Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Andrade, Mauren Louise Sguario Coelho de | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-1745-7299 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2322596810080873 | - |
Autor(es): dc.contributor | Andrade, Mauren Louise Sguario Coelho de | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-1745-7299 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2322596810080873 | - |
Autor(es): dc.contributor | Guimarães, Alaine Margarete | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-9151-8643 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4366472400277640 | - |
Autor(es): dc.contributor | Giraldi, Gilson Antonio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-0623-9461 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9950879952262717 | - |
Autor(es): dc.creator | Bizotto, Fabricio | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:41:48Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:41:48Z | - |
Data de envio: dc.date.issued | 2024-02-14 | - |
Data de envio: dc.date.issued | 2024-02-14 | - |
Data de envio: dc.date.issued | 2023-11-20 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/33330 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1100194 | - |
Descrição: dc.description | In Brazil, the Environmental Protection Area (EPA) plays a key role in environmental conservation and in balancing the sustainable use of natural resources with local socio-economic development. Effective management of EPA activities requires comprehensive monitoring of land use and land cover. Remote sensing has emerged as an efficient and economical alternative for monitoring these areas. In this context, advanced computational techniques, such as convolutional neural networks (CNNs), are emerging as promising tools. This study proposes a low-cost methodology for semantic segmentation, using remote sensing images acquired on the Google Earth platform to monitor land use and land cover in the EPA-Petrópolis, Rio de Janeiro, using RNCs. The SegNet and U-Net architectures were employed for semantic segmentation, along with the development of an aerial image database for the EPA-Petrópolis region, used to training and testing of the models. Four training and testing scenarios with different settings were presented and discussed. The analysis results indicate that scenario 4, using the U-Net with the Focal Loss function, achieved the highest overall accuracy (0.87). However, scenario 3, employing the U-Net with the cross-entropy loss function, showed comparable results (0.87). In terms of the Jaccard Index (IoU), scenario 3 stood out with the best value (0.72), while Scenario 4 was close (0.71). Challenging classes, such as Exposed Soil, showed low f1-score indices (0.31 to 0.52). The variation in the loss function between scenarios had limited impact. The results highlight the effectiveness of the U-Net and suggest the need for continuous refinements, especially in more challenging classes. | - |
Descrição: dc.description | No Brasil, a Área de Proteção Ambiental (APA) desempenha um papel fundamental na conservação ambiental e no equilíbrio entre o uso sustentável dos recursos naturais e o desenvolvimento socioeconômico local. A eficácia da gestão das atividades da APA requer um monitoramento abrangente do uso e cobertura do solo. O sensoriamento remoto surge como uma alternativa eficiente e econômica para o monitoramento dessas áreas. Nesse contexto, técnicas computacionais avançadas, como redes neurais convolucionais (RNCs), emergem como ferramentas promissoras. O estudo propõe uma metodologia de baixo custo para a segmentação semântica, utilizando imagens de sensoriamento remoto adquiridas na plataforma Google Earth para monitorar o uso e cobertura do solo na região da APA-Petrópolis, Rio de Janeiro, empregando RNCs. As arquiteturas SegNet e U-Net foram utilizadas para segmentação semântica, junto ao desenvolvimento de um banco de imagens aéreas para o território da APA-Petrópolis, utilizado no treinamento e teste dos modelos. Foram apresentados e discutidos quatro cenários de treinamento e teste com diferentes ajustes. Os resultados da análise indicam que o cenário 4, utilizando a rede U-NET com a função de custo Focal Loss, obteve a melhor acurácia global (0.87). Apesar disso, o cenário 3, que emprega a U-NET com a função de custo entropia cruzada, apresentou resultados comparáveis (0.87). Em termos de Índice de Jaccard (IoU), o cenário 3 se destacou com o melhor valor (0.72), enquanto o Cenário 4 mostrou-se próximo (0.71). Classes desafiadoras, como Solo Exposto, evidenciaram baixos índices de f1-score (0.31 a 0.52). A variação na função de custo entre cenários teve impacto limitado. Os resultados destacam a eficácia da U-NET e sugerem a necessidade de refinamentos contínuos, especialmente em classes mais desafiadoras. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Ponta Grossa | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Ciência da Computação | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Imagens de sensoriamento remoto | - |
Palavras-chave: dc.subject | Computação semântica | - |
Palavras-chave: dc.subject | Conservação da natureza | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Remote-sensing images | - |
Palavras-chave: dc.subject | Semantic computing | - |
Palavras-chave: dc.subject | Nature conservation | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Engenharia/Tecnologia/Gestão | - |
Título: dc.title | Redes neurais convolucionais na segmentação semântica de imagens aéreas para o mapeamento da cobertura do solo em áreas de proteção ambiental | - |
Título: dc.title | Convolutional neural networks for semantic segmentation of aerial images in land cover mapping of environmental protection areas | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: