@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"
}