Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto
Autor(a) principal: | |
---|---|
Data de Publicação: | 2016 |
Outros Autores: | , , , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Revista Ambiente & Água |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1980-993X2016000300612 |
Resumo: | Resumo O presente estudo objetivou a classificação de tipologias florestais por meio de redes neurais artificiais utilizando dados provenientes de um inventário florestal, fornecido pelo Instituto de Desenvolvimento Florestal e da Biodiversidade do Estado do Pará (IDEFLOR-BIO), e das bandas 3, 4 e 5 do TM do satélite Landsat 5. As informações provenientes das imagens de satélite foram extraídas por meio do aplicativo QGIS 2.8.1 Wien e utilizadas no banco de dados para o treinamento das redes neurais pertencentes às ferramentas do software MATLAB(r) R2011b. Foram treinadas redes neurais como classificadores de dois tipos florestais: Floresta Ombrófila Densa de Terras baixas Dossel emergente (Dbe) e Floresta Ombrófila Densa Terras baixas Dossel emergente mais Aberta com palmeiras (Dbe + Abp) no conjunto de glebas estaduais Mamuru-Arapiuns, Pará, e avaliadas usando os indicadores matriz de confusão, cálculo de acurácia global, coeficiente Kappa e o gráfico de características do receptor operacional (ROC). O melhor resultado de classificação foi obtido por meio da rede neural probabilística de função de base radial (RBF) "newpnn", com uma acurácia global de 88%, e coeficiente Kappa de 76%, sendo avaliado como um classificador muito bom, evidenciando a aplicação dessa metodologia na análise de áreas com potencial para prestar serviços ecossistêmicos e, principalmente, na prestação de serviços ambientais em áreas antrópicas que adotam sistema de produção agropecuária com baixa emissão de carbono na Amazônia. |
id |
IPABHI-1_5634c9c5f2d2919a6b20dbdb713ee658 |
---|---|
oai_identifier_str |
oai:scielo:S1980-993X2016000300612 |
network_acronym_str |
IPABHI-1 |
network_name_str |
Revista Ambiente & Água |
repository_id_str |
|
spelling |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remotoclassificador neural probabilísticointeligência artificialinventário florestalResumo O presente estudo objetivou a classificação de tipologias florestais por meio de redes neurais artificiais utilizando dados provenientes de um inventário florestal, fornecido pelo Instituto de Desenvolvimento Florestal e da Biodiversidade do Estado do Pará (IDEFLOR-BIO), e das bandas 3, 4 e 5 do TM do satélite Landsat 5. As informações provenientes das imagens de satélite foram extraídas por meio do aplicativo QGIS 2.8.1 Wien e utilizadas no banco de dados para o treinamento das redes neurais pertencentes às ferramentas do software MATLAB(r) R2011b. Foram treinadas redes neurais como classificadores de dois tipos florestais: Floresta Ombrófila Densa de Terras baixas Dossel emergente (Dbe) e Floresta Ombrófila Densa Terras baixas Dossel emergente mais Aberta com palmeiras (Dbe + Abp) no conjunto de glebas estaduais Mamuru-Arapiuns, Pará, e avaliadas usando os indicadores matriz de confusão, cálculo de acurácia global, coeficiente Kappa e o gráfico de características do receptor operacional (ROC). O melhor resultado de classificação foi obtido por meio da rede neural probabilística de função de base radial (RBF) "newpnn", com uma acurácia global de 88%, e coeficiente Kappa de 76%, sendo avaliado como um classificador muito bom, evidenciando a aplicação dessa metodologia na análise de áreas com potencial para prestar serviços ecossistêmicos e, principalmente, na prestação de serviços ambientais em áreas antrópicas que adotam sistema de produção agropecuária com baixa emissão de carbono na Amazônia.Instituto de Pesquisas Ambientais em Bacias Hidrográficas2016-09-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S1980-993X2016000300612Revista Ambiente & Água v.11 n.3 2016reponame:Revista Ambiente & Águainstname:Instituto de Pesquisas Ambientais em Bacias Hidrográficas (IPABHI)instacron:IPABHI10.4136/ambi-agua.1871info:eu-repo/semantics/openAccessGonçalves,Wanderson Gonçalves eRibeiro,Hebe Morganne CamposSá,José Alberto Silva deMorales,Gundisalvo PiratobaFerreira Filho,Hélio RaymundoAlmeida,Arthur da Costapor2016-06-20T00:00:00Zoai:scielo:S1980-993X2016000300612Revistahttp://www.ambi-agua.net/PUBhttps://old.scielo.br/oai/scielo-oai.php||ambi.agua@gmail.com1980-993X1980-993Xopendoar:2016-06-20T00:00Revista Ambiente & Água - Instituto de Pesquisas Ambientais em Bacias Hidrográficas (IPABHI)false |
