1. Identificação | |
Tipo de Referência | Artigo em Revista Científica (Journal Article) |
Site | mtc-m21c.sid.inpe.br |
Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S |
Identificador | 8JMKD3MGP3W34R/3RQCS82 |
Repositório | sid.inpe.br/mtc-m21c/2018/09.10.13.39 |
Última Atualização | 2018:09.10.13.39.11 (UTC) simone |
Repositório de Metadados | sid.inpe.br/mtc-m21c/2018/09.10.13.39.11 |
Última Atualização dos Metadados | 2021:03.06.19.29.57 (UTC) administrator |
ISSN | 0560-4613 1808-0936 |
Chave de Citação | ReisDutrSantEsca:2018:AnInEn |
Título | Análise das incertezas envolvidas em classificação multi-legendas da cobertura da terra com suporte de simulação Monte Carlo |
Ano | 2018 |
Data de Acesso | 03 maio 2024 |
Tipo de Trabalho | journal article |
Tipo Secundário | PRE PN |
Número de Arquivos | 1 |
Tamanho | 5982 KiB |
|
2. Contextualização | |
Autor | 1 Reis, Mariane Souza 2 Dutra, Luciano Vieira 3 Sant'Anna, Sidnei João Siqueira 4 Escada, Maria Isabel Sobral |
Identificador de Curriculo | 1 2 8JMKD3MGP5W/3C9JHMA 3 8JMKD3MGP5W/3C9JJ8N 4 8JMKD3MGP5W/3C9JHRG |
Grupo | 1 CST-CST-SESPG-INPE-MCTIC-GOV-BR 2 DIDPI-CGOBT-INPE-MCTIC-GOV-BR 3 DIDPI-CGOBT-INPE-MCTIC-GOV-BR 4 DIDPI-CGOBT-INPE-MCTIC-GOV-BR |
Afiliação | 1 Instituto Nacional de Pesquisas Espaciais (INPE) 2 Instituto Nacional de Pesquisas Espaciais (INPE) 3 Instituto Nacional de Pesquisas Espaciais (INPE) 4 Instituto Nacional de Pesquisas Espaciais (INPE) |
Endereço de e-Mail do Autor | 1 reis@dpi.inpe.br 2 dutra@dpi.inpe.br 3 sidnei@dpi.inpe.br 4 isabel@dpi.inpe.br |
Revista | Revista Brasileira de Cartografia |
Volume | 69 |
Número | 9 |
Páginas | 1847-1863 |
Nota Secundária | A2_INTERDISCIPLINAR A2_GEOGRAFIA A2_ARQUITETURA_E_URBANISMO B1_PLANEJAMENTO_URBANO_E_REGIONAL_/_DEMOGRAFIA B1_CIÊNCIAS_AMBIENTAIS B2_GEOCIÊNCIAS B3_ENGENHARIAS_I B4_ENGENHARIAS_III B4_CIÊNCIAS_SOCIAIS_APLICADAS_I B5_ENGENHARIAS_IV B5_ENGENHARIAS_II B5_CIÊNCIAS_AGRÁRIAS_I B5_BIODIVERSIDADE C_ZOOTECNIA_/_RECURSOS_PESQUEIROS C_MATEMÁTICA_/_PROBABILIDADE_E_ESTATÍSTICA C_CIÊNCIAS_BIOLÓGICAS_I C_ASTRONOMIA_/_FÍSICA |
Histórico (UTC) | 2018-09-10 13:39:11 :: simone -> administrator :: 2018-09-10 13:39:11 :: administrator -> simone :: 2018 2018-09-10 13:39:32 :: simone -> administrator :: 2018 2021-03-06 19:29:57 :: administrator -> simone :: 2018 |
|
3. Conteúdo e estrutura | |
É a matriz ou uma cópia? | é a matriz |
Estágio do Conteúdo | concluido |
Transferível | 1 |
Tipo do Conteúdo | External Contribution |
Tipo de Versão | publisher |
Palavras-Chave | Classifi cação de Cobertura da Terra Classifi cação Hierárquica Incerteza da Classifi cação Comparação de Classifi cadores Classifi cação Baseada em Pixel Amazônia Land Cover Classifi cation Hierarchic Classifi cation Classifi cation Uncertainty Classifi er Comparison Pixel Wise Classifi cation Amazon |
Resumo | A necessidade de informações acerca das dinâmicas de uso da terra tornou estudos relacionados à classifi cação de uso e cobertura da terra na região Amazônica relevantes no campo científi co, com destaque ao uso de classifi cadores supervisionados. No entanto, o desempenho de um classifi cador supervisionado é dependente dos dados de entrada utilizados (imagem a ser classifi cada, defi nição das classes e coleta de amostras de treinamento), que em muitos estudos não são propriamente avaliados. Para contribuir com o entendimento de como variações nos dados de entrada afetam os resultados da classifi cação supervisionada, este estudo analisou os resultados de classifi cações de cobertura da terra em uma região da Amazônia brasileira, considerando diferentes métodos de classifi cação baseados em pixel, legendas com distintos níveis de detalhe (número de classes) e a sensibilidade dos classifi cadores à variação das amostras de treinamento (Incerteza) com o uso de uma imagem ótica de média resolução. Para tanto, foram geradas 100 imagens classifi cadas para três legendas com diferentes níveis de detalhe e diferentes confi gurações de quatro algoritmos de classifi cação supervisionados: Máxima Verossimilhança (ML), Máquina de Vetores Suporte (SVM), Árvore de Decisão (J48) e k-Vizinhos mais Próximos (K-NN). No total, foram obtidos 111 (3 níveis de legenda x 37 confi gurações de classifi cadores) grupos de 100 imagens classifi cadas, que foram utilizados para gerar imagens combinadas em que cada pixel recebe o rótulo mais frequente nesses grupos de imagens (moda) e mapas da Incerteza associada. De forma geral, a combinação de imagens retornou uma imagem classifi cada de igual ou maior exatidão que imagens que a compõem, com diferenças menos expressivas em função dos classifi cador utilizado que ao se considerar os grupos de 100 imagens classifi cadas, embora a diferença no valor de exatidão seja pequena. A maioria das imagens classifi cadas mais acuradas foram obtidas utilizando alguma confi guração do algoritmo K-NN. No entanto, esse algoritmo apresentou maiores valores de Incerteza quando comparado a ML e SVM. Essa maior variabilidade (maiores valores de Incerteza), em