Classificação textural de barras fluviais de cascalhos por sensoriamento remoto

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorVicens, Raúl Sánchez-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8745326804306646-
Autor(es): dc.contributorFernandez, Guilherme Borges-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1896106488323757-
Autor(es): dc.contributorFrancisco, Cristiane Nunes-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9672669840239595-
Autor(es): dc.contributorCruz, Carla Bernadete Madureira-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9528610534584200-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5488426439855124-
Autor(es): dc.creatorCastro, Pedro Ivo Bastos de-
Data de aceite: dc.date.accessioned2024-07-11T18:31:19Z-
Data de disponibilização: dc.date.available2024-07-11T18:31:19Z-
Data de envio: dc.date.issued2024-02-26-
Data de envio: dc.date.issued2024-02-26-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/32374-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/772139-
Descrição: dc.descriptionAs técnicas tradicionais de classificação textural de cascalhos resultam de amostragens baseadas em mensurações individuais no campo, o que configura uma tarefa dispendiosa. Considerando esta problemática alguns autores se preocuparam em desenvolver metodologias que pudessem oferece maior rapidez na mensuração e classificação de seixos. Nesse sentido surgiram propostas baseadas na aquisição de fotografias em campo. Destas primeiras tentativas desenvolveram-se metodologias utilizando técnicas avançadas de processamento de imagens. Porém, as metodologias até aqui empregadas se mostraram pouco eficientes e em alguns casos inacessíveis no âmbito desta pesquisa. Neste contexto, o presente trabalho apresenta uma proposta metodológica de classificação de Imagens Baseada em Objetos Geográficos e validação dos resultados considerando três parâmetros: comprimento, largura e encaixe elíptico dos cascalhos. O primeiro parâmetro é utilizado como forma de validação da classificação textural através da comparação com o método tradicional e enquanto os demais parâmetros são utilizados em conjunto na avaliação da etapa de segmentação de imagens, através da comparação com uma segmentação de referência resultante de fotointerpretação e vetorização manual. Os resultados da validação da segmentação apontam eficiência na estimativa dos diâmetros do objeto (r2 =0.82 para o parâmetro largura), porém indicam deficiência no reconhecimento do contorno dos mesmos (r2= 0.45 para o parâmetro encaixe elíptico). A eficiência na estimativa dos diâmetros é corroborada pelos resultados da classificação. Nesta etapa foi realizada a análise de variância, a partir do teste f. O resultado (F1,12 = 4.551) demonstra que não foram observadas diferenças significativas entre o método de mensuração em campo e a metodologia proposta neste trabalho com um nível de certeza de 95%.-
Descrição: dc.descriptionThe traditional techniques to classify gravel bars demand a tiresome measuring of each sediment size. Aiming for more efficient methods, new approaches have been developed applying remote sensing techniques and digital image processing. Therefore, this research proposes an Object-Based Image Analysis methodology to classify gravel bars. The work has three specific objectives: first, the evaluation of multiresolution segmentation algorithm to perform shape recognition by applying the linear regression model in order to assess the degree of association between a reference border map and the border recognition obtained by the segmentation algorithm. Second, the validation of the supervised classification by comparing the results with a field data throughout the F-statistic test. The last specific objective intent to map grain size gravel bars along the upper river Bananeiras. The results in terms of border recognition have shown strong correlation for diameter estimation (r2 =0.82). However, regarding the recognition of eliptical ft. the results has shown modest correlations (r2 =0.45). Finally, considering the results in terms of efficiency of grain size classification, the f-statistic has shown no significant difference between the field survey data and the GEOBIA supervised classification (F1,12 = 4.551). Once it has not been detected differences between both methodologies, it was possible to proceed to the supervised grain-size classification of gravel bars along the upper River Bananeiras.-
Descrição: dc.description95 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectClassificação textural-
Palavras-chave: dc.subjectSensoriamento remoto-
Palavras-chave: dc.subjectAnálise de imagens baseada em objetos geográficos-
Palavras-chave: dc.subjectCascalho-
Palavras-chave: dc.subjectGrain-size analysis-
Palavras-chave: dc.subjectRemote sensing-
Palavras-chave: dc.subjectGeographic object-based image analysis-
Título: dc.titleClassificação textural de barras fluviais de cascalhos por sensoriamento remoto-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.