Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UNOESTE |
Texto Completo: | http://bdtd.unoeste.br:8080/jspui/handle/jspui/1372 |
Resumo: | As zonas ripárias consistem em importantes regiões ambientais, especificamente para a manutenção da qualidade dos recursos hídricos. Mapear com precisão a vegetação florestal nas zonas ripárias é uma questão importante, uma vez que pode fornecer informações sobre vários processos de superfície que ocorrem nessas áreas. Recentemente, algoritmos de aprendizado de máquina ganharam atenção como uma abordagem inovadora para extrair informações de imagens de sensoriamento remoto, inclusive para apoiar a tarefa de mapeamento de áreas de vegetação. No entanto, estudos relacionados à aplicação de aprendizado de máquina para mapeamento da vegetação florestal exclusivamente nas zonas ripárias ainda são limitados. Portanto, este artigo apresenta uma estrutura para mapeamento da vegetação florestal em zonas ripárias baseadas com modelos de aprendizado de máquina usando imagens multiespectrais orbitais. Um total de 14 imagens Sentinel-2 registradas ao longo do ano, cobrindo uma grande zona ripária de uma porção de um rio largo na região do Pontal do Paranapanema, estado de São Paulo, Brasil, foi adotado como o conjunto de dados. Esta área é composta principalmente por vegetação do Bioma Atlântico, e está próxima ao último fragmento primário de seu bioma, sendo uma importante região do bioma do ponto de vista do planejamento ambiental. Comparamos o desempenho de vários algoritmos de aprendizado de máquina, como Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM) e Normal Bayes (NB). Avaliamos diferentes datas e locais com todos os modelos. Nossos resultados demonstraram que o algoritmo DT tem, de maneira geral, a maior precisão nesta tarefa. O algoritmo DT também apresentou alta precisão quando aplicado em datas diferentes e na zona ribeirinha de outro rio. Concluímos que a abordagem proposta é adequada para mapear com precisão a vegetação florestal nas zonas ripárias, incluindo o contexto temporal |
id |
UOES_d9e71d74a6ec5b399d41d2ae4a61f6ef |
---|---|
oai_identifier_str |
oai:bdtd.unoeste.br:jspui/1372 |
network_acronym_str |
UOES |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UNOESTE |
repository_id_str |
|
spelling |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2A machine learning approach for mapping forest vegetation in riparian zones in an atlantic biome environment using sentinel-2 imageryAprendizagem de máquinaDecision treeImagens sentinelaClassificação de imagensMapeamento da vegetação florestal.Machine learningDecision treeSentinel imagesImage classificationForest vegetation mappingOUTROS::CIENCIASAs zonas ripárias consistem em importantes regiões ambientais, especificamente para a manutenção da qualidade dos recursos hídricos. Mapear com precisão a vegetação florestal nas zonas ripárias é uma questão importante, uma vez que pode fornecer informações sobre vários processos de superfície que ocorrem nessas áreas. Recentemente, algoritmos de aprendizado de máquina ganharam atenção como uma abordagem inovadora para extrair informações de imagens de sensoriamento remoto, inclusive para apoiar a tarefa de mapeamento de áreas de vegetação. No entanto, estudos relacionados à aplicação de aprendizado de máquina para mapeamento da vegetação florestal exclusivamente nas zonas ripárias ainda são limitados. Portanto, este artigo apresenta uma estrutura para mapeamento da vegetação florestal em zonas ripárias baseadas com modelos de aprendizado de máquina usando imagens multiespectrais orbitais. Um total de 14 imagens Sentinel-2 registradas ao longo do ano, cobrindo uma grande zona ripária de uma porção de um rio largo na região do Pontal do Paranapanema, estado de São Paulo, Brasil, foi adotado como o conjunto de dados. Esta área é composta principalmente por vegetação do Bioma Atlântico, e está próxima ao último fragmento primário de seu bioma, sendo uma importante região do bioma do ponto de vista do planejamento ambiental. Comparamos o desempenho de vários algoritmos de aprendizado de máquina, como Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM) e Normal Bayes (NB). Avaliamos diferentes datas e locais com todos os modelos. Nossos resultados demonstraram que o algoritmo DT tem, de maneira geral, a maior precisão nesta tarefa. O algoritmo DT também apresentou alta precisão quando aplicado em datas diferentes e na zona ribeirinha de outro rio. Concluímos que a abordagem proposta é adequada para mapear com precisão a vegetação florestal nas zonas ripárias, incluindo o contexto temporalRiparian zones consist of important environmental regions, specifically to maintain the quality of water resources. Accurately mapping forest vegetation in riparian zones is an important issue, since it may provide information about numerous surface processes that occur in these areas. Recently, machine learning algorithms have gained attention as an innovative approach to extract information from remote sensing imagery, including to support the mapping task of vegetation areas. Nonetheless, studies related to machine learning application for forest vegetation mapping in the riparian zones exclusively is still limited. Therefore, this paper presents a framework for forest vegetation mapping in riparian zones based on machine learning models using orbital multispectral images. A total of 14 Sentinel-2 images registered throughout the year, covering a large riparian zone of a portion of a wide river in the Pontal do Paranapanema region, São Paulo state, Brazil, was adopted as the dataset. This area is mainly composed of the Atlantic Biome vegetation, and it is near to the last primary fragment of its biome, being an important region from the environmental planning point of view. We compared the performance of multiple machine learning algorithms like decision tree (DT), random forest (RF), support vector machine (SVM), and normal Bayes (NB). We evaluated different dates and locations with all models. Our results demonstrated that the DT learner has, overall, the highest accuracy in this task. The DT algorithm also showed high accuracy when applied on different dates and in the riparian zone of another river. We conclude that the proposed approach is appropriated to accurately map forest vegetation in riparian zones, including temporal context.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESUniversidade do Oeste PaulistaMestrado em Meio Ambiente e Desenvolvimento RegionalBrasilUNOESTEMestrado em Meio Ambiente e Desenvolvimento RegionalRamos, Ana Paula Marqueshttp://lattes.cnpq.br/9006947238035954Pereira, Danillo Robertohttp://lattes.cnpq.br/0122307432250869Ramos, Ana Paula Marqueshttp://lattes.cnpq.br/9006947238035954Silva, Paulo Antônio dahttp://lattes.cnpq.br/6213603526706261Oliveira, Renan Furlan dehttp://lattes.cnpq.br/3824171107909886FURUYA, Danielle Elis Garcia2021-10-11T12:14:57Z2021-02-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfFURUYA, Danielle Elis Garcia. Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2. 2021. 37 f. Dissertação (Mestrado em Meio Ambiente e Desenvolvimento Regional) - Universidade do Oeste Paulista, Presidente Prudente, 2021.http://bdtd.unoeste.br:8080/jspui/handle/jspui/1372porhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UNOESTEinstname:Universidade do Oeste Paulista (UNOESTE)instacron:UNOESTE2021-10-12T04:00:51Zoai:bdtd.unoeste.br:jspui/1372Biblioteca Digital de Teses e Dissertaçõeshttp://bdtd.unoeste.br:8080/jspui/PUBhttp://bdtd.unoeste.br:8080/oai/requestbdtd@unoeste.bropendoar:2021-10-12T04:00:51Biblioteca Digital de Teses e Dissertações da UNOESTE - Universidade do Oeste Paulista (UNOESTE)false |
dc.title.none.fl_str_mv |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2 A machine learning approach for mapping forest vegetation in riparian zones in an atlantic biome environment using sentinel-2 imagery |
title |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2 |
spellingShingle |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2 FURUYA, Danielle Elis Garcia Aprendizagem de máquina Decision tree Imagens sentinela Classificação de imagens Mapeamento da vegetação florestal. Machine learning Decision tree Sentinel images Image classification Forest vegetation mapping OUTROS::CIENCIAS |
title_short |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2 |
title_full |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2 |
title_fullStr |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2 |
title_full_unstemmed |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2 |
title_sort |
Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2 |
author |
FURUYA, Danielle Elis Garcia |
author_facet |
FURUYA, Danielle Elis Garcia |
author_role |
author |
dc.contributor.none.fl_str_mv |
