Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/9289| Título: | Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais |
| Autor(es): | Costa, João Paulo de Oliveira Ortolan, Lucas Dissenha |
| Orientador(es): | Dorini, Leyza Elmeri Baldo |
| Palavras-chave: | Sensoriamento remoto Redes neurais (Computação) Remote sensing Neural networks (Computer science) |
| Data do documento: | 21-Mar-2014 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | COSTA, João Paulo de Oliveira; ORTOLAN, Lucas Dissenha. Classificação de imagens de sensoriamento remoto utilizando redes neurais artificiais. 2014. 78 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Curitiba, 2014. |
| Resumo: | As imagens produzidas a partir do sensoriamento remoto geralmente são analisadas por especialistas para extração de informações usadas para análise de dados ou tomada de decisões. Este processo pode ser auxiliado por meio de um procedimento automático de classificação, de tal forma que uma imagem temática seja produzida, enfatizando características e/ou regiões de interesse. O presente trabalho tem como objetivo desenvolver uma metodologia baseada em Redes Neurais Artificiais (RNAs) para reconhecimento de padrões em imagens de sensoriamento remoto em dois cenários distintos. O primeiro refere-se à imagens de satélite da região de Três Pontas, localizada ao Sul de Minas Gerais, onde a cultura cafeeira encontra-se presente. Neste caso, o objetivo é identificar automaticamente zonas produtores de café, diferenciando-a de regiões de mata e de outros usos. O segundo cenário é composto por imagens da região da Baía de Paranaguá referentes à duas datas de aquisição distintas, 1986 e 1999. Este trabalho tem como objetivo delimitar as regiões correspondentes à zonas urbanas. Dessa forma, é possível determinar diferentes itens, incluindo invasão de zonas de preservação e crescimento urbano. A precisão da classificação foi avaliada com base no índice Kappa, que fornece uma ideia da acurácia da classificação. O melhor índice obtido no primeiro cenário foi de 0.81 e no segundo de 0.80, ambos considerados bons. Alguns dos erros da abordagem proposta podem ser minimizados ao considerar diferentes descritores e operações de pré-processamento, o que pode incentivar o desenvolvimento de trabalhos futuros. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/9289 |
| Aparece nas coleções: | CT - Sistemas de Informação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| CT_COBSI_2013_2_06.pdf | 16,98 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.