| 1. Identificação | |
| Tipo de Referência | Artigo em Revista Científica (Journal Article) |
| Site | plutao.sid.inpe.br |
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S |
| Identificador | 8JMKD3MGP3W/3UGCSB8 |
| Repositório | sid.inpe.br/plutao/2019/12.03.14.07 (acesso restrito) |
| Última Atualização | 2019:12.06.14.06.19 (UTC) simone |
| Repositório de Metadados | sid.inpe.br/plutao/2019/12.03.14.07.09 |
| Última Atualização dos Metadados | 2022:01.04.01.31.11 (UTC) administrator |
| DOI | 10.1080/01431161.2019.1681600 |
| ISSN | 0143-1161 |
| Rótulo | lattes: 1861914973833506 2 SötheAlScLiRoBeFe:2019:CoMaDe |
| Chave de Citação | SotheAlScLiCuBeFe:2020:CoMaDe |
| Título | A comparison of machine and deep learning algorithms applied to multisource data for a subtropical forest area classification  |
| Ano | 2020 |
| Data de Acesso | 10 maio 2024 |
| Tipo Secundário | PRE PI |
| Número de Arquivos | 1 |
| Tamanho | 3715 KiB |
| 2. Contextualização | |
| Autor | 1 Sothe, Camile 2 Almeida, Cláudia Maria de 3 Schimalski, Marcos Benedito 4 Liesenberg, Veraldo 5 Cue, Laura Elena 6 Bermudez, José David 7 Feitosa, Raul Queiroz |
| Identificador de Curriculo | 1 2 8JMKD3MGP5W/3C9JGS3 |
| Grupo | 1 SER-SRE-SESPG-INPE-MCTIC-GOV-BR 2 DIDSR-CGOBT-INPE-MCTIC-GOV-BR |
| Afiliação | 1 Instituto Nacional de Pesquisas Espaciais (INPE) 2 Instituto Nacional de Pesquisas Espaciais (INPE) 3 Universidade do Estado de Santa Catarina (UDESC) 4 Universidade do Estado de Santa Catarina (UDESC) 5 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) 6 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) 7 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) |
| Endereço de e-Mail do Autor | 1 camile.sothe@inpe.br 2 claudia.almeida@inpe.br |
| Revista | International Journal of Remote Sensing |
| Volume | 41 |
| Número | 5 |
| Páginas | 1943-1969 |
| Nota Secundária | A1_PLANEJAMENTO_URBANO_E_REGIONAL_/_DEMOGRAFIA A2_INTERDISCIPLINAR A2_GEOGRAFIA A2_ENGENHARIAS_IV A2_ENGENHARIAS_III A2_ENGENHARIAS_I A2_CIÊNCIAS_AMBIENTAIS A2_CIÊNCIA_DA_COMPUTAÇÃO B1_MATEMÁTICA_/_PROBABILIDADE_E_ESTATÍSTICA B1_GEOCIÊNCIAS B1_ENGENHARIAS_II B1_CIÊNCIAS_AGRÁRIAS_I B1_BIODIVERSIDADE B2_SAÚDE_COLETIVA B2_ODONTOLOGIA B3_CIÊNCIAS_BIOLÓGICAS_I B3_BIOTECNOLOGIA B5_ASTRONOMIA_/_FÍSICA |
| Histórico (UTC) | 2019-12-03 15:22:37 :: lattes -> administrator :: 2019 2019-12-06 14:04:44 :: administrator -> lattes :: 2019 2019-12-06 14:06:21 :: lattes -> administrator :: 2019 2020-01-06 11:35:24 :: administrator -> simone :: 2019 2020-01-06 16:47:01 :: simone :: 2019 -> 2020 2020-01-06 16:47:02 :: simone -> administrator :: 2020 2022-01-04 01:31:11 :: administrator -> simone :: 2020 |
| 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 | forest succession stages endangered tree species convolutional neural networks ensemble methods light detection and ranging multispectral data |
| Resumo | This work explores the integration of airborne Light Detection and Ranging (LiDAR) data and WorldView-2 (WV2) images to classify the land cover of a subtropical forest area in Southern Brazil. Different deep and machine learning methods were used: one based on convolutional neural network (CNN) and three ensemble methods. We adopted both pixel- (in the case of CNN) and object-based approaches. The results demonstrated that the integration of LiDAR and WV2 data led to a significant increase (7% to 16%) in accuracies for all classifiers, with kappa coefficient (κ) ranging from 0.74 for the random forest (RF) classifier associated with the WV2 dataset, to 0.92 for the forest by penalizing attributes (FPA) with the full (LiDAR + WV2) dataset. Using the WV2 dataset solely, the best κ was 0.81 with CNN classifier, while for the LiDAR dataset, the best κ was 0.8 with the rotation forest (RotF) algorithm. The use of LiDAR data was especially useful for the discrimination of vegetation classes because of the different height properties among them. In its turn, the WV2 data provided better performance for classes with less structure variation, such as field and bare soil. All the classification algorithms had a nearly similar performance: the results vary slightly according to the dataset used and none of the methods achieved the best accuracy for all classes. It was noticed that both datasets (WV2 and LiDAR) even when applied alone achieved good results with deep and machine learning methods. However, the advantages of integrating active and passive sensors were evident. All these methods provided promising results for land cover classification experiments of the study area in this work. |
| Área | SRE |
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDSR > A comparison of... |
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > A comparison of... |
| Conteúdo da Pasta doc | acessar |
| Conteúdo da Pasta source | não têm arquivos |
| Conteúdo da Pasta agreement | não têm arquivos |
| 4. Condições de acesso e uso | |
| Idioma | en |
| Arquivo Alvo | sothe_comparison.pdf |
| Grupo de Usuários | self-uploading-INPE-MCTI-GOV-BR |
| Grupo de Leitores | administrator simone |
| Visibilidade | shown |
| Política de Arquivamento | denypublisher denyfinaldraft12 |
| Permissão de Leitura | deny from all and allow from 150.163 |
| Permissão de Atualização | não transferida |
| 5. Fontes relacionadas | |
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3ER446E 8JMKD3MGPCW/3F3NU5S |
| Lista de Itens Citando | sid.inpe.br/bibdigital/2013/10.18.22.34 2 sid.inpe.br/bibdigital/2013/09.13.21.11 1 |
| URL (dados não confiáveis) | https://www.tandfonline.com/doi/full/10.1080/01431161.2019.1681600 |
| Divulgação | WEBSCI; PORTALCAPES; COMPENDEX; SCOPUS. |
| Acervo Hospedeiro | dpi.inpe.br/plutao@80/2008/08.19.15.01 |
| 6. Notas | |
| Notas | Setores de Atividade: Atividades dos serviços de tecnologia da informação, Pesquisa e desenvolvimento científico, Produção Florestal. |
| Campos Vazios | alternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn lineage mark mirrorrepository month nextedition orcid parameterlist parentrepositories previousedition previouslowerunit progress project rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype typeofwork |
| 7. Controle da descrição | |
| e-Mail (login) | simone |
| atualizar | |