Deforestation detection in sar images using deep neural networks

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Correia, Igor Bispo de Moraes Coelho
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
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:
Sensoriamento remoto
Redes neurais convolucionais (Computação)
Radar de Abertura Sintética (SAR)
Desmatamento
Link de acesso: http://repositorio.unb.br/handle/10482/50921
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2024.
id UNB_5e630e10c664061dd6b5c320f14e472b
oai_identifier_str oai:repositorio.unb.br:10482/50921
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Deforestation detection in sar images using deep neural networksSensoriamento remotoRedes neurais convolucionais (Computação)Radar de Abertura Sintética (SAR)DesmatamentoDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2024.O desmatamento tem impactos amplos e significativos, tornando-se uma grande ameaça ambiental global. Esse problema coloca em risco a biodiversidade, contribui para as mudanças climáticas e compromete a sustentabilidade dos ecossistemas naturais. Portanto, monitorar e detectar áreas desmatadas é uma questão crítica. Embora o desmatamento afete muitas regiões, a floresta amazônica é um dos casos mais destacados e frequentemente discutidos. Os satélite ópticos são ferramentas extremamente poderosas e importantes no sensoriamento remoto, prevenção e mitigação de desmatamento. Entretanto, esse tipo de sensor não é robusto a variações climáticas e é sensível a oclusão por nuvens, em contrapartida, os radares de abertura sintética (SARs) destacam-se por sua resistência a condições climáticas adversas visto que são sensores ativos que operam em faixas de microondas as quais atravessam particulas de água. No entanto, o reconhecimento preciso de áreas desmatadas em imagens SAR é desafiador devido à quantidade de ruído speckle e à variabilidade de aparência dos objetos entre capturas diferentes. Neste trabalho, realizamos um experimento online com participantes voluntários que identificaram áreas desmatadas em imagens SAR. Para isso, desenvolvemos um software que permite aos participantes anotarem as imagens SAR, delimitando áreas desmatadas. Com os resultados desse experimento, foi possível analisar a relação entre o nível de experiência autodeclarado dos participantes e a precisão na detecção de áreas desmatadas. Também comparamos o desempenho humano com o desempenho obtido com um modelo automático baseado na arquitetura UNet. Os resultados mostram que maior conhecimento em sensoriamento remoto ou SAR não garante qualidade nas anotações. Além disso, o desempenho do UNet supera o desempenho humano na tarefa. Para explorar a segmentação de imagens SAR com mais profundidade, um segundo experimento foi realizado utilizando modelos de última geração para segmentação em dados SAR e ópticos fundidos. Essa segunda parte do estudo mostrou que os modelos mais modernos, apesar de disporem de uma menor quantidade de parâmetros treináveis, pode sobrepujar um modelo mais pesado. O estudo reforça o potencial do aprendizado profundo na detecção de desmatamento, enfatizando a necessidade de melhorias contínuas nas arquiteturas e no treinamento de especialistas.Deforestation has broad and significant impacts, becoming a major global environmental threat. This problem endangers biodiversity, contributes to climate change, and compromises the sustainability of natural ecosystems. Therefore, monitoring and detecting deforested areas is a critical issue. Although deforestation affects many regions, the Amazon rainforest is one of the most prominent and frequently discussed cases. Optical satellites are extremely powerful and important tools in remote sensing, prevention, and mitigation of deforestation. However, this type of sensor is not robust to climatic variations and is sensitive to cloud occlusion. On the other hand, synthetic aperture radars (SARs) stand out for their resilience to adverse weather conditions, as they are active sensors that operate in microwave bands which penetrate water particles. Nonetheless, accurately recognizing deforested areas in SAR images is challenging due to the amount of speckle noise and the variability in the appearance of objects between different captures. In this study, we conducted an online experiment with voluntary participants who identified deforested areas in SAR images. For this purpose, we developed software that allows participants to annotate SAR images, delineating deforested areas. With the results of this experiment, it was possible to analyze the relationship between the participants’ self-reported experience level and the accuracy in detecting deforested areas. We also compared human performance with the performance obtained from an automatic model based on the UNet architecture. The results show that greater knowledge in remote sensing or SAR does not guarantee quality annotations. Moreover, the UNet’s performance surpasses human performance in the task. To explore SAR image segmentation in greater depth, a second experiment was conducted using state-of-the-art models for segmentation in fused SAR and optical data. This second part of the study showed that the most modern models, despite having a smaller number of trainable parameters, can outperform a heavier model. The study reinforces the potential of deep learning in deforestation detection, emphasizing the need for continuous improvements in architectures and specialist training.Faculdade de Tecnologia (FT)Departamento de Engenharia Elétrica (FT ENE)Programa de Pós-Graduação em Engenharia ElétricaFarias, Mylène Christine Queiroz deCorreia, Igor Bispo de Moraes Coelho2024-11-14T13:13:21Z2024-11-14T13:13:21Z2024-11-142024-06-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCORREIA, Igor Bispo de Moraes Coelho. Deforestation detection in sar images using deep neural networks. 2024. 86 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2024.http://repositorio.unb.br/handle/10482/50921engA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-11-14T13:17:47Zoai:repositorio.unb.br:10482/50921Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-11-14T13:17:47Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Deforestation detection in sar images using deep neural networks
title Deforestation detection in sar images using deep neural networks
spellingShingle Deforestation detection in sar images using deep neural networks
Correia, Igor Bispo de Moraes Coelho
Sensoriamento remoto
Redes neurais convolucionais (Computação)
Radar de Abertura Sintética (SAR)
Desmatamento
title_short Deforestation detection in sar images using deep neural networks
title_full Deforestation detection in sar images using deep neural networks
title_fullStr Deforestation detection in sar images using deep neural networks
title_full_unstemmed Deforestation detection in sar images using deep neural networks
title_sort Deforestation detection in sar images using deep neural networks
author Correia, Igor Bispo de Moraes Coelho
author_facet Correia, Igor Bispo de Moraes Coelho
author_role author
dc.contributor.none.fl_str_mv Farias, Mylène Christine Queiroz de
dc.contributor.author.fl_str_mv Correia, Igor Bispo de Moraes Coelho
dc.subject.por.fl_str_mv Sensoriamento remoto
Redes neurais convolucionais (Computação)
Radar de Abertura Sintética (SAR)
Desmatamento
topic Sensoriamento remoto
Redes neurais convolucionais (Computação)
Radar de Abertura Sintética (SAR)
Desmatamento
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2024.
publishDate 2024
dc.date.none.fl_str_mv 2024-11-14T13:13:21Z
2024-11-14T13:13:21Z
2024-11-14
2024-06-03
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 CORREIA, Igor Bispo de Moraes Coelho. Deforestation detection in sar images using deep neural networks. 2024. 86 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2024.
http://repositorio.unb.br/handle/10482/50921
identifier_str_mv CORREIA, Igor Bispo de Moraes Coelho. Deforestation detection in sar images using deep neural networks. 2024. 86 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2024.
url http://repositorio.unb.br/handle/10482/50921
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1839083987317817344

Registros relacionados