Navegar por:

Estimativa de biomassa na região amazônica utilizando técnicas de aprendizado de máquina

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/714281
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBias, Edilson de Souza-
Autor(es): dc.creatorCastro Filho, Carlos Alberto Pires de-
Data de aceite: dc.date.accessioned2022-08-15T13:42:02Z-
Data de disponibilização: dc.date.available2022-08-15T13:42:02Z-
Data de envio: dc.date.issued2022-02-24-
Data de envio: dc.date.issued2022-02-24-
Data de envio: dc.date.issued2022-02-24-
Data de envio: dc.date.issued2021-11-28-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/42989-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/714281-
Descrição: dc.descriptionTese (doutorado) — Universidade de Brasília, Instituto de Geociências, Pós-Graduação em Geociências Aplicadas, 2021.-
Descrição: dc.descriptionNo ano de 2016 mais de 190 países participaram da 21ª Conferência das Partes das Nações Unidas sobre Mudança Climática, realizada em Paris. Apesar de intensos trabalhos visando elaborar um tratado, os resultados não atenderam às expectativas devido à falta de metodologias que medem com precisão a quantidade de biomassa florestal. Imagens de sensoriamento remoto podem ser usadas para que seja realizada uma quantificação mais precisa e viável da biomassa existente em regiões de difícil acesso, como a região amazônica, com destaque para as imagens na faixa do micro-ondas, mais especificamente as de radares. Em função da grande quantidade de dados de sensoriamento remoto disponíveis, faz-se necessário o desenvolvimento de técnicas e ferramentas que visem organizá-los e analisá-los de forma inteligente e automática, como as técnicas de Aprendizado de Máquina (Machine Learning). A presente tese tem por objetivo geral desenvolver e aplicar uma metodologia para estimar a quantidade de biomassa arbórea em uma área da região amazônica, a partir de dados de SAR, utilizando técnicas de Aprendizado de Máquina. As etapas metodológicas de tese encontra-se divididas em três artigos técnicos sequenciais que cobrem os objetivos propostos. O primeiro artigo possui como hipótese a possibilidade de ajuste da altura interferométrica, atributos de InSAR, a partir da identificação de áreas de solo exposto, isto é, onde o valor é teoricamente igual a 0 (zero). Além de inovadora, a hipótese previa o ajuste do modelo digital da região visando aprimorar a modelagem referente à estimativa de biomassa. Entretanto, como resultado, o método proposto no primeiro artigo não possibilitou a melhora significativa da estimativa de biomassa florestal, não sendo adotado nas próximas etapas do trabalho. O segundo artigo dá continuidade ao primeiro e apresenta a aplicação de técnicas de Aprendizado de Máquina sobre os atributos de SAR extraídos dos dados disponíveis. De forma inédita avalia e compara modelos de estimativa de biomassa baseados em atributos qualitativos e quantitativos. O segundo artigo conclui que as diferentes regiões da Floresta Amazônica e suas respectivas características demandam modelos e técnicas específicas, não se enquadrando em um único padrão. Neste caso não foi possível identificar uma única técnica de Aprendizado de Máquina que se mostrasse como a mais adequada ao objetivo, apesar dos melhores resultados apontarem para o uso das redes neurais artificiais. O terceiro e último artigo conclui o trabalho da presente tese por meio da análise e construção de produtos temáticos de biomassa. Neste último artigo é apresentado um sistema computacional desenvolvido que visa otimizar o processo de categorização, necessário à representação visual da geoinformação. Os resultados obtidos no terceiro artigo mostram que o algoritmo de Otimização de Categorização proposto demonstrou capacidade de encontrar novos subintervalos de categorias que aumentaram o índice de concordância Kappa. Como resultado, foram construídos produtos temáticos que apresentaram acurácia temática superior aos obtidos pelos métodos clássicos de categorização. Juntamente, do ponto de vista computacional, a heurística proposta no algoritmo possibilitou a identificação de resultados de forma eficiente, evitando os altos custos de processamento. A hipótese proposta na tese, isto é, de que a aplicação de técnicas de aprendizado de máquina sobre dados de SAR permitem obter a estimativa de biomassa da região amazônica com erros abaixo de 20%, atendendo os padrões preceituados por organismos internacionais, não foi confirmada. Os resultados obtidos nos modelos elaborados são classificados somente como moderados. Dentre os fatores que podem ter contribuído para este resultado, está a quantidade reduzida de amostras de biomassa, com pequena variação de valores, o que prejudicou o ajuste dos modelos gerados e o acesso restrito aos dados de SAR das bandas X e P, não sendo possível gerar novos atributos coerentes.-
