Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/266147 |
Resumo: | O lixo marinho causa um amplo espectro de impactos e representa uma ameaça cres cente para o meio ambiente marinho e costeiro. O sensoriamento remoto pode atuar de forma integrada com técnicas tradicionais como operações de limpeza locais e pesqui sas com redes de arrasto, oferecendo como vantagens a extensa área de cobertura e a observação frequente. Contudo, a pouca quantidade disponível de imagens com pre sença de poluição plástica confirmada, necessárias para validação de modelos, cons titui uma limitação. Para sanar esta dificuldade, uma alternativa é o uso de modelos de transferência radiativa (MTRs) para geração de dados. Neste trabalho, utilizamos dados simulados por um MTR junto a dados adquiridos pelo sensor remoto Instru mento Multiespectral (MSI, do inglês MultiSpectral Instrument) da missão Sentinel2 em aplicações com algoritmos de aprendizado de máquina, visando estudar o com portamento espectral da poluição marinha por plásticos e avaliar a aplicabilidade do MTR para esta área de pesquisa. Os resultados da classificação não supervisionada com o algoritmo KMeans demonstraram que o comportamento espectral dos poluentes é influenciado por fatores como tipo de polímero e percentual de cobertura do pixel. Os resultados da classificação supervisionada com uma Rede Neural Artificial (RNA) mostraram que o classificador treinado com dados sintéticos pode ser aplicável a da dos reais em determinadas condições. Foram realizados 4 ciclos de 100 repetições de treino com dados simulados e teste com dados reais, usando 4 conjuntos de atributos de entrada diferentes. O melhor desempenho foi obtido com o conjunto de atributos composto exclusivamente pelos dados das bandas do sensor remoto, enquanto os demais conjuntos também incluíam dados de índices radiométricos. Com este con junto de atributos, o modelo conseguiu atingir uma acurácia geral média de 80%, com média de 0,85 para pontuação F1 balanceada (ponderada pelo número de instâncias positivas de cada classe, visando atenuar o efeito do desbalanceamento). |
id |
URGS_627d0f187c64f786ebe2c8ab500fae60 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/266147 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Barros, Bianca Matos deRolim, Silvia Beatriz AlvesHackmann, Cristiano Lima2023-10-21T03:41:58Z2023http://hdl.handle.net/10183/266147001174319O lixo marinho causa um amplo espectro de impactos e representa uma ameaça cres cente para o meio ambiente marinho e costeiro. O sensoriamento remoto pode atuar de forma integrada com técnicas tradicionais como operações de limpeza locais e pesqui sas com redes de arrasto, oferecendo como vantagens a extensa área de cobertura e a observação frequente. Contudo, a pouca quantidade disponível de imagens com pre sença de poluição plástica confirmada, necessárias para validação de modelos, cons titui uma limitação. Para sanar esta dificuldade, uma alternativa é o uso de modelos de transferência radiativa (MTRs) para geração de dados. Neste trabalho, utilizamos dados simulados por um MTR junto a dados adquiridos pelo sensor remoto Instru mento Multiespectral (MSI, do inglês MultiSpectral Instrument) da missão Sentinel2 em aplicações com algoritmos de aprendizado de máquina, visando estudar o com portamento espectral da poluição marinha por plásticos e avaliar a aplicabilidade do MTR para esta área de pesquisa. Os resultados da classificação não supervisionada com o algoritmo KMeans demonstraram que o comportamento espectral dos poluentes é influenciado por fatores como tipo de polímero e percentual de cobertura do pixel. Os resultados da classificação supervisionada com uma Rede Neural Artificial (RNA) mostraram que o classificador treinado com dados sintéticos pode ser aplicável a da dos reais em determinadas condições. Foram realizados 4 ciclos de 100 repetições de treino com dados simulados e teste com dados reais, usando 4 conjuntos de atributos de entrada diferentes. O melhor desempenho foi obtido com o conjunto de atributos composto exclusivamente pelos dados das bandas do sensor remoto, enquanto os demais conjuntos também incluíam dados de índices radiométricos. Com este con junto de atributos, o modelo conseguiu atingir uma acurácia geral média de 80%, com média de 0,85 para pontuação F1 balanceada (ponderada pelo número de instâncias positivas de cada classe, visando atenuar o efeito do desbalanceamento).Marine litter causes many impacts and is a growing threat to the marine and coastal environment. Remote sensing can work with traditional techniques such as local clea ning operations and trawl net surveys, offering advantages like extensive coverage and frequent observation. However, the small amount of available images with confirmed plastic pollution required for model validation constitutes a limitation. An alternative to healing this difficulty is using Radiative Transfer Models (RMTs) for data generation. In this work, we used RTM simulated data and Multispectral Instrument (MSI) data, from Sentinel2 mission, in applications with machine learning algorithms, aiming to study the spectral behavior of marine plastic pollution and to evaluate the applicability of the MTR for this research area. The results of unsupervised classification with the KMe ans algorithm evidenced that the spectral behavior of pollutants is influenced by factors such as polymer type and percentage of pixel coverage. The results of supervised clas sification with an Artificial Neural Network (ANN) evidenced that the classifier trained with synthetic data can apply to real data under certain conditions. Four cycles of 100 repetitions of training with simulated data and testing with real data were performed, using four sets of different input attributes. The best performance was reached using the set of attributes composed of remote sensor data, while the other sets also included data from radiometric indexes. With this set of attributes, the model was able to reach an average overall accuracy of 80%, with an average of 0.85 for a balanced F1score (weighted by the number of positive instances of each class, aiming to mitigate the effect of imbalance).application/pdfporSensoriamento remotoAprendizado de máquinaRedes neurais artificiaisPoluição marinhaPlásticoMarine debrisRemote sensingRadiative transfer modelsImage classificationArtificial neural networksAprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulCentro Estadual de Pesquisas em Sensoriamento Remoto e MeteorologiaPrograma de Pós-Graduação em Sensoriamento RemotoPorto Alegre, BR-RS2023mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001174319.pdf.txt001174319.pdf.txtExtracted Texttext/plain211336http://www.lume.ufrgs.br/bitstream/10183/266147/2/001174319.pdf.txte8726984b06feced23b5c4305545989eMD52ORIGINAL001174319.pdfTexto completoapplication/pdf7314343http://www.lume.ufrgs.br/bitstream/10183/266147/1/001174319.pdfe3b589f57a12474ea63905c1fe3c2ac3MD5110183/2661472023-10-22 03:37:48.334649oai:www.lume.ufrgs.br:10183/266147Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532023-10-22T06:37:48Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2 |
title |
Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2 |
spellingShingle |
Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2 Barros, Bianca Matos de Sensoriamento remoto Aprendizado de máquina Redes neurais artificiais Poluição marinha Plástico Marine debris Remote sensing Radiative transfer models Image classification Artificial neural networks |
title_short |
Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2 |
title_full |
Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2 |
title_fullStr |
Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2 |
title_full_unstemmed |
Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2 |
title_sort |
Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2 |
author |
Barros, Bianca Matos de |
author_facet |
Barros, Bianca Matos de |
author_role |
author |
dc.contributor.author.fl_str_mv |
Barros, Bianca Matos de |
dc.contributor.advisor1.fl_str_mv |
Rolim, Silvia Beatriz Alves |
dc.contributor.advisor-co1.fl_str_mv |
Hackmann, Cristiano Lima |
contributor_str_mv |
Rolim, Silvia Beatriz Alves Hackmann, Cristiano Lima |
dc.subject.por.fl_str_mv |
Sensoriamento remoto Aprendizado de máquina Redes neurais artificiais Poluição marinha Plástico |
topic |
Sensoriamento remoto Aprendizado de máquina Redes neurais artificiais Poluição marinha Plástico Marine debris Remote sensing Radiative transfer models Image classification Artificial neural networks |
dc.subject.eng.fl_str_mv |
Marine debris Remote sensing Radiative transfer models Image classification Artificial neural networks |
description |
O lixo marinho causa um amplo espectro de impactos e representa uma ameaça cres cente para o meio ambiente marinho e costeiro. O sensoriamento remoto pode atuar de forma integrada com técnicas tradicionais como operações de limpeza locais e pesqui sas com redes de arrasto, oferecendo como vantagens a extensa área de cobertura e a observação frequente. Contudo, a pouca quantidade disponível de imagens com pre sença de poluição plástica confirmada, necessárias para validação de modelos, cons titui uma limitação. Para sanar esta dificuldade, uma alternativa é o uso de modelos de transferência radiativa (MTRs) para geração de dados. Neste trabalho, utilizamos dados simulados por um MTR junto a dados adquiridos pelo sensor remoto Instru mento Multiespectral (MSI, do inglês MultiSpectral Instrument) da missão Sentinel2 em aplicações com algoritmos de aprendizado de máquina, visando estudar o com portamento espectral da poluição marinha por plásticos e avaliar a aplicabilidade do MTR para esta área de pesquisa. Os resultados da classificação não supervisionada com o algoritmo KMeans demonstraram que o comportamento espectral dos poluentes é influenciado por fatores como tipo de polímero e percentual de cobertura do pixel. Os resultados da classificação supervisionada com uma Rede Neural Artificial (RNA) mostraram que o classificador treinado com dados sintéticos pode ser aplicável a da dos reais em determinadas condições. Foram realizados 4 ciclos de 100 repetições de treino com dados simulados e teste com dados reais, usando 4 conjuntos de atributos de entrada diferentes. O melhor desempenho foi obtido com o conjunto de atributos composto exclusivamente pelos dados das bandas do sensor remoto, enquanto os demais conjuntos também incluíam dados de índices radiométricos. Com este con junto de atributos, o modelo conseguiu atingir uma acurácia geral média de 80%, com média de 0,85 para pontuação F1 balanceada (ponderada pelo número de instâncias positivas de cada classe, visando atenuar o efeito do desbalanceamento). |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-10-21T03:41:58Z |
dc.date.issued.fl_str_mv |
2023 |
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/10183/266147 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001174319 |
url |
http://hdl.handle.net/10183/266147 |
identifier_str_mv |
001174319 |
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:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/266147/2/001174319.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/266147/1/001174319.pdf |
bitstream.checksum.fl_str_mv |
e8726984b06feced23b5c4305545989e e3b589f57a12474ea63905c1fe3c2ac3 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085631503630336 |