Classificação de imagens de satélite e índices espectrais de vegetação: uma análise comparativa

Fitz, Paulo Roberto

doi:10.5007/2177-5230.2020v35n76p171

Cited by 2 publications

(1 citation statement)

References 4 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The images were analyzed and classified using QGIS software (version 3.28.2), with the assistance of the Dzetsaka plugin (version 3.70) [29]. The classification conducted by the Dzetsaka plugin is object-oriented with applications spanning various areas such as deforestation progress, illegal road opening, and the conversion of pasture areas, among others [30,31]. Three classification algorithms were tested: Gaussian Mixture Model, Knearest Neighbors, and Random Forest.…”

Section: Machine Learning Algorithmsmentioning

confidence: 99%

UAV-Based Classification of Intercropped Forage Cactus: A Comparison of RGB and Multispectral Sample Spaces Using Machine Learning in an Irrigated Area

Andrade,

Montenegro,

Silva Neto

et al. 2024

AgriEngineering

View full text Add to dashboard Cite

Precision agriculture requires accurate methods for classifying crops and soil cover in agricultural production areas. The study aims to evaluate three machine learning-based classifiers to identify intercropped forage cactus cultivation in irrigated areas using Unmanned Aerial Vehicles (UAV). It conducted a comparative analysis between multispectral and visible Red-Green-Blue (RGB) sampling, followed by the efficiency analysis of Gaussian Mixture Model (GMM), K-Nearest Neighbors (KNN), and Random Forest (RF) algorithms. The classification targets included exposed soil, mulching soil cover, developed and undeveloped forage cactus, moringa, and gliricidia in the Brazilian semiarid. The results indicated that the KNN and RF algorithms outperformed other methods, showing no significant differences according to the kappa index for both Multispectral and RGB sample spaces. In contrast, the GMM showed lower performance, with kappa index values of 0.82 and 0.78, compared to RF 0.86 and 0.82, and KNN 0.86 and 0.82. The KNN and RF algorithms performed well, with individual accuracy rates above 85% for both sample spaces. Overall, the KNN algorithm demonstrated superiority for the RGB sample space, whereas the RF algorithm excelled for the multispectral sample space. Even with the better performance of multispectral images, machine learning algorithms applied to RGB samples produced promising results for crop classification.

show abstract

Section: Machine Learning Algorithmsmentioning

confidence: 99%

UAV-Based Classification of Intercropped Forage Cactus: A Comparison of RGB and Multispectral Sample Spaces Using Machine Learning in an Irrigated Area

Andrade,

Montenegro,

Silva Neto

et al. 2024

AgriEngineering

View full text Add to dashboard Cite

show abstract

Análise da dinâmica espaço temporal da vegetação da sub-bacia hidrográfica do Igarapé D’Alincourt

Paixão

2023

Rev. Car. Cien. Soc.

View full text Add to dashboard Cite

A partir dos processos de colonização da região de Rolim de Moura - RO, as intervenções antrópicas transformaram completamente a paisagem, trazendo sérias consequências aos recursos hídricos da região. Chegando ao ponto deste município amazônico ter como uma das maiores preocupações a escassez de água potável para o abastecimento urbano. O objetivo deste trabalho foi analisar a dinâmica espaço temporal do índice de vegetação NDVI na detecção de transformações fisiográficas na sub-bacia hidrográfica do Igarapé D’Alincourt, entre os anos de 2005, 2008, 2015 e 2021. Para isso, foram utilizadas ferramentas de geotecnologia com o objetivo de analisar a dinâmica espacial e temporal da vegetação da área de estudos. Foi realizada a espacialização e quantificação da vegetação da bacia, identificando as mudanças ocorridas nos anos analisados. Foi utilizado o NDVI obtido através do processamento de imagens de satélite. Os resultados apontam que uma grande porção do território da sub-bacia do Igarapé D’Alincourt é ocupada por vegetação com pouca densidade, a maior parte é pastagem. Constatou-se que apesar dessa área estar fortemente antropizada e com um processo de degradação avançado, é possível recuperar tais áreas, do ponto de vista da vegetação. Entre 2005 e 2021 houve incremento de 7,61% na vegetação densa, aumento significativo da densidade da cobertura vegetal. Esses resultados evidenciam que a presença do Estado enquanto fiscalizador e garantidor do cumprimento da legislação ambiental aliado a expertise das ONGs que militam nessa causa, fazem com os projetos de recuperação de áreas degradadas tenham maior êxito e contribui para a diminuição dos impactos negativos sobre o regime hidrológico.

show abstract

Classificação de imagens de satélite e índices espectrais de vegetação: uma análise comparativa

Cited by 2 publications

References 4 publications

UAV-Based Classification of Intercropped Forage Cactus: A Comparison of RGB and Multispectral Sample Spaces Using Machine Learning in an Irrigated Area

UAV-Based Classification of Intercropped Forage Cactus: A Comparison of RGB and Multispectral Sample Spaces Using Machine Learning in an Irrigated Area

Análise da dinâmica espaço temporal da vegetação da sub-bacia hidrográfica do Igarapé D’Alincourt

Contact Info

Product

Resources

About