Submitted by Samira Prince (prince@ufpa.br) on 2012-08-27T16:41:46Z No. of bitstreams: 2 Dissertacao_ClassificacaoAutomaticaCobertura.pdf: 2445419 bytes, checksum: e7f1cfe896d568c998340b4f78b5fde7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) / Approved for entry into archive by Samira Prince(prince@ufpa.br) on 2012-08-27T16:42:20Z (GMT) No. of bitstreams: 2 Dissertacao_ClassificacaoAutomaticaCobertura.pdf: 2445419 bytes, checksum: e7f1cfe896d568c998340b4f78b5fde7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) / Made available in DSpace on 2012-08-27T16:42:20Z (GMT). No. of bitstreams: 2 Dissertacao_ClassificacaoAutomaticaCobertura.pdf: 2445419 bytes, checksum: e7f1cfe896d568c998340b4f78b5fde7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Previous issue date: 2011 / CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico / Neste trabalho é apresentado um modelo de redes neurais que será utilizado como ferramenta para uso no planejamento energético e na construção de cenários energéticos através da identificação e agrupamento de pixels representativos de classes de água, vegetação e antropização no entorno do reservatório de Tucuruí, Estado do Pará (bacia do rio Tocantins). Para o estudo, foram utilizadas fotografias aéreas ortorretificadas e um recorte da imagem do satélite Landsat, ambos obtidos em agosto de 2001 e classificados utilizando a métrica da mínima distância no software Matlab 7.3.0 (Matrix Laboratory - software de matemática aplicada) e no Arcview 3.2a (programa de Sistemas de Informações Geográficas). Para classificação da área no Matlab, foram utilizadas redes neurais competitivas, mais especificamente as redes de Kohonen que são caracterizadas por realizar um mapeamento de um espaço de dimensão n (número de entradas) para um espaço de dimensão m (número de saídas). Os resultados obtidos no classificador utilizando rede neural e no classificador do Arcview foram semelhantes, mas houve uma divergência no que diz respeito à imagem de alta e média resolução que pode ser justificada pelo fato de que a imagem de alta resolução espacial ocasiona muita variação espectral em algumas feições, gerando dificuldades nas classificações. Esse classificador automático é uma ferramenta importante para identificar oportunidades e potenciais a serem desenvolvidos na construção de cenários energéticos programados. Os resultados deste trabalho confirmam que a imagem de média resolução ainda é a mais indicada para resolver a maioria dos problemas que envolvem identificação de cobertura do solo para utilização em planejamento energético. / In this work, a model of neural network for energy planning and construction of energy scenarios is presented. This model permited the identification and clustering of representative pixels of water, vegetation, and anthropic impact around Tucuruí reservoir, located in the Tocantins River basin , (State of Pará, Brazil) . The database consisted in orthorectified aerial photographs and clipping of Landsat satellite’s images. Both were obtained in August 2001 and the two set of images were classified using the method of metric of the minimum distance with Matlab 7.3.0 (Matrix Laboratory – Applied mathematics software) and Arcview 3.2a (Geographic Information Systems Program). Then a competitive neural networks of Kohonen was used to classify the different areas in Matlab. This specific network allowed to map the area in n-dimension (number of entries) for a m-dimensional space (number of outputs). The results obtained with Matlab were compared with the output of Arcview classifier software. The results obtained using the neural network in Matlab and the Arcview classifier were similar, but some differences between the images in high and medium resolution were observed; these differences can be justified by the fact that the images in high spatial resolution cause many spectral variations in some features, creating ratings problems. This automatic classifier appears to be a good tool for the identification of the biomass potential for the construction of energy scenarios. The results of this work could confirm that the images in medium-resolution are the most suitable to solve the most of problems which involve the identification of land cover for energy planning.