Ramos, Ana Paula Marques http://lattes.cnpq.br/9006947238035954 Pereira, Danillo Roberto http://lattes.cnpq.br/0122307432250869 Ramos, Ana Paula Marques http://lattes.cnpq.br/9006947238035954 Silva, Paulo Antônio da http://lattes.cnpq.br/6213603526706261 Oliveira, Renan Furlan de http://lattes.cnpq.br/3824171107909886 |
dc.contributor.author.fl_str_mv |
FURUYA, Danielle Elis Garcia |
dc.subject.por.fl_str_mv |
Aprendizagem de máquina Decision tree Imagens sentinela Classificação de imagens Mapeamento da vegetação florestal. Machine learning Decision tree Sentinel images Image classification Forest vegetation mapping OUTROS::CIENCIAS |
topic |
Aprendizagem de máquina Decision tree Imagens sentinela Classificação de imagens Mapeamento da vegetação florestal. Machine learning Decision tree Sentinel images Image classification Forest vegetation mapping OUTROS::CIENCIAS |
description |
As zonas ripárias consistem em importantes regiões ambientais, especificamente para a manutenção da qualidade dos recursos hídricos. Mapear com precisão a vegetação florestal nas zonas ripárias é uma questão importante, uma vez que pode fornecer informações sobre vários processos de superfície que ocorrem nessas áreas. Recentemente, algoritmos de aprendizado de máquina ganharam atenção como uma abordagem inovadora para extrair informações de imagens de sensoriamento remoto, inclusive para apoiar a tarefa de mapeamento de áreas de vegetação. No entanto, estudos relacionados à aplicação de aprendizado de máquina para mapeamento da vegetação florestal exclusivamente nas zonas ripárias ainda são limitados. Portanto, este artigo apresenta uma estrutura para mapeamento da vegetação florestal em zonas ripárias baseadas com modelos de aprendizado de máquina usando imagens multiespectrais orbitais. Um total de 14 imagens Sentinel-2 registradas ao longo do ano, cobrindo uma grande zona ripária de uma porção de um rio largo na região do Pontal do Paranapanema, estado de São Paulo, Brasil, foi adotado como o conjunto de dados. Esta área é composta principalmente por vegetação do Bioma Atlântico, e está próxima ao último fragmento primário de seu bioma, sendo uma importante região do bioma do ponto de vista do planejamento ambiental. Comparamos o desempenho de vários algoritmos de aprendizado de máquina, como Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM) e Normal Bayes (NB). Avaliamos diferentes datas e locais com todos os modelos. Nossos resultados demonstraram que o algoritmo DT tem, de maneira geral, a maior precisão nesta tarefa. O algoritmo DT também apresentou alta precisão quando aplicado em datas diferentes e na zona ribeirinha de outro rio. Concluímos que a abordagem proposta é adequada para mapear com precisão a vegetação florestal nas zonas ripárias, incluindo o contexto temporal |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-10-11T12:14:57Z 2021-02-26 |
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 |
FURUYA, Danielle Elis Garcia. Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2. 2021. 37 f. Dissertação (Mestrado em Meio Ambiente e Desenvolvimento Regional) - Universidade do Oeste Paulista, Presidente Prudente, 2021. http://bdtd.unoeste.br:8080/jspui/handle/jspui/1372 |
identifier_str_mv |
FURUYA, Danielle Elis Garcia. Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2. 2021. 37 f. Dissertação (Mestrado em Meio Ambiente e Desenvolvimento Regional) - Universidade do Oeste Paulista, Presidente Prudente, 2021. |
url |
http://bdtd.unoeste.br:8080/jspui/handle/jspui/1372 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade do Oeste Paulista Mestrado em Meio Ambiente e Desenvolvimento Regional Brasil UNOESTE Mestrado em Meio Ambiente e Desenvolvimento Regional |
publisher.none.fl_str_mv |
Universidade do Oeste Paulista Mestrado em Meio Ambiente e Desenvolvimento Regional Brasil UNOESTE Mestrado em Meio Ambiente e Desenvolvimento Regional |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UNOESTE instname:Universidade do Oeste Paulista (UNOESTE) instacron:UNOESTE |
instname_str |
Universidade do Oeste Paulista (UNOESTE) |
instacron_str |
UNOESTE |
institution |
UNOESTE |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UNOESTE |
collection |
Biblioteca Digital de Teses e Dissertações da UNOESTE |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UNOESTE - Universidade do Oeste Paulista (UNOESTE) |
repository.mail.fl_str_mv |
bdtd@unoeste.br |
_version_ |
1811100162677800960 |