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

Gespeichert in:

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:	sensoriamento remoto redes neurais pastagens

Übergeordnetes Werk:	In: Revista Brasileira de Cartografia - Universidade Federal de Uberlândia, 2019, 60(2009), 3
Übergeordnetes Werk:	volume:60 ; year:2009 ; number:3

Links:	Link aufrufen Link aufrufen Journal toc Journal toc

Katalog-ID:	DOAJ076355640

Internformat


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

Indexfelder

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

Nicht das Richtige dabei?

Schreiben Sie uns!

COMPARAÇÃO ENTRE IMAGENS ASTER E LANDSAT 7 NA CLASSIFICAÇÃO DE NÃVEIS DE DEGRADAÇÃO DE PASTAGENS UTILIZANDO REDES NEURAIS ARTIFICIAIS

Nicht das Richtige dabei?

Zugang & Verfügbarkeit

Vorhandene Bände

Nicht das Richtige dabei?