The use of backpropagating artificial neural networks in land cover classification

Kavzoğlu, Taşkın; Mather, Paul M.

doi:10.1080/0143116031000114851

Cited by 356 publications

(204 citation statements)

References 37 publications

Supporting

Mentioning

195

Contrasting

Unclassified

Order By: Relevance

“…As principais características associadas à arquitetura são: o número de camadas intermediárias, o número de neurônios dessas camadas, o sentido e direção das sinapses e a função de ativação dos neurônios (KAVZOGLU; MATHER, 2003).…”

Section: Introductionunclassified

Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais

Görgens¹,

Leite

Gleriani

et al. 2014

Rev. Árvore

View full text Add to dashboard Cite

RESUMO -As redes neurais supervisionadas são compostas por unidades de processamento organizadas de forma paralela, em que cada uma delas computa determinadas funções matemáticas. As unidades são organizadas em camadas e ligadas por pesos sinápticos que ponderam as entradas, buscando ajustá-los a um padrão de saída previamente estabelecido. É fundamental a correta definição do número de camadas e da quantidade de neurônios em cada uma delas, uma vez que o treinamento é influenciado diretamente por esses parâmetros. Para explorar esse ponto, dados de cubagem de cinco empresas diferentes foram reunidos em uma planilha e, de forma aleatória, divididos em conjunto de treinamento e conjunto de validação. Os dados foram apresentados para três redes com arquiteturas diferentes. A avaliação foi feita por meio de gráficos de resíduos e teste t (p< = 0,05). Com base nos resultados, foi possível concluir que, para obter estimativas de volume por árvore, a rede neural deve ser construída com mais de 10 neurônios na primeira camada, sendo recomendado o uso de mais de uma camada intermediária.Palavras-chave: Cubagem; Neurônios; Camada. INFLUENCE OF THE ARCHITECTURE IN ESTIMATED VOLUME OF INDIVIDUAL TREES USING ARTIFICIAL NEURAL NETWORKS

show abstract

Section: Introductionunclassified

Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais

Görgens¹,

Leite

Gleriani

et al. 2014

Rev. Árvore

View full text Add to dashboard Cite

show abstract

“…For example, textural features, as proposed above, were used to improve the urban areas and land cover classification (Shaban and Dikshit, 2001;Rao et al, 2002;Chen et al, 2004); e.g. the artificial neural networks (ANN) was efficiently used in land cover classification (Kavzoglu and Mather, 2003); "fuzzy classification" was efficient in decreasing the mix-pixel problem (Shalan et al, 2003), and the knowledge-based system (KBS), especially, incorporating GIS, plays an important role because it is capable of managing different sources of data (Stefanov, 2001;Daniels, 2006;Lu and Weng, 2006;Alaaddin, 2008).…”

Section: Introductionmentioning

confidence: 99%

Textural and knowledge-based lithological classification of remote sensing data in Southwestern Prieska sub-basin, Transvaal Supergroup, South Africa

Li¹,

Frei

Altermann

2011

Journal of African Earth Sciences

View full text Add to dashboard Cite

TM data and other medium spatial resolution satellite data are used in geological and lithologicalmineralogical classification on regular basis, although their usefulness is limited because of relatively coarse spectral resolution. In this contribution, we provide an example for the application of TM data for classification of rocks and minerals within the Neoarchean sedimentary and volcanic basin of Griqualand West, South Africa. An improved methodology is introduced that results in significantly higher classification accuracy. The TM multispectral image and Principal Component analysis (PCA) image of the test area were individually combined with textural features and then classified individually using a Maximum-Likelihood supervised classification (MLC). Subsequently, the two classified images were integrated, compared and re-classified in a knowledge-based system (KBS) using the generalized supplementary geological map on 1:250000 scale. With this method, the accuracy was improved from 54.3% to 83.2%, when compared to the former supervised classification.The method integrates the spectral and textural features, greatly contributing to the precision of the lithological classification, mapping and prospecting, in extensive areas where field work is limited by time and cost constrains.1

show abstract

“…These classifiers have the advantage of being nonparametric, requiring small samples for training (Kavzoglu and Mather 2003) and tolerate missing data (Bishop 1995).…”

Section: Introductionmentioning

confidence: 99%

Artificial neural network analysis of genetic diversity in Carica papaya L.

Barbosa

Viana

Quintal

et al. 2011

Crop Breed. Appl. Biotechnol.

View full text Add to dashboard Cite

show abstract

The use of backpropagating artificial neural networks in land cover classification

Cited by 356 publications

References 37 publications

Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais

Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais

Textural and knowledge-based lithological classification of remote sensing data in Southwestern Prieska sub-basin, Transvaal Supergroup, South Africa

Artificial neural network analysis of genetic diversity in Carica papaya L.

Contact Info

Product

Resources

About