Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem

Detalhes bibliográficos
Autor(a) principal: Bueno, Luis Fernando
Data de Publicação: 2016
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/44459
Resumo: Orientador : Prof. Dr. Tony Vinicius Moreira Sampaio
id UFPR_449e8f44f57043c51040ef34c5150580
oai_identifier_str oai:acervodigital.ufpr.br:1884/44459
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em GeografiaSampaio, Tony Vinicius Moreira, 1969-Bueno, Luis Fernando2024-04-01T19:21:50Z2024-04-01T19:21:50Z2016https://hdl.handle.net/1884/44459Orientador : Prof. Dr. Tony Vinicius Moreira SampaioTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Geografia. Defesa: Curitiba, 11/08/2016Inclui referências : fls. 133-148Resumo: Mapeamentos das redes de drenagens vem sendo conduzidos, inicialmente a partir de interpretação visual de imagens, depois com auxilio de algoritmos para extração automática. Em detrimento da melhora na resolução espacial das imagens e na variedade dos algoritmos disponíveis, cada um deles com estratégia diferente para a geração dos canais de drenagem, a acurácia dos mapeamentos ainda e um problema recorrente. Nesta pesquisa avaliou-se o potencial de aplicação de técnicas de inteligência artificial no processo de extração automática de redes de drenagem, visando melhorar acurácia do mapeamento. Um banco de dados espaciais foi construído, e reuniu dados oriundos do Modelo Digital de Elevação - MDE, parâmetros morfométricos, imagens SAR e SPOT 5, geologia, geomorfologia, hidrogeologia e solo. Uma Rede Neural Artificial - RNA foi criada para classificar amostras nas classes drenagem e não drenagem. A RNA, do tipo perceptron multicamadas com algoritmo de retropropagação de erros (backpropagation), foi definida com uma camada de entrada com 42 neurônios (quando usadas todas as variáveis possíveis), três camadas escondidas com 119 neurônios e uma camada de saída. A rede foi treinada a partir de quatro conjuntos de dados, e os testes realizados a partir de outros 16 conjuntos distintos de testes contendo amostras diferentes daquelas usadas no treinamento. Percebeu-se que a RNA foi mais eficiente na classificação dos conjuntos de dados com pixel de 2,5 metros, quando foram usadas na camada de entrada da rede todas as variáveis disponíveis e a camada de saída continha apenas duas classes (drenagem e não drenagem). Neste caso, a acurácia total ficou sempre acima de 68%. Foram identificados canais de primeira ordem que não constavam na base cartográfica de referencia. A melhoria da acurácia temática e da completude foi observada, atestando que mineração de dados e RNA podem efetivamente contribuir na melhoria dos mapeamentos.Abstract: Mapping of drainage networks have been performed using visual interpretation of images, at first, then with the assist of automatic extraction algorithms. The limitation of spatial resolution of the available images and the diversity of available algorithms with different approaches in generating drainage channels, the accuracy level of this kind of mapping is still a frequent problem. This research evaluated the potential application of artificial intelligence techniques in auto-extracting process of drainage networks, in order to improve the mapping accuracy. A spatial database was built using data from: the Digital Elevation Model - DEM, morphometric parameters, SAR and SPOT 5 images, geology, geomorphology, hydrogeology and soil. An Artificial Neural Network - ANN was created to classify samples in classes of drainage and non-drainage. The multilayer perceptron ANN, with error back propagation algorithm, was set with one input layer with 42 neurons (when all possible variables were used), three hidden layers of 119 neurons and an output layer. The network was trained from four datasets, and tests from 16 other distinct sets of tests with different samples from those used in training. The ANN was more efficient in classification of datasets with 2.5 meters pixels when all available variables were used in the network's input layer and the output layer had only two classes (drainage and non-drainage). Following this scenario, the overall accuracy has been always above 68%. First order draining channels were identified where nothing was described in the base map reference. The improvement of thematic accuracy was observed, confirming data mining and RNA as an effective way to contribute to the improvement of this sort of mapping.148 f. : il. algumas color.application/pdfDisponível em formato digitalGeografiaÁguas subterrâneas - EscoamentoRedes neurais (Computação)Mineração de dados (Computação)Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenageminfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - LUIS FERNANDO BUENO.pdfapplication/pdf9081985https://acervodigital.ufpr.br/bitstream/1884/44459/1/R%20-%20T%20-%20LUIS%20FERNANDO%20BUENO.pdf2eb4e71afb245d17beb38bba393d1e85MD51open accessTEXTR - T - LUIS FERNANDO BUENO.pdf.txtExtracted Texttext/plain256535https://acervodigital.ufpr.br/bitstream/1884/44459/2/R%20-%20T%20-%20LUIS%20FERNANDO%20BUENO.pdf.txt9f939fbdd0a70ab34ef577011a461ae5MD52open accessTHUMBNAILR - T - LUIS FERNANDO BUENO.pdf.jpgGenerated Thumbnailimage/jpeg1123https://acervodigital.ufpr.br/bitstream/1884/44459/3/R%20-%20T%20-%20LUIS%20FERNANDO%20BUENO.pdf.jpgfec51a8200067a1b48d36f93aedbd7fcMD53open access1884/444592024-04-01 16:21:51.007open accessoai:acervodigital.ufpr.br:1884/44459Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-04-01T19:21:51Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem
title Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem
spellingShingle Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem
Bueno, Luis Fernando
Geografia
Águas subterrâneas - Escoamento
Redes neurais (Computação)
Mineração de dados (Computação)
title_short Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem
title_full Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem
title_fullStr Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem
title_full_unstemmed Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem
title_sort Inteligência artificial aplicada à melhoria da acurácia do mapeamento de redes de drenagem
author Bueno, Luis Fernando
author_facet Bueno, Luis Fernando
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Geografia
dc.contributor.advisor1.fl_str_mv Sampaio, Tony Vinicius Moreira, 1969-
dc.contributor.author.fl_str_mv Bueno, Luis Fernando
contributor_str_mv Sampaio, Tony Vinicius Moreira, 1969-
dc.subject.por.fl_str_mv Geografia
Águas subterrâneas - Escoamento
Redes neurais (Computação)
Mineração de dados (Computação)
topic Geografia
Águas subterrâneas - Escoamento
Redes neurais (Computação)
Mineração de dados (Computação)
description Orientador : Prof. Dr. Tony Vinicius Moreira Sampaio
publishDate 2016
dc.date.issued.fl_str_mv 2016
dc.date.accessioned.fl_str_mv 2024-04-01T19:21:50Z
dc.date.available.fl_str_mv 2024-04-01T19:21:50Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/44459
url https://hdl.handle.net/1884/44459
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 148 f. : il. algumas color.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/44459/1/R%20-%20T%20-%20LUIS%20FERNANDO%20BUENO.pdf
https://acervodigital.ufpr.br/bitstream/1884/44459/2/R%20-%20T%20-%20LUIS%20FERNANDO%20BUENO.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/44459/3/R%20-%20T%20-%20LUIS%20FERNANDO%20BUENO.pdf.jpg
bitstream.checksum.fl_str_mv 2eb4e71afb245d17beb38bba393d1e85
9f939fbdd0a70ab34ef577011a461ae5
fec51a8200067a1b48d36f93aedbd7fc
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1813898840764317696

Registros relacionados