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 | Carvalho Júnior, Osmar Abílio de | - |
Autor(es): dc.creator | Oliveira, Petronio Diego Silva de | - |
Data de aceite: dc.date.accessioned | 2024-10-23T16:22:48Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T16:22:48Z | - |
Data de envio: dc.date.issued | 2020-06-26 | - |
Data de envio: dc.date.issued | 2020-06-26 | - |
Data de envio: dc.date.issued | 2020-06-26 | - |
Data de envio: dc.date.issued | 2019-10-30 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/38234 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/906952 | - |
Descrição: dc.description | Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2019. | - |
Descrição: dc.description | Os incêndios florestais queimam enorme quantidade de áreas em todo o mundo, provocando danos ecológicos, econômicos, sociais e à saúde. O Bioma Cerrado com as peculiaridades de ser uma savana possui relação com incêndios, sendo afetada por esse tipo de ocorrência. O monitoramento desses eventos de fogo favorece a compreensão e entendimento das ocorrências, sendo o sensoriamento remoto ferramenta adequada para obtenção de dados relativos ao fogo em diferentes escalas. O uso de machine learning e deep learning em sensoriamento remoto possui diversas finalidades, sendo a classificação de imagens uma importante componente. Nesse estudo, três algoritmos de machine learning (Support Vector Machine, K-Nearest Neighbors e Random Forest) e a Convolutional Neural Network (CNN) foram testados para a classificação de imagens da frota SkySat da Planet com alta resolução espacial visando à identificação de áreas queimadas. A classificação foi feita por meio de cenas individuais, com coleta de amostras para treinamento e posterior classificação. Os resultados das classificações foram avaliados por meio da exatidão global, coeficiente Kappa e AUROC e confrontados entre si. A CNN obteve os melhores resultados sendo seguida pelo KNN, SVM e RF. Em relação à acurácia, não foi evidenciada grande diferença entre os métodos, sendo necessários novos estudos buscando avaliar diferentes classificações. | - |
Descrição: dc.description | Forest fires burns huge number of areas around the world, causing ecological, economic, social and health damage. The Cerrado Biome with its peculiarities of being a savannah is related to fires, being affected by this type of occurrence. The monitoring of fire events favors the understanding of occurrences, and remote sensing is an adequate tool to obtain fire data at different scales. The use of machine learning and convolutional neural networks in remote sensing have several purposes, and image classification is an important component. In this study, three machine learning algorithms (Support Vector Machine, K-Nearest Neighbors and Random Forest) and a convolutional neural network - CNN were tested for the classification of images from the Planet´s SkySat fleet with a high spatial resolution for the identification of burned areas. The classification was made in individual scenes, with sample collection for training and subsequent classification. The results of the classifications were evaluated by global accuracy, Kappa index and AUROC and compared to each other. CNN obtained the best results being followed by KNN, SVM and RF. Regarding accuracy, there was no evidence of great difference between the methods, and further studies are needed to evaluate different classifications. | - |
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 | Incêndios florestais | - |
Palavras-chave: dc.subject | Classificação de imagens | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Aprendizado profundo | - |
Título: dc.title | Uso de aprendizagem de máquina e redes neurais convolucionais profundas para a classificação de áreas queimadas em imagens de alta resolução espacial | - |
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: