Publicações: ALEXANDRE XAVIER FALCÃO
Ver todos
Artigo de Pesquisa | Acesso aberto
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos
Greice Martins de Freitas, Alexandre Xavier Falcão, Ana Maria Heuminski de Avila, Hilton Silveira Pinto, João Paulo Papa
Ano de publicação: 2010
Resumo:
As condições meteorológicas são determinantes para a produção agrícola; a precipitação, em particular, pode ser citada como a mais influente por sua relação direta com o balanço hídrico. Neste sentido, modelos agrometeorológicos, os quais se baseiam nas respostas das culturas às condições meteorológicas, vêm sendo cada vez mais utilizados para a estimativa de rendimentos agrícolas. Devido às dificuldades de obtenção de dados para abastecer tais modelos, métodos de estimativa de precipitação utilizando imagens dos canais espectrais dos satélites meteorológicos têm sido empregados para esta finalidade. O presente trabalho tem por objetivo utilizar o classificador de padrões "floresta de caminhos ótimos" para correlacionar informações disponíveis no canal espectral infravermelho do satélite meteorológico GOES-12 com a refletividade obtida pelo radar do IPMET/UNESP localizado no município de Bauru, visando o desenvolvimento de um modelo para a detecção de ocorrência de precipitação. Nos experimentos foram comparados quatro algoritmos de classificação: redes neurais artificiais (ANN), k-vizinhos mais próximos (k-NN), máquinas de vetores de suporte (SVM) e floresta de caminhos ótimos (OPF). Este último obteve melhor resultado, tanto em eficiência quanto em precisão.
Palavras chave:
Classificadores Supervisionados, Floresta de Caminhos Ótimos, GOES, Estimativa de Ocorrência de Precipitação
Link:
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862010000100002&lng=pt&tlng=pt
Artigo de Pesquisa | Acesso aberto
Robust Pruning of Training Patterns for Optimum-Path Forest Classification Applied to Satellite-Based Rainfall Occurrence Estimation
João Paulo Papa, Alexandre Xavier Falcão, Ana Maria Heuminski de Avila, Greice Martins de Freitas
Ano de publicação: 2009
Resumo:
The decision correctness in expert systems strongly depends on the accuracy of a pattern classifier, whose learning is performed from labeled training samples. Some systems, however, have to manage, store, and process a large amount of data, making also the computational efficiency of the classifier an important requirement. Examples are expert systems based on image analysis for medical diagnosis and weather forecasting. The learning time of any pattern classifier increases with the training set size, and this might be necessary to improve accuracy. However, the problem is more critical for some popular methods, such as artificial neural networks and support vector machines (SVM), than for a recently proposed approach, the optimum-path forest (OPF) classifier. In this letter, we go beyond by presenting a robust approach to reduce the training set size and still preserve good accuracy in OPF classification. We validate the method using some data sets and for rainfall occurrence estimation based on satellite image analysis. The experiments use SVM and OPF without pruning of training patterns as baselines.
Palavras chave:
Robustness, Management training, Support vector machines, Support vector machine classification, Image analysis, Expert systems, Computational efficiency, Medical expert systems, Diagnostic expert systems, Medical diagnosis
Link:
http://ieeexplore.ieee.org/document/5357415/