Redes neurais convolucionais na segmentação semântica de imagens aéreas para o mapeamento da cobertura do solo em áreas de proteção ambiental

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAndrade, Mauren Louise Sguario Coelho de-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1745-7299-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2322596810080873-
Autor(es): dc.contributorAndrade, Mauren Louise Sguario Coelho de-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1745-7299-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2322596810080873-
Autor(es): dc.contributorGuimarães, Alaine Margarete-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-9151-8643-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4366472400277640-
Autor(es): dc.contributorGiraldi, Gilson Antonio-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-0623-9461-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9950879952262717-
Autor(es): dc.creatorBizotto, Fabricio-
Data de aceite: dc.date.accessioned2025-08-29T12:41:48Z-
Data de disponibilização: dc.date.available2025-08-29T12:41:48Z-
Data de envio: dc.date.issued2024-02-14-
Data de envio: dc.date.issued2024-02-14-
Data de envio: dc.date.issued2023-11-20-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/33330-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1100194-
Descrição: dc.descriptionIn 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.descriptionNo 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.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Ciência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectImagens de sensoriamento remoto-
Palavras-chave: dc.subjectComputação semântica-
Palavras-chave: dc.subjectConservação da natureza-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectRemote-sensing images-
Palavras-chave: dc.subjectSemantic computing-
Palavras-chave: dc.subjectNature conservation-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Palavras-chave: dc.subjectEngenharia/Tecnologia/Gestão-
Título: dc.titleRedes neurais convolucionais na segmentação semântica de imagens aéreas para o mapeamento da cobertura do solo em áreas de proteção ambiental-
Título: dc.titleConvolutional neural networks for semantic segmentation of aerial images in land cover mapping of environmental protection areas-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.