Resultado da Pesquisa
A expressão de busca foi <firstg crn and secondaryty pn and y 2010 and not dissemination websci and ref journal>.
2 referências encontradas buscando em 17 dentre 17 Arquivos.
Data e hora local de busca: 25/04/2024 19:15.
1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
IdentificadorJ8LNKAN8RW/37NR44H
Repositóriodpi.inpe.br/plutao@80/2010/06.25.16.28   (acesso restrito)
Última Atualização2010:07.06.16.16.31 (UTC) administrator
Repositório de Metadadosdpi.inpe.br/plutao@80/2010/06.25.16.28.38
Última Atualização dos Metadados2018:06.05.00.13.07 (UTC) administrator
Chave SecundáriaINPE--PRE/
ISSN0045-6888
Rótulolattes: 7112277465715838 4 CostaJrTeiAndLucCas:2010:AnInVe
Chave de CitaçãoCostaTeiAndLucCas:2010:AnInVe
TítuloAnalisys of the influence of vegetation in the altimetry of SRTM data in semi-arid watersheds/Análise da influência vegetacional na altimetria dos dados SRTM em bacias hidrográficas no semiárido
Ano2010
Data de Acesso25 abr. 2024
Tipo SecundárioPRE PN
Número de Arquivos1
Tamanho161 KiB
2. Contextualização
Autor1 Costa, Carlos Alexandre Gomes
2 Teixeira, Adunias dos Santos
3 Andrade, Eunice Maia de
4 Lucena, Antonio Macilio Pereira de
5 Castro, Marcos Aurélio Holanda de
Identificador de Curriculo1
2
3
4 8JMKD3MGP5W/3C9JGJL
Grupo1
2
3
4 CRN-CCR-INPE-MCT-BR
Afiliação1 Univ Fed Goias, Jatai, Brazil
2 Univ Fed Ceara, Dept Agr Engn, Fortaleza, CE Brazil
3
4 Instituto Nacional de Pesquisas Espaciais (INPE)
5 Univ Fed Ceara, Dept Eng Hidraul & Ambiental, Fortaleza, CE Brazil
Endereço de e-Mail do Autor1 macilio@roen.inpe.br
Endereço de e-Mailmacilio@roen.inpe.br
RevistaRevista Ciência Agronômica
Volume41
Número2
Páginas222-230
Nota SecundáriaC_BIOTECNOLOGIA B2_CIÊNCIAS_AGRÁRIAS_I B5_CIÊNCIAS_BIOLÓGICAS_I B5_ECOLOGIA_E_MEIO_AMBIENTE B4_ENGENHARIAS_II B3_INTERDISCIPLINAR
Histórico (UTC)2010-06-29 12:04:22 :: lattes -> marciana :: 2010
2010-08-02 17:01:29 :: marciana -> administrator :: 2010
2010-12-08 15:23:40 :: administrator -> marciana :: 2010
2011-09-20 12:58:48 :: marciana -> administrator :: 2010
2018-06-05 00:13:07 :: administrator -> marciana :: 2010
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveTopografia
Interferometria de RADAR
Bacia Hidrográfica
Modelo Digital de Elevação
ResumoA topografia evidencia-se como um fator imprescindível no entendimento da dinâmica hidrológica e ambiental. Assim, torna-se fundamental a validação de dados altimétricos obtidos por sensoriamento remoto. Os dados SRTM de elevação são resultado de uma missão orbital por RADAR interferométrico que corresponde à topografia da superfície da Terra, considerando inclusive a influência da vegetação no retorno do sinal. O objetivo deste trabalho é validar os dados SRTM para as condições do semi-árido brasileiro. Para isto foram elaboradas comparações e análise estatística de dados obtidos no campo com GPS diferencial e outras bases de dados referenciais existentes, cartas planialtimétricas DSG/ SUDENE e dados de RN do IBGE em pontos localizados na bacia do rio Jaguaribe situada no semi-árido cearense. Os resultados apresentaram erro altimétrico de aproximadamente 7,0 m com relação aos RNs da bacia. Com uso do DGPS em um relevo plano com baixa declividade e com vegetação de porte baixo os resultados apontam um erro altimétrico de aproximadamente 1,7 m. Conclui-se que, apesar da influência da cobertura vegetal na variação altimétrica, os dados SRTM apresentam-se confiáveis para regiões com vegetação típica do semi-árido.
ÁreaGEST
Arranjourlib.net > BDMCI > Fonds > Produção anterior à 2021 > CRCRN > Analisys of the...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
Idiomapt
Arquivo Alvo677-3916-1-PB.pdf
Grupo de Usuáriosadministrator
lattes
marciana
Visibilidadeshown
Política de Arquivamentodenypublisher denyfinaldraft
Permissão de Leituradeny from all and allow from 150.163
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3EUAPES
URL (dados não confiáveis)http://www.ccarevista.ufc.br/seer/index.php/ccarevista/article/viewFile/819/432
DivulgaçãoPORTALCAPES; SCIELO.
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
NotasEsta revista oferece acesso livre imediato ao seu conteúdo, seguindo o princípio de que disponibilizar gratuitamente o conhecimento científico ao público proporciona maior democratização mundial do conhecimento.
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel doi format isbn lineage mark mirrorrepository month nextedition orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup rightsholder schedulinginformation secondarydate session shorttitle sponsor subject tertiarymark tertiarytype typeofwork
7. Controle da descrição
e-Mail (login)marciana
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Sitemtc-m16d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP7W/3B6G3JP
Repositóriosid.inpe.br/mtc-m19/2012/01.10.12.26
Última Atualização2012:01.10.12.31.11 (UTC) administrator
Repositório de Metadadossid.inpe.br/mtc-m19/2012/01.10.12.26.54
Última Atualização dos Metadados2018:06.05.04.35.40 (UTC) administrator
Chave SecundáriaINPE--PRE/
ISSN0560-4613
1808-0936
Chave de CitaçãoSousaTeiSilAndBra:2010:AvClBa
TítuloAvaliação de classificadores baseados em aprendizado de máquina para a classificação do uso e cobertura da terra no bioma caatinga
Ano2010
Mêsset.
