
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 | Carvalho, Luís Marcelo Tavares de | - |
| Autor(es): dc.contributor | Acerbi Júnior, Fausto Weimar | - |
| Autor(es): dc.contributor | Ferreira, Danton Diego | - |
| Autor(es): dc.contributor | Acerbi Júnior, Fausto Weimar | - |
| Autor(es): dc.creator | Pereira, Eveline Aparecida | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:09:02Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:09:02Z | - |
| Data de envio: dc.date.issued | 2020-11-09 | - |
| Data de envio: dc.date.issued | 2020-11-09 | - |
| Data de envio: dc.date.issued | 2020-11-09 | - |
| Data de envio: dc.date.issued | 2020-02-27 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/45434 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1155406 | - |
| Descrição: dc.description | Brazil contains large tracts of native vegetation, including large areas of tropical Brazilian Savannas biome, which has been threatened due to the expansion of anthropic activities. In the last years, Remote Sensing (RS) data combined with Artificial Intelligence (AI) have been used to identify the dynamic of the Land use/Land Cover Change (LULCC) of these areas, producing LULCC maps with high accuracy. However, the choice of the AI algorithm and the selection data attributes for the learning process are crucial steps, especially in environments influenced by seasonal variations. Considering these circumstances, the study focus in the following questions: a) what type of attribute (spatial or spectral) or their combination could better differentiate the seasonal changes produced by weather conditions, from atrophic changes in RS images; b) what is the effect of the training sample size into different AI classifiers to produce change maps. Thus, spatial and spectral information were extract for objects generated from Landsat NDVI images in a Tropical Savanna area, acquired at different seasonal periods. The Multilayer Perceptron (MLP), Support Vector Machine (SVM) and Random Forest (RF) algorithms were compared. The MLP produced the most accurate change map, with 75,16% of global accuracy and greater robustness in relation to the variation of the sample intensity. In order to evaluate the generalization capacity of the algorithm, the trained MLP was used to detect changes in contiguous Landsat tiles. The results showed a decrease to 56% of global accuracy, which indicates a limitation of the method. Therefore, the spatial attributes were capable of accurately differentiate deforestation and fires sites, from seasonal changes. | - |
| Descrição: dc.description | O bioma cerrado está sob constante pressão antrópica e poucos esforços tem sido feitos no âmbito do monitoramento dessas mudanças no uso do solo. O sensoriamento remoto aliado a inteligência artificial fornecem ferramentas eficientes e rápidas para detectar mudanças. As questões científicas abordadas neste estudo foram: qual tipo de atributo (espacial ou espectral) e ou a combinação deles melhor diferenciam as mudanças sazonais dos processos de antropização em imagens NDVI-bitemporais? E qual o efeito da intensidade amostral do monitoramento no desempenho dos classificadores utilizando inteligência artificial? O estudo explorou ambas informações, espaciais e espectrais, derivadas de imagens NDVI bi-temporais Landsat na análise do monitoramento, empregando classificadores de alto desempenho: Neural Network Multilayer Perceptron (MLP), Support Vector Machine (SVM) e Random Forest (RF). Foi analisado a intensidade amostral e a robustez dos algoritmos em cada um dos conjuntos de atributos da classificação, a rede MLP obteve a melhor generalização com 75,16% de acurácia global e maior robustez em relação a variação da intensidade amostral. O algoritmo Multilayer Perceptron (MLP) treinado foi aplicado numa área contígua, detectando as mudanças com a precisão de 56% indicando algumas limitações do método. Portanto, os atributos espaciais, derivados de imagens bi-temporais NDVI são capazes de detectar com precisão os desmatamentos e queimadas ocorridos no cerrado, sendo insensíveis as mudanças causadas pelo período sazonal do ambiente. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Florestal | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Ciências Florestais | - |
| Direitos: dc.rights | acesso aberto | - |
| Palavras-chave: dc.subject | Aprendizado de máquinas | - |
| Palavras-chave: dc.subject | Sensoriamento remoto | - |
| Palavras-chave: dc.subject | Geographic Object-based Image Analysis (GEOBIA) | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Remote sensing | - |
| Palavras-chave: dc.subject | Cerrado | - |
| Palavras-chave: dc.subject | Recursos Florestais e Engenharia Florestal | - |
| Título: dc.title | Detecção de mudanças em áreas de cerrado usando inteligência artificial | - |
| Título: dc.title | Change detection in savanna areas using aritifial intelligence | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: