Return to search

Detecção de áreas desmatadas na porção sul do estado do amazonas, utilizando técnicas de extração de características e redes neurais artificiais

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-08-22T14:05:51Z
No. of bitstreams: 2
Dissertação - Joel P. Oliveira.pdf: 10722425 bytes, checksum: fbe4948132f8123c791ed31c009bc1ef (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-08-22T14:06:37Z (GMT) No. of bitstreams: 2
Dissertação - Joel P. Oliveira.pdf: 10722425 bytes, checksum: fbe4948132f8123c791ed31c009bc1ef (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-08-22T14:06:58Z (GMT) No. of bitstreams: 2
Dissertação - Joel P. Oliveira.pdf: 10722425 bytes, checksum: fbe4948132f8123c791ed31c009bc1ef (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-08-22T14:06:58Z (GMT). No. of bitstreams: 2
Dissertação - Joel P. Oliveira.pdf: 10722425 bytes, checksum: fbe4948132f8123c791ed31c009bc1ef (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Previous issue date: 2017-06-02 / The monitoring of deforestation in the Amazon is a great challenge due to, among other factors,
the enormous territorial extension. In this sense, images generated from remote sensing systems
have been used to perform the detection of deforested regions. To facilitate this work, images
generated from remote sensing systems have been used to perform the detection of deforested
regions. In this sense, since 1988, the National Institute of Space Research has been monitoring
the Amazon Forest through LANDSAT optical images acquired through remote sensing
systems. Currently, the methodology adopted by INPE is based on the manual demarcation of
deforested areas based on the knowledge of specialists. However, doing this work manually
requires time and effort. In the literature, we can find several works that propose to perform an
automatic classification of remote sensing images. This work proposes a methodology for the
study of deforestation areas using LANDSAT-8/OLI optical images obtained by remote
sensing. It is proposed the association of methods to improve the generalization of neural
networks, such as early stopping and regularization, with characteristic extraction techniques,
such as scalar selection, principal component analysis and linear discriminant analysis. The
performance of the methodology is evaluated using measures such as precision, sensitivity,
specificity, area under ROC curve. Finally, similarity metrics, Dice and Jaccard, were
calculated. The best results were obtained with the early stop generalization method associated
to the linear discriminant analysis technique. The study was carried out in three regions of the
State of Amazonas, located in the municipalities of Apuí, Humaitá and Lábrea. In addition, the
proposed methodology was compared with three papers in the literature that also used optical
images from the Amazon region. / A realização do monitoramento do desmatamento na Amazônia é um grande desafio devido,
entre outros fatores, a enorme extensão territorial. Para facilitar esse trabalho, imagens geradas
a partir de sistemas de sensoriamento remoto têm sido utilizadas para realizar a detecção de
regiões desmatadas. Nesse sentido, desde 1988, Instituto Nacional de Pesquisas Espaciais
realiza o monitoramento da Floresta Amazônica por meio de imagens ópticas LANDSAT
adquiridas por meio de sistemas de sensoriamento remoto. Atualmente, a metodologia adotada
pelo INPE tem por base realizar a demarcação das áreas desmatadas de forma manual baseado
no conhecimento de especialistas. Porém, realizar esse trabalho de maneira manual, demanda
tempo e grande esforço. Na literatura, podemos encontrar diversos trabalhos que propõem
realizar uma classificação automática de imagens de sensoriamento remoto. Porém, com base
na revisão realizada, os trabalhos propostos não utilizam métodos de generalização ou critérios
objetivos para extração de características. Este trabalho propõe uma metodologia para o estudo
de áreas de desmatamento utilizando imagens ópticas LANDSAT-8/OLI obtidas por
sensoriamento remoto. É proposta a associação de métodos para melhorar a generalização das
redes neurais, como a parada antecipada e regularização, com técnicas de extração de
características, como seleção escalar, análise de componentes principais e análise de
discriminante linear. O desempenho da metodologia é avaliado utilizando medidas como
precisão, sensibilidade, especificidade, área sob curva ROC. Por fim, foram calculadas métricas
de similaridade, Dice e Jaccard. Os melhores resultados foram obtidos com o método de
generalização parada antecipada associado à técnica de análise discriminante linear. O estudo
foi realizado em três regiões do Estado do Amazonas, localizadas nos munícipios de Apuí,
Humaitá e Lábrea. Além disso, a metodologia proposta foi comparada com três trabalhos da
literatura que também utilizaram imagens ópticas da região amazônica.

Identiferoai:union.ndltd.org:IBICT/oai:http://localhost:tede/5791
Date02 June 2017
CreatorsOliveira, Joel Parente de, 92-99138-2335
Contributorsppgee@ufam.edu.br, Costa Filho, Cícero Ferreira Fernandes, Costa, Solange dos Santos
PublisherUniversidade Federal do Amazonas, Programa de Pós-graduação em Engenharia Elétrica, UFAM, Brasil, Faculdade de Tecnologia
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFAM, instname:Universidade Federal do Amazonas, instacron:UFAM
Rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess
Relation-161377036298529205, 600, 500, -5930111888266832212

Page generated in 0.0024 seconds