COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS
O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três co...
Ausführliche Beschreibung
Autor*in: |
César da Silva Chagas [verfasserIn] Carlos Antônio Oliveira Vieira [verfasserIn] Elpídio Inácio Fernandes Filho [verfasserIn] Waldir de Carvalho Júnior [verfasserIn] |
---|
Format: |
E-Artikel |
---|---|
Sprache: |
Englisch ; Portugiesisch |
Erschienen: |
2009 |
---|
Schlagwörter: |
---|
Übergeordnetes Werk: |
In: Revista Brasileira de Cartografia - Universidade Federal de Uberlândia, 2019, 60(2009), 3 |
---|---|
Übergeordnetes Werk: |
volume:60 ; year:2009 ; number:3 |
Links: |
---|
Katalog-ID: |
DOAJ076355640 |
---|
LEADER | 01000caa a22002652 4500 | ||
---|---|---|---|
001 | DOAJ076355640 | ||
003 | DE-627 | ||
005 | 20230502154704.0 | ||
007 | cr uuu---uuuuu | ||
008 | 230228s2009 xx |||||o 00| ||eng c | ||
035 | |a (DE-627)DOAJ076355640 | ||
035 | |a (DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1 | ||
040 | |a DE-627 |b ger |c DE-627 |e rakwb | ||
041 | |a eng |a por | ||
050 | 0 | |a GA101-1776 | |
100 | 0 | |a César da Silva Chagas |e verfasserin |4 aut | |
245 | 1 | 0 | |a COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS |
264 | 1 | |c 2009 | |
336 | |a Text |b txt |2 rdacontent | ||
337 | |a Computermedien |b c |2 rdamedia | ||
338 | |a Online-Ressource |b cr |2 rdacarrier | ||
520 | |a O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. | ||
650 | 4 | |a sensoriamento remoto | |
650 | 4 | |a redes neurais | |
650 | 4 | |a pastagens | |
653 | 0 | |a Geography. Anthropology. Recreation | |
653 | 0 | |a G | |
653 | 0 | |a Cartography | |
700 | 0 | |a Carlos Antônio Oliveira Vieira |e verfasserin |4 aut | |
700 | 0 | |a Elpídio Inácio Fernandes Filho |e verfasserin |4 aut | |
700 | 0 | |a Waldir de Carvalho Júnior |e verfasserin |4 aut | |
773 | 0 | 8 | |i In |t Revista Brasileira de Cartografia |d Universidade Federal de Uberlândia, 2019 |g 60(2009), 3 |w (DE-627)480657106 |w (DE-600)2178673-2 |x 18080936 |7 nnns |
773 | 1 | 8 | |g volume:60 |g year:2009 |g number:3 |
856 | 4 | 0 | |u https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1 |z kostenfrei |
856 | 4 | 0 | |u http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867 |z kostenfrei |
856 | 4 | 2 | |u https://doaj.org/toc/0560-4613 |y Journal toc |z kostenfrei |
856 | 4 | 2 | |u https://doaj.org/toc/1808-0936 |y Journal toc |z kostenfrei |
912 | |a GBV_USEFLAG_A | ||
912 | |a SYSFLAG_A | ||
912 | |a GBV_DOAJ | ||
912 | |a SSG-OLC-PHA | ||
912 | |a GBV_ILN_11 | ||
912 | |a GBV_ILN_20 | ||
912 | |a GBV_ILN_22 | ||
912 | |a GBV_ILN_23 | ||
912 | |a GBV_ILN_24 | ||
912 | |a GBV_ILN_31 | ||
912 | |a GBV_ILN_39 | ||
912 | |a GBV_ILN_40 | ||
912 | |a GBV_ILN_60 | ||
912 | |a GBV_ILN_62 | ||
912 | |a GBV_ILN_63 | ||
912 | |a GBV_ILN_65 | ||
912 | |a GBV_ILN_69 | ||
912 | |a GBV_ILN_70 | ||
912 | |a GBV_ILN_73 | ||
912 | |a GBV_ILN_95 | ||
912 | |a GBV_ILN_105 | ||
912 | |a GBV_ILN_110 | ||
912 | |a GBV_ILN_151 | ||
912 | |a GBV_ILN_161 | ||
912 | |a GBV_ILN_170 | ||
912 | |a GBV_ILN_213 | ||
912 | |a GBV_ILN_230 | ||
912 | |a GBV_ILN_285 | ||
912 | |a GBV_ILN_293 | ||
912 | |a GBV_ILN_370 | ||
912 | |a GBV_ILN_602 | ||
912 | |a GBV_ILN_2014 | ||
912 | |a GBV_ILN_4012 | ||
912 | |a GBV_ILN_4037 | ||
912 | |a GBV_ILN_4112 | ||
912 | |a GBV_ILN_4125 | ||
912 | |a GBV_ILN_4126 | ||
912 | |a GBV_ILN_4249 | ||
912 | |a GBV_ILN_4305 | ||
912 | |a GBV_ILN_4306 | ||
912 | |a GBV_ILN_4307 | ||
912 | |a GBV_ILN_4313 | ||
912 | |a GBV_ILN_4322 | ||
912 | |a GBV_ILN_4323 | ||
912 | |a GBV_ILN_4324 | ||
912 | |a GBV_ILN_4325 | ||
912 | |a GBV_ILN_4335 | ||
912 | |a GBV_ILN_4338 | ||
912 | |a GBV_ILN_4367 | ||
912 | |a GBV_ILN_4392 | ||
912 | |a GBV_ILN_4700 | ||
951 | |a AR | ||
952 | |d 60 |j 2009 |e 3 |
author_variant |
c d s c cdsc c a o v caov e i f f eiff w d c j wdcj |
---|---|
matchkey_str |
article:18080936:2009----::opronriaesseeada7alsiiadneseerdoeatgnuii |
hierarchy_sort_str |
2009 |
callnumber-subject-code |
GA |
publishDate |
2009 |
allfields |
(DE-627)DOAJ076355640 (DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1 DE-627 ger DE-627 rakwb eng por GA101-1776 César da Silva Chagas verfasserin aut COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS 2009 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. sensoriamento remoto redes neurais pastagens Geography. Anthropology. Recreation G Cartography Carlos Antônio Oliveira Vieira verfasserin aut Elpídio Inácio Fernandes Filho verfasserin aut Waldir de Carvalho Júnior verfasserin aut In Revista Brasileira de Cartografia Universidade Federal de Uberlândia, 2019 60(2009), 3 (DE-627)480657106 (DE-600)2178673-2 18080936 nnns volume:60 year:2009 number:3 https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1 kostenfrei http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867 kostenfrei https://doaj.org/toc/0560-4613 Journal toc kostenfrei https://doaj.org/toc/1808-0936 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ SSG-OLC-PHA GBV_ILN_11 GBV_ILN_20 GBV_ILN_22 GBV_ILN_23 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_170 GBV_ILN_213 GBV_ILN_230 GBV_ILN_285 GBV_ILN_293 GBV_ILN_370 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4338 GBV_ILN_4367 GBV_ILN_4392 GBV_ILN_4700 AR 60 2009 3 |
spelling |
(DE-627)DOAJ076355640 (DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1 DE-627 ger DE-627 rakwb eng por GA101-1776 César da Silva Chagas verfasserin aut COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS 2009 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. sensoriamento remoto redes neurais pastagens Geography. Anthropology. Recreation G Cartography Carlos Antônio Oliveira Vieira verfasserin aut Elpídio Inácio Fernandes Filho verfasserin aut Waldir de Carvalho Júnior verfasserin aut In Revista Brasileira de Cartografia Universidade Federal de Uberlândia, 2019 60(2009), 3 (DE-627)480657106 (DE-600)2178673-2 18080936 nnns volume:60 year:2009 number:3 https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1 kostenfrei http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867 kostenfrei https://doaj.org/toc/0560-4613 Journal toc kostenfrei https://doaj.org/toc/1808-0936 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ SSG-OLC-PHA GBV_ILN_11 GBV_ILN_20 GBV_ILN_22 GBV_ILN_23 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_170 GBV_ILN_213 GBV_ILN_230 GBV_ILN_285 GBV_ILN_293 GBV_ILN_370 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4338 GBV_ILN_4367 GBV_ILN_4392 GBV_ILN_4700 AR 60 2009 3 |
allfields_unstemmed |
(DE-627)DOAJ076355640 (DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1 DE-627 ger DE-627 rakwb eng por GA101-1776 César da Silva Chagas verfasserin aut COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS 2009 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. sensoriamento remoto redes neurais pastagens Geography. Anthropology. Recreation G Cartography Carlos Antônio Oliveira Vieira verfasserin aut Elpídio Inácio Fernandes Filho verfasserin aut Waldir de Carvalho Júnior verfasserin aut In Revista Brasileira de Cartografia Universidade Federal de Uberlândia, 2019 60(2009), 3 (DE-627)480657106 (DE-600)2178673-2 18080936 nnns volume:60 year:2009 number:3 https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1 kostenfrei http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867 kostenfrei https://doaj.org/toc/0560-4613 Journal toc kostenfrei https://doaj.org/toc/1808-0936 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ SSG-OLC-PHA GBV_ILN_11 GBV_ILN_20 GBV_ILN_22 GBV_ILN_23 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_170 GBV_ILN_213 GBV_ILN_230 GBV_ILN_285 GBV_ILN_293 GBV_ILN_370 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4338 GBV_ILN_4367 GBV_ILN_4392 GBV_ILN_4700 AR 60 2009 3 |
allfieldsGer |
(DE-627)DOAJ076355640 (DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1 DE-627 ger DE-627 rakwb eng por GA101-1776 César da Silva Chagas verfasserin aut COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS 2009 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. sensoriamento remoto redes neurais pastagens Geography. Anthropology. Recreation G Cartography Carlos Antônio Oliveira Vieira verfasserin aut Elpídio Inácio Fernandes Filho verfasserin aut Waldir de Carvalho Júnior verfasserin aut In Revista Brasileira de Cartografia Universidade Federal de Uberlândia, 2019 60(2009), 3 (DE-627)480657106 (DE-600)2178673-2 18080936 nnns volume:60 year:2009 number:3 https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1 kostenfrei http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867 kostenfrei https://doaj.org/toc/0560-4613 Journal toc kostenfrei https://doaj.org/toc/1808-0936 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ SSG-OLC-PHA GBV_ILN_11 GBV_ILN_20 GBV_ILN_22 GBV_ILN_23 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_170 GBV_ILN_213 GBV_ILN_230 GBV_ILN_285 GBV_ILN_293 GBV_ILN_370 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4338 GBV_ILN_4367 GBV_ILN_4392 GBV_ILN_4700 AR 60 2009 3 |
allfieldsSound |
(DE-627)DOAJ076355640 (DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1 DE-627 ger DE-627 rakwb eng por GA101-1776 César da Silva Chagas verfasserin aut COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS 2009 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. sensoriamento remoto redes neurais pastagens Geography. Anthropology. Recreation G Cartography Carlos Antônio Oliveira Vieira verfasserin aut Elpídio Inácio Fernandes Filho verfasserin aut Waldir de Carvalho Júnior verfasserin aut In Revista Brasileira de Cartografia Universidade Federal de Uberlândia, 2019 60(2009), 3 (DE-627)480657106 (DE-600)2178673-2 18080936 nnns volume:60 year:2009 number:3 https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1 kostenfrei http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867 kostenfrei https://doaj.org/toc/0560-4613 Journal toc kostenfrei https://doaj.org/toc/1808-0936 Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ SSG-OLC-PHA GBV_ILN_11 GBV_ILN_20 GBV_ILN_22 GBV_ILN_23 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_170 GBV_ILN_213 GBV_ILN_230 GBV_ILN_285 GBV_ILN_293 GBV_ILN_370 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4338 GBV_ILN_4367 GBV_ILN_4392 GBV_ILN_4700 AR 60 2009 3 |
language |
English Portuguese |
source |
In Revista Brasileira de Cartografia 60(2009), 3 volume:60 year:2009 number:3 |
sourceStr |
In Revista Brasileira de Cartografia 60(2009), 3 volume:60 year:2009 number:3 |
format_phy_str_mv |
Article |
institution |
findex.gbv.de |
topic_facet |
sensoriamento remoto redes neurais pastagens Geography. Anthropology. Recreation G Cartography |
isfreeaccess_bool |
true |
container_title |
Revista Brasileira de Cartografia |
authorswithroles_txt_mv |
César da Silva Chagas @@aut@@ Carlos Antônio Oliveira Vieira @@aut@@ Elpídio Inácio Fernandes Filho @@aut@@ Waldir de Carvalho Júnior @@aut@@ |
publishDateDaySort_date |
2009-01-01T00:00:00Z |
hierarchy_top_id |
480657106 |
id |
DOAJ076355640 |
language_de |
englisch portugiesisch |
fullrecord |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000caa a22002652 4500</leader><controlfield tag="001">DOAJ076355640</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20230502154704.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">230228s2009 xx |||||o 00| ||eng c</controlfield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)DOAJ076355640</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">eng</subfield><subfield code="a">por</subfield></datafield><datafield tag="050" ind1=" " ind2="0"><subfield code="a">GA101-1776</subfield></datafield><datafield tag="100" ind1="0" ind2=" "><subfield code="a">César da Silva Chagas</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2009</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">sensoriamento remoto</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">redes neurais</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">pastagens</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Geography. Anthropology. Recreation</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">G</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Cartography</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Carlos Antônio Oliveira Vieira</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Elpídio Inácio Fernandes Filho</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Waldir de Carvalho Júnior</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">In</subfield><subfield code="t">Revista Brasileira de Cartografia</subfield><subfield code="d">Universidade Federal de Uberlândia, 2019</subfield><subfield code="g">60(2009), 3</subfield><subfield code="w">(DE-627)480657106</subfield><subfield code="w">(DE-600)2178673-2</subfield><subfield code="x">18080936</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:60</subfield><subfield code="g">year:2009</subfield><subfield code="g">number:3</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/0560-4613</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/1808-0936</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_DOAJ</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-PHA</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_11</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_20</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_22</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_23</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_24</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_31</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_39</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_40</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_60</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_62</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_63</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_65</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_69</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_70</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_73</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_95</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_105</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_110</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_151</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_161</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_170</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_213</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_230</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_285</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_293</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_370</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_602</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2014</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4012</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4037</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4112</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4125</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4126</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4249</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4305</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4306</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4307</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4313</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4322</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4323</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4324</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4325</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4335</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4338</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4367</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4392</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4700</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">60</subfield><subfield code="j">2009</subfield><subfield code="e">3</subfield></datafield></record></collection>
|
callnumber-first |
G - Geography, Anthropology, Recreation |
author |
César da Silva Chagas |
spellingShingle |
César da Silva Chagas misc GA101-1776 misc sensoriamento remoto misc redes neurais misc pastagens misc Geography. Anthropology. Recreation misc G misc Cartography COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS |
authorStr |
César da Silva Chagas |
ppnlink_with_tag_str_mv |
@@773@@(DE-627)480657106 |
format |
electronic Article |
delete_txt_mv |
keep |
author_role |
aut aut aut aut |
collection |
DOAJ |
remote_str |
true |
callnumber-label |
GA101-1776 |
illustrated |
Not Illustrated |
issn |
18080936 |
topic_title |
GA101-1776 COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS sensoriamento remoto redes neurais pastagens |
topic |
misc GA101-1776 misc sensoriamento remoto misc redes neurais misc pastagens misc Geography. Anthropology. Recreation misc G misc Cartography |
topic_unstemmed |
misc GA101-1776 misc sensoriamento remoto misc redes neurais misc pastagens misc Geography. Anthropology. Recreation misc G misc Cartography |
topic_browse |
misc GA101-1776 misc sensoriamento remoto misc redes neurais misc pastagens misc Geography. Anthropology. Recreation misc G misc Cartography |
format_facet |
Elektronische Aufsätze Aufsätze Elektronische Ressource |
format_main_str_mv |
Text Zeitschrift/Artikel |
carriertype_str_mv |
cr |
hierarchy_parent_title |
Revista Brasileira de Cartografia |
hierarchy_parent_id |
480657106 |
hierarchy_top_title |
Revista Brasileira de Cartografia |
isfreeaccess_txt |
true |
familylinks_str_mv |
(DE-627)480657106 (DE-600)2178673-2 |
title |
COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS |
ctrlnum |
(DE-627)DOAJ076355640 (DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1 |
title_full |
COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS |
author_sort |
César da Silva Chagas |
journal |
Revista Brasileira de Cartografia |
journalStr |
Revista Brasileira de Cartografia |
callnumber-first-code |
G |
lang_code |
eng por |
isOA_bool |
true |
recordtype |
marc |
publishDateSort |
2009 |
contenttype_str_mv |
txt |
author_browse |
César da Silva Chagas Carlos Antônio Oliveira Vieira Elpídio Inácio Fernandes Filho Waldir de Carvalho Júnior |
container_volume |
60 |
class |
GA101-1776 |
format_se |
Elektronische Aufsätze |
author-letter |
César da Silva Chagas |
author2-role |
verfasserin |
title_sort |
comparação entre imagens aster e landsat 7 na classificação de nãveis de degradação de pastagens utilizando redes neurais artificiais |
callnumber |
GA101-1776 |
title_auth |
COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS |
abstract |
O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. |
abstractGer |
O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. |
abstract_unstemmed |
O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte. |
collection_details |
GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ SSG-OLC-PHA GBV_ILN_11 GBV_ILN_20 GBV_ILN_22 GBV_ILN_23 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_170 GBV_ILN_213 GBV_ILN_230 GBV_ILN_285 GBV_ILN_293 GBV_ILN_370 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4338 GBV_ILN_4367 GBV_ILN_4392 GBV_ILN_4700 |
container_issue |
3 |
title_short |
COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS |
url |
https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1 http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867 https://doaj.org/toc/0560-4613 https://doaj.org/toc/1808-0936 |
remote_bool |
true |
author2 |
Carlos Antônio Oliveira Vieira Elpídio Inácio Fernandes Filho Waldir de Carvalho Júnior |
author2Str |
Carlos Antônio Oliveira Vieira Elpídio Inácio Fernandes Filho Waldir de Carvalho Júnior |
ppnlink |
480657106 |
callnumber-subject |
GA - Mathematical Geography and Cartography |
mediatype_str_mv |
c |
isOA_txt |
true |
hochschulschrift_bool |
false |
callnumber-a |
GA101-1776 |
up_date |
2024-07-03T20:02:20.161Z |
_version_ |
1803589454571503616 |
