@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"
}