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.creator | Bem, Pablo Pozzobon de | - |
Autor(es): dc.creator | Carvalho Júnior, Osmar Abílio de | - |
Autor(es): dc.creator | Guimarães, Renato Fontes | - |
Autor(es): dc.creator | Gomes, Roberto Arnaldo Trancoso | - |
Data de aceite: dc.date.accessioned | 2024-10-23T16:25:32Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T16:25:32Z | - |
Data de envio: dc.date.issued | 2022-05-03 | - |
Data de envio: dc.date.issued | 2022-05-03 | - |
Data de envio: dc.date.issued | 2020-03-11 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/43601 | - |
Fonte completa do material: dc.identifier | https://doi.org/10.3390/rs12060901 | - |
Fonte completa do material: dc.identifier | https://orcid.org/ 0000-0003-3868-8704 | - |
Fonte completa do material: dc.identifier | https://orcid.org/ 0000-0002-0346-1684 | - |
Fonte completa do material: dc.identifier | https://orcid.org/ 0000-0002-9555-043X | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/908127 | - |
Descrição: dc.description | Mapping deforestation is an essential step in the process of managing tropical rainforests. It lets us understand and monitor both legal and illegal deforestation and its implications, which include the effect deforestation may have on climate change through greenhouse gas emissions. Given that there is ample room for improvements when it comes to mapping deforestation using satellite imagery, in this study, we aimed to test and evaluate the use of algorithms belonging to the growing field of deep learning (DL), particularly convolutional neural networks (CNNs), to this end. Although studies have been using DL algorithms for a variety of remote sensing tasks for the past few years, they are still relatively unexplored for deforestation mapping. We attempted to map the deforestation between images approximately one year apart, specifically between 2017 and 2018 and between 2018 and 2019. Three CNN architectures that are available in the literature—SharpMask, U-Net, and ResUnet—were used to classify the change between years and were then compared to two classic machine learning (ML) algorithms—random forest (RF) and multilayer perceptron (MLP)—as points of reference. After validation, we found that the DL models were better in most performance metrics including the Kappa index, F1 score, and mean intersection over union (mIoU) measure, while the ResUnet model achieved the best overall results with a value of 0.94 in all three measures in both time sequences. Visually, the DL models also provided classifications with better defined deforestation patches and did not need any sort of post-processing to remove noise, unlike the ML models, which needed some noise removal to improve results. | - |
Formato: dc.format | application/pdf | - |
Publicador: dc.publisher | MDPI | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | © 2020 by the authors. Licensee MDPI, Basel, Switzerland. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (http://creativecommons.org/licenses/by/4.0/). | - |
Palavras-chave: dc.subject | Aprendizagem profunda | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Classificação | - |
Palavras-chave: dc.subject | Detecção de mudança | - |
Palavras-chave: dc.subject | Desmatamento | - |
Título: dc.title | Change detection of deforestation in the Brazilian Amazon using landsat data and convolutional neural networks | - |
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: