Red de Bibliotecas Virtuales de Ciencias Sociales en
América Latina y el Caribe

logo CLACSO

  1. Repositorio institucional de CLACSO
  2. Colección de los Centros Asociados
  3. Brasil
  4. Departamento de Geografia - DG/USP - Cosecha
Por favor, use este identificador para citar o enlazar este ítem: https://biblioteca-repositorio.clacso.edu.ar/handle/CLACSO/42305
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.creatorRosa, Marcos Reis-
dc.date2018-09-09-
dc.date.accessioned2022-03-17T15:14:39Z-
dc.date.available2022-03-17T15:14:39Z-
dc.identifierhttps://www.revistas.usp.br/rdg/article/view/145784-
dc.identifier10.11606/rdg.v0ispe.145784-
dc.identifier.urihttp://biblioteca-repositorio.clacso.edu.ar/handle/CLACSO/42305-
dc.descriptionMap Urban and intra-urban is essential for large city planning. Google Earth Engine, machine learning and Sentinel 2 images allow a detailed classification of urban areas that can be improved by the set of bands used, algorithm, and sample balancing. Classifications were produced for municipality of São Paulo in 2017 with the best result produced by Random Forest, with 87.2% global accuracy when using reflectance, spectral, temporal and texture bands. The result demonstrates the great capacity to use free platform and images with machine learning to classify urban and intra-urban areas.en-US
dc.descriptionMapear o padrão de ocupação urbana e intra-urbana é essencial para planejamento das grandes cidades. O Google Earth Engine, classificação com aprendizagem de máquina e imagens do Sentinel 2 permitem uma classificação detalhada das áreas urbanas que pode ser aprimorada pelo conjunto de bandas utilizadas, algoritmo e balanceamento das amostras. Foram produzidas classificações do município de São Paulo/SP para o ano de 2017 com o melhor resultado produzido pelo Random Forest com 87,2% de exatidão global quando utiliza as bandas de reflectância, índices espectrais, temporal e de textura. O resultado demonstra a capacidade de utilizar a plataforma e imagens livres com algoritmos de aprendizagem de máquina para classificar padrão de ocupação urbana e intra-urbana.pt-BR
dc.formatapplication/pdf-
dc.languagepor-
dc.publisherUniversidade de São Paulo. Faculdade de Filosofia, Letras e Ciências Humanaspt-BR
dc.relationhttps://www.revistas.usp.br/rdg/article/view/145784/147220-
dc.rightsCopyright (c) 2018 Marcos Reis Rosapt-BR
dc.sourceRevista do Departamento de Geografia; II Workshop Programa de Pós-Graduação em Geografia Física; 15-21ja-JP
dc.sourceRevista do Departamento de Geografia; II Workshop Programa de Pós-Graduação em Geografia Física; 15-21pt-BR
dc.sourceRevista do Departamento de Geografia; II Workshop Programa de Pós-Graduação em Geografia Física; 15-21en-US
dc.source2236-2878-
dc.source0102-4582-
dc.subjectGEEen-US
dc.subjectMachine Learning Classifieren-US
dc.subjectTemporal Indexen-US
dc.subjectTexture Indexen-US
dc.subjectGEEpt-BR
dc.subjectClassificador por Aprendizagem de Máquinapt-BR
dc.subjectÍndice Temporalpt-BR
dc.subjectÍndice de Texturapt-BR
dc.titleUrban land use classification of São Paulo using Machine Learning and Sentinel 2en-US
dc.titleClassificação do Padrão de Ocupação Urbana de São Paulo Utilizando Aprendizagem de Máquina e Sentinel 2pt-BR
dc.typeinfo:eu-repo/semantics/article-
dc.typeinfo:eu-repo/semantics/publishedVersion-
Aparece en las colecciones: Departamento de Geografia - DG/USP - Cosecha

Ficheros en este ítem:
No hay ficheros asociados a este ítem.
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.