fullrecord_marcxml |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000caa a22002652 4500</leader><controlfield tag="001">DOAJ076355640</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20230502154704.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">230228s2009 xx |||||o 00| ||eng c</controlfield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)DOAJ076355640</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DOAJ9b59a80c218e4690999ce8ebbd81a0c1</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">eng</subfield><subfield code="a">por</subfield></datafield><datafield tag="050" ind1=" " ind2="0"><subfield code="a">GA101-1776</subfield></datafield><datafield tag="100" ind1="0" ind2=" "><subfield code="a">César da Silva Chagas</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2009</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais "Java Neural Network Simulator" e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">sensoriamento remoto</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">redes neurais</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">pastagens</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Geography. Anthropology. Recreation</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">G</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Cartography</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Carlos Antônio Oliveira Vieira</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Elpídio Inácio Fernandes Filho</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Waldir de Carvalho Júnior</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">In</subfield><subfield code="t">Revista Brasileira de Cartografia</subfield><subfield code="d">Universidade Federal de Uberlândia, 2019</subfield><subfield code="g">60(2009), 3</subfield><subfield code="w">(DE-627)480657106</subfield><subfield code="w">(DE-600)2178673-2</subfield><subfield code="x">18080936</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:60</subfield><subfield code="g">year:2009</subfield><subfield code="g">number:3</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doaj.org/article/9b59a80c218e4690999ce8ebbd81a0c1</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44867</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/0560-4613</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/1808-0936</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_DOAJ</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-PHA</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_11</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_20</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_22</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_23</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_24</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_31</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_39</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_40</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_60</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_62</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_63</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_65</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_69</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_70</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_73</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_95</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_105</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_110</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_151</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_161</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_170</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_213</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_230</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_285</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_293</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_370</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_602</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2014</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4012</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4037</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4112</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4125</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4126</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4249</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4305</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4306</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4307</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4313</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4322</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4323</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4324</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4325</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4335</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4338</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4367</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4392</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4700</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">60</subfield><subfield code="j">2009</subfield><subfield code="e">3</subfield></datafield></record></collection>
|
score |
7.3986073 |