Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca
| Autor(a) principal: | |
|---|---|
| Data de Publicação: | 2022 |
| Tipo de documento: | Tese |
| Idioma: | por |
| Título da fonte: | Repositório Institucional da UFRRJ |
| Texto Completo: | https://rima.ufrrj.br/jspui/handle/20.500.14407/15770 |
Resumo: | O Parque Nacional da Tijuca (PNT) localiza-se na zona urbana do município do Rio de Janeiro, no Estado do Rio de Janeiro, sendo importante fragmento do domínio da Mata Atlântica, coberto por floresta ombrófila densa secundária em avançado estágio de regeneração. O PNT possui 3.953 ha e está inserido na maior floresta urbana do mundo, presta diversos serviços ambientais tais como: proteção do solo ao evitar erosão e captura de carbono por desmatamento evitado, além de ser importante área para pesquisas ambientais. O PNT é divido em quatro setores: Setor Floresta da Tijuca, Pedra Bonita/Pedra da Gávea, Pretos Forros/Covanca e Serra da Carioca. Para o estudo foi usado o recorte de uma cena, de uma imagem hiperespectral do sensor Hyperion sobre o setor Serra da Carioca e uma área urbana sobre o bairro de Botafogo, de forma a caracterizar as coberturas florestais e urbanas, objetos da pesquisa. As técnicas de Sensoriamento Remoto (SR) são importantes ferramentas para classificação da cobertura e uso da terra em locais de acesso restrito como o PNT. Técnicas de SR usando assinaturas espectrais obtidas de imagens hiperespectarais são promissoras para classificação da cobertura e uso da terra. Este estudo teve como objetivo aplicar metodologia baseada em Redes Neurais Convolucionais (RNCs) e algoritmos de aprendizagem profunda na implementação de modelo computacional para classificação de imagens hiperespectrais, por reconhecimento de padrões para mapeamento da cobertura e uso da terra. O mapa de referência foi obtido usando o método de extração de características baseado em objeto, corrigido manualmente para as classes adequadas. Deste mapa foram extraídas e anotadas 1200 assinaturas espectrais para criar o conjunto de dados, das quais 700 assinaturas foram usadas no conjunto de treinamento e validação, sendo este subdivido igualmente entre as classes floresta e urbano do estudo, por fim 500 assinaturas foram utilizadas como conjunto de teste. Foram utilizadas duas cenas de imagens hiperespectrais do sensor Hyperion a bordo do satélite Earth Observing-1 (EO-1), lançado em novembro de 2000 como parte do projeto NASA's New Millennium Program (NMP) da Agência Espacial Norte-americana (do inglês NASA Nacional Aeronautics and Space Administration). As imagens passaram pelas seguintes correções: remoção de bandas anômalas, correção atmosférica, correção geométrica, redução de ruídos e por fim foram normalizadas. O conjunto de dados de teste foi submetido às abordagens das RNCs, com e sem aumento de dados, e os resultados comparados com o mapa de referência. O desempenho dos modelos foi avaliado pelo F- score, a acurácia, a precisão, a revocação ou sensibilidade e a matriz de confusão. As análises dos resultados com as configurações usadas nas RNCs mostraram que o emprego da abordagem sem aumento de dados alcançou 0,88 de acurácia enquanto que a abordagem com aumento de dados alcançou 0,92 de acurácia, além de contornar o problema de sobre ajuste ocorrido na configuração da RNC sem aumento de dados. Logo, pode-se concluir que o emprego de RNCs e algoritmos de aprendizado profundo na classificação de imagens hiperespectrais podem ser amplamente utilizados no mapeamento da cobertura e uso da terra com a finalidade de monitoramento de ocupações desordenadas da terra. |
| id |
UFRRJ-1_6b8ec393ae4daccf46317b632c536a7c |
|---|---|
| oai_identifier_str |
oai:rima.ufrrj.br:20.500.14407/15770 |
| network_acronym_str |
UFRRJ-1 |
| network_name_str |
Repositório Institucional da UFRRJ |
| repository_id_str |
|
| spelling |
Vale, Italo Guimarães doSanchez Delgado, Angel Ramon052.598.857-24http://lattes.cnpq.br/2933812315339699Silva, Robson Mariano da785.917.837-00http://lattes.cnpq.br/9019994973988827Sanchez Delgado, Angel Ramon052.598.857-24http://lattes.cnpq.br/2933812315339699Sousa, Gustavo Mota dehttps://orcid.org/0000-0002-5932-8153http://lattes.cnpq.br/3554715201484937Cruz, Marcelo Dibhttps://orcid.org/0000-0002-0380-144Xhttp://lattes.cnpq.br/7385995443437070Pinto, Jose Wilson Coura073.008.467-18http://lattes.cnpq.br/0431627623206228Oliveira, Francisco Bruno Souza037.330.467-65https://orcid.org/0000-0002-9847-7290http://lattes.cnpq.br/0087804302005744108.476.647-75https://orcid.org/0000-0002-3964-209Xhttp://lattes.cnpq.br/86599743409826842024-01-22T15:55:01Z2024-01-22T15:55:01Z2022-02-16https://rima.ufrrj.br/jspui/handle/20.500.14407/15770O Parque Nacional da Tijuca (PNT) localiza-se na zona urbana do município do Rio de Janeiro, no Estado do Rio de Janeiro, sendo importante fragmento do domínio da Mata Atlântica, coberto por floresta ombrófila densa secundária em avançado estágio de regeneração. O PNT possui 3.953 ha e está inserido na maior floresta urbana do mundo, presta diversos serviços ambientais tais como: proteção do solo ao evitar erosão e captura de carbono por desmatamento evitado, além de ser importante área para pesquisas ambientais. O PNT é divido em quatro setores: Setor Floresta da Tijuca, Pedra Bonita/Pedra da Gávea, Pretos Forros/Covanca e Serra da Carioca. Para o estudo foi usado o recorte de uma cena, de uma imagem hiperespectral do sensor Hyperion sobre o setor Serra da Carioca e uma área urbana sobre o bairro de Botafogo, de forma a caracterizar as coberturas florestais e urbanas, objetos da pesquisa. As técnicas de Sensoriamento Remoto (SR) são importantes ferramentas para classificação da cobertura e uso da terra em locais de acesso restrito como o PNT. Técnicas de SR usando assinaturas espectrais obtidas de imagens hiperespectarais são promissoras para classificação da cobertura e uso da terra. Este estudo teve como objetivo aplicar metodologia baseada em Redes Neurais Convolucionais (RNCs) e algoritmos de aprendizagem profunda na implementação de modelo computacional para classificação de imagens hiperespectrais, por reconhecimento de padrões para mapeamento da cobertura e uso da terra. O mapa de referência foi obtido usando o método de extração de características baseado em objeto, corrigido manualmente para as classes adequadas. Deste mapa foram extraídas e anotadas 1200 assinaturas espectrais para criar o conjunto de dados, das quais 700 assinaturas foram usadas no conjunto de treinamento e validação, sendo este subdivido igualmente entre as classes floresta e urbano do estudo, por fim 500 assinaturas foram utilizadas como conjunto de teste. Foram utilizadas duas cenas de imagens hiperespectrais do sensor Hyperion a bordo do satélite Earth Observing-1 (EO-1), lançado em novembro de 2000 como parte do projeto NASA's New Millennium Program (NMP) da Agência Espacial Norte-americana (do inglês NASA Nacional Aeronautics and Space Administration). As imagens passaram pelas seguintes correções: remoção de bandas anômalas, correção atmosférica, correção geométrica, redução de ruídos e por fim foram normalizadas. O conjunto de dados de teste foi submetido às abordagens das RNCs, com e sem aumento de dados, e os resultados comparados com o mapa de referência. O desempenho dos modelos foi avaliado pelo F- score, a acurácia, a precisão, a revocação ou sensibilidade e a matriz de confusão. As análises dos resultados com as configurações usadas nas RNCs mostraram que o emprego da abordagem sem aumento de dados alcançou 0,88 de acurácia enquanto que a abordagem com aumento de dados alcançou 0,92 de acurácia, além de contornar o problema de sobre ajuste ocorrido na configuração da RNC sem aumento de dados. Logo, pode-se concluir que o emprego de RNCs e algoritmos de aprendizado profundo na classificação de imagens hiperespectrais podem ser amplamente utilizados no mapeamento da cobertura e uso da terra com a finalidade de monitoramento de ocupações desordenadas da terra.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESTijuca National Park (TNP) is located in the urban area of the Rio de Janeiro city, State of Rio de Janeiro, being an important fragment of the Atlantic Forest domain, covered by a dense secondary rain forest in an advanced stage of regeneration. It has 3,953 ha and is inserted in the largest urban forest in the world, providing various environmental services such as soil protection by avoided erosion and carbon capture by avoided deforestation, in addition to being an important area for environmental research. The TNP is divided into four sectors: Tijuca Forest Sector, Pedra Bonita / Pedra da Gávea, Pretos Forros/Covanca and Serra da Carioca. For this study, a cutout of a scene was used, of a hyperspectral image of the Hyperion sensor over the Serra da Carioca sector and an urban area over the Botafogo neighborhood, seeking to characterize the forest and urban coverings, objects of the research. Remote Sensing (RS) techniques are important tools for classifying land cover and use in places with restricted access such as the TNP. RS techniques using spectral signatures obtained from hyperspectral images are promising for classification of coverage and land use. This study aimed to: Apply a methodology based on Convolutional Neural Networks (CNN) and deep learning algorithms in the implementation of a computational model for classifying hyperspectral images by pattern recognition for coverage mapping and land use. The reference map was obtained using the object-based feature extraction method and then manually corrected for the appropriate classes, from this map 1200 spectral signatures were extracted and annotated to create the data set, of these 700 spectral signatures were used in the set of training and validation, which is subdivided equally between the forest and urban classes covered in the study, finally 500 signatures were used as a test set. Two scenes of hyperspectral images of the Hyperion sensor were used on board the Earth Observing-1 (EO-1), satellite launched in November 2000 as part of the NASA's New Millennium Program (NMP) project by the North American Space Agency (NASA). The images went through the following corrections: removal of anomalous bands, atmospheric correction, geometric correction, noise reduction and finally they were normalized. The test data set was subjected to the approaches of the CNNs with and without data increase and the results were compared with the reference map. The performance of the models was assessed using the F-score, accuracy, precision, recall or sensitivity and the confusion matrix. Preliminary analyzes of the results achieved by the configurations used in the CNNs showed that the use of the approach without increasing data reached 0.88 accuracy while the approach with increasing data reached 0.92 accuracy, in addition to circumventing the problem of overfitting occurred in the configuration of the CNN without increasing data. Therefore, it can be concluded that the use of CNNs and deep learning algorithms in the classification of hyperspectral images can be widely used in the mapping of land cover and use for the purpose of monitoring disordered land occupations.porUniversidade Federal Rural do Rio de JaneiroPrograma de Pós-Graduação em Ciência, Tecnologia e Inovação em AgropecuáriaUFRRJBrasilPró-Reitoria de Pesquisa e Pós-GraduaçãoEngenharia AgrícolaImagens hiperespectrais (IHS)Redes Neurais Convolucionais (RNCs)Reconhecimento de PadrõesHyperspectral images (HSI)Convolutional Neural Networks (CNNs)Pattern RecognitionClassificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da TijucaClassification of hyperespectral images using convolutional neural networks to characterization of disorganized soil occupation on a section of Tijuca National Parkinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisAGOSTINELLI, F; HOFFMAN, M. Aprender funções de ativação para melhorar redes neurais profundas. pré-impressão arXiv: 1412.6830 , 2014. ALBERT, A; KAUR, J; GONZALEZ, M. C. Using convolutional networks and satellite imagery to identify patterns in urban environments at a large scale. In Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 1357-1366), 2017. ALPAYDIN, E. Introduction to Machine Learning. MIT press, 2020. ANDERSON, J. R. A land use and land cover classification system for use with remote sensor data. US Government Printing Office, 1976. ANDERSON, J. R. Land-use classification schemes. Photogrammetric Engineering, 1971. ANNALA, L.; ESKELINEN, M.; HÄMÄLÄINEN, J.; RIIHINEN, A.; PÖLÖNEN, I. Practical approach for hyperspectral image processing in python. In International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. International Society for Photogrammetry and Remote Sensing. (Vol. 42, No. 3), 2018. ATLÂNTICA, SOS Mata. Fundação SOS Mata Atlântica e Instituto Nacional de Pesquisas Espaciais. Atlas da Mata Atlântica. São Paulo, 2009. AUDEBERT, N; LE SAUX, B; LEFÈVRE, S. Deep learning for classification of hyperspectral data: A comparative review. IEEE geoscience and remote sensing magazine, 7(2), 159-173, 2019. BENGIO, Y. Learning Deep Architectures for AI. Now Publishers Inc, 2009. BENMERGUI, L; GONÇALVES, R. S. Urbanismo Miliciano in Rio de Janeiro: Rio de Janeiro’s poor communities face increasing vulnerability as armed groups expand control of entire neighborhoods, operating illicit businesses from protection rackets to real estate, with dire consequences for local residents living under a violent parallel state. NACLA Report on the Americas, 51(4), 379-385, 2019 SVENSÉN, M; BISHOP, C. Pattern recognition and machine learning. Springer, 2006. BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDEMIR, T. B. Redes Neurais Artificiais - Teoria e Aplicações. Ed. 2, p. 225, 2012. CARLEO, G.; CIRAC, I.; CRANMER, K.; DAUDET, L.; SCHULD, M.; TISHBY; N.; ZDEBOROVÁ, L . Machine learning and the physical sciences. Reviews of Modern Physics, v. 91, n. 4, p. 045002, 2019. CHANG, C. I. An information-theoretic approach to spectral variability, similarity, and discrimination for hyperspectral image analysis. IEEE Transactions on information theory, v. 46, n. 5, p. 1927-1932, 2000. 48 CHEN, Y.; ZHU, K.; ZHU, L.; HE, X.; GHAMISI, P.; BENEDIKTSSON, J. A. Automatic design of convolutional neural network for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 57(9), 2019. COLAÇO, D. F.; DE ALEXANDRIA, A. R.; CORTEZ, P. C.; FROTA, J. B. B; DE LIMA, J. N.; CALAZANS, A. E. A. L.; FAÇANHA, F. A. Sistema de Monitoramento de Chaves Seccionadoras por Visão Computacional e Redes Neurais Artificiais para Suporte ao Sistema de Controle Supervisório da CHESF. In IV Eletrical Energy Technological Innovation Conference, ANEEL, 2007. COMITAS. Glossário de Termos Oficiais de Teledetecção Aeroespacial, Boletim da Sociedade Francesa de Fotogrametria e Sensoriamento Remoto. v.112, pag. 1-63, 1988. COSTA, N. M. C.; COSTA, V. C.; VALIM, C. B.; DE SOUZA, A. C. C. C.; DE GOIS SALES, A. C. Significado e importância da Zona de Amortecimento de Unidades de Conservação Urbanas: O exemplo do entorno das áreas legalmente protegidas da cidade do Rio de Janeiro. Geo Uerj, 1(17), 95-104, 2007. CRISPIN, D. L.; DE ANDRADE, S. O.; DE MENESES, J. A. D.; CHAVES, A. D. C. G; BBORGES, M. D. G. B. . Impactos ambientais decorrentes do uso e ocupação desordenada do espaço urbano: um estudo de caso da cidade de Baixio/CE. Revista Verde de Agroecologia e Desenvolvimento Sustentável, v. 9, n. 4, p. 44-49, 2014. CRÓSTA A.P.; ALMEIDA T.I.R.; PARADELLA W.R.; SILVA S.M.P.; MENESES P.R. Sensoriamento remoto em exploração mineral no Brasil. Recursos Minerais no Brasil – Problemas e Desafios. Rio de Janeiro, Academia Brasileira de Ciências, p.190-207. CRUZ, C. B. M.; ROSÁRIO, L. D.; ABREU, M. D., ALMEIDA, P. D.; VICENS, R. S.; CRONEMBERGUER, F. Classificação Orientada a Objetos na Geração do Mapa de Uso e Cobertura da Terra do estado do Rio de Janeiro. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30, 2009. DA PAZ, S. E. T.; DOS SANTOS RODRIGUES, F.; JÚNIOR, S. S. T. Dinâmica da cobertura e uso da terra em Pacaraima–Roraima. Brazilian Journal of Development, 7(4), 38347- 38368, 2021. DATT, B.; MCVICAR, T. R.; VAN NIEL, T. G.; JUPP, D. L.; PEARLMAN, J. S. Preprocessing EO-1 Hyperion hyperspectral data to support the application of agricultural indexes. IEEE Transactions on Geoscience and Remote Sensing, v. 41, n. 6, p. 1246-1259, 2003. DEMUTH, H. B.; BEALE, M. H.; DE JESS, O.; HAGAN, M. T. Neural network design. 2014. DEVRIES, T.; TAYLOR, G. W. Dataset augmentation in feature space. arXiv preprint arXiv:1702.05538. 2017. DI GREGORIO, A. Land cover classification system: classification concepts and user manual: LCCS. Food & Agriculture Org., 2005. 49 EMPRESA BRASILEIRA DE PESQUIA AGROPECUÁRIA - EMBRAPA. Programa Nacional de Solos do Brasil (PronaSolos). Disponível em https://www.embrapa.br/pronasolos/sobre-o-programa. Acesso em dezembro de 2020. FIGUEIREDO, D. Conceitos Básicos de Sensoriamento Remoto. São Paulo, 2005. FLACH, P; KULL, M. Precision-recall-gain curves: PR analysis done right. In: Advances in neural information processing systems. p. 838-846. 2015. GOETZ, A. F. H.; SOLOMON, G V J E.; ROCK, B. N. Imaging spectrometry for earth remote sensing. Science, v. 228, n. 4704, p. 1147-1152, 1985. GOODFELLOW, I. J.; BENGIO, Y.; COURVILLE, A. Deep Learning Book. An MIT Press book in preparation. Draft chapters available at http://www. iro. umontreal. ca/∼ bengioy/dlbook, 2015. GOUTTE, C.; GAUSSIER, E. A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. In: European conference on information retrieval. Springer, Berlin, Heidelberg. p. 345-359. 2005 GRIFFIN, M. K.; HSU, S. M.; BURKE, H. H. K., ORLOFF, S. M.; UPHAM, C. A. Examples of EO-1 Hyperion data analysis. MASSACHUSETTS INST OF TECH LEXINGTON LINCOLN LAB, 2005. GUIDICI, D.; CLARK, M. L. One-Dimensional convolutional neural network land-cover classification of multi-seasonal hyperspectral imagery in the San Francisco Bay Area, California. Remote Sensing, v. 9, n. 6, p. 629, 2017. HARTEMINK, A.; MCBRATNEY, A. B. A soil science renaissance. Geoderma, v. 148, n. 2, p. 123-129, 2008. HAYKIN, S. Redes Neurais Princípios e Pratica Ed. 2, p. 902, 2001. HERMANN, J. M.; LANG, M.; GONÇALVES, J.; HASENACK, H. Forest–grassland biodiversity hotspot under siege: land conversion counteracts nature conservation. Ecosystem Health and Sustainability, v. 2, n. 6, 2016. ICMBIO-INSTITUTO CHICO MENDES PARA A CONSERVAÇÃO DA BIODIVERSIDADE. Plano de Manejo: Parque Nacional da Tijuca. 2008. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE. Monitoramento da cobertura e uso da terra do Brasil: 2016 - 2018, 2014. IWAI, O. K.; QUINTANILHA, J. A. Utilização de imagens de satélite como ferramenta de auxilio ao planejamento urbano. Revista de Geografía Norte Grande, v. 34, p. 65-82, 2005. JIANG, W.; ZHANG, K.; WANG, N.; YU, M. MeshCut data augmentation for deep learning in computer vision. PLoS One, v. 15, n. 12, p. e0243613, 2020. 50 JOUAN, A. FastICA (MNF) for feature generation in hyperspectral imagery. In: 2007 10th International Conference on Information Fusion.p. 1-8, IEEE, 2007. KAYET, N.; PATHAK, K.; CHAKRABARTY, A.; SINGH, C. P.; CHOWDARY, V. M.; KUMAR, S.; & SAHOO, S. Forest health assessment for geo-environmental planning and management in hilltop mining areas using Hyperion and Landsat data. Ecological Indicators, v. 106, p. 105471, 2019. KRUSE, F.A. Comparison of ATREM, ACORN, FLAASH atmospheric corrections using low- alitude AVIRIS data of Bouder, CO, Summaries of 13th JPL Airborne Geoscience Workshop, Jet Propulsion Lab, Pasadena, 1-10, 2004. KUMAR, T.; MANDAL, A.; DUTTA, D.; NAGARAJA, R.; DADHWAL, V. K. Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans. Geocarto International, v. 34, n. 4, p. 415-442, 2019. LECUN, Y. Convolutional Networks for Images, Speech, and Time Series. The Handbook of Brain Theory and Neural Networks, v. 3361, n. 10, p. 1995, 1995. LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436-444, 2015. LEE, C. M.; CABLE, M. L.; HOOK, S. J.; GREEN, R. O.; USTIN, S. L.; MANDL, D. MIDDLETON, E. M. An introduction to the NASA Hyperspectral InfraRed Imager (HyspIRI) mission and preparatory activities. Remote Sensing of Environment, v. 167, p. 6-19, 2015. LI, W.; LIU, H.; WANG, Y.; LI, Z.; JIA, Y.; GUI, G. (2019. Deep learning-based classification methods for remote sensing images in urban built-up areas. IEEE Access, v. 7, p. 36274-36284, 2019. LIAKOS, K. G.; BUSATO, P; MOSHOU, D.; PEARSON, S.; BOCHTIS, D. Machine learning in agriculture: A review. Sensors, v. 18, n. 8, p. 2674, 2018. LIU, Y; CAO, G.; SUN, Q.; SIEGEL, M. Hyperspectral classification via learnt features. In: 2015 IEEE International Conference on Image Processing (ICIP). IEEE. p. 2591-2595. 2015 LOUPPE, G.; WEHENKEL, L.; SUTERA, A.; GEURTS, P. Understanding variable importance in forests of randomized trees. In: Advances in neural information processing systems. p. 431-439. 2013. LU, D.; WENG, Q. A survey of image classification methods and techniques for improving classification performance. International journal of Remote sensing, v. 28, n. 5, p. 823-870, 2007. LUENBERGER, D. G.; YINYU, Y. Linear and Nonlinear Programming. International Series in Operations Research & Management Science. Springer, n. 1, p. 215, 2008. 51 MISHRA, S.; CHATTORAJ, S. L.; BENNY, A.; SHARMA, R. U.; RAY, P. C. Processing of AVIRIS-NG data for geological applications in southeastern parts of Aravalli fold belt, Rajasthan. 2019. MAGALHÃES FILHO, F. J.; DOS SANTOS CARVALHO, W.; DE SOUZA PEREIRA, M. A.; RAMOS, J. Geotecnologias aplicadas na defesa do meio ambiente em municípios da Rota de Integração Latino-Americana: a atuação do Ministério Público do Estado de Mato Grosso do Sul via Centro Integrado de Pesquisa e Proteção Ambiental, Brasil. Interações. p. 5-18. 2021. MENESES, P.R.; ALMEIDA, T. Introdução ao Processamento Digital de Imagens de Sensoriamento Remoto. Universidade de Brasília. Brasília. p 267, 2012. MONTANARELLA, L.; VARGAS, R. Global governance of soil resources as a necessary condition for sustainable development. Current opinion in environmental sustainability, v. 4, n. 5, p. 559-564, 2012. NIELSEN, M. A. Neural Networks and Deep Learning. Disponível em: http://neuralnetworksanddeeplearning.com/. Acesso em agosto de 2015. OLIVEIRA, G. C.; FERNANDES FILHO, E. I. Automated mapping of permanent preservation areas on hilltops. Cerne, v. 22, n. 1, p. 111-120, 2016. PACHECO, A. G. C. Classificação de espécies de peixe utilizando redes neurais convolucional. arXiv preprint arXiv: 1905.03642, 2019. PASSOS, J. S.; DOS REIS PINHEIRO, A. V. Sensoriamento remoto aplicado à análise da evolução da mancha urbana em Marabá-PA entre os anos de 1999 a 2019: implicações socioambientais. Geografia em Atos p. 5, 1-17. 2021. PENATTI, O. A.; NOGUEIRA, K.; DOS SANTOS, J.A. Deep features generalize from everyday objects to remote sensing and aerial scenes domains In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. p. 44-51. 2015 PERROTTA, M. M. Mapeamento hiperespectral de associações minerais relacionadas ao depósito de ouro de Pedra Branca, maciço de Troia, Ceará. 119 p. Dissertação (Mestrado em Geociências) - Instituto de Geociências, Universidade Estadual de Campinas, Campinas - SP, 2008. PONTI, M. A.; PARANHOS, G. B. D. C. Como funciona o Deep Learning. arXiv, p. arXiv: 1806.07908, 2018. RADOČAJ, D.; OBHOĐAŠ, J.; JURIŠIĆ, M.; GAŠPAROVIĆ, M. Global Open Data Remote Sensing Satellite Missions for Land Monitoring and Conservation: A Review. Land, 9 (11), 402. 2020. RANI, K.; GUHA, A., KUMAR; K. V., BHATTACHARYA, B. K.; PRADEEP, B. Potential Use of Airborne Hyperspectral AVIRIS-NG Data for Mapping Proterozoic Metasediments in Banswara, India. Journal of the Geological Society of India, v. 95, n. 2, p. 152-158, 2020. 52 RAMAKRISHNAN, R... Pretraining for hyperspectral convolutional neural network classification. IEEE Transactions on Geoscience and Remote Sensing, v. 56, n. 5, p. 2798- 2810, 2018. READ, J. M.; TORRADO, M. Remote Sensing. In: International Encyclopedia of Human Geography. Elsevier. p. 335-346. 2009. RICE, L; WONG, E; KOLTER, Z. Overfitting in adversarially robust deep learning. In: International Conference on Machine Learning. 8093-8104. 2020 RIEDMILLER, M; BRAUN, H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm. In: IEEE international conference on neural networks. IEEE. p. 586-591. 1993 ROSCHER, R; WASKE, B. Shapelet-Based Sparse Representation for Landcover Classification of Hyperspectral Images. IEEE Transactions on Geoscience and Remote Sensing, v. 54, n. 3, p. 1623-1634, 2016. ROSENBLATT, F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, v. 65, n. 6, p. 386, 1958. RUSSO, C. C.; RAMÓN, H. D.; ALONSO, N.; CICERCHIA, B.; ESNAOLA, L. TESSORE, J. P. Tratamiento masivo de datos utilizando técnicas de machine learning. In: XVIII Workshop de Investigadores en Ciencias de la Computación (WICC 2016, Entre Ríos, Argentina). 2016. SALLES, M. C. T.; GRIGIO, A. M.; DA SILVA, M. R. F. Expansão urbana e conflito ambiental: uma descrição da problemática do município de Mossoró, RN-Brasil. Sociedade & Natureza, 25(2), 281-290. 2013. SIEGEL, J. W.; XU, J. Taxas de aproximação de alta ordem para redes neurais com funções de ativação ReLU k . pré-impressão arXiv arXiv: 2012.07205, 2020. SHANMUGAMANI, R. Deep Learning for Computer Vision: Expert Techniques to Train Advanced Neural Networks using TensorFlow and Keras. Packt Publishing Ltd, 2018. SHARMA, S; SHARMA, S.; ATHAIYA, A. Activation functions in neural networks. Towards Data Science, 6(12), 310-316. 2017. SILVA, S. R.; SCHIMIDT, F. Reduction of input variables in artificial neural networks as from principal components analysis data in the modeling of dissolved oxygen. QUIMICA NOVA, v. 39, n. 3, p. 273-278, 2016. SOCIEDADE BRASILEIRA DE CIÊNCIA DO SOLO - SBCS. Salve nossos solos: encontrando maneiras de reduzir a erosão. Disponível em: https://www.sbcs.org.br/?noticia geral=salve-nossos-solos-encontrando-maneiras-de-reduzir-a-erosao#. Acesso em agosto de 2019. THENKABAIL, Prasad S. Research advances in hyperspectral remote sensing. Photogrammetric Engineering and Remote Sensing, v. 80, n. 8, p. 721-723, 2014. 53 THEODORIDIS, S.; KOUTROUMBAS, K. Pattern Recognition, fourth edition. 2009. TING, Kai Ming. Confusion Matrix. Encyclopedia of Machine Learning and Data Mining, v. 260, 2017. VASILEV, I.; SLATER, D.; SPACAGNA, G.; ROELANTS, P.; ZOCCA, V. Python Deep Learning: Exploring deep learning techniques and neural network architectures with Pytorch, Keras, and TensorFlow. Packt Publishing Ltd. 2019. VITHANA, S. S. P.; ABEYSEKARA A. M. R.; OORLOFF T. S. J.; RUPASINGHE R. A. A; HMVR HERATH H. M. V. R.; GODALIYADDA G. M. R. I.; EKANAYAKE M. P. B.; Hyperspectral imaging based land cover mapping using data obtained by the Hyperion sensor." 2017 Seventeenth International Conference on Advances in ICT for Emerging Regions (ICTer). IEEE, 2017. WANG, R.; GAMON, J. A. Remote sensing of terrestrial plant biodiversity. Remote Sensing of Environment, v. 231, p. 111218, 2019. WANG, Y.; LI, Y.; SONG, Y; RONG, X. The influence of the activation function in a convolution neural network model of facial expression recognition. Applied Sciences, 10 (5), 1897. 2020. WANG, Y.; LU, Z.; SHENG, Y.; ZHOU, Y. Remote sensing applications in monitoring of protected areas. Remote Sensing. 