| |
|
|
| Registros recuperados : 14 | |
| 8. |  | LUIZ, A. J. B.; MAIA, A. de H. N.; SANCHES, I. D. A.; GÜRTLER, S.; SOUZA FILHO, C. R. de. Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. In: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 10 p.| Biblioteca(s): Embrapa Meio Ambiente. |
|    |
| 9. | | SCHULTZ, B.; IMMITZER, M.; FORMAGGIO, A. R.; SANCHES, I. D. A.; LUIZ, A. J. B.; ATZBERGER, C. Self-guided segmentation and classification of multi-temporal landsat 8 images for crop type mapping in southeastern Brazil. Remote Sensing, Basel, v. 7, n. 11, p. 14482-14508, 2015.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 10. | | SANCHES, I. D. A.; FEITOSA, R. Q.; DIAZ, P. M. A.; SOARES, M. D.; LUIZ, A. J. B.; SCHULTZ, B.; MAURANO, L. E. P. Campo Verde database: seeking to improve agricultural remote sensing of tropical areas. IEEE Geoscience and Remote Sensing Letters, v. 15, n. 3, p. 369-373, 2018.| Biblioteca(s): Embrapa Meio Ambiente. |
|  |
| 11. | | DUFT, D. G.; SANCHES, G. M.; LUCIANO, A. C. S.; MONTIBELLER, B.; SILVEIRA, H. L. F. da; SANCHES, I. D. A.; KÖLLN, O. T. Identificação de fechamento de dossel de cana-de-açúcar através de imagens de VANT. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 18., 2017, Santos. Anais... São José dos Campos: Inpe, 2017. p. 5998-6005.| Biblioteca(s): Embrapa Solos. |
| |
| 12. | | PRUDENTE, V. H. R.; SKAKUN, S.; OLDONI, L. V.; XAUD, H. A. M.; XAUD, M. R.; ADAMI, M.; SANCHES, I. D. A. Multisensor approach to land use and land cover mapping in Brazilian Amazon. ISPRS Journal of Photogrammetry and Remote Sensing, v. 189, p. 95-109, 2022.| Biblioteca(s): Embrapa Roraima. |
| |
| 13. | | CHEN, Y.; LU, D.; MORAN, E.; BATISTELLA, M.; DUTRA, L. V.; SANCHES, I. D. A.; SILVA, R. F. B. da; HUANG, J.; LUIZ, A. J. B.; OLIVEIRA, M. A. F. de. Mapping croplands, cropping patterns, and crop types using MODIS time-series data. International Journal of Applied Earth Observation and Geoinformation, v. 69, p. 133-147, 2018.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 14. | | MONTIBELLER, M.; SILVEIRA, H. L. F. da; SANCHES, I. D. A.; KÖRTING, T. S.; FONSECA, L. M. G.; ARAGÃO, L. E. O. e C. de; PICOLI, M. C. A.; DUFT, D. G. Identification of gaps in sugarcane plantations using UAV images. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 18., 2017, Santos. Anais... São José dos Campos: Inpe, 2017. p. 1169-1176.| Biblioteca(s): Embrapa Solos. |
| |
| Registros recuperados : 14 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Meio Ambiente. |
|
Data corrente: |
27/01/2016 |
|
Data da última atualização: |
26/04/2023 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
LUIZ, A. J. B.; MAIA, A. de H. N.; SANCHES, I. D. A.; GÜRTLER, S.; SOUZA FILHO, C. R. de. |
|
Afiliação: |
ALFREDO JOSE BARRETO LUIZ, CNPMA; ALINE DE HOLANDA NUNES MAIA, CNPMA; IEDA DEL'ARCO SANCHES, INPE; SALETE GURTLER, INPE; CARLOS ROBERTO DE SOUZA FILHO, IG-UNICAMP. |
|
Título: |
Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. |
|
Ano de publicação: |
2015 |
|
Fonte/Imprenta: |
In: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 10 p. |
|
Idioma: |
Português |
|
Conteúdo: |
Resumo: Experimentos em que são coletadas muitas medidas em cada unidade experimental têm matrizes de dados nas quais o número de colunas (variáveis) é muito maior que o de linhas (observações). Dados hiperespectrais são habitualmente coletados por instrumentos que medem instantaneamente as reflectâncias de um alvo em milhares de comprimentos de onda e podemos considerar que cada uma delas constitui uma variável prognóstica num modelo de regressão. A facilidade na obtenção de cada vez maior número de variáveis simultâneas não se repete na obtenção das observações dessas variáveis. A análise de componentes principais (ACP) é indicada para tratar tal quantidade de variáveis e reduzir a dimensionalidade dos dados, mas sua aplicação ainda exige a obtenção de um grande número de medidas. Já a análise discriminante é usada na tentativa de classificar diferentes alvos, mas precisa ser precedida da seleção de um pequeno subconjunto de bandas, geralmente escolhidas com base em informações preexistentes e não nos próprios dados. A regressão linear permite empregar o método stepwise para selecionar um subconjunto de bandas, mas só é indicada para variáveis dependentes quantitativas. O presente trabalho propõe o uso da regressão logística politômica stepwise para selecionar um pequeno conjunto de bandas espectrais que discrimine alvos em k classes, quando a variável resposta de interesse é nominal. Apresentamos um exemplo no qual os dados espectrais são utilizados para