Avaliação Do Tamanho De Amostras De Treinamento Para Redes Neurais Artificiais Na Classificação Supervisionada De Imagens Utilizando Dados Espectrais E Laser Scanner

Abstract

Resumo:Técnicas de Sensoriamento Remoto tem ganhado especial interesse, uma vez que podem ser utilizadas para o monitoramento de sistemas e fenômenos em escala local ou global, de maneira contínua temporal e espacialmente. Redes Neurais Artificias estão entre os métodos que são capazes de trabalhar com grande quantidade de dados, com diversas características e sofrer pouca influência de ruídos. Desta forma, fez-se o uso de Redes Neurais Artificiais com o propósito de classificar dados de sensoriamento remoto. Utilizou-se de dados de alta resolução espacial, como imagens espectrais de aerolevantamento e dados altimétricos Laser Scanner, para a classificação do alvo "árvores". Com isso, gerou-se RNA especialistas na detecção destes alvos. Os dados utilizados são de uma área densamente urbanizada, onde existe grande variabilidade de cotas e características espectrais. Os resultados mostraram que a classificação utilizando dados espectrais e altimétricos resultaram em melhores classificações, do que a utilização apenas de informações espectrais. Testou-se também a influência do tamanho das amostras de treinamento das Redes Neurais Artificiais, gerando assim uma "curva de aprendizado" das RNA. Percebeu-se que conforme se aumenta o tamanho das amostras de treinamento, existe uma tendência em aumentar a acurácia na classificação dos dados. Os acertos globais foram superiores a 87,5% quando utilizando apenas informação espectral e 97,5% quando utilizando dados espectrais e altimétricos.Palavra Chave: Sensoriamento Remoto, Classificação Digital de Imagens, Redes Neurais Artificiais, Imagens de Alta Resolução Espacial, Laser Scanner. Abstract:Remote Sensing techniques has gained special interest, since it can be used for monitoring systems and phenomena in local or global scale, in a temporally and spatially continuous way. Artificial Neural Networks are able to work with large amounts of data, with different

Classificacao De Imagem Orbital Pelo Metodo Maxima Verossimilhanca Em Sucupira-To

“…A classificação automática pode ser dividida em não supervisionados e supervisionados (ABBURU & BABU GOLLA, 2015;PEREIRA & CENTENO, 2017). O procedimento mais utilizado para classificação de imagens de sensoriamento remoto é através da classificação supervisionada (SUN et al, 2013;SARMIENTO et al, 2014 O objetivo do presente trabalho foi elaborar um mapeamento de mudanças de uso e cobertura do solo no município de Sucupira -TO para os anos de 2007 e 2017, empregando imagens do satélite LANDSAT -5 TM e LANDSAT-8 OLI, através de técnicas de classificação supervisionada.…”

Desenvolvimento de ferramentas de geotecnologias para análise da qualidade da lavoura e estimativa da taxa de germinação aplicadas à cultura da soja

“…Para a construção do algoritmo as amostras foram separadas atráves do método de amostragem houldout, onde são estabelecidos dois grupos excludentes com porcentagens fixas de amostras, o treino "p" e validação "1-p" (SCHNEIDER, 1997;OMARY;MTENZI, 2010;DOBBIN;SIMON, 2011;CENTENO, 2017;ABDAR et al, 2021;BARANAUSKAS, J. A., 2021)…”