Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: KARASINSKI, Mauro Alessandro
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
REDES NEURAIS ARTIFICIAIS
YOLOV4
deep Learning sensoriamento remoto
FLORESTA AMAZÔNICA
Link de acesso: https://biblioteca.sophia.com.br/terminalri/9566/acervo/detalhe/155468
Resumo: (Mestrado em Ciências Florestais) - Programa de Pós-Graduação em Ciências Florestais, Universidade Estadual do Centro-Oeste
id UCEN_b44176b1d49d5c2d098e40348b93ebeb
oai_identifier_str oai::155468
network_acronym_str UCEN
network_name_str Biblioteca Digital de Teses e Dissertações do UNICENTRO
repository_id_str
spelling Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia OcidentalREDES NEURAIS ARTIFICIAISYOLOV4deep Learning sensoriamento remotoFLORESTA AMAZÔNICA(Mestrado em Ciências Florestais) - Programa de Pós-Graduação em Ciências Florestais, Universidade Estadual do Centro-OesteAs palmeiras (Arecaceae) são um dos recursos mais importantes do ponto de vista social e econômico para as comunidades locais na Amazônia, porque garantem rendimentos e oferecem recursos como alimentos e matéria-prima para a construção, artesanato e indústria. A complexidade das florestas amazônicas limita a obtenção de informações cruciais para a exploração e gestão comercial das palmeiras, tais como a densidade e distribuição espacial. Em vista disso, neste estudo avaliou-se o desempenho da Rede Neural Convolucional YOLOv4 para a detecção e classificação automática das palmeiras nas florestas tropicais nativas. O estudo foi realizado num remanescente de Floresta Ombrófila Aberta no sudoeste da Amazônia. Primeiramente foi gerada uma ortofoto RGB a partir de imagens obtidas com uma aeronave remotamente pilotada. Em seguida, a ortofoto foi subdividida em 960 parcelas de 37,5 x 37,5 metros. Foram rotuladas, manualmente, 1098 palmeiras identificadas por fotointerpretação pertencentes a quatro espécies de palmeiras: Attalea butyracea (Mutis ex L.f.) Wess. Boer, Euterpe precatoria Mart., Iriartea deltoidea Ruiz & Pav e Oenocarpus bataua Mart. Realizou-se um aumento de dados para elevar a capacidade de aprendizagem do modelo. Selecionou-se aleatoriamente 80% dos dados para treinamento e 20% dos dados para validação. Para fazer as previsões da localização e classificação das palmeiras, a Rede Neural Artificial para a detecção de objetos YOLOv4 foi utilizada. O método alcançou precisão média geral de 91,08% e a precisão média para A. butyracea, E. precatoria, I. deltoidea e O. bataua foi 92,07% ±2,85%; 96,2% ±1,48%; 93,83% ±3,09% e 92,48% ±2,82%, respectivamente. O YOLOv4 é uma ferramenta efetiva para o mapeamento das palmeiras em florestas nativas, podendo ser utilizada no âmbito do planejamento e manejo florestal.The palm trees (Arecaceae) are one of the most important resources from the social and economic point of view for the local communities in the Amazon, because they guarantee income and provide resources such as food, raw material for construction, handicrafts, and industry. The complexity of Amazonian forests limits obtaining crucial information for commercial exploitation and management of palm trees, such as density and spatial distribution. We evaluated the performance of the YOLOv4 Convolutional Neural Network in the automatic detection and classification of palm trees in native tropical forests. The study was conducted in a remnant of Open Ombrophylous Forest in southwestern Amazonia. First, an RGB orthophoto was generated from images obtained with an Unmanned Aerial Vehicle. The orthophoto was then subdivided into 960 plots of 37.5 x 37.5 meters. We manually labeled 1098 palm trees identified by photointerpretation belonging to four palm species: Attalea butyracea (Mutis ex L.f.) Wess. Boer, Euterpe precatoria Mart., Iriartea deltoidea Ruiz & Pav and Oenocarpus bataua Mart. Data augmentation was performed to increase the learning ability of the model. It randomly selected 80% of the data for training, 20% for validation. To make the predictions, the Artificial Neural Network for object detection YOLOv4 was used. The method achieved overall average accuracy of 91.08% and the average accuracy for A. butyracea, E. precatoria, I. deltoidea and O. bataua was 92.07% ±2.85%; 96.2%; ±1.48%; 93.83%; ±3.09% and 92.48% ±2.82%, respectively. YOLOv4 is an important tool for mapping palm trees in native forests, serving as a support for forest planning and management.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESAcesso AbertoSubmitted by Fabiano Jucá (fjuca@unicentro.br) on 2021-12-16T17:43:46Z No. of bitstreams: 1 Dissertação - Mauro Alessandro Karasinski.pdf: 3364127 bytes, checksum: f89cb2aba03bfec5d1cf730dea67d2f0 (MD5) Made available in DSpace on 2021-12-16T17:43:46Z (GMT). No. of bitstreams: 1 Dissertação - Mauro Alessandro Karasinski.pdf: 3364127 bytes, checksum: f89cb2aba03bfec5d1cf730dea67d2f0 (MD5) Previous issue date: 2021-04-15Unicentro - Departamento de Engenharia FlorestalKoehler, Henrique SoaresFIGUEIREDO FILHO, AfonsoRibeiro, Sabina CerrutoKARASINSKI, Mauro Alessandro2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf103 f.https://biblioteca.sophia.com.br/terminalri/9566/acervo/detalhe/155468https://biblioteca.sophia.com.br/terminalri/9566/acervo/detalhe/155468Cover: https://biblioteca.sophia.com.br/terminalri/9566/capa/capa?codigo=155468porreponame:Biblioteca Digital de Teses e Dissertações do UNICENTROinstname:Universidade Estadual do Centro-Oeste (UNICENTRO)instacron:UNICENTROinfo:eu-repo/semantics/openAccess2025-09-25T17:14:22Zoai::155468Biblioteca Digital de Teses e Dissertaçõeshttp://tede.unicentro.br:8080/jspui/PUBhttp://tede.unicentro.br/tde_oai/oai3.phprepositorio@unicentro.br||fabianoqueiroz@yahoo.com.bropendoar:2025-09-25T17:14:22Biblioteca Digital de Teses e Dissertações do UNICENTRO - Universidade Estadual do Centro-Oeste (UNICENTRO)false
dc.title.none.fl_str_mv Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental
title Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental
spellingShingle Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental
KARASINSKI, Mauro Alessandro
REDES NEURAIS ARTIFICIAIS
YOLOV4
deep Learning sensoriamento remoto
FLORESTA AMAZÔNICA
title_short Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental
title_full Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental
title_fullStr Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental
title_full_unstemmed Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental
title_sort Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental
author KARASINSKI, Mauro Alessandro
author_facet KARASINSKI, Mauro Alessandro
author_role author
dc.contributor.none.fl_str_mv Koehler, Henrique Soares
FIGUEIREDO FILHO, Afonso
Ribeiro, Sabina Cerruto
dc.contributor.author.fl_str_mv KARASINSKI, Mauro Alessandro
dc.subject.por.fl_str_mv REDES NEURAIS ARTIFICIAIS
YOLOV4
deep Learning sensoriamento remoto
FLORESTA AMAZÔNICA
topic REDES NEURAIS ARTIFICIAIS
YOLOV4
deep Learning sensoriamento remoto
FLORESTA AMAZÔNICA
description (Mestrado em Ciências Florestais) - Programa de Pós-Graduação em Ciências Florestais, Universidade Estadual do Centro-Oeste
publishDate 2021
dc.date.none.fl_str_mv 2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://biblioteca.sophia.com.br/terminalri/9566/acervo/detalhe/155468
url https://biblioteca.sophia.com.br/terminalri/9566/acervo/detalhe/155468
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://biblioteca.sophia.com.br/terminalri/9566/acervo/detalhe/155468
Cover: https://biblioteca.sophia.com.br/terminalri/9566/capa/capa?codigo=155468
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
103 f.
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações do UNICENTRO
instname:Universidade Estadual do Centro-Oeste (UNICENTRO)
instacron:UNICENTRO
instname_str Universidade Estadual do Centro-Oeste (UNICENTRO)
instacron_str UNICENTRO
institution UNICENTRO
reponame_str Biblioteca Digital de Teses e Dissertações do UNICENTRO
collection Biblioteca Digital de Teses e Dissertações do UNICENTRO
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações do UNICENTRO - Universidade Estadual do Centro-Oeste (UNICENTRO)
repository.mail.fl_str_mv repositorio@unicentro.br||fabianoqueiroz@yahoo.com.br
_version_ 1862378657846132736

Registros relacionados