Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Carvalho Júnior, Osmar Abílio de | - |
Autor(es): dc.contributor | gsmoreno@gmail.com | - |
Autor(es): dc.creator | Moreno, Gabriel Matheus de Souza | - |
Data de aceite: dc.date.accessioned | 2024-10-23T16:21:13Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T16:21:13Z | - |
Data de envio: dc.date.issued | 2022-08-11 | - |
Data de envio: dc.date.issued | 2022-08-11 | - |
Data de envio: dc.date.issued | 2022-08-11 | - |
Data de envio: dc.date.issued | 2022-05-11 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/44493 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/906250 | - |
Descrição: dc.description | Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2022. | - |
Descrição: dc.description | O uso de imagens de satélite para detecção de padrões com alto grau de precisão traz a possibilidade da realização de um monitoramento estratégico com foco na conservação da biodiversidade local. Técnicas de aprendizagem profunda por segmentação do objeto imagem seguem ganhando espaço em aplicações de processamento digital de imagens de satélite. Estas aplicações seguem atingindo resultados muito superior e sem relação aos métodos tradicionais de aprendizagem de máquina. Entretanto, poucos estudos têm aplicado o aprendizado profundo em áreas de manguezais. Além disso, ainda não foram desenvolvidas técnicas por séries temporais de imagens de radar. A presente pesquisa tem por objetivo: (a) desenvolver dados para a aprendizagem profunda de máquina - levando em consideração abordagens espaciais, temporais e dimensionais (polarizações radiométricas); (b) validar modelos U-net com três diferentes arquiteturas (ResNet-101, VGG16 e Efficient-net-B7); (c) comparar a capacidade de detecção em imagens Sentinel-1 utilizando as polarizações VV, VH e duplas polarizações (VV+VH); (d) e quantificar o número de imagens temporais para melhor detecção dos objetos. A pesquisa utiliza séries temporais Sentinel-1 anual entre períodos de 2017 a 2020. As amostras de treinamento e validação dos dados foram geradas a partir de interpretação manual de imagem de satélite. Estes dados resultaram em 2886 imagens com dimensão espacial de 128x128 pixels. 2136 destas imagens foram utilizadas para treinamento, 450 para validação e 300 para testagem. Acombinação de polarizações (VV+VH), omodelo U-net com arquitetura Efficient-net-B7 e limiar de0,75 (97,35 de acurácia, 85,77 de precisão, 84,96 de recall, 85,36 de F-score e 74,46 de IoU)obtiveram os melhores resultados. 5 passadas (8, 16, 32, 64, 128 pixels) foram aplicadas nas janelas deslizantes. O melhor resultado obtido foi com 8 pixels de passada. O método desenvolvido é adequado ao monitoramento dos padrões temporais de manguezais e fornece subsídios às políticas de conservação destes ecossistemas. | - |
Descrição: dc.description | The automatic and accurate detection of mangroves from remote sensing data is essential to assist in conservation strategies and decision-making that minimize possible environmental damage, especially for the Brazilian coast with continental dimensions. In this context, segmentation techniques using deep learning are powerful tools with successful applications in several areas of science, achieving results superior to traditional machine learning methods. However, few studies used deep learning for mangrove areas, and none considered time series of radar images. The present research has the following objectives: (a) development of a mangrove dataset for deep learning in the Southeast region of Brazil considering the spatial, temporal, and polarization dimensions; (b) evaluation of U-net architecture models with three backbones different (ResNet -101, VGG16, and Efficient-net-B7); (c) compare the detection capability of Sentinel-1 images using the following VV-only, VH-only, and VV+VH polarizations; and (d) evaluate the number of temporal images for the best detection of targets (29, 15, 8, 4 images), in the case of using both polarizations the number of images doubles. This research uses the annual Sentinel-1 time series for the period 2017-2020. Data labeling used manual interpretation, resulting in 2,886 images with spatial dimensions of 128x128 pixels and their respective annotations (2,136 for training, 450 for validation, and 300 for testing). The best result considered both polarizations (VV+VH), the maximum number of timeseries images (29 VV and 29 VH), U-net with the Efficient-net-B7 backbone, and a threshold of 0.75 (97.35 accuracy, 85.77 precision, 84.96 recall, 85.36 F-score, and 74.46 IoU). The entire image classification used a sliding window approach considering five stride values (8, 16, 32, 64, 128 pixels), where the best result was with 8 pixels. The present method is suitable for monitoring mangrove patterns over time, providing subsidies for conserving these ecosystems. | - |
Descrição: dc.description | Instituto de Ciências Humanas (ICH) | - |
Descrição: dc.description | Departamento de Geografia (ICH GEA) | - |
Descrição: dc.description | Programa de Pós-Graduação em Geografia | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A 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.subject | Deep Learning | - |
Palavras-chave: dc.subject | Mapeamento de mangue | - |
Palavras-chave: dc.subject | Radar de abertura sintética | - |
Palavras-chave: dc.subject | Sensoriamento remoto | - |
Palavras-chave: dc.subject | Redes neurais convolucionais | - |
Título: dc.title | Deep semantic segmentation of mangrove combining spatial, temporal and polarization from sentinel-1 time series in the Brazilian territory | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB |
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: