Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2014 |
Outros Autores: | |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
Texto Completo: | http://repositorio.utfpr.edu.br/jspui/handle/1/9289 |
Resumo: | As imagens produzidas a partir do sensoriamento remoto geralmente são analisadas por especialistas para extração de informações usadas para análise de dados ou tomada de decisões. Este processo pode ser auxiliado por meio de um procedimento automático de classificação, de tal forma que uma imagem temática seja produzida, enfatizando características e/ou regiões de interesse. O presente trabalho tem como objetivo desenvolver uma metodologia baseada em Redes Neurais Artificiais (RNAs) para reconhecimento de padrões em imagens de sensoriamento remoto em dois cenários distintos. O primeiro refere-se à imagens de satélite da região de Três Pontas, localizada ao Sul de Minas Gerais, onde a cultura cafeeira encontra-se presente. Neste caso, o objetivo é identificar automaticamente zonas produtores de café, diferenciando-a de regiões de mata e de outros usos. O segundo cenário é composto por imagens da região da Baía de Paranaguá referentes à duas datas de aquisição distintas, 1986 e 1999. Este trabalho tem como objetivo delimitar as regiões correspondentes à zonas urbanas. Dessa forma, é possível determinar diferentes itens, incluindo invasão de zonas de preservação e crescimento urbano. A precisão da classificação foi avaliada com base no índice Kappa, que fornece uma ideia da acurácia da classificação. O melhor índice obtido no primeiro cenário foi de 0.81 e no segundo de 0.80, ambos considerados bons. Alguns dos erros da abordagem proposta podem ser minimizados ao considerar diferentes descritores e operações de pré-processamento, o que pode incentivar o desenvolvimento de trabalhos futuros. |
id |
UTFPR-12_2522cd6652fcb57bb1b8bcdc87a8be08 |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/9289 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2020-11-12T12:03:56Z2020-11-12T12:03:56Z2014-03-21COSTA, João Paulo de Oliveira; ORTOLAN, Lucas Dissenha. Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais. 2014. 78 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Curitiba, 2014.http://repositorio.utfpr.edu.br/jspui/handle/1/9289porUniversidade Tecnológica Federal do ParanáCuritibaDepartamento Acadêmico de InformáticaSistemas de InformaçãoSensoriamento remotoRedes neurais (Computação)Remote sensingNeural networks (Computer science)Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisAs imagens produzidas a partir do sensoriamento remoto geralmente são analisadas por especialistas para extração de informações usadas para análise de dados ou tomada de decisões. Este processo pode ser auxiliado por meio de um procedimento automático de classificação, de tal forma que uma imagem temática seja produzida, enfatizando características e/ou regiões de interesse. O presente trabalho tem como objetivo desenvolver uma metodologia baseada em Redes Neurais Artificiais (RNAs) para reconhecimento de padrões em imagens de sensoriamento remoto em dois cenários distintos. O primeiro refere-se à imagens de satélite da região de Três Pontas, localizada ao Sul de Minas Gerais, onde a cultura cafeeira encontra-se presente. Neste caso, o objetivo é identificar automaticamente zonas produtores de café, diferenciando-a de regiões de mata e de outros usos. O segundo cenário é composto por imagens da região da Baía de Paranaguá referentes à duas datas de aquisição distintas, 1986 e 1999. Este trabalho tem como objetivo delimitar as regiões correspondentes à zonas urbanas. Dessa forma, é possível determinar diferentes itens, incluindo invasão de zonas de preservação e crescimento urbano. A precisão da classificação foi avaliada com base no índice Kappa, que fornece uma ideia da acurácia da classificação. O melhor índice obtido no primeiro cenário foi de 0.81 e no segundo de 0.80, ambos considerados bons. Alguns dos erros da abordagem proposta podem ser minimizados ao considerar diferentes descritores e operações de pré-processamento, o que pode incentivar o desenvolvimento de trabalhos futuros.CuritibaDorini, Leyza Elmeri BaldoCosta, João Paulo de OliveiraOrtolan, Lucas Dissenhareponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRinfo:eu-repo/semantics/openAccessTHUMBNAILCT_COBSI_2013_2_06.pdf.jpgGenerated Thumbnailimage/jpeg1286http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/9289/1/CT_COBSI_2013_2_06.pdf.jpg858974d99fe722b36afd659257af3889MD51ORIGINALCT_COBSI_2013_2_06.pdfapplication/pdf17387271http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/9289/2/CT_COBSI_2013_2_06.pdf46fd3f1b7d86fee8c965969259bb98eeMD52LICENSElicense.txttext/plain1292http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/9289/3/license.txt009f5cba5f69d75c09da00b6f53f483aMD53TEXTCT_COBSI_2013_2_06.pdf.txtExtracted texttext/plain141965http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/9289/4/CT_COBSI_2013_2_06.pdf.txt7c468f8b243533de5ede478cdc960ae1MD541/92892020-11-12 10:03:56.242oai:repositorio.utfpr.edu.br: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Repositório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2020-11-12T12:03:56Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais |
title |
Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais |
spellingShingle |
Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais Costa, João Paulo de Oliveira Sistemas de Informação Sensoriamento remoto Redes neurais (Computação) Remote sensing Neural networks (Computer science) |
title_short |
Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais |
title_full |
Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais |
title_fullStr |
Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais |
title_full_unstemmed |
Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais |
title_sort |
Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais |
author |
Costa, João Paulo de Oliveira |
author_facet |
Costa, João Paulo de Oliveira Ortolan, Lucas Dissenha |
author_role |
author |
author2 |
Ortolan, Lucas Dissenha |
author2_role |
author |
dc.contributor.advisor1.fl_str_mv |
Dorini, Leyza Elmeri Baldo |
dc.contributor.author.fl_str_mv |
Costa, João Paulo de Oliveira Ortolan, Lucas Dissenha |
contributor_str_mv |
Dorini, Leyza Elmeri Baldo |
dc.subject.cnpq.fl_str_mv |
Sistemas de Informação |
topic |
Sistemas de Informação Sensoriamento remoto Redes neurais (Computação) Remote sensing Neural networks (Computer science) |
dc.subject.por.fl_str_mv |
Sensoriamento remoto Redes neurais (Computação) Remote sensing Neural networks (Computer science) |
description |
As imagens produzidas a partir do sensoriamento remoto geralmente são analisadas por especialistas para extração de informações usadas para análise de dados ou tomada de decisões. Este processo pode ser auxiliado por meio de um procedimento automático de classificação, de tal forma que uma imagem temática seja produzida, enfatizando características e/ou regiões de interesse. O presente trabalho tem como objetivo desenvolver uma metodologia baseada em Redes Neurais Artificiais (RNAs) para reconhecimento de padrões em imagens de sensoriamento remoto em dois cenários distintos. O primeiro refere-se à imagens de satélite da região de Três Pontas, localizada ao Sul de Minas Gerais, onde a cultura cafeeira encontra-se presente. Neste caso, o objetivo é identificar automaticamente zonas produtores de café, diferenciando-a de regiões de mata e de outros usos. O segundo cenário é composto por imagens da região da Baía de Paranaguá referentes à duas datas de aquisição distintas, 1986 e 1999. Este trabalho tem como objetivo delimitar as regiões correspondentes à zonas urbanas. Dessa forma, é possível determinar diferentes itens, incluindo invasão de zonas de preservação e crescimento urbano. A precisão da classificação foi avaliada com base no índice Kappa, que fornece uma ideia da acurácia da classificação. O melhor índice obtido no primeiro cenário foi de 0.81 e no segundo de 0.80, ambos considerados bons. Alguns dos erros da abordagem proposta podem ser minimizados ao considerar diferentes descritores e operações de pré-processamento, o que pode incentivar o desenvolvimento de trabalhos futuros. |
publishDate |
2014 |
dc.date.issued.fl_str_mv |
2014-03-21 |
dc.date.accessioned.fl_str_mv |
2020-11-12T12:03:56Z |
dc.date.available.fl_str_mv |
2020-11-12T12:03:56Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
COSTA, João Paulo de Oliveira; ORTOLAN, Lucas Dissenha. Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais. 2014. 78 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Curitiba, 2014. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/9289 |
identifier_str_mv |
COSTA, João Paulo de Oliveira; ORTOLAN, Lucas Dissenha. Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais. 2014. 78 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Curitiba, 2014. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/9289 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Curitiba |
dc.publisher.department.fl_str_mv |
Departamento Acadêmico de Informática |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Curitiba |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/9289/1/CT_COBSI_2013_2_06.pdf.jpg http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/9289/2/CT_COBSI_2013_2_06.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/9289/3/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/9289/4/CT_COBSI_2013_2_06.pdf.txt |
bitstream.checksum.fl_str_mv |
858974d99fe722b36afd659257af3889 46fd3f1b7d86fee8c965969259bb98ee 009f5cba5f69d75c09da00b6f53f483a 7c468f8b243533de5ede478cdc960ae1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1797044020860420096 |