Título:	Deep semantic segmentation of mangrove combining spatial, temporal and polarization from sentinel-1 time series in the Brazilian territory
Autor(es):	Moreno, Gabriel Matheus de Souza
E-mail do autor:	gsmoreno@gmail.com
Orientador(es):	Carvalho Júnior, Osmar Abílio de
Assunto:	Deep Learning Mapeamento de mangue Radar de abertura sintética Sensoriamento remoto Redes neurais convolucionais
Data de publicação:	11-Ago-2022
Data de defesa:	11-Mai-2022
Referência:	MORENO, Gabriel Matheus de Souza. Deep semantic segmentation of mangrove combining spatial, temporal and polarization from sentinel-1 time series in the Brazilian territory. 2022. iv, 23 f., il. Dissertação (Mestrado em Geografia) — Universidade de Brasília, Brasília, 2022.
Abstract:	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.
Unidade Acadêmica:	Instituto de Ciências Humanas (ICH) Departamento de Geografia (ICH GEA)
Informações adicionais:	Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2022.
Programa de pós-graduação:	Programa de Pós-Graduação em Geografia
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.
Aparece nas coleções:	Teses, dissertações e produtos pós-doutorado

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.