compensação, colabora para a obtenção de melhores resultados da operação da moda, pois permite reclassifi car adequadamente pixels de classifi cação instável. O algoritmo ML apresentou resultados mais consistentes (variam pouco em relação ao conjunto de amostras de treinamento), adequadamente acurados e possui utilização mais simples, já que a etapa de ajuste de parâmetros não é necessária. Quanto menor o nível de detalhe da legenda, maior a exatidão das imagens classifi cadas e menor sensibilidade das imagens classifi cadas à variação das amostras de treinamento (Incerteza). A diminuição do nível de detalhe da legenda resulta também em diferenças menos sutis na exatidão das imagens classifi cadas por diferentes algoritmos na confi guração ótima. ABSTRACT: The need for information about the dynamics of land use highlighted the relevancy of classifi cation of land use and land cover in the Amazon region studies, with special interest to those related to the use of supervised classifi ers. However, the performance of a supervised classifi er is dependent on the input data used (image to be classifi ed, class defi nition and sample training), which are not properly evaluated in many studies. In order to contribute to the understanding of how variations in the input data aff ect supervised classifi cation results, this study analyzed land cover classifi cations in a region of the Brazilian Amazon, obtained by diff erent pixel based classifi cation methods, legends with distinct levels of detail (number of classes) and the sensitivity of the classifi ers to the variation of the training samples (Uncertainty), with the use of a medium resolution optical image. For this, 100 classifi ed images were generated, considering three legends with diff erent levels of detail and varied confi gurations of four supervised classifi cation algorithms: Maximum Likelihood (ML), Support Vector Machine (SVM), Decision Tree (J48) and k-Nearest Neighbors (K-NN). In total, 111 (3 levels of legend x 37 confi gurations of classifi ers) groups of 100 classifi ed images were obtained, which were used to generate combined images in which each pixel receives the most frequent label in a given group of images (mode). Associated Uncertainty maps were also generated from these groups of 100 classifi ed images. In general, combining groups of classifi ed images returned a classifi ed image of equal or greater accuracy than those used to generated it, with less expressive diff erences related to the used classifi er than when considering the groups of 100 classifi ed images. Nevertheless, this diff erence in accuracy is small. Generally, the most accurate classifi ed images were obtained from some confi guration of the K-NN algorithm. However, this algorithm presented Uncertainty values higher than either ML or SVM. Nonetheless, this greater variability (higher Uncertainty values) contributes to obtaining better results from mode operation, since it allows to properly reclassify unstably classifi ed pixels. The ML algorithm presented more consistent results (smaller variation in results due to variation of the training samples set), that are adequately accurate and has a simpler use, since the step of adjusting parameters is not necessary. The decrease of the detail level in legends results in more accurate also less infl uenced by the training samples variation (Uncertainty) classifi ed images. The decrease in legend detail also leads to less subtle diff erences in the accuracy of the classifi ed images obtained by diff erent algorithms in the optimal confi guration. |
Área | CST |
Arranjo 1 | urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDPI > Análise das incertezas... |
Arranjo 2 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CST > Análise das incertezas... |
Conteúdo da Pasta doc | acessar |
Conteúdo da Pasta source | não têm arquivos |
Conteúdo da Pasta agreement | |
|
4. Condições de acesso e uso | |
URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34R/3RQCS82 |
URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/3RQCS82 |
Idioma | en |
Arquivo Alvo | reis_analise.pdf |
Grupo de Usuários | simone |
Grupo de Leitores | administrator simone |
Visibilidade | shown |
Política de Arquivamento | allowpublisher allowfinaldraft |
Permissão de Atualização | não transferida |
|
5. Fontes relacionadas | |
Unidades Imediatamente Superiores | 8JMKD3MGPCW/3EQCCU5 8JMKD3MGPCW/449U4PL |
Lista de Itens Citando | sid.inpe.br/mtc-m21/2012/07.13.15.00.20 5 sid.inpe.br/bibdigital/2013/09.09.15.05 3 sid.inpe.br/mtc-m21/2012/07.13.14.55.44 3 |
Divulgação | PORTALCAPES |
Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 |
|
6. Notas | |
Campos Vazios | alternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel doi e-mailaddress format isbn label lineage mark mirrorrepository month nextedition notes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readpermission rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype url |
|
7. Controle da descrição | |
e-Mail (login) | simone |
atualizar | |
|