Enregistré dans:
| Auteur principal: | |
|---|---|
| Format: | Artículo científico |
| Langue: | pt |
| Publié: |
Universidade Federal do Rio de Janeiro
2022
|
| Sujets: | |
| Accès en ligne: | https://www.redalyc.org/articulo.oa?id=695375056009 https://www.redalyc.org/journal/6953/695375056009/ https://www.redalyc.org/journal/6953/695375056009/html/ https://www.redalyc.org/journal/6953/695375056009/695375056009.epub https://www.redalyc.org/journal/6953/695375056009/movil |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Table des matières:
- Comparação entre Algoritmos de Aprendizado de Máquina para a Identificação de Floresta Tropical Sazonalmente Seca Elisiane Alba Marta Laura de Souza Alexandre Juliana Marchesan Luciana Sandra Bastos de Souza Alan Cézar Bezerra Emanuel Araújo Silva Geología oli Landsat 8 Inteligência artificial mapeamento da vegetação O objetivo do estudo foi avaliar o potencial dos algoritmos de aprendizado de máquina k-Nearest Neighbor (kNN), Random Forest (RF), Support Vector Machine (SVM) e Artificial Neural Networks (ANN) na identificação das fitofisionomias da Caatinga a partir de imagens OLI/Landsat 8. Para tanto, foi elaborado um arquivo vetorial de treinamento com as amostras dos diferentes padrões dos usos e cobertura da terra, a fim de orientar os algoritmos no processo de classificação. A validação das classificações foi obtida por meio da validação cruzada, do tipo k-fold, com 30 repetições, sendo avaliada a qualidade da classificação a partir dos valores expressos pelo coeficiente Kappa. Para verificar a existência de diferenças significativas entre os algoritmos foi aplicado o teste estatístico de Friedman e Nemenyi. O algoritmo RF apresentou os maiores valores para o coeficiente Kappa, expressando um valor médio de 0,9841. Por outro lado, a ANN demonstrou desempenho inferior aos demais, englobando um valor médio de 0,7551, ocasionado pela confusão espectral na identificação da classe nuvem/sombra com a classe água. Apesar de todos os algoritmos testados apresentarem bons resultados, o algoritmo RF diferiu significativamente dos demais, expressando resultados superiores quando aplicado à identificação de padrões espaciais na Caatinga. Conclui-se que o uso de algoritmos de aprendizagem de máquina é eficiente na identificação de fitofisionomias da Caatinga, com destaque para o RF, o qual englobou melhor a variação dos padrões espectrais dos usos, podendo ser utilizado para estudos posteriores relacionados com a Caatinga. 2022 artículo científico 0101-9759 https://www.redalyc.org/articulo.oa?id=695375056009 https://www.redalyc.org/journal/6953/695375056009/ https://www.redalyc.org/journal/6953/695375056009/html/ https://www.redalyc.org/journal/6953/695375056009/695375056009.epub https://www.redalyc.org/journal/6953/695375056009/movil 10.11137/1982-3908_2022_45_40758 pt http://www.redalyc.org/revista.oa?id=6953 Anuário do Instituto de Geociências application/pdf Universidade Federal do Rio de Janeiro Anuário do Instituto de Geociências (Brasil) Vol.45