Avaliação do efeito da altitude de voo e iluminação na classificação do uso do solo usando algoritmos de machine learning e imagens multiespectrais de Vant

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Luís Marcelo Tavares de-
Autor(es): dc.contributorCarvalho, Luís Marcelo Tavares de-
Autor(es): dc.contributorRocha, Samuel José Silva Soares da-
Autor(es): dc.contributorTerra, Marcela de Castro Nunes Santos-
Autor(es): dc.creatorGarcia, Rebecca Araújo-
Data de aceite: dc.date.accessioned2026-02-09T12:12:44Z-
Data de disponibilização: dc.date.available2026-02-09T12:12:44Z-
Data de envio: dc.date.issued2023-11-13-
Data de envio: dc.date.issued2023-11-13-
Data de envio: dc.date.issued2023-11-07-
Data de envio: dc.date.issued2023-07-28-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/58531-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1156699-
Descrição: dc.descriptionInformation about land use and land cover in urban areas plays an important role in urban planning, providing essential insights for land suitability analysis, environmental assessments, and urban regeneration projects. Compared to satellite-based remote sensing, Unmanned Aerial Vehicle (UAV) remote sensing offers higher spatial and temporal resolution, making it a more effective method for land use classification. In this study, the influence of flight altitude (120 m and 150 m) and illumination (diffuse and direct) on land use classification was evaluated by combining an Object-Based Image Analysis (GEOBIA) approach with a machine learning algorithm using multispectral UAV images. Firstly, the images were segmented using the Multiresolution segmentation and Spectral Difference segmentation algorithms. Then, spectral, index, texture, and geometric features were combined to form schemes S1-S8. Finally, area classification was performed based on the eight schemes using the Random Forest (RF) and Support Vector Machine (SVM) classifiers. The results showed that the Random Forest classifier outperformed the Support Vector Machine in all schemes. Geometric features had a negative impact on the SVM classification accuracy, while the other three types of features had a positive impact. However, this behavior was not observed in RF, as the Random Forest classifier achieved an overall accuracy (AO) of 82% when combining spectral, texture, and geometric features (S6) for the image obtained at 150 m altitude under diffuse illumination.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)-
Descrição: dc.descriptionInformações sobre o uso e cobertura do solo em áreas urbanas desempenham um papel importante para o planejamento urbano, fornecendo informações essenciais para análises de adequação do solo, avaliações ambientais e projetos de regeneração urbano. Em comparação com o sensoriamento remoto baseado em satélite, o sensoriamento remoto por Veículo Aéreo Não Tripulado (VANT) possui uma resolução espacial e temporal mais alta, o que proporciona um método mais eficaz para a classificação de uso do solo. Neste estudo, avaliou-se a influência da altitude de voo (120 m e 150 m) e iluminação (difusa e direta) na classificação de uso do solo combinando uma abordagem orientada a objetos (GEOBIA) e um algoritmo de aprendizagem de máquina usando imagens multiespectrais de VANT. Primeiramente, as imagens foram segmentadas pelos algoritmos Multiresolutionsegmentatione SpectralDifferencesegmentation. Em seguida, características espectrais, índices, texturais e geométricas foram combinadas para formar os esquemas S1-S8. Finalmente, a classificação da área foi realizada com base nos oito esquemas usando os classificadores de Random Forest (RF) e Support Vector Machine(SVM). Os resultados mostraram que o classificador de Random Forest teve um desempenho melhor do que o Support Vector Machine em todos os esquemas. As características geométricas apresentaram um impacto negativo na precisão da classificação do SVM, enquanto os outros três tipos de características têm um impacto positivo. Entretanto, esse comportamento não foi notado no RF, visto que, o classificador de Random Forest alcançou uma precisão geral (AO) de 82% ao combinar as características espectrais, texturais e geométricas (S6), para a imagem obtida a 150 m de altitude sob iluminação difusa.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-graduação em Engenharia Florestal-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Ciências Florestais-
Direitos: dc.rightsAttribution-ShareAlike 4.0 International-
Direitos: dc.rightsAttribution-ShareAlike 4.0 International-
Direitos: dc.rightsacesso aberto-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-sa/4.0/-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-sa/4.0/-
Palavras-chave: dc.subjectVeículo aéreo não tripulado (VANT)-
Palavras-chave: dc.subjectFloresta aleatória-
Palavras-chave: dc.subjectUnmanned aerial vehicle (UAV)-
Palavras-chave: dc.subjectRandom forest-
Palavras-chave: dc.subjectGeographic object-based image analysis (GEOBIA)-
Palavras-chave: dc.subjectGEOBIA method-
Palavras-chave: dc.subjectSupport vector machine-
Palavras-chave: dc.subjectFotointerpretação Florestal-
Título: dc.titleAvaliação do efeito da altitude de voo e iluminação na classificação do uso do solo usando algoritmos de machine learning e imagens multiespectrais de Vant-
Título: dc.titleAvaluation of the effect of flight altitude and lighting on land use classification using machine learning algorithms and multispectral uav images-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.