???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1528
Tipo do documento: Dissertação
Título: Mapeamento de rios em imagens de alta resolução espacial usando algoritmos de aprendizagem de máquina
Título(s) alternativo(s): River mapping in high spatial resolution images using machine learning algorithms
Autor: Souza, Mariany Kerriany Gonçalves de 
Primeiro orientador: Ramos, Ana Paula Marques
Primeiro coorientador: Pereira, Danillo R.
Primeiro membro da banca: Marcato Junior, José
Segundo membro da banca: Alves, Marcelo Rodrigo
Resumo: A proteção das águas é um problema de interesse de diversos órgãos ambientais dentro do Pontal do Paranapanema. Neste estudo foi realizado uma abordagem de classificação e segmentação de rios em imagens de alta resolução espacial baseada em algoritmos rasos de aprendizagem de máquina. Composta por quatro etapas: (1) vetorização de rios em imagens de alta resolução espacial; (2) segmentação das imagens e treinamento dos algoritmos rasos de aprendizagem de máquina; (3) teste dos algoritmos na segmentação dos rios nas imagens RGB; (4) descrição qualitativa dos cursos d’água. A área de estudo de caso é a região pertencente à 22ª Unidade de Gerenciamento de Recursos Hídricos do Pontal do Paranapanema (UGRHI-22), na qual estão inseridos 26 municípios do oeste do estado de São Paulo. As imagens utilizadas são ortofotografias RGB de alta resolução espacial (1 m) provenientes do projeto Mapeia-SP. Para compor os dados de treinamento e teste, organizou-se um banco de dados geográficos no SIG ESRI ArcGIS Pro 2.8. Na sequência, fizemos a classificação de interesse (rios x não rio) nessas imagens. Um total de 04 ortofotos compuseram o estudo de caso inicial. Verificou-se o desempenho dos algoritmos Random Forest (RF), com diferentes métricas de avaliação, e o Support Vector Machine (SVM), ambos aplicados sobre as imagens RGB segmentadas pelo método Mean Shift. Os resultados de desempenho, analisados a partir das métricas de validação da acurácia (90%), como F1-Score (91%), Recall (99%) e Precision (85%), demonstraram que o SVM apresenta os melhores valores. Obteve-se métricas acima de 90% nos dados de teste em termos de F1-measure. Esses resultados foram utilizados em somente 04 imagens, no qual demostram a capacidade dos algoritmos rasos, como o SVM, em realizar o mapeamento de feições em imagens com alto nível de detalhe. Os produtos cartográficos que se pode gerar a partir do emprego dessas metodologias pautadas em inteligência artificial podem apoiar diversos estudos ao que tange às tarefas de planejamento e monitoramento ambiental e análise de impacto ambiental relacionada à proteção dos cursos d’água.
Abstract: Water protection is a problem of interest to several environmental agencies within Pontal do Paranapanema. In this study, an approach for classifying and segmenting rivers in high spatial resolution images based on shallow machine learning algorithms was carried out. Composed of four steps: (1) vectorization of rivers in high spatial resolution images; (2) image segmentation and training of shallow machine learning algorithms; (3) testing the algorithms in the segmentation of the rivers in the RGB images; (4) qualitative description of water courses. The case study area is the region belonging to the 22nd Water Resources Management Unit of Pontal do Paranapanema (UGRHI-22), which includes 26 municipalities in the west of the state of São Paulo. The images used are RGB orthophotographs of high spatial resolution (1 m) from the Mapeia-SP project. To compose the training and test data, a geographic database was organized in GIS ESRI ArcGIS Pro 2.8. Next, we made the classification of interest (rivers x non-river) in these images. A total of 04 orthophotos composed the initial case study. The performance of the Random Forest algorithms was verified, with different evaluation metrics, and the Support Vector Machine (SVM), both applied on RGB images segmented by the Mean Shift method. The performance results, analyzed from the validation metrics of accuracy (90%), such as F1-Score (91%), Recall (99%) and Precision (85%), showed that the SVM presents the best values. Metrics above 90% were obtained in the test data in terms of F1-measure. The Random Forest (RF) input parameters were also tested and showed that the highest regularization parameter obtained a result of 90%. These results were obtained from only 04 images, which demonstrate the ability of shallow algorithms, such as SVM, to perform the mapping and segmentation of rivers in images with a high level of detail. The cartographic products that can be generated from the use of these methodologies based on artificial intelligence can support several studies regarding environmental planning and monitoring tasks and environmental impact analysis related to the protection of water courses.
Palavras-chave: Support Vector Machine
Random Forest
Aprendizagem de máquina
Machine Learning
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: SOUZA, M. K. G. de. Mapeamento de rios em imagens de alta resolução espacial usando algoritmos de aprendizagem de máquina. 2022. 30 f. Dissertação (Mestrado em Meio Ambiente e Desenvolvimento Regional)- Universidade do Oeste Paulista, Presidente Prudente, 2022.
Tipo de acesso: Acesso Aberto
URI: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1528
Data de defesa: 23-Feb-2022
Appears in Collections:Mestrado em Meio Ambiente e Desenvolvimento Regional

Files in This Item:
File Description SizeFormat 
MARIANY KERRIANY GONÇALVES DE SOUZA.pdfDocumento principal938,27 kBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.