Use este identificador para citar ou linkar para este item:
https://repositorio.ufms.br/handle/123456789/11079| Tipo: | Dissertação |
| Título: | MAPEAMENTO DE RESERVATÓRIOS DE BARRAGENS COM INTELIGÊNCIA ARTIFICIAL E SENSORIAMENTO REMOTO |
| Autor(es): | Eloiza Marques |
| Primeiro orientador: | Jose Marcato Junior |
| Resumo: | A gestão de segurança de barragens é fundamental para a prevenção de desastres e a preservação dos recursos hídricos. No estado de Mato Grosso do Sul, o Instituto de Meio Ambiente de Mato Grosso do Sul (Imasul) desempenha um papel essencial na fiscalização dessas estruturas, seguindo as diretrizes da Política Nacional de Segurança de Barragens (PNSB) e utilizando o Sistema Nacional de Informações sobre Segurança de Barragens (SNISB) para o monitoramento e a classificação das barragens. Este estudo avalia a atuação do Imasul no contexto do SNISB e analisa a eficácia de modelos de segmentação de imagens, como o Segformer e o DeepLabV3+, para o mapeamento de reservatórios de barragens. A pesquisa compara os resultados dos dois modelos, destacando a superioridade do Segformer, que apresentou melhores métricas de desempenho, como precisão, sensibilidade e acurácia. Os achados revelam o potencial da inteligência artificial e do sensoriamento remoto no monitoramento ambiental, proporcionando ferramentas mais precisas para a gestão e segurança das barragens. |
| Abstract: | The management of dam safety is crucial for disaster prevention and the preservation of water resources. In the state of Mato Grosso do Sul, the Institute of Environment of Mato Grosso do Sul (Imasul) plays a key role in overseeing these structures, following the guidelines of the National Policy on Dam Safety (PNSB) and utilizing the National Information System on Dam Safety (SNISB) for the monitoring and classification of dams. This study evaluates Imasul's performance within the SNISB context and analyzes the effectiveness of image segmentation models, such as Segformer and DeepLabV3+, for mapping dam reservoirs. The research compares the results of both models, highlighting the superiority of the Segformer, which showed better performance metrics, such as precision, sensitivity, and accuracy. The findings reveal the potential of artificial intelligence and remote sensing in environmental monitoring, providing more accurate tools for dam management and safety |
| Palavras-chave: | Sensoriamento remoto |
| País: | Brasil |
| Editor: | Fundação Universidade Federal de Mato Grosso do Sul |
| Sigla da Instituição: | UFMS |
| Tipo de acesso: | Acesso Aberto |
| URI: | https://repositorio.ufms.br/handle/123456789/11079 |
| Data do documento: | 2024 |
| Aparece nas coleções: | Programa de Pós-graduação em Tecnologias Ambientais |
Arquivos associados a este item:
| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| Dissertação_EloizaMarques.pdf | 4,98 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.