Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Minetto, Rodrigo | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-2277-4632 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8366112479020867 | - |
Autor(es): dc.contributor | Nassu, Bogdan Tomoyuki | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6441-8543 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4592104393315780 | - |
Autor(es): dc.contributor | Nassu, Bogdan Tomoyuki | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6441-8543 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4592104393315780 | - |
Autor(es): dc.contributor | Centeno, Jorge Antonio Silva | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9202801399600456 | - |
Autor(es): dc.contributor | Dorini, Leyza Elmeri Baldo | - |
Autor(es): dc.contributor | https://orcid.org/ 0000-0002-0483-3435 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/5726947194230379 | - |
Autor(es): dc.contributor | Silva, Ricardo Dutra da | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-8002-8411 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8512085741397097 | - |
Autor(es): dc.contributor | Minetto, Rodrigo | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-2277-4632 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8366112479020867 | - |
Autor(es): dc.creator | Pereira, Gabriel Henrique de Almeida | - |
Data de aceite: dc.date.accessioned | 2022-02-21T21:43:17Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T21:43:17Z | - |
Data de envio: dc.date.issued | 2022-02-10 | - |
Data de envio: dc.date.issued | 2022-02-10 | - |
Data de envio: dc.date.issued | 2021-11-29 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/27073 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/659057 | - |
Descrição: dc.description | Active Fire detection in satellite imagery is of great importance for the management of environmental conservation policies, and environmental monitoring, supporting decision-making, law enforcement and even preventing financial or human losses. Active Fire detection in satellite imagery is a well-established field, with many techniques being proposed over the years, often based on pixel or region-level comparisons involving sensor-specific and neighborhood statistics. For some satellites this problem is already well resolved. For others, some changes in the established methods are enough to create new algorithms. And for some other satellites this is still an open issue. Landsat-8, for example, which already has methods consolidated in the fire detection literature, while for Sentinel-2 the methods are still incipient. However, given the similarities between some bands of these satellites, especially in the bands sensitive to the presence of fire, it would be possible to use these satellites integrated for the active fire detection purpose. However, variations in sensor sensitivity may mean that methods developed for Landsat-8 are not directly applicable to Sentinel-2 images, especially the methods based on thresholds. Artificial intelligence techniques, which have enjoyed enormous success in analyzing remote sensing data, can provide solutions for these situations. This work thus addresses the problem of detecting active fire using artificial intelligence techniques on images from these two satellites (Landsat-8 and Sentinel-2). Both machine learning and deep learning methods are tested in this work to identify which approaches present better behavior for fire detection in these satellite images. This work also pays attention to the training process of these artificial intelligence models, either with some tests of the models’ parameters, variations in band combinations and training sample proportions. The experiments — for a dataset developed for this work, on a global scale, has been made publicly available — showed that the artificial intelligence methods, both machine learning and deep learning, were able to make active fire detections in both Landsat-8 images (with some models with 𝐹-Score up to above 0.9), as well in Sentinel-2 images (with 𝐹-Score up to 0.8). Finally, it is noteworthy that the artificial intelligence methods, more than just being able to generate fire detections in the Landsat-8 and Sentinel-2 satellite images, were able to be trained with Landsat-8 information and make inferences on Sentinel-2 images. | - |
Descrição: dc.description | A detecção de incêndios ativos em imagens de satélite é de grande importância para a gestão de políticas de conservação e monitoramento ambiental, apoiando a tomada de decisões, a aplicação da lei e, até mesmo, evitando perdas financeiras ou de vidas. Este tema de pesquisa é bem estabelecido na literatura de sensoriamento remoto, com muitas técnicas propostas ao longo dos anos, e, geralmente, baseadas em limiares específicos para cada sensor. Para alguns satélites este problema já está bem resolvido. Para outros, com algumas alterações nos métodos já estabelecidos é possível criar novos algoritmos. E, para alguns outros satélites, este é um problema ainda em aberto. Tem-se, por exemplo, o Landsat-8, que já possui métodos consolidados na literatura de detecção de incêndio, enquanto para o Sentinel-2, os métodos ainda são incipientes. Porém, dadas as semelhanças espaciais e entre algumas bandas destes satélites, em especial nas bandas sensíveis à presença de incêndio, seria possível o uso integrado destes satélites para este fim. Entretanto, variações de sensibilidade dos sensores podem fazer com que métodos desenvolvidos para o Landsat-8 não sejam diretamente aplicáveis sobre imagens Sentinel-2, em especial os método baseados em limiares. Técnicas de inteligência artificial, que têm desfrutado de enorme sucesso na análise de dados de sensoriamento remoto, podem prover soluções para estas situações. Neste trabalho aborda-se o problema da detecção de incêndio ativo usando técnicas de aprendizado de máquina sobre imagens destes dois satélites (Landsat- 8 e Sentinel-2). Tanto métodos de machine learning como deep learning são testados neste trabalho para identificar quais abordagens apresentam melhores comportamentos no processo de detecção de incêndio. Este trabalho também atenta para o processo de treinamento desses modelos de inteligência artificial, seja com alguns testes de parâmetros dos modelos, variações de combinações de bandas e proporções de amostras de treinamento. Os experimentos — sobre um dataset em escala global, disponibilizado publicamente, e desenvolvido para este trabalho • mostraram que os métodos de inteligência artificial, tanto de machine learning como deep learning, foram capazes de realizar detecções de incêndio tanto nas imagens Landsat-8 (com performances acima até de 90%, considerando a métrica -Score, que é utilizada nos principais rankings de segmentação), como em imagens do Sentinel-2 (com -Score até acima de 80%). Por fim, destaca-se que os métodos de inteligência artificial, mais do que apenas serem capazes de detectar incêndio nas imagens dos satélites Landsat-8 e Sentinel-2, foram capazes de serem treinados com informações do Landsat-8 e fazer inferências sobre as imagens do Sentinel-2. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Computação Aplicada | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Incêndios | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Sensoriamento remoto | - |
Palavras-chave: dc.subject | Aprendizado de máquinas | - |
Palavras-chave: dc.subject | Imagens de sensoriamento remoto | - |
Palavras-chave: dc.subject | Fires | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Remote sensing | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Remote-sensing images | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Ciência da Computação | - |
Título: dc.title | Detecção de incêndios em imagens de sensoriamento remoto: um estudo integrando os satélites Landsat-8, Sentinel-2 e inteligência artificial | - |
Título: dc.title | Active fire detection in remote sensing imagery: a study integrating Landsat-8 and Sentinel-2 satellites and artificial intelligence | - |
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: