Elton Luis Silva da Silva
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Elton Luis Silva da Silva has a total of 5 co-authors. Here are the top co-authors by number of shared publications:
- Jefferson Ferreira dos Santos
Universidade Federal Rural da Amazônia (UFRA)
2 shared publications - Jones Remo Barbosa Vale
Universidade federal do Pará
2 shared publications - Artur Trindade Favacho
Universidade Federal Rural da Amazônia – UFRA
1 shared publication - Jamer Andrade da Costa
Universidade Federal Rural da Amazônia – UFRA
1 shared publication - Tabilla Verena Da Silva Leite
Universidade federal do Pará
1 shared publication
Latest Publications
- Open Access
- 31 December 2018
- Published by Universidade Estadual de Montes Claros (UNIIMONTES) in Revista Cerrados
- Vol. 16 (02) , 153-173
ANÁLISE ESPACIAL DAS UNIDADES DE PAISAGEM DA RESERVA EXTRATIVISTA MARINHA MOCAPAJUBA, ZONA COSTEIRA DO NORDESTE PARAENSE
Análise espacial das unidades de paisagem da reserva extrativista Marinha Mocapajuba, Zona Costeira do Nordeste Paraense
- 31 December 2018
- Published by Universidade Estadual de Montes Claros (UNIIMONTES) in Revista Cerrados
- Vol. 16 (02) , 153-173
Open AccessANÁLISE ESPACIAL DAS UNIDADES DE PAISAGEM DA RESERVA EXTRATIVISTA MARINHA MOCAPAJUBA, ZONA COSTEIRA DO NORDESTE PARAENSE
Análise espacial das unidades de paisagem da reserva extrativista Marinha Mocapajuba, Zona Costeira do Nordeste Paraense
- Open Access
- 23 April 2018
- Published by Universidade Federal do Maranhao in Interespaço: Revista de Geografia e Interdisciplinaridade
- Vol. 4 (13) , 26-44
ANÁLISE COMPARATIVA DE MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA APLICADA AO MAPEAMENTO DA COBERTURA DO SOLO NO MUNICÍPIO DE MEDICILÂNDIA, PARÁ
COMPARATIVE ANALYSIS THE METHODS OF SUPERVISED CLASSIFICATION APPLIED TO THE MAPPING OF SOIL COVER IN THE MUNICIPALITY OF MEDICILÂNDIA, PARÁ ANÁLISIS COMPARATIVO DE MÉTODOS DE CLASIFICACIÓN SUPERVISADA APLICADA AL MAPEO DE LA COBERTURA DEL SUELO EN EL MUNICIPIO DE MEDICILÂNDIA, PARÁ As imagens de satélite são produtos gerados por sensoriamento remoto e, estão associadas aos fenômenos e eventos que ocorrem na superfície a partir do registro e da análise das interações entre a radiação eletromagnética e os alvos. O objetivo do trabalho é comparar métodos de classificação supervisionada de imagens de satélite para o mapeamento da cobertura do solo. A área de estudo compreende o município de Medicilândia, localizado no sudoeste paraense. Para a realização do trabalho foram utilizados imagens do satélite Landsat 8, sensor OLI-TIRS, cenas 226/062 e 227/062. Foram realizados os testes de classificação, utilizando três classificadores: Distância Mínima, Distância Mahalanobis e Máxima Verossimilhança. Na etapa de classificação foram identificadas as seguintes classes: água, nuvem, sombra de nuvem, solo exposto, vegetação primária e vegetação secundária. Para fins de avaliação da fidedignidade da classificação de cada método foram calculados, o Índice Kappa e a Exatidão Global. A classificação pelo método Máxima Verossimilhança obteve maior exatidão apresentando Índice Kappa de 0,920 e Exatidão Global 96% quando comparada à classificação pelos métodos Distância Mínima e Distância Mahalanobis, que apresentaram Índice Kappa de 0,842 e 0,845 e Exatidão Global 92% respectivamente. As técnicas de classificação supervisionada são ferramentas essenciais no processo de mapeamento da cobertura do solo de grandes áreas, visto que dispondo-se de recursos limitados, imagens de baixo custo e de sistemas livres para processamento e integração das informações, é possível obter parâmetros com altos níveis de precisão, sendo fundamentais para subsidiar o planejamento territorial e ambiental. Palavras-chave: Sensoriamento Remoto; Classificação de Imagens de Satélite; Cobertura do Solo. ABSTRACT The satellite images are products generated by remote sensing and are associated with phenomena and events that occur on the surface from the recording and analysis of interactions between electromagnetic radiation and targets. The objective of this work is to compare methods of supervised classification of satellite images for the mapping of the soil cover. The study area comprises the municipality of Medicilândia, located in southwest of Para. In order to perform the work, were used images from the Landsat 8 satellite, OLI-TIRS sensor, scenes 226/062 and 227/062. The classification tests were performed using three classifiers: Minimum Distance, Mahalanobis Distance and Maximum Likelihood. In the classification processe were identified the following classes: water, cloud, cloud shadow, exposed soil, primary vegetation and secondary vegetation. For the purposes of evaluating the reliability of the classification of each method were calculated, Kappa Index and Global Accuracy. The classification by the Maximum Likelihood method obtained a greater accuracy presenting Kappa Index of 0,920 and Global Accuracy 96% when compared to the classification by the Minimum Distance and Mahalanobis Distance, which presented Kappa Index of 0,842 and 0,845 and Global Accuracy 92% respectively. The supervised classification techniques are essential tools in the mapping process of large-area soil cover, since with limited resources, low-cost images and free systems for processing and integrating information, it is possible to obtain parameters with high levels of precision, being fundamental to subsidize territorial and environmental planning. Keywords: Remote Sensing; Classification of Satellite Images; Soil Cover. RESUMEN Las imágenes de satélite son productos generados por la detección remota y están asociados a los fenómenos y eventos que ocurren en la superficie a partir del registro y del análisis de las interacciones entre la radiación electromagnética y los blancos. El objetivo del trabajo es comparar métodos de clasificación supervisada de imágenes de satélite para el mapeo de la cobertura del suelo. El área de estudio comprende el municipio de Medicilândia, ubicado en el suroeste paraense. Para la realización del trabajo se utilizaron imágenes del satélite Landsat 8, sensor OLI-TIRS, escenas 226/062 y 227/062. Se utilizaron tres clasificadores: Distancia Mínima, Distancia Mahalanobis y Máxima Verosimilitud. En la etapa de clasificación se identificaron las siguientes clases: agua, nube, sombra de nube, suelo expuesto, vegetación primaria y vegetación secundaria. Para evaluar la confianza de la clasificación de cada método se ha calculado, el Índice Kappa y la Exactitud Global. La clasificación por Máxima Verosimilitud obtuvo mayor exactitud presentando Índice Kappa de 0,920 y Exactitud Global 96% cuando comparada a la clasificación por Distancia Mínima y Distancia Mahalanobis, que presentaron Índice Kappa de 0,842 y 0,845 y Exactitud Global 92% respectivamente. Las técnicas de clasificación supervisada son...
- 23 April 2018
- Published by Universidade Federal do Maranhao in Interespaço: Revista de Geografia e Interdisciplinaridade
- Vol. 4 (13) , 26-44
Open AccessANÁLISE COMPARATIVA DE MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA APLICADA AO MAPEAMENTO DA COBERTURA DO SOLO NO MUNICÍPIO DE MEDICILÂNDIA, PARÁ
COMPARATIVE ANALYSIS THE METHODS OF SUPERVISED CLASSIFICATION APPLIED TO THE MAPPING OF SOIL COVER IN THE MUNICIPALITY OF MEDICILÂNDIA, PARÁ ANÁLISIS COMPARATIVO DE MÉTODOS DE CLASIFICACIÓN SUPERVISADA APLICADA AL MAPEO DE LA COBERTURA DEL SUELO EN EL MUNICIPIO DE MEDICILÂNDIA, PARÁ As imagens de satélite são produtos gerados por sensoriamento remoto e, estão associadas aos fenômenos e eventos que ocorrem na superfície a partir do registro e da análise das interações entre a radiação eletromagnética e os alvos. O objetivo do trabalho é comparar métodos de classificação supervisionada de imagens de satélite para o mapeamento da cobertura do solo. A área de estudo compreende o município de Medicilândia, localizado no sudoeste paraense. Para a realização do trabalho foram utilizados imagens do satélite Landsat 8, sensor OLI-TIRS, cenas 226/062 e 227/062. Foram realizados os testes de classificação, utilizando três classificadores: Distância Mínima, Distância Mahalanobis e Máxima Verossimilhança. Na etapa de classificação foram identificadas as seguintes classes: água, nuvem, sombra de nuvem, solo exposto, vegetação primária e vegetação secundária. Para fins de avaliação da fidedignidade da classificação de cada método foram calculados, o Índice Kappa e a Exatidão Global. A classificação pelo método Máxima Verossimilhança obteve maior exatidão apresentando Índice Kappa de 0,920 e Exatidão Global 96% quando comparada à classificação pelos métodos Distância Mínima e Distância Mahalanobis, que apresentaram Índice Kappa de 0,842 e 0,845 e Exatidão Global 92% respectivamente. As técnicas de classificação supervisionada são ferramentas essenciais no processo de mapeamento da cobertura do solo de grandes áreas, visto que dispondo-se de recursos limitados, imagens de baixo custo e de sistemas livres para processamento e integração das informações, é possível obter parâmetros com altos níveis de precisão, sendo fundamentais para subsidiar o planejamento territorial e ambiental. Palavras-chave: Sensoriamento Remoto; Classificação de Imagens de Satélite; Cobertura do Solo. ABSTRACT The satellite images are products generated by remote sensing and are associated with phenomena and events that occur on the surface from the recording and analysis of interactions between electromagnetic radiation and targets. The objective of this work is to compare methods of supervised classification of satellite images for the mapping of the soil cover. The study area comprises the municipality of Medicilândia, located in southwest of Para. In order to perform the work, were used images from the Landsat 8 satellite, OLI-TIRS sensor, scenes 226/062 and 227/062. The classification tests were performed using three classifiers: Minimum Distance, Mahalanobis Distance and Maximum Likelihood. In the classification processe were identified the following classes: water, cloud, cloud shadow, exposed soil, primary vegetation and secondary vegetation. For the purposes of evaluating the reliability of the classification of each method were calculated, Kappa Index and Global Accuracy. The classification by the Maximum Likelihood method obtained a greater accuracy presenting Kappa Index of 0,920 and Global Accuracy 96% when compared to the classification by the Minimum Distance and Mahalanobis Distance, which presented Kappa Index of 0,842 and 0,845 and Global Accuracy 92% respectively. The supervised classification techniques are essential tools in the mapping process of large-area soil cover, since with limited resources, low-cost images and free systems for processing and integrating information, it is possible to obtain parameters with high levels of precision, being fundamental to subsidize territorial and environmental planning. Keywords: Remote Sensing; Classification of Satellite Images; Soil Cover. RESUMEN Las imágenes de satélite son productos generados por la detección remota y están asociados a los fenómenos y eventos que ocurren en la superficie a partir del registro y del análisis de las interacciones entre la radiación electromagnética y los blancos. El objetivo del trabajo es comparar métodos de clasificación supervisada de imágenes de satélite para el mapeo de la cobertura del suelo. El área de estudio comprende el municipio de Medicilândia, ubicado en el suroeste paraense. Para la realización del trabajo se utilizaron imágenes del satélite Landsat 8, sensor OLI-TIRS, escenas 226/062 y 227/062. Se utilizaron tres clasificadores: Distancia Mínima, Distancia Mahalanobis y Máxima Verosimilitud. En la etapa de clasificación se identificaron las siguientes clases: agua, nube, sombra de nube, suelo expuesto, vegetación primaria y vegetación secundaria. Para evaluar la confianza de la clasificación de cada método se ha calculado, el Índice Kappa y la Exactitud Global. La clasificación por Máxima Verosimilitud obtuvo mayor exactitud presentando Índice Kappa de 0,920 y Exactitud Global 96% cuando comparada a la clasificación por Distancia Mínima y Distancia Mahalanobis, que presentaron Índice Kappa de 0,842 y 0,845 y Exactitud Global 92% respectivamente. Las técnicas de clasificación supervisada son...