@Article{CastroFoSant:2010:ClImPO,
               author = "Castro Filho, C. A. P. and Santos, Jo{\~a}o Roberto dos",
          affiliation = "{} and {Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Classifica{\c{c}}{\~a}o de imagens POLInSAR utilizando 
                         t{\'e}cnicas de minera{\c{c}}{\~a}o de dados",
              journal = "Ambi{\^e}ncia",
                 year = "2010",
               volume = "6",
               number = "n{\'u}mero especial",
                pages = "33--44",
                 note = "Setores de Atividade: Produ{\c{c}}{\~a}o Florestal, Pesquisa e 
                         desenvolvimento cient{\'{\i}}fico.",
             keywords = "minera{\c{c}}{\~a}o de dados, classifica{\c{c}}{\~a}o, radar, 
                         sensoriamento remoto, data mining, classification, remote sensing, 
                         radar floresta tropical.",
             abstract = "A Descoberta de Conhecimento em Bancos de Dados (Knowledge 
                         Discovery in Databases), ou KDD, objetivam gerar t{\'e}cnicas 
                         para an{\'a}lise de dados atrav{\'e}s de algoritmos de 
                         minera{\c{c}}{\~a}o. No Subprojeto Cartografia Terrestre, da 
                         Diretoria de Servi{\c{c}}o Geogr{\'a}fico DSG est{\'a} previsto 
                         o imageamento de uma {\'a}rea de aproximadamente 770.000km2 da 
                         regi{\~a}o amaz{\^o}nica utilizando tecnologia de Radares de 
                         Abertura Sint{\'e}tica Interferom{\'e}tricos e 
                         Polarim{\'e}tricos - POLINSAR. O objetivo deste trabalho {\'e} 
                         analisar o potencial de dados de SAR para 
                         classifica{\c{c}}{\~a}o de uso do solo. Nesta an{\'a}lise foram 
                         utilizadas t{\'e}cnicas de minera{\c{c}}{\~a}o de dados 
                         identificando quais tipos de atributos s{\~a}o os mais adequados 
                         para discretizar as classes a serem definidas. Al{\'e}m dessas 
                         t{\'e}cnicas, foram tamb{\'e}m selecionados atributos que melhor 
                         classificaram separadamente a imagem mediante uma {\'a}rvore de 
                         decis{\~o}es. Os resultados obtidos indicaram que a 
                         classifica{\c{c}}{\~a}o com os melhores atributos obtidos 
                         separadamente nas etapas de treinamento obtiveram melhor 
                         avalia{\c{c}}{\~a}o. Conclui-se que, apesar de os resultados 
                         terem sido melhores com o m{\'e}todo proposto, a 
                         avalia{\c{c}}{\~a}o da classifica{\c{c}}{\~a}o com os 
                         atributos selecionados automaticamente se aproximou bastante. 
                         Abstract Knowledge Discovery in Databases KDD is intended to 
                         generate new techniques to analyze data through data mining 
                         algorithms. In the Brazilian Terrestrial Cartography Subproject, 
                         also known as Amazon Radiography, from Geographic Service of 
                         Brazilian Army (DSG), is expected the imagery of an area of 
                         approximately Synthetic Aperture Radar POLINSAR technology. The 
                         aim of this study is to examine the potential of SAR data for land 
                         use classification. Data mining techniques were used to identify 
                         the features that best discriminate the classes. In addition to 
                         these techniques, features that best separately classified the 
                         image separately through a great variety of using decision tree 
                         were also selected options. The results indicates that the best 
                         classification with best features which were obtained separately 
                         in the training sections got better evaluation. We conclude that 
                         although the results were better with the proposed method, the 
                         evaluation of the classification with the automatically selected 
                         attributes automatically were very close.",
                 issn = "1808-0251",
                label = "lattes: 1646956319628219 2 CastroFoSant:2010:ClImPO",
             language = "pt",
           targetfile = "santos.pdf",
        urlaccessdate = "12 maio 2024"
}