Resumo O presente trabalho apresenta uma abordagem computacional para a predição de um passo à frente em séries de dados meteorológicos pertencentes às regiões de Paty do Alferes e Paracambi, situadas no estado do Rio de Janeiro (RJ). Para tanto, foram utilizados dois modelos de Redes Neurais Artificiais (RNAs): Perceptrons de Múltiplas Camadas (MLP) e Função de Base Radial (RBF). Para confirmar o desempenho dos modelos foi realizada a predição de variáveis horárias e mensais, que foram comparadas com resultados obtidos por modelos de Regressão Linear Múltipla (RLM), confrontadas com os dados registrados pelas estações meteorológicas e analisadas por meio de técnicas estatísticas, apresentando resultados favoráveis entre 91% a 96% de acerto para todos os casos. Além disso, as previsões também demonstraram uma forte correlação linear com os dados registrados, mantendo-se entre 0,61 a 0,94. Como resultado, pode se destacar as RNAs como uma forte ferramenta para predição dos dados meteorológicos analisados.
RESUMO. O uso de modelos para diagnóstico auxiliado por computador (CAD) tem sido proposto para auxiliar na detecção e classificação do câncer de mama. Neste trabalho, avaliou-se o desempenho dos modelos de rede neural de perceptrons de múltiplas camadas e máquina de vetores de suporte não linear para classificar nódulos de câncer de mama. Dez características morfológicas, do contorno de 569 amostras, foram usadas como entrada nos classificadores. Os resultados médios obtidos no conjunto das 50 simulações realizadas, mostram que os modelos propostos apresentaram bom desempenho (todos ultrapassaram a 90,0%) em termos da acurácia no conjunto de teste. O algoritmo de máquina de vetor de suporte não linear destacase quando comparado ao algoritmo de rede neural de perceptrons de múltiplas camadas proposto, com acurácia de ≈ 99,0% e taxa de falso negativo de ≈ 2,0%. O modelo de rede neural apresentou desempenho inferior ao classificador de máquina de vetor de suporte não linear. Os resultados médios obtidos, com a aplicação dos modelos propostos, mostram-se promissores, na classificação do câncer de mama.
Aplicação de redes neurais mlp na predição da evapotranspiração de referência Application of mlp neural networks in the prediction of reference evapotranspiration
O Parque Nacional da Tijuca (PNT) é uma área florestal localizada no município do Rio de Janeiro, no Estado do Rio de Janeiro sendo um importante fragmento do domínio da Mata Atlântica, presta diversos serviços ambientais tais como proteção do solo por erosão evitada e captura de carbono por desmatamento evitado, além de ser uma importante área para pesquisas ambientais. O PNT é divido em quatro setores: Setor Floresta da Tijuca, Pedra Bonita/Pedra da Gávea, Pretos Forros/Covanca e Serra da Carioca. Para este estudo foi utilizado um recorte de uma cena, de uma imagem hiperespectral do sensor Hyperion sobre o setor Serra da Carioca e uma área urbana sobre o bairro de Botafogo buscando caracterizar as coberturas florestais e urbanas, objetos da pesquisa. Este estudo teve como objetivo: Aplicar uma metodologia baseada em Redes Neurais Convolucionais (RNCs) e algoritmos de aprendizado profundo na implementação de um modelo computacional para classificação de imagens hiperespectrais por reconhecimento de padrões para mapeamento da cobertura e uso da terra. Os resultados alcançados pelas configurações utilizadas nas RNCs mostraram que o emprego da abordagem sem aumento de dados alcançou 0,88 de acurácia geral enquanto que a abordagem com aumento de dados alcançou 0,92 de acurácia geral. Logo, pode-se concluir que o emprego de RNCs e algoritmos de aprendizado profundo na classificação de imagens hiperespectrais podem ser amplamente utilizados no mapeamento da cobertura e uso da terra com a finalidade de monitoramento de ocupações desordenadas da terra, sobre tudo em locais de difícil acesso como o PNT.Palavras-chave: Imagens hiperespectrais. Redes Neurais Convolucionais. Uso e ocupação do solo.Classification of hyperspectral images using convolutional neural networks to characterize disorganized soil occupation on a Cutting of Tijuca National Park, RJA B S T R A C TTijuca National Park (TNP) is a forest area located in the municipality of Rio de Janeiro, in the State of Rio de Janeiro, being an important fragment of the Atlantic Forest domain, it provides several environmental services such as soil protection by avoided erosion and carbon capture through avoided deforestation, in addition to being an important area for environmental research. The PNT is divided into four sectors: Tijuca Forest Sector, Pedra Bonita/Pedra da Gávea, Pretos Forros/Covanca and Serra da Carioca. For this study, a cut-out of a scene was used, of a hyperspectral image of the Hyperion sensor over the Serra da Carioca sector and an urban area over the Botafogo neighborhood, seeking to characterize forest and urbancoverings, objects of the research. This study aimed to: Apply a methodology based on Convolutional Neural Networks (CNNs) and deep learning algorithms in the implementation of a computational model for classification of hyperspectral images by pattern recognition for mapping the coverage and use of land. The results achieved configurations configurations in the CNNs by which the use of the approach without data increase reached 0.88 general accuracy while the approach with data increase reached 0.92 general accuracy. Therefore, it CNNs be demanded that the use of CNNs and deep learnig algorithms utilization in the classification of hyperspectral images can be used in the mapping of land cover and use with a high monitoring of disordered land occupations, above all in places of difficult access like the TNP.Keywords: Hyperspectral images. Convolutional Neural Networks. Soil use and occupation
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.