Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Shibuya, Daniel Hideki, 1996-
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: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado de máquina
Redes neurais profundas
Generalização
Machine learning
Deep neural network
Generalization
Link de acesso: https://hdl.handle.net/20.500.12733/22276
Resumo: Orientador: Júlio César Dalla Mora Esquerdo
id UNICAMP-30_42494f97e0ac1f45805ed3f85dd3a4b5
oai_identifier_str oai::1404004
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODISEvaluation of machine learning- based models for the classification of MODIS image spetral-temporal profilesAprendizado de máquinaRedes neurais profundasGeneralizaçãoMachine learningDeep neural networkGeneralizationOrientador: Júlio César Dalla Mora EsquerdoDissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia AgrícolaResumo: Métodos de aprendizado de máquina aplicados aos dados de sensoriamento remoto permitem análises cada vez mais complexas em relação a uma área de estudo. Na superfície terrestre, padrões de culturas agrícolas, pastagem e outros tipos de vegetação podem ser identificados por meio da análise de perfis espectro-temporais obtidos por sensores orbitais, como o MODIS. Apesar dos avanços das técnicas de classificação digital, muitos estudos acabam sendo limitados devido à falta de amostras de campo para o treinamento de modelos de classificação, principalmente os baseados em redes neurais profundas. Neste contexto, o presente trabalho propõe uma abordagem baseada no conceito de Generalização, em que um modelo de classificação treinado a partir de um conjunto representativo de amostras é aplicado para a classificação interanual da série temporal do MODIS. O modelo treinado utilizou amostras obtidas para o ano-safra 2019/2020, a partir dos mapeamentos do projeto TerraClass, disponível nos biomas Cerrado e Amazônia. Os mapas foram adaptados para serem compatíveis com a resolução espacial do MODIS e utilizados como base para a coleta de amostras. Os algoritmos testados foram o Random Forest, TempCNN e L-TAE. Junto aos métodos de aprendizado de máquina, uma análise para identificação da qualidade das amostras foi feita por meio do algoritmo SOM, que influenciou positivamente os resultados obtidos. A Generalização dos modelos treinados no ano 2019/20 foi avaliada por meio de amostras de campo disponíveis em anos-safras diferentes daqueles utilizados no treinamento. O processo de avaliação identificou que os algoritmos TempCNN e L-TAE encontraram maior dificuldade em lidar com as variabilidades intraclasse, principalmente nas classes temáticas Agricultura Semiperene e Pastagem. O Random Forest apresentou os melhores resultados nas métricas avaliadas, principalmente após o tratamento pelo SOM, apresentando acurácia global de 0,917 e boa adaptação no processo de GeneralizaçãoAbstract: Machine learning methods applied to remote sensing data allow increasingly complex analysis of a study area. On the earth's surface, patterns of agricultural crops, grassland and other types of vegetation can be identified by analyzing Spectro-temporal profiles obtained by orbital sensors such as MODIS. Despite the advances in digital classification techniques, many studies end up being limited due to the lack of field samples for training classification models, especially those based on deep neural networks. In this context, this paper proposes an approach based on the concept of Generalization, in which a classification model trained on a representative set of samples is applied to the interannual classification of the MODIS time series. The trained model used samples obtained for the 2019/2020 crop year from the TerraClass project's mapping, available in the Cerrado and Amazon biomes. The maps were adapted to be compatible with MODIS spatial resolution and used as a basis for sampling. The algorithms tested were Random Forest, TempCNN and L-TAE. Along with the machine learning methods, an analysis to identify the quality of the samples was carried out using the SOM algorithm, which positively influenced the results obtained. The Generalization of the models trained in 2019/20 was assessed using field samples available in crop years other than those used for training. The evaluation process identified that the TempCNN and L-TAE algorithms had more difficult to deal with intra-class variability, especially in the Semi-perennial Agriculture and Pasture classes. Random Forest showed the best results in the metrics evaluated, especially after treatment by SOM, with an overall accuracy of 0,917 and good adaptation in the Generalization processAbertoMestradoAgricultura DigitalMestre em Engenharia AgrícolaCNPQ130329/2022-3[s.n.]Esquerdo, Júlio César Dalla Mora, 1977-Mercante, EriveltoAntunes, João Francisco GonçalvesUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia AgrícolaPrograma de Pós-Graduação em Engenharia AgrícolaUNIVERSIDADE ESTADUAL DE CAMPINASShibuya, Daniel Hideki, 1996-20242024-06-21T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (97 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/22276SHIBUYA, Daniel Hideki. Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS . 2024. 1 recurso online (97 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: 20.500.12733/22276. Acesso em: 29 set. 2025.https://repositorio.unicamp.br/acervo/detalhe/1404004https://repositorio.unicamp.br/acervo/detalhe/1404004Cover: https://repositorio.unicamp.br/capa/capa?codigo=1404004Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2025-07-28T15:27:44Zoai::1404004Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2025-07-28T15:27:44Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS
Evaluation of machine learning- based models for the classification of MODIS image spetral-temporal profiles
title Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS
spellingShingle Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS
Shibuya, Daniel Hideki, 1996-
Aprendizado de máquina
Redes neurais profundas
Generalização
Machine learning
Deep neural network
Generalization
title_short Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS
title_full Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS
title_fullStr Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS
title_full_unstemmed Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS
title_sort Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS
author Shibuya, Daniel Hideki, 1996-
author_facet Shibuya, Daniel Hideki, 1996-
author_role author
dc.contributor.none.fl_str_mv Esquerdo, Júlio César Dalla Mora, 1977-
Mercante, Erivelto
Antunes, João Francisco Gonçalves
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Agrícola
Programa de Pós-Graduação em Engenharia Agrícola
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Shibuya, Daniel Hideki, 1996-
dc.subject.por.fl_str_mv Aprendizado de máquina
Redes neurais profundas
Generalização
Machine learning
Deep neural network
Generalization
topic Aprendizado de máquina
Redes neurais profundas
Generalização
Machine learning
Deep neural network
Generalization
description Orientador: Júlio César Dalla Mora Esquerdo
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-06-21T00:00:00Z
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://hdl.handle.net/20.500.12733/22276
SHIBUYA, Daniel Hideki. Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS . 2024. 1 recurso online (97 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: 20.500.12733/22276. Acesso em: 29 set. 2025.
url https://hdl.handle.net/20.500.12733/22276
identifier_str_mv SHIBUYA, Daniel Hideki. Avaliação de modelos baseados em métodos de aprendizado de máquina para a classificação de perfis espectro-temporais de imagens do sensor MODIS . 2024. 1 recurso online (97 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: 20.500.12733/22276. Acesso em: 29 set. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1404004
https://repositorio.unicamp.br/acervo/detalhe/1404004
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1404004
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (97 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1844628717964361728

Registros relacionados