Estudo comparativo de abordagens computacionais para classificação de imagens de satélite da Amazônia

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorDorini, Leyza Elmeri Baldo-
Autor(es): dc.contributorMinetto, Rodrigo-
Autor(es): dc.contributorSilva, Ricardo Dutra da-
Autor(es): dc.contributorRamos Junior, Jorge Luiz dos Santos-
Autor(es): dc.contributorDorini, Leyza Elmeri Baldo-
Autor(es): dc.creatorRodrigues, Paula Gioavanna-
Autor(es): dc.creatorMenuzzo, Victor Antonio-
Data de aceite: dc.date.accessioned2022-08-04T20:16:28Z-
Data de disponibilização: dc.date.available2022-08-04T20:16:28Z-
Data de envio: dc.date.issued2022-05-18-
Data de envio: dc.date.issued2022-05-18-
Data de envio: dc.date.issued2020-12-03-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/28572-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/705869-
Descrição: dc.descriptionMonitoring large areas of forest is extremely important even though it is very difficult. The Amazon rainforest is currently considered the largest tropical forest in the world, monitoring it with the purpose of mapping its land use patterns becomes easier when thought from satellite images. Based on this idea, deep learning neural networks represent the best way to classify large volumes of images with high precision. The present work provides a comparison among deep learning techniques applied to a data set composed of more than 100,000 images of the Amazon rainforest, using Fbeta and the time obtained by each technique in the classification as the evaluation metrics. The images were labeled with one of the four classes related to the climatic condition and with none or more classes among the options related to the land use patterns. The final conclusion was that the VGG16 network would be the most appropriate choice for solving the problem, since in addition to obtaining an Fbeta of 91.79% - ranking top three among the tested techniques it classified the test database – composed of 61191 images – in time relatively low: 92.2 seconds.-
Descrição: dc.descriptionO monitoramento de grandes áreas de floresta é consideratdo algo de suma importância mesmo sendo extremamente difícil de ser realizado. A Amazônia é considerada a maior floresta tropical do mundo, um monitoramento com a finalidade de mapear os seus padrões de uso da terra torna-se mais fácil quando pensado a partir de imagens de satélite. Partindo dessa ideia, as redes neurais de aprendizado profundo representam a melhor forma de classificar grandes volumes de imagens com alta precisão. O presente trabalho traz uma comparação entre técnicas de aprendizado profundo aplicadas a um conjunto de dados composto de mais de 100.000 imagens da Floresta Amazônica, usando como métricas de avaliação o Fbeta e o tempo obtido por cada técnica na classificação. As imagens foram rotuladas com uma dentre quatro classes referente à condição climática e com nenhuma ou mais classes dentre treze opções referentes aos padrões de uso da terra apresentados na imagem. A conclusão final foi a de que a rede VGG16 seria a escolha mais apropriada para a resolução do problema, uma vez que além de obter um Fbeta de 91,79% - ficando entre os três maiores dentre as técnicas testadas – classificou a base de teste – composta de 61191 imagens – em tempo relativamente baixo: 92,2 segundos.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherBacharelado em Sistemas de Informação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectImagens de sensoriamento remoto - Amazônia-
Palavras-chave: dc.subjectSistemas de reconhecimento de padrões-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectImagens como recursos de informação-
Palavras-chave: dc.subjectRemote-sensing images - Amazônia-
Palavras-chave: dc.subjectPattern recognition systems-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectPictures as information resources-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO-
Título: dc.titleEstudo comparativo de abordagens computacionais para classificação de imagens de satélite da Amazônia-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.