Thiago Broerman Cazes InterpretaÃ§Ã£o Baseada ... - NIMA - PUC-Rio

More documents

Recommendations

Info

84 0.77 GRÁFICO DE DESEMPENHO 0.765 0.76 Avaliação 0.755 0.75 0.745 0.74 0 10 20 30 40 50 60 70 80 90 100 Geração Gráfico 5 – Evolução do algoritmo genético durante a sua evolução. Erro médio de omissão apos a inclusao do conhecimento multitemporal nebuloso 100,0% 90,0% 80,0% 70,0% 60,0% 50,0% 40,0% 30,0% 20,0% 10,0% 0,0% Agua Campo Alagado Floresta Campo Urbana Floresta Urbano Rocha Campo Urbano Media FASE1 40,0% 52,5% 88,0% 66,7% 36,7% 29,8% 79,1% 94,2% 60,9% FASE2 40,0% 52,5% 58,6% 59,5% 26,7% 35,8% 88,2% 73,6% 54,4% FASE3 - CRISP 40,0% 50,0% 60,0% 35,7% 29,2% 33,8% 73,5% 71,2% 49,2% FASE3 - NEBULOSA 40,0% 50,0% 44,7% 29,8% 35,5% 39,8% 44,1% 60,8% 43,1% Gráfico 6 – Avaliação do erro de omissão após a inclusão da informação multitemporal nebulosa. Observa-se pelo Gráfico 6 que após a inclusão da informação multitemporal nebulosa o erro médio de omissão entre as classes tem um declínio significativo. A maior parte das classes apresenta uma queda significativa no seu erro de omissão.
85 Se comparado com a Fase 1 a inclusão do conhecimento multitemporal pode oferecer uma queda de quase 17% em termos de erro de omissão. E em algumas classes como Rocha essa queda pode chegar a cerca de 35%. Nas classes Floresta e Urbano porém ocorre um ligeiro acréscimo no erro de omissão. Esse fato pode estar relacionado com a escolha pelo especialista das transições possíveis. Taxa de erro global, comparação Fase 1, Fase 2 e Fase 3 60,00% 50,00% 40,00% 30,00% 20,00% 10,00% 0,00% Taxa global de erro FASE1 55,48% FASE2 44,32% FASE3 - NEBULOSA 40,81% Gráfico 7 – Taxa de erro global após a classificação por inclusão de dados multitemporais nebulosos. O Gráfico 7 mostra que apesar de todo o procedimento ser focado na diminuição da taxa média de erro entre as classes, indicadores como a taxa global de acerto também se comportam de maneira favorável.
Page 1 and 2:
A-PDF Merger DEMO : Purchase from w
Page 3 and 4:
Todos os direitos reservados. É pr
Page 5 and 6:
Resumo Cazes, Thiago Broerman; Feit
Page 7 and 8:
Sumário 1 Introdução 13 1.1 Obje
Page 9 and 10:
Lista de Figuras Figura 1 - Exemplo
Page 11 and 12:
Lista de Tabelas Tabela 1 - Caracte
Page 13 and 14:
13 1 Introdução As técnicas de s
Page 15 and 16:
15 compatíveis com a escala 1:50.0
Page 17 and 18:
17 2 Fundamentos Teóricos A presen
Page 19 and 20:
19 Os sensores remotos passivos que
Page 21 and 22:
21 Figura 2 - resposta espectral re
Page 23 and 24:
23 disponíveis em todo o mundo. O
Page 25 and 26:
25 que as mesmas sejam reconhecidas
Page 27 and 28:
27 Basicamente o tipo de funções
Page 29 and 30:
29 nebulosa permite representar val
Page 31 and 32:
31 2.2.1.4 Algoritmos Genéticos Al
Page 33 and 34: 33 2.3 Segmentação 2.3.1 Históri
Page 35 and 36: 35 software eCognition [35]. O proc
Page 37 and 38: 37 3 Estado da arte em classificaç
Page 39 and 40: 39 de alta resolução resultando n
Page 41 and 42: 41 diferença está nos atributos o
Page 43 and 44: 43 utilizado a decisão baseia-se n
Page 45 and 46: 45 4 Modelo proposto 4.1 Introduç
Page 47 and 48: 47 nebulosas. Agrega-se ao resultad
Page 49 and 50: 49 entre classes em um determinado
Page 51 and 52: 51 5 Avaliação experimental Nesse
Page 53 and 54: 53 Na área analisada a temperatura
Page 55 and 56: 55 Figura 17 - Foto da área do Par
Page 57 and 58: 57 uma resolução radiométrica de
Page 59 and 60: 59 5.1.4 Segmentação A segmentaç
Page 61 and 62: 61 CLASSE Água Características pr
Page 63 and 64: 63 CLASSE Floresta Urbana Caracter
Page 65 and 66: 65 contendo a descrição detalhada
Page 67 and 68: 67 Classificação 2001 Água Campo
Page 69 and 70: 69 também 50 padrões por classe p
Page 71 and 72: 71 (ou verdade de campo) a uma outr
Page 73 and 74: 73 5.3.2 Regras O conhecimento do e
Page 75 and 76: 75 O conjunto de treinamento utiliz
Page 77 and 78: 77 Taxa de erro global, comparaçã
Page 79 and 80: 79 Classe em t-1 Água Campo Alagad
Page 81 and 82: 81 analisado (t). A ordem das class
Page 83: 83 5.4.1.2 Contribuição do conhec
Page 87 and 88: 87 6 Comentários finais O objetivo
Page 89 and 90: 89 Referências 1 CORR, D.G.; TAILO
Page 91 and 92: 91 27 GONZALEZ, R.C., WOODS, R.E. D
Page 93 and 94: 93 52 LEE, C.; LANDGREBE, D.A. Deci
show all

Thiago Broerman Cazes InterpretaÃ§Ã£o Baseada ... - NIMA - PUC-Rio

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?