Resultado da Pesquisa
A expressão de busca foi <related:sid.inpe.br/plutao/2014/12.01.15.35.46-0:pt:title:2:classification land cover classifier:application multiple space nearest neighbor classifier land cover classification:>.
77 referências similares foram encontradas(inclusive a original) buscando em 17 dentre 17 Arquivos
(este total pode incluir algumas duplicatas - para ver a conta certa clique no botão Mostrar Todas).
As 10 mais recentes estão listadas abaixo.
Data e hora local de busca: 20/04/2024 10:16.

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W/3HG82PE
Repositóriosid.inpe.br/plutao/2014/12.01.15.35.45
Última Atualização2015:01.13.13.44.36 (UTC) marcelo.pazos@inpe.br
Repositório de Metadadossid.inpe.br/plutao/2014/12.01.15.35.46
Última Atualização dos Metadados2018:06.04.23.39.45 (UTC) administrator
DOI10.1109/IGARSS.2014.6946781
ISBN9781479957750
Rótulolattes: 9840759640842299 4 ToledoMartins-BedeReiPanDutSan:2014:ApMuSp
Chave de CitaçãoMartins-BedêReiPanDutSan:2014:ApMuSp
TítuloAn application of multiple space nearest neighbor classifier in land cover classification
FormatoDVD
Ano2014
Data de Acesso20 abr. 2024
Tipo SecundárioPRE CI
Número de Arquivos1
Tamanho1095 KiB
2. Contextualização
Autor1 Martins-Bedê, Flávia de Toledo
2 Reis, Mariane Souza
3 Pantaleão, Eliana
4 Dutra, Luciano Vieira
5 Sandri, Sandra Aparecida
Identificador de Curriculo1
2
3
4 8JMKD3MGP5W/3C9JHMA
5 8JMKD3MGP5W/3E3JEJL
Grupo1 CAP-COMP-SPG-INPE-MCTI-GOV-BR
2 SER-SRE-SPG-INPE-MCTI-GOV-BR
3
4 DPI-OBT-INPE-MCTI-GOV-BR
5 LAC-CTE-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3
4 Instituto Nacional de Pesquisas Espaciais (INPE)
5 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mailmarcelo.pazos@inpe.br
Nome do EventoIEEE International Geoscience and Remote Sensing Symposium, (IGARSS 2014).
Localização do EventoQuebec City
Data2014
Editora (Publisher)IEEE
Páginas1713-17
Título do LivroProceedings
Tipo TerciárioArtigo
Histórico (UTC)2014-12-01 15:35:46 :: lattes -> administrator ::
2016-07-03 21:06:43 :: administrator -> marcelo.pazos@inpe.br :: 2014
2016-10-14 18:27:13 :: marcelo.pazos@inpe.br -> administrator :: 2014
2018-06-04 23:39:45 :: administrator -> marcelo.pazos@inpe.br :: 2014
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Palavras-Chaveland cover classification
multiple space nearest neighbor
classification algorithm
SAR and optical data classification
ResumoThis work presents a case study in land cover classification using ms-NN, an extension of k-NN classification algorithm. The case study focuses on an area in the Brazilian Amazon region, with data obtained from LANDSAT5 satellite Thematic Mapper (TM) sensor and Advanced Land Observing System satellite (ALOS) Phase Array L-Band Synthetic Aperture Radar (PALSAR), using Fine Beam Dual. The results obtained with ms-NN are compared with k-NN and Support Vector Machine algorithms, considering the use of a single training set, a Monte Carlo procedure for testing and an extensive number of parameterizations for the classification methods. Considering only the best results for each classifier, ms-NN obtained better results than the other methods.
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDPI > An application of...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > An application of...
Arranjo 3urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > An application of...
Arranjo 4urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > An application of...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W/3HG82PE
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W/3HG82PE
Idiomapt
Arquivo Alvo06946781flavia.pdf
Grupo de Usuárioslattes
marcelo.pazos@inpe.br
Grupo de Leitoresadministrator
marcelo.pazos@inpe.br
Visibilidadeshown
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Vinculação8JMKD3MGP5W34M/3FT6D55
Repositório Espelhoiconet.com.br/banon/2006/11.26.21.31
Unidades Imediatamente Superiores8JMKD3MGPCW/3EQCCU5
8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/3F2PHGS
8JMKD3MGPCW/3F3NU5S
Lista de Itens Citandosid.inpe.br/bibdigital/2013/09.09.15.05 3
URL (dados não confiáveis)http://ieeexplore.ieee.org/xpl/articleDetails.jsp?tp=&arnumber=6946781&refinements%3D4294967269%2C4291944822%2C4291944246%2C4291944245%26ranges%3D2013_2015_p_Publication_Year%26matchBoolean%3Dtrue%26searchField%3DSearch_All%26queryText%3D%28p_Authors
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
NotasSetores de Atividade: Impressão e reprodução de gravações.
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination edition editor electronicmailaddress issn lineage mark nextedition numberofvolumes orcid organization parameterlist parentrepositories previousedition previouslowerunit progress project publisheraddress rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject type versiontype volume
7. Controle da descrição
e-Mail (login)marcelo.pazos@inpe.br
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m21b.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34P/3P73CDB
Repositóriosid.inpe.br/mtc-m21b/2017/06.28.16.27
Última Atualização2017:10.02.13.19.25 (UTC) administrator
Repositório de Metadadossid.inpe.br/mtc-m21b/2017/06.28.16.27.12
Última Atualização dos Metadados2018:06.04.02.27.32 (UTC) administrator
Chave SecundáriaINPE--PRE/
Chave de CitaçãoReisSanDutEscPan:2017:UsLaCo
TítuloThe use of land cover change likelihood for improving land cover classification
Ano2017
Data de Acesso20 abr. 2024
Tipo SecundárioPRE CI
Número de Arquivos1
Tamanho2193 KiB
2. Contextualização
Autor1 Reis, Mariane Sousa
2 Sant'Anna, Sidnei João Siqueira
3 Dutra, Luciano Vieira
4 Escada, Maria Isabel Sobral
5 Pantaleão, Eliana
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JJ8N
3 8JMKD3MGP5W/3C9JHMA
4 8JMKD3MGP5W/3C9JHRG
Grupo1 SER-SRE-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
Afiliação1 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)
5 Universidade Federal de Uberlandia (UFU)
Endereço de e-Mail do Autor1 mariane.reis@inpe.br
2 sidnei.santanna@inpe.br
3 luciano.dutra@inpe.br
4 isabel.escada@inpe.br
Nome do EventoIEEE International Geoscience and Remote Sensing Symposium (IGARSS)
Localização do EventoFort Worth, Texas
Data23-28 june
Histórico (UTC)2017-06-28 16:27:45 :: simone -> administrator :: 2017
2017-06-30 23:50:10 :: administrator -> simone :: 2017
2017-10-02 13:19:25 :: simone -> administrator :: 2017
2018-06-04 02:27:32 :: administrator -> simone :: 2017
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãofinaldraft
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDPI > The use of...
Arranjo 2The use of...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 28/06/2017 13:27 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34P/3P73CDB
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34P/3P73CDB
Idiomaen
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3EQCCU5
8JMKD3MGPCW/3F3NU5S
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.15.00.20 2
sid.inpe.br/mtc-m21b/2013/09.26.14.25.22 2
sid.inpe.br/mtc-m21/2012/07.13.14.53.50 1
Acervo Hospedeirosid.inpe.br/mtc-m21b/2013/09.26.14.25.20
6. Notas
Campos Vaziosabstract archivingpolicy archivist booktitle callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor format isbn issn keywords label lineage mark mirrorrepository nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject targetfile tertiarymark tertiarytype type url volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/428S2BP
Repositóriosid.inpe.br/mtc-m21c/2020/04.01.10.38
Última Atualização2020:04.01.10.38.14 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2020/04.01.10.38.14
Última Atualização dos Metadados2022:01.04.01.35.03 (UTC) administrator
DOI10.3390/rs12060961
ISSN2072-4292
Chave de CitaçãoSoaresDuCoFeNeDi:2020:MeImLa
TítuloA meta-methodology for improving land cover and land use classification with SAR imagery
Ano2020
MêsMar.
Data de Acesso20 abr. 2024
Tipo de Trabalhojournal article
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho3256 KiB
2. Contextualização
Autor1 Soares, Marinalva Dias
2 Dutra, Luciano Vieira
3 Costa, Gilson Alexandre Ostwald Pedro da
4 Feitosa, Raul Queiroz
5 Negri, Rogério Galante
6 Diaz, Pedro M. A.
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHMA
ORCID1
2 0000-0002-7757-039X
3
4 0000-0001-8344-5096
5 0000-0002-4808-2362
Grupo1 SER-SRE-SESPG-INPE-MCTIC-GOV-BR
2 CGCEA-CGCEA-INPE-MCTIC-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Universidade Estadual do Rio de Janeiro (UERJ)
4 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
5 Universidade Estadual Paulista (UNESP)
6 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
Endereço de e-Mail do Autor1 mdiasoares@gmail.com
2 luciano.dutra@inpe.br
3 gilson.costa@ime.uerj.br
4 raul@ele.puc-rio.br
5 rogerio.negri@unesp.br
6 pedro9589@gmail.com
RevistaRemote Sensing
Volume12
Número6
Páginase861
Nota SecundáriaB3_GEOGRAFIA B3_ENGENHARIAS_I B4_GEOCIÊNCIAS B4_CIÊNCIAS_AMBIENTAIS B5_CIÊNCIAS_AGRÁRIAS_I
Histórico (UTC)2020-04-01 10:38:14 :: simone -> administrator ::
2020-04-01 10:38:15 :: administrator -> simone :: 2020
2020-04-01 10:42:03 :: simone -> administrator :: 2020
2022-01-04 01:35:03 :: administrator -> simone :: 2020
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-Chaveregion-based classification
GEOBIA
SAR classification
LULC classification
SAR data segmentation
segmentation tuning
meta-methodologies
ResumoPer-point classification is a traditional method for remote sensing data classification, and for radar data in particular. Compared with optical data, the discriminative power of radar data is quite limited, for most applications. A way of trying to overcome these difficulties is to use Region-Based Classification (RBC), also referred to as Geographical Object-Based Image Analysis (GEOBIA). RBC methods first aggregate pixels into homogeneous objects, or regions, using a segmentation procedure. Moreover, segmentation is known to be an ill-conditioned problem because it admits multiple solutions, and a small change in the input image, or segmentation parameters, may lead to significant changes in the image partitioning. In this context, this paper proposes and evaluates novel approaches for SAR data classification, which rely on specialized segmentations, and on the combination of partial maps produced by classification ensembles. Such approaches comprise a meta-methodology, in the sense that they are independent from segmentation and classification algorithms, and optimization procedures. Results are shown that improve the classification accuracy from Kappa = 0.4 (baseline method) to a Kappa = 0.77 with the presented method. Another test site presented an improvement from Kappa = 0.36 to a maximum of 0.66 also with radar data.
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > CGCEA > A meta-methodology for...
Arranjo 2urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > A meta-methodology for...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 01/04/2020 07:38 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/428S2BP
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/428S2BP
Idiomaen
Arquivo Alvosoares_meta.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Política de Arquivamentoallowpublisher allowfinaldraft
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3EU2FR5
8JMKD3MGPCW/3F3NU5S
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.18.22.34 3
sid.inpe.br/mtc-m21/2012/07.13.14.53.50 2
DivulgaçãoWEBSCI; PORTALCAPES; MGA; COMPENDEX; SCOPUS.
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark mirrorrepository nextedition notes 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 

1. Identificação
Tipo de ReferênciaCapítulo de Livro (Book Section)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W/3FCLSN2
Repositóriosid.inpe.br/plutao/2013/12.12.19.57   (acesso restrito)
Última Atualização2017:07.24.14.14.14 (UTC) marcelo.pazos@inpe.br
Repositório de Metadadossid.inpe.br/plutao/2013/12.12.19.57.17
Última Atualização dos Metadados2018:06.04.23.39.26 (UTC) administrator
DOI10.1201/b15159-10
ISBN978-1-4665-5692-8
eBook ISBN: 978-1-4665-5693-5
Rótulolattes: 9840759640842299 5 LiLuMoBaDuFrSa:2013:LaUsCo
Chave de CitaçãoLiLuMoBaDuFrSa:2013:LaUsCo
TítuloLand use/land cover classification in the Brazilian Amazon with different sensor data and classification algorithms
Ano2013
Data de Acesso20 abr. 2024
Tipo SecundárioPRE LI
Número de Arquivos1
Tamanho3224 KiB
2. Contextualização
Autor1 Li, Guiying
2 Lu, Dengsheng
3 Moran, Emilio
4 Batistella, Mateus
5 Dutra, Luciano Vieira
6 Freitas, Corina da Costa
7 Sant' Anna, Sidnei Jãoa
Identificador de Curriculo1
2
3
4
5 8JMKD3MGP5W/3C9JHMA
Grupo1
2
3
4
5 DPI-OBT-INPE-MCTI-GOV-BR
6 DPI-OBT-INPE-MCTI-GOV-BR
7 DPI-OBT-INPE-MCTI-GOV-BR
Afiliação1 Indiana University, Anthropological Center for Training and Research on Global Environmental Change, Student Building 331, 701 East Kirkwood Avenue, Bloomington, Indiana, 47405, USA.
2 Indiana University, Anthropological Center for Training and Research on Global Environmental Change, Student Building 331, 701 East Kirkwood Avenue, Bloomington, Indiana, 47405, USA.
3 Indiana University, Anthropological Center for Training and Research on Global Environmental Change, Student Building 331, 701 East Kirkwood Avenue, Bloomington, Indiana, 47405, USA.
4 Embrapa Monitoramento por Satélite, Avenida Soldado Passarinho, no 303, CEP 13070‑115 Campinas, SP, Brazil.
5 Instituto Nacional de Pesquisas Espaciais (INPE)
6 Instituto Nacional de Pesquisas Espaciais (INPE)
7 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1
2
3
4
5 dutra@dpi.inpe.br
EditorWang, Guangxing
Weng, Qihao
Editor da SérieWang, Guangxing
Weng, Qihao
Endereço de e-Maildutra@dpi.inpe.br
Título do LivroRemote sensing of natural resources
Editora (Publisher)CRC Press
Volumecap. 6
Páginas111-126
Título da SérieTaylor Francis Series in Remote Sensing Applications Series
Histórico (UTC)2013-12-16 16:14:01 :: lattes -> administrator :: 2013
2016-07-03 20:22:30 :: administrator -> marcelo.pazos@inpe.br :: 2013
2017-07-24 14:14:14 :: marcelo.pazos@inpe.br -> administrator :: 2013
2018-06-04 23:39:26 :: administrator -> marcelo.pazos@inpe.br :: 2013
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-Chaveamazon
ciencias ambientais
ÁreaSRE
ArranjoLand use/land cover...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
Idiomaen
Grupo de Usuárioslattes
Visibilidadeshown
Permissão de Leituradeny from all and allow from 150.163
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhoiconet.com.br/banon/2006/11.26.21.31
Unidades Imediatamente Superiores8JMKD3MGPCW/3EQCCU5
URL (dados não confiáveis)http://www.crcnetbase.com/doi/abs/10.1201/b15159-10
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosabstract archivingpolicy archivist callnumber city copyholder copyright creatorhistory descriptionlevel dissemination edition format issn lineage mark nextedition notes numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup rightsholder schedulinginformation secondarydate secondarykey secondarymark session shorttitle sponsor subject targetfile tertiarymark tertiarytype translator
7. Controle da descrição
e-Mail (login)marcelo.pazos@inpe.br
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W/3JJPLT5
Repositóriosid.inpe.br/plutao/2015/06.01.14.20   (acesso restrito)
Última Atualização2018:04.10.19.03.56 (UTC) simone
Repositório de Metadadossid.inpe.br/plutao/2015/06.01.14.20.10
Última Atualização dos Metadados2018:06.04.23.25.39 (UTC) administrator
DOI10.4018/ijncr.2015010104
ISSN1947-928X
1947-9298
Rótulolattes: 8594179234801599 3 PimentelRamoSand:2015:ClLaUs
Chave de CitaçãoPimentelRamoSand:2015:ClLaUs
TítuloClassification of land use and land cover in the brazilian Amazon using fuzzy multilayer perceptrons
Ano2015
Data de Acesso20 abr. 2024
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho259 KiB
2. Contextualização
Autor1 Pimentel, Toni
2 Ramos, Fernando Manuel
3 Sandri, Sandra Aparecida
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JH4A
3 8JMKD3MGP5W/3E3JEJL
Grupo1
2 LAC-CTE-INPE-MCTI-GOV-BR
3 LAC-CTE-INPE-MCTI-GOV-BR
Afiliação1
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
RevistaInternational Journal of Natural Computing Research
Volume5
Número1
Páginas57-71
Nota SecundáriaB3_INTERDISCIPLINAR B3_CIÊNCIAS_BIOLÓGICAS_I B5_ENGENHARIAS_IV B5_CIÊNCIA_DA_COMPUTAÇÃO
Histórico (UTC)2015-06-01 14:20:10 :: lattes -> administrator ::
2016-06-04 01:09:09 :: administrator -> simone :: 2015
2018-04-10 19:03:57 :: simone -> administrator :: 2015
2018-06-04 23:25:39 :: administrator -> simone :: 2015
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
ÁreaCOMP
Arranjourlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Classification of land...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
Idiomaen
Grupo de Usuárioslattes
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Permissão de Leituradeny from all and allow from 150.163
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2011/03.29.20.55
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
Lista de Itens Citandosid.inpe.br/bibdigital/2013/09.22.23.14 2
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosabstract alternatejournal archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination e-mailaddress electronicmailaddress format isbn keywords lineage mark month nextedition notes orcid parameterlist parentrepositories previousedition previouslowerunit progress project rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject targetfile tertiarymark tertiarytype typeofwork url
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/49NEEFL
Repositóriosid.inpe.br/mtc-m21c/2023/08.30.10.51
Última Atualização2023:08.30.10.51.44 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2023/08.30.10.51.44
Última Atualização dos Metadados2023:09.14.01.13.45 (UTC) administrator
Chave SecundáriaINPE--PRE/
Chave de CitaçãoSimões:2019:LaUsLa
TítuloLand use and land cover classification of satellite image time series using machine learning
Ano2019
Data de Acesso20 abr. 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho101 KiB
2. Contextualização
AutorSimões, Rolf Ezequiel de Oliveira
GrupoCAP-COMP-SESPG-INPE-MCTIC-GOV-BR
AfiliaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autorrolfsimoes@gmail.com
EditorSantos, R. D. C.
Queiroz, G. R.
Nome do EventoWorkshop de Computação Aplicada, 19 (WORCAP)
Localização do EventoSão José dos Campos, SP
Data17-19 set. 2019
Título do LivroAnais
Tipo TerciárioPoster
Histórico (UTC)2023-08-30 10:51:44 :: simone -> administrator ::
2023-09-14 01:13:45 :: administrator -> simone :: 2019
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
ResumoThe human activities are impacting the global environment and the Earth surface. Research on new technologies to assess and monitor this impact is a necessary task to improve our knowledge on Earth system dynamics. One way to understand the environmental changes is to look to land cover and land use changes. In the past few decades, the Earth surface imaging done by orbital sensors is the most consistent way to do this task globally and periodically. Nowadays, the planet is continuously monitored and a several imagery databases are open to the public community. This massive volume of spatio-temporal suggested the concept of big Earth Observation data that, associated with the recent innovations on information technologies and connectivity, increased the attention to the Earth Observation data cubes (EODC) (Strobl, 2017; Giuliani et al., 2019). More than a way to organize multidimensional data, an EODC can be viewed as a package of solutions intended to facilitate its consumption by researchers. Recently, some private and governmental initiatives by research groups and institutions worldwide are producing and delivering EODC. INPE, the National Institute for Space Research in Brazil, is working on a challenging project, organize and deliver the Brazilian Data Cube (BDC) (INPE, 2019). Here, we present a work in progress model of the BDC catalog database using the Unified Modeling Language (UML) to clarifies some concepts and propose its Entity-Relationship model. The BDC catalog database is a central component of the data cube technology. It enables the search and retrieval of its data elements and facilitates the interoperability between services and client softwares.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Land use and...
Arranjo 2urlib.net > BDMCI > Fonds > WORCAP > XIX WORCAP > Land use and...
Arranjo 3urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > XIX WORCAP > Land use and...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 30/08/2023 07:51 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/49NEEFL
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/49NEEFL
Idiomaen
Arquivo AlvoSimoes_land.pdf
Grupo de Usuáriossimone
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2017/11.22.19.04.03
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
8JMKD3MGPDW34P/49QQGM8
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition format isbn issn keywords label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readergroup readpermission resumeid rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark type url volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaTese ou Dissertação (Thesis)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/44KLMUS
Repositóriosid.inpe.br/mtc-m21c/2021/05.05.01.16
Última Atualização2021:09.28.17.39.53 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2021/05.05.01.16.36
Última Atualização dos Metadados2022:04.03.23.15.44 (UTC) administrator
Chave SecundáriaINPE-18471-TDI/3119
Chave de CitaçãoSimões:2021:LaUsLa
TítuloLand use and land cover classification of satellite image time series using machine learning
Título AlternativoClassificação de uso e cobertura da terra a partir de séries temporais de imagens de satélite usando métodos de aprendizado de máquina
CursoCAP-COMP-DIPGR-INPE-MCTI-GOV-BR
Ano2021
Data2021-05-12
Data de Acesso20 abr. 2024
Tipo da TeseTese (Doutorado em Computação Aplicada)
Tipo SecundárioTDI
Número de Páginas65
Número de Arquivos1
Tamanho2413 KiB
2. Contextualização
AutorSimões, Rolf Ezequiel de Oliveira
BancaSantos, Rafael Duarte Coelho dos (presidente)
Camara Neto, Gilberto (orientador)
Queiroz, Gilberto Ribeiro de (orientador)
Almeida, Claudio Aparecido
Arvor, Damien
Lorena, Ana Carolina
Endereço de e-Mailrolf.simoes@inpe.br
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Histórico (UTC)2021-05-05 01:17:26 :: rolf.simoes@inpe.br -> pubtc@inpe.br ::
2021-05-06 19:18:10 :: pubtc@inpe.br -> rolf.simoes@inpe.br ::
2021-07-20 22:34:09 :: rolf.simoes@inpe.br -> pubtc@inpe.br ::
2021-07-21 17:11:29 :: pubtc@inpe.br -> rolf.simoes@inpe.br ::
2021-07-27 15:17:51 :: rolf.simoes@inpe.br -> pubtc@inpe.br ::
2021-12-03 18:34:58 :: pubtc@inpe.br -> simone ::
2021-12-03 18:42:06 :: simone :: -> 2021
2021-12-03 18:42:07 :: simone -> administrator :: 2021
2022-04-03 23:15:44 :: administrator -> :: 2021
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavebig Earth observation data
satellite image time series
machine learning
land use and land cover maps
cloud computing
big data
observação da Terra
séries temporais de imagens de satélites
aprendizado de máquina
mapas de uso e cobertura da terra
computação em nuvem
ResumoHuman activities are impacting the global environment and changing the landscape of the Earth at an unprecedented pace. One way to understand and quantify the impacts of these transformations is to measure land cover and land use changes. Earth observation by orbital sensors has became the most consistent way to do this task as it reaches all globe in a periodic manner. The planet is continuously monitored and large image databases are open to the public community. Cloud computing is becoming the main choice for storage, distribution, and processing of satellite imagery. To use these data sets to understand how our planet is changing, researchers are developing software for big Earth observation data analytics. The massive volume of spatiotemporal digital assets has brought about a major computational challenge: how to design and build technologies that allow the Earth observation community to analyse big data sets? This thesis addresses this problem by proposing an open source R package called sits. The package works with satellite image time series and machine learning methods to produce land use and land cover classification in a time-first, space-later approach. Our hypothesis is that using all observed spectral values of the time series coupled with advanced statistical learning methods is a robust approach for land classification. Two case studies show that this approach produces results of high accuracy. The first was conducted in Mato Grosso State, Brazil, for years 2001-2017. The second was conducted in Cerrado biome for the year 2018. These study areas comprise some of the worlds most dynamic agricultural frontiers. To show how to access collections of satellite images, we also present the rstac R package. This package allows sits to connect to different imagery repositories on the cloud. RESUMO: As atividades humanas estão impactando o meio ambiente global e mudando a paisagem da Terra a um ritmo sem precedentes. Uma maneira de entender e quantificar os impactos destes transformações é olhar para a cobertura e as mudanças de uso do solo. Nas últimas décadas, imagens de satélite sensores orbitais tornaram-se a maneira mais consistente de faze-lo. Atualmente, o planeta é continuamente monitorado e várias bases de dados de imagens estão abertas à comunidade científica. Para armazenar, distribuição e processar essas imagens, a principal escolha é o uso de computação em nuvem. Esse enorme volume de dados trouxe um desafio computacional: como projetar e construir tecnologias que permitam à comunidade de observação da Terra analisar grandes conjuntos de dados? Esta tese contribui para resolver esse desafio científico ao propor um pacote R de código aberto chamado sits . O software usa séries temporais de imagens de satélite e métodos de aprendizagem de máquinas para produzir a classificação de uso e cobertura da Terra em uma abordagem time-first, space-later. Nossa hipótese é a de que usar séries temporais juntamente com métodos avançados de aprendizagem de máquina é uma abordagem robusta para a classificação do uso e cobertura da terra. Mostramos no trabalho que esta abordagem produz mapas de uso e cobertura da Terra com boa precisão através de dois estudos de caso. O primeiro foi realizado no estado do Mato Grosso, Brasil, para o período 2001-2017. O segundo no bioma brasileiro do Cerrado para o ano de 2018. Nessas áreas de estudo estão localizas algumas das fronteiras agrícolas mais dinâmicas do mundo. Além disso, apresentamos o pacote rstac desenvolvido e integrado no sits que nos permitiu conectar a diferentes repositórios de imagens na nuvem.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Land use and...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Land use and...
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
originais/@4primeirasPaginas.pdf 28/09/2021 14:20 412.4 KiB 
originais/DEFESA FINAL DE TESE DE ROLF EZEQUIEL DE OLIVEIRA SIMÕES - CAP.pdf 28/07/2021 11:34 60.8 KiB 
originais/Thesis_Rolf_Simoes_INPE_v4.pdf 03/08/2021 15:17 2.0 MiB
Conteúdo da Pasta agreement
autorizacao.pdf 28/09/2021 14:39 323.9 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/44KLMUS
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/44KLMUS
Idiomaen
Arquivo Alvopublicacao.pdf
Grupo de Usuáriospubtc@inpe.br
rolf.simoes@inpe.br
simone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.10
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2017/11.22.19.04.03
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
8JMKD3MGPCW/46KUES5
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/43B6F6B
Repositóriosid.inpe.br/mtc-m21c/2020/09.28.12.33
Última Atualização2020:12.08.17.35.43 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2020/09.28.12.33.58
Última Atualização dos Metadados2022:01.04.01.35.25 (UTC) administrator
Chave SecundáriaINPE--PRE/
Chave de CitaçãoPrudenteSASOXXZ:2020:SADaLa
TítuloSAR data for land use land cover classification in a tropical region with frequent clouc dover
Ano2020
Data de Acesso20 abr. 2024
Tipo SecundárioPRE CI
Número de Arquivos1
Tamanho650 KiB
2. Contextualização
Autor1 Prudente, Victor Hugo Rohden
2 Sanches, Ieda Del'Arco
3 Adami, Marcos
4 Skakun, Sergii
5 Oldoni, Lucas Volochen
6 Xaud, Haron Abrahim Magalhães
7 Xaud, Maristela Ramalho
8 Zhang, Yiming
Grupo1 SER-SRE-SESPG-INPE-MCTIC-GOV-BR
2 DIDSR-CGOBT-INPE-MCTIC-GOV-BR
3 CRCRA-COCRE-INPE-MCTIC-GOV-BR
4
5 SER-SRE-SESPG-INPE-MCTIC-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
4 University of Maryland
5 Instituto Nacional de Pesquisas Espaciais (INPE)
6 Brazilian Agricultural Research Corporation
7 Brazilian Agricultural Research Corporation
8 University of Maryland
Endereço de e-Mail do Autor1
2 ieda.sanches@inpe.br
3 marcos.adami@inpe.br
4
5 lucas.oldoni@inpe.br
Nome do EventoIEEE International Geoscience and Remote Sensing Symposium (IGARSS)
Localização do EventoVirtual Symposium
Data26 Sept. - 02 Oct.
Histórico (UTC)2020-09-28 12:34:52 :: simone -> administrator :: 2020
2020-10-06 15:56:19 :: administrator -> simone :: 2020
2020-12-08 17:35:43 :: simone -> administrator :: 2020
2022-01-04 01:35:25 :: administrator -> simone :: 2020
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDSR > SAR data for...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > CRCRA > SAR data for...
Arranjo 3urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > SAR data for...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 28/09/2020 09:33 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/43B6F6B
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/43B6F6B
Idiomaen
Arquivo Alvoprudente_sar.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3ER446E
8JMKD3MGPCW/3EUAE4H
8JMKD3MGPCW/3F3NU5S
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.03.18.52 1
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosabstract archivingpolicy archivist booktitle callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor format isbn issn keywords label lineage mark mirrorrepository nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readpermission resumeid rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url versiontype volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemarte2.sid.inpe.br
Identificador8JMKD3MGP6W34M/494US45
Repositóriosid.inpe.br/marte2/2023/05.15.00.32
Última Atualização2023:05.15.00.32.55 (UTC) administrator
Repositório de Metadadossid.inpe.br/marte2/2023/05.15.00.32.55
Última Atualização dos Metadados2024:01.08.18.14.13 (UTC) administrator
ISBN978-65-89159-04-9
Chave de CitaçãoPrudenteSGOXXAS:2023:LaUsLa
TítuloLand use and land cover classification using a SAR optical cloud computer approach in southern of Roraima
FormatoInternet
Ano2023
Data de Acesso20 abr. 2024
Tipo SecundárioPRE CN
Número de Arquivos2
Tamanho543 KiB
2. Contextualização
Autor1 Prudente, Victor Hugo Rohden
2 Silva, Nildson Rodrigues de França e
3 Garcia, Andre Dalla Bernardina
4 Oldoni, Lucas Volochen
5 Xaud, Haron Abrahim Magalhães
6 Xaud, Maristela Ramalho
7 Adami, Marcos
8 Sanches, Ieda Del'Arco
Grupo1
2 SER-SRE-DIPGR-INPE-MCTI-GOV-BR
3 SER-SRE-DIPGR-INPE-MCTI-GOV-BR
4 SER-SRE-DIPGR-INPE-MCTI-GOV-BR
5
6
7 DIOTG-CGCT-INPE-MCTI-GOV-BR
8 DIOTG-CGCT-INPE-MCTI-GOV-BR
Afiliação1 University of Michigan
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
4 Instituto Nacional de Pesquisas Espaciais (INPE)
5 Embrapa Roraima
6 Embrapa Roraima
7 Instituto Nacional de Pesquisas Espaciais (INPE)
8 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 victor.rohden@yahoo.com
2 nildson.silva@inpe.br
3 andre.garcia@inpe.br
4 lucas.oldoni@inpe.br
5 haron.xaud@embrapa
6 maristela.xaud@embrapa.br
7 marcos.adami@inpe.br
8 ieda.sanches@inpe.br
EditorGherardi, Douglas Francisco Marcolino
Aragão, Luiz Eduardo Oliveira e Cruz de
Sanches, Ieda DelArco
Nome do EventoSimpósio Brasileiro de Sensoriamento Remoto, 20 (SBSR)
Localização do EventoFlorianópolis
Data02-05 abril 2023
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Páginase156282
Título do LivroAnais
Tipo Terciáriofull paper
OrganizaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Histórico (UTC)2023-05-15 00:34:01 :: simone -> administrator :: 2023
2024-01-08 18:14:13 :: administrator -> simone :: 2023
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavemicrowave data
random forest
google engine
amazon region
ResumoOur goal in this study was to perform a LULC classification for the southern part of Roraima state. This area has a highly frequent cloud cover and a lack of LULC information. We used a SAR-Optical multisensory methodology, with a cloud computing process, to be able to classify all the areas, with less computational effort and in less time. Our results show an Overall Accuracy of 92.61%, with Users' and Producers' Accuracy (UA and PA), around 90% for all ten classes. Also, this approach identified important classes for the region, such as perennial crops and conversion areas.
ÁreaSRE
TipoMudança de uso e cobertura da Terra
Arranjo 1urlib.net > BDMCI > Fonds > SBSR > SBSR 20 > Land use and...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > SBSR 20 > Land use and...
Arranjo 3Projeto Memória 60... > Livros e livros editados > SBSR 20 > Land use and...
Arranjo 4urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Land use and...
Arranjo 5urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Land use and...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP6W34M/494US45
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP6W34M/494US45
Idiomaen
Arquivo Alvo156282.pdf
Grupo de Usuáriossimone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.19
Detentor dos Direitosoriginalauthor yes
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2011/03.29.20.55
Unidades Imediatamente Superiores8JMKD3MGP6W34M/495J572
8JMKD3MGPCW/3F3NU5S
8JMKD3MGPCW/46KUATE
Lista de Itens Citandosid.inpe.br/marte2/2023/05.18.17.15 4
sid.inpe.br/bibdigital/2022/04.03.22.23 1
Acervo Hospedeirodpi.inpe.br/marte2/2013/05.17.15.03.06
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination documentstage doi e-mailaddress edition holdercode issn label lineage mark nextedition notes numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup readpermission resumeid schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark url versiontype volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaTese ou Dissertação (Thesis)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/48QQB65
Repositóriosid.inpe.br/mtc-m21d/2023/03.31.22.17
Última Atualização2023:06.30.15.11.24 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21d/2023/03.31.22.17.23
Última Atualização dos Metadados2023:07.11.16.59.48 (UTC) administrator
Chave SecundáriaINPE-18699-TDI/3323
Chave de CitaçãoMiranda:2023:PiClLa
TítuloAI4LUC: pixel-based classification of land use and land cover via deep learning and a Cerrado image dataset
Título AlternativoAI4LUC: classificação baseada em pixels do uso e cobertura da terra considerando um conjunto de imagens do Cerrado
CursoCAP-COMP-DIPGR-INPE-MCTI-GOV-BR
Ano2023
Data2023-03-28
Data de Acesso20 abr. 2024
Tipo da TeseDissertação (Mestrado em Computação Aplicada)
Tipo SecundárioTDI
Número de Páginas77
Número de Arquivos2
Tamanho181797 KiB
2. Contextualização
AutorMiranda, Mateus de Souza
BancaShiguemori, Élcio Hideiti (presidente)
Santiago Júnior, Valdivino Alexandre de (orientador)
Körting, Thales Sehn (orientador)
Escada, Maria Isabel Sobral
Papa, João Paulo
Endereço de e-Mailmateusmirandaa2@hotmail.com
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Histórico (UTC)2023-03-31 22:23:07 :: mateus.miranda@inpe.br -> pubtc@inpe.br ::
2023-04-03 15:53:32 :: pubtc@inpe.br -> mateus.miranda@inpe.br ::
2023-05-28 16:12:07 :: mateus.miranda@inpe.br -> pubtc@inpe.br ::
2023-06-13 19:38:24 :: pubtc@inpe.br -> mateus.miranda@inpe.br ::
2023-06-14 02:23:47 :: mateus.miranda@inpe.br -> pubtc@inpe.br ::
2023-07-03 12:47:54 :: pubtc@inpe.br -> simone ::
2023-07-03 12:48:15 :: simone :: -> 2023
2023-07-03 12:48:32 :: simone -> administrator :: 2023
2023-07-03 12:50:27 :: administrator -> simone :: 2023
2023-07-03 12:50:50 :: simone -> administrator :: 2023
2023-07-11 16:59:48 :: administrator -> :: 2023
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavepixel-based image classification
deep learning
Cerrado
CBERS-4A
classificação de imagem baseada em pixel
aprendizado profundo
Cerrado
CBERS-4A
ResumoThe Cerrado biome is known for the biodiversity of flora, as well as for its potential in agricultural production. Its landscapes of land use and land cover (LULC) are monitored in order to analyze and understand the social, economic, and environmental aspects related to causative factors and impacts of these activities. There are many efforts by the Remote Sensing (RS) community for employing machine learning (ML) or deep learning (DL) techniques aiming to improve classification tasks, in terms of either pixel-based classification or contextual classification. However, a few datasets containing images with high spatial resolution, representativeness, and a huge number of samples about the Cerrado biome are available. For supervised learning of either DL or ML models, dataset samples must be labeled. This procedure currently relies on manual execution, demanding significant time and attention. For instance, it involves generating and labeling reference masks, where specific pixels indicate the class to which they belong in the segment. Driven by these motivations, this masters dissertation strives to make a valuable contribution to the field of pixel-based classification, specifically focusing on semantic segmentation of Land Use and Land Cover (LULC) using deep learning techniques applied to a dataset of satellite images from the Cerrado region. To achieve this objective, a novel approach named Artificial Intelligence for Land Use and Land Cover Classification (AI4LUC) is introduced. Thus, a dataset regarding the Cerrado biome was created, called CerraData, amounting to unlabeled 2.5 million patches with a height and width of 256 pixels, and two meters of spatial resolution. The spectral bands were obtained from the Wide Panchromatic and Multispectral Camera (WPM) of the China-Brazil Earth Resources-4A (CBERS-4A) satellite. From this dataset, two novel labeled versions were designed. Furthermore, a novel convolutional neural network (CNN) called CerraNetv3 has been developed to enhance the pixel-based classification task. CerraNetv3, along with Google DeepLabv3plus, collaboratively contributes to this endeavor. Additionally, an innovative technique has been introduced to automate the generation and labeling of reference masks. By leveraging the capabilities of CerraNetv3, these reference masks are utilized to facilitate the training process of DeepLabv3plus for pixel-based classification. AI4LUC was subjected to a comparative analysis with other related approaches in the domain of semantic segmentation and contextual classification to assess its viability. The findings revealed that CerraNetv3 achieved the highest performance in the contextual classification experiment, attaining an impressive F1-score of 0.9289. As for the automatic mask generation and labeling method, it yielded an overall score of 0.6738, with F1-score metrics. In contrast, DeepLabv3plus obtained significantly lower scores of 0.2805 for the same metric. The lower scores of the mask generation method can be attributed to occasional deficiencies in the quality of generated masks, resulting in mislabeling by the CerraNetv3 classifier. Consequently, DeepLabv3plus also exhibited suboptimal performance. RESUMO: O bioma Cerrado é conhecido pela biodiversidade da flora, bem como pelo seu potencial na produção agrícola. Suas paisagens de uso e cobertura da terra (LULC) são monitoradas a fim de analisar e compreender os aspectos sociais, econômicos e ambientais relacionados aos fatores causadores e impactos dessas atividades. Existem muitos esforços da comunidade de Sensoriamento Remoto (SR) para empregar técnicas de aprendizado de máquina (AM) ou aprendizado profundo (AP) com o objetivo de melhorar as tarefas de classificação, seja em termos de classificação baseada em pixels ou classificação contextual. No entanto, poucos conjuntos de dados contendo imagens com alta resolução espacial, representatividade e um grande número de amostras sobre o bioma Cerrado estão disponíveis. Para aprendizado supervisionado de modelos AP ou AM, as amostras de conjunto de dados devem ser rotuladas. Este procedimento atualmente depende de execução manual, exigindo muito tempo e atenção. Por exemplo, a geração e rotulagem de máscaras de referência, onde cada pixel indicam a classe a que pertencem no segmento. Impulsionada por essas motivações, esta dissertação de mestrado visa contribuir para o campo da classificação baseada em pixels, focando especificamente na segmentação semântica do uso e cobertura da Terra (LULC) usando técnicas de AP aplicadas a um conjunto de dados de imagens de satélite do Cerrado. Para alcançar este objetivo, uma nova metodologia, denominada Artificial Intelligence for Land Use and Land Cover Classification (AI4LUC), é apresentada. Assim, foi criado um conjunto de dados referente ao bioma Cerrado, denominado CerraData, totalizando 2,5 milhões de manchas não rotuladas com altura e largura de 256 pixels e dois metros de resolução espacial. As bandas espectrais foram obtidas da Wide Panchromatic and Multispectral Camera (WPM) do satélite CBERS-4A. A partir deste conjunto de dados, duas novas versões rotuladas foram projetadas. Além disso, uma nova rede neural convolucional (CNN) chamada CerraNetv3 foi desenvolvida para tarefa de classificação contextual. Esta rede foi introduzida a no método para automatizar a geração e rotulagem de máscaras de referência, as quais são utilizadas para o treinamento do DeepLabv3plus. AI4LUC foi submetido a uma análise comparativa com outras abordagens no domínio da segmentação semântica e classificação contextual para avaliar a sua viabilidade. Os resultados revelaram que o CerraNetv3 alcançou o melhor desempenho no experimento de classificação contextual, atingindo de 0,9289 com F1-score. Quanto à geração automática de máscara e ao método de rotulagem, obteve uma pontuação geral de 0,6738, com F1-score. As pontuações mais baixas desse método podem ser associadas a qualidade das máscaras geradas, resultando em rotulagem incorreta pelo classificador CerraNetv3. Consequentemente, o DeepLabv3plus obteve 0,2805, desempenho abaixo do ideal esperado.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > AI4LUC: pixel-based classification...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > AI4LUC: pixel-based classification...
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
originais/@4primeirasPaginas.pdf 30/06/2023 11:02 173.9 KiB 
originais/Defesa.pdf 14/06/2023 16:21 124.0 KiB 
originais/Master's dissertation by Mateus de Souza Miranda CAP INPE.pdf 14/06/2023 12:23 177.3 MiB
Conteúdo da Pasta agreement
autorizacao.pdf 30/06/2023 12:11 159.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34T/48QQB65
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34T/48QQB65
Idiomaen
Arquivo Alvopublicacao.pdf
Grupo de Usuáriosmateus.miranda@inpe.br
pubtc@inpe.br
simone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.10
Detentor dos Direitosoriginalauthor yes
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2021/06.04.03.40.25
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
8JMKD3MGPCW/46KUES5
Lista de Itens Citandosid.inpe.br/mtc-m21b/2013/09.26.14.25.22 2
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype