Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação

Detalhes bibliográficos
Autor(a) principal: Castro, Heitor da Rocha Nunes de
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/48233
Resumo: Dissertação (mestrado) - Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2023.
id UNB_61581ad8526441f845f4fa60ad90af40
oai_identifier_str oai:repositorio.unb.br:10482/48233
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevaçãoInteligência artificialGeomorfologiaDolinaDeep learningDissertação (mestrado) - Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2023.This research aims to investigate the use of deep segmentation in detecting and quantifying natural karst depressions developed in the carbonate rocks of the Neoproterozoic Bambuí Group in Western Bahia, Brazil. The karst landscape of the study area has dolines and the formation of lakes enclosed in limestone. The study analyzes different approaches to detecting karst depressions. First, a comparison of five different Global Digital Terrain Models (DEM) with 30 meters resolution: Copernicus 30m Global DEM (GLO-30), ALOS World 3D (AW3D30), Shuttle Radar Topography Mission (SRTM), National Aeronautics and Space Administration DEM (NASADEM), and Advanced Spaceborne Thermal Emission and Reflection Radiometer - Global DEM (ASTER-GDEM). Second, comparing five semantic segmentation architectures with EfficientNet-B7 backbone (Feature Pyramid Network - FPN, LinkNet, Unet, Unet++, and DVL3+) and one instance segmentation (Mask-RCNN). Third, evaluation of segmentation elaboration using two variables (DEM and DEM-based sink depth) or eleven variables (DEM, DEM-based sink depth, and nine terrain attributes). The research did not evaluate the use of DEM in isolation due to its very low accuracy in previous analyses. The methodology had the following steps: (a) acquisition of DEMs and generation of geomorphometric attributes; (b) sample labeling by manual interpretation of karst depressions from Sentinel-2 and OLI-Landsat 8 images; (c) selection of samples for training (1600 samples), validation (400 samples) and testing (400 samples) with dimensions 128x128 considering two channels (DEM and depth of sinking based on DEM) and eleven channels (the two previous ones added by nine morphometric attributes); (e) elaboration of semantic and instance segmentations; (f) accuracy analysis; (g) image reconstruction using sliding window; and (f) conversion from semantic segmentation to instance using GIS tools. The results show that the GLO-30 data showedthe highest accuracy values, followed by the AW3D30. In contrast, the ASTER GDEM obtained the worst results. Among the models using semantic segmentation, the FPN presented the most significant accuracy results, while the DVL3+ presented the worst. Considering the same architectures and DEM, the models that used 11 channels obtained better results than those that used only two channels. Converting data from semantic segmentation to instance segmentation using a GIS tool proved to be very easy since the features did not interact.Instituto de Ciências Humanas (ICH)Departamento de Geografia (ICH GEA)Programa de Pós-Graduação em GeografiaCarvalho Júnior, Osmar Abílio deCastro, Heitor da Rocha Nunes de2024-06-12T17:34:17Z2024-06-12T17:34:17Z2024-06-122023-06-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCASTRO, Heitor da Rocha Nunes de. Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação. 2023. 59 f., il. Dissertação (Mestrado em Geografia) - Universidade de Brasília, Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/48233engA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-06-12T17:34:17Zoai:repositorio.unb.br:10482/48233Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-06-12T17:34:17Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação
title Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação
spellingShingle Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação
Castro, Heitor da Rocha Nunes de
Inteligência artificial
Geomorfologia
Dolina
Deep learning
title_short Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação
title_full Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação
title_fullStr Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação
title_full_unstemmed Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação
title_sort Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação
author Castro, Heitor da Rocha Nunes de
author_facet Castro, Heitor da Rocha Nunes de
author_role author
dc.contributor.none.fl_str_mv Carvalho Júnior, Osmar Abílio de
dc.contributor.author.fl_str_mv Castro, Heitor da Rocha Nunes de
dc.subject.por.fl_str_mv Inteligência artificial
Geomorfologia
Dolina
Deep learning
topic Inteligência artificial
Geomorfologia
Dolina
Deep learning
description Dissertação (mestrado) - Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-06-16
2024-06-12T17:34:17Z
2024-06-12T17:34:17Z
2024-06-12
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 CASTRO, Heitor da Rocha Nunes de. Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação. 2023. 59 f., il. Dissertação (Mestrado em Geografia) - Universidade de Brasília, Brasília, 2023.
http://repositorio2.unb.br/jspui/handle/10482/48233
identifier_str_mv CASTRO, Heitor da Rocha Nunes de. Detecção de depressões cársticas no Brasil usando segmentação semântica e de instância e comparando diferentes modelos digitais globais de elevação. 2023. 59 f., il. Dissertação (Mestrado em Geografia) - Universidade de Brasília, Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/48233
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1810580926049026048

Registros relacionados