Classificação de lavouras por aprendizagem profunda com dados de sensores remotos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Monografias da UnB |
Texto Completo: | http://bdm.unb.br/handle/10483/21556 |
Resumo: | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2017. |
id |
UNB-2_62cc6859892c99e61698c05b182f9dbc |
---|---|
oai_identifier_str |
oai:bdm.unb.br:10483/21556 |
network_acronym_str |
UNB-2 |
network_name_str |
Biblioteca Digital de Monografias da UnB |
repository_id_str |
11571 |
spelling |
Silva, Daniel Moura daSilva, Nilton Correia daSILVA, Daniel Moura da. Classificação de lavouras por aprendizagem profunda com dados de sensores remotos. 2018. 108 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Software)—Universidade de Brasília, Brasília, 2018.http://bdm.unb.br/handle/10483/21556Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2017.A classificação em larga escala em grandes regiões de plantio é um desafio, uma vez que a classificação de lavouras sem ferramentas pode ser errada. Mesmo sendo de vital importância para políticas de planejamento de commodities para o governo, pouco é realmente investido por motivos de esforço gasto. Entretanto, nos últimos anos, começou-se a utilizar dados de sensoriamento remoto, cuja informação de assinaturas espectrais dos objetos se mostrou um importante identificador para tais classificações. Técnicas recentes de aprendizado profundo, demonstram ser importantes para classificações corretas e precisas de forma autônoma. Dentro do paradigma de aprendizagem profunda, as redes neurais artificiais, sobretudo as convolutivas tem demonstrado resultados promissores. O objetivo deste trabalho é elaborar um sistema onde a partir de dados fornecidos por sensoriamento remoto, ocorra a classificação automática de lavouras. Foi usada uma adaptação da Rede Neural Convolucional VGGNet, sendo utilizados 3152 polígonos coletados pelos autores através de dados do satélite Landsat-8. Estes polígonos estão numa estrutura 15 pixels por 15 pixels, sendo 2.206 polígonos utilizados para treinamento da rede e 946 para teste. Os polígonos foram classificados em Algodão, Arroz, Cana-de-açúcar, Laranja, Milho, Soja Uva e uma categoria Outros (Solo exposto, área urbana, floresta, pasto, matagal e água). Foi alcançado um resultado de 97.57% de acurácia, 97.7% de precisão, 96.1% de recall, 96.8% de F1 score. Os mesmos polígonos de treino e de testes foram aplicados em outros 9 classificadores de Machine Learning (Support Vector Machine - SVM, Random Forest, Regressão Logística, K Neighbors, Gradient Boosting, Gaussiano, Extra Trees, Árvore de Decisão e AdaBoost). O resultado atingido pela Rede Neural Convolucional criada neste trabalho se mostrou superior ao de outros métodos de classificação, como o classificador Extra Tree que atingiu 94.1% de F1 score e 95.84% de acurácia e o Random Forest que atingiu 91.9% de F1 score e 92.75% de acurácia. O sistema se mostrou bem sucedido e foi comprovado que Redes Neurais Convolucionais conseguem ter uma boa classificação de dados de sensoriamento remoto com assinaturas espectrais para a classificação de lavouras.Submitted by Luanna Maia (luanna@bce.unb.br) on 2019-02-27T15:17:46Z No. of bitstreams: 3 license_text: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) 2018_DanielMouraDaSilva_tcc.pdf: 16313627 bytes, checksum: 3625ca445814dbb6307dfefe9405cda6 (MD5)Approved for entry into archive by Luanna Maia (luanna@bce.unb.br) on 2019-02-27T15:17:56Z (GMT) No. of bitstreams: 3 license_text: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) 2018_DanielMouraDaSilva_tcc.pdf: 16313627 bytes, checksum: 3625ca445814dbb6307dfefe9405cda6 (MD5)Made available in DSpace on 2019-02-27T15:17:56Z (GMT). No. of bitstreams: 3 license_text: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) 2018_DanielMouraDaSilva_tcc.pdf: 16313627 bytes, checksum: 3625ca445814dbb6307dfefe9405cda6 (MD5)The large-scale sorting in large planting areas is a challenge, since classification of crops without tools may be wrong. While it is of vital importance for government commodity planning policies, little is actually invested for reasons of expenditure effort. However, in the last few years, remote sensing data began to be used, whose information on spectral signatures of the objects proved to be an important identifier for such classifications. Recent deep learning techniques prove to be important for accurate and correct classifications in an autonomous way. Within the deep learning paradigm, the artificial neural networks, especially the convolutive ones, have shown promising results. The objective of this work is to elaborate a system where from the data provided by remote sensing, automatic classification of crops occurs. An adaptation of the VGGNet Convolutional Neural Network was used, with 3,152 polygons collected by the authors using Landsat- 8 satellite data. These polygons are in a structure 15 pixels by 15 pixels, with 2,206 polygons used for network training and 946 for testing. The polygons were classified in Cotton, Rice, Sugarcane, Orange, Corn, Soybean Grape and an Other category (exposed soil, urban area, forest, pasture, scrub and water). A result of 97.57% accuracy, 97.7% accuracy, 96.1% recall, 96.8% F1 score was achieved. The same training and test polygons were applied to other 9 Machine Learning classifiers (SVM, Random Forest, Logistic Regression, K Neighbors, Gradient Boosting, Gaussian, Extra Trees, Decision Tree, and AdaBoost). The result achieved by the Convolutional Neural Network created in this work was superior to that of other methods of classification, such as the Extra Tree classifier that reached 94.1% of F1 score and 95.84% of accuracy and Random Forest that reached 91.9% of F1 score and 92.75 % accuracy. The system proved to be successful and it has been proven that Convolutional Neural Networks can have a good classification of remote sensing data with spectral signatures for the classification of crops.Redes neurais (Computação)Sensoriamento remotoClassificação de lavouras por aprendizagem profunda com dados de sensores remotosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis2019-02-27T15:17:56Z2019-02-27T15:17:56Z2018-12-10info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Monografias da UnBinstname:Universidade de Brasília (UnB)instacron:UNBLICENSElicense.txtlicense.txttext/plain1817http://bdm.unb.br/xmlui/bitstream/10483/21556/5/license.txt21554873e56ad8ddc69c092699b98f95MD55CC-LICENSElicense_urllicense_urltext/plain49http://bdm.unb.br/xmlui/bitstream/10483/21556/2/license_url4afdbb8c545fd630ea7db775da747b2fMD52license_textlicense_textapplication/octet-stream0http://bdm.unb.br/xmlui/bitstream/10483/21556/3/license_textd41d8cd98f00b204e9800998ecf8427eMD53license_rdflicense_rdfapplication/octet-stream0http://bdm.unb.br/xmlui/bitstream/10483/21556/4/license_rdfd41d8cd98f00b204e9800998ecf8427eMD54ORIGINAL2018_DanielMouraDaSilva_tcc.pdf2018_DanielMouraDaSilva_tcc.pdfapplication/pdf16313627http://bdm.unb.br/xmlui/bitstream/10483/21556/1/2018_DanielMouraDaSilva_tcc.pdf3625ca445814dbb6307dfefe9405cda6MD5110483/215562019-02-27 12:17:56.898oai:bdm.unb.br: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Biblioteca Digital de Monografiahttps://bdm.unb.br/PUBhttp://bdm.unb.br/oai/requestbdm@bce.unb.br||patricia@bce.unb.bropendoar:115712019-02-27T15:17:56Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)false |
dc.title.pt_BR.fl_str_mv |
Classificação de lavouras por aprendizagem profunda com dados de sensores remotos |
title |
Classificação de lavouras por aprendizagem profunda com dados de sensores remotos |
spellingShingle |
Classificação de lavouras por aprendizagem profunda com dados de sensores remotos Silva, Daniel Moura da Redes neurais (Computação) Sensoriamento remoto |
title_short |
Classificação de lavouras por aprendizagem profunda com dados de sensores remotos |
title_full |
Classificação de lavouras por aprendizagem profunda com dados de sensores remotos |
title_fullStr |
Classificação de lavouras por aprendizagem profunda com dados de sensores remotos |
title_full_unstemmed |
Classificação de lavouras por aprendizagem profunda com dados de sensores remotos |
title_sort |
Classificação de lavouras por aprendizagem profunda com dados de sensores remotos |
author |
Silva, Daniel Moura da |
author_facet |
Silva, Daniel Moura da |
author_role |
author |
dc.contributor.author.fl_str_mv |
Silva, Daniel Moura da |
dc.contributor.advisor1.fl_str_mv |
Silva, Nilton Correia da |
contributor_str_mv |
Silva, Nilton Correia da |
dc.subject.keyword.pt_BR.fl_str_mv |
Redes neurais (Computação) Sensoriamento remoto |
topic |
Redes neurais (Computação) Sensoriamento remoto |
description |
Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2017. |
publishDate |
2018 |
dc.date.submitted.none.fl_str_mv |
2018-12-10 |
dc.date.accessioned.fl_str_mv |
2019-02-27T15:17:56Z |
dc.date.available.fl_str_mv |
2019-02-27T15:17:56Z |
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.citation.fl_str_mv |
SILVA, Daniel Moura da. Classificação de lavouras por aprendizagem profunda com dados de sensores remotos. 2018. 108 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Software)—Universidade de Brasília, Brasília, 2018. |
dc.identifier.uri.fl_str_mv |
http://bdm.unb.br/handle/10483/21556 |
identifier_str_mv |
SILVA, Daniel Moura da. Classificação de lavouras por aprendizagem profunda com dados de sensores remotos. 2018. 108 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Software)—Universidade de Brasília, Brasília, 2018. |
url |
http://bdm.unb.br/handle/10483/21556 |
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.source.none.fl_str_mv |
reponame:Biblioteca Digital de Monografias da UnB instname:Universidade de Brasília (UnB) instacron:UNB |
instname_str |
Universidade de Brasília (UnB) |
instacron_str |
UNB |
institution |
UNB |
reponame_str |
Biblioteca Digital de Monografias da UnB |
collection |
Biblioteca Digital de Monografias da UnB |
bitstream.url.fl_str_mv |
http://bdm.unb.br/xmlui/bitstream/10483/21556/5/license.txt http://bdm.unb.br/xmlui/bitstream/10483/21556/2/license_url http://bdm.unb.br/xmlui/bitstream/10483/21556/3/license_text http://bdm.unb.br/xmlui/bitstream/10483/21556/4/license_rdf http://bdm.unb.br/xmlui/bitstream/10483/21556/1/2018_DanielMouraDaSilva_tcc.pdf |
bitstream.checksum.fl_str_mv |
21554873e56ad8ddc69c092699b98f95 4afdbb8c545fd630ea7db775da747b2f d41d8cd98f00b204e9800998ecf8427e d41d8cd98f00b204e9800998ecf8427e 3625ca445814dbb6307dfefe9405cda6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB) |
repository.mail.fl_str_mv |
bdm@bce.unb.br||patricia@bce.unb.br |
_version_ |
1801493078257696768 |