Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1372
Tipo do documento: Dissertação
Título: 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
Título(s) alternativo(s): A machine learning approach for mapping forest vegetation in riparian zones in an atlantic biome environment using sentinel-2 imagery
Autor: FURUYA, Danielle Elis Garcia 
Primeiro orientador: Ramos, Ana Paula Marques
Primeiro coorientador: Pereira, Danillo Roberto
Primeiro membro da banca: Ramos, Ana Paula Marques
Segundo membro da banca: Silva, Paulo Antônio da
Terceiro membro da banca: Oliveira, Renan Furlan de
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
Abstract: Riparian 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.
Palavras-chave: 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
Área(s) do CNPq: OUTROS::CIENCIAS
Idioma: por
País: Brasil
Instituição: Universidade do Oeste Paulista
Sigla da instituição: UNOESTE
Departamento: Mestrado em Meio Ambiente e Desenvolvimento Regional
Programa: Mestrado em Meio Ambiente e Desenvolvimento Regional
Citação: 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.
Tipo de acesso: Acesso Aberto
Endereço da licença: http://creativecommons.org/licenses/by-nc-nd/4.0/
URI: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1372
Data de defesa: 26-Fev-2021
Aparece nas coleções:Mestrado em Meio Ambiente e Desenvolvimento Regional

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DANIELLE FURUYA.pdf1,09 MBAdobe PDFThumbnail

Baixar/Abrir Pré-Visualizar


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.