Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.

Detalhes bibliográficos
Autor(a) principal: Vaz, Vinícius Camozzato
Data de Publicação: 2021
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/223658
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação.
id UFSC_fec8a2d8cde9d415b807acf95f6ed547
oai_identifier_str oai:repositorio.ufsc.br:123456789/223658
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.Engenharia de ComputaçãoMachine-Learningbatimetria por satélitereconhecimento de padrõesInteligência ArtificialTCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação.Satellite-derived bathymetry (SDA) is an efficient and low-cost way of measuring the depth of a water column. SDA is easy to apply in large regions that are difficult to access, such as shallow water areas. This work was developed with the objective of evaluating, validating and implementing the use of machine learning methods to perform satellite bathymetry in Babitonga Bay, an estuary located in the north of the state of Santa Catarina, Brazil. The primary data sources were multispectral images from the Sentinel-2 satellite, bands 1 to 8. These images were acquired in a survey category B according to NORMAM-25. The first stage of work was data preparation. This involved the acquisition and initial data processing. This stage was followed by an exploratory analysis of the image data which focused mainly on the value domain of each band and their respective distributions. Based on the dataset, the necessary manipulations performed, and the dataset ready to be used in the calibration of models, some machine-learning algorithms have been proposed to be tested and validated. The experimental results for the best model presented an r² score of 0.78 as a baseline, evolving to 0.95 after hyperparameter optimization and feature-engineering stages. All models went through advanced validation stages, including cross-validation and sliding window validation, in order to guarantee the validity of the results obtained. Among the proposed algorithms, models based on decision tree ensembles proved to be more effective. The results of the models are considered satisfactory for estimating bathymetry in estuarine environments similar to Babitonga Bay. However, because the validation process was carried out in the same place, the extrapolation capacity of the models compared to other regions has not yet been verified.A Batimetria Derivada de Satélite (Satellite Derived Bathymetry - SDA) é um meio eficiente e de baixo custo para obtenção da profundidade da coluna d’água, principalmente pela facilidade de ser aplicada em grandes regiões e também em locais de difícil acesso como zonas rasas de estuários. O presente trabalho foi desenvolvido com o objetivo de aplicar, avaliar e validar a utilização de métodos de aprendizado de máquina para realizar a batimetria por satélite na Baía da Babitonga, um estuário localizado no norte do estado de Santa Catarina - Brasil. Como fonte primária de dados utilizou-se as imagens multiespectrais do satélite Sentinel-2, bandas 1 à 8 relacionadas por data com um levantamento batimétrico monofeixe categoria B de acordo com a NORMAM-25, realizado no local de interesse. Na primeira etapa do trabalho realizou-se a preparação dos dados, etapa esta que envolve a aquisição e processamento inicial, para então prosseguir com uma análise exploratória dos dados das imagens, analisando principalmente o domínio do valor de cada banda e suas respectivas distribuições. Com base no conjunto de dados, as devidas manipulações realizadas e o conjunto pronto para ser utilizado na calibração de modelos, foram propostos alguns algoritmos de machine-learning a serem testados e validados de acordo com métricas predefinidas. Os resultados experimentais para o melhor modelo apresentaram como baseline um r² score de 0,78 evoluindo para 0,95 após as etapas de otimização de hiperparâmetros e feature engineering. Todos os modelos passaram por etapas de validação avançada, incluindo cross-validation e validação de janela móvel, para garantirem a validade dos resultados obtidos. Dentre os algoritmos propostos, os modelos baseados em árvores de decisão se mostraram mais eficazes quando comparados aos demais. Os resultados dos modelos são considerados satisfatórios para estimação da batimetria em ambientes estuarinos similares à Baía da Babitonga, porém, devido ao processo de validação ter sido realizado no mesmo local, a capacidade de extrapolação do modelo para outras regiões não foi verificada.Araranguá, SCSobieranski, Antônio CarlosKlein, Antonio Henrique da FontouraUniversidade Federal de Santa CatarinaVaz, Vinícius Camozzato2021-05-22T20:21:14Z2021-05-22T20:21:14Z2021-05-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis38application/pdfhttps://repositorio.ufsc.br/handle/123456789/223658info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2021-05-22T20:21:14Zoai:repositorio.ufsc.br:123456789/223658Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732021-05-22T20:21:14Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.
title Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.
spellingShingle Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.
Vaz, Vinícius Camozzato
Engenharia de Computação
Machine-Learning
batimetria por satélite
reconhecimento de padrões
Inteligência Artificial
title_short Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.
title_full Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.
title_fullStr Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.
title_full_unstemmed Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.
title_sort Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.
author Vaz, Vinícius Camozzato
author_facet Vaz, Vinícius Camozzato
author_role author
dc.contributor.none.fl_str_mv Sobieranski, Antônio Carlos
Klein, Antonio Henrique da Fontoura
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Vaz, Vinícius Camozzato
dc.subject.por.fl_str_mv Engenharia de Computação
Machine-Learning
batimetria por satélite
reconhecimento de padrões
Inteligência Artificial
topic Engenharia de Computação
Machine-Learning
batimetria por satélite
reconhecimento de padrões
Inteligência Artificial
description TCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação.
publishDate 2021
dc.date.none.fl_str_mv 2021-05-22T20:21:14Z
2021-05-22T20:21:14Z
2021-05-18
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.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/223658
url https://repositorio.ufsc.br/handle/123456789/223658
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 38
application/pdf
dc.publisher.none.fl_str_mv Araranguá, SC
publisher.none.fl_str_mv Araranguá, SC
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808651944919564288

Registros relacionados