@InProceedings{CarneiroCordNarv:2017:UtTéPC,
               author = "Carneiro, A. F. and Cordeiro, T. F. and Narvaes, Igor da Silva",
          affiliation = "{Universidade Federal Rural da Amaz{\^o}nia (UFRA)} and 
                         {Universidade Federal de Vi{\c{c}}osa (UFV)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)}",
                title = "A utiliza{\c{c}}{\~a}o da t{\'e}cnica PCA como ferramenta de 
                         otimiza{\c{c}}{\~a}o da classifica{\c{c}}{\~a}o 
                         n{\~a}o-supervisionada",
            booktitle = "Anais...",
                 year = "2017",
         organization = "Congresso Brasileiro de Cartografia, 27.",
             keywords = "Sensoriamento Remoto, Classifica{\c{c}}{\~a}o 
                         n{\~a}o-supervisionada, ACP, IsoDATA, Remote Sensing, 
                         Unsupervised classification, PCA, IsoDATA.",
             abstract = "O uso de t{\'e}cnicas de classifica{\c{c}}{\~a}o 
                         autom{\'a}tica tornam o mapeamento mais din{\^a}mico a partir da 
                         possibilidade de serem identificadas fei{\c{c}}{\~o}es, por meio 
                         de seus comportamentos espectral e estat{\'{\i}}stico, com 
                         rela{\c{c}}{\~a}o a diferen{\c{c}}a existente no alvos 
                         imageados. Desta forma, neste trabalho {\'e} avaliado a 
                         acur{\'a}cia da classifica{\c{c}}{\~a}o n{\~a}o-supervisionada 
                         IsoDATA, utilizando como base um recorte de uma cena Landsat 8 
                         OLI, somente em reflect{\^a}ncia e posteriomente aplicado a PCA - 
                         Principal Component Analysis. Verificou-se que, de maneira geral, 
                         a aplica{\c{c}}{\~a}o da PCA melhora o resultado da 
                         classifica{\c{c}}{\~a}o, que foram avaliadas atrav{\'e}s dos 
                         {\'{\i}}ndices de Exatid{\~a}o Global e Kappa. Mesmo contendo 
                         algumas limita{\c{c}}{\~o}es, as classifica{\c{c}}{\~o}es com 
                         o uso da PCA alcan{\c{c}}aram um desempenho categorizado como 
                         bom, a tornando uma importante ferramenta no auxilio do mapeamento 
                         do uso e cobertura da Terra. ABSTRACT: The use of automatic 
                         classification techniques makes the mapping more dynamic from the 
                         possibility of identifying features, through their spectral and 
                         statistical behavior, in relation to the existing difference in 
                         the target image. Based on that, this work evaluate the accuracy 
                         of the unsupervised IsoDATA classification, using a cut of a 
                         Landsat 8 - OLI scene, only in reflectance and subsequently 
                         applied a PCA - Principal Component Analysis. It was verified 
                         that, in a general way, the PCA application improves the 
                         classification result, which were evaluated through the Global 
                         Accuracy and Kappa indices. Even with some limitations, the 
                         classifications with the use of PCA achieved a performance 
                         categorized as good, making it an important tool in helping to map 
                         the use and coverage of the Earth.",
  conference-location = "Rio de Janeiro, RJ",
      conference-year = "06-09 nov.",
             language = "pt",
           targetfile = "carneiro_utilizacao.pdf",
        urlaccessdate = "28 abr. 2024"
}