@Article{SantosFranAlme:2015:MiDaAp,
               author = "Santos, Guilherme Domingues and Francisco, Cristiane Nunes and 
                         Almeida, Cl{\'a}udia Maria de",
          affiliation = "{Instituto Militar de Engenharia} and {Universidade Federal 
                         Fluminense (UFF)} and {Instituto Nacional de Pesquisas Espaciais 
                         (INPE)}",
                title = "Minra{\c{c}}{\~a}o de dados aplicada {\`a} 
                         discrimina{\c{c}}{\~a}o da cobertura da terra em imagen LANDSAT 
                         8 OLI",
              journal = "Boletim de Ci{\^e}ncias Geod{\'e}sicas",
                 year = "2015",
               volume = "21",
               number = "4",
                pages = "706--720",
                month = "out./dez.",
             keywords = "redes sem{\^a}nticas, classifica{\c{c}}{\~a}o de imagens, 
                         {\'a}rvores de decis{\~a}o, semantic networks, images 
                         classification, decision trees.",
             abstract = "O presente trabalho tem como objetivo investigar os descritores 
                         espectrais, extra{\'{\i}}dos das bandas do Landsat 8, e 
                         topogr{\'a}ficos, provenientes de dados do TOPODATA, que auxiliam 
                         na discrimina{\c{c}}{\~a}o das classes de cobertura da terra 
                         atrav{\'e}s de uma {\'a}rvore de decis{\~a}o gerada por 
                         minera{\c{c}}{\~a}o de dados. Foram extra{\'{\i}}das medidas 
                         estat{\'{\i}}sticas de amostras referentes a 12 classes, 
                         coletadas no munic{\'{\i}}pio do Rio de Janeiro, de um banco de 
                         dados composto por 18 planos de informa{\c{c}}{\~a}o. Os 
                         resultados apontaram que entre os descritores 
                         estat{\'{\i}}sticos, prevaleceram a m{\'e}dia e mediana. Como 
                         descritor espectral, merece destaque a banda 1 (ultra-azul), 
                         selecionada para discriminar, al{\'e}m das classes de {\'a}gua, 
                         as classes de vegeta{\c{c}}{\~a}o e 
                         n{\~a}o-vegeta{\c{c}}{\~a}o. O minerador utilizou o 
                         {\'{\I}}ndice de Vegeta{\c{c}}{\~a}o por Raz{\~a}o Simples 
                         (RS) em todas as {\'a}rvores a despeito do {\'{\I}}ndice de 
                         Vegeta{\c{c}}{\~a}o por Diferen{\c{c}}a Normalizada (IVDN). A 
                         declividade tamb{\'e}m foi inserida nas tr{\^e}s {\'a}rvores 
                         para separar o afloramento rochoso da vegeta{\c{c}}{\~a}o de 
                         baixo porte. Em rela{\c{c}}{\~a}o aos n{\'{\i}}veis digitais, 
                         n{\~a}o foi utilizado nenhum descritor de radi{\^a}ncia nas 
                         quatro {\'a}rvores. Considerando o grande volume de dados 
                         produzidos e armazenados atualmente, pode-se afirmar que a 
                         minera{\c{c}}{\~a}o {\'e} um importante recurso para a 
                         extra{\c{c}}{\~a}o de informa{\c{c}}{\~o}es de volumosos 
                         bancos de dados em curto espa{\c{c}}o de tempo. ABSTRACT: This 
                         paper is committed to investigate the spectral attributes 
                         extracted from Landsat 8 image bands and topographic attributes 
                         derived from TOPODATA, meant to discriminate land cover classes by 
                         means of decision trees, a technique in the scope of data mining. 
                         Statistical measures of samples corresponding to 12 land cover 
                         classes collected in Rio de Janeiro city were calculated from a 
                         database composed of 18 layers, from which four decision trees 
                         were generated. The results showed that the mean and median were 
                         the most relevant statistical attributes. As to spectral 
                         attributes, Band 1 is worth of mention, which has been selected to 
                         classify water classes, besides discriminating vegetation and 
                         non-vegetation classes. Regarding vegetation indices, the data 
                         mining algorithm exclusively relied on the Simple Ratio Index in 
                         all trees to the detriment of the NDVI. Slope has been employed in 
                         three decision trees to separate rock outcrop from low-height 
                         vegetation. On the other hand, radiance has not been used in any 
                         of the four decision trees. Considering the ever-increasing volume 
                         of remotely sensed data currently available, it ought to be 
                         acknowledged that data mining represents a crucial solution to 
                         efficiently extract information from large databases in a short 
                         time.",
                 issn = "1413-4853",
             language = "pt",
           targetfile = "Andrade et al_BCG_2015.pdf",
        urlaccessdate = "20 abr. 2024"
}