Análise Subpixel de Série Temporal de Imagens MODIS usando Aprendizado por Transferência e Calibração Relativa
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
O aprendizado por transferência reutiliza um modelo pré-treinado em um novo problema relacionado, o que pode ser útil para monitorar áreas extensas como o bioma Amazônia. Para tal, é importante que um determinado objeto possua características espectrais semelhantes nos dados utilizados, sendo que variações nesses valores podem ser minimizadas com técnicas de calibração relativa. Neste artigo, apresenta-se um processo de calibração relativa em imagens multitemporais e como essa calibração impacta processos de classificação subpixel. Imagens MODIS da região Amazônica, coletadas entre 2013 e 2017, foram relativamente calibradas usando uma imagem de 2012 como referência e classificadas por apredizado por transferência. As classificações de imagens calibradas e não calibradas foram comparadas com dados do projeto PRODES, com foco nas áreas de florestas. Observou-se grande variação nas respostas espectrais da classe floresta, mesmo em imagens de datas próximas e do mesmo sensor. Essas variações impactaram significativamente nas classificações de cobertura da terra no subpixel, com casos de concordância entre os mapas de dados não calibrados e PRODES de 0%. Para os dados calibrados, os valores de concordância foram superiores a 70%. Os resultados indicam que o método utilizado, embora bastante simples, seja adequado e necessário para a classificação subpixel de imagens MODIS por transferência de aprendizado.
Downloads
Métricas
Detalhes do artigo
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Atribuição que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (veja "O Efeito do Acesso Aberto").
