@InProceedings{ReisDutEscSanPan:2019:EfVaPa,
               author = "Reis, Mariane Souza and Dutra, Luciano Vieira and Escada, Maria 
                         Isabel Sobral and Sant'Anna, Sidnei Jo{\~a}o Siqueira and 
                         Pantale{\~a}o, Eliana",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)} and {Universidade Federal de Uberl{\^a}ndia 
                         (UFU)}",
                title = "Efeito da varia{\c{c}}{\~a}o de par{\^a}metros de 
                         classificadores supervisionados para mapeamento de cobertura da 
                         terra utilizando dados ALOS/PALSAR",
            booktitle = "Anais...",
                 year = "2019",
               editor = "Gherardi, Douglas Francisco Marcolino and Sanches, Ieda DelArco 
                         and Arag{\~a}o, Luiz Eduardo Oliveira e Cruz de",
                pages = "887--890",
         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 = "Amaz{\^o}nia, cobertura da terra, classifica{\c{c}}{\~a}o 
                         supervisionada, SAR, ALOS/PALSAR, Amazon, land cover, supervised 
                         classification, SAR, ALOS/PALSAR.",
             abstract = "A etapa de sintoniza{\c{c}}{\~a}o dos par{\^a}metros de um 
                         determinado classificador pode ser crucial para obter bons 
                         resultados com o uso de imagens de Radares de Abertura 
                         Sint{\'e}tica. Esta etapa geralmente se d{\'a} pela 
                         avalia{\c{c}}{\~a}o dos resultados de classifica{\c{c}}{\~a}o, 
                         o que pode ser custoso. Este trabalho avaliou o impacto de variar 
                         os par{\^a}metros de 3 classificadores supervisionados para a 
                         classifica{\c{c}}{\~a}o de uma imagem do sensor ALOS/PALSAR, 
                         considerando varia{\c{c}}{\~a}o de amostras de treinamento e 
                         teste. Esses resultados foram comparados com os obtidos pelo 
                         classificador de M{\'a}xima Verossimilhan{\c{c}}a (ML), que 
                         n{\~a}o possui par{\^a}metros a serem ajustados. Os resultados 
                         mostraram que para um mesmo classificador h{\'a} 
                         diferen{\c{c}}as estatisticamente significativas em utilizar 
                         diferentes par{\^a}metros. O ML apresentou valores globais de 
                         exatid{\~a}o estatisticamente inferiores que as melhores 
                         configura{\c{c}}{\~o}es de M{\'a}quina de Vetores Suporte, 
                         K-Vizinhos mais Pr{\'o}ximos e J48. No entanto, a 
                         diferen{\c{c}}a entre os valores {\'e} pequena e n{\~a}o 
                         justifica o uso dos outros classificadores avaliados. ABSTRACT: 
                         The parameter tuning step when using a classifier can be crucial 
                         to obtain good results with Synthetic Aperture Radar data. This 
                         step commonly consists of evaluating classification results, which 
                         can be irksome. This work evaluated the impact of varying the 
                         parameters of 3 supervised classifiers in the classification of an 
                         ALOS/ PALSAR sensor image, with varying training and test samples. 
                         These results were compared with those obtained by the Maximum 
                         Likelihood (ML) classifier, which does not have parameters to be 
                         adjusted. The results showed that for the same classifier there 
                         are statistically significant differences in using different 
                         parameters. ML presented statistically lower global accuracy 
                         values than the best configuration of Support Vector Machine, 
                         K-Nearest Neighbor and J48. However, the difference among values 
                         is small and does not justify the use of the other evaluated 
                         classifiers.",
  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/3UA4UNP",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/3UA4UNP",
           targetfile = "97918.pdf",
                 type = "Sensoriamento remoto de microondas",
        urlaccessdate = "27 abr. 2024"
}