Segmentação semântica profunda para detecção de florestas plantadas de eucalipto no território brasileiro usando imagens Sentinel-2

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho Júnior, Osmar Abílio de-
Autor(es): dc.creatorCosta, Luciana Borges da-
Data de aceite: dc.date.accessioned2024-10-23T15:40:57Z-
Data de disponibilização: dc.date.available2024-10-23T15:40:57Z-
Data de envio: dc.date.issued2021-11-30-
Data de envio: dc.date.issued2021-11-30-
Data de envio: dc.date.issued2021-10-31-
Data de envio: dc.date.issued2021-07-30-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/42503-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/889197-
Descrição: dc.descriptionDissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2021.-
Descrição: dc.descriptionAs florestas plantadas de eucalipto possuem grande importância econômica para o Brasil e os extratos de eucalipto são utilizados em diversos setores da indústria mundial. As técnicas de sensoriamento remoto são de suprema importância para o estudo e o monitoramento destas áreas, além de ser uma ferramenta essencial para a determinação de planos de ação na economia e na política. O Deep Learning surge atualmente como uma alternativa de automatização e melhoria da eficiência das técnicas de machine learning. Este estudo tem como objetivo analisar o uso da segmentação semântica profunda na detecção de áreas de plantios de eucalipto por meio de imagens Sentinel-2, por ter observado a importância econômica o eucalipto para o desenvolvimento de estudos automatizados para monitoramento desta cultura. O foco deste trabalho é na comparação de seis arquiteturas de Deep Learning (U-net, DeepLabv3 +, FPN, MANet, PSPNet, LinkNet) com quatro codificadores (ResNet-101, ResNeXt-101, Efficient-net- b3 e Efficient-net-b7), usando 10 bandas espectrais, excluindo apenas as 3 bandas relacionadas à atmosfera. Mesmo que as diferenças não fossem grandes entre os diferentes modelos, descobrimos que o Efficient-net-b7 foi o melhor codificador entre todas as arquiteturas e o melhor modelo geral foi DeepLabv3 + com o codificador Efficient-net-b7, alcançando um IoU de 76,57. Além disso, comparamos o mapeamento de grandes imagens de satélite com a técnica de janela deslizante com pixels sobrepostos considerando seis diferentes valores de passada. Descobrimos que as janelas deslizantes com valores de passada mais baixos minimizaram significativamente os erros na borda do quadro, tanto visual quanto quantitativamente (métricas). A segmentação semântica permite uma distinção evidente entre a arborização e a vegetação natural, sendo rápida e eficiente para a análise da distribuição espacial das mudanças da arborização no Brasil. Técnicas mais assertivas na identificação do alvo por meio das imagens de satélite para alimentar as redes de Deep Learning poderão melhorar ainda mais a precisão das informações encontradas por estas redes.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).-
Descrição: dc.descriptionThis research aims to analyze the use of deep semantic segmentation to detect eucalyptus afforestation areas using Sentinel-2 images. The study compared six architectures (U-net, DeepLabv3+, FPN, MANet, PSPNet, LinkNet) with four encoders (ResNet-101, ResNeXt-101, Efficient-net-b3, and Efficient-net-b7), using 10 spectral bands. Even though the differences were not large among the different models, we found that the Efficient-net-b7 was the best backbone among all architectures, and the best overall model was DeepLabv3+ with the Efficient-net-b7 backbone, achieving an IoU of 76.57. Moreover, we compared the mapping of large satellite images with the sliding window technique with overlapping pixels considering six stride values. We found that sliding windows with lower stride values significantly minimized errors in the frame edge both visually and quantitively (metrics). Semantic segmentation allows an evident distinction between the afforestation and the natural vegetation, being fast and efficient for spatial distribution analysis of afforestation changes in Brazil.-
Descrição: dc.descriptionInstituto de Ciências Humanas (ICH)-
Descrição: dc.descriptionDepartamento de Geografia (ICH GEA)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Geografia-
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.subjectFlorestas plantadas-
Palavras-chave: dc.subjectBrasil-
Palavras-chave: dc.subjectEfficient-net-
Palavras-chave: dc.subjectU-net-
Palavras-chave: dc.subjectDeepLab-
Palavras-chave: dc.subjectMultiespectral-
Título: dc.titleSegmentação semântica profunda para detecção de florestas plantadas de eucalipto no território brasileiro usando imagens Sentinel-2-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.