Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento

Detalhes bibliográficos
Autor(a) principal: Silva, Marcos Pereira da
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/48256
Resumo: Tese (doutorado) — Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2023.
id UNB_c5be593e884669079c07b5297c0497d8
oai_identifier_str oai:repositorio.unb.br:10482/48256
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamentoAprendizagem de máquinaDelta do ParnaíbaMapeamento florestalGeoprocessamentoTese (doutorado) — Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2023.A detecção automatizada e precisa de florestas de mangue é crucial para estratégias de conservação e tomada de decisão ao longo da extensa costa brasileira. Este estudo visa criar um conjunto de dados de floresta de mangue para processamento com Probability Density ComponentsAnalysis-Series Time e Minimum Noise Fraction, avaliar o modelo com diferentes filtros de eliminação de speckle e determinar o número ideal de imagens para uma detecção mais precisa. O objetivo principal desta pesquisa é analisar a eficácia das imagens do Sentinel1 e Sentinel-2 para mapeamento das florestas de mangue, por meio da análise das características texturais e espectrais de cada conjunto de dados. A pesquisa se concentra em dois pontos principais: 1. Classificação de manguezais usando imagens Sentinel-1 com o histograma de frequência Probability Density Components Analysis, onde os métodos Random Forests e K Nearest Neighbor foram usados com acurácias de 89,43% e 88,29%, respectivamente. O método de janela deslizante com passo de7x7 pixels foi considerado o mais eficaz; 2. Avaliação de imagens do satélite Sentinel-2 para mapeamento de manguezal na planície deltaica do rio Parnaíba. Neste estudo, os métodos Random Forests, K Nearest Neighbor e Support Vector Machine foram avaliados usando dados do Sentinel-2 para classificar as áreas de florestas de mangue. Os resultados mostraram que o método Random Forests obteve melhor desempenho para ambos os produtos Sentinel-1 (89,43%) e Sentinel-2 (96,78%), ligeiramente melhor que o K Nearest Neighbor. A metodologia desenvolvida neste estudo pode simplificar o processo de detecção, economizando tempo e recursos, e pode ser aplicada em outras regiões onde a cobertura de nuvens não permite precisão temporal.Automated and accurate detection of mangrove forestsis crucial for conservation strategies and decision-making along the extensive Brazilian coastline. This study aims to create a mangrove forest dataset for processing with Probability Density Components Analysis-Series Time and Minimum Noise Fraction, evaluate the model with different speckle elimination filters and determine the optimal number of images for more accurate detection. The main objective of this research is to analyze the effectiveness of Sentinel-1 and Sentinel-2 images for mapping mangrove forests, through the analysis of textural and spectral characteristics of each data set. The research focuses on two main points: 1. Classification of mangroves using Sentinel-1 images with the Probability Density Components Analysis frequency histogram, where the Random Forests and K Nearest Neighbor methods were used with accuracies of 89.43% and 88, 29%, respectively. The sliding window method with a step of 7x7 pixels was found to be the most effective; 2. Evaluation of Sentinel-2 satellite images for mapping mangroves in the deltaic plain of the Parnaíba river. In this study, the Random Forests, K Nearest Neighbor and Support Vector Machine methods were evaluated using Sentinel-2 data to classify mangrove forest areas. The results showed that the Random Forests method performed better for both Sentinel-1 (89.43%) and Sentinel-2 (96.78%) products,slightly betterthan K Nearest Neighbor. The methodology developed in this study can simplify the detection process, saving time and resources, and can be applied in other regions where cloud cover does not allow temporal accuracy.Instituto de Ciências Humanas (ICH)Departamento de Geografia (ICH GEA)Programa de Pós-Graduação em GeografiaLaranja, Ruth Elias de PaulaCarvalho Júnior, Osmar Abílio deSilva, Marcos Pereira da2024-06-13T14:30:02Z2024-06-13T14:30:02Z2024-06-132023-02-17info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfSILVA, Marcos Pereira da. Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento. 2023. 93f., il. Tese (Doutorado em Geografia) — Universidade de Brasília, Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/48256porA 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.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, 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:UNB2024-06-13T14:32:07Zoai:repositorio.unb.br:10482/48256Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-06-13T14:32:07Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento
title Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento
spellingShingle Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento
Silva, Marcos Pereira da
Aprendizagem de máquina
Delta do Parnaíba
Mapeamento florestal
Geoprocessamento
title_short Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento
title_full Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento
title_fullStr Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento
title_full_unstemmed Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento
title_sort Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento
author Silva, Marcos Pereira da
author_facet Silva, Marcos Pereira da
author_role author
dc.contributor.none.fl_str_mv Laranja, Ruth Elias de Paula
Carvalho Júnior, Osmar Abílio de
dc.contributor.author.fl_str_mv Silva, Marcos Pereira da
dc.subject.por.fl_str_mv Aprendizagem de máquina
Delta do Parnaíba
Mapeamento florestal
Geoprocessamento
topic Aprendizagem de máquina
Delta do Parnaíba
Mapeamento florestal
Geoprocessamento
description Tese (doutorado) — 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 2023-02-17
2024-06-13T14:30:02Z
2024-06-13T14:30:02Z
2024-06-13
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 SILVA, Marcos Pereira da. Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento. 2023. 93f., il. Tese (Doutorado em Geografia) — Universidade de Brasília, Brasília, 2023.
http://repositorio2.unb.br/jspui/handle/10482/48256
identifier_str_mv SILVA, Marcos Pereira da. Elaboração do método de análise para classificação da floresta de manguezal da região do Delta do Parnaíba, por meio das imagens temporais do Sentinel 1 e 2 e das técnicas de geoprocessamento. 2023. 93f., il. Tese (Doutorado em Geografia) — Universidade de Brasília, Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/48256
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 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_ 1810580782797815808

Registros relacionados