2020. WINDRIM, L.; MELKUMYAN, A.; MURPHY, R. J.; CHLINGARYAN, A. Unsupervised feature-learning for hyperspectral data with autoencoders. Remote Sensing, v. 11, n. 7, p. 864, 2019. XIONG, T.; HUANG, Y. Research on Python Language Teaching Based on Case. Sch J Arts Humanit Soc Sci, 10, 513-515, 2021. YING, X. An overview of overfitting and its solutions. In: Journal of Physics: Conference Series. IOP Publishing, p. 022-022. 2019. ZHONG, Y.; LI, W.; WANG, X., JIN, S.; ZHANG, L. Satellite-ground integrated destriping network: A new perspective for EO-1 Hyperion and Chinese hyperspectral satellite datasets. Remote Sensing of Environment, 237, 111416, 2020. ZUCARATTO, R. Os frutos que as cutias comiam: recrutamento da palmeira Astrocaryum aculeatissimum na ausência de seu principal dispersor de sementes. 62 p. Dissertação (Mestrado em Ciências Ambientais e Florestais) - Instituto de Florestas, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2013.reponame:Repositório Institucional da UFRRJinstname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)instacron:UFRRJinfo:eu-repo/semantics/openAccessORIGINAL2022 - Italo Guimaraes do Vale.Pdf2022 - Italo Guimaraes do Vale.Pdfapplication/pdf2363583https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15770/1/2022%20-%20Italo%20Guimaraes%20do%20Vale.Pdf778380f5b44158a72956b20a8ea28891MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15770/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXT2022 - Italo Guimaraes do Vale.Pdf.txt2022 - Italo Guimaraes do Vale.Pdf.txtExtracted texttext/plain160306https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15770/3/2022%20-%20Italo%20Guimaraes%20do%20Vale.Pdf.txtf8d8a510f9c338486b7f3bfde22f154bMD53THUMBNAIL2022 - Italo Guimaraes do Vale.Pdf.jpg2022 - Italo Guimaraes do Vale.Pdf.jpgGenerated Thumbnailimage/jpeg1391https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15770/4/2022%20-%20Italo%20Guimaraes%20do%20Vale.Pdf.jpgf0747bf5aedfdd810d0fa5a1cad1ed4aMD5420.500.14407/157702024-08-06 02:08:50.285oai:rima.ufrrj.br:20.500.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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.ufrrj.br/PUBhttps://tede.ufrrj.br/oai/requestbibliot@ufrrj.bropendoar:2024-08-06T05:08:50Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)false |
| dc.title.pt_BR.fl_str_mv |
Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca |
| dc.title.alternative.en.fl_str_mv |
Classification of hyperespectral images using convolutional neural networks to characterization of disorganized soil occupation on a section of Tijuca National Park |
| title |
Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca |
| spellingShingle |
Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca Vale, Italo Guimarães do Engenharia Agrícola Imagens hiperespectrais (IHS) Redes Neurais Convolucionais (RNCs) Reconhecimento de Padrões Hyperspectral images (HSI) Convolutional Neural Networks (CNNs) Pattern Recognition |
| title_short |
Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca |
| title_full |
Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca |
| title_fullStr |
Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca |
| title_full_unstemmed |
Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca |
| title_sort |
Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca |
| author |
Vale, Italo Guimarães do |
| author_facet |
Vale, Italo Guimarães do |
| author_role |
author |
| dc.contributor.author.fl_str_mv |
Vale, Italo Guimarães do |
| dc.contributor.advisor1.fl_str_mv |
Sanchez Delgado, Angel Ramon |
| dc.contributor.advisor1ID.fl_str_mv |
052.598.857-24 |
| dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/2933812315339699 |
| dc.contributor.advisor-co1.fl_str_mv |
Silva, Robson Mariano da |
| dc.contributor.advisor-co1ID.fl_str_mv |
785.917.837-00 |
| dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/9019994973988827 |
| dc.contributor.referee1.fl_str_mv |
Sanchez Delgado, Angel Ramon |
| dc.contributor.referee1ID.fl_str_mv |
052.598.857-24 |
| dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/2933812315339699 |
| dc.contributor.referee2.fl_str_mv |
Sousa, Gustavo Mota de |
| dc.contributor.referee2ID.fl_str_mv |
https://orcid.org/0000-0002-5932-8153 |
| dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/3554715201484937 |
| dc.contributor.referee3.fl_str_mv |
Cruz, Marcelo Dib |
| dc.contributor.referee3ID.fl_str_mv |
https://orcid.org/0000-0002-0380-144X |
| dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/7385995443437070 |
| dc.contributor.referee4.fl_str_mv |
Pinto, Jose Wilson Coura |
| dc.contributor.referee4ID.fl_str_mv |
073.008.467-18 |
| dc.contributor.referee4Lattes.fl_str_mv |
http://lattes.cnpq.br/0431627623206228 |
| dc.contributor.referee5.fl_str_mv |
Oliveira, Francisco Bruno Souza |
| dc.contributor.referee5ID.fl_str_mv |
037.330.467-65 https://orcid.org/0000-0002-9847-7290 |
| dc.contributor.referee5Lattes.fl_str_mv |
http://lattes.cnpq.br/0087804302005744 |
| dc.contributor.authorID.fl_str_mv |
108.476.647-75 https://orcid.org/0000-0002-3964-209X |
| dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/8659974340982684 |
| contributor_str_mv |
Sanchez Delgado, Angel Ramon Silva, Robson Mariano da Sanchez Delgado, Angel Ramon Sousa, Gustavo Mota de Cruz, Marcelo Dib Pinto, Jose Wilson Coura Oliveira, Francisco Bruno Souza |
| dc.subject.cnpq.fl_str_mv |
Engenharia Agrícola |
| topic |
Engenharia Agrícola Imagens hiperespectrais (IHS) Redes Neurais Convolucionais (RNCs) Reconhecimento de Padrões Hyperspectral images (HSI) Convolutional Neural Networks (CNNs) Pattern Recognition |
| dc.subject.por.fl_str_mv |
Imagens hiperespectrais (IHS) Redes Neurais Convolucionais (RNCs) Reconhecimento de Padrões Hyperspectral images (HSI) Convolutional Neural Networks (CNNs) Pattern Recognition |
| description |
O Parque Nacional da Tijuca (PNT) localiza-se na zona urbana do município do Rio de Janeiro, no Estado do Rio de Janeiro, sendo importante fragmento do domínio da Mata Atlântica, coberto por floresta ombrófila densa secundária em avançado estágio de regeneração. O PNT possui 3.953 ha e está inserido na maior floresta urbana do mundo, presta diversos serviços ambientais tais como: proteção do solo ao evitar erosão e captura de carbono por desmatamento evitado, além de ser importante área para pesquisas ambientais. O PNT é divido em quatro setores: Setor Floresta da Tijuca, Pedra Bonita/Pedra da Gávea, Pretos Forros/Covanca e Serra da Carioca. Para o estudo foi usado o recorte de uma cena, de uma imagem hiperespectral do sensor Hyperion sobre o setor Serra da Carioca e uma área urbana sobre o bairro de Botafogo, de forma a caracterizar as coberturas florestais e urbanas, objetos da pesquisa. As técnicas de Sensoriamento Remoto (SR) são importantes ferramentas para classificação da cobertura e uso da terra em locais de acesso restrito como o PNT. Técnicas de SR usando assinaturas espectrais obtidas de imagens hiperespectarais são promissoras para classificação da cobertura e uso da terra. Este estudo teve como objetivo aplicar metodologia baseada em Redes Neurais Convolucionais (RNCs) e algoritmos de aprendizagem profunda na implementação de modelo computacional para classificação de imagens hiperespectrais, por reconhecimento de padrões para mapeamento da cobertura e uso da terra. O mapa de referência foi obtido usando o método de extração de características baseado em objeto, corrigido manualmente para as classes adequadas. Deste mapa foram extraídas e anotadas 1200 assinaturas espectrais para criar o conjunto de dados, das quais 700 assinaturas foram usadas no conjunto de treinamento e validação, sendo este subdivido igualmente entre as classes floresta e urbano do estudo, por fim 500 assinaturas foram utilizadas como conjunto de teste. Foram utilizadas duas cenas de imagens hiperespectrais do sensor Hyperion a bordo do satélite Earth Observing-1 (EO-1), lançado em novembro de 2000 como parte do projeto NASA's New Millennium Program (NMP) da Agência Espacial Norte-americana (do inglês NASA Nacional Aeronautics and Space Administration). As imagens passaram pelas seguintes correções: remoção de bandas anômalas, correção atmosférica, correção geométrica, redução de ruídos e por fim foram normalizadas. O conjunto de dados de teste foi submetido às abordagens das RNCs, com e sem aumento de dados, e os resultados comparados com o mapa de referência. O desempenho dos modelos foi avaliado pelo F- score, a acurácia, a precisão, a revocação ou sensibilidade e a matriz de confusão. As análises dos resultados com as configurações usadas nas RNCs mostraram que o emprego da abordagem sem aumento de dados alcançou 0,88 de acurácia enquanto que a abordagem com aumento de dados alcançou 0,92 de acurácia, além de contornar o problema de sobre ajuste ocorrido na configuração da RNC sem aumento de dados. Logo, pode-se concluir que o emprego de RNCs e algoritmos de aprendizado profundo na classificação de imagens hiperespectrais podem ser amplamente utilizados no mapeamento da cobertura e uso da terra com a finalidade de monitoramento de ocupações desordenadas da terra. |
| publishDate |
2022 |
| dc.date.issued.fl_str_mv |
2022-02-16 |
| dc.date.accessioned.fl_str_mv |
2024-01-22T15:55:01Z |
| dc.date.available.fl_str_mv |
2024-01-22T15:55:01Z |
| 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://rima.ufrrj.br/jspui/handle/20.500.14407/15770 |
| url |
https://rima.ufrrj.br/jspui/handle/20.500.14407/15770 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.references.pt_BR.fl_str_mv |
AGOSTINELLI, F; HOFFMAN, M. Aprender funções de ativação para melhorar redes neurais profundas. pré-impressão arXiv: 1412.6830 , 2014. ALBERT, A; KAUR, J; GONZALEZ, M. C. Using convolutional networks and satellite imagery to identify patterns in urban environments at a large scale. In Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 1357-1366), 2017. ALPAYDIN, E. Introduction to Machine Learning. MIT press, 2020. ANDERSON, J. R. A land use and land cover classification system for use with remote sensor data. US Government Printing Office, 1976. ANDERSON, J. R. Land-use classification schemes. Photogrammetric Engineering, 1971. ANNALA, L.; ESKELINEN, M.; HÄMÄLÄINEN, J.; RIIHINEN, A.; PÖLÖNEN, I. Practical approach for hyperspectral image processing in python. In International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. International Society for Photogrammetry and Remote Sensing. (Vol. 42, No. 3), 2018. ATLÂNTICA, SOS Mata. Fundação SOS Mata Atlântica e Instituto Nacional de Pesquisas Espaciais. Atlas da Mata Atlântica. São Paulo, 2009. AUDEBERT, N; LE SAUX, B; LEFÈVRE, S. Deep learning for classification of hyperspectral data: A comparative review. IEEE geoscience and remote sensing magazine, 7(2), 159-173, 2019. BENGIO, Y. Learning Deep Architectures for AI. Now Publishers Inc, 2009. BENMERGUI, L; GONÇALVES, R. S. Urbanismo Miliciano in Rio de Janeiro: Rio de Janeiro’s poor communities face increasing vulnerability as armed groups expand control of entire neighborhoods, operating illicit businesses from protection rackets to real estate, with dire consequences for local residents living under a violent parallel state. NACLA Report on the Americas, 51(4), 379-385, 2019 SVENSÉN, M; BISHOP, C. Pattern recognition and machine learning. Springer, 2006. BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDEMIR, T. B. Redes Neurais Artificiais - Teoria e Aplicações. Ed. 2, p. 225, 2012. CARLEO, G.; CIRAC, I.; CRANMER, K.; DAUDET, L.; SCHULD, M.; TISHBY; N.; ZDEBOROVÁ, L . Machine learning and the physical sciences. Reviews of Modern Physics, v. 91, n. 4, p. 045002, 2019. CHANG, C. I. An information-theoretic approach to spectral variability, similarity, and discrimination for hyperspectral image analysis. IEEE Transactions on information theory, v. 46, n. 5, p. 1927-1932, 2000. 48 CHEN, Y.; ZHU, K.; ZHU, L.; HE, X.; GHAMISI, P.; BENEDIKTSSON, J. A. Automatic design of convolutional neural network for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 57(9), 2019. COLAÇO, D. F.; DE ALEXANDRIA, A. R.; CORTEZ, P. C.; FROTA, J. B. B; DE LIMA, J. N.; CALAZANS, A. E. A. L.; FAÇANHA, F. A. Sistema de Monitoramento de Chaves Seccionadoras por Visão Computacional e Redes Neurais Artificiais para Suporte ao Sistema de Controle Supervisório da CHESF. In IV Eletrical Energy Technological Innovation Conference, ANEEL, 2007. COMITAS. Glossário de Termos Oficiais de Teledetecção Aeroespacial, Boletim da Sociedade Francesa de Fotogrametria e Sensoriamento Remoto. v.112, pag. 1-63, 1988. COSTA, N. M. C.; COSTA, V. C.; VALIM, C. B.; DE SOUZA, A. C. C. C.; DE GOIS SALES, A. C. Significado e importância da Zona de Amortecimento de Unidades de Conservação Urbanas: O exemplo do entorno das áreas legalmente protegidas da cidade do Rio de Janeiro. Geo Uerj, 1(17), 95-104, 2007. CRISPIN, D. L.; DE ANDRADE, S. O.; DE MENESES, J. A. D.; CHAVES, A. D. C. G; BBORGES, M. D. G. B. . Impactos ambientais decorrentes do uso e ocupação desordenada do espaço urbano: um estudo de caso da cidade de Baixio/CE. Revista Verde de Agroecologia e Desenvolvimento Sustentável, v. 9, n. 4, p. 44-49, 2014. CRÓSTA A.P.; ALMEIDA T.I.R.; PARADELLA W.R.; SILVA S.M.P.; MENESES P.R. Sensoriamento remoto em exploração mineral no Brasil. Recursos Minerais no Brasil – Problemas e Desafios. Rio de Janeiro, Academia Brasileira de Ciências, p.190-207. CRUZ, C. B. M.; ROSÁRIO, L. D.; ABREU, M. D., ALMEIDA, P. D.; VICENS, R. S.; CRONEMBERGUER, F. Classificação Orientada a Objetos na Geração do Mapa de Uso e Cobertura da Terra do estado do Rio de Janeiro. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30, 2009. DA PAZ, S. E. T.; DOS SANTOS RODRIGUES, F.; JÚNIOR, S. S. T. Dinâmica da cobertura e uso da terra em Pacaraima–Roraima. Brazilian Journal of Development, 7(4), 38347- 38368, 2021. DATT, B.; MCVICAR, T. R.; VAN NIEL, T. G.; JUPP, D. L.; PEARLMAN, J. S. Preprocessing EO-1 Hyperion hyperspectral data to support the application of agricultural indexes. IEEE Transactions on Geoscience and Remote Sensing, v. 41, n. 6, p. 1246-1259, 2003. DEMUTH, H. B.; BEALE, M. H.; DE JESS, O.; HAGAN, M. T. Neural network design. 2014. DEVRIES, T.; TAYLOR, G. W. Dataset augmentation in feature space. arXiv preprint arXiv:1702.05538. 2017. DI GREGORIO, A. Land cover classification system: classification concepts and user manual: LCCS. Food & Agriculture Org., 2005. 49 EMPRESA BRASILEIRA DE PESQUIA AGROPECUÁRIA - EMBRAPA. Programa Nacional de Solos do Brasil (PronaSolos). Disponível em https://www.embrapa.br/pronasolos/sobre-o-programa. Acesso em dezembro de 2020. FIGUEIREDO, D. Conceitos Básicos de Sensoriamento Remoto. São Paulo, 2005. FLACH, P; KULL, M. Precision-recall-gain curves: PR analysis done right. In: Advances in neural information processing systems. p. 838-846. 2015. GOETZ, A. F. H.; SOLOMON, G V J E.; ROCK, B. N. Imaging spectrometry for earth remote sensing. Science, v. 228, n. 4704, p. 1147-1152, 1985. GOODFELLOW, I. J.; BENGIO, Y.; COURVILLE, A. Deep Learning Book. An MIT Press book in preparation. Draft chapters available at http://www. iro. umontreal. ca/∼ bengioy/dlbook, 2015. GOUTTE, C.; GAUSSIER, E. A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. In: European conference on information retrieval. Springer, Berlin, Heidelberg. p. 345-359. 2005 GRIFFIN, M. K.; HSU, S. M.; BURKE, H. H. K., ORLOFF, S. M.; UPHAM, C. A. Examples of EO-1 Hyperion data analysis. MASSACHUSETTS INST OF TECH LEXINGTON LINCOLN LAB, 2005. GUIDICI, D.; CLARK, M. L. One-Dimensional convolutional neural network land-cover classification of multi-seasonal hyperspectral imagery in the San Francisco Bay Area, California. Remote Sensing, v. 9, n. 6, p. 629, 2017. HARTEMINK, A.; MCBRATNEY, A. B. A soil science renaissance. Geoderma, v. 148, n. 2, p. 123-129, 2008. HAYKIN, S. Redes Neurais Princípios e Pratica Ed. 2, p. 902, 2001. HERMANN, J. M.; LANG, M.; GONÇALVES, J.; HASENACK, H. Forest–grassland biodiversity hotspot under siege: land conversion counteracts nature conservation. Ecosystem Health and Sustainability, v. 2, n. 6, 2016. ICMBIO-INSTITUTO CHICO MENDES PARA A CONSERVAÇÃO DA BIODIVERSIDADE. Plano de Manejo: Parque Nacional da Tijuca. 2008. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE. Monitoramento da cobertura e uso da terra do Brasil: 2016 - 2018, 2014. IWAI, O. K.; QUINTANILHA, J. A. Utilização de imagens de satélite como ferramenta de auxilio ao planejamento urbano. Revista de Geografía Norte Grande, v. 34, p. 65-82, 2005. JIANG, W.; ZHANG, K.; WANG, N.; YU, M. MeshCut data augmentation for deep learning in computer vision. PLoS One, v. 15, n. 12, p. e0243613, 2020. 50 JOUAN, A. FastICA (MNF) for feature generation in hyperspectral imagery. In: 2007 10th International Conference on Information Fusion.p. 1-8, IEEE, 2007. KAYET, N.; PATHAK, K.; CHAKRABARTY, A.; SINGH, C. P.; CHOWDARY, V. M.; KUMAR, S.; & SAHOO, S. Forest health assessment for geo-environmental planning and management in hilltop mining areas using Hyperion and Landsat data. Ecological Indicators, v. 106, p. 105471, 2019. KRUSE, F.A. Comparison of ATREM, ACORN, FLAASH atmospheric corrections using low- alitude AVIRIS data of Bouder, CO, Summaries of 13th JPL Airborne Geoscience Workshop, Jet Propulsion Lab, Pasadena, 1-10, 2004. KUMAR, T.; MANDAL, A.; DUTTA, D.; NAGARAJA, R.; DADHWAL, V. K. Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans. Geocarto International, v. 34, n. 4, p. 415-442, 2019. LECUN, Y. Convolutional Networks for Images, Speech, and Time Series. The Handbook of Brain Theory and Neural Networks, v. 3361, n. 10, p. 1995, 1995. LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436-444, 2015. LEE, C. M.; CABLE, M. L.; HOOK, S. J.; GREEN, R. O.; USTIN, S. L.; MANDL, D. MIDDLETON, E. M. An introduction to the NASA Hyperspectral InfraRed Imager (HyspIRI) mission and preparatory activities. Remote Sensing of Environment, v. 167, p. 6-19, 2015. LI, W.; LIU, H.; WANG, Y.; LI, Z.; JIA, Y.; GUI, G. (2019. Deep learning-based classification methods for remote sensing images in urban built-up areas. IEEE Access, v. 7, p. 36274-36284, 2019. LIAKOS, K. G.; BUSATO, P; MOSHOU, D.; PEARSON, S.; BOCHTIS, D. Machine learning in agriculture: A review. Sensors, v. 18, n. 8, p. 2674, 2018. LIU, Y; CAO, G.; SUN, Q.; SIEGEL, M. Hyperspectral classification via learnt features. In: 2015 IEEE International Conference on Image Processing (ICIP). IEEE. p. 2591-2595. 2015 LOUPPE, G.; WEHENKEL, L.; SUTERA, A.; GEURTS, P. Understanding variable importance in forests of randomized trees. In: Advances in neural information processing systems. p. 431-439. 2013. LU, D.; WENG, Q. A survey of image classification methods and techniques for improving classification performance. International journal of Remote sensing, v. 28, n. 5, p. 823-870, 2007. LUENBERGER, D. G.; YINYU, Y. Linear and Nonlinear Programming. International Series in Operations Research & Management Science. Springer, n. 1, p. 215, 2008. 51 MISHRA, S.; CHATTORAJ, S. L.; BENNY, A.; SHARMA, R. U.; RAY, P. C. Processing of AVIRIS-NG data for geological applications in southeastern parts of Aravalli fold belt, Rajasthan. 2019. MAGALHÃES FILHO, F. J.; DOS SANTOS CARVALHO, W.; DE SOUZA PEREIRA, M. A.; RAMOS, J. Geotecnologias aplicadas na defesa do meio ambiente em municípios da Rota de Integração Latino-Americana: a atuação do Ministério Público do Estado de Mato Grosso do Sul via Centro Integrado de Pesquisa e Proteção Ambiental, Brasil. Interações. p. 5-18. 2021. MENESES, P.R.; ALMEIDA, T. Introdução ao Processamento Digital de Imagens de Sensoriamento Remoto. Universidade de Brasília. Brasília. p 267, 2012. MONTANARELLA, L.; VARGAS, R. Global governance of soil resources as a necessary condition for sustainable development. Current opinion in environmental sustainability, v. 4, n. 5, p. 559-564, 2012. NIELSEN, M. A. Neural Networks and Deep Learning. Disponível em: http://neuralnetworksanddeeplearning.com/. Acesso em agosto de 2015. OLIVEIRA, G. C.; FERNANDES FILHO, E. I. Automated mapping of permanent preservation areas on hilltops. Cerne, v. 22, n. 1, p. 111-120, 2016. PACHECO, A. G. C. Classificação de espécies de peixe utilizando redes neurais convolucional. arXiv preprint arXiv: 1905.03642, 2019. PASSOS, J. S.; DOS REIS PINHEIRO, A. V. Sensoriamento remoto aplicado à análise da evolução da mancha urbana em Marabá-PA entre os anos de 1999 a 2019: implicações socioambientais. Geografia em Atos p. 5, 1-17. 2021. PENATTI, O. A.; NOGUEIRA, K.; DOS SANTOS, J.A. Deep features generalize from everyday objects to remote sensing and aerial scenes domains In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. p. 44-51. 2015 PERROTTA, M. M. Mapeamento hiperespectral de associações minerais relacionadas ao depósito de ouro de Pedra Branca, maciço de Troia, Ceará. 119 p. Dissertação (Mestrado em Geociências) - Instituto de Geociências, Universidade Estadual de Campinas, Campinas - SP, 2008. PONTI, M. A.; PARANHOS, G. B. D. C. Como funciona o Deep Learning. arXiv, p. arXiv: 1806.07908, 2018. RADOČAJ, D.; OBHOĐAŠ, J.; JURIŠIĆ, M.; GAŠPAROVIĆ, M. Global Open Data Remote Sensing Satellite Missions for Land Monitoring and Conservation: A Review. Land, 9 (11), 402. 2020. RANI, K.; GUHA, A., KUMAR; K. V., BHATTACHARYA, B. K.; PRADEEP, B. Potential Use of Airborne Hyperspectral AVIRIS-NG Data for Mapping Proterozoic Metasediments in Banswara, India. Journal of the Geological Society of India, v. 95, n. 2, p. 152-158, 2020. 52 RAMAKRISHNAN, R... Pretraining for hyperspectral convolutional neural network classification. IEEE Transactions on Geoscience and Remote Sensing, v. 56, n. 5, p. 2798- 2810, 2018. READ, J. M.; TORRADO, M. Remote Sensing. In: International Encyclopedia of Human Geography. Elsevier. p. 335-346. 2009. RICE, L; WONG, E; KOLTER, Z. Overfitting in adversarially robust deep learning. In: International Conference on Machine Learning. 8093-8104. 2020 RIEDMILLER, M; BRAUN, H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm. In: IEEE international conference on neural networks. IEEE. p. 586-591. 1993 ROSCHER, R; WASKE, B. Shapelet-Based Sparse Representation for Landcover Classification of Hyperspectral Images. IEEE Transactions on Geoscience and Remote Sensing, v. 54, n. 3, p. 1623-1634, 2016. ROSENBLATT, F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, v. 65, n. 6, p. 386, 1958. RUSSO, C. C.; RAMÓN, H. D.; ALONSO, N.; CICERCHIA, B.; ESNAOLA, L. TESSORE, J. P. Tratamiento masivo de datos utilizando técnicas de machine learning. In: XVIII Workshop de Investigadores en Ciencias de la Computación (WICC 2016, Entre Ríos, Argentina). 2016. SALLES, M. C. T.; GRIGIO, A. M.; DA SILVA, M. R. F. Expansão urbana e conflito ambiental: uma descrição da problemática do município de Mossoró, RN-Brasil. Sociedade & Natureza, 25(2), 281-290. 2013. SIEGEL, J. W.; XU, J. Taxas de aproximação de alta ordem para redes neurais com funções de ativação ReLU k . pré-impressão arXiv arXiv: 2012.07205, 2020. SHANMUGAMANI, R. Deep Learning for Computer Vision: Expert Techniques to Train Advanced Neural Networks using TensorFlow and Keras. Packt Publishing Ltd, 2018. SHARMA, S; SHARMA, S.; ATHAIYA, A. Activation functions in neural networks. Towards Data Science, 6(12), 310-316. 2017. SILVA, S. R.; SCHIMIDT, F. Reduction of input variables in artificial neural networks as from principal components analysis data in the modeling of dissolved oxygen. QUIMICA NOVA, v. 39, n. 3, p. 273-278, 2016. SOCIEDADE BRASILEIRA DE CIÊNCIA DO SOLO - SBCS. Salve nossos solos: encontrando maneiras de reduzir a erosão. Disponível em: https://www.sbcs.org.br/?noticia geral=salve-nossos-solos-encontrando-maneiras-de-reduzir-a-erosao#. Acesso em agosto de 2019. THENKABAIL, Prasad S. Research advances in hyperspectral remote sensing. Photogrammetric Engineering and Remote Sensing, v. 80, n. 8, p. 721-723, 2014. 53 THEODORIDIS, S.; KOUTROUMBAS, K. Pattern Recognition, fourth edition. 2009. TING, Kai Ming. Confusion Matrix. Encyclopedia of Machine Learning and Data Mining, v. 260, 2017. VASILEV, I.; SLATER, D.; SPACAGNA, G.; ROELANTS, P.; ZOCCA, V. Python Deep Learning: Exploring deep learning techniques and neural network architectures with Pytorch, Keras, and TensorFlow. Packt Publishing Ltd. 2019. VITHANA, S. S. P.; ABEYSEKARA A. M. R.; OORLOFF T. S. J.; RUPASINGHE R. A. A; HMVR HERATH H. M. V. R.; GODALIYADDA G. M. R. I.; EKANAYAKE M. P. B.; Hyperspectral imaging based land cover mapping using data obtained by the Hyperion sensor." 2017 Seventeenth International Conference on Advances in ICT for Emerging Regions (ICTer). IEEE, 2017. WANG, R.; GAMON, J. A. Remote sensing of terrestrial plant biodiversity. Remote Sensing of Environment, v. 231, p. 111218, 2019. WANG, Y.; LI, Y.; SONG, Y; RONG, X. The influence of the activation function in a convolution neural network model of facial expression recognition. Applied Sciences, 10 (5), 1897. 2020. WANG, Y.; LU, Z.; SHENG, Y.; ZHOU, Y. Remote sensing applications in monitoring of protected areas. Remote Sensing. 2020. WINDRIM, L.; MELKUMYAN, A.; MURPHY, R. J.; CHLINGARYAN, A. Unsupervised feature-learning for hyperspectral data with autoencoders. Remote Sensing, v. 11, n. 7, p. 864, 2019. XIONG, T.; HUANG, Y. Research on Python Language Teaching Based on Case. Sch J Arts Humanit Soc Sci, 10, 513-515, 2021. YING, X. An overview of overfitting and its solutions. In: Journal of Physics: Conference Series. IOP Publishing, p. 022-022. 2019. ZHONG, Y.; LI, W.; WANG, X., JIN, S.; ZHANG, L. Satellite-ground integrated destriping network: A new perspective for EO-1 Hyperion and Chinese hyperspectral satellite datasets. Remote Sensing of Environment, 237, 111416, 2020. ZUCARATTO, R. Os frutos que as cutias comiam: recrutamento da palmeira Astrocaryum aculeatissimum na ausência de seu principal dispersor de sementes. 62 p. Dissertação (Mestrado em Ciências Ambientais e Florestais) - Instituto de Florestas, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2013. |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.publisher.none.fl_str_mv |
Universidade Federal Rural do Rio de Janeiro |
| dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência, Tecnologia e Inovação em Agropecuária |
| dc.publisher.initials.fl_str_mv |
UFRRJ |
| dc.publisher.country.fl_str_mv |
Brasil |
| dc.publisher.department.fl_str_mv |
Pró-Reitoria de Pesquisa e Pós-Graduação |
| publisher.none.fl_str_mv |
Universidade Federal Rural do Rio de Janeiro |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRRJ instname:Universidade Federal Rural do Rio de Janeiro (UFRRJ) instacron:UFRRJ |
| instname_str |
Universidade Federal Rural do Rio de Janeiro (UFRRJ) |
| instacron_str |
UFRRJ |
| institution |
UFRRJ |
| reponame_str |
Repositório Institucional da UFRRJ |
| collection |
Repositório Institucional da UFRRJ |
| bitstream.url.fl_str_mv |
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15770/1/2022%20-%20Italo%20Guimaraes%20do%20Vale.Pdf https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15770/2/license.txt https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15770/3/2022%20-%20Italo%20Guimaraes%20do%20Vale.Pdf.txt https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15770/4/2022%20-%20Italo%20Guimaraes%20do%20Vale.Pdf.jpg |
| bitstream.checksum.fl_str_mv |
778380f5b44158a72956b20a8ea28891 8a4605be74aa9ea9d79846c1fba20a33 f8d8a510f9c338486b7f3bfde22f154b f0747bf5aedfdd810d0fa5a1cad1ed4a |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ) |
| repository.mail.fl_str_mv |
bibliot@ufrrj.br |
| _version_ |
1810107803416657920 |