@InProceedings{MartinsPoel:2023:CoClIm,
               author = "Martins, Thiago da Concei{\c{c}}{\~a}o and Poelking, Everton 
                         Lu{\'{\i}}s",
          affiliation = "{Universidade Federal do Rec{\^o}ncavo da Bahia (UFRB)} and 
                         {Universidade Federal do Rec{\^o}ncavo da Bahia (UFRB)}",
                title = "Compara{\c{c}}{\~a}o classificadores em imagens de 
                         sat{\'e}lites com diferentes resolu{\c{c}}{\~o}es espaciais",
            booktitle = "Anais...",
                 year = "2023",
               editor = "Gherardi, Douglas Francisco Marcolino and Arag{\~a}o, Luiz 
                         Eduardo Oliveira e Cruz de and Sanches, Ieda DelArco",
                pages = "e156542",
         organization = "Simp{\'o}sio Brasileiro de Sensoriamento Remoto, 20. (SBSR)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "Sensoriamento Remoto, machine learning, {\'{\I}}ndice Kappa, 
                         Sensing, machine learning, Kappa Index.",
             abstract = "O SR forma imagens atrav{\'e}s dados dos sat{\'e}lites fazendo a 
                         varredura superficial da terra. Com t{\'e}cnicas relacionadas 
                         {\`a} classifica{\c{c}}{\~a}o de imagens reconhecendo 
                         padr{\~o}es espectrais e espaciais. Objetivo do trabalho {\'e} 
                         avaliar diferentes classificadores em imagens de sat{\'e}lites 
                         com diferentes resolu{\c{c}}{\~o}es indicando o mais adequado. O 
                         processamento foi feito atrav{\'e}s dos programas SAGA GIS 7.7.0 
                         ArcGis 10.2. ®. Os classificadores foram: MaxVer, Redes Neurais, 
                         Random Forest, Decision Tree, Support Vector Machine. Foram 
                         utilizadas amostras de treinamento em diferentes quantidades 50 e 
                         100 amostras para cada classe. SVM, RNA e MAXVER ultrapassaram a 
                         faixa dos 0,8 de {\'{\I}}ndice Kappa para duas quantidades 
                         amostrais. Landsat-8 os valores foram menores, com 50 amostras, 
                         para MaxVer e para SVM. Para extrair o melhor dos classificadores 
                         deve-se coletar mais amostras de treinamento, principalmente nos 
                         locais que mais apresentaram confus{\~o}es entres as classes. 
                         Assim, {\'e} preciso uma maior pesquisa sobre a quantidade 
                         {\'o}tima de amostras de treinamento. ABSTRACT: The SR forms 
                         images using satellite data by scanning the surface of the earth. 
                         With techniques related to image classification recognizing 
                         spectral and spatial patterns. The objective of the work is to 
                         evaluate different classifiers in satellite images with different 
                         resolutions indicating the most appropriate. The processing was 
                         done through the programs SAGA GIS 7.7.0 ArcGis 10.2. ®. The 
                         classifiers were: MaxVer, Neural Networks, Random Forest, Decision 
                         Tree, Support Vector Machine. Training samples were used in 
                         different amounts 50 and 100 samples for each class. SVM, RNA and 
                         MAXVER exceeded the range of 0.8 Kappa Index for two sample 
                         amounts. Landsat-8 values were lower, with 50 samples, for MaxVer 
                         and for SVM. In order to extract the best from the classifiers, 
                         more training samples should be collected, especially in the 
                         places that presented the most confusion between the classes. 
                         Thus, further research is needed on the 'optimal' amount of 
                         training samples.",
  conference-location = "Florian{\'o}polis",
      conference-year = "02-05 abril 2023",
                 isbn = "978-65-89159-04-9",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGP6W34M/4942BRB",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/4942BRB",
           targetfile = "156542.pdf",
                 type = "Processamento de imagens",
        urlaccessdate = "14 maio 2024"
}