Para citar este trabalho use um dos padrões abaixo:
Utilizar métodos de classificação semiautomática do uso e cobertura da terra (LULC) possibilita reduzir custos e tempo e podem ser aplicados para detectar cicatrizes de movimentos de massa, informações essenciais para o monitoramento, gestão e redução do risco de desastres. Assim, este estudo busca avaliar uma classificação não supervisionada (NS) utilizando a ferramenta KMeansLearning e duas supervisionadas, Random Forest (RF) e Minimum Distance (MD), de LULC, realizadas numa área urbanizada no município de São Paulo, e ao final, comparar com o registro de ocorrência de deslizamentos para verificar se foi possível identificar cicatrizes. Para isso, foram utilizadas imagens do CBERS 04A, o Modelo Digital de Elevação (MDE) e calculado o Índice de Vegetação por Diferença Normalizada (NDVI). Os resultados demonstraram que a classificação NS apresentou acurácia baixa, 52%, enquanto a RF teve melhor resultado, 86%, porém, todas as classificações apresentaram dificuldade em distinguir área urbanizada e solo exposto.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo