ALGORITMOS DE CLASSIFICAÇÃO DE USO E OCUPAÇÃO DO SOLO
|
|
- Sara Vidal Madeira
- 7 Há anos
- Visualizações:
Transcrição
1 ALGORITMOS DE CLASSIFICAÇÃO DE USO E OCUPAÇÃO DO SOLO Gustavo Henrique Oliveira Moraes 1 Renata Cristina de Oliveira Guimarães 2 Símya Staell Rodrigues Campos³ Maria Lígia Chuerubim 4 1,2,3 Universidade Federal de Uberlândia (UFU) Faculdade de Engenharia Civil (FECIV) gustavohenriquem@hotmail.com¹; renata.o.g@hotmail.com²; simyasrc@hotmail.com³; marialigia@feciv.ufu.br 4 RESUMO O processamento digital de imagens digitais, obtidas por sensores remotos ou fotogramétricos, é um método bastante utilizado no planejamento do uso e ocupação do solo. A classificação de imagens é feita a partir de sua forma numérica, em função da qual é gerada a imagem digital. Os pixels são as estruturas básicas para a formação das imagens e é por meio de suas rotulações em classe que são obtidas as imagens finais que, posteriormente, são utilizadas na geração de mapas temáticos como geológicos, pedológicos, hidrológicos, grau de aptidão do solo, cadastro urbano, uso e ocupação do solo, dentre outras. Para separação desses pixels em classes são utilizados algoritmos que se encontram implementados em ferramentas de Geoprocessamento e que permitem a correlação precisa entre os objetos presentes em uma imagem com suas correspondentes localizações geográficas na superfície terrestre. O presente estudo discorre sobre os principais algoritmos utilizados para o processamento digital de imagens dentre os quais se destacam: Máxima Verossimilhança, Paralelepípedo, Mínima Distância, Battacharya e Mahalanobis (Isoseg). Neste contexto, é feita uma revisão dos principais aspectos teóricos e técnicos envolvidos nesta temática, bem como a comparação entre os algoritmos detalhados. Palavras chaves: Uso e ocupação do solo, Classificação de imagens, Algoritmos. ABSTRACT Digital processing of digital images obtained by remote sensing or photogrammetric, is a method widely used in planning the use and occupation of land. The classification of images is taken from their numerical order, according to which the digital image is generated. Pixels are the basic structures for the formation of images is through its rotulações in class that the final images that are subsequently used to generate thematic maps such as geological, pedological, hydrological, degree of soil suitability are obtained, urban cadastre, and land use, among others. To separate these pixels into classes algorithms that are implemented in GIS tools are used and allow the precise correlation between the objects present in an image with their corresponding geographic locations on the Earth's surface. This study discusses the main algorithms used for digital image processing among which stand out: Maximum Likelihood, Cobblestone, Minimum Distance, Mahalanobis and Battacharya (Isoseg). In this context, we review the main theoretical and technical aspects involved in this issue is taken, as well as the comparison between the detailed algorithms. Keywords: Use and land cover, Algorithms, Image classification. 1. INTRODUÇÃO O planejamento do uso e ocupação do território é primordial ao desenvolvimento de uma cidade. É a partir do uso e ocupação do solo que se definem as atividades mais adequadas para cada área da cidade, levando-se em conta a infraestrutura existente e a planejada, as restrições de natureza ambiental, a paisagem e o ambiente cultural. Além disso, as formas de uso e ocupação do solo podem estar correlacionadas à causa de diversos problemas ambientais como 1
2 enchentes, poluição, desmatamento, erosões, entre outros, responsáveis por intensa degradação do meio. Pelo conhecimento do uso e ocupação é possível identificar as áreas mais frágeis e sistematizar certas restrições e cuidados às mesmas (RIO DE JANEIRO, 2014). Assim, é preciso que sejam realizados estudos para reconhecimento das áreas e definição dos reais usos e ocupações para que, posteriormente, as atividades potencialmente nocivas ao ambiente sejam corrigidas e ocorra a utilização dos espaços de acordo com suas capacidades de uso (MELO, GRIGIO e DIODATO, 2010). Uma maneira bastante eficiente de se delimitar como ocorre a distribuição de atividades sobre a superfície é realizada por meio da análise e processamento digital de imagens fotogramétricas ou obtidas via sensores orbitais. Essa análise baseia-se na classificação digital das imagens, por meio de robustos algoritmos implementados em ferramentas computacionais de Geoprocessamento, algoritmos estes treinados para o reconhecimento de padrões de classificação do uso e ocupação do solo. 2. CLASSIFICAÇÃO DE IMAGENS A classificação digital de imagens compreende um processo em que cada pixel da cena imageada é analisado individualmente, sendo posteriormente atribuído um valor que é associado a cada pixel. Segundo Mustapha, Lim e JAFRI (2010), os pixels geralmente são expressos em Níveis Digitais (ND) que variam de 0 a 256 tons cinzentos, em duas ou mais bandas ópticas. A partir da comparação das bandas espectrais desse pixel com outros pixels denominados "padrões", de situação territorial conhecida, é possível fazer a classificação do pixel em determinada classe. Essa classe representa a característica territorial que determinado pixel representa na superfície terrestre, como, por exemplo, a água, a área urbana, o solo exposto, a estrada, entre outros. Após o completo processamento de classificação da imagem numérica, origina-se uma imagem digital, onde as diversas classes são representadas. Cada classe recebe uma cor ou símbolo diferente, representativo de regiões distintas sobre o território, conforme ilustra a Fig. 1. Fig. 1 - Imagem numérica versus imagem digital, pós-classificação. Fonte: Câmara (1998). Toda classificação digital envolve o uso de softwares computacionais. O software que é utilizado para implementar determinado algoritmo de classificação é chamado de classificador. Existem diversos classificadores denominados conforme o algoritmo que utilizam, com diferentes vantagens e desvantagens. Dessa forma, é necessário que se saiba quais são os métodos usados em cada algoritmo de classificação para que o usuário identifique o melhor a ser utilizado, de acordo com suas demandas. 3. ALGORITIMOS DE CLASSIFICAÇÃO Os algoritmos de classificação são divididos em algoritmos de classificação supervisionada ou não supervisionada e, também, em algoritmos classificadores "pixel a pixel" ou por região. A classificação supervisionada é dependente de amostras de treinamento, que devem representar todas as classes presentes na imagem. Segundo Santos et al. (2010), nessa classificação o operador conhece previamente certas áreas de uma imagem, como uma área de floresta, de urbanização, etc., seja por meio da própria análise de fotografias aéreas convencionais ou digitais, mapas, trabalhos de campo ou por experiência profissional. A partir disso definem-se 2
3 áreas de treinamento, que são usadas para treinar o algoritmo de classificação. As áreas de treinamento devem ser as mais homogêneas possíveis, não incluindo os limites de transição entre diferentes feições. O treinamento consiste na definição para o programa de como uma dada área, representada por seus pixels, deve ser classificada. Para cada área de treinamento calculam-se diversos parâmetros estatísticos multivariados e através desses parâmetros mapeiam-se as feições presentes no restante da imagem, que são assinaladas à classe mais provável de pertencerem, como ilustra a Fig. 2. Fig. 2 - Exemplos de áreas de treinamento para classificação supervisionada. Fonte: Eastman (1998). A classificação não supervisionada não necessita de informação prévia sobre as classes de interesse, dispensando a definição de classes a partir das amostras de treinamento. O software realiza a extração das classes por meio de algoritmos, identificando e classificando os pixels conforme identifica serem semelhantes. É preciso que o operador identifique as classes geradas pelo algoritmo e verifique se são condizentes com a realidade. Isso é feito combinando sua familiaridade com a região estudada e visitas ao campo para levantamento, caso necessário. Os classificadores pixel a pixel são algoritmos que se baseiam apenas na informação espectral de cada pixel em busca de regiões homogêneas. Estes classificadores se baseiam em métodos estatísticos ou determinísticos. Os classificadores por região consideram não somente a informação espectral do pixel no processo de classificação, mas também a informação espacial que envolve a relação dos pixels com seus vizinhos. Os classificadores utilizados buscam reconhecer áreas homogêneas de imagens baseados nas propriedades espectrais e espaciais dos objetos da imagem. A partir dessas classificações, percebe-se que a variedade de algoritmos é elevada. Dessa forma, procurou-se analisar os algoritmos mais comuns, que são os algoritmos descritos na Tabela 1, em que é descrito também o tipo de classificação que recebem (SANTOS et al., 2010). TABELA 1 - Principais algoritmos de classificação. ALGORITMO TIPO CLASSIFICAÇÃO Paralelepípedo Mínima distância Máxima verossimilhança Pixel a pixel Supervisionada Bhattacharya Por Região Mahalanobis (Isoseg) Não-supervisionada Fonte: Adaptado de Santos et al. (2010). 3.1 Algoritmo Paralelepípedo O algoritmo do Paralelepípedo, conforme Tabela 1, é um método de classificação supervisionada realizada pixel a pixel. Para tanto, são definidas áreas de treinamento, sendo que para cada uma delas, este classificador cria regiões com formato de paralelepípedo a partir dos valores de reflectância máximos e mínimos, ou a partir do desvio padrão da reflectância na área de treinamento (EASTMAN, 1998). 3
4 Os limites do paralelepípedo são utilizados para definir os limites de decisão da classe. Assim, na análise de certo pixel, se sua reflectância se aproximar na região do paralelepípedo a uma determinada classe, será atribuído a ele a categorização, ou seja, a rotulação referente a esta classe (EASTMAN, 1998). Essa regra de decisão é representada matematicamente pela Equação: Onde: ã çã çã Ou ainda, tomando o limite inferior e o limite superior, tem-se: Nestas equações o pixel tem os valores definidos pelo termo. Como observado, esse valor é comparado aos limites das classes e classificado conforme atenda à condição da inequação de uma classe. Esse algoritmo é bastante simplório, rápido e eficiente. Porém, frequentemente leva a classificações incorretas. Segundo Eastman (1998), isso acontece porque a região de superposição entre as distintas classes é elevada e os pixels que caem nessa zona de superposição são atribuídos à última classe introduzida no programa, independente de suas características serem mais semelhantes com a outra classe. A incorreta classificação também pode ocorrer devido ao ajustamento natural das classes no método. O mais comum é a ocorrência de pixels que não se encaixam em nenhuma classe, porque os espaços vazios entre os paralelepípedos são muitos. Os pixels que caem nesses espaços vazios são, então, rotulados como não classificados. A Fig. 3 ilustra uma aplicação do algoritmo do Paralelepípedo. As letras u, f, s, a e p correspondem as reflectâncias observadas, enquanto que os pontos representam as médias das classes. (1) (2) Fig. 3 - Esquema de aplicação do algoritmo do paralelepípedo. Fonte: Santos et al. (2010). Observa-se, na Fig. 3, que os paralelepípedos formaram-se entorno das reflectâncias e representam as classes de classificação. Os pixels são classificados em certa categoria se situarem-se sobre o paralelepípedo dessa classe. Assim, ao classificar os pixels 1 e 2 por esse modelo, o PIXEL 2 receberá a classificação de urbanização, enquanto que o PIXEL 1 será classificado como pastagem. No entanto, pela observação da proximidade do PIXEL 1 aos valores de reflectância de solo exposto, certamente ele deve ser uma região de solo exposto, o que revela a falha do algoritmo de classificação por Paralelepípedo, (SANTOS et al., 2010). 4
5 3.2 Algoritmo da Mínima Distância Esse algoritmo de classificação supervisionada atribui a cada pixel desconhecido uma classe cuja média é mais ao ND apresentado por este. Para isso é calculada a distância espectral de cada pixel até a média de cada classe em cada banda. Essa distância é geralmente calculada a partir da relação de Pitágoras expressa pela seguinte fórmula: (3) Sendo: çã çã As vantagens de aplicação desse método são sua simplicidade e a eficiência em termos computacionais, bem como maior precisão em vista do método do Paralelepípedo. Mas, por outro lado, também despreza a variância e a covariância, como ocorre no método do Paralelepípedo. A Fig. 4 foi exemplificada uma aplicação prática do algoritmo de classificação da distância mínima euclidiana na classificação dos pixels 1 e 2. Fig. 4 Esquema de aplicação do algoritmo de mínima distância. Fonte: Santos et al. (2010). Nota-se que o PIXEL 1 está mais próximo da média do solo exposto, enquanto o PIXEL 2, está mais próximo da média de fragmentação florestal. Logo, pelo método da Mínima Distância o PIXEL 1 será classificado com solo exposto e o PIXEL 2 como fragmentação florestal. Essa classificação revela a desvantagem desse método, pois pela Figura é possível observar que o PIXEL 2 está mais propenso a ser uma região de urbanização, em decorrência da grande variância dessa área, que é desconsiderada pelo método, (SANTOS et al., 2010). 3.3 Algoritmo da Máxima Verossimilhança O algoritmo da Máxima Verossimilhança é um tipo de classificação supervisionada, isto é, utiliza áreas de treinamento. De acordo com Mustapha (2010), essas áreas são descritas numericamente e apresentadas ao algoritmo computacional, que classifica os pixels de toda a região dentro da respectiva classe espectral ao qual mais se assemelham. Nesta classificação esse método avalia a variância e a covariância das categorias de padrões de resposta espectral do pixel desconhecido. Para isso, assume-se que a distribuição da nuvem de pontos que forma a categoria dos dados de treinamento tem distribuição normal Gaussiana. Assim, a distribuição de um padrão espectral da categoria pode ser completamente descrita por um valor de média e pela matriz de covariância. Com esses parâmetros, é possível calcular a probabilidade estatística de um dado valor de pixel pertencer a uma classe particular, através das funções de densidade de probabilidade (LILLESAND e KIEFFER, 1994). Essa operação é realizada no software computacional através da seguinte Equação: (4) 5
6 Onde: Então, os pixels são atribuídos à classe de maior probabilidade Pc, isto é, a classe com que tem a máxima verossimilhança. Os limites de classificação entre as classes são estabelecidos a partir daqueles pontos que tenham a mesma probabilidade de classificação entre duas classes vizinhas, conforme ilustra a Fig. 5. Fig.5 Limite de decisão entre as classes no método da máxima verossimilhança. Fonte: Adaptado de Santos et al Na Fig. 6 é apresentado um exemplo da aplicação do método da Máxima Verossimilhança. Observa-se que esse método agrupa as diferentes classes através de uma região de formato irregular, definida pelas equações estatísticas usadas. Essa região é apresenta precisão superior às regiões usadas pelos métodos anteriores, contemplando corretamente cada classe. Assim, nessa classificação o PIXEL 1 é enquadrado na classe de solo exposto, pois a probabilidade calculada de ele pertencer a essa classe Pc é maior. Por razões semelhantes, o PIXEL 2 é classificado como urbanização. Essas classificações se revelam bastante acuradas. Fig. 6 Esquema de aplicação do algoritmo de Máxima Verossimilhança. Fonte: Santos et al. (2010). Como observado na Fig. 6, à precisão obtida aplicando-se método a partir da decisão estatística é muito boa. Entretanto, pixels que são oriundos de classes diferentes das que foram definidas no software podem ser classificados com uma imprecisão maior, pela dificuldade que o método pode ter para distingui-los (SANTOS et al., 2010). 6
7 3.4 Algoritmo da Bhattacharyya O classificador Bhattacharyya é um algoritmo de classificação supervisionada e, portanto, não realiza a classificação automática e necessita de treinamento. Além disso, é um classificador por regiões. As regiões são definidas na imagem a partir de uma segmentação e são as regiões, e não os pixels, que são classificados. As amostras usadas para treinamento compreendem as regiões formadas na segmentação de imagens. Nesse algoritmo é utilizada a medida Bhattacharyya para medir a separabilidade estatística entre um par de classes espectrais, medindo a distancia média entre as distribuições de probabilidades de classes espectrais (MENEZES e ALMEIDA, 2012). Essa distância pode ser calculada pela seguinte expressão: Onde: (5) Essa distância Bhattacharyya, diferentemente da distância euclidiana que representa a distância entre os pontos, é uma distância obtida a partir da análise das médias e covariância das amostras. Isso pode ser visto na própria Equação 5, em que se faz a diferença das médias na primeira operação e na segunda, e a diferença entre as médias das matrizes de covariância das duas amostras. 3.5 Algoritmo de Mahalanobis O Isoseg ou algoritmo de Mahalanobis é um algoritmo de classificação não supervisionada e por região. Neste, o agrupamento dos pixels em regiões é realizado pelo próprio algoritmo, a partir da semelhança entre as mesmas. Posteriormente, essas regiões são classificadas com base em seus dados estatísticos (média e matriz de covariância), através da distância de Mahalanobis. A distância de Mahalanobis é um valor calculado entre as regiões a serem classificadas e as classes de classificação disponíveis, através da equação: Onde: (6) ã ã Essa distância representa a semelhança entre a região a se classificar e a classe. A região será classificada na classe em que apresentar a menor distância de Mahalanobis. Por fim, após a classificação de todas as regiões, procedese com a reclassificação das mesmas. O parâmetro da média de cada classe é recalculado de acordo com a distribuição que se obteve e as regiões são reagrupadas. Esse processo ocorre até que a média não seja significativamente alterada por um novo cálculo. No fim, todas as regiões são associadas a uma classe definida. De acordo com Menezes e Almeida (2012), esse algoritmo é um classificador de distância variável de acordo com a direção e que utiliza estatística para cada classe, de maneira semelhante ao classificador por máxima verossimilhança, mas assume que todas as classes têm covariâncias iguais. Com isso, tem a vantagem de ser mais veloz do que o algoritmo de máxima verossimilhança. 3.6 Análise Comparativa Comparando os classificadores "pixel a pixel", ou seja, os algoritmos do Paralelepípedo, das Distâncias Mínimas e da Máxima Verossimilhança, observa-se que no geral um melhor resultado é obtido para o algoritmo da Máxima Verossimilhança, pois este classificador considera em seus cálculos os valores de média e de variância, enquanto os outros dois não levam tais fatores em consideração. No entanto, a melhor eficiência desse método é dependente de áreas de treinamento bem estabelecidas e facilmente distinguíveis pelo software. Caso contrário, o resultado geralmente é pobre e confuso. Então, nos casos em que as áreas de treinamento não possam ser muito bem definidas, talvez seja melhor utilizar o método das Distâncias Mínimas ou do Paralelepípedo. Nesses casos, o método das Distâncias Mínimas deve ser preferido quanto a principal exigência é pela eficiência e precisão dos dados, pois tem algoritmo simples e de 7
8 elevada eficiência computacional. Por outro lado, o Método do Paralelepípedo, por ser um método muito rápido, deve ser escolhido caso o fator principal de exigência seja um tempo reduzido. Entre os algoritmos por região, o algoritmo de Bhattacharyya tem eficiência maior devido ao seu método de cálculo mais abrangente. Ao mesmo tempo, algoritmo de Mahalanobis usa um método de cálculo mais simples que o de Bhattacharyya e, dessa forma, seu processamento é mais rápido, ao mesmo tempo em que apresenta uma boa eficiência de classificação. Observa-se ainda que o método de Mahalanobis é não supervisionado, enquanto o método de Bhattacharyya é supervisionado e requer a definição de áreas de treinamento. Por fim, nos métodos classificadores por região o contexto em que o pixel se encontra é considerado na classificação. Como as características do meio inserido também são analisadas, a classificação por região é mais certeira do que a classificação "pixel a pixel". 4. CONCLUSÕES Apesar de semelhantes em sua sistemática de classificação, com a separação em classes e classificação dos pixels e/ou regiões de acordo com o enquadramento ou não a essas classes, cada algoritmo tem uma característica peculiar que o favorece ou desfavorece mediante outro, de acordo com as condições verificadas em cada imagem a ser classificada. Assim, o uso desses algoritmos para geração de mapas de uso e classificação dos solos deve levar em consideração a qualidade da imagem disponível da região para definição do melhor método a ser utilizado. REFERÊNCIAS BIBLIOGRÁFICAS CÂMARA, G. Imagens Digitais: Desta Vez Vamos?. In: MundoGeo, Futuro Geo, 02 de agosto de Disponível em: < Acesso: março/2014. EASTMAN, J. R. Idrisi for Windows: Introdução e Exercícios Tutoriais. J. Ronald Eastman. Editores da versão em português, Heinrich Hasenack e Eliseu Weber. Porto Alegre, UFRGS, Centro de recursos Idrisi, LILLESAND, T. M.; KIEFER, R. W. Remote sensing and image interpretation. Chichester: John Wiley & Sons, 2. ed., 750 p., MELO, E. R. S.; GRIGIO, A.M; DIODATO, M. A. O Mapeamento do uso e ocupação do solo como ferramenta de gestão ambiental: o caso do município de Mossoró (RN). In: 62ª Reunião Nacional da SBPC. Ciências do Mar: Herança para o futuro, Natal/RN, de 25 a 30 de julho de Disponível em: < Acesso: março/2014. MENEZES, P. R.; ALMEIDA, T. Introdução ao processamento de imagens de Sensoriamento Remoto. Brasília: MUSTAPHA, M. R.; LIM, H. S.; JAFRI, M. Z. Comparison of Neural Network and Maximum Likelihood Approaches in Image Classification. In: Journal of Applied Sciences, 10: , RIO DE JANEIRO. Instrumentos do Plano Diretor Cartilha: Lei de Uso e Ocupação do Solo LUOS. Secretaria Municipal De Urbanismo. Disponível em: < c2a9339f578d>. Acesso: março/2014. SANTOS, A. R.; PELUZIO, T.M.O.; SAITO, N. S. Spring Passo a Passo: Aplicações Práticas. Alegre, ES : CAUFES : Disponível em: < Acesso em: 10 de março de
Classificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisAlterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e DOMINIQUE PIRES SILVA
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e 2010. DOMINIQUE PIRES SILVA Universidade Federal Rural do Rio de Janeiro E-mail: nique_rhcp@hotmail.com
Leia maisQuestões concursos
Questões concursos Grandezas radiométricas Índices de vegetação Classificação Concurso Público para Pesquisador do IMB Instituto Mauro Borges de Estatísticas e Estudos Socioeconômicos 25. A
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisAvaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG
Avaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG Mayra Luíza Marques da Silva 1 Geraldo Paulino Marques Pereira 2 1 Universidade
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisGEOPROCESSAMENTO. Bases conceituais e teóricas. Prof. Luiz Henrique S. Rotta
1 GEOPROCESSAMENTO Bases conceituais e teóricas Prof. Luiz Henrique S. Rotta GEOPROCESSAMENTO Disciplina do conhecimento que utiliza técnicas matemáticas e computacionais para o tratamento da informação
Leia maisMapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões
Mapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões Luís Eduardo Ribeiro de Mendonça 1 Vicente Paulo Soares 1 José Marinaldo Gleriani
Leia maisGEOPROCESSAMENTO. Classificação de imagens de Sensoriamento Remoto. Prof. Luiz Rotta
GEOPROCESSAMENTO Classificação de imagens de Sensoriamento Remoto Prof. Luiz Rotta CLASSIFICAÇÃO Processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos Sensoriamento
Leia maisAVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG Julierme Wagner da Penha Universidade Federal de Viçosa UFV juliermewagner@yahoo.com.br
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Leia maisTRATAMENTO DOS DADOS DE SATÉLITES
TRATAMENTO DOS DADOS DE SATÉLITES Fonte de radiação SISTEMA DE COLETA Trajetória ria PRODUTOS INTERAÇÃO SISTEMA TRATAMENTO AÇÕES Produto final Tratamento de imagem Consiste em aplicar determinadas técnicas
Leia maisAvaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS
http://dx.doi.org/10.12702/viii.simposfloresta.2014.131-592-1 Avaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS Juliana Tramontina 1, Elisiane
Leia maisANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE
ANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE MAURICIO MARTORELLI GALERA UNIVERSIDADE ESTADUAL DE LONDRINA UEL INTRODUÇÃO A evolução tecnológica dos sistemas de imageamento remoto
Leia maisCOMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA Rodrigo Moura Pereira¹ (UEG) Gustavo Henrique Mendes
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisDesempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015
https://eventos.utfpr.edu.br//sicite/sicite2017/index Desempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015 RESUMO
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisEcologia de Paisagem Conceitos e métodos de pesquisa 2012
Ecologia de Paisagem Conceitos e métodos de pesquisa 2012 Bases de sensoriamento remoto Cálculo de métricas com Fragstats Leandro Reverberi Tambosi letambosi@yahoo.com.br Sensoriamento Remoto Conjunto
Leia maisINSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS SER-300: INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório II: Cartografia em GIS/Registro
Leia maisFigura 1 - Abrangência espacial do Bioma Cerrado. Fonte: Adaptado de Scariot et al. (2005).
IDENTIFICAÇÃO DE ÁREAS DESMATADAS ATRAVÉS DE SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS DO MODELO LINEAR DE MISTURA ESPECTRAL APLICADO A DADOS DO SENSOR LANDSAT 5/TM, NO MUNICÍPIO DE SAPEZAL-MT. Bruno Rodrigues
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
Leia maisAnálise Fractal de Textura Usando um Operador de Hurst em uma Imagem TM/Landsat-5
Análise Fractal de Textura Usando um Operador de Hurst em uma Imagem TM/Landsat-5 Marcos Cicarini Hott 1 Vicente Paulo Soares 2 Carlos Antônio Álvares Soares Ribeiro 2 James Jackson Griffith 2 RESUMO O
Leia maisAvaliação de métodos de classificação em ortofotocartas digitais para identificação do uso e ocupação do solo
Avaliação de métodos de classificação em ortofotocartas digitais para identificação do uso e ocupação do solo Gesner Cardoso Porfírio 1 Giovanni de Araujo Boggione 1 1 Centro Federal de Educação Tecnológica
Leia maisO PROJETO MUTIRÃO DE REFLORESTAMENTO E SEUS EFEITOS AMBIENTAIS NO MUNICÍPIO DO RIO DE JANEIRO.
O PROJETO MUTIRÃO DE REFLORESTAMENTO E SEUS EFEITOS AMBIENTAIS NO MUNICÍPIO DO RIO DE JANEIRO. Aluna: Renata Fernandes Teixeira Orientador: Bernardo Baeta Neves Strassburg Introdução Com o aumento populacional
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/55 Mapeamento do uso do solo para manejo de propriedades rurais Prática Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/55 Conteúdo programático: Capitulo 1: Conceitos
Leia maisEXTRAÇÃO DE TELHADOS DE BARRO EM IMAGENS DE ALTA RESOLUÇÃO CLAY ROOF EXTRACTION IN HIGH RESOLUTION IMAGES
EXTRAÇÃO DE TELHADOS DE BARRO EM IMAGENS DE ALTA RESOLUÇÃO Roberto Neres Quirino de Oliveira 1 Ana Lúcia Bezerra Candeias 2 1 Universidade Federal de Pernambuco UFPE Graduação Engª Cartográfica roberto.qoliveira@ufpe.br
Leia maisAPLICAÇÃO DO SENSORIAMENTO REMOTO NA AVALIAÇÃO DA QUALIDADE VISUAL DA PAISAGEM: PRIMEIROS RESULTADOS EXPERIMENTAIS
APLICAÇÃO DO SENSORIAMENTO REMOTO NA AVALIAÇÃO DA QUALIDADE VISUAL DA PAISAGEM: PRIMEIROS RESULTADOS EXPERIMENTAIS GERALDO SANTOS LANDOVSKY 1,4 HIDEO ARAKI 2,4 DANIELA BIONDI BATISTA 3,4 1 Curso de Pós-graduação
Leia maisIDENTIFICAÇÃO DE ILHAS URBANAS DE CALOR ATRAVÉS DA INTERPRETAÇÃO DE IMAGEM DE SATÉLITE
IDENTIFICAÇÃO DE ILHAS URBANAS DE CALOR ATRAVÉS DA INTERPRETAÇÃO DE IMAGEM DE SATÉLITE LÉA CRISTINA LUCAS DE SOUZA Universidade de São Paulo Escola de Engenharia de São Carlos RESUMO Através da interpretação
Leia mais1. Introdução O ambiente e os recursos terrestres estão sofrendo mudanças constantemente em resposta à evolução natural e às atividades humanas.
UTILIZAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO PARA O MAPEAMENTO DO USO E COBERTURA DA TERRA NA BACIA HIDROGRÁFICA DO RIBEIRÃO SÃO BARTOLOMEU, VIÇOSA-MG, A PARTIR DE UMA IMAGEM DO SENSOR IKONOS II Adelson de
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisIMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Leia maisSensoriamento Remoto: introdução ao Processamento Digital de Imagens. Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho.
Sensoriamento Remoto: introdução ao Processamento Digital de Imagens Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho. Organização de uma imagem As imagens de sensoriamento remoto são
Leia maisCamila Aguirre Góes 1 Wilson Lins de Mello Filho 2 Valquíria Quirino 1 Melissa Carvalho 3
Avaliação da acurácia de classificadores, utilizando técnica de fusão de bandas dos sensores ETM + /LANDSAT-7 e CCD/CBERS-1. Camila Aguirre Góes 1 Wilson Lins de Mello Filho 2 Valquíria Quirino 1 Melissa
Leia maisCLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Leia maisCLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC
p. 001-007 CLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC RAPHAEL SOUZA RIBEIRO DENILSON DORTZBACH. JUAN ANTÔNIO ALTAMIRANO FLORES Universidade
Leia maisClassificação digital de Imagens
Classificação digital de Imagens Workshop III - (Bio)Energia Florestas Energéticas: Técnicas de Inventariação de Biomassa Florestal Universidade de Évora 2 Junho 2010 Adélia Sousa (asousa@uevora.pt) Imagem
Leia maisCLASSIFICAÇÃO DE ORTOFOTO DIGITAL OBTIDA COM VANT FOTOGRAMÉTRICO PARA MAPA DE USO E OCUPAÇÃO DO SOLO.
CLASSIFICAÇÃO DE ORTOFOTO DIGITAL OBTIDA COM VANT FOTOGRAMÉTRICO PARA MAPA DE USO E OCUPAÇÃO DO SOLO. João Edson C. F. da SILVA1; Mosar F. BOTELHO2 RESUMO A propriedade temática dos mapas trata da concepção
Leia maisARTIGO COM APRESENTAÇÃO BANNER - MONITORAMENTO AMBIENTAL
ARTIGO COM APRESENTAÇÃO BANNER - MONITORAMENTO AMBIENTAL ANÁLISE MULTITEMPORAL DA COBERTURA VEGETAL NO MUNICIPIO DE SÃO MIGUEL DO GUAMÁ, ESTADO DO PARÁ. RAYSSA CHAVES BRAGA, LAIS VIEIRA DE CARVALHO, MERILENE
Leia maisARTIGO COM APRESENTAÇÃO ORAL - GEOPROCESSAMENTO
ARTIGO COM APRESENTAÇÃO ORAL - GEOPROCESSAMENTO ANÁLISE DA DINÂMICA TEMPORAL DE USO DO SOLO NO MUNICÍPIO DE BONITO PA UTILIZANDO O MÉTODO DE CLASSIFICAÇÃO MAXVER. SAMYA UCHÔA BORDALLO, EDSON JOSÉ NEVES
Leia maisAVALIAÇÃO DE TÉCNICAS CLASSIFICAÇÃO NA EXTRAÇÃO DE FEIÇÕES EM IMAGENS DE ALTA RESOLUÇÃO DO SENSOR AEROTRANSPORTADO ADS-80.
AVALIAÇÃO DE TÉCNICAS CLASSIFICAÇÃO NA EXTRAÇÃO DE FEIÇÕES EM IMAGENS DE ALTA RESOLUÇÃO DO SENSOR AEROTRANSPORTADO ADS-80. Marcelo Parise 1, Wandrevy Ribeiro dos Santos 2 1 Oceanólgo, Analista em C & T,
Leia maisCAPÍTULO 5 RESULTADOS. São apresentados neste Capítulo os resultados obtidos através do programa Classific, para
CAPÍTULO 5 RESULTADOS São apresentados neste Capítulo os resultados obtidos através do programa Classific, para as imagens coletadas no verão II, período iniciado em 18/01 e finalizado em 01/03 de 1999,
Leia maisCaroline Leão 1 Lilian Anne Krug 1 Milton Kampel 1 Leila Maria Garcia Fonseca 1
Avaliação de métodos de classificação em imagens TM/Landsat e CCD/CBERS para o mapeamento do uso e cobertura da terra na região costeira do extremo sul da Bahia Caroline Leão 1 Lilian Anne Krug 1 Milton
Leia maisFabíola Candido Silva Vieira 1,2 Alexandre Rosa dos Santos 1,3 Antônia Brito Rodrigues Fratolillo 1,4 Rodolfo Moreira de Castro Junior 1,5
Evolução temporal do uso e ocupação do solo para os anos de 1994 e 2002 no município de Vitória, ES, utilizando imagens orbitais do satélite LANDSAT TM Fabíola Candido Silva Vieira 1,2 Alexandre Rosa dos
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisMETODOLOGIA PARA O LEVANTAMENTO PRELIMINAR DE ÁREAS DE SOLOS EXPOSTO UTILIZANDO O SATÉLITE LANDSAT 5 TM+
METODOLOGIA PARA O LEVANTAMENTO PRELIMINAR DE ÁREAS DE SOLOS EXPOSTO UTILIZANDO O SATÉLITE LANDSAT 5 TM+ Márcio Malafia Filho DEGEO - UFJF (marciomalafaia@gmail.com); Rafael Pitangui do Prado Faria DEGEO/UFJF
Leia maisClassificação de imagens. Qgis Plugin Semi-Automatic Classification Tool. Engenharia Ambiental Geoprocessamento Profa. Ligia F. A.
Classificação de imagens Qgis Plugin Semi-Automatic Classification Tool Engenharia Ambiental Geoprocessamento Profa. Ligia F. A. Batista Espectro Eletromagnético 10-10 10-8 10-4 10-1 1 102 103 104 105
Leia maisBanco de Informações Agrícolas do Município de Itápolis SP, Utilizando Imagens de Satélite e Sistema de Informações Geográficas
Banco de Informações Agrícolas do Município de Itápolis SP, Utilizando Imagens de Satélite e Sistema de Informações Geográficas VALDETE DUARTE MAURÍCIO ALVES MOREIRA BERNARDO FRIEDRICH THEODOR RUDORFF
Leia maisAvaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre
Avaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre Regiane Maria Paes Ribeiro 1 Vicente Paulo Soares 2 Carlos Antônio Oliveira Vieira 2 1 Agência Nacional
Leia maisde Ciências do Ambiente e Sustentabilidade na Amazônia
Anais do I Seminário Internacional de Ciências do Ambiente e Sustentabilidade na Amazônia IDENTIFICAÇÃO DO USO E COBERTURA DO SOLO DA ÁREA DE EXPANSÃO DO DISTRITO INDUSTRIAL DE MANAUS ATRAVÉS DE CLASSIFICAÇAO
Leia maisMaria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França Ferreira 1
Imagens CBERS para o Monitoramento da 2 a Safra Agrícola de 2004 Município de Jataí Goiás Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Leia maisMapeamento de índice de risco de incêndio para a Região da Grande Vitória/ES, utilizando imagens do satélite LANDSAT para o ano de 2002
Mapeamento de índice de risco de incêndio para a Região da Grande /ES, utilizando imagens do satélite LANDSAT para o ano de 2002 Maria Aparecida Batista Dalcumune 1,2 Alexandre Rosa dos Santos 1,3 1 Universidade
Leia maisAplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto Rodrigo Rodrigues Antunes e Israel Rodrigues Gonçalves Resumo: O objetivo
Leia maisEVOLUÇÃO DA FRAGMENTAÇÃO DE MATA NO MUNICÍPIO DE SANTA MARIA DE JETIBÁ - ES
UNIVERSIDADE FEDERAL DO PÍRTO SANTO UF CENTRO DE CIÊNCIAS HUMANAS E NATURAIS CCHN DEPARTAMENTO DE GEOGRAFIA DEFA DE MONOGRAFIA EVOLUÇÃO DA FRAGMENTAÇÃO DE MATA NO MUNICÍPIO DE SANTA MARIA DE JETIBÁ - Graduando
Leia maisExtração de cicatrizes de movimentos de massa na região de Cubatão SP por meio de técnicas de Interpretação de Imagens
Extração de cicatrizes de movimentos de massa na região de Cubatão SP por meio de técnicas de Interpretação de Imagens Souza Anjos, D. (INPE) ; Sena, I. (INPE) RESUMO Movimentos de massa são caracterizados
Leia maisMNT: MODELAGEM NUMÉRICA DE TERRENOS
MNT: MODELAGEM NUMÉRICA DE TERRENOS LEB 450 Topografia e Geoprocessamento II Prof. Carlos A. Vettorazzi 1. Introdução MODELO : Representação da realidade sob a forma material (representação tangível) ou
Leia maisANÁLISE TEMPORAL DAS ÁREAS DE EXPANSÃO DE REFLORESTAMENTO NA REGIÃO DO CAMPO DAS VERTENTES-MG
151 Introdução ANÁLISE TEMPORAL DAS ÁREAS DE EXPANSÃO DE REFLORESTAMENTO NA REGIÃO DO CAMPO DAS VERTENTES-MG Viviane Valéria Silva¹, Laura Rafaele S. Silva 1, Júlio Cezar Costa¹, Bruna Cardoso de Faria¹,
Leia maisCLASSIFICAÇÃO DE UMA IMAGEM IKONOS UTILIZANDO AS TÉCNICAS PIXEL A PIXEL E A ANÁLISE ORIENTADA A REGIÃO
CLASSIFICAÇÃO DE UMA IMAGEM IKONOS UTILIZANDO AS TÉCNICAS PIXEL A PIXEL E A ANÁLISE ORIENTADA A REGIÃO Ítalo Cavassim Junior 1 Jorge Centeno 2 1 Universidade Federal do Paraná italo@geoc.ufpr.br 2 Universidade
Leia maisClassificação orientada objeto de imagem de alta resolução para modelagem hidrológica em sub-bacias do Alto Rio Grande
Classificação orientada objeto de imagem de alta resolução para modelagem hidrológica em sub-bacias do Alto Rio Grande Gil Júlio de Souza Netto 1 Luís Marcelo Tavares de Carvalho 2 Malcon do Prado Costa
Leia maisFERRAMENTAS ESTATÍSTICAS PARA ANÁLISE DA CLASSIFICAÇÃO
Objetivos: - QUANTIFICAR OS ERROS COMETIDOS NA CLASSIFICAÇÃO - MEDIR A QUALIDADE DO TRABALHO FINAL - AVALIAR A APLICABILIDADE OPERACIONAL DA CLASSIFICAÇÃO Fontes de erro das classificações temáticas Os
Leia maisDETERMINAÇÃO DAS ÁREAS CAFEEIRAS ATRAVÉS DA ANALISE MULTI - TEMPORAL DE IMAGENS DE SATELITE, DE 1997 E 1999.
DETERMINAÇÃO DAS ÁREAS CAFEEIRAS ATRAVÉS DA ANALISE MULTI - TEMPORAL DE IMAGENS DE SATELITE, DE 1997 E 1999. SANDRO MANUEL CARMELINO HURTADO 1 LUIS MARCELO TAVARES DE CARVALHO 1 ELIZABETH FERREIRA 1 1
Leia maisDesertWatch Extension to Portuguese Partners
DesertWatch Extension to Portuguese Partners 2009 Critical Software S.A. Ocupação do Solo Resumo Objectivos Ocupação do Solo Áreas de Estudo Nomenclatura DW-E Dados de Observação da Terra Comparação dos
Leia maisSensoriamento Remoto Aplicado à Geografia. Interpretação de imagens e confecção de mapas
Sensoriamento Remoto Aplicado à Geografia Interpretação de imagens e confecção de mapas Prof. Dr. Ailton Luchiari Prof. Dr. Reinaldo Paul Pérez Machado Interpretação de imagens e confecção de mapas Etapas
Leia maisTÉCNICAS DE SENSORIAMENTO REMOTO NA ANÁLISE TEMPORAL PARA A GESTÃO TERRITORIAL DO MUNICÍPIO DE TIMON-MA
p. 001-005 TÉCNICAS DE SENSORIAMENTO REMOTO NA ANÁLISE TEMPORAL PARA A GESTÃO TERRITORIAL DO MUNICÍPIO DE TIMON-MA ANTONIO CELSO DE SOUSA LEITE FELIPE THIAGO NERES DE SOUSA SENA BENAVENUTO JOSÉ SANTIAGO
Leia maisSISTEMAS DE INFORMAÇÃO GEOGRÁFICA (II)
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisEXPANSÃO AGROPECUÁRIA NA BACIA HIDROGRÁFICA DO RIO AREIAS, TOCANTINS.
26 a 29 de novembro de 2013 Campus de Palmas EXPANSÃO AGROPECUÁRIA NA BACIA HIDROGRÁFICA DO RIO AREIAS, TOCANTINS. Mariléia Lacerda Barros Silva¹, Emerson Figueiredo Leite². ¹Aluno do Curso de Geografia
Leia maisAnálise de Imagens com o ArcGIS for Desktop
Análise de Imagens com o ArcGIS for Desktop Duração: 2 dias (16 horas) Versão do ArcGIS: 10.x Material didático: Inglês Descrição Aprender as melhores práticas e fluxos de trabalhos para potencializar
Leia maisUSO DE GEOTECNOLOGIAS PARA ANALISE GEOMORFOLÓGICA USANDO O USO E COBERTURA DE TERRA NO MUNICÍPIO DE NITERÓI-RJ.
USO DE GEOTECNOLOGIAS PARA ANALISE GEOMORFOLÓGICA USANDO O USO E COBERTURA DE TERRA NO MUNICÍPIO DE NITERÓI- RJ. Costa, B.L. 1 ; Marins, L.S. 2 ; Neto, D.S. 3 ; 1 UERJ - FFP Email:brunolopescosta@gmail.com;
Leia maisAVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO DE IMAGENS ORBITAIS PARA A BACIA DO RIO JAGUARIBE-CE
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO DE IMAGENS ORBITAIS PARA A BACIA DO RIO JAGUARIBE-CE Marcio Regys Rabelo de Oliveira 1, Thales Rafael Guimarães Queiroz¹, Mayara Oliveira Rocha¹, Luís Clênio Jário
Leia maisImplementação de um sistema de validação estatística configurável de dados
Implementação de um sistema de validação estatística configurável de dados Eduardo Dias Filho Supervisores: João Eduardo Ferreira e Pedro Losco Takecian 16 de novembro de 2014 Introdução Table of Contents
Leia maisLaboratório 4. Disciplina. Introdução ao Geoprocessamento SER 300. Prof. Dr. Antonio Miguel Vieira Monteiro
Laboratório 4 Disciplina Introdução ao Geoprocessamento SER 300 Prof. Dr. Antonio Miguel Vieira Monteiro Aluno: Isaque Daniel Rocha Eberhardt INPE, São José dos Campos. Maio, 2013. Introdução Entre as
Leia maisSensoriamento Remoto Classificação. Jorge Centeno - UFPR
Sensoriamento Remoto Classificação Jorge Centeno - UFPR Sensoriamento Remoto: Classificação de imagens Jorge Centeno - UFPR Classificação: Por que classificar? Por que classificar? Se sabemos que esta
Leia maisCOMPARAÇÃO TEMÁTICA DE IMAGENS FUSIONADAS E NÃO FUSIONADAS RESUMO ABSTRACT
COMPARAÇÃO TEMÁTICA DE IMAGENS FUSIONADAS E NÃO FUSIONADAS Júlio César Albuquerque Simões Belo 1 ; Mirelly de Oliveira Farias 2 ; João Rodrigues Tavares Junior 3 ; Ana Lúcia Bezerra Candeias 4 1,2,3,4
Leia maisMapeamento de Uso da Terra através de utilização de imagens CBERS
Mapeamento de Uso da Terra através de utilização de imagens CBERS Fernando Yutaka Yamaguchi 1 Glailson Barreto Silva 1 Helge Henriette Sokolonski 1 José Henrique Vilas Boas 1 Mario Luiz Pereira da Silva
Leia maisSISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 5. SIG- Eng. Cartográfica Prof. Luciene Delazari
SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 5 SIG- Eng. Cartográfica Prof. Luciene Delazari MODELAGEM DIGITAL DE SUPERFÍCIES Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisINSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS SER-300: INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório III: Modelagem Numérica
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisSIG PARA GESTÃO AMBIENTAL DO ESTADO DE ALAGOAS: O CASO DE SANTANA DO IPANEMA
SIG PARA GESTÃO AMBIENTAL DO ESTADO DE ALAGOAS: O CASO DE SANTANA DO IPANEMA SILVA, F. F. 1 ; AZEVEDO, V. W. B. 2 ; GUIMARÃES, L. M. 3 ; SILVA, R. R. 4 ; BARROS, A. H. C. 5 ; SANTOS, J. C. P. 6 RESUMO:
Leia maisUniversidade Federal do Paraná - Setor de Ciências da Terra
Universidade Federal do Paraná - Setor de Ciências da Terra APLICAÇÃO DE DIFERENTES NÍVEIS DE REALISMO DERIVADOS DE IMAGEM DE SATÉLITE NA REALIDADE VIRTUAL Juliana Moulin Fosse - jumoulin@ufpr.br Mosar
Leia maisANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS. Permite mensurar propriedades e relacionamentos considerando a localização espacial do fenômeno
ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS Permite mensurar propriedades e relacionamentos considerando a localização espacial do fenômeno Relação entre análise espacial e as teorias disciplinares Dados Físicos
Leia maisCARLA BERNADETE MADUREIRA CRUZ 1 RAFAEL SILVA DE BARROS 1 FLAVIA LOURENÇO FERREIRA 1 ALEXANDRE JOSÉ ALMEIDA TEIXEIRA 1
A ESPACIALIZAÇÃO DE DADOS SÓCIO-ECONÔMICOS EM SUPERFÍCIE COM O SUPORTE DO SENSORIAMENTO REMOTO DISTRIBUIÇÃO POPULACIONAL NO MUNICÍPIO DO RIO DE JANEIRO CARLA BERNADETE MADUREIRA CRUZ 1 RAFAEL SILVA DE
Leia maisPMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO
UNIVERSIDADE DE SÃO PAULO Escola Politécnica Departamento de Engenharia de Minas e de Petróleo PMI Graduação em Engenharia de Petróleo PMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO PROCESSAMENTO
Leia maisTatiana Ayako Taura 1 Iêdo Bezerra Sá 1 Tony Jarbas Ferreira Cunha 1 Vanderlise Giongo Petrere 1 Manoel Batista de Oliveira Neto 2
Experimento de segmentação de imagens para elaboração do mapa de uso do solo para contribuir com a revitalização do Rio São Francisco nos municípios de Petrolina, Lagoa Grande e Santa da Boa Vista Tatiana
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Leia maisGeoprocessamento. Aula - 01/08/2016. Professor: Diogenes Carvalho Viana
Geoprocessamento Aula - 01/08/2016 Professor: Diogenes Carvalho Viana Ementa: Introdução ao Geoprocessamento. Característica dos SIGs. Dados Espaciais. Fontes de Dados. Bases digitais na Internet. Atlas
Leia maisMétodo de classificação não supervisionada por empilhamento no espaço de atributos. Adauto Pereira Ramos Costa Ana Lúcia Bezerra Candeias
Método de classificação não supervisionada por empilhamento no espaço de atributos Adauto Pereira Ramos Costa Ana Lúcia Bezerra Candeias Universidade Federal de Pernambuco - UFPE/CTG/DECART Caixa Postal
Leia maisLição VI A CLASSIFICAÇÃO DA BACIA HIDROGRÁFICA DO RIO IBICUÍ
Lição VI A CLASSIFICAÇÃO DA BACIA HIDROGRÁFICA DO RIO IBICUÍ - 69 - Nesta lição estudaremos como se pode criar um mapa da bacia do rio Ibicuí, que nos mostre, por exemplo: água, vegetação e área agrícola.para
Leia maisÁrea verde por habitante na cidade de Santa Cruz do Sul, RS
SCIENTIA PLENA VOL. 8, NUM. 4 2012 www.scientiaplena.org.br Área verde por habitante na cidade de Santa Cruz do Sul, RS C. C. A. Calegari 1 ; L. Calegari 2 ; M. P. Friedrich 3 ; D. A. Gatto 4 ; D. M. Stargerlin
Leia maisPMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO
UNIVERSIDADE DE SÃO PAULO Escola Politécnica Departamento de Engenharia de Minas e de Petróleo PMI Graduação em Engenharia de Petróleo PMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO SISTEMAS DE INFORMAÇÕES
Leia maisSENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE FEIRA DE SANTANA-BA
Revista do CERES Volume 1, Número 2 2015 http://www.cerescaico.ufrn.br/ceres/ SENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE
Leia maisCampus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisSISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2. SIG- Eng. Cartográfica Prof. Luciene Delazari
SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2 SIG- Eng. Cartográfica Prof. Luciene Delazari Descrição de uma realidade com algum propósito Modelo MODELAR Termo geral para denotar o processo de construir representações
Leia maisOs slides das aulas, tutoriais de aulas práticas e outros documentos relevantes serão disponibilizados no link:
Geoprocessamento Graduação em Geografia 4º ano / 1º Semestre Profa. Dra. Fernanda Sayuri Yoshino Watanabe Departamento de Cartografia fernanda.watanabe@unesp.br 2019 LEMBRETE! Os slides das aulas, tutoriais
Leia maisANÁLISE COMPARATIVA DE CLASSIFICADORES EM IMAGENS LANDSAT 8 (OLI) COM E SEM CORREÇÃO ATMOSFÉRICA NO ENTORNO DE PETROLÂNDIA-PE
ANÁLISE COMPARATIVA DE CLASSIFICADORES EM IMAGENS LANDSAT 8 (OLI) COM E SEM CORREÇÃO ATMOSFÉRICA NO ENTORNO DE PETROLÂNDIA-PE LUIZ FILIPE CAMPOS DO CANTO 1 JOÃO RODRIGUES TAVARES JUNIOR 2 ANA LÚCIA BEZERRA
Leia maisII Semana de Geografia UNESP / Ourinhos 29 de Maio a 02 de Junho de 2006
USO E OCUPAÇÃO DO SOLO NA MICROBACIA CÓRREGO DO PORTO-TRÊS LAGOAS MS SILVA, Laís C.N. Universidade Federal de Mato Grosso do Sul- UFMS lais_cns@yahoo.com.br DELGADO, Valeria P. Universidade Federal de
Leia maisMônica Tatiane de Sousa. Resumo. 1 Introdução
Análise do NDBI como método para classificar áreas construídas para os anos de 2000 e 2010 nos municípios de São José dos Campos, Jacareí e Arapeí, São Paulo Mônica Tatiane de Sousa Resumo Este estudo
Leia mais