Skip navigation
Please use this identifier to cite or link to this item: https://repositorio.unb.br/handle/10482/44007
Files in This Item:
File Description SizeFormat 
2022_HugoCrisóstomodeCastroFilho.pdf4,23 MBAdobe PDFView/Open
Title: Identificação de áreas de rizicultura a partir do processamento digital de imagens de radar sentinel utilizando técnicas de aprendizado de máquina profundo - deep learning
Authors: Castro Filho, Hugo Crisóstomo de
metadata.dc.contributor.email: sr.hugocrisostomo@gmail.com
Orientador(es):: Gomes, Roberto Arnaldo Trancoso
Assunto:: Monitoramento de culturas
Imagem multitemporal
Deep Learning
Rede neural recorrente
Issue Date: 27-Jun-2022
Citation: CASTRO FILHO, Hugo Crisóstomo de. Identificação de áreas de rizicultura a partir do processamento digital de imagens de radar sentinel utilizando técnicas de aprendizado de máquina profundo - deep learning. 2022. 50 f., il. Dissertação (Mestrado em Geografia) — Universidade de Brasília, Brasília, 2022.
Abstract: Acredita-se que metade dos ambientes de áreas úmidas, que são consideradas de importância internacional, pela Convenção de Ramsar estejam prejudicadas por ações humanas. Dentre as ações humanas que têm impactado estas áreas estão as atividades agrícolas. No Brasil, estas áreas, em especial na região Sul do Brasil, são utilizadas pela rizicultura. Deste modo, o mapeamento e monitoramento destas áreas se torna necessário. Dentre as tecnologias que existem para este mapeamento/monitoramento podemos destacar o sensoriamento remoto. Mais recentemente, os sensores de abertura sintética de radar (SAR) têm possibilitado esse monitoramento já que, é uma tecnologia que independe de energia solar ou tem problema com a interferência de nuvens. A partir disso, é possível descrever o ciclo fenológico do cultivo de arroz através de uma assinatura temporal. O programa Copernicus da Agência Espacial Europeia (ESA) tem possibilitado o uso de imagens de radar (Sentinel 1) com recorrência de cobertura da mesma área em 12 dias. Por fim, o advento de tecnologias de inteligência artificial de aprendizado de máquina profunda tem possibilitado um mapeamento de áreas por sensoriamento remoto com muita mais eficiência e precisão. Deste modo, o objetivo desta pesquisa é mapear o cultivo de arroz a partir da série temporal de imagens de radar Sentinel 1 utilizando inteligência artificial no Oeste do Rio Grande do Sul (RS). As etapas metodológicas foram: (a) aquisição da série temporal Sentinel ao longo de dois anos; (b) Pré-processamento de dados e minimização do ruído de filtros temporais 3D e suavização com filtro Savitzky-Golay; (c) Procedimentos de classificação da série temporal; (d) Análise de precisão e comparação entre os métodos. Os resultados mostram alta precisão geral e Kappa (>97% para todos os métodos e métricas). Bi-LSTM foi o melhor modelo. O estudo estabelece uma metodologia adequada para mapear as culturas de arroz no Oeste do Rio Grande do Sul.
Abstract: It is believed that half of the environments of humid areas, which are considered of international importance by the Ramsar Convention are impaired by human actions. Among the human actions that have impacted these areas are agricultural activities. In Brazil, these areas, especially in the southern region of Brazil, are used by rice crop culture. In this way, the mapping and monitoring of these areas becomes necessary. Among the technologies that exist for this mapping / monitoring we can highlight the remote sensing. More recently, synthetic radar aperture sensors (SAR) have made possible this monitoring since it is a technology that independent of solar energy or has problem with cloud interference. From this, it is possible to describe the phenological cycle of rice cultivation through a temporal signature. The Copernicus program of the European Space Agency (ESA) has made possible the use of radar images (Sentinel 1) with recurrence of coverage of the same area in 12 days. Finally, the advent of artificial intelligence technologies of deep machine learning has made possible a mapping of areas by remote sensing with much more efficiency and accuracy. In this way, the objective of this research is to map rice cultivation from the time series of Sentinel Radar 1 images using artificial intelligence in the west of Rio Grande do Sul (RS). The methodological steps were: (a) acquisition of the Sentinel temporal series over two years; (b) data pre-processing and minimization of 3D temporal filter noise and smoothing with savitzky-golay filter; (c) temporal series classification procedures; (d) Accuracy analysis and comparison between methods. The results show high precision general and kappa (> 97% for all methods and metrics). Bi-lstm was the best model. The study establishes a suitable methodology to map rice crops in the west of Rio Grande do Sul.
Description: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2022.
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.
Appears in Collections:GEA - Mestrado em Geografia (Dissertações)

Show full item record Recommend this item " class="statisticsLink btn btn-primary" href="/handle/10482/44007/statistics">



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