Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra
Autor(a) principal: | |
---|---|
Data de Publicação: | 2014 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Ciência Rural |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-84782014000600008 |
Resumo: | A cobertura da terra é uma informação espacial de extrema relevância para uma série de modelos, sendo utilizada para estimar a produção de sedimentos e para mensurar a potencialidade da paisagem em sequestrar carbono. A classificação da cobertura da terra pelo método de classificação supervisionado necessita de áreas de treino, já que essas áreas devem ser representativas para cada classe de cobertura da terra. Para o algoritmo de classificação por árvore de decisão (AD), a complexidade da AD resulta em diferentes valores de acurácias para os mapas temáticos. Desse modo, o objetivo deste estudo foi determinar a densidade mínima de amostras em um modelo por AD, a fim de discriminar as classes de cobertura da terra e avaliar o tamanho da AD gerada quanto ao seu número de folhas. Além disso, preocupou-se em identificar as classes da cobertura da terra de mais difícil classificação. Nesse contexto, foram utilizadas bandas da imagem do satélite RESOURCESAT-1 e índices espectrais. A densidade mínima de amostras variou entre 0,15 e 0,30% da área total para cada classe. Esse intervalo de amostragem possibilitou resultados melhores que 80% para o índice kappa. O menor agrupamento entre observações em uma mesma folha terminal foi de 45, e as classes mais difíceis de classificar foram floresta e lavoura de arroz, devido à semelhança espectral que as florestas sombreadas possuem com as lavouras de arroz irrigadas. |
id |
UFSM-2_1d4f646e9591bd58dcfce6800179a419 |
---|---|
oai_identifier_str |
oai:scielo:S0103-84782014000600008 |
network_acronym_str |
UFSM-2 |
network_name_str |
Ciência rural (Online) |
repository_id_str |
|
spelling |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terraclassificação supervisionada de imagemmineração de dadossensoriamento remotouso da terraA cobertura da terra é uma informação espacial de extrema relevância para uma série de modelos, sendo utilizada para estimar a produção de sedimentos e para mensurar a potencialidade da paisagem em sequestrar carbono. A classificação da cobertura da terra pelo método de classificação supervisionado necessita de áreas de treino, já que essas áreas devem ser representativas para cada classe de cobertura da terra. Para o algoritmo de classificação por árvore de decisão (AD), a complexidade da AD resulta em diferentes valores de acurácias para os mapas temáticos. Desse modo, o objetivo deste estudo foi determinar a densidade mínima de amostras em um modelo por AD, a fim de discriminar as classes de cobertura da terra e avaliar o tamanho da AD gerada quanto ao seu número de folhas. Além disso, preocupou-se em identificar as classes da cobertura da terra de mais difícil classificação. Nesse contexto, foram utilizadas bandas da imagem do satélite RESOURCESAT-1 e índices espectrais. A densidade mínima de amostras variou entre 0,15 e 0,30% da área total para cada classe. Esse intervalo de amostragem possibilitou resultados melhores que 80% para o índice kappa. O menor agrupamento entre observações em uma mesma folha terminal foi de 45, e as classes mais difíceis de classificar foram floresta e lavoura de arroz, devido à semelhança espectral que as florestas sombreadas possuem com as lavouras de arroz irrigadas.Universidade Federal de Santa Maria2014-06-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-84782014000600008Ciência Rural v.44 n.6 2014reponame:Ciência Ruralinstname:Universidade Federal de Santa Maria (UFSM)instacron:UFSM10.1590/S0103-84782014000600008info:eu-repo/semantics/openAccessRuiz,Luis Fernando ChimeloCaten,Alexandre tenDalmolin,Ricardo Simão Dinizpor2014-09-05T00:00:00ZRevista |
dc.title.none.fl_str_mv |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra |
title |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra |
spellingShingle |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra Ruiz,Luis Fernando Chimelo classificação supervisionada de imagem mineração de dados sensoriamento remoto uso da terra |
title_short |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra |
title_full |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra |
title_fullStr |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra |
title_full_unstemmed |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra |
title_sort |
Árvore de decisão e a densidade mínima de amostras no mapeamento da cobertura da terra |
author |
Ruiz,Luis Fernando Chimelo |
author_facet |
Ruiz,Luis Fernando Chimelo Caten,Alexandre ten Dalmolin,Ricardo Simão Diniz |
author_role |
author |
author2 |
Caten,Alexandre ten Dalmolin,Ricardo Simão Diniz |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Ruiz,Luis Fernando Chimelo Caten,Alexandre ten Dalmolin,Ricardo Simão Diniz |
dc.subject.por.fl_str_mv |
classificação supervisionada de imagem mineração de dados sensoriamento remoto uso da terra |
topic |
classificação supervisionada de imagem mineração de dados sensoriamento remoto uso da terra |
description |
A cobertura da terra é uma informação espacial de extrema relevância para uma série de modelos, sendo utilizada para estimar a produção de sedimentos e para mensurar a potencialidade da paisagem em sequestrar carbono. A classificação da cobertura da terra pelo método de classificação supervisionado necessita de áreas de treino, já que essas áreas devem ser representativas para cada classe de cobertura da terra. Para o algoritmo de classificação por árvore de decisão (AD), a complexidade da AD resulta em diferentes valores de acurácias para os mapas temáticos. Desse modo, o objetivo deste estudo foi determinar a densidade mínima de amostras em um modelo por AD, a fim de discriminar as classes de cobertura da terra e avaliar o tamanho da AD gerada quanto ao seu número de folhas. Além disso, preocupou-se em identificar as classes da cobertura da terra de mais difícil classificação. Nesse contexto, foram utilizadas bandas da imagem do satélite RESOURCESAT-1 e índices espectrais. A densidade mínima de amostras variou entre 0,15 e 0,30% da área total para cada classe. Esse intervalo de amostragem possibilitou resultados melhores que 80% para o índice kappa. O menor agrupamento entre observações em uma mesma folha terminal foi de 45, e as classes mais difíceis de classificar foram floresta e lavoura de arroz, devido à semelhança espectral que as florestas sombreadas possuem com as lavouras de arroz irrigadas. |
publishDate |
2014 |
dc.date.none.fl_str_mv |
2014-06-01 |
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=S0103-84782014000600008 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-84782014000600008 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/S0103-84782014000600008 |
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 |
Universidade Federal de Santa Maria |
publisher.none.fl_str_mv |
Universidade Federal de Santa Maria |
dc.source.none.fl_str_mv |
Ciência Rural v.44 n.6 2014 reponame:Ciência Rural instname:Universidade Federal de Santa Maria (UFSM) instacron:UFSM |
instname_str |
Universidade Federal de Santa Maria (UFSM) |
instacron_str |
UFSM |
institution |
UFSM |
reponame_str |
Ciência Rural |
collection |
Ciência Rural |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1749140545491435520 |