| Revista: | Boletim de ciencias geodesicas |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000409478 |
| ISSN: | 1413-4853 |
| Autores: | Santos, Guilherme Domingues dos1 Francisco, Cristiane Nunes2 Almeida, Claudia Maria de3 |
| Instituciones: | 1Instituto Militar de Engenharia, Curso de Pos-Graduacao em Engenharia Cartografica, Rio de Janeiro. Brasil 2Universidade Federal Fluminense, Instituto de Geociencias, Niteroi, Rio de Janeiro. Brasil 3Instituto Nacional de Pesquisas Espaciais, Sao Jose dos Campos, Sao Paulo. Brasil |
| Año: | 2015 |
| Periodo: | Oct-Dic |
| Volumen: | 21 |
| Número: | 4 |
| Paginación: | 706-720 |
| País: | Brasil |
| Idioma: | Portugués |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en inglés | This paper is committed to investigate the spectral attributes extracted from Landsat 8 image bands and topographic attributes derived from TOPODATA, meant to discriminate land cover classes by means of decision trees, a technique in the scope of data mining. Statistical measures of samples corresponding to 12 land cover classes collected in Rio de Janeiro city were calculated from a database composed of 18 layers, from which four decision trees were generated. The results showed that the mean and median were the most relevant statistical attributes. As to spectral attributes, Band 1 is worth of mention, which has been selected to classify water classes, besides discriminating vegetation and non-vegetation classes. Regarding vegetation indices, the data mining algorithm exclusively relied on the Simple Ratio Index in all trees to the detriment of the NDVI. Slope has been employed in three decision trees to separate rock outcrop from low-height vegetation. On the other hand, radiance has not been used in any of the four decision trees. Considering the ever-increasing volume of remotely sensed data currently available, it ought to be acknowledged that data mining represents a crucial solution to efficiently extract information from large databases in a short time |
| Resumen en portugués | O presente trabalho tem como objetivo investigar os descritores espectrais, extraídos das bandas do Landsat 8, e topográficos, provenientes de dados do TOPODATA, que auxiliam na discriminação das classes de cobertura da terra através de uma árvore de decisão gerada por mineração de dados. Foram extraídas medidas estatísticas de amostras referentes a 12 classes, coletadas no município do Rio de Janeiro, de um banco de dados composto por 18 planos de informação. Os resultados apontaram que entre os descritores estatísticos, prevaleceram a média e mediana. Como descritor espectral, merece destaque a banda 1 (ultra-azul), selecionada para discriminar, além das classes de água, as classes de vegetação e não-vegetação. O minerador utilizou o Índice de Vegetação por Razão Simples (RS) em todas as árvores a despeito do Índice de Vegetação por Diferença Normalizada (IVDN). A declividade também foi inserida nas três árvores para separar o afloramento rochoso da vegetação de baixo porte. Em relação aos níveis digitais, não foi utilizado nenhum descritor de radiância nas quatro árvores. Considerando o grande volume de dados produzidos e armazenados atualmente, pode-se afirmar que a mineração é um importante recurso para a extração de informações de volumosos bancos de dados em curto espaço de tempo |
| Disciplinas: | Geociencias |
| Palabras clave: | Cartografía, Geodesia, Redes semánticas, Clasificación de imágenes, Arboles de decisión, Minería de datos, Descriptores espectrales |
| Keyword: | Earth sciences, Cartography, Geodesy, Semantic networks, Images classification, Decision trees, Data mining, Spectral descriptors |
| Texto completo: | Texto completo (Ver PDF) |
