[en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: FELIPE FERRARI
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: MAXWELL
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
[pt] SENSORIAMENTO REMOTO
[pt] APRENDIZADO PROFUNDO
[pt] NUVEM
[pt] FUSAO DE DADOS
[pt] DESMATAMENTO
[en] REMOTE SENSING
[en] DEEP LEARNING
[en] CLOUD
[en] DATA FUSION
[en] DEFORESTATION
Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68353&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68353&idi=2
http://doi.org/10.17771/PUCRio.acad.68353
Resumo: [pt] O monitoramento do desmatamento é altamente dependente de especialistas humanos que analisam imagens ópticas livres de nuvens. O desenvolvimento de metodologias que minimizem a dependência de especialistashumanos bem como da disponibilidade de imagens ópticas livres de nuvenspode contribuir para os esforços de conservação ambiental. Apesar do usomais fácil de imagens ópticas para detecção de desmatamento, a presençade nuvens nessas imagens limita a sua utilização, obrigando a seleção deimagens em épocas específicas do ano em que a presença de nuvens é menor. Porém, mesmo no período mais seco do ano, existem certas regiões daFloresta Amazônica Brasileira onde a presença de nuvens ainda é elevada.Por outro lado, as imagens SAR sofrem menos interferência das nuvens, massão mais difíceis de interpretar. Visando aproveitar ambos, investigamos métodos de fusão desses dados, especialmente usando imagens com condiçõesdiversas de nuvens, que é um assunto inexplorado até onde sabemos. Propusemos o uso de uma estratégia de pré-treinamento a partir de modelosópticos e SAR. Investigamos arquiteturas baseadas em Vision Transformers.Nossos melhores alcançaram o mesmo resultado de F1-Score usando a fusãode imagens SAR com imagens ópticas com condições diversas de nuvens eimagens ópticas livres de nuvens.
id PUC_RIO-1_283ea602e875b728402467680d3f10e0
oai_identifier_str oai:MAXWELL.puc-rio.br:68353
network_acronym_str PUC_RIO-1
network_name_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository_id_str
spelling [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS [pt] DETECÇÃO DE DESMATAMENTO SOB CONDIÇÕES DIVERSAS DE NUVENS A PARTIR DA FUSÃO DE DADOS ÓPTICOS E SAR COM MODELOS DE APRENDIZADO PROFUNDO [pt] SENSORIAMENTO REMOTO[pt] APRENDIZADO PROFUNDO[pt] NUVEM[pt] FUSAO DE DADOS[pt] DESMATAMENTO[en] REMOTE SENSING[en] DEEP LEARNING[en] CLOUD[en] DATA FUSION[en] DEFORESTATION[pt] O monitoramento do desmatamento é altamente dependente de especialistas humanos que analisam imagens ópticas livres de nuvens. O desenvolvimento de metodologias que minimizem a dependência de especialistashumanos bem como da disponibilidade de imagens ópticas livres de nuvenspode contribuir para os esforços de conservação ambiental. Apesar do usomais fácil de imagens ópticas para detecção de desmatamento, a presençade nuvens nessas imagens limita a sua utilização, obrigando a seleção deimagens em épocas específicas do ano em que a presença de nuvens é menor. Porém, mesmo no período mais seco do ano, existem certas regiões daFloresta Amazônica Brasileira onde a presença de nuvens ainda é elevada.Por outro lado, as imagens SAR sofrem menos interferência das nuvens, massão mais difíceis de interpretar. Visando aproveitar ambos, investigamos métodos de fusão desses dados, especialmente usando imagens com condiçõesdiversas de nuvens, que é um assunto inexplorado até onde sabemos. Propusemos o uso de uma estratégia de pré-treinamento a partir de modelosópticos e SAR. Investigamos arquiteturas baseadas em Vision Transformers.Nossos melhores alcançaram o mesmo resultado de F1-Score usando a fusãode imagens SAR com imagens ópticas com condições diversas de nuvens eimagens ópticas livres de nuvens.[en] Deforestation monitoring is highly dependent on human specialists analyzing cloud-free optical images. Developing methodologies that minimize the dependency on human specialists and the availability of cloud-free optical images can contribute to environmental conservation efforts. Despite the more accessible use of optical images for deforestation detection, the presence of clouds in these images limited the operation, forcing the selection of images at specific times of the year when the presence of clouds is lower. However, even in the dryest period of the year, there are certain regions of the Brazilian Amazon Forest where the cloud presence is still high. On the other hand, the SAR images suffer less interference from clouds, but are more challenging to interpret. Aiming to take advantage of both, we investigated Deep Leaning methods of fusion of these data, especially in diverse cloud presence conditions, which is an unexplored subject, as best as we know. We proposed using a pre-training strategy from single-modality optical and SAR models. We investigated ways to combine the SAR images across the analyzed period. We also investigated Vision Transformer-based architectures. Our best results reached the same F1-Score result fusing SAR images with optical images with diverse cloud conditions and with cloud-free optical images. MAXWELLRAUL QUEIROZ FEITOSAFELIPE FERRARI2024-10-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68353&idi=1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68353&idi=2http://doi.org/10.17771/PUCRio.acad.68353engreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2024-10-10T00:00:00Zoai:MAXWELL.puc-rio.br:68353Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342024-10-10T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false
dc.title.none.fl_str_mv [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS
[pt] DETECÇÃO DE DESMATAMENTO SOB CONDIÇÕES DIVERSAS DE NUVENS A PARTIR DA FUSÃO DE DADOS ÓPTICOS E SAR COM MODELOS DE APRENDIZADO PROFUNDO
title [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS
spellingShingle [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS
FELIPE FERRARI
[pt] SENSORIAMENTO REMOTO
[pt] APRENDIZADO PROFUNDO
[pt] NUVEM
[pt] FUSAO DE DADOS
[pt] DESMATAMENTO
[en] REMOTE SENSING
[en] DEEP LEARNING
[en] CLOUD
[en] DATA FUSION
[en] DEFORESTATION
title_short [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS
title_full [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS
title_fullStr [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS
title_full_unstemmed [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS
title_sort [en] DEFORESTATION DETECTION UNDER DIVERSE CLOUD CONDITIONS FROM THE FUSION OF OPTICAL AND SAR DATA WITH DEEP LEARNING MODELS
author FELIPE FERRARI
author_facet FELIPE FERRARI
author_role author
dc.contributor.none.fl_str_mv RAUL QUEIROZ FEITOSA
dc.contributor.author.fl_str_mv FELIPE FERRARI
dc.subject.por.fl_str_mv [pt] SENSORIAMENTO REMOTO
[pt] APRENDIZADO PROFUNDO
[pt] NUVEM
[pt] FUSAO DE DADOS
[pt] DESMATAMENTO
[en] REMOTE SENSING
[en] DEEP LEARNING
[en] CLOUD
[en] DATA FUSION
[en] DEFORESTATION
topic [pt] SENSORIAMENTO REMOTO
[pt] APRENDIZADO PROFUNDO
[pt] NUVEM
[pt] FUSAO DE DADOS
[pt] DESMATAMENTO
[en] REMOTE SENSING
[en] DEEP LEARNING
[en] CLOUD
[en] DATA FUSION
[en] DEFORESTATION
description [pt] O monitoramento do desmatamento é altamente dependente de especialistas humanos que analisam imagens ópticas livres de nuvens. O desenvolvimento de metodologias que minimizem a dependência de especialistashumanos bem como da disponibilidade de imagens ópticas livres de nuvenspode contribuir para os esforços de conservação ambiental. Apesar do usomais fácil de imagens ópticas para detecção de desmatamento, a presençade nuvens nessas imagens limita a sua utilização, obrigando a seleção deimagens em épocas específicas do ano em que a presença de nuvens é menor. Porém, mesmo no período mais seco do ano, existem certas regiões daFloresta Amazônica Brasileira onde a presença de nuvens ainda é elevada.Por outro lado, as imagens SAR sofrem menos interferência das nuvens, massão mais difíceis de interpretar. Visando aproveitar ambos, investigamos métodos de fusão desses dados, especialmente usando imagens com condiçõesdiversas de nuvens, que é um assunto inexplorado até onde sabemos. Propusemos o uso de uma estratégia de pré-treinamento a partir de modelosópticos e SAR. Investigamos arquiteturas baseadas em Vision Transformers.Nossos melhores alcançaram o mesmo resultado de F1-Score usando a fusãode imagens SAR com imagens ópticas com condições diversas de nuvens eimagens ópticas livres de nuvens.
publishDate 2024
dc.date.none.fl_str_mv 2024-10-10
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68353&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68353&idi=2
http://doi.org/10.17771/PUCRio.acad.68353
url https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68353&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68353&idi=2
http://doi.org/10.17771/PUCRio.acad.68353
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv MAXWELL
publisher.none.fl_str_mv MAXWELL
dc.source.none.fl_str_mv reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)
instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron:PUC_RIO
instname_str Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron_str PUC_RIO
institution PUC_RIO
reponame_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
collection Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository.name.fl_str_mv Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
repository.mail.fl_str_mv
_version_ 1856395969363443712

Registros relacionados