Please use this identifier to cite or link to this item: http://10.7.2.42:8080/jspui/handle/2011/7652
Full metadata record
DC FieldValueLanguage
dc.creatorGONÇALVES, Wanderson Gonçalves e-
dc.creatorRIBEIRO, Hebe Morganne Campos-
dc.creatorSÁ, José Alberto Silva de-
dc.creatorMORALES, Gundisalvo Piratoba-
dc.creatorFERREIRA FILHO, Hélio Raymundo-
dc.creatorALMEIDA, Arthur da Costa-
dc.date.accessioned2017-02-13T13:35:04Z-
dc.date.available2017-02-13T13:35:04Z-
dc.date.issued2016-09-
dc.identifier.citationGONCALVES, Wanderson Gonçalves e et al. Classificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remoto. Revista Ambiente & Água, Taubaté, v. 11, n. 3, p. 612-624, jul./set. 2016. DOI: http://dx.doi.org/10.4136/ambi-agua.1871. Disponível em: http://repositorio.ufpa.br/jspui/handle/2011/9377. Acesso em:.pt_BR
dc.identifier.issn1980-993Xpt_BR
dc.identifier.urihttp://repositorio.ufpa.br/jspui/handle/2011/7652-
dc.description.abstractThis study classified forest types using neural network data from a forest inventory provided by the "Florestal e da Biodiversidade do Estado do Pará" (IDEFLOR-BIO), and Bands 3, 4 and 5 of TM from the Landsat satellite. The information from the satellite images was extracted using QGIS software 2.8.1 Wien and was used as a database for training neural networks belonging to the software tools package MATLAB(r) R2011b. The neural networks were trained to classify two forest types: Rain Forest of Lowland Emerging Canopy (Dbe) and Rain Forest of Lowland Emerging Canopy plus Open with palm trees (Dbe + Abp) in the Mamuru Arapiuns glebes of Pará State, and were evaluated in terms of the indicators confusion matrix, overall accuracy, the Kappa coefficient, and the receiver operating characteristics chart (ROC). The best result of classification was obtained by the probabilistic neural network of radial basis function (RBF) newpnn, with an overall accuracy of 88%, and a Kappa coefficient of 76%, showing it to be a very good classifier, and demonstrating the potential of this methodology to provide ecosystem services, particularly in anthropogenic areas in the Amazon that adopt agricultural systems with low carbon emissions.en
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior-
dc.languageporpt_BR
dc.publisherInstituto de Pesquisas Ambientais em Bacias Hidrográficaspt_BR
dc.relation.ispartofRevista Ambiente & Águapt_BR
dc.rightsAcesso Abertopt_BR
dc.source.urihttp://ref.scielo.org/9f5htt-
dc.subjectInteligência artificialpt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectInventário florestalpt_BR
dc.subjectVegetação tropicalpt_BR
dc.subjectFloresta Ombrófilapt_BR
dc.titleClassificação de estratos florestais utilizando redes neurais artificiais e dados de sensoriamento remotopt_BR
dc.title.alternativeClassification of forest types using artificial neural networks and remote sensing dataen
dc.typeArtigo de Periódicopt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsIPABHipt_BR
dc.creator.Latteshttp://lattes.cnpq.br/8514919525314476pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/2399134205919272pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/9459574384403283pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/2923392000120182pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/2760498204696515pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/2014957882626187pt_BR
dc.citation.volume11pt_BR
dc.citation.issue3pt_BR
dc.citation.spage612pt_BR
dc.citation.epage624pt_BR
dc.identifier.doihttp://dx.doi.org/10.4136/ambi-agua.1871-
dc.description.resumoO presente estudo objetivou a classificação de tipologias florestais por meio de redes neurais artificiais utilizando dados provenientes de um inventário florestal, fornecido pelo Instituto de Desenvolvimento Florestal e da Biodiversidade do Estado do Pará (IDEFLOR-BIO), e das bandas 3, 4 e 5 do TM do satélite Landsat 5. As informações provenientes das imagens de satélite foram extraídas por meio do aplicativo QGIS 2.8.1 Wien e utilizadas no banco de dados para o treinamento das redes neurais pertencentes às ferramentas do software MATLAB(r) R2011b. Foram treinadas redes neurais como classificadores de dois tipos florestais: Floresta Ombrófila Densa de Terras baixas Dossel emergente (Dbe) e Floresta Ombrófila Densa Terras baixas Dossel emergente mais Aberta com palmeiras (Dbe + Abp) no conjunto de glebas estaduais Mamuru-Arapiuns, Pará, e avaliadas usando os indicadores matriz de confusão, cálculo de acurácia global, coeficiente Kappa e o gráfico de características do receptor operacional (ROC). O melhor resultado de classificação foi obtido por meio da rede neural probabilística de função de base radial (RBF) "newpnn", com uma acurácia global de 88%, e coeficiente Kappa de 76%, sendo avaliado como um classificador muito bom, evidenciando a aplicação dessa metodologia na análise de áreas com potencial para prestar serviços ecossistêmicos e, principalmente, na prestação de serviços ambientais em áreas antrópicas que adotam sistema de produção agropecuária com baixa emissão de carbono na Amazônia.pt_BR
Appears in Collections:Artigos Científicos - CCAST

Files in This Item:
File Description SizeFormat 
Artigo_ClassificacaoEstratosFlorestais.pdf1,15 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons