|
|
Registros recuperados : 2 | |
1. | | BECKER, W. R.; RICHETTI, J.; MERCANTE, E.; ESQUERDO, J. C. D. M.; SILVA JUNIOR, C. A. da; PALUDO, A.; JOHANN, J. A. Agricultural soybean and corn calendar based on moderate resolution satellite images for southern Brazil. Semina: Ciências Agrárias, v. 41, n. 5, p. 2419-2428, 2020. Suplemento 1. Biblioteca(s): Embrapa Agricultura Digital. |
| |
2. | | CAON, I. L.; BECKER, W. R.; GANASCINI, D.; CATTANI, C. E. V.; MENDES, I. de S.; PRUDENTE, V. H. R.; OLDONI, L. V.; ANTUNES, J. F. G.; MERCANTE, E. Comparativo entre os classificadores RF e MAXVER, para classificação de uso e cobertura da terra, em diferentes densidades temporais. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 19., 2019, Santos. Anais... São José dos Campos: INPE, 2019. 4 p. Editores: Douglas Francisco Marcolino Gherardi, Ieda Del?Arco Sanches, Luiz Eduardo Oliveira e Cruz de Aragão. SBSR 2019. Biblioteca(s): Embrapa Agricultura Digital. |
| |
Registros recuperados : 2 | |
|
|
Registro Completo
Biblioteca(s): |
Embrapa Agricultura Digital. |
Data corrente: |
06/05/2019 |
Data da última atualização: |
21/01/2020 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
CAON, I. L.; BECKER, W. R.; GANASCINI, D.; CATTANI, C. E. V.; MENDES, I. de S.; PRUDENTE, V. H. R.; OLDONI, L. V.; ANTUNES, J. F. G.; MERCANTE, E. |
Afiliação: |
IVÃ LUIS CAON, Unioeste; WILLYAN RONALDO BECKER, Unioeste; DIANDRA GANASCINI, Unioeste; CARLOS EDUARDO VIZZOTTO CATTANI, Unioeste; ISAQUE DE SOUZA MENDES, Unioeste; VICTOR HUGO ROHDEN PRUDENTE, Inpe; LUCAS VOLOCHEN OLDONI, Inpe; JOAO FRANCISCO GONCALVES ANTUNES, CNPTIA; ERIVELTO MERCANTE, Unioeste. |
Título: |
Comparativo entre os classificadores RF e MAXVER, para classificação de uso e cobertura da terra, em diferentes densidades temporais. |
Ano de publicação: |
2019 |
Fonte/Imprenta: |
In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 19., 2019, Santos. Anais... São José dos Campos: INPE, 2019. |
Páginas: |
4 p. |
ISBN: |
978-85-17-00097-3 |
Idioma: |
Português |
Notas: |
Editores: Douglas Francisco Marcolino Gherardi, Ieda Del?Arco Sanches, Luiz Eduardo Oliveira e Cruz de Aragão. SBSR 2019. |
Conteúdo: |
RESUMO. O uso combinado de sensores com melhor resolução temporal com sensores de melhor resolução espacial, têm permitido o mapeamento detalhado da superfície terrestre. Desse modo destacam-se os algoritmos de predição, que são capazes de unir a melhor resolução espacial de um sensor a melhor resolução temporal de outro. Além das resoluções das imagens, o uso de algoritmos de classificação eficientes é decisivo para se obter elevada acurácia nos mapeamentos. Assim, o objetivo desse trabalho foi comparar os classificadores Random Forest e Máxima Verossimilhança, com diferentes modos de entrada de dados, a fim de definir qual o melhor classificador. Os resultados apontaram que o algoritmo Random Forest apresentou as maiores métricas de acurácia. |
Palavras-Chave: |
Algoritmo Random Forest; Classificação de imagens; Cobertura da terra; Fusão de imagens; Image classification; Image fusion; STARFM. |
Thesagro: |
Uso da Terra. |
Thesaurus NAL: |
Land cover; Land use. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/196958/1/PL-Comparativo-SBSR-2019.pdf
|
Marc: |
LEADER 02019nam a2200361 a 4500 001 2108719 005 2020-01-21 008 2019 bl uuuu u00u1 u #d 020 $a978-85-17-00097-3 100 1 $aCAON, I. L. 245 $aComparativo entre os classificadores RF e MAXVER, para classificação de uso e cobertura da terra, em diferentes densidades temporais.$h[electronic resource] 260 $aIn: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 19., 2019, Santos. Anais... São José dos Campos: INPE$c2019 300 $a4 p. 500 $aEditores: Douglas Francisco Marcolino Gherardi, Ieda Del?Arco Sanches, Luiz Eduardo Oliveira e Cruz de Aragão. SBSR 2019. 520 $aRESUMO. O uso combinado de sensores com melhor resolução temporal com sensores de melhor resolução espacial, têm permitido o mapeamento detalhado da superfície terrestre. Desse modo destacam-se os algoritmos de predição, que são capazes de unir a melhor resolução espacial de um sensor a melhor resolução temporal de outro. Além das resoluções das imagens, o uso de algoritmos de classificação eficientes é decisivo para se obter elevada acurácia nos mapeamentos. Assim, o objetivo desse trabalho foi comparar os classificadores Random Forest e Máxima Verossimilhança, com diferentes modos de entrada de dados, a fim de definir qual o melhor classificador. Os resultados apontaram que o algoritmo Random Forest apresentou as maiores métricas de acurácia. 650 $aLand cover 650 $aLand use 650 $aUso da Terra 653 $aAlgoritmo Random Forest 653 $aClassificação de imagens 653 $aCobertura da terra 653 $aFusão de imagens 653 $aImage classification 653 $aImage fusion 653 $aSTARFM 700 1 $aBECKER, W. R. 700 1 $aGANASCINI, D. 700 1 $aCATTANI, C. E. V. 700 1 $aMENDES, I. de S. 700 1 $aPRUDENTE, V. H. R. 700 1 $aOLDONI, L. V. 700 1 $aANTUNES, J. F. G. 700 1 $aMERCANTE, E.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|