dc.title.none.fl_str_mv |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto |
title |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto |
spellingShingle |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto Gonçalves,Wanderson Gonçalves e classificador neural probabilístico inteligência artificial inventário florestal |
title_short |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto |
title_full |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto |
title_fullStr |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto |
title_full_unstemmed |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto |
title_sort |
Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto |
author |
Gonçalves,Wanderson Gonçalves e |
author_facet |
Gonçalves,Wanderson Gonçalves e Ribeiro,Hebe Morganne Campos Sá,José Alberto Silva de Morales,Gundisalvo Piratoba Ferreira Filho,Hélio Raymundo Almeida,Arthur da Costa |
author_role |
author |
author2 |
Ribeiro,Hebe Morganne Campos Sá,José Alberto Silva de Morales,Gundisalvo Piratoba Ferreira Filho,Hélio Raymundo Almeida,Arthur da Costa |
author2_role |
author author author author author |
dc.contributor.author.fl_str_mv |
Gonçalves,Wanderson Gonçalves e Ribeiro,Hebe Morganne Campos Sá,José Alberto Silva de Morales,Gundisalvo Piratoba Ferreira Filho,Hélio Raymundo Almeida,Arthur da Costa |
dc.subject.por.fl_str_mv |
classificador neural probabilístico inteligência artificial inventário florestal |
topic |
classificador neural probabilístico inteligência artificial inventário florestal |
description |
Resumo O presente estudo objetivou a classificação de tipologias florestais por meio de redes neurais artificiais utilizando dados provenientes de um inventário florestal, fornecido pelo Instituto de Desenvolvimento Florestal e da Biodiversidade do Estado do Pará (IDEFLOR-BIO), e das bandas 3, 4 e 5 do TM do satélite Landsat 5. As informações provenientes das imagens de satélite foram extraídas por meio do aplicativo QGIS 2.8.1 Wien e utilizadas no banco de dados para o treinamento das redes neurais pertencentes às ferramentas do software MATLAB(r) R2011b. Foram treinadas redes neurais como classificadores de dois tipos florestais: Floresta Ombrófila Densa de Terras baixas Dossel emergente (Dbe) e Floresta Ombrófila Densa Terras baixas Dossel emergente mais Aberta com palmeiras (Dbe + Abp) no conjunto de glebas estaduais Mamuru-Arapiuns, Pará, e avaliadas usando os indicadores matriz de confusão, cálculo de acurácia global, coeficiente Kappa e o gráfico de características do receptor operacional (ROC). O melhor resultado de classificação foi obtido por meio da rede neural probabilística de função de base radial (RBF) "newpnn", com uma acurácia global de 88%, e coeficiente Kappa de 76%, sendo avaliado como um classificador muito bom, evidenciando a aplicação dessa metodologia na análise de áreas com potencial para prestar serviços ecossistêmicos e, principalmente, na prestação de serviços ambientais em áreas antrópicas que adotam sistema de produção agropecuária com baixa emissão de carbono na Amazônia. |
publishDate |
2016 |
dc.date.none.fl_str_mv |
2016-09-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1980-993X2016000300612 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1980-993X2016000300612 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.4136/ambi-agua.1871 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Instituto de Pesquisas Ambientais em Bacias Hidrográficas |
publisher.none.fl_str_mv |
Instituto de Pesquisas Ambientais em Bacias Hidrográficas |
dc.source.none.fl_str_mv |
Revista Ambiente & Água v.11 n.3 2016 reponame:Revista Ambiente & Água instname:Instituto de Pesquisas Ambientais em Bacias Hidrográficas (IPABHI) instacron:IPABHI |
instname_str |
Instituto de Pesquisas Ambientais em Bacias Hidrográficas (IPABHI) |
instacron_str |
IPABHI |
institution |
IPABHI |
reponame_str |
Revista Ambiente & Água |
collection |
Revista Ambiente & Água |
repository.name.fl_str_mv |
Revista Ambiente & Água - Instituto de Pesquisas Ambientais em Bacias Hidrográficas (IPABHI) |
repository.mail.fl_str_mv |
||ambi.agua@gmail.com |
_version_ |
1752129749852880896 |