Deep learning na segmentação automática de imagens de satélite

Detalhes bibliográficos
Autor(a) principal: Oliveira, Patrick Ágton de
Data de Publicação: 2020
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: LOCUS Repositório Institucional da UFV
Texto Completo: https://locus.ufv.br//handle/123456789/27878
Resumo: A classificação de uso e ocupação do solo é um processo de grande importância para o manejo adequado de áreas, contudo, pode ser susceptível a erros humanos, visto que é feito de forma manual e, também, pode ser trabalhoso, principalmente se for feita em grandes áreas. Dado essa problemática, nos últimos anos a inteligência artificial vem ganhando grande papel na segmentação de imagens para diferentes fins e, aproveitando dessas ferramentas, este trabalho propôs criar um modelo de aprendizado profundo, através de arquitetura U-Net, para classificação de uso e ocupação de solo. Para isto, foi definido uma bacia hidrográfica e, através do satélite Sentinel 2, foi selecionada uma imagem com boas condições que abrange toda extensão dessa bacia. Assim, foi criada uma máscara através de um programa de sistema de informação geográfica e estes, imagem e máscara, foram introduzidos em recortes na rede para geração de parâmetros e, então, pode-se avaliar a acurácia e perda do modelo gerado. Como conclusão, foi avaliada como positiva a inserção de inteligência artificial na classificação de imagens de satélite para uso e ocupação do solo, com o modelo apresentando acurácia máxima de até 95%. Palavras-chave: aprendizado profundo; segmentação semântica; uso e ocupação do solo.
id UFV_3d1f3106cfe80037616ed1f15547ddd7
oai_identifier_str oai:locus.ufv.br:123456789/27878
network_acronym_str UFV
network_name_str LOCUS Repositório Institucional da UFV
repository_id_str 2145
spelling Oliveira, Patrick Ágton deValente, Domingos Sárvio Magalhães2021-06-14T14:34:59Z2021-06-14T14:34:59Z2020-12-01OLIVEIRA, Patrick Ágton de. Deep learning na segmentação automática de imagens de satélite. 2020. 24 f. Trabalho de Conclusão de Curso (Graduação) - Engenharia Agrícola e Ambiental - Universidade Federal de Viçosa, Viçosa. 2020.https://locus.ufv.br//handle/123456789/27878A classificação de uso e ocupação do solo é um processo de grande importância para o manejo adequado de áreas, contudo, pode ser susceptível a erros humanos, visto que é feito de forma manual e, também, pode ser trabalhoso, principalmente se for feita em grandes áreas. Dado essa problemática, nos últimos anos a inteligência artificial vem ganhando grande papel na segmentação de imagens para diferentes fins e, aproveitando dessas ferramentas, este trabalho propôs criar um modelo de aprendizado profundo, através de arquitetura U-Net, para classificação de uso e ocupação de solo. Para isto, foi definido uma bacia hidrográfica e, através do satélite Sentinel 2, foi selecionada uma imagem com boas condições que abrange toda extensão dessa bacia. Assim, foi criada uma máscara através de um programa de sistema de informação geográfica e estes, imagem e máscara, foram introduzidos em recortes na rede para geração de parâmetros e, então, pode-se avaliar a acurácia e perda do modelo gerado. Como conclusão, foi avaliada como positiva a inserção de inteligência artificial na classificação de imagens de satélite para uso e ocupação do solo, com o modelo apresentando acurácia máxima de até 95%. Palavras-chave: aprendizado profundo; segmentação semântica; uso e ocupação do solo.The classification of land use and occupation is a process of paramount importance for the proper management of areas, however, it can be susceptible to human errors, since it is done manually and it can also be laborious, especially if done in large areas. Given this problem, artificial intelligence has been playing a major role in the segmentation of images for different purposes in recent years and, taking advantage of these tools, this work proposed to create a deep learning model, through U-Net architecture, for