Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFAM |
Texto Completo: | https://tede.ufam.edu.br/handle/tede/8028 |
Resumo: | Neste trabalho propomos a utilização de redes neurais convolucionais para segmentação de áreas desmatadas na região do sul da Amazônia Legal em imagens de satélite Landsat-8. Para realização deste trabalho foi construído um banco de imagens mosaico, composto por amostras de áreas desmatadas e áreas de floresta extraídas das imagens de satélite Landsat- 8, identificando as áreas desmatadas através da utilização dos dados de desmatamento do projeto PRODES do INPE. As arquiteturas de redes convolucionais utilizadas foram as propostas no trabalho de Serrão et al. (2020) e de Miyagawa et al. (2018). O treinamento das redes foi realizado com 32 épocas utilizando métodos de otimização SGDM, RMSProp e ADAM e os métodos de regularização L2 e Dropout. Combinando as três arquiteturas com esses métodos, totalizaram 36 simulações. Para avaliar o desempenho das arquiteturas para segmentação das áreas desmatadas, permitindo uma comparação entre os modelos, foi escolhida a métrica acurácia. Após a avaliação do desempenho dos modelos no conjunto de validação, seis deles foram selecionados para serem avaliados com o conjunto de teste. O modelo que apresentou o melhor resultado, uma acurácia de 99.97%, foi o que utilizou a seguinte combinação: CNN2 + RMSProp + Dropout. O resultado deste trabalho foi comparado com os resultados dos trabalhos de Ortega et al. (2019), Adarme et al. (2020) e De Bem et al. (2020) tendo obtido resultados superiores àqueles obtidos por esses autores. Os resultados mostraram que as redes neurais convolucionais são capazes de realizar com alto desempenho a tarefa de segmentação de áreas desmatadas |
id |
UFAM_81f09d5cd4aeb01edeee036935fb9770 |
---|---|
oai_identifier_str |
oai:https://tede.ufam.edu.br/handle/:tede/8028 |
network_acronym_str |
UFAM |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository_id_str |
6592 |
spelling |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia LegalRedes neurais (Computação)Algoritmos computacionaisSatélite Landsat-8Segmentação de áreas desmatadasAmazônia LegalENGENHARIASÁreas DesmatadasRedes Neurais ConvolucionaisImagem-MosaicoLandsat-8SegmentaçãoAlgoritmos de otimizaçãoTécnicas de regularizaçãoNeste trabalho propomos a utilização de redes neurais convolucionais para segmentação de áreas desmatadas na região do sul da Amazônia Legal em imagens de satélite Landsat-8. Para realização deste trabalho foi construído um banco de imagens mosaico, composto por amostras de áreas desmatadas e áreas de floresta extraídas das imagens de satélite Landsat- 8, identificando as áreas desmatadas através da utilização dos dados de desmatamento do projeto PRODES do INPE. As arquiteturas de redes convolucionais utilizadas foram as propostas no trabalho de Serrão et al. (2020) e de Miyagawa et al. (2018). O treinamento das redes foi realizado com 32 épocas utilizando métodos de otimização SGDM, RMSProp e ADAM e os métodos de regularização L2 e Dropout. Combinando as três arquiteturas com esses métodos, totalizaram 36 simulações. Para avaliar o desempenho das arquiteturas para segmentação das áreas desmatadas, permitindo uma comparação entre os modelos, foi escolhida a métrica acurácia. Após a avaliação do desempenho dos modelos no conjunto de validação, seis deles foram selecionados para serem avaliados com o conjunto de teste. O modelo que apresentou o melhor resultado, uma acurácia de 99.97%, foi o que utilizou a seguinte combinação: CNN2 + RMSProp + Dropout. O resultado deste trabalho foi comparado com os resultados dos trabalhos de Ortega et al. (2019), Adarme et al. (2020) e De Bem et al. (2020) tendo obtido resultados superiores àqueles obtidos por esses autores. Os resultados mostraram que as redes neurais convolucionais são capazes de realizar com alto desempenho a tarefa de segmentação de áreas desmatadasIn this work, we propose the evaluation of convolutional neural networks architectures to segment deforested areas in the southern region of the Brazilian Legal Amazon, using Landsat-8 satellite images. In order to carry out this work, a mosaic image data set was elaborated, consisting of samples of deforested areas and forest areas extracted from the Landsat-8 satellite images. The deforested areas were identified through the use of deforestation data from the PRODES project at INPE. The architectures of convolutional networks used in our research were those proposed in the work of Serrão et al. (2020) and Miyagawa et al. (2018). The training of the networks was carried out over 32 epochs using SGDM, RMSProp and ADAM optimization methods and the L2 and Dropout regularization methods. The combining of the three architectures with these methods, resulting in 36 simulations. To measure the performance of the architectures for segmented deforested region, allowing a comparison between the models, the accuracy metric was chosen. After evaluating the performance of the models in the validation set, six of them were selected to be evaluated with the test set. The model that presented the best result, with an accuracy of 99.97%, was the one that used the following combination: CNN2 + RMSProp + Dropout. The results of this work were compared with the results of the work of Ortega et al. (2019), Adarme et al. (2020) and De Bem et al. (2020). Our work obtained results best perfomance that the results obtained by these authors. The results showed that the convolutional neural networks are capable of performing the task of classifying deforested areas with high performance.Universidade Federal do AmazonasFaculdade de TecnologiaBrasilUFAMPrograma de Pós-graduação em Engenharia ElétricaCosta Filho, Cícero Ferreira Fernandeshttp://lattes.cnpq.br/3029011770761387Pereira, José Raimundo Gomeshttp://lattes.cnpq.br/3697983438100904Xavier, Clahildek Matoshttp://lattes.cnpq.br/6870670168555921Costa, Fernanda Caetanohttp://lattes.cnpq.br/11809700547018142020-12-01T21:25:03Z2020-11-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCOSTA, Fernanda Caetano. Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal. 2020. 89 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2020.https://tede.ufam.edu.br/handle/tede/8028porhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2020-12-02T05:03:48Zoai:https://tede.ufam.edu.br/handle/:tede/8028Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922020-12-02T05:03:48Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal |
title |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal |
spellingShingle |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal Costa, Fernanda Caetano Redes neurais (Computação) Algoritmos computacionais Satélite Landsat-8 Segmentação de áreas desmatadas Amazônia Legal ENGENHARIAS Áreas Desmatadas Redes Neurais Convolucionais Imagem-Mosaico Landsat-8 Segmentação Algoritmos de otimização Técnicas de regularização |
title_short |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal |
title_full |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal |
title_fullStr |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal |
title_full_unstemmed |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal |
title_sort |
Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal |
author |
Costa, Fernanda Caetano |
author_facet |
Costa, Fernanda Caetano http://lattes.cnpq.br/1180970054701814 |
author_role |
author |
author2 |
http://lattes.cnpq.br/1180970054701814 |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Costa Filho, Cícero Ferreira Fernandes http://lattes.cnpq.br/3029011770761387 Pereira, José Raimundo Gomes http://lattes.cnpq.br/3697983438100904 Xavier, Clahildek Matos http://lattes.cnpq.br/6870670168555921 |
dc.contributor.author.fl_str_mv |
Costa, Fernanda Caetano http://lattes.cnpq.br/1180970054701814 |
dc.subject.por.fl_str_mv |
Redes neurais (Computação) Algoritmos computacionais Satélite Landsat-8 Segmentação de áreas desmatadas Amazônia Legal ENGENHARIAS Áreas Desmatadas Redes Neurais Convolucionais Imagem-Mosaico Landsat-8 Segmentação Algoritmos de otimização Técnicas de regularização |
topic |
Redes neurais (Computação) Algoritmos computacionais Satélite Landsat-8 Segmentação de áreas desmatadas Amazônia Legal ENGENHARIAS Áreas Desmatadas Redes Neurais Convolucionais Imagem-Mosaico Landsat-8 Segmentação Algoritmos de otimização Técnicas de regularização |
description |
Neste trabalho propomos a utilização de redes neurais convolucionais para segmentação de áreas desmatadas na região do sul da Amazônia Legal em imagens de satélite Landsat-8. Para realização deste trabalho foi construído um banco de imagens mosaico, composto por amostras de áreas desmatadas e áreas de floresta extraídas das imagens de satélite Landsat- 8, identificando as áreas desmatadas através da utilização dos dados de desmatamento do projeto PRODES do INPE. As arquiteturas de redes convolucionais utilizadas foram as propostas no trabalho de Serrão et al. (2020) e de Miyagawa et al. (2018). O treinamento das redes foi realizado com 32 épocas utilizando métodos de otimização SGDM, RMSProp e ADAM e os métodos de regularização L2 e Dropout. Combinando as três arquiteturas com esses métodos, totalizaram 36 simulações. Para avaliar o desempenho das arquiteturas para segmentação das áreas desmatadas, permitindo uma comparação entre os modelos, foi escolhida a métrica acurácia. Após a avaliação do desempenho dos modelos no conjunto de validação, seis deles foram selecionados para serem avaliados com o conjunto de teste. O modelo que apresentou o melhor resultado, uma acurácia de 99.97%, foi o que utilizou a seguinte combinação: CNN2 + RMSProp + Dropout. O resultado deste trabalho foi comparado com os resultados dos trabalhos de Ortega et al. (2019), Adarme et al. (2020) e De Bem et al. (2020) tendo obtido resultados superiores àqueles obtidos por esses autores. Os resultados mostraram que as redes neurais convolucionais são capazes de realizar com alto desempenho a tarefa de segmentação de áreas desmatadas |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-01T21:25:03Z 2020-11-10 |
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 |
COSTA, Fernanda Caetano. Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal. 2020. 89 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2020. https://tede.ufam.edu.br/handle/tede/8028 |
identifier_str_mv |
COSTA, Fernanda Caetano. Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal. 2020. 89 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2020. |
url |
https://tede.ufam.edu.br/handle/tede/8028 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
collection |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
ddbc@ufam.edu.br||ddbc@ufam.edu.br |
_version_ |
1809732041812475904 |