Um sistema WebGIS para classificação supervisionada de cobertura do solo utilizando inteligência artificial
dc.contributor.advisor1 | Costa, Ronaldo Martins da | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7080590204832262 | pt_BR |
dc.contributor.referee1 | Costa, Ronaldo Martins da | |
dc.contributor.referee2 | Oliveira, Bruna Mendes de | |
dc.contributor.referee3 | Cremon, Édipo Henrique | |
dc.creator | Fernandes, Yuri Kuivjogi | |
dc.creator.Lattes | http://lattes.cnpq.br/0408373239709050 | pt_BR |
dc.date.accessioned | 2022-12-26T12:45:52Z | |
dc.date.available | 2022-12-26T12:45:52Z | |
dc.date.issued | 2022-10-21 | |
dc.description.abstract | With the advancement in data generation for Earth observation and its availability free of charge, the Remote Sensing (SR) area advanced significantly. Over the years, it has been observed the migration of RS applications to the internet environment, facilitating searches of different uses. This work proposes a new approach for collecting and manipulating spatial data for spectral classification based on pixels. A web application was built integrating Google Earth Engine, Google Maps and Auto Machine Learning services for performance analysis. Experiments using samples from land cover regions in Goiás, Brazil, justifying the gain in time, processing and data storage. Such contributions are related to the large amount of information from satellite images collected in a conventional way, which are later not used. As a final result, there is an image classified through the classification process representing the different land cover classes. Model training achieved an accuracy of 99.85% using the Light Gradient Boosting Machine (LightGBM) model. In addition to these benefits, the optimization of processes allows the inclusion of research from other major areas, thus for the greater dissemination of knowledge in the area of SR and pattern recognition applications. | eng |
dc.description.provenance | Submitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2022-12-19T20:25:50Z No. of bitstreams: 2 Dissertação - Yuri Kuivjogi Fernandes - 2022.pdf: 2441445 bytes, checksum: b6a25146afdf6fc98345f110204b0d41 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) | en |
dc.description.provenance | Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2022-12-26T12:45:52Z (GMT) No. of bitstreams: 2 Dissertação - Yuri Kuivjogi Fernandes - 2022.pdf: 2441445 bytes, checksum: b6a25146afdf6fc98345f110204b0d41 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) | en |
dc.description.provenance | Made available in DSpace on 2022-12-26T12:45:52Z (GMT). No. of bitstreams: 2 Dissertação - Yuri Kuivjogi Fernandes - 2022.pdf: 2441445 bytes, checksum: b6a25146afdf6fc98345f110204b0d41 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Previous issue date: 2022-10-21 | en |
dc.description.resumo | Com o avanço na geração de dados para observação da Terra e sua disponibilização de maneira gratuita, a área de Sensoriamento Remoto (SR) avançado de maneira expressiva. Ao longo dos anos, tem-se observado a migração de aplicações de SR para o ambiente da internet, facilitando pesquisas utilizações diversas. Este trabalho propõe uma nova abordagem para coleta e manipulação de dados espaciais para classificação espectral baseada em pixels. Uma aplicação web foi construída integrando serviços do Google Earth Engine, Google Maps e Auto Machine Learning para análise de desempenho. Experimentos usando regiões amostrais de cobertura do solo da região de Goiás, Brasil, demonstraram o ganho em tempo, processamento e armazenamento de dados. Tais contribuições estão relacionadas à grande quantidade de informações de imagens de satélite coletadas de maneira convencional, as quais posteriormente não são utilizadas. Como resultado final, tem-se uma imagem classificada por meio do processo de classificação representando as diferentes classes de cobertura do solo. O treinamento do modelo obteve uma acurácia de 99,85% usando o modelo Light Gradient Boosting Machine (LightGBM). Além destes benefícios, a otimização de processos permite a inclusão de pesquisadores de outras grandes áreas, contribuindo assim para a maior disseminação de conhecimento da área de SR e aplicações de reconhecimento de padrões. | pt_BR |
dc.description.sponsorship | Outro | pt_BR |
dc.identifier.citation | FERNANDES, Y. K. Um sistema WebGIS para classificação supervisionada de cobertura do solo utilizando inteligência artificial. 2022. 67 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2022. | pt_BR |
dc.identifier.uri | http://repositorio.bc.ufg.br/tede/handle/tede/12519 | |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Goiás | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Instituto de Informática - INF (RMG) | pt_BR |
dc.publisher.initials | UFG | pt_BR |
dc.publisher.program | Programa de Pós-graduação em Ciência da Computação (INF) | pt_BR |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Sensoriamento remoto | por |
dc.subject | Identificação espectral | por |
dc.subject | Inteligência artificial | por |
dc.subject | Processamento em nuvem | por |
dc.subject | Culturas agrícolas | por |
dc.subject | Remote sensing | eng |
dc.subject | Spectral identification | eng |
dc.subject | Artificial intelligence | eng |
dc.subject | Cloud processing | eng |
dc.subject | Agricultural crops | eng |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.title | Um sistema WebGIS para classificação supervisionada de cobertura do solo utilizando inteligência artificial | pt_BR |
dc.title.alternative | A WebGIS system for supervised land cover classification using artificial intelligence | eng |
dc.type | Dissertação | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- Dissertação - Yuri Kuivjogi Fernandes - 2022.pdf
- Tamanho:
- 2.33 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: