Skip navigation
Please use this identifier to cite or link to this item: https://repositorio.unb.br/handle/10482/42503
Files in This Item:
File Description SizeFormat 
2021_LucianaBorgesdaCosta.pdf1,75 MBAdobe PDFView/Open
Title: Segmentação semântica profunda para detecção de florestas plantadas de eucalipto no território brasileiro usando imagens Sentinel-2
Authors: Costa, Luciana Borges da
Orientador(es):: Carvalho Júnior, Osmar Abílio de
Assunto:: Florestas plantadas
Brasil
Efficient-net
U-net
DeepLab
Multiespectral
Issue Date: 1-Nov-2021
Citation: COSTA, Luciana Borges da. Segmentação semântica profunda para detecção de florestas plantadas de eucalipto no território brasileiro usando imagens Sentinel-2. 2021. 45 f., il. Dissertação (Mestrado em Geografia)—Universidade de Brasília, Brasília, 2021.
Abstract: As 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.
Abstract: This 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.
Description: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2021.
Licença:: 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.
Agência financiadora: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).
Appears in Collections:GEA - Mestrado em Geografia (Dissertações)

Show full item record Recommend this item " class="statisticsLink btn btn-primary" href="/handle/10482/42503/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.