English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Este artigo investiga uma abordagem para o problema da deteccao de mudancas em imagens multitemporais de sensoriamento remoto empregando Support Vector Machines (SVM) com o uso do kernel polinomial e do kernel RBF ( kernel funcao de base radial). Para os experimentos, foram consideradas duas imagens Landsat 5-TM cobrindo a mesma area, localizada no Estado de Roraima, Brasil (61°37’W–61°49’W de longitude e 3°40’N–3°52’N de latitude). A proposta metodologica esta baseada na diferenca de imagens-fracao. Em imagens de cenas naturais, a diferenca nas fracoes de solo e vegetacao tende a apresentar uma distribuicao simetrica em torno da origem, fato utilizado para modelarduasdistribuicoes normais multivariadas:mudanca e nao-mudanca. O algoritmo Expectation-Maximization (EM) foiimplementado para estimar os parâmetrosassociados a essas duas distribuicoes. Amostras aleatorias foram extraidas a partir das distribuicoes e usadas para treinar o classificador SVM. Para a avaliacao da acuraciada metodologia, foram utilizados dois procedimentos: a analise qualitativa, realizada por meio da producao do mapa de mudanca, e a analise quantitativa, a partir da construcao da matriz de confusao em uma imagem sintetica.Foi possivel observar que o kernel RBF apresentou resultados muito semelhantes para todos os conjuntos de amostras de teste, independentemente do tamanho do conjunto de amostras de treinamento, o que nao ocorre com o kernel polinomial.Os experimentos desenvolvidos neste trabalho mostram a adequacao da metodologia proposta, produzindo resultados aceitaveis na deteccao de alteracoes na cobertura do solo, uma vez que o SVM e um metodo robusto, lida bem com o problema da dimensionalidade e com amostras ruidosas e necessita de um numero pequeno de amostras de treinamento para o processo de classificacao.

pesquisas em geociências

Detecção de mudanças em dados de imagens multitemporais de sensoriamento remoto empregando Support Vector Machines com o uso de kernel polinomial e kernel RBF (kernel função de base radial)