Deep learning para identificação precisa de desmatamentos através do uso de imagens satelitárias de alta resolução

Página do item simplificado
dc.contributor.advisor1Martins, Wellington Santos
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3041686206689904eng
dc.contributor.referee1Ferreira Junior, Laerte Guimaraes
dc.contributor.referee2Soares, Anderson da Silva
dc.contributor.referee3Martins, Wellington Santos
dc.creatorTaquary, Evandro Carrijo
dc.creator.Latteshttp://lattes.cnpq.br/3790273060324967eng
dc.date.accessioned2019-10-29T12:27:17Z
dc.date.issued2019-09-24
dc.description.abstractOne of the most remarkable advances in Remote Sensing is the devise of the CubeSat satellite building standard. This technology opens up a myriad of possible applications that benefit from the higher spatiotemporal resolutions provided by standard-compatible nanosatellite constellations. In this scenario, one need to investigate the new challenges and how to address them to take advantage of this new type of Remote Sensing Big Data. Among these challenges is the development of means to extract useful information from pixel observations over time in a fine-grained manner. This paper is a seminal study on the use of a special Deep Learning approach, Recurrent Neural Networks, to classify long time series of land cover observations. The method was tested against the problem of identifying areas of deforestation that occurred in a contiguous Cerrado region (17,810 km2 ) over 13 months using high resolution images from PlanetScope, a constellation of CubeSat nanosatellites. In addition to temporal analysis, a solution was needed to make mapping more spatially coherent, which was achieved through the use of a Convolutional Neural Network architecture known as U-Net, in order to perform the semantic segmentation of the temporal analysis result performed in the previous step. The accuracy analysis of the model obtained an F1-score index of 0.9 in identifying deforestation areas of the region of interest over the analyzed period. Given the high performance requirements demanded by the volume of data that this new reality imposes on us, the computational power of parallel processing of a cluster of low cost computers has been explored, enabling the mapping of the studied region to be accelerated up to six times. A discussion of limitations and capabilities of the proposed approach is also presented.eng
dc.description.provenanceSubmitted by Onia Arantes Albuquerque (onia.ufg@gmail.com) on 2019-10-25T14:28:51Z No. of bitstreams: 2 Dissertacao - Evandro Carrijo Taquary - 2019.pdf: 32044079 bytes, checksum: 16567f7a4ff98dbcec5bc88790693a56 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)eng
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2019-10-29T12:27:17Z (GMT) No. of bitstreams: 2 Dissertacao - Evandro Carrijo Taquary - 2019.pdf: 32044079 bytes, checksum: 16567f7a4ff98dbcec5bc88790693a56 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)eng
dc.description.provenanceMade available in DSpace on 2019-10-29T12:27:17Z (GMT). No. of bitstreams: 2 Dissertacao - Evandro Carrijo Taquary - 2019.pdf: 32044079 bytes, checksum: 16567f7a4ff98dbcec5bc88790693a56 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2019-09-24eng
dc.description.resumoUm dos avanços mais notáveis do Sensoriamento Remoto está na concepção do padrão de construção de satélites CubeSat. Essa tecnologia abre uma miríade de possíveis aplicações que beneficiam-se das maiores resoluções espaçotemporais fornecidas por constelações de nanossatélites compatíveis com o padrão. Nesse cenário, é preciso investigar os novos desafios e como enfrentá-los para aproveitar esse novo tipo de Remote Sensing Big Data. Entre esses desafios está o desenvolvimento de meios para extrair informações úteis das observações de pixeis ao longo do tempo de maneira refinada. Este trabalho é um estudo seminal sobre o uso de uma abordagem especial de Aprendizado Profundo, a Long Short Term Memory, para classificar longas séries temporais de observações da cobertura terrestre. O método foi testado com o problema de identificar áreas de desmatamentos que ocorreram em uma região contígua de Cerrado (17.810 km2 ), ao longo de 13 meses, através do uso de imagens de alta resolução da PlanetScope, uma constelação de nanossatélites CubeSat. Além da análise temporal, fez-se necessária uma solução que tornasse o mapeamento mais espacialmente coerente, o que foi alcançado através do uso de uma arquitetura de Rede Neural Convolucional conhecida como U-Net, a fim de realizar a segmentação semântica do resultado da avaliação temporal efetuada na etapa anterior. A análise de acurácia do mapeamento final obteve um índice F1 -score de 0.9 para identificação de áreas de desmatamento na região de interesse ao longo do período especificado. Haja vista os requisitos de alto desempenho demandados pelo volume de dados que essa nova realidade nos impõe, foi explorado o poder computacional de processamento em paralelo de um cluster de computadores de baixo custo, possibilitando acelerar em até seis vezes o mapeamento da região estudada. Uma discussão sobre limitações e capacidades da abordagem proposta também é apresentada.eng
dc.description.sponsorshipFundação de Apoio à Pesquisa - FUNAPEeng
dc.formatapplication/pdf*
dc.identifier.citationTAQUARY, Evandro Carrijo. Deep learning para identificação precisa de desmatamentos através do uso de imagens satelitárias de alta resolução. 2019. 64 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2019.eng
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/10131
dc.languageporeng
dc.publisherUniversidade Federal de Goiáseng
dc.publisher.countryBrasileng
dc.publisher.departmentInstituto de Informática - INF (RG)eng
dc.publisher.initialsUFGeng
dc.publisher.programPrograma de Pós-graduação em Ciência da Computação (INF)eng
dc.rightsAcesso Aberto
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAprendizado profundopor
dc.subjectLSTMpor
dc.subjectUNETpor
dc.subjectSensoriamento remotopor
dc.subjectDesmatamentopor
dc.subjectParalelismopor
dc.subjectDeep learningeng
dc.subjectLSTMeng
dc.subjectUNETeng
dc.subjectRemote sensingeng
dc.subjectDeforestationeng
dc.subjectParallelismeng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOeng
dc.titleDeep learning para identificação precisa de desmatamentos através do uso de imagens satelitárias de alta resoluçãoeng
dc.title.alternativeDeep learning for accurately identifying deforestations through the use of high resolution satellite imageryeng
dc.typeDissertaçãoeng

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Dissertacao - Evandro Carrijo Taquary - 2019.pdf
Tamanho:
30.56 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
2.11 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Mestrado em Ciência da Computação (INF)