Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/1188
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSousa, Célio Helder Resende de-
dc.date.accessioned2013-09-30T19:12:32Z-
dc.date.available2013-09-30T19:12:32Z-
dc.date.copyright2013-
dc.date.issued2013-
dc.date.submitted2013-02-28-
dc.identifier.citationSOUSA, C. H. R. de. Evaluating segmentation and classification approaches using rapideye data for vegetation mapping in Minas Gerais, Brazil. 2013. 82 p. Dissertação (Mestrado em Engenharia Florestal) - Universidade Federal de Lavras, Lavras, 2013.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/1188-
dc.descriptionDissertação apresentada à Universidade Federal de Lavras como parte das exigências do programa de Pós-Graduação Stricto Sensu em Engenharia Florestal, área de concentração em Manejo Florestal, para a obtenção do título de mestre.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.languageen_USpt_BR
dc.publisherUNIVERSIDADE FEDERAL DE LAVRASpt_BR
dc.rightsacesso abertopt_BR
dc.subjectCobertura do solopt_BR
dc.subjectSensoriamento remotopt_BR
dc.subjectMapeamento florestalpt_BR
dc.subjectMulchingpt_BR
dc.subjectRemote sensingpt_BR
dc.subjectForest mappingpt_BR
dc.titleEvaluating segmentation and classification approaches using rapideye data for vegetation mapping in Minas Gerais, Brazilpt_BR
dc.typedissertaçãopt_BR
dc.contributor.advisor-coNiemann, Olaf-
dc.publisher.programDCF - Programa de Pós-graduaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countryBRASILpt_BR
dc.description.concentrationManejo Florestalpt_BR
dc.contributor.advisor1Carvalho, Luis Marcelo Tavares de-
dc.contributor.referee1Costa, Gilson Alexandre Ostward Pedro da-
dc.contributor.referee1Ramirez, Glaucia Miranda-
dc.description.resumoThis study aims to investigate different segmentation and classification approaches using remote sensing imagery for mapping vegetated areas in the state of Minas Gerais. As a starting point, this research focuses on developing a general approach for selecting and evaluating the segmentation of high-resolution images using samples of real objects, which are referred to as reference objects. Several goodness measures have been applied for the assessment of the quality of the segmentation produced by different combinations of parameters for different land-cover classes. These measurements were used to generate different ranking values where the combination of parameters that achieved the highest ranking was selected as the ideal combination of parameters for the segmentation of a given class. The results of this approach showed that each class had a different parameter as the best parameter, which reinforces that a single scale approach may not be adequate to represent the entire study area. Once selected the best segmentation (produced by selected parameters), we applied a classification approach based on different classifiers: Support Vector Machine, Decision Trees and Random Forest. The goal of this approach was to verify the performance of these classifiers combined with object-based approach to generate maps of land-cover classes. Based on the results of visual comparison and values of accuracy, the map produced by the Random Forest depicted more accurately all land-cover classes than the other maps produced by Decision Tree Classifier and Support Vector Machine.pt_BR
dc.description.resumoEste trabalho tem como objetivo principal investigar diferentes abordagens de segmentação e classificação de imagens de sensoriamento remoto para o mapeamento de áreas vegetadas no estado de Minas Gerais. Como ponto de partida, este trabalho foca no desenvolvimento de uma abordagem geral de seleção e avaliação da segmentação de imagens de alta resolução utilizando amostras de objetos reais, os quais são referidos como objetos-referencia. Uma série de medidas foi aplicada para a avaliação da qualidade da segmentação produzida por diferentes combinações de parâmetros em diferentes classes de cobertura do solo. Estas medidas foram utilizadas para gerar diferentes valores de ranking onde a combinação de parâmetros que obteve o maior ranking foi selecionada com a combinação ideal de parâmetros para a segmentação de uma determinada classe. Os resultados dessa abordagem mostraram que cada classe apresentou um parâmetro diferente de segmentação, o que reforça que uma abordagem de escala única pode não ser adequada para representar toda a área de estudo. Uma vez selecionado a melhor segmentação (produzida pelos parâmetros selecionados), foi aplicada uma abordagem de classificação baseada em diferentes classificadores: Support Vector Machine, Árvores de Decisão e Random Forest. O objetivo desta abordagem foi verificar o desempenho destes classificadores combinados à abordagem baseada em objetos em gerar mapas da cobertura do solo. Baseando-se nos resultados de comparação visual e de valores de exatidão, o mapa produzido pelo Random Forest retratou mais precisamente todas as classes de cobertura do solo do que os outros mapas produzidos pelo classificador Árvore de Decisão e Support Vector Machine.pt_BR
dc.subject.cnpqCNPQ_NÃO_INFORMADOpt_BR
Aparece nas coleções:Engenharia Florestal - Mestrado (Dissertações)



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.