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 | Neto, Arthur Ayres | - |
Autor(es): dc.contributor | Figueiredo Jr., Alberto Garcia de | - |
Autor(es): dc.contributor | Gonzalez, Esteban Walter | - |
Autor(es): dc.contributor | Fonseca, Luciano | - |
Autor(es): dc.creator | Silva, Diogo Ceddia Porto | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:22:03Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:22:03Z | - |
Data de envio: dc.date.issued | 2023-06-01 | - |
Data de envio: dc.date.issued | 2023-06-01 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/29029 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/769144 | - |
Descrição: dc.description | A presente dissertação apresenta diversas aplicações do aprendizado de máquina para aperfeiçoar técnicas de mapeamento do fundo marinho. Inicialmente, é feita uma revisão das metodologias tradicionais de mapeamento do fundo marinho na Baía Rei George, Ilhas Shetland do Sul, Antártida. Nesta etapa foi mostrado que diferentes informações relativas ao leito marinho (profundidade, backscatter, declividade do fundo, etc) são predominantemente independentes entre si. Tal informação foi base para aplicação do modelo de aprendizado de máquina XGBoost, utilizado para: extrapolar classificação de ecocaráteres, inicialmente disposta em linhas, para uma superfície; demonstrar que o modelo pode oferecer resultados preliminares sobre a ecocaracterização da área, havendo somente interpretação parcial advinda do especialista; e, por último, demonstrar que o modelo é uma alternativa viável para realizar predição em secções do dado difíceis de classificar, seja devido à regiões transicionais de eco-tipos ou limitações da própria aquisição do dado, que dificultam a interpretação. Ao fim, foram evidenciadas aplicações de aprendizado de máquina de baixo custo computacional, aplicabilidade doméstica e acurácias balanceadas de até 99% na aplicação do modelo, demonstrando o potencial imenso que essa ferramenta pode proporcionar. | - |
Descrição: dc.description | This research project presents several machine-learning applications capable of improving and refining conventional seabed mapping techniques. At first, a review of common mapping methodologies was conducted in King George Bay, South Shetland Islands, Antarctica. It was noticed that variables, which describe the seabed (such as backscatter, depth, slope, etc.), are mostly interdependent. This information was used as baseline for a machine learning approach, using XGBoost model to: (i) extrapolate echo types – initially represented as lines – along a surface, based on statistic correlations relative to bathymetry, backscatter, slope, aspect and more; (ii) to demonstrate that the model can offer a preliminary result regarding the echo-types distribution along the seismic data, considering a partial interpretation from the specialist; and (iii) to show the model could be used to predict sections of the data which the specialist can not interpret with confidence (transitional echo-characters, data acquisition limitations, anisotropy, etc.). At the end, it was showed that XGBoost is a powerful algorithm to improve SBP interpretation and seafloor mapping, achieving up to 99% of balanced accuracy in several tests, with low computational cost and feasible to be implemented in a domestic environment. | - |
Descrição: dc.description | 99 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Geofísica marinha | - |
Palavras-chave: dc.subject | Sísmica de alta resolução | - |
Palavras-chave: dc.subject | Batimetria | - |
Palavras-chave: dc.subject | Geofísica marinha | - |
Palavras-chave: dc.subject | Batimetria | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Marine geophysics | - |
Palavras-chave: dc.subject | High-resolution seismic | - |
Palavras-chave: dc.subject | Bathymetry | - |
Título: dc.title | Aplicações do aprendizado de máquina para o aperfeiçoamento de técnicas de mapeamento submarino | - |
Tipo de arquivo: dc.type | Dissertação | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: