Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina

Detalhes bibliográficos
Autor(a) principal: Ananias, Pedro Henrique Moraes [UNESP]
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/214487
Resumo: Globalmente, foram observadas nos últimos anos severas mudanças ambientais e climáticas. Neste cenário, destacam-se o aumento de eventos de floração de algas tóxicas, responsáveis pela degradação da qualidade da água e, principalmente, ameaça à saúde dos seres vivos. Estudos apontam para a necessidade de monitoramento e previsão desse fenômeno, os quais podem ser conduzidos segundo a concentração de clorofila. Perante esta motivação, utilizando-se técnicas de Aprendizado de Máquina e séries multitemporais de dados obtidos por Sensoriamento Remoto, foram desenvolvidos dois novos métodos capazes de proporcionar suporte à detecção e previsão de floração de algas. O primeiro visa a detecção automática do fenômeno e aplica conceitos de classificação de imagens por meio do emprego do algoritmo One-class Support Vector Machine. O segundo método é responsável por prever o seu surgimento. Como forma de evidenciar o potencial e viabilidade das propostas, os algoritmos foram aplicados em estudos de caso em áreas suscetíveis à ocorrência de floração de algas tóxicas.
id UNSP_1f948f639a1de75d98eb1e94042a5823
oai_identifier_str oai:repositorio.unesp.br:11449/214487
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de MáquinaAnomaly detection, monitoring, and forecasting with application in case studies related to the of potentially harmful algal blooms using multitemporal remote sensing data and Machine Learning algorithmsSensoriamento RemotoFloração de AlgasAprendizado de MáquinaAnomaliaClassificaçãoSéries multitemporaisRemote SensingAlgal BloomMachine LearningAnomalyClassificationMultitemporal seriesGlobalmente, foram observadas nos últimos anos severas mudanças ambientais e climáticas. Neste cenário, destacam-se o aumento de eventos de floração de algas tóxicas, responsáveis pela degradação da qualidade da água e, principalmente, ameaça à saúde dos seres vivos. Estudos apontam para a necessidade de monitoramento e previsão desse fenômeno, os quais podem ser conduzidos segundo a concentração de clorofila. Perante esta motivação, utilizando-se técnicas de Aprendizado de Máquina e séries multitemporais de dados obtidos por Sensoriamento Remoto, foram desenvolvidos dois novos métodos capazes de proporcionar suporte à detecção e previsão de floração de algas. O primeiro visa a detecção automática do fenômeno e aplica conceitos de classificação de imagens por meio do emprego do algoritmo One-class Support Vector Machine. O segundo método é responsável por prever o seu surgimento. Como forma de evidenciar o potencial e viabilidade das propostas, os algoritmos foram aplicados em estudos de caso em áreas suscetíveis à ocorrência de floração de algas tóxicas.Globally, severe environmental and climate changes have been observed in recent years. In such a scenario, there was also an increase in the bloom of toxic algae, responsible for the degradation of water quality and threatening living beings' health. Studies point to the need to monitor and predict this phenomenon with basis on the chlorophyll concentration information. In the face of this motivation, using Machine Learning techniques and Remote Sensing multitemporal image series, two novel methods were developed to detect and forecast algae bloom. The first aims at the automatic detection of the phenomenon and applies concepts of image classification through the use of the One-class Support Vector Machine algorithm. The second method is responsible for predicting its emergence. Different case studies were carried in order to prove the potential of the proposed methods.Universidade Estadual Paulista (Unesp)Negri, Rogério Galante [UNESP]Universidade Estadual Paulista (Unesp)Ananias, Pedro Henrique Moraes [UNESP]2021-09-21T19:30:21Z2021-09-21T19:30:21Z2021-08-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/21448733004145083P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-09-30T06:08:37Zoai:repositorio.unesp.br:11449/214487Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462023-09-30T06:08:37Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina
Anomaly detection, monitoring, and forecasting with application in case studies related to the of potentially harmful algal blooms using multitemporal remote sensing data and Machine Learning algorithms
title Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina
spellingShingle Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina
Ananias, Pedro Henrique Moraes [UNESP]
Sensoriamento Remoto
Floração de Algas
Aprendizado de Máquina
Anomalia
Classificação
Séries multitemporais
Remote Sensing
Algal Bloom
Machine Learning
Anomaly
Classification
Multitemporal series
title_short Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina
title_full Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina
title_fullStr Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina
title_full_unstemmed Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina
title_sort Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina
author Ananias, Pedro Henrique Moraes [UNESP]
author_facet Ananias, Pedro Henrique Moraes [UNESP]
author_role author
dc.contributor.none.fl_str_mv Negri, Rogério Galante [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Ananias, Pedro Henrique Moraes [UNESP]
dc.subject.por.fl_str_mv Sensoriamento Remoto
Floração de Algas
Aprendizado de Máquina
Anomalia
Classificação
Séries multitemporais
Remote Sensing
Algal Bloom
Machine Learning
Anomaly
Classification
Multitemporal series
topic Sensoriamento Remoto
Floração de Algas
Aprendizado de Máquina
Anomalia
Classificação
Séries multitemporais
Remote Sensing
Algal Bloom
Machine Learning
Anomaly
Classification
Multitemporal series
description Globalmente, foram observadas nos últimos anos severas mudanças ambientais e climáticas. Neste cenário, destacam-se o aumento de eventos de floração de algas tóxicas, responsáveis pela degradação da qualidade da água e, principalmente, ameaça à saúde dos seres vivos. Estudos apontam para a necessidade de monitoramento e previsão desse fenômeno, os quais podem ser conduzidos segundo a concentração de clorofila. Perante esta motivação, utilizando-se técnicas de Aprendizado de Máquina e séries multitemporais de dados obtidos por Sensoriamento Remoto, foram desenvolvidos dois novos métodos capazes de proporcionar suporte à detecção e previsão de floração de algas. O primeiro visa a detecção automática do fenômeno e aplica conceitos de classificação de imagens por meio do emprego do algoritmo One-class Support Vector Machine. O segundo método é responsável por prever o seu surgimento. Como forma de evidenciar o potencial e viabilidade das propostas, os algoritmos foram aplicados em estudos de caso em áreas suscetíveis à ocorrência de floração de algas tóxicas.
publishDate 2021
dc.date.none.fl_str_mv 2021-09-21T19:30:21Z
2021-09-21T19:30:21Z
2021-08-12
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 http://hdl.handle.net/11449/214487
33004145083P2
url http://hdl.handle.net/11449/214487
identifier_str_mv 33004145083P2
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.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1803649273677479936

Registros relacionados