Descrição: dc.descriptionIn 2016, more than 190 countries participated in the 21st United Nations Conference of Parties on Climate Change, held in Paris. Despite the intense work aiming at preparing a treaty, the results did not meet expectations due to the lack of methodologies that accurately measures the amount of forest biomass. Remote sensing images can be used to make a more accurate and viable quantification of the existing biomass in regions with difficult access, such as the Amazon region, with emphasis on images in the microwave range, more specifically those from radar. Due to the large amount of remote sensing data available, it is necessary to develop techniques and tools that aims to organize and analyze them in an intelligent and automatic way, such as Machine Learning techniques. The present thesis has as general objective to develop and apply a methodology to estimate the amount of arboreal biomass in an area of the Amazon region, using SAR data and Machine Learning techniques. The thesis methodological steps are divided into three sequential technical articles that covers the proposed objectives. The first article hypothesizes the possibility of adjusting the interferometric height, InSAR feature, using the exposed soil areas identified in the image, that is, where the value is theoretically equal to 0 (zero). In addition to being innovative, the hypothesis predicted the adjustment of the region digital model in order to improve the biomass estimation modeling. However, as a result, the method proposed in the first article did not present a significant improvement in the estimation of forest biomass and was not adopted in the next stages of the work. The second article gives sequence for the first and presents the application of Machine Learning techniques over SAR features extracted from the available data. In an unprecedented way, it presents a methodology that evaluates and compares biomass estimation models based on qualitative and quantitative features. The second article concludes that the different Amazon Forest regions and their respective characteristics demands specific models and techniques, not fitting into a single pattern. In this case, it was not possible to identify a single Machine Learning technique that proved to be the most adequate for the purpose, despite the best results pointing to the use of artificial neural networks. The third and last article concludes the work of this thesis through the analysis and construction of thematic biomass products. In this last article, a computational system that aims to optimize the categorization process was developed, necessary for the visual representation of geoinformation. The results obtained in the third article shows that the proposed Categorization Optimization algorithm demonstrated the ability to find new subintervals of categories that increased the Kappa agreement index. As a result, thematic products were constructed and presented thematic accuracy superior to those obtained by the classical categorization methods. Besides that, from a computational point of view, the heuristic proposed in the algorithm enabled the identification of results in an efficient way, avoiding high processing costs. The hypothesis proposed in the thesis, that is, that the application of machine learning techniques over SAR data allows to obtain an estimate of biomass in the Amazon region with errors below 20%, attending to the standards established by international organizations, was not confirmed. The results obtained in the constructed models were classified only moderate. Among the factors that may have contributed to this result, there is the reduced amount of biomass samples, with little variation in values, which impaired the adjustment of the generated models and the restricted access to the X and P bands SAR data, not being possible to generate new coherent features.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectBiomassa florestal-
Palavras-chave: dc.subjectAmazônia Legal-
Palavras-chave: dc.subjectSensoriamento remoto-
Palavras-chave: dc.subjectRadar de abertura sintética-
Palavras-chave: dc.subjectModelo digital-
Palavras-chave: dc.subjectAprendizagem de máquina-
Título: dc.titleEstimativa de biomassa na região amazônica utilizando técnicas de aprendizado de máquina-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação