MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Priscila Lopo Guimarães
Orientador(a): Jose Marcato Junior
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Fundação Universidade Federal de Mato Grosso do Sul
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
remote sensing, Mapping of permeable areas
Link de acesso: https://repositorio.ufms.br/handle/123456789/4336
Resumo: Este trabalho propõe o mapeamento de áreas permeáveis de uma bacia hidrográfica em Campo Grande, Mato Grosso do Sul, Brasil, utilizando técnicas de aprendizado de máquina e dados de sensoriamento remoto. A dissertação está organizada em três capítulos. O primeiro apresenta o mapeamento de florestas urbanas e áreas permeáveis, através do método supervisionado baseado em objetos com o algoritmo de aprendizado de máquina Random Forest usando imagens do Google Earth (GE) Pro. O segundo capítulo apresenta uma análise cienciométrica de deep learning para dados de sensoriamento remoto, por meio de 1.429 documentos extraídos das bases de dados Scopus e Web of Science, até o ano de 2020. E o terceiro capítulo consiste na avaliação e validação do desempenho de algoritmos de deep learning U-Net, PSPNet e Deeplabv3, utilizando imagens do Google Earth (GE) Pro do ano de 2020, permitindo, após verificação, o mapeamento de florestas urbanas e áreas permeáveis na bacia do Prosa. Os resultados obtidos nos capítulos 1 e 3 indicaram alta precisão, com F1-Score superior a 90% para mapeamento de áreas permeáveis usando métodos tradicionais de aprendizado de máquina e aprendizado profundo, indicando uma excelente ferramenta para mapeamento de áreas verdes em ambientes de alta complexidade. Foi possível perceber com o estudo uma melhora considerável no mapeamento de áreas permeáveis feito pelos modelos de deep learning. A contribuição deste trabalho se dá pelo desenvolvimento de abordagens automatizadas para mapeamento de áreas permeáveis, pois representam um importante componente do ecossistema urbano, servindo como ferramenta de planejamento, monitoramento e gestão urbana adequada. Palavras-chave: aprendizado profundo, análise cienciométrica, bacia urbana, cidades sustentáveis, monitoramento ambiental
id UFMS_c408934abddb52007ed8b9b698dc9fd1
oai_identifier_str oai:repositorio.ufms.br:123456789/4336
network_acronym_str UFMS
network_name_str Repositório Institucional da UFMS
repository_id_str
spelling 2022-02-17T18:22:45Z2022-02-17T18:22:45Z2022https://repositorio.ufms.br/handle/123456789/4336Este trabalho propõe o mapeamento de áreas permeáveis de uma bacia hidrográfica em Campo Grande, Mato Grosso do Sul, Brasil, utilizando técnicas de aprendizado de máquina e dados de sensoriamento remoto. A dissertação está organizada em três capítulos. O primeiro apresenta o mapeamento de florestas urbanas e áreas permeáveis, através do método supervisionado baseado em objetos com o algoritmo de aprendizado de máquina Random Forest usando imagens do Google Earth (GE) Pro. O segundo capítulo apresenta uma análise cienciométrica de deep learning para dados de sensoriamento remoto, por meio de 1.429 documentos extraídos das bases de dados Scopus e Web of Science, até o ano de 2020. E o terceiro capítulo consiste na avaliação e validação do desempenho de algoritmos de deep learning U-Net, PSPNet e Deeplabv3, utilizando imagens do Google Earth (GE) Pro do ano de 2020, permitindo, após verificação, o mapeamento de florestas urbanas e áreas permeáveis na bacia do Prosa. Os resultados obtidos nos capítulos 1 e 3 indicaram alta precisão, com F1-Score superior a 90% para mapeamento de áreas permeáveis usando métodos tradicionais de aprendizado de máquina e aprendizado profundo, indicando uma excelente ferramenta para mapeamento de áreas verdes em ambientes de alta complexidade. Foi possível perceber com o estudo uma melhora considerável no mapeamento de áreas permeáveis feito pelos modelos de deep learning. A contribuição deste trabalho se dá pelo desenvolvimento de abordagens automatizadas para mapeamento de áreas permeáveis, pois representam um importante componente do ecossistema urbano, servindo como ferramenta de planejamento, monitoramento e gestão urbana adequada. Palavras-chave: aprendizado profundo, análise cienciométrica, bacia urbana, cidades sustentáveis, monitoramento ambientalThis work proposes mapping permeable areas of an urban catchment in Campo Grande, Mato Grosso do Sul, Brazil, using machine learning techniques and remote sensing data. The dissertation is organized into three chapters. The first presents the mapping of urban forests and permeable areas, based on a supervised object-based method, the Random Forest machine learning algorithm using Google Earth (GE) Pro imagery. The second chapter presents a scientometric analysis of deep learning data for remote sensing, through 1.429 documents extracted from the Scopus and Web of Science databases, up to the year 2020. And the third chapter consists of the evaluation and validation of the performance of the deep learning algorithms like U-Net, PSPNet, and Deeplabv3, using Google Earth (GE) Pro imagery of the year 2020, allowing, after verification, the mapping of urban forests and permeable areas in the catchment of Prosa. The results obtained in chapters 1 and 3 indicated high accuracy, with F1-Score higher than 90% for mapping permeable areas using traditional machine learning and deep learning methods, indicating a excellent tool for mapping green areas in highly complex environments. It was possible to observe, with the case of the study, a considerable improvement in the mapping results of permeable areas using deep learning models. The contribution of this work is given by the development of automated approaches for mapping permeable areas, as they represent an important component of the urban ecosystem, serving as a tool for planning, monitoring and adequate urban management. Keywords: deep learning, scientometric analysis, urban catchment, sustainable cities, environmental monitoringFundação Universidade Federal de Mato Grosso do SulUFMSBrasilremote sensing, Mapping of permeable areasMAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATAinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisJose Marcato JuniorPriscila Lopo Guimarãesinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMSinstname:Universidade Federal de Mato Grosso do Sul (UFMS)instacron:UFMSTHUMBNAILDissertação_Priscila_Lopo.pdf.jpgDissertação_Priscila_Lopo.pdf.jpgGenerated Thumbnailimage/jpeg1676https://repositorio.ufms.br/bitstream/123456789/4336/3/Disserta%c3%a7%c3%a3o_Priscila_Lopo.pdf.jpg35d1d22fdb19d14d5acbbf268e678f9cMD53TEXTDissertação_Priscila_Lopo.pdf.txtDissertação_Priscila_Lopo.pdf.txtExtracted texttext/plain101148https://repositorio.ufms.br/bitstream/123456789/4336/2/Disserta%c3%a7%c3%a3o_Priscila_Lopo.pdf.txt7d0e31d81cf31f013fd01db857666795MD52ORIGINALDissertação_Priscila_Lopo.pdfDissertação_Priscila_Lopo.pdfapplication/pdf4037694https://repositorio.ufms.br/bitstream/123456789/4336/1/Disserta%c3%a7%c3%a3o_Priscila_Lopo.pdfe77d28ea974afcb56fca43749b36a9b4MD51123456789/43362022-02-18 03:01:10.66oai:repositorio.ufms.br:123456789/4336Repositório InstitucionalPUBhttps://repositorio.ufms.br/oai/requestri.prograd@ufms.bropendoar:21242022-02-18T07:01:10Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)false
dc.title.pt_BR.fl_str_mv MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA
title MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA
spellingShingle MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA
Priscila Lopo Guimarães
remote sensing, Mapping of permeable areas
title_short MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA
title_full MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA
title_fullStr MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA
title_full_unstemmed MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA
title_sort MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA
author Priscila Lopo Guimarães
author_facet Priscila Lopo Guimarães
author_role author
dc.contributor.advisor1.fl_str_mv Jose Marcato Junior
dc.contributor.author.fl_str_mv Priscila Lopo Guimarães
contributor_str_mv Jose Marcato Junior
dc.subject.por.fl_str_mv remote sensing, Mapping of permeable areas
topic remote sensing, Mapping of permeable areas
description Este trabalho propõe o mapeamento de áreas permeáveis de uma bacia hidrográfica em Campo Grande, Mato Grosso do Sul, Brasil, utilizando técnicas de aprendizado de máquina e dados de sensoriamento remoto. A dissertação está organizada em três capítulos. O primeiro apresenta o mapeamento de florestas urbanas e áreas permeáveis, através do método supervisionado baseado em objetos com o algoritmo de aprendizado de máquina Random Forest usando imagens do Google Earth (GE) Pro. O segundo capítulo apresenta uma análise cienciométrica de deep learning para dados de sensoriamento remoto, por meio de 1.429 documentos extraídos das bases de dados Scopus e Web of Science, até o ano de 2020. E o terceiro capítulo consiste na avaliação e validação do desempenho de algoritmos de deep learning U-Net, PSPNet e Deeplabv3, utilizando imagens do Google Earth (GE) Pro do ano de 2020, permitindo, após verificação, o mapeamento de florestas urbanas e áreas permeáveis na bacia do Prosa. Os resultados obtidos nos capítulos 1 e 3 indicaram alta precisão, com F1-Score superior a 90% para mapeamento de áreas permeáveis usando métodos tradicionais de aprendizado de máquina e aprendizado profundo, indicando uma excelente ferramenta para mapeamento de áreas verdes em ambientes de alta complexidade. Foi possível perceber com o estudo uma melhora considerável no mapeamento de áreas permeáveis feito pelos modelos de deep learning. A contribuição deste trabalho se dá pelo desenvolvimento de abordagens automatizadas para mapeamento de áreas permeáveis, pois representam um importante componente do ecossistema urbano, servindo como ferramenta de planejamento, monitoramento e gestão urbana adequada. Palavras-chave: aprendizado profundo, análise cienciométrica, bacia urbana, cidades sustentáveis, monitoramento ambiental
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-02-17T18:22:45Z
dc.date.available.fl_str_mv 2022-02-17T18:22:45Z
dc.date.issued.fl_str_mv 2022
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://repositorio.ufms.br/handle/123456789/4336
url https://repositorio.ufms.br/handle/123456789/4336
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Fundação Universidade Federal de Mato Grosso do Sul
dc.publisher.initials.fl_str_mv UFMS
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Fundação Universidade Federal de Mato Grosso do Sul
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMS
instname:Universidade Federal de Mato Grosso do Sul (UFMS)
instacron:UFMS
instname_str Universidade Federal de Mato Grosso do Sul (UFMS)
instacron_str UFMS
institution UFMS
reponame_str Repositório Institucional da UFMS
collection Repositório Institucional da UFMS
bitstream.url.fl_str_mv https://repositorio.ufms.br/bitstream/123456789/4336/3/Disserta%c3%a7%c3%a3o_Priscila_Lopo.pdf.jpg
https://repositorio.ufms.br/bitstream/123456789/4336/2/Disserta%c3%a7%c3%a3o_Priscila_Lopo.pdf.txt
https://repositorio.ufms.br/bitstream/123456789/4336/1/Disserta%c3%a7%c3%a3o_Priscila_Lopo.pdf
bitstream.checksum.fl_str_mv 35d1d22fdb19d14d5acbbf268e678f9c
7d0e31d81cf31f013fd01db857666795
e77d28ea974afcb56fca43749b36a9b4
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)
repository.mail.fl_str_mv ri.prograd@ufms.br
_version_ 1845881998601617408

Registros relacionados