Use este identificador para citar ou linkar para este item: https://repositorio.ufms.br/handle/123456789/3856
Tipo: Dissertação
Título: FORESTRYVIEW APP: MAPEAMENTO DA SILVICULTURA COM USO DE SENSORES REMOTOS, DEEP LEARNING E COMPUTAÇÃO EM NUVEM
Autor(es): Joao Otavio Nascimento Firigato
Primeiro orientador: Vitor Matheus Bacani
Resumo: O mapeamento de uso e cobertura da terra é uma importante ferramenta de monitoramento de alterações no espaço geográfico. A partir desse mapeamento é possível a extração de informações que possibilitam compreender a evolução paisagística de uma determinada área ou região. O estado da arte na classificação digital de imagens de satélite são os algoritmos de aprendizado profundo baseados em redes neurais convolucionais que foram suportados pelo surgimento de plataformas de computação em nuvem, onde é possível a obtenção de uma grande quantidade de dados geoespaciais e do alto poder de processamento utilizados no processo de treinamento desses algoritmos. Este trabalho teve como objetivo mapear áreas de silvicultura na mesorregião leste do estado do Mato Grosso do Sul, a partir do uso de modelos de aprendizagem profunda para a segmentação semântica, disponibilizando os resultados desse mapeamento através de um aplicativo acessível pela internet. Os procedimentos metodológicos fundamentaram-se na utilização de uma base de dados com 1320 imagens do sensor MSI do satélite Sentinel 2A para os meses de maio, julho e setembro de 2019 a fim de se obter uma maior variação espectral dos alvos durante o ano, considerando as classes silvicultura e não-silvicultura. Foram utilizados 960 amostras para treinamento, 180 amostras para validação e 180 para teste. Esses dados alimentam a rede neural, extraindo as características das imagens de treinamento, a fim de gerar um modelo que possibilita a predição de rótulos para o restante da região de estudo. Os resultados obtidos para o modelo final apresentaram uma acurácia global de 98% para os dados de teste, possibilitando a predição do mapeamento de toda a área de estudo para os anos de 2017, 2018, 2019 e 2020. Para a disponibilização dos mapeamentos, um aplicativo foi criado na plataforma Google Earth Engine, possibilitando a acessibilidade e a interatividade com informações de índices espectrais como o NDVI, o SAVI, o EVI, dentre outros. Assim, a combinação entre computação em nuvem, deep learning e sensoriamento remoto se mostra altamente promissora para a obtenção de produtos e análises geoespaciais, essenciais no âmbito do planejamento ambiental e socioeconômico da área de estudo.
Abstract: Mapping land use and land cover is an important tool for monitoring changes in geographic space. From this mapping, it is possi ble to extract information that makes it possible to understand the landscape evolution of a certain area or region. The state of the art in digital classification of satellite images are deep learning algorithms based on convolutional neural networks that were supported by the emergence of cloud computing platforms, where it is possible to obtain a large amount of geospatial and high power data processes used in the training process of these algorithms . This work aimed to map silviculture areas in the east ern mesoregion of the state of Mato Grosso do Sul, using deep learning models for semantic segmentation, making the results of this mapping available through an application accessible on the internet. The methodological procedures were based on the use of a database with 1320 images from the Sentinel 2A satellite MSI sensor for the months of May, July and September 2019 in order to obtain a greater spectral variation of the targets during the year, considering the forestry and non forestry classes. 960 samp les were used for training, 180 samples for validation and 180 for testing. These data feed the neural network, extracting the characteristics of the training images, in order to generate a model that enables the prediction of labels for the rest of the st udy region. The results obtained for the final model showed an overall accuracy of 98% for the test data, making it possible to predict the mapping of the entire study area for the years 2017, 2018, 2019 and 2020. For the availability of the mappings, a Th e application was created on the Google Earth Engine platform, allowing accessibility and interactivity with information from spectral indexes such as NDVI, SAVI, EVI, among others. Thus, the combination of cloud computing, deep learning and remote sensing is highly promising for obtaining geospatial products and analyzes, which are essential in the context of the environmental and socioeconomic planning of the study area.
Palavras-chave: Google earth engine, segmentação semântica, uso e cobertura da terra, redes neurais convolucionais.
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/123456789/3856
Data do documento: 2021
Aparece nas coleções:Programa de Pós-graduação em Geografia (Campus de Três Lagoas)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertação_Joao_versao_final.pdf4,03 MBAdobe PDFThumbnail
Visualizar/Abrir


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