos classificatorios de imagens, incluindo futuramente aquele derivado das redes neurais. O estudo foi desenvolvido em parte da regiao sob influencia da barragem de Tucurui (SE do Estado do Para). O processo de segmentacao da imagem foi realizado com base nas caracteristicas de natureza espectral, atraves da tecnica de crescimento de regioes. Foram rotulados individualmente 15.033 segmentos de imagem para formacao da base de conhecimento/treinamento da rede nas geoclasses: floresta, sucessao secundaria avancada, sucessao secundaria inicial, pasto sujo, past... Mostrar Tudo |
Palavras-Chave: |
Brasil; Classificação de imagem; Classificacao de imagens; Data processing; Forest; Geoprocessamento; Imagens; Mapeamento tematico; Monitoramento; Para; Processamento digital; Rede neural; Redes neurais; Segmentacao; Segmentação de imagem; Segmentacao de imagens; Tucurui. |
Thesagro: |
Floresta; Sensoriamento Remoto; Uso da Terra; Vegetação. |
Thesaurus Nal: |
land; land use; monitoring; remote sensing; vegetation. |
Categoria do assunto: |
-- Z Localizações Geográficas |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/157798/1/publicacao2.pdf
|
Marc: |
LEADER 04389nam a2200445 a 4500 001 1402701 005 2017-06-23 008 1996 bl uuuu m 00u1 u #d 100 1 $aVENTURIERI, A. 245 $aSegmentação de imagens e logica nebulosa para treinamento de uma rede neural artificial na caracterização do uso da terra na região de Tucuruí (PA). 260 $a1996.$c1996 300 $a118 p.$cil. 500 $aDissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. Orientador: João Roberto dos Santos. 520 $aPara avaliacao e monitoramento das aguas desfloradas na Amazonia tem sido desenvolvidas, atualmente, tecnicas de segmentacao e classificacao de imagens TM/LANDSAT por redes neurais. O sucesso desta abordagem tem permitido direcionar esforcos para uma estratificacao das areas desflorestadas, hoje em uso agropecuario ou em pousio. Por conseguinte, o objetivo dste trabalho e o desenvolvimento do processo de segmentacao de imagens e rotulacao de segmentos utilizando a logica nebulosa como suporte para treinamento (atraves do algoritmo backpropagation) de redes neurais artificiais especializadas em classes de vegetacao e uso da terra na regiao de Tucurui (PA). Em complementacao a este objetivo e apresentada a comparacao (atraves da estatistica Kappa) entre imagens tematicas resultantes dos algoritmos de classificacao tradicionais (SOSEG e Maxima Verossimilhanca) como primeiro passo para uma avaliacao geral dos diferentes processos classificatorios de imagens, incluindo futuramente aquele derivado das redes neurais. O estudo foi desenvolvido em parte da regiao sob influencia da barragem de Tucurui (SE do Estado do Para). O processo de segmentacao da imagem foi realizado com base nas caracteristicas de natureza espectral, atraves da tecnica de crescimento de regioes. Foram rotulados individualmente 15.033 segmentos de imagem para formacao da base de conhecimento/treinamento da rede nas geoclasses: floresta, sucessao secundaria avancada, sucessao secundaria inicial, pasto sujo, pasto limpo, cultura agricola, area urbana e agua (categorias basicas) alem de sombra e nuvem (categorias de interferencia). No processo de rotulacao destes segmentos foi atribuido a cada categoria tematica, graus de pertinencia parciais (0,0; 0,25; 0,75; e 1,0), entre os conceitos booleanos de falso e verdadeiro, dentro do procedimento que define o conceito de logica nebulosa. Na arquitetura deste sistema classificador por rede neural foram consideradas para treinamento, as informacoes espectrais (media) e texturais (variancia, correlacao e entropia). Para avaliar os resultados preliminares da rede utilizaram-se os indices MSE (Mean Square Error), sensibilidade e especificidade. No treinamento da rede houve uma minimizacao do MSE com o numero de epocas deste treinamento, indicando uma sensibilidade e especificidade coerente a identificacao das geoclasses. No caso de comparacao das classificacoes tematicas entre as abordagens ISOSEG e maxima verossimilhanca e a imagem de referencia, foi constatada a superioridade do algoritmo nao supervisionado em funcao deste utilizar regioes resultantes da segmentacao de imagens. E esperado que, em oportunidade futura, com a realizacao de uma equalizacao da rede, nova fase de treinamento e procedimento de classificacao tematica (associando descritores de vizinhanca), seja possivel a comparacao deste processo classificatorio com aqueles convencionais (ISOSEG e maxima verossimilhanca) para um adequado entendimento bda estratificacao de classes de ocupacao da terra na Amazonia Oriental. 650 $aland 650 $aland use 650 $amonitoring 650 $aremote sensing 650 $avegetation 650 $aFloresta 650 $aSensoriamento Remoto 650 $aUso da Terra 650 $aVegetação 653 $aBrasil 653 $aClassificação de imagem 653 $aClassificacao de imagens 653 $aData processing 653 $aForest 653 $aGeoprocessamento 653 $aImagens 653 $aMapeamento tematico 653 $aMonitoramento 653 $aPara 653 $aProcessamento digital 653 $aRede neural 653 $aRedes neurais 653 $aSegmentacao 653 $aSegmentação de imagem 653 $aSegmentacao de imagens 653 $aTucurui
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Amazônia Oriental (CPATU) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 1 | |
Registros recuperados : 1 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|