@InProceedings{CaonBGCMPOAM:2019:CoClRF,
               author = "Caon, Iv{\~a} Luis and Becker, Willyan Ronaldo and Ganascini, 
                         Diandra and Cattani, Carlos Eduardo Vizzotto and Mendes, Isaque de 
                         Souza and Prudente, Victor Hugo Rohden and Oldoni, Lucas Volochen 
                         and Antunes, Jo{\~a}o Francisco Gon{\c{c}}alves and Mercante, 
                         Erivelto",
          affiliation = "{Universidade Estadual do Oeste do Paran{\'a} (UNIOESTE)} and 
                         {Universidade Estadual do Oeste do Paran{\'a} (UNIOESTE)} and 
                         {Universidade Estadual do Oeste do Paran{\'a} (UNIOESTE)} and 
                         {Universidade Estadual do Oeste do Paran{\'a} (UNIOESTE)} and 
                         {Universidade Estadual do Oeste do Paran{\'a} (UNIOESTE)} and 
                         {Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Empresa Brasileira de 
                         Pesquisa Agropecu{\'a}ria (EMBRAPA)} and {Universidade Estadual 
                         do Oeste do Paran{\'a} (UNIOESTE)}",
                title = "Comparativo entre os classificadores RF e MAXVER para 
                         classifica{\c{c}}{\~a}o de uso e cobertura da terra, em 
                         diferentes densidades temporais",
            booktitle = "Anais...",
                 year = "2019",
               editor = "Gherardi, Douglas Francisco Marcolino and Sanches, Ieda DelArco 
                         and Arag{\~a}o, Luiz Eduardo Oliveira e Cruz de",
                pages = "1994--1997",
         organization = "Simp{\'o}sio Brasileiro de Sensoriamento Remoto, 19. (SBSR)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "Fus{\~a}o de imagens, STARFM, classifica{\c{c}}{\~a}o de 
                         imagens, uso e cobertura da terra, Image fusion, STARFM, image 
                         classification, land use and land cover.",
             abstract = "O uso combinado de sensores com melhor resolu{\c{c}}{\~a}o 
                         temporal com sensores de melhor resolu{\c{c}}{\~a}o espacial, 
                         t{\^e}m permitido o mapeamento detalhado da superf{\'{\i}}cie 
                         terrestre. Desse modo destacam-se os algoritmos de 
                         predi{\c{c}}{\~a}o, que s{\~a}o capazes de unir a melhor 
                         resolu{\c{c}}{\~a}o espacial de um sensor a melhor 
                         resolu{\c{c}}{\~a}o temporal de outro. Al{\'e}m das 
                         resolu{\c{c}}{\~o}es das imagens, o uso de algoritmos de 
                         classifica{\c{c}}{\~a}o eficientes {\'e} decisivo para se obter 
                         elevada acur{\'a}cia nos mapeamentos. Assim, o objetivo desse 
                         trabalho foi comparar os classificadores Random Forest e 
                         M{\'a}xima Verossimilhan{\c{c}}a, com diferentes modos de 
                         entrada de dados, a fim de definir qual o melhor classificador. Os 
                         resultados apontaram que o algoritmo Random Forest apresentou as 
                         maiores m{\'e}tricas de acur{\'a}cia. ABSTRACT: The combined use 
                         of sensors with better temporal resolution with sensors of better 
                         spatial resolution, has allowed the detailed mapping of the 
                         terrestrial surface. In this way the prediction algorithms, which 
                         are able to unite better spatial resolution of one sensor and 
                         better temporal resolution of another one, stand out. In addition, 
                         using images, the use of identification algorithms is more 
                         important to obtain accuracy in mappings. Thus, it was compared 
                         with the Random Forest and Maximum Likelihood methods, with 
                         different modes of data entry, a process of adjusting to a better 
                         classifier. The results were similar to the Random Forest 
                         algorithm presented as the highest accuracy metrics.",
  conference-location = "Santos",
      conference-year = "14-17 abril 2019",
                 isbn = "978-85-17-00097-3",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGP6W34M/3TTTQG2",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/3TTTQG2",
           targetfile = "97174.pdf",
                 type = "An{\'a}lise de s{\'e}ries temporais de imagens de 
                         sat{\'e}lite",
        urlaccessdate = "28 abr. 2024"
}