Data de Acesso25 abr. 2024
Tipo SecundárioPRE PN
Número de Arquivos1
Tamanho671 KiB
2. Contextualização
Autor1 Sousa, Beatriz Fernandes Simplicio
2 Teixeira, Adunias dos Santos
3 Silva, Francisco de Assis Tavares Ferreira da
4 Andrade, Eunice Maia de
5 Braga, Arthur Plínio de Souza
Identificador de Curriculo1
2
3 8JMKD3MGP5W/3C9JH4L
Grupo1
2
3 CRN-CCR-INPE-MCT-BR
Afiliação1
2
3 Instituto Nacional de Pesquisas Espaciais (INPE)
RevistaRevista Brasileira de Cartografia
Volume62
Número2 , setembro 2010.
Páginasedição Especial
Histórico (UTC)2012-01-10 12:33:04 :: marciana -> administrator :: 2010
2018-06-05 04:35:40 :: administrator -> marciana :: 2010
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveInteligência Artificial
Semi-árido
Classificação de Imagens de Satélite
Artificial Intelligence
Semi Arid
Satellite Image Classification
ResumoO manejo adequado dos recursos naturais em ambientes frágeis, como o da Caatinga, requer o conhecimento de suas propriedades e distribuição espacial. Nesse contexto, o trabalho tem por objetivo avaliar o desempenho de dois algoritmos baseados em aprendizado de máquina (Multi Layer Perceptron (MLP) e o Support Vector Machine (SVM)) e do método da Máxima Verossimilhança na classificação do uso e cobertura da terra no bioma Caatinga. Para o experimento, foi utilizada uma imagem do satélite LANDSAT-5/TM contendo a área de estudo localizada no município de Iguatu-CE e definidas as classes de cobertura da terra, a saber: antropização por agricultura (APA), outros tipos de antropização (OTA), água, caatinga herbácea arbustiva (CHA) e caatinga arbórea densa (CAD). O desempenho dos métodos foi analisado através dos coeficientes de Exatidão Global (EG), Exatidão Específica (EE) e Kappa (K) calculados a partir dos dados da matriz de confusão correspondente à verdade terrestre. Os valores do coeficiente de EG foram de: 86,03%, 82,14% e 81,2% e K de: 0,77, 0,76 e 0,75 nos métodos SVM, MLP e Máxima Verossimilhança, respectivamente. Os valores de EE foram superiores a 70% para todos os classificadores testados. Os resultados obtidos demonstram que os métodos SVM e MLP estão aptos à classificação dos padrões propostos, já que apresentaram resultados semelhantes ao método tradicional da Máxima Verossimilhança. Porém, estes classificadores podem consumir mais tempo na etapa de definição dos parâmetros da rede e de processamento.ABSTRACT Proper management of natural resources in fragile environments, such as the Caatinga, requires knowledge of their properties and spatial distribution. In this context, the study aims at evaluating the performance of two algorithms based on machine learning (Multi Layer Perceptron (MLP) and Support Vector Machine (SVM)) and the Maximum Proper management of natural resources in fragile environments, such as the Caatinga, requires knowledge of their properties and spatial distribution. In this context, the study aims at evaluating the performance of two algorithms based on machine learning (Multi Layer Perceptron (MLP) and Support Vector Machine (SVM)) and the Maximum Likelihood method to classify land use and land cover in the Caatinga biome. For the experiment, it was used a satellite image of LANDSAT-5/TM containing the study area located in the municipality of Iguatu-CE, and classes of land cover, namely: anthropized by agriculture, other types of anthropized, water, herbaceous shrub savanna (CHA ) and dense arboreal savanna (CAD) were defined. The performance of the methods was analyzed by the coefficient of Global Accuracy (EG), Accuracy Specific (EE) and Kappa (K) coefficient calculated with data taken from the confusion matrix corresponding to ground truth. The coefficient of EG were: 86.03%, 82.14% and 81.2% and K: 0.77, 0.76 and 0.75 in the methods SVM, MLP and maximum likelihood respectively. EE values were above 70% for all classifiers tested. The results have shown that SVM and MLP methods are suited to the classification of the proposed standards, as it showed similar results to the traditional method of maximum likelihood. However, these methods are more time consuming in the stage of defining the parameters of the network and may require more computation power during stage of processing.
ÁreaSRE
Arranjourlib.net > BDMCI > Fonds > Produção anterior à 2021 > CRCRN > Avaliação de classificadores...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 10/01/2012 10:26 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP7W/3B6G3JP
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP7W/3B6G3JP
Idiomapt
Arquivo Alvo62_ESPECIAL_02_6.pdf
Grupo de Usuáriosadministrator
marciana
Visibilidadeshown
Política de Arquivamentoallowpublisher allowfinaldraft
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhosid.inpe.br/mtc-m19@80/2009/08.21.17.02.53
Unidades Imediatamente Superiores8JMKD3MGPCW/3EUAPES
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.46.21 5
DivulgaçãoPORTALCAPES
Acervo Hospedeirosid.inpe.br/mtc-m19@80/2009/08.21.17.02
6. Notas
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel doi e-mailaddress electronicmailaddress format isbn label lineage mark nextedition notes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype typeofwork url
7. Controle da descrição
e-Mail (login)marciana
atualizar