Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/SLSS-8GPR28
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Clodoveu Augusto Davis Juniorpt_BR
dc.contributor.referee1Tatiana Grossi Chquiloff Vieirapt_BR
dc.contributor.referee2Wilian Soares Lacerdapt_BR
dc.contributor.referee3Luiz Chaimowiczpt_BR
dc.creatorLivia Naiara de Andradept_BR
dc.date.accessioned2019-08-10T03:00:04Z-
dc.date.available2019-08-10T03:00:04Z-
dc.date.issued2011-02-21pt_BR
dc.identifier.urihttp://hdl.handle.net/1843/SLSS-8GPR28-
dc.description.abstractCoffee production is of fundamental importance in the southern region of Minas Gerais state and techniques for estimating the area planted are being intensely investigated in order to produce reliable yield estimates. Coffee trees have a similar spectral pattern to forest, making it difficult to automatically classify these land use types. The application of Artificial Neural Networks (ANN) to the classification of remotely sensed data is a promising approach in discriminating more complex classes of land use/cover. This study presents an application of Artificial Neural Networks for the automatic classification of remote sensing data which was adapted for the identification of land use with emphasis in the coffee areas in the municipalities of Guaxupé, Machado and Três Pontas, South region of Minas Gerais state in Brazil. The software used for preprocessing the data and validate the ratings was SPRING. To process and classify the images was used the IDRISI software. For the three regions the methodology for the application of ANN was divided in three main stages: in the first, the pre-processing of the data was accomplished. Masks were created in each one of the three bands of the images; in the second stage, the ANN was trained with representative samples of the classes of interest (coffee, forest, water, other uses and urban area) and applied on the image in order to verify its potential for discriminating established land use classes; the third stage consisted of the analysis and validation of the results, using as reference the map classified visually. The Kappa index was used to access the accuracy of the thematic maps obtained with the ANN. For the Guaxupé region, the Kappa index (k) was 71.85%, which is considered good. For the Machado region, the result of the classification by ANN was 55.84% for the more undulated part of the experimental area and 60.29% for the smoother landscapes. Although the kappa for Machado were lower than Guaxupé, the results obtained were better than what is found in the literature. For the region of Três Pontas the index Kappa obtained was 67,61%, that is also considered a good index. The ANN methodology presented good results. However, as the spectral bands only were not sufficient to carry out an optimized classification, it is recommended to use other environmental attributes as input data to improve the performance of the ANN.Keywords : Artificial Neural Networks, automatic classification, satellite image, coffee crop.pt_BR
dc.description.resumoA cafeicultura é atividade de fundamental importância na região Sul do estado de Minas Gerais e técnicas de estimativa da área plantada, visando previsões de safra confiáveis, estão sendo intensamente pesquisadas. A cultura cafeeira tem o padrão espectral muito próximo ao da mata, dificultando a classificação automática das classes de uso da terra. A aplicação de Redes Neurais Artificiais (RNA) na classificação de dados de Sensoriamento Remoto tem se mostrado uma abordagem promissora na discriminação de classes de maior complexidade. Neste sentido, o presente trabalho de dissertação apresenta uma aplicação de Redes Neurais Artificiais para a classificação automática de dados de sensoriamento remoto, que fosse adequada para a identificação e mapeamento do uso e ocupação das terras, com ênfase na identificação de áreas cafeeiras nas regiões de Guaxupé, Machado e Três Pontas, Sul de Minas Gerais. O software utilizado para pré-processamento e validação das classificações foi o SPRING, e para o processamento e classificação das imagens foi o Idrisi. Para as três regiões cafeeiras estudadas, a metodologia para desenvolvimento da aplicação da RNA foi dividida em três etapas principais: na primeira foi realizado o pré-processamento dos dados, em que foram criadas máscaras em cada uma das três bandas das imagens; na segunda etapa a RNA foi treinada a partir de amostras representativas das classes de interesse (café, mata, água, outros usos e área urbana) e aplicada sobre a imagem, verificando assim seu potencial em discriminar as classes de saída estabelecidas; a terceira etapa consistiu na análise e validação dos resultados, realizando um cruzamento entre o mapa classificado visualmente e o mapa classificado pela Rede Neural Artificial. Utilizou-se o índice Kappa para avaliar o desempenho da RNA, uma vez que o uso desse coeficiente é satisfatório na avaliação da precisão de uma classificação temática. Para a região de Guaxupé, o índice Kappa do mapa classificado pela RNA ficou em 71,85% em relação ao mapa de referência, que é um índice considerado bom. Para a região de Machado, os resultados da classificação foram índices Kappa de 55.84% para o relevo mais movimentado e 60.29% para o relevo menos movimentado, superiores aos resultados encontrados na literatura. E para a região de Três Pontas a RNA obteve um índice Kappa de 67,61%, que também é considerado um índice bom. A metodologia de Redes Neurais Artificiais apresentou um bom resultado, porém, sugere-se que utilize outros dados de entrada para a RNA, uma vez que somente as bandas espectrais não são suficientes para uma classificação otimizada.pt_BR
dc.languageInglêspt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectredes neurais artificiaispt_BR
dc.subjectimagens de satélitept_BR
dc.subjectclassificação automáticapt_BR
dc.subjectcafeiculturapt_BR
dc.subject.otherComputaçãopt_BR
dc.titleRedes neurais artificiais aplicadas na identificação automática de áreas cafeeiras em imagens de satélitept_BR
dc.typeDissertação de Mestradopt_BR
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
livianaiaraandade.pdf4.16 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.