classification of land use and occupation. For this, a hydrographic basin was defined and, using the Sentinel 2 satellite, an image with good conditions was selected that covers the entire extension of this basin. Thus, a mask was created through a geographic information system program and these, image and mask, were introduced in cutouts in the network to generate parameters and, then, the accuracy and loss of the generated model can be evaluated. As conclusion, the insertion of artificial intelligence in the classification of satellite images for land use and occupation was evaluated as positive, with the model showing maximum accuracy of up to 95%. Keywords: deep learning; land use and occupation; semantic segmentation.porUniversidade Federal de ViçosaAprendizado profundoSegmentação semânticaUso e ocupação do soloEngenharia AgrícolaDeep learning na segmentação automática de imagens de satéliteinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisGraduaçãoreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVinfo:eu-repo/semantics/openAccessORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf372586https://locus.ufv.br//bitstream/123456789/27878/1/texto%20completo.pdf0329dbaa58c155f9e8c55edf31f1de7eMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/27878/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/278782021-06-14 11:36:10.004oai:locus.ufv.br:123456789/27878Tk9URTogUExBQ0UgWU9VUiBPV04gTElDRU5TRSBIRVJFClRoaXMgc2FtcGxlIGxpY2Vuc2UgaXMgcHJvdmlkZWQgZm9yIGluZm9ybWF0aW9uYWwgcHVycG9zZXMgb25seS4KCk5PTi1FWENMVVNJVkUgRElTVFJJQlVUSU9OIExJQ0VOU0UKCkJ5IHNpZ25pbmcgYW5kIHN1Ym1pdHRpbmcgdGhpcyBsaWNlbnNlLCB5b3UgKHRoZSBhdXRob3Iocykgb3IgY29weXJpZ2h0Cm93bmVyKSBncmFudHMgdG8gRFNwYWNlIFVuaXZlcnNpdHkgKERTVSkgdGhlIG5vbi1leGNsdXNpdmUgcmlnaHQgdG8gcmVwcm9kdWNlLAp0cmFuc2xhdGUgKGFzIGRlZmluZWQgYmVsb3cpLCBhbmQvb3IgZGlzdHJpYnV0ZSB5b3VyIHN1Ym1pc3Npb24gKGluY2x1ZGluZwp0aGUgYWJzdHJhY3QpIHdvcmxkd2lkZSBpbiBwcmludCBhbmQgZWxlY3Ryb25pYyBmb3JtYXQgYW5kIGluIGFueSBtZWRpdW0sCmluY2x1ZGluZyBidXQgbm90IGxpbWl0ZWQgdG8gYXVkaW8gb3IgdmlkZW8uCgpZb3UgYWdyZWUgdGhhdCBEU1UgbWF5LCB3aXRob3V0IGNoYW5naW5nIHRoZSBjb250ZW50LCB0cmFuc2xhdGUgdGhlCnN1Ym1pc3Npb24gdG8gYW55IG1lZGl1bSBvciBmb3JtYXQgZm9yIHRoZSBwdXJwb3NlIG9mIHByZXNlcnZhdGlvbi4KCllvdSBhbHNvIGFncmVlIHRoYXQgRFNVIG1heSBrZWVwIG1vcmUgdGhhbiBvbmUgY29weSBvZiB0aGlzIHN1Ym1pc3Npb24gZm9yCnB1cnBvc2VzIG9mIHNlY3VyaXR5LCBiYWNrLXVwIGFuZCBwcmVzZXJ2YXRpb24uCgpZb3UgcmVwcmVzZW50IHRoYXQgdGhlIHN1Ym1pc3Npb24gaXMgeW91ciBvcmlnaW5hbCB3b3JrLCBhbmQgdGhhdCB5b3UgaGF2ZQp0aGUgcmlnaHQgdG8gZ3JhbnQgdGhlIHJpZ2h0cyBjb250YWluZWQgaW4gdGhpcyBsaWNlbnNlLiBZb3UgYWxzbyByZXByZXNlbnQKdGhhdCB5b3VyIHN1Ym1pc3Npb24gZG9lcyBub3QsIHRvIHRoZSBiZXN0IG9mIHlvdXIga25vd2xlZGdlLCBpbmZyaW5nZSB1cG9uCmFueW9uZSdzIGNvcHlyaWdodC4KCklmIHRoZSBzdWJtaXNzaW9uIGNvbnRhaW5zIG1hdGVyaWFsIGZvciB3aGljaCB5b3UgZG8gbm90IGhvbGQgY29weXJpZ2h0LAp5b3UgcmVwcmVzZW50IHRoYXQgeW91IGhhdmUgb2J0YWluZWQgdGhlIHVucmVzdHJpY3RlZCBwZXJtaXNzaW9uIG9mIHRoZQpjb3B5cmlnaHQgb3duZXIgdG8gZ3JhbnQgRFNVIHRoZSByaWdodHMgcmVxdWlyZWQgYnkgdGhpcyBsaWNlbnNlLCBhbmQgdGhhdApzdWNoIHRoaXJkLXBhcnR5IG93bmVkIG1hdGVyaWFsIGlzIGNsZWFybHkgaWRlbnRpZmllZCBhbmQgYWNrbm93bGVkZ2VkCndpdGhpbiB0aGUgdGV4dCBvciBjb250ZW50IG9mIHRoZSBzdWJtaXNzaW9uLgoKSUYgVEhFIFNVQk1JU1NJT04gSVMgQkFTRUQgVVBPTiBXT1JLIFRIQVQgSEFTIEJFRU4gU1BPTlNPUkVEIE9SIFNVUFBPUlRFRApCWSBBTiBBR0VOQ1kgT1IgT1JHQU5JWkFUSU9OIE9USEVSIFRIQU4gRFNVLCBZT1UgUkVQUkVTRU5UIFRIQVQgWU9VIEhBVkUKRlVMRklMTEVEIEFOWSBSSUdIVCBPRiBSRVZJRVcgT1IgT1RIRVIgT0JMSUdBVElPTlMgUkVRVUlSRUQgQlkgU1VDSApDT05UUkFDVCBPUiBBR1JFRU1FTlQuCgpEU1Ugd2lsbCBjbGVhcmx5IGlkZW50aWZ5IHlvdXIgbmFtZShzKSBhcyB0aGUgYXV0aG9yKHMpIG9yIG93bmVyKHMpIG9mIHRoZQpzdWJtaXNzaW9uLCBhbmQgd2lsbCBub3QgbWFrZSBhbnkgYWx0ZXJhdGlvbiwgb3RoZXIgdGhhbiBhcyBhbGxvd2VkIGJ5IHRoaXMKbGljZW5zZSwgdG8geW91ciBzdWJtaXNzaW9uLgo=Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452021-06-14T14:36:10LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false
dc.title.pt-BR.fl_str_mv Deep learning na segmentação automática de imagens de satélite
title Deep learning na segmentação automática de imagens de satélite
spellingShingle Deep learning na segmentação automática de imagens de satélite
Oliveira, Patrick Ágton de
Aprendizado profundo
Segmentação semântica
Uso e ocupação do solo
Engenharia Agrícola
title_short Deep learning na segmentação automática de imagens de satélite
title_full Deep learning na segmentação automática de imagens de satélite
title_fullStr Deep learning na segmentação automática de imagens de satélite
title_full_unstemmed Deep learning na segmentação automática de imagens de satélite
title_sort Deep learning na segmentação automática de imagens de satélite
author Oliveira, Patrick Ágton de
author_facet Oliveira, Patrick Ágton de
author_role author
dc.contributor.author.fl_str_mv Oliveira, Patrick Ágton de
dc.contributor.advisor1.fl_str_mv Valente, Domingos Sárvio Magalhães
contributor_str_mv Valente, Domingos Sárvio Magalhães
dc.subject.pt-BR.fl_str_mv Aprendizado profundo
Segmentação semântica
Uso e ocupação do solo
topic Aprendizado profundo
Segmentação semântica
Uso e ocupação do solo
Engenharia Agrícola
dc.subject.cnpq.fl_str_mv Engenharia Agrícola
description A classificação de uso e ocupação do solo é um processo de grande importância para o manejo adequado de áreas, contudo, pode ser susceptível a erros humanos, visto que é feito de forma manual e, também, pode ser trabalhoso, principalmente se for feita em grandes áreas. Dado essa problemática, nos últimos anos a inteligência artificial vem ganhando grande papel na segmentação de imagens para diferentes fins e, aproveitando dessas ferramentas, este trabalho propôs criar um modelo de aprendizado profundo, através de arquitetura U-Net, para classificação de uso e ocupação de solo. Para isto, foi definido uma bacia hidrográfica e, através do satélite Sentinel 2, foi selecionada uma imagem com boas condições que abrange toda extensão dessa bacia. Assim, foi criada uma máscara através de um programa de sistema de informação geográfica e estes, imagem e máscara, foram introduzidos em recortes na rede para geração de parâmetros e, então, pode-se avaliar a acurácia e perda do modelo gerado. Como conclusão, foi avaliada como positiva a inserção de inteligência artificial na classificação de imagens de satélite para uso e ocupação do solo, com o modelo apresentando acurácia máxima de até 95%. Palavras-chave: aprendizado profundo; segmentação semântica; uso e ocupação do solo.
publishDate 2020
dc.date.issued.fl_str_mv 2020-12-01
dc.date.accessioned.fl_str_mv 2021-06-14T14:34:59Z
dc.date.available.fl_str_mv 2021-06-14T14:34:59Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv OLIVEIRA, Patrick Ágton de. Deep learning na segmentação automática de imagens de satélite. 2020. 24 f. Trabalho de Conclusão de Curso (Graduação) - Engenharia Agrícola e Ambiental - Universidade Federal de Viçosa, Viçosa. 2020.
dc.identifier.uri.fl_str_mv https://locus.ufv.br//handle/123456789/27878
identifier_str_mv OLIVEIRA, Patrick Ágton de. Deep learning na segmentação automática de imagens de satélite. 2020. 24 f. Trabalho de Conclusão de Curso (Graduação) - Engenharia Agrícola e Ambiental - Universidade Federal de Viçosa, Viçosa. 2020.
url https://locus.ufv.br//handle/123456789/27878
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Viçosa
publisher.none.fl_str_mv Universidade Federal de Viçosa
dc.source.none.fl_str_mv reponame:LOCUS Repositório Institucional da UFV
instname:Universidade Federal de Viçosa (UFV)
instacron:UFV
instname_str Universidade Federal de Viçosa (UFV)
instacron_str UFV
institution UFV
reponame_str LOCUS Repositório Institucional da UFV
collection LOCUS Repositório Institucional da UFV
bitstream.url.fl_str_mv https://locus.ufv.br//bitstream/123456789/27878/1/texto%20completo.pdf
https://locus.ufv.br//bitstream/123456789/27878/2/license.txt
bitstream.checksum.fl_str_mv 0329dbaa58c155f9e8c55edf31f1de7e
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)
repository.mail.fl_str_mv fabiojreis@ufv.br
_version_ 1798053306091700224

Registros relacionados