Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLaranja, Ruth Elias de Paula-
Autor(es): dc.contributorCarvalho Júnior, Osmar Abílio de-
Autor(es): dc.creatorSilva, Marcos Pereira da-
Data de aceite: dc.date.accessioned2024-10-23T15:43:45Z-
Data de disponibilização: dc.date.available2024-10-23T15:43:45Z-
Data de envio: dc.date.issued2024-06-13-
Data de envio: dc.date.issued2024-06-13-
Data de envio: dc.date.issued2024-06-13-
Data de envio: dc.date.issued2023-02-16-
Fonte completa do material: dc.identifierhttp://repositorio2.unb.br/jspui/handle/10482/48256-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/890424-
Descrição: dc.descriptionTese (doutorado) — Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2023.-
Descrição: dc.descriptionA detecção automatizada e precisa de florestas de mangue é crucial para estratégias de conservação e tomada de decisão ao longo da extensa costa brasileira. Este estudo visa criar um conjunto de dados de floresta de mangue para processamento com Probability Density ComponentsAnalysis-Series Time e Minimum Noise Fraction, avaliar o modelo com diferentes filtros de eliminação de speckle e determinar o número ideal de imagens para uma detecção mais precisa. O objetivo principal desta pesquisa é analisar a eficácia das imagens do Sentinel1 e Sentinel-2 para mapeamento das florestas de mangue, por meio da análise das características texturais e espectrais de cada conjunto de dados. A pesquisa se concentra em dois pontos principais: 1. Classificação de manguezais usando imagens Sentinel-1 com o histograma de frequência Probability Density Components Analysis, onde os métodos Random Forests e K Nearest Neighbor foram usados com acurácias de 89,43% e 88,29%, respectivamente. O método de janela deslizante com passo de7x7 pixels foi considerado o mais eficaz; 2. Avaliação de imagens do satélite Sentinel-2 para mapeamento de manguezal na planície deltaica do rio Parnaíba. Neste estudo, os métodos Random Forests, K Nearest Neighbor e Support Vector Machine foram avaliados usando dados do Sentinel-2 para classificar as áreas de florestas de mangue. Os resultados mostraram que o método Random Forests obteve melhor desempenho para ambos os produtos Sentinel-1 (89,43%) e Sentinel-2 (96,78%), ligeiramente melhor que o K Nearest Neighbor. A metodologia desenvolvida neste estudo pode simplificar o processo de detecção, economizando tempo e recursos, e pode ser aplicada em outras regiões onde a cobertura de nuvens não permite precisão temporal.-
Descrição: dc.descriptionAutomated and accurate detection of mangrove forestsis crucial for conservation strategies and decision-making along the extensive Brazilian coastline. This study aims to create a mangrove forest dataset for processing with Probability Density Components Analysis-Series Time and Minimum Noise Fraction, evaluate the model with different speckle elimination filters and determine the optimal number of images for more accurate detection. The main objective of this research is to analyze the effectiveness of Sentinel-1 and Sentinel-2 images for mapping mangrove forests, through the analysis of textural and spectral characteristics of each data set. The research focuses on two main points: 1. Classification of mangroves using Sentinel-1 images with the Probability Density Components Analysis frequency histogram, where the Random Forests and K Nearest Neighbor methods were used with accuracies of 89.43% and 88, 29%, respectively. The sliding window method with a step of 7x7 pixels was found to be the most effective; 2. Evaluation of Sentinel-2 satellite images for mapping mangroves in the deltaic plain of the Parnaíba river. In this study, the Random Forests, K Nearest Neighbor and Support Vector Machine methods were evaluated using Sentinel-2 data to classify mangrove forest areas. The results showed that the Random Forests method performed better for both Sentinel-1 (89.43%) and Sentinel-2 (96.78%) products,slightly betterthan K Nearest Neighbor. The methodology developed in this study can simplify the detection process, saving time and resources, and can be applied in other regions where cloud cover does not allow temporal accuracy.-
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-
Idioma: dc.languagept_BR-
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.subjectAprendizagem de máquina-
Palavras-chave: dc.subjectDelta do Parnaíba-
Palavras-chave: dc.subjectMapeamento florestal-
Palavras-chave: dc.subjectGeoprocessamento-
Título: dc.titleElaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.