CLASSIFICAÇÃO MULTITEMPORAL DA COBERTURA DA TERRA NA ÁREA DE INFLUÊNCIA DO RESERVATÓRIO DE ITUPARARANGA UTILIZANDO REDES NEURAIS ARTIFICIAIS
|
|
- Moisés Campos Aires
- 6 Há anos
- Visualizações:
Transcrição
1 ISSN , p CLASSIFICAÇÃO MULTITEMPORAL DA COBERTURA DA TERRA NA ÁREA DE INFLUÊNCIA DO RESERVATÓRIO DE ITUPARARANGA UTILIZANDO REDES NEURAIS ARTIFICIAIS REJANE ENNES 1 LETÍCIA SABO BOSCHI 2 MARIA DE LOURDES BUENO TRINDADE GALO 3 EDIVALDO D. VELINI 4 Universidade Estadual Paulista - Unesp 3 Faculdade de Ciências e Tecnologia FCT, Depto de Cartografia - Presidente Prudente SP 1, 2 Programa de Pós-Graduação em Ciências Cartográficas {sabo, rejane}@pos. prudente.unesp.br; {mlourdes}@fct.unesp.br 4 Faculdade de Ciências Agronômicas FCA, Departamento de Agricultura Botucatu SP velini@fca.unesp.br RESUMO A análise temporal feita usualmente a partir da comparação entre classificações individuais, é limitada pela concordância das classes em cada data de aquisição. A classificação supervisionada através de Redes Neurais Artificiais (RNA) pode mapear um conjunto de dados de entrada nas mesmas classes definidas no processo de treinamento da rede. Assim, considerando dados multitemporais compatíveis geométrica e radiometricamente, uma RNA treinada pode reconhecer classes específicas em uma data e discriminar as mesmas classes em imagens de outras datas, facilitando portanto a comparação entre as classificações e a análise das mudanças temporais. Portanto, o objetivo deste trabalho foi avaliar o desempenho de uma RNA para a classificação supervisionada de diferentes tipos de cobertura da terra em uma área de influência do reservatório de Itupararanga, na qual uma imagem ETM+/Landsat tomada em 2002 foi adotada como referência para o treinamento e validação de uma RNA. A rede treinada foi aplicada em outras imagens Landsat adquiridas em 1985 e 2001, respectivamente. Os resultados mostraram que a RNA treinada foi capaz de discriminar as classes mais significativas presentes nas demais datas. ABSTRACT The temporal changes analysis, usually developed by the comparison among individual classifications is limited by the concordance of the classes in each acquisition date. The classification supervised through Artificial Neural Network (ANN) may discern a data set of entrance in the same classes defined for the net training process. Thus, considering the data geometrically and radiometrically compatible, an ANN trained to recognize specific classes in a date may discriminate the same classes in images acquired at another date, enhancing therefore the comparison between the classifications and the temporal change analysis. The objective of this research was to evaluate the performance of an ANN for the supervised classification of different land cover types in an influence area of the Itupararanga reservoir, in wich an ETM+/Landsat image acquired in 2002 was adopted as reference for the training and validation of an ANN. The trained net was applied in other Landsat images acquired in 1985 and 2001, respectivelly. The results showed that the trained RNA was able to discriminate the most significant classes in the other dates. 1 INTRODUÇÃO As imagens multiespectrais de sensoriamento remoto oferecem uma contribuição efetiva na tarefa de quantificar mudanças a partir de cenas tomadas em diferentes datas. Porém, a análise de mudanças temporais, feita normalmente a partir da comparação entre classificações individuais, é limitada pela dificuldade em compatibilizar as classes resultantes em cada uma das datas de aquisição de dados. A classificação supervisionada através de Redes Neurais Artificiais (RNA) pode mapear um conjunto de dados de entrada nas mesmas classes definidas durante o processo de treinamento da rede. Além disso, a utilização de RNAs com o propósito de classificação pode-se constituir em uma alternativa vantajosa aos classificadores baseados em conceitos estatísticos, uma vez que nenhuma hipótese prévia sobre a distribuição dos dados a serem classificados é exigida não restringindo a possibilidade de incorporação de dados não espectrais na classificação. Existem vários modelos de RNA desenvolvidos para as mais diversas aplicações. Dentre eles, destaca-se a rede neural de perceptron multicamadas, a qual assume
2 regiões de decisão semelhantes àquelas formadas por um classificador estatístico, porém com entradas não correlacionadas e distribuições diferentes para os dados (LIPPMANN, 1987). Além disso, essas redes podem ser treinadas por um algoritmo iterativo de aprendizagem, chamado backpropagation que as habilita a desenvolver um comportamento associativo correto quando confrontadas com situações de características similares. Nesse contexto, o objetivo deste trabalho é avaliar o desempenho de uma Rede Neural Artificial treinada para uma única data, na classificação multitemporal da cobertura da terra na área de influência do reservatório de Itupararanga, utilizando imagens multiespectrais adquiridas em épocas distintas. Especificamente, é utilizada uma arquitetura de RNA treinada em uma das datas para mapear os tipos de cobertura da terra em outras datas de tomada dos dados. 2 CLASSIFICAÇÃO UTILIZANDO REDES NEURAIS ARTIFICIAIS Os mapas temáticos procuram generalizar as feições da superfície terrestre através de categorias especificadas em um esquema de classificação apropriado para cada aplicação. Os esquemas de classificação constituem, então, os meios usados para organizar a informação espacial de maneira lógica e ordenada e possibilitam, para quem produz o mapa, caracterizar as feições da paisagem e, para o usuário do mapa, reconhecê-las (CONGALTON e GREEN, 1999). Em sensoriamento remoto, a classificação de imagens consiste em se estabelecer um processo de decisão no qual um pixel ou grupo de pixels é definido como pertencente a uma determinada classe (VENTURIERI e SANTOS, 1998). Para a análise de dados multiespectrais, Richards (1986) destaca dois procedimentos abrangentes de classificação. Um deles, definido como classificação nãosupervisionada, que é um meio pelo qual os pixels de uma imagem são associados a classes espectrais, sem que haja um conhecimento prévio da existência ou nome destas classes. A classificação supervisionada se constitui na ferramenta analítica essencial usada na extração de informação quantitativa a partir de dados multiespectrais. O processo é dito supervisionado, pois implica na interação entre o intérprete humano e o sistema de análise, possibilitando o treinamento do algoritmo de classificação através de amostras usadas para caracterizar ou estimar parâmetros estatísticos de cada classe. Um pressuposto importante adotado na maioria dos procedimentos mais consolidados de classificação supervisionada é o de que as classes de interesse podem ser modeladas por uma distribuição de probabilidade no espaço multiespectral e, conseqüentemente, descritas pelos parâmetros dessa distribuição (GONZALEZ e WOODS, 2000). Muitas vezes, porém, as propriedades estatísticas de uma classe não podem ser estimadas, de modo que os problemas de teoria de decisão são melhor trabalhados pelos métodos que produzem diretamente as funções de decisão através dos dados de treinamento, sem levar em conta qualquer informação probabilística das classes de interesse. Os modelos de RNA permitem desenvolver adaptativamente os coeficientes das funções de decisão através de apresentações sucessivas de conjunto de padrões de treinamento (GONZALEZ e WOODS, 2000). As RNA são organizadas em camadas que compõem sua topologia ou arquitetura. Existem redes neurais de camada simples (perceptron) constituídas por um grupo de neurônios ou elementos de processamentos arranjados em apenas uma camada, e as redes multicamadas, formadas por várias camadas intermediárias ou pela combinação de várias redes de camadas simples (VENTURIERI e SANTOS, 1998). As camadas de elementos de processamento que compõem uma RNA têm suas próprias especificidades. A camada de entrada constitui uma estrutura de distribuição dos dados apresentados à rede; as camadas escondidas ou intermediárias realizam a maior parte do processamento, através das conexões ponderadas e podem ser consideradas como extratoras de características. Finalmente, na camada de saída, o resultado final é concluído e apresentado. A topologia de uma rede refere-se à maneira como os elementos de processamento são organizados, o que afeta o desempenho da rede, uma vez que sua estrutura está intimamente ligada às regras de treinamento ou aprendizagem usadas na fase de treinamento da rede. A entrada de uma RNA é um conjunto de observações e as saídas são os valores associados às classes desejadas. O processo de obtenção dos pesos e tendências é feito através da aprendizagem da rede, que é, essencialmente, um treinamento supervisionado. Durante o treinamento, elementos do conjunto de observações que correspondem aos nós da camada de entrada são apresentados à rede vinculados à classe correspondente. Para uma dada entrada, a rede deve ajustar o conjunto de pesos associados às conexões e também aos limiares dos nós, de modo a se obter a saída desejada. Uma vez que esse ajustamento tenha sido efetuado pela rede, um outro par de entrada e saída desejada é apresentado e a rede calcula o valor de saída correspondente (GONG, 1996). Normalmente, o algoritmo de treinamento ou aprendizagem utilizado para treinar uma rede Multicamadas é o Backpropagation, derivado da Regra Delta Generalizada (SCHALKOFF, 1992). Esse algoritmo permite um ajuste de pesos em cada uma das camadas e é projetado para minimizar o erro entre a saída calculada por uma arquitetura multicamadas e a saída desejada. Utiliza um método iterativo que propaga regressivamente o erro requerido para adaptar os pesos, a partir dos neurônios da camada de saída para os nós das camadas precedentes (LIPPMANN, 1987). De acordo com Gonzalez e Woods (1993) o número de elementos de processamento (nós) da camada de entrada corresponde ao número de variáveis e a camada de saída terá tantos elementos quantas forem às classes a serem mapeadas. A maior dificuldade está na definição do número de
3 camadas escondidas e do número de nós que as compõe, o que tem sido resolvido experimentalmente e/ou pela experiência prévia do analista no domínio de uma dada aplicação. Segundo Galo (2000), após o aprendizado da rede, ela classifica os padrões de interesse usando o conjunto dos pesos ajustados durante a fase de treinamento e calculando, para cada padrão de entrada, os valores de saída (ou ativação de saída) associados a cada classe. Essas ativações de saída indicam então, o grau de associação de um dado padrão de interesse em relação a cada uma das classes, fornecendo um indicador importante da ocorrência de ambigüidade ou incerteza. 3 DESENVOLVIMENTO METODOLÓGICO A área de estudos refere-se à área de influência do reservatório de Itupararanga, Estado de São Paulo, cuja delimitação foi feita com base na identificação das áreas que drenam em direção ao reservatório (bacia hidrográfica da represa de Itupararanga). Assim, não foi considerada toda bacia do rio Sorocaba, principal formador do reservatório de Itupararanga (QUEIROZ e IMAI, 2007). 3.1 Imagens e Aplicativos utilizados As imagens multiespectrais e multitemporais utilizadas neste trabalho foram tomadas pelos sensores TM e ETM+ do satélite Landsat, cuja resolução espacial é de 30 metros e as bandas espectrais utilizadas foram: 3 (0,63-0,69 µm), 4 (0,76-0,90 µm) e 5 (1,55-1,75 µm). A imagem tomada pelo sensor TM refere-se a maio de Já as imagens obtidas pelo sensor ETM+ são de setembro de 2000 e abril de Para a classificação das imagens foi utilizado o simulador de redes neurais SNNS (Stuttgart Neural Network Simulator). Trata-se de um ambiente de simulação e pesquisa, desenvolvido por um grupo de pesquisadores da Universidade Stuttgart, que engloba uma vasta quantidade de modelos de redes neurais e se caracteriza pela flexibilidade quanto aos dados de entrada. Além disso, foram utilizados os aplicativos Spring (Sistema de Processamento de Informações Georreferenciadas), desenvolvido e disponibilizado gratuitamente pelo INPE (Instituto nacional de Pesquisas Espaciais), e o Idrisi 3.2 desenvolvido originalmente na Clark University. Estes programas foram usados no processamento e tratamento dos dados de entrada e saída da classificação. 3.2 Classes de cobertura da terra e dados de entrada para classificação As classes de cobertura da terra definidas para a área de influência do reservatório de Itupararanga foram determinadas com base no conhecimento prévio da área de estudos em uma verificação de campo. Assim, foram definidas como tipos de cobertura da terra nessa área as categorias: mata, pastagem, cultura agrícola, solo exposto, área impermeável e corpo d água. Para que os dados de sensoriamento remoto passassem a constituir os planos de entrada para a rede, que efetivamente permitissem a discriminação das classes de interesse foram aplicados tratamentos específicos às imagem multiespectrais e multitemporais. Desta maneira, foram realizados os seguintes processamentos: o georreferenciamento das imagens multiespectrais utilizando 11 (onze) pontos de controle, com um erro médio de 0,3 pixel, e a geração de imagens derivadas: uma representando variações de textura e outra realçando áreas de vegetação. A imagem mostrando variabilidade ou textura foi obtida a partir da banda 4, utilizando um operador de contexto denominado índice de fragmentação, o qual calcula um índice numérico com base na variabilidade espacial observada em uma janela de 3x3, 5x5 e 7x7 pixels. O objetivo da geração da imagem de textura é quantificar a variabilidade espacial a fim de possibilitar uma melhor caracterização dos padrões que definem as classes de interesse, haja vista a necessidade de se considerar também as propriedades estruturais de uma vizinhança de pixels (SHIMABUKURO e SMITH, 1991). Outra imagem gerada foi a de Índice de Vegetação, a qual é uma combinação aritmética simples baseada no contraste entre as respostas espectrais da vegetação na região do vermelho e do infravermelho próximo. O índice de vegetação utilizado foi o NDVI (Normalized Diference Vegetation Index), expresso como a diferença entre a banda do infravermelho próximo (IVP) e vermelho (V), normalizada pela soma das bandas. O uso de uma imagem de índice de vegetação acarreta maior brilho nas áreas de vegetação e melhora a aparência da distribuição espacial de informações das imagens, tornando-as de fácil interpretação visual e computacional (SHIMABUKURO e SMITH, 1991). A partir da definição das imagens que possibilitassem a discriminação das classes pré-definidas, foi utilizada para o treinamento da rede a imagem ETM+/Landsat referente a abril de A aquisição das áreas de treinamento e validação foi feita através da extração de áreas ou segmentos da imagem, em cada um dos planos de entrada da rede (bandas espectrais ETM+/Landsat). Nesse processo, foram selecionadas uma área de treinamento e de validação que procuravam englobar todas as possíveis classes de saída definidas através da imagem a ser classificada. Em seguida foram selecionados dados amostrais para a definição de um plano de saída associado à ocorrência de cada classe de interesse. Para uma melhor identificação das classes de saída da rede neural foi utilizada como referência a imagem ETM+/Landsat de Após a aquisição das amostras de treinamento e validação, esses dados foram analisados estatisticamente com o propósito de verificar a ocorrência de uma possível confusão entre as classes dentro das áreas selecionadas.
4 Certificada independência espectral entre as classes, deuse inicio a aplicação da rede na classificação. treinamento, a rede passou a discriminar todas as sete classes de interesse, com um erro igual a 0, Aplicação da Rede Neural Artificial na classificação A definição de uma arquitetura de rede neural multicamadas, adequada para classificar o conjunto de dados de entrada, implicou na determinação prévia das classes de interesse e dos dados a serem classificados, os quais especificam, respectivamente, o número de elementos de processamento (nós) das camadas de saída e de entrada da rede. A configuração da RNA utilizada constou de cinco (5) elementos de processamento de entrada (3 bandas espectrais do sensor ETM+; a imagem de textura e NDVI desta data) e sete elementos de processamento na camada de saída (correspondentes às classes especificadas anteriormente, mais a parte externa à área de interesse Fundo). As imagens utilizadas para a extração dos cinco (5) elementos de processamento de entrada são apresentadas na Figura 1. 4 RESULTADOS Na Figura 2 apresenta-se a classificação resultante da aplicação da arquitetura [5-48-7], treinada com 2000 ciclos, para as imagens de abril de Como pode ser verificado nesta figura, a aplicação da arquitetura de RNA com uma camada escondida possibilitou discriminar as seis classes de interesse. (a) (b) (c) Figura 2 Classificação resultante da aplicação da arquitetura [5-48-7] aos dados ETM+/Landsat adquiridos em abril de (d) (e) Figura 1 Dados de entrada da RNA: bandas espectrais 3 (a), 4 (b), 5 (c) do sensor ETM+, Imagem de Textura (d) e Imagem de índice de Vegetação (NDVI) (e) referentes ao mês de abril de Para definir o número de camadas escondidas e o número de nós de cada camada, foram realizadas simulações com diferentes arquiteturas de rede e verificado o desempenho da rede treinada para uma amostra de validação. O número de camadas escondidas e o número de elementos nestas camadas foram definidos experimentalmente, tendo sido avaliadas arquiteturas com uma e duas camadas escondidas. Os pesos iniciais foram definidos no intervalo (-0,1 a 0,1), estabelecendo-se que a cada 100 iterações o treinamento seria interrompido para calcular o erro (EMQ) para o conjunto de validação. Esse erro foi monitorado tanto para padrões de treinamento quanto para validação, resultando na definição de uma arquitetura de rede com cinco elementos de processamento na entrada da rede, 48 nós na camada escondida e sete nós na camada de saída. Essa arquitetura, especificada como [5-48-7] foi treinada com 2000 iterações, já que com este ciclo de Analisando a Figura 3, observa-se na parte norte da represa a predominância de pastagem com alguns pontos isolados de mata, enquanto que ao sul ocorrem principalmente: a classe áreas construídas ou impermeáveis, solo exposto e culturas agrícolas. Em seguida a mesma rede aplicada à imagem de abril de 2002 foi aplicada à imagem ETM+/Landsat de maio de As imagens utilizadas para extração dos cinco (5) elementos de processamento de entrada definidos para a classificação dessa segunda data são mostrados na Figura 3.
5 para uma época consideravelmente diferente das anteriores. Deste modo, a rede treinada também foi aplicada para as imagens TM/Landsat adquiridas em maio de Vale ressaltar que a imagem utilizada neste processamento foi adquirida por outro sensor, o que pode resultar em maiores diferenças em relação ás imagens (a) (b) (c) anteriormente analisadas. Deve-se considerar também as grandes variações radiométricas de cenas adquiridas em épocas diferentes, em decorrência das variações temporais e sazonais. A Figura 5 apresenta as imagens utilizadas para extração dos cinco (5) elementos de processamento de (d) (e) entrada referente a maio de Figura 3 Dados de entrada da RNA: bandas espectrais 3 (a), 4 (b), 5 (c) do sensor ETM +, Imagem de Textura (d) e Imagem de índice de Vegetação (NDVI) (e) referentes a maio de Como se pode observar nas Figuras 1 e 3, as imagens de entrada para rede apresentam-se visualmente similares em decorrência da proximidade temporal e pelo fato de sem adquiridas na mesma época do ano. Na Figura 4 apresenta-se a classificação resultante da aplicação da arquitetura [5-48-7], treinada para as imagens de abril de 2002, nas imagens de maio de (a) (b) (c) (d) (e) Figura 5 Dados de entrada da RNA: bandas espectrais 3 (a), 4 (b), 5 (c) do sensor TM, Imagem de Textura (d) e Imagem de índice de Vegetação (NDVI) (e) referentes a maio de 1985 Observando as Figuras 1, 3 e 5, percebe-se uma diferença radiométrica entre as imagens mais recentes (Figura 1 e 3) e a imagem mais antiga (Figura 5). Este fato é resultante das diferentes condições ambientais nas datas de tomada das imagens ou simplesmente ocasionadas por fatores naturais ou antrópicos. Na Figura 6 apresenta-se a classificação resultante da aplicação da arquitetura [5-48-7], treinada para as imagens de abril de 2002 nas imagens de maio de Figura 4 Classificação resultante da aplicação da arquitetura [5-48-7] aos dados ETM+/Landsat adquiridos em maio de Comparando as Figuras 2 e 4, observam-se alterações sutis quanto ao tipo de cobertura da terra, também pelo fato das imagens terem sido adquiridas com intervalo menor que um ano e em períodos sazonais próximos (abril e maio). Entretanto, ainda podem-se observar algumas alterações ocasionadas pela alternância de classes em alguns locais. Pode-se perceber que todas as classes consideradas na classificação foram bem representadas. Com o intuito de se verificar a robustez da rede treinada para épocas distintas, utilizou-se a rede treinada
6 discriminar os tipos de cobertura da terra no entorno do reservatório de Itupararanga, por meio da realização um único treinamento da RNA e aplicação dessa RNA na classificação das imagens orbitais tomadas em épocas distintas. AGRADECIMENTOS Figura 6 Classificação resultante da aplicação da arquitetura [5-48-7] aos dados TM/Landsat adquiridos em maio de Como mostra a Figura 6, a classificação da imagem de maio de 1985 define adequadamente as classes solo exposto, mata, e água. As classes cultura e pastagem apresentaram-se confusas, pois na análise estatística das amostras, notou-se que as mesmas apresentam um padrão similar. Admitindo a diferença dos sensores e o alto intervalo temporal de aquisição entre a imagem classificada e a imagem utilizada para o treinamento da rede, este resultado era esperado. Observou-se também que a classe áreas impermeáveis não ficou definida. Analisando visualmente a imagem, percebe-se que a ocorrência de áreas com essa característica na imagem de 1985 era pouco significativa. 4 CONCLUSÕES A aplicação de uma RNA com único treinamento na classificação e mapeamento da cobertura do solo no entorno do reservatório de Itupararanga mostrou-se viável para a separação das classes de interesse nas três épocas consideradas, mesmo necessitando de um tempo de processamento considerável na etapa de treinamento. Quando a rede treinada para a imagem de referência (imagem ETM+/Landsat de abril de 2002) foi aplicada nas imagens de 1985 e 2001, esta se mostrou capaz de representar as classes mais significativas nessas imagens. Vale ressaltar que a imagem de 1985 foi obtida pelo sensor TM/Landsat e que este fato pode diferenciar as características espectrais comparadas com as outras duas imagens. Além disso, deve-se considerar també m q as variações radiométricas que ocorrem nas cenas adquiridas em épocas diferentes. A incorporação de dados de natureza não espectral (imagem de textura e imagem índice de vegetação (NDVI)) foi importante para a seleção das áreas de treinamento e também para a discriminação das classes. A realização do experimento confirmou a expectativa inicial quanto ao potencial da RNA em Os autores do trabalho agradecem ao Conselho Nacional de Desenvolvimento Cientifico e Tecnológico - CNPq, pelo auxilio financeiro destinado a essa pesquisa sob a forma de bolsas de estudos. Ao Prof. Doutor Maurício Galo, docente do Departamento de Cartografia da FCT/UNESP, que desenvolveu e implementou os programas para converter os dados a serem classificados em um arquivo padrão que pudesse ser compreendido pelo simulador, assim como, para a conversão dos valores de saída da rede neural artificial para o formato de uma imagem classificada. REFERÊNCIAS CONGALTON, R.G.; GREEN, K. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. 137p. Cap. 3, pg Boca Ratton: Lewis Publishers, GALO, M. L. B. T.. Aplicação de redes neurais artificiais e sensoriamento remoto na caracterização ambiental do Parque Estadual Morro do Diabo f. Tese (Doutorado em Engenharia Ambiental) - Escola de Engenharia de São Carlos. Universidade de São Paulo. GONG, P.. Integrated Analysis of Spatial data from multiple sources: using evidential reasoning and artificial neural network techniques for geological mapping. Photogrammetric Enginnering & Remote Sensing, v.62, n 5p, , GONZALES, R. C.; WOODS, R. E.. Recognition and Interpretation. In: Digital Image Processing. Reading, Addison-Wesley, GONZALEZ, R. C.; WOODS, R. E.. Processamento Digital de Imagens. Edgard Blücher, p LIPPMANN, R. P.. An introduction to computing with neural nets. IEEE ASSP Magazine, v.4, 4-22p, QUEIROZ, R. P.; IMAI, N. N. Mapeamento das atividades antrópicas na área de entorno do reservatório de Itupararanga SP. In: Simpósio Brasileiro de Sensoriamento Remoto, 13., 2007, Florianópolis.Anais... Florianópolis: INPE, p
7 RICHARDS, J. A. Remote Sensing Digital Image Analysis: An Introduction. New York, Springer Verlag, SCHALKOFF, F. Pattern Recognition: Statistical, Structural and Neural Approaches. Singapore: John Willey & Sons, SHIMABUKURO, Y.E.; SMITH, J.A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, v.29, n.1, p.16-20, VENTURIERI, A.; SANTOS, J. R. Técnicas de Classificação de Imagens para Análise de Cobertura Vegetal. In: ASSAD, E. D.; SANO, E. E., eds. Sistema de Informação Geográfica: Aplicações na Agricultura. Brasília: DF. Embrapa SPI/Embrapa-CPAC, p
Campus 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 maisPROGRAMA 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 maisPROGRAMA DE ENSINO. 3 quadrimestre Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Código Semestre Ano Letivo 3 quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO
Leia maisRepresentação da incerteza e entropia em classes de cobertura do solo urbano resultantes da aplicação de uma rede neural artificial
Representação da incerteza e entropia em classes de cobertura do solo urbano resultantes da aplicação de uma rede neural artificial Letícia Andrade Sabo 1 Maria de Lourdes Bueno Trindade Galo 2 1,2 Universidade
Leia maisANÁLISE DA INCERTEZA NA REPRESENTAÇÃO DE CLASSES DE COBERTURA DO SOLO URBANO RESULTANTES DA APLICAÇÃO DE UMA REDE NEURAL ARTIFICIAL
22 ANÁLISE DA INCERTEZA NA REPRESENTAÇÃO DE CLASSES DE COBERTURA DO SOLO URBANO RESULTANTES DA APLICAÇÃO DE UMA REDE NEURAL ARTIFICIAL Uncertainty analysis in the representation of the urban land cover
Leia maisUtilização de Redes Neurais Artificiais na classificação da cobertura da terra na área de influência do reservatório de Porto Colômbia em 1987 e 2009
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.6618 Utilização de Redes Neurais Artificiais na classificação da cobertura da
Leia maisAVALIAÇÃO DA TURBIDEZ DA ÁGUA NO RESERVATÓRIO DE ITUPARARANGA USANDO REDES NEURAIS ARTIFICIAIS NA CLASSIFICAÇÃO DE IMAGENS CCD/CBERS
ISSN 1981-6251, p. 598-603 AVALIAÇÃO DA TURBIDEZ DA ÁGUA NO RESERVATÓRIO DE ITUPARARANGA USANDO REDES NEURAIS ARTIFICIAIS NA CLASSIFICAÇÃO DE IMAGENS CCD/CBERS LAURIANA RÚBIO SARTORI ÉRIKA AKEMI SAITO
Leia maisGENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES
GENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES Igor Amazonas de Andrade 1 Mosar Faria Botelho 2 Selma Regina Aranha
Leia maisMAPEAMENTO DE PLANTAS DANINHAS EM CULTURA DE CAFÉ A PARTIR DE IMAGENS MULTIESPECTRAIS DE ESCALAS GRANDES USANDO REDES NEURAIS ARTIFICIAIS
MAPEAMENTO DE PLANTAS DANINHAS EM CULTURA DE CAFÉ A PARTIR DE IMAGENS MULTIESPECTRAIS DE ESCALAS GRANDES USANDO REDES NEURAIS ARTIFICIAIS Mapping of weed in coffee crop from multispectral images of great
Leia maisCOMPARAÇÃO DA TÉCNICA DAS REDES NEURAIS COM O ALGORITMO ESTATÍSTICO DA MÁXIMA VEROSSIMILHANÇA NA CLASSIFICAÇÃO DO USO DO
COMPARAÇÃO DA TÉCNICA DAS REDES NEURAIS COM O ALGORITMO ESTATÍSTICO DA MÁXIMA VEROSSIMILHANÇA NA CLASSIFICAÇÃO DO USO DO SOLO UTILIZANDO IMAGENS ORBITAIS Selma Regina Aranha Ribeiro Selma@geoc.ufpr.br
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 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 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 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 maisGeoprocessamento e sensoriamento remoto como ferramentas para o estudo da cobertura vegetal. Iêdo Bezerra Sá
Geoprocessamento e sensoriamento remoto como ferramentas para o estudo da cobertura vegetal. Iêdo Bezerra Sá Engº Florestal, D.Sc. Sensoriamento Remoto/Geoprocessamento, Pesquisador Embrapa Semi-Árido
Leia maisAVALIAÇÃO DO USO DO MODELO LINEAR DE MISTURA ESPECTRAL NA DISCRIMINAÇÃO DE FITOFISIONOMIAS DO CERRADO
AVALIAÇÃO DO USO DO MODELO LINEAR DE MISTURA ESPECTRAL NA DISCRIMINAÇÃO DE FITOFISIONOMIAS DO CERRADO Márcio Pupin de Mello 1, Gustavo Bayma Siqueira da Silva 1, Gabriel Pereira 1, Bruno Rodrigues do Prado
Leia maisINFLUÊNCIA DOS DADOS DE ENTRADA NA CLASSIFICAÇÃO A PARTIR DE REDE NEURAL ARTIFICIAL
p. 001-007 INFLUÊNCIA DOS DADOS DE ENTRADA NA CLASSIFICAÇÃO A PARTIR DE REDE NEURAL ARTIFICIAL MONIQUE SACARDO FERREIRA MARIA DE LOURDES BUENO TRINDADE GALO Universidade Estadual Paulista - UNESP Faculdade
Leia maisClassificação 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 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 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 maisPROCESSAMENTO E CLASSIFICAÇÃO DE IMAGENS DE SATÉLITE PARA CARACTERIZAÇÃO DE USOS DO SOLO
PROCESSAMENTO E CLASSIFICAÇÃO DE IMAGENS DE SATÉLITE PARA CARACTERIZAÇÃO DE USOS DO SOLO Jairo Lima do Nascimento 1, George Leite Mamede 2, João Paulo do Vale Madeiro 3 Resumo: A aplicação de técnicas
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia mais¹ Estudante de Geografia na Universidade Estadual de Campinas (Unicamp), estagiária na Embrapa Informática Agropecuária (Campinas, SP).
89 Interpretação e classificação de imagens de satélite na extração de informações sobre o uso da terra e cobertura vegetal na bacia hidrográfica do rio Teles Pires/MT-PA Jéssica da Silva Rodrigues Cecim
Leia maisREDES NEURAIS ARTIFICIAIS (RNA) PARA IDENTIFICAÇÃO DE ÁREAS CAFEEIRAS EM IMAGENS DE SATÉLITE: TREINAMENTO E DEFINIÇÃO DE ARQUITETURAS
REDES NEURAIS ARTIFICIAIS (RNA) PARA IDENTIFICAÇÃO DE ÁREAS CAFEEIRAS EM IMAGENS DE SATÉLITE: TREINAMENTO E DEFINIÇÃO DE ARQUITETURAS Liliany Aparecida dos Anjos Pereira (1), Tatiana Grossi Chquiloff Vieira
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 maisO USO DE REDES NEURAIS ARTIFICIAIS NA ANÁLISE DA AMBIGÜIDADE ENTRE CLASSES DE ÁGUA E PLANTAS AQUÁTICAS
O USO DE REDES NEURAIS ARTIFICIAIS NA ANÁLISE DA AMBIGÜIDADE ENTRE CLASSES DE ÁGUA E PLANTAS AQUÁTICAS The use of artificial neural network in the ambiguity analysis between classes defined by water spectral
Leia maisClassificação da vegetação de áreas úmidas baseada em redes neurais artificiais: estudo de caso da planície fluvial do alto rio Paraná
Classificação da vegetação de áreas úmidas baseada em redes neurais artificiais: estudo de caso da planície fluvial do alto rio Paraná Fernanda Sayuri Yoshino Watanabe 1 Nilton Nobuhiro Imai 2 Tiago Matsuo
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 maisSegmentação de imagens-fração derivadas do sensor TM-Landsat para o mapeamento do uso do solo no municipio de Sapezal (MT)
Segmentação de imagens-fração derivadas do sensor TM-Landsat para o mapeamento do uso do solo no municipio de Sapezal (MT) JOSÉ L. RODRÍGUEZ YI, LUIGI C. MARRONI AULICINO, YOSIO E. SHIMABUKURO, BERNARDO
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 maisClassificação de áreas cafeeiras por meio de redes neurais artificiais e os aspectos relacionados à reflectância: um estudo exploratório
Classificação de áreas cafeeiras por meio de redes neurais artificiais e os aspectos relacionados à reflectância: um estudo exploratório Julio Flores Navares 1 Tatiana Grossi Chquiloff Vieira 1,2,3 Wilian
Leia maisUSO E COBERTURA DA TERRA COMO SUBSÍDIO À AVALIAÇÃO DE SERVIÇOS AMBIENTAIS POR OPÇÕES DE MANEJO EM SISTEMAS PRODUTIVOS NA AMAZÔNIA
USO E COBERTURA DA TERRA COMO SUBSÍDIO À AVALIAÇÃO DE SERVIÇOS AMBIENTAIS POR OPÇÕES DE MANEJO EM SISTEMAS PRODUTIVOS NA AMAZÔNIA ADRIANA F. CONCEIÇÃO 1 ; CARLOS F. QUARTAROLI 2 ; MATEUS BATISTELLA 3 N
Leia maisUNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA
UNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA PIBIC : CNPq, CNPq/AF, UFPA, UFPA/AF, PIBIC/INTERIOR,
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 maisMapeamento de áreas cafeeiras utilizando redes neurais artificiais: Estudo de caso na região de Três Pontas, Minas Gerais
Mapeamento de áreas cafeeiras utilizando redes neurais artificiais: Estudo de caso na região de Três Pontas, Minas Gerais Tatiana Grossi Chquiloff Vieira 1,2 Wilian Soares Lacerda 3 Tiago Gonçalves Botelho
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 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 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 maisCLASSIFICAÇÃO DA COBERTURA DA TERRA A PARTIR DE SEGMENTAÇÃO DE IMAGENS DERIVADAS DE BANDAS ESPECTRAIS ORIGINAIS DO WORLDVIEW-2
CLASSIFICAÇÃO DA COBERTURA DA TERRA A PARTIR DE SEGMENTAÇÃO DE IMAGENS DERIVADAS DE BANDAS ESPECTRAIS ORIGINAIS DO WORLDVIEW-2 JULIANE JUSSARA AFFONSO¹ MAURICIO SCHIAVOLIN SILVA² MARIA DE LOURDES TRINDADE
Leia maisRESUMOS DE PESQUISA RESUMOS (Artigos Completos)... 72
69 RESUMOS DE PESQUISA... 70 RESUMOS (Artigos Completos)... 72 RESUMOS DE PESQUISA 70 CORRELAÇÃO ENTRE BANDAS MULTIESPECTRAIS DO SATÉLITE RAPIDEYE COM A CONCENTRAÇÃO DO NITROGÊNIO FOLIAR EM LARANJEIRAS...
Leia maisCLASSIFICAÇÃO DA COBERTURA DA TERRA A PARTIR DE SEGMENTAÇÃO DE IMAGENS DERIVADAS DE BANDAS ESPECTRAIS ORIGINAIS DO WORLDVIEW-2
p.101-106 CLASSIFICAÇÃO DA COBERTURA DA TERRA A PARTIR DE SEGMENTAÇÃO DE IMAGENS DERIVADAS DE BANDAS ESPECTRAIS ORIGINAIS DO WORLDVIEW-2 JULIANE JUSSARA AFFONSO¹ MAURICIO SCHIAVOLIN SILVA² MARIA DE LOURDES
Leia maisEstudo e Análise do Uso de Imagens do Satélite CBERS-2 - Sensor WFI para Atualização da Rede Hidrográfica - Escala 1:
Estudo e Análise do Uso de Imagens do Satélite CBERS-2 - Sensor WFI para Atualização da Rede Hidrográfica - Escala 1:1.000.000 Cláudio Bielenki Júnior Sergio Donizete Faria Agência Nacional de Águas ANA
Leia maisRodrigo Antonio LA SCALEA, Flavio Marcelo CONEGLIAN e Selma Regina Aranha RIBEIRO. Universidade Estadual de Ponta Grossa
Processamento de Imagem Digital: Etapas e Métodos de Correção, Realce e Diminuição de Redundância em Imagens Digitais Orbitais para Fins de Classificação Rodrigo Antonio LA SCALEA, Flavio Marcelo CONEGLIAN
Leia maisInvestigação sobre o uso de dados auxiliares no processo de classificação de imagens digitais empregando princípios da teoria da evidência
Investigação sobre o uso de dados auxiliares no processo de classificação de imagens digitais empregando princípios da teoria da evidência Abstract Rodrigo Lersch 1 Vitor Haertel 1 Yosio Shimabukuro 2
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisSimulação de uma banda pancromática para o sensor TM (Landsat 5), utilizando filtro combinado de restauração e interpolação.
Simulação de uma banda pancromática para o sensor TM (Landsat 5), utilizando filtro combinado de restauração e interpolação. Giovanni de Araujo Boggione 1 Érika Gonçalves Pires 1 Patrícia Azevedo dos Santos
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 maisAplicação da Metodologia do PRODES Digital em Imagens CCD/CBERS-2
Aplicação da Metodologia do PRODES Digital em Imagens CCD/CBERS-2 Giovana Mira de Espindola 1 Natalia de Almeida Crusco 1 José Carlos Neves Epiphanio 1 1 Instituto Nacional de Pesquisas Espaciais - INPE
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 maisSIMULAÇÃO DE BANDAS DO SENSOR MSI/SENTINEL-2 EM LAGOS DA AMAZÔNIA E RIO GRANDE DO SUL
SIMULAÇÃO DE BANDAS DO SENSOR MSI/SENTINEL-2 EM LAGOS DA AMAZÔNIA E RIO GRANDE DO SUL 1. INTRODUÇÃO As geotecnologias estão cada vez mais inseridas nos estudos de cunho ambiental, servindo de suporte para
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 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 maisAnais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
Utilização de dados provenientes do Modelo Linear de Mistura Espectral e Índice de Vegetação por Diferença Normalizada em imagens TM/Landsat 5 e ETM+/Landsat 7 para a verificação de alterações da cobertura
Leia maisMODELO DE MISTURA ESPECTRAL PARA IDENTIFICAR E MAPEAR ÁREAS DE SOJA E MILHO EM QUATRO MUNICÍPIOS DO ESTADO DE MINAS GERAIS
MODELO DE MISTURA ESPECTRAL PARA IDENTIFICAR E MAPEAR ÁREAS DE SOJA E MILHO EM QUATRO MUNICÍPIOS DO ESTADO DE MINAS GERAIS Mauricio Alves Moreira, Luigi Carli Marroni Aulicino, Yosio E. Shimabukuro, Valdete
Leia maisFernando Del Bon Espírito-Santo 1 Yosio Edemir Shimabukuro 1 João Roberto dos Santos 1 Tatiana Mora kuplich 1
Classificação semi-automática de imagens multitemporais Landsat para a determinação dos estágios sucessionais de uma área de desflorestamento na Amazônia Fernando Del Bon Espírito-Santo 1 Yosio Edemir
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 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 maisREDES NEURAIS ARTIFICIAIS NA CLASSIFICAÇÃO DE ÁREAS CAFEEIRAS DA REGIÃO DE GUAXUPÉ
REDES NEURAIS ARTIFICIAIS NA CLASSIFICAÇÃO DE ÁREAS CAFEEIRAS DA REGIÃO DE GUAXUPÉ Lívia Naiara de Andrade 2 ; Tatiana Grossi Chquiloff Vieira 3 ; Wilian Soares Lacerda 4 ; Helena Maria Ramos Alves 5 Margarete
Leia maisMAPEAMENTO DO USO DO SOLO URBANO ATRAVÉS DA CLASSIFICAÇÃO POR REGIÕES BASEADA EM MEDIDAS TEXTURAIS
MAPEAMENTO DO USO DO SOLO URBANO ATRAVÉS DA CLASSIFICAÇÃO POR REGIÕES BASEADA EM MEDIDAS TEXTURAIS Iris de Marcelhas e Souza 1 Madalena N. Pereira 1 Leila M. F. Garcia 1 Maria de Lourdes Neves de Oliveira
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 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 PROCESSAMENTO
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 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 maisCLASSIFICAÇÃO PIXEL A PIXEL DE CULTIVOS CAFEEIROS EM IMAGEM DE SATÉLITE DE ALTA RESOLUÇÃO
CLASSIFICAÇÃO PIXEL A PIXEL DE CULTIVOS CAFEEIROS EM IMAGEM DE SATÉLITE DE ALTA RESOLUÇÃO RENNAN DE FREITAS BEZERRA MARUJO 1, TATIANA GROSSI CHQUILOFF VIEIRA 2, MARGARETE MARIN LORDELO VOLPATO 3, HELENA
Leia maisMAPEAMENTO DAS INFESTAÇÕES POR PLANTAS AQUÁTICAS EM RESERVATÓRIOS UTILIZANDO IMAGENS MULTIESCALA E REDES NEURAIS ARTIFICIAIS
MAPEAMENTO DAS INFESTAÇÕES POR PLANTAS AQUÁTICAS EM RESERVATÓRIOS UTILIZANDO IMAGENS MULTIESCALA E REDES NEURAIS ARTIFICIAIS Mapping of the aquatic plants infestation in reservoirs using multiscale image
Leia maisCOMPARAÇÃO ENTRE CLASSIFICAÇÕES COM REDE NEURAL ARTIFICIAL EM DIFERENTES ÁREAS DE ESTUDO NO PARANÁ
COMPARAÇÃO ENTRE CLASSIFICAÇÕES COM REDE NEURAL ARTIFICIAL EM DIFERENTES ÁREAS DE ESTUDO NO PARANÁ FLAVIO MARCELO CONEGLIAN INGRID APARECIDA GOMES SELMA REGINA ARANHA RIBEIRO Universidade Estadual de Ponta
Leia maisClassificação da cobertura vegetal da região norte da FLONA do Tapajós utilizando a segmentação de imagens-fração
Classificação da cobertura vegetal da região norte da FLONA do Tapajós utilizando a segmentação de imagens-fração Jane Delane Verona Yosio Edemir Shimabukuro Instituto Nacional de Pesquisas Espaciais INPE,
Leia maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Leia maisUSO E OCUPAÇÃO DO SOLO NO RIO PARAGUAI SUPERIOR USO E OCUPAÇÃO DO SOLO NO RIO PARAGUAI SUPERIOR. GROSSA
USO E OCUPAÇÃO DO SOLO NO RIO PARAGUAI SUPERIOR Grizio-orita, E.V. 1 ; Souza Filho, E.E. 2 ; 1 UNIVERSIDADE ESTADUAL DE PONTA GROSSA Email:edineia_grizio@hotmail.com; 2 UNIVERSIDADE ESTADUAL DE MARINGÁ
Leia maisUM SISTEMA NEURAL MODULAR PARA CLASSIFICAÇÃO DE IMAGENS UTILIZANDO MAPAS DE KOHONEN
UM SISTEMA NEURAL MODULAR PARA CLASSIFICAÇÃO DE IMAGENS UTILIZANDO MAPAS DE KOHONEN Márcio L. Gonçalves 1 Márcio L. de Andrade Netto 2 Jurandir Zullo Júnior 3 1 DCA/FEE/UNICAMP - Cidade Universitária Zeferino
Leia maisGEOTECNOLOGIAS APLICADAS NA ANÁLISE TEMPORAL DO USO AGRÍCOLA DAS TERRAS DO NÚCLEO RURAL DO RIO PRETO (DF)
GEOTECNOLOGIAS APLICADAS NA ANÁLISE TEMPORAL DO USO AGRÍCOLA DAS TERRAS DO NÚCLEO RURAL DO RIO PRETO (DF) Ana Paula Masson Boschini 1, Marilusa Pinto Coelho Lacerda 1, Bruno Maia Soriano Lousada 1, Helena
Leia maisIntrodução a Análise de Imagens Digitais
Introdução a Análise de Imagens Digitais Uma imagem digital é uma representação de uma cena por meio de um conjunto de elementos discretos e de tamanhos finitos, chamados de pixels, colocados em um arranjo
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 maisVALIDAÇÃO DAS CLASSIFICAÇÕES DAS IMAGENS DOS SATÉLITES LANDSAT 8 E SENTINEL-2 NA BACIA HIDROGRÁFICA DO CÓRREGO RIBEIRÃOZINHO/MS
VALIDAÇÃO DAS CLASSIFICAÇÕES DAS IMAGENS DOS SATÉLITES LANDSAT 8 E SENTINEL-2 NA BACIA HIDROGRÁFICA DO CÓRREGO RIBEIRÃOZINHO/MS VALIDATION OF CLASSIFICATIONS OF THE IMAGES OF THE LANDSAT 8 AND SENTINEL-2
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
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 maisSensoriamento Remoto I Engenharia Cartográfica. Prof. Enner Alcântara Departamento de Cartografia Universidade Estadual Paulista
Sensoriamento Remoto I Engenharia Cartográfica Prof. Enner Alcântara Departamento de Cartografia Universidade Estadual Paulista 2016 Coleta de dados de sensoriamento remoto A quantidade de radiação eletromagnética,
Leia maisVinícius Emmel Martins 2, Dieison Morozoli Da Silva 3, Sidnei Luís Bohn Gass 4
CORREÇÃO ATMOSFÉRICA DE IMAGENS DE SATÉLITE PARA FINS DE MAPEAMENTO TEMPORAL DE USO E COBERTURA DO SOLO 1 ATMOSFERIC CORRECTION OF SATELLITE IMAGES FOR MAPPING TEMPORAL LAND USE AND LAND COVER Vinícius
Leia maisSensoriamento Remoto no Estudo das Áreas Urbanas
Sensoriamento Remoto no Estudo das Áreas Urbanas Autores do seminário: Aline Oliveira Marina Rodrigues Yamamura Pedro Paulo Paratelli Walkiria Proença Cheda Eid Sensoriamento Remoto Orbital Aplicado a
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisGeoprocessamento na delimitação de áreas de conflito em áreas de preservação permanente da sub-bacia do Córrego Pinheirinho
Geoprocessamento na delimitação de áreas de conflito em áreas de preservação permanente da sub-bacia do Córrego Pinheirinho Juliano Boeck Santos Osmar Delmanto Junior Célia Regina Lopes Zimback Ana Paula
Leia maisINTRODUÇÃO À ENGENHARIA DE AGRIMENSURA E CARTOGRÁFICA
INTRODUÇÃO À ENGENHARIA DE AGRIMENSURA E CARTOGRÁFICA Professora: Dra. Camila Souza dos Anjos Lacerda Instituto Federal Sul de Minas Campus Inconfidentes Histórico Ensino Fundamental e Médio Escola Estadual
Leia maisIdentificação e delimitação de áreas queimadas no Pantanal. Demerval Aparecido Gonçalves 1 Wilson Cabral de Sousa Júnior 1 Fabiano Morelli 2
Identificação e delimitação de áreas queimadas no Pantanal Demerval Aparecido Gonçalves 1 Wilson Cabral de Sousa Júnior 1 Fabiano Morelli 2 1 Instituto Tecnológico de Aeronáutica - ITA Praça Marecl Eduardo
Leia maisAnálise Temporal De Uso/Cobertura Do Solo Na Bacia Da Represa Do Rio Salinas, Minas Gerais
Análise Temporal De Uso/Cobertura Do Solo Na Bacia Da Represa Do Rio Salinas, Minas Gerais Bárbara Mendes Oliveira (1) ; Rhagnya Sharon Ferreira Martins (1) ; Ronaldo Medeiros dos Santos (2) (1) Estudante,
Leia maisQUANTIFICAÇÃO E CARACTERIZAÇÃO DAS ÁREAS DE DESMATAMENTO NO ESTADO DO TOCANTINSS DURANTE O PERÍODO DE 1995 A 2000
QUANTIFICAÇÃO E CARACTERIZAÇÃO DAS ÁREAS DE DESMATAMENTO NO ESTADO DO TOCANTINSS DURANTE O PERÍODO DE 1995 A 2000 Nome dos autores: Mário do Nascimento Teles Ritter¹; Marcos Giongo² 1 Aluno do Curso de
Leia maisCOMPARAÇÃO DE DIFERENTES CLASSIFICADORES E ESTRATÉGIAS DE PÓS-CLASSIFICAÇÕES NA ANALISE DO USO E COBERTURA DO SOLO NO MUNICÍPIO DE VIÇOSA - MG
COMPARAÇÃO DE DIFERENTES CLASSIFICADORES E ESTRATÉGIAS DE PÓS-CLASSIFICAÇÕES NA ANALISE DO USO E COBERTURA DO SOLO NO MUNICÍPIO DE VIÇOSA - MG MARIANA MÉDICE FIRME SÁ 1 EVERTON LUÍS POELKING 1 SANDRO H.
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 maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisAvaliação da influência do número de amostras de treinamento no índice Kappa
Avaliação da influência do número de amostras de treinamento no índice Kappa Maola Monique Faria 1 Ligia Tavares de Souza 1 Elpidio Inácio Fernandes Filho 1 Márcio Rocha Francelino 1 1 Universidade Federal
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
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 maisAvaliação do desempenho de dois Índices de Vegetação (NDVI e SAVI) por meio de Índice de Qualidade de Imagens
Avaliação do desempenho de dois Índices de Vegetação ( e ) por meio de Índice de Qualidade de Imagens Thalita Scharr Rodrigues 1 Selma Regina Aranha Ribeiro 1 Maria Salete Marcon Gomes Vaz 1 Universidade
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisREDES NEURAIS ARTIFICIAIS (RNA) APLICADAS À CLASSIFICAÇÃO DE ÁREAS CAFEEIRAS NA REGIÃO DE TRÊS PONTAS-MG
REDES NEURAIS ARTIFICIAIS (RNA) APLICADAS À CLASSIFICAÇÃO DE ÁREAS CAFEEIRAS NA REGIÃO DE TRÊS PONTAS-MG Lívia Naiara de Andrade 1, Tatiana Grossi Chquiloff Vieira 2, Wilian Soares Lacerda 3, Margarete
Leia mais