<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Conference Proceedings">
		<site>marte2.sid.inpe.br 802</site>
		<identifier>8JMKD3MGP6W34M/3UAMJKP</identifier>
		<repository>sid.inpe.br/marte2/2019/10.29.16.02</repository>
		<lastupdate>2019:10.29.16.02.32 dpi.inpe.br/marte2/2013/05.17.15.03.06 administrator</lastupdate>
		<metadatarepository>sid.inpe.br/marte2/2019/10.29.16.02.32</metadatarepository>
		<metadatalastupdate>2019:12.13.01.10.22 dpi.inpe.br/marte2/2013/05.17.15.03.06 administrator {D 2019}</metadatalastupdate>
		<isbn>978-85-17-00097-3</isbn>
		<citationkey>ChristovamShimGaloTole:2019:ClImHi</citationkey>
		<title>Classificação de imagens hiperespectrais por meio de abordagem baseada no mapeamento por ângulo espectral e máquinas de vetores de suporte</title>
		<format>Internet</format>
		<year>2019</year>
		<secondarytype>PRE CN SPG~IPV</secondarytype>
		<numberoffiles>1</numberoffiles>
		<size>606 KiB</size>
		<author>Christovam, Luiz E.,</author>
		<author>Shimabukuro, Milton H.,</author>
		<author>Galo, M. Lourdes B. T.,</author>
		<author>Tolentino, Franciele M.,</author>
		<affiliation>Universidade Estadual Paulista (UNESP)</affiliation>
		<affiliation>Universidade Estadual Paulista (UNESP)</affiliation>
		<affiliation>Universidade Estadual Paulista (UNESP)</affiliation>
		<affiliation>Universidade Estadual Paulista (UNESP)</affiliation>
		<electronicmailaddress>luiz.christovam@unesp.br</electronicmailaddress>
		<electronicmailaddress>milton.h.shimabukuro@unesp.br</electronicmailaddress>
		<electronicmailaddress>trindade.galo@unesp.br</electronicmailaddress>
		<electronicmailaddress>franciele.tolentino@unesp.br</electronicmailaddress>
		<editor>Gherardi, Douglas Francisco Marcolino,</editor>
		<editor>Sanches, Ieda DelArco,</editor>
		<editor>Aragão, Luiz Eduardo Oliveira e Cruz de,</editor>
		<conferencename>Simpósio Brasileiro de Sensoriamento Remoto, 19 (SBSR)</conferencename>
		<conferencelocation>Santos</conferencelocation>
		<date>14-17 abril 2019</date>
		<publisher>Instituto Nacional de Pesquisas Espaciais (INPE)</publisher>
		<publisheraddress>São José dos Campos</publisheraddress>
		<pages>2604-2607</pages>
		<booktitle>Anais</booktitle>
		<tertiarytype>full paper</tertiarytype>
		<organization>Instituto Nacional de Pesquisas Espaciais (INPE)</organization>
		<transferableflag>1</transferableflag>
		<keywords>SAM, SVM, HyRANK.</keywords>
		<abstract>O sensoriamento remoto por meio da classificação de imagens permite construir mapas de cobertura da terra que podem ser utilizados por diversas aplicações. Apesar da importância desses mapas não há abordagem única de classificação definida como ideal, visto que diversos fatores podem exercer influência na qualidade dos resultados. Diante disso, este trabalho foi concebido com o propósito de analisar a qualidade de duas abordagens de classificação de imagens hiperespectrais, uma baseada no mapeamento pelo ângulo espectral (SAM) e outra combinando o SAM com as máquinas de vetores de suporte (SVM). Essas estratégias de classificação foram utilizadas para construir mapas de cobertura da terra para imagens hiperespectrais pertencentes ao conjunto de dados HyRANK. O mapa produzido por meio do SAM atingiu um valor de exatidão global de 48%, enquanto que o mapa gerado por meio da abordagem combinada SAM/SVM apresentou exatidão global de 88%, o que evidencia a superioridade do método combinado. ABSTRACT: Remote sensing image classification allows building land cover maps that can be used by different studies. Despite the importance of these maps, there is no single approach to image classification defined as the ideal, since several factors may influence the quality of the results. This work was conceived with the purpose of analyzing the quality of two hyperspectral image classification approaches, one based on spectral angle mapper (SAM) algorithm and another combining SAM with the support vector machine (SVM). These classification strategies were used to build land cover maps for hyperspectral images belonging to the HyRANK dataset. The map produced through SAM achieved an overall accuracy of 48%, while the map generated using the combined SAM/SVM approach achieved overall accuracy of 88%, which shows the superiority of the combined method.</abstract>
		<area>SRE</area>
		<type>Sensoriamento remoto hiperespectral</type>
		<language>pt</language>
		<targetfile>97939.pdf</targetfile>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.19</copyright>
		<rightsholder>originalauthor yes</rightsholder>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2011/03.29.20.55</mirrorrepository>
		<nexthigherunit>8JMKD3MGP6W34M/3UCAT7H</nexthigherunit>
		<hostcollection>dpi.inpe.br/marte2/2013/05.17.15.03.06</hostcollection>
		<username>simone</username>
		<lasthostcollection>dpi.inpe.br/marte2/2013/05.17.15.03.06</lasthostcollection>
		<url>http://marte2.sid.inpe.br/rep-/sid.inpe.br/marte2/2019/10.29.16.02</url>
	</metadata>
</metadatalist>