construção de modelos logísticos com um pequeno número de preditores (bandas) para classificação de folhas verdes em classes correspondentes a três culturas agrícolas: soja perene, milho e braquiária. MenosResumo: Experimentos em que são coletadas muitas medidas em cada unidade experimental têm matrizes de dados nas quais o número de colunas (variáveis) é muito maior que o de linhas (observações). Dados hiperespectrais são habitualmente coletados por instrumentos que medem instantaneamente as reflectâncias de um alvo em milhares de comprimentos de onda e podemos considerar que cada uma delas constitui uma variável prognóstica num modelo de regressão. A facilidade na obtenção de cada vez maior número de variáveis simultâneas não se repete na obtenção das observações dessas variáveis. A análise de componentes principais (ACP) é indicada para tratar tal quantidade de variáveis e reduzir a dimensionalidade dos dados, mas sua aplicação ainda exige a obtenção de um grande número de medidas. Já a análise discriminante é usada na tentativa de classificar diferentes alvos, mas precisa ser precedida da seleção de um pequeno subconjunto de bandas, geralmente escolhidas com base em informações preexistentes e não nos próprios dados. A regressão linear permite empregar o método stepwise para selecionar um subconjunto de bandas, mas só é indicada para variáveis dependentes quantitativas. O presente trabalho propõe o uso da regressão logística politômica stepwise para selecionar um pequeno conjunto de bandas espectrais que discrimine alvos em k classes, quando a variável resposta de interesse é nominal. Apresentamos um exemplo no qual os dados espectrais são utilizados para construção de mod... Mostrar Tudo |
|
Palavras-Chave: |
Polytomous logistic regression; Regressão logística politômica; Seleção de variáveis explicativas; Selection of explanatory variables; Stepwise. |
|
Thesagro: |
Estatística agrícola; Regressão linear; Sensoriamento remoto. |
|
Thesaurus NAL: |
Linear models; Remote sensing. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/137863/1/2015AA009.pdf
|
|
Marc: |
LEADER 02972nam a2200277 a 4500
001 2035294
005 2023-04-26
008 2015 bl uuuu u00u1 u #d
100 1 $aLUIZ, A. J. B.
245 $aBusca de relações quando o número de variáveis é muito maior que o de observações$bo caso de dados hiperespectrais.$h[electronic resource]
260 $aIn: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 10 p.$c2015
520 $aResumo: Experimentos em que são coletadas muitas medidas em cada unidade experimental têm matrizes de dados nas quais o número de colunas (variáveis) é muito maior que o de linhas (observações). Dados hiperespectrais são habitualmente coletados por instrumentos que medem instantaneamente as reflectâncias de um alvo em milhares de comprimentos de onda e podemos considerar que cada uma delas constitui uma variável prognóstica num modelo de regressão. A facilidade na obtenção de cada vez maior número de variáveis simultâneas não se repete na obtenção das observações dessas variáveis. A análise de componentes principais (ACP) é indicada para tratar tal quantidade de variáveis e reduzir a dimensionalidade dos dados, mas sua aplicação ainda exige a obtenção de um grande número de medidas. Já a análise discriminante é usada na tentativa de classificar diferentes alvos, mas precisa ser precedida da seleção de um pequeno subconjunto de bandas, geralmente escolhidas com base em informações preexistentes e não nos próprios dados. A regressão linear permite empregar o método stepwise para selecionar um subconjunto de bandas, mas só é indicada para variáveis dependentes quantitativas. O presente trabalho propõe o uso da regressão logística politômica stepwise para selecionar um pequeno conjunto de bandas espectrais que discrimine alvos em k classes, quando a variável resposta de interesse é nominal. Apresentamos um exemplo no qual os dados espectrais são utilizados para construção de modelos logísticos com um pequeno número de preditores (bandas) para classificação de folhas verdes em classes correspondentes a três culturas agrícolas: soja perene, milho e braquiária.
650 $aLinear models
650 $aRemote sensing
650 $aEstatística agrícola
650 $aRegressão linear
650 $aSensoriamento remoto
653 $aPolytomous logistic regression
653 $aRegressão logística politômica
653 $aSeleção de variáveis explicativas
653 $aSelection of explanatory variables
653 $aStepwise
700 1 $aMAIA, A. de H. N.
700 1 $aSANCHES, I. D. A.
700 1 $aGÜRTLER, S.
700 1 $aSOUZA FILHO, C. R. de
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Meio Ambiente (CNPMA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
