Deteção Remota de Estruturas Artificiais Permanentes
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/95073 |
Resumo: | Os Incêndios florestais, principalmente em zonas rurais, são uma ameaça muito significativa à qual temos de ter em conta no que toca à proteção de vidas e estruturas. Para uma boa proteção a nível nacional é necessário minimizar o impacto dos incêndios. Esta minimização do risco e do impacto dos incêndios florestais obriga à monitorização das faixas de gestão de combustível (FGC), na envolvente a habitações, estradas nacionais entre outros. Assim, é essencial a identificação das estruturas artificiais permanentes a partir das quais se definem as faixas de gestão de combustível. As cartas existentes que mapeiam estas estruturas possuem uma frequência de geração baixa e a sua resolução poderá não ser adequada para a extração de pequenas estruturas, como pequenos aglomerados ou estradas, que carecem de proteção contra incêndios. Esta investigação pretende então, com base nas imagens dos satélites Sentinel 1 e 2, mapas de elevação de terreno, e dados de referência da carta COS 2015 juntamente com informação OpenStreetMap, recorrer a algoritmos de aprendizagem automática para a deteção de estruturas artificiais permanentes com base nas características de refletância e de índices ao longo do tempo. No final foi concluindo que a utilização de séries temporais e modelos de elevação de terreno, juntamente com o modelo de classificação XGBoost, apresentam os melhores resultados em todas as classificações, classificações estas que possuem uma melhor resolução e deteção de estruturas que os produtos disponíveis estado da arte. Estas classificações possuem também estruturas artificiais permanentes não presentes nos dados de referência. A aplicação desta classificação mais fina beneficia a delimitação das FGC, podendo acelerar o processo de geração e detetar estruturas e aglomerados sem proteção adequada. |
id |
RCAP_6b8590fa2e7eb2e6431ffcf70fbda6a5 |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/95073 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Deteção Remota de Estruturas Artificiais PermanentesAprendizagem automáticadeteção remotasistemas de informação geográficaCORINECopernicusSentinel-1Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaOs Incêndios florestais, principalmente em zonas rurais, são uma ameaça muito significativa à qual temos de ter em conta no que toca à proteção de vidas e estruturas. Para uma boa proteção a nível nacional é necessário minimizar o impacto dos incêndios. Esta minimização do risco e do impacto dos incêndios florestais obriga à monitorização das faixas de gestão de combustível (FGC), na envolvente a habitações, estradas nacionais entre outros. Assim, é essencial a identificação das estruturas artificiais permanentes a partir das quais se definem as faixas de gestão de combustível. As cartas existentes que mapeiam estas estruturas possuem uma frequência de geração baixa e a sua resolução poderá não ser adequada para a extração de pequenas estruturas, como pequenos aglomerados ou estradas, que carecem de proteção contra incêndios. Esta investigação pretende então, com base nas imagens dos satélites Sentinel 1 e 2, mapas de elevação de terreno, e dados de referência da carta COS 2015 juntamente com informação OpenStreetMap, recorrer a algoritmos de aprendizagem automática para a deteção de estruturas artificiais permanentes com base nas características de refletância e de índices ao longo do tempo. No final foi concluindo que a utilização de séries temporais e modelos de elevação de terreno, juntamente com o modelo de classificação XGBoost, apresentam os melhores resultados em todas as classificações, classificações estas que possuem uma melhor resolução e deteção de estruturas que os produtos disponíveis estado da arte. Estas classificações possuem também estruturas artificiais permanentes não presentes nos dados de referência. A aplicação desta classificação mais fina beneficia a delimitação das FGC, podendo acelerar o processo de geração e detetar estruturas e aglomerados sem proteção adequada.Damásio, CarlosPires, JoãoRUNNeves, André Miguel2020-03-26T10:50:36Z2019-1120192019-11-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/95073porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-03-11T04:43:06Zoai:run.unl.pt:10362/95073Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:38:13.046637Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Deteção Remota de Estruturas Artificiais Permanentes |
title |
Deteção Remota de Estruturas Artificiais Permanentes |
spellingShingle |
Deteção Remota de Estruturas Artificiais Permanentes Neves, André Miguel Aprendizagem automática deteção remota sistemas de informação geográfica CORINE Copernicus Sentinel-1 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Deteção Remota de Estruturas Artificiais Permanentes |
title_full |
Deteção Remota de Estruturas Artificiais Permanentes |
title_fullStr |
Deteção Remota de Estruturas Artificiais Permanentes |
title_full_unstemmed |
Deteção Remota de Estruturas Artificiais Permanentes |
title_sort |
Deteção Remota de Estruturas Artificiais Permanentes |
author |
Neves, André Miguel |
author_facet |
Neves, André Miguel |
author_role |
author |
dc.contributor.none.fl_str_mv |
Damásio, Carlos Pires, João RUN |
dc.contributor.author.fl_str_mv |
Neves, André Miguel |
dc.subject.por.fl_str_mv |
Aprendizagem automática deteção remota sistemas de informação geográfica CORINE Copernicus Sentinel-1 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Aprendizagem automática deteção remota sistemas de informação geográfica CORINE Copernicus Sentinel-1 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
Os Incêndios florestais, principalmente em zonas rurais, são uma ameaça muito significativa à qual temos de ter em conta no que toca à proteção de vidas e estruturas. Para uma boa proteção a nível nacional é necessário minimizar o impacto dos incêndios. Esta minimização do risco e do impacto dos incêndios florestais obriga à monitorização das faixas de gestão de combustível (FGC), na envolvente a habitações, estradas nacionais entre outros. Assim, é essencial a identificação das estruturas artificiais permanentes a partir das quais se definem as faixas de gestão de combustível. As cartas existentes que mapeiam estas estruturas possuem uma frequência de geração baixa e a sua resolução poderá não ser adequada para a extração de pequenas estruturas, como pequenos aglomerados ou estradas, que carecem de proteção contra incêndios. Esta investigação pretende então, com base nas imagens dos satélites Sentinel 1 e 2, mapas de elevação de terreno, e dados de referência da carta COS 2015 juntamente com informação OpenStreetMap, recorrer a algoritmos de aprendizagem automática para a deteção de estruturas artificiais permanentes com base nas características de refletância e de índices ao longo do tempo. No final foi concluindo que a utilização de séries temporais e modelos de elevação de terreno, juntamente com o modelo de classificação XGBoost, apresentam os melhores resultados em todas as classificações, classificações estas que possuem uma melhor resolução e deteção de estruturas que os produtos disponíveis estado da arte. Estas classificações possuem também estruturas artificiais permanentes não presentes nos dados de referência. A aplicação desta classificação mais fina beneficia a delimitação das FGC, podendo acelerar o processo de geração e detetar estruturas e aglomerados sem proteção adequada. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-11 2019 2019-11-01T00:00:00Z 2020-03-26T10:50:36Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10362/95073 |
url |
http://hdl.handle.net/10362/95073 |
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.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799137998828208128 |