Diversidade florística: uma abordagem não supervisionada

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Fuza, Matheus Santos
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: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Abordagem não supervisionada
Deep learning
Diversity mapping
Mapeamento da diversidade
Remote sensing
Sensoriamento remoto
Unsupervised models
Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11150/tde-04032026-151118/
Resumo: A restauração ecológica em ambientes tropicais biodiversos exige estratégias eficazes de monitoramento da diversidade florística. Este trabalho propõe um pipeline inovador baseado em aprendizado profundo não supervisionado para o mapeamento da diversidade de copas arbóreas, utilizando imagens RGB de altíssima resolução obtidas por RPA. A abordagem integra a ferramenta CanopyRS para a detecção e segmentação automática de copas individuais (ITC), seguida pela aplicação do modelo SwAV para agrupamento morfológico não supervisionado. O método foi testado em três tratamentos experimentais de plantio em área de restauração, com diferentes níveis de riqueza de espécies (20, 58 e 114 espécies). Foram avaliadas métricas quantitativas (ARI, AMI, V-measure, pureza e F1-score), análises qualitativas (matrizes de confusão, t-SNE) e mapas de calor da diversidade com base nos agrupamentos. Os resultados demonstram que o SwAV é capaz de identificar padrões fenotípicos coerentes, com agrupamentos frequentemente alinhados às espécies botânicas identificadas em campo. Entretanto, observou-se um trade-off entre a granularidade, dada pelo aumento no número de protótipos (K), e a referência taxonômica, com fragmentação de espécies em múltiplos clusters.
id USP_2894db01c1e69ba8fcb06d48e4fa0e2c
oai_identifier_str oai:teses.usp.br:tde-04032026-151118
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Diversidade florística: uma abordagem não supervisionadaFloristic diversity: an unsupervised approachAbordagem não supervisionadaDeep learningDeep learningDiversity mappingMapeamento da diversidadeRemote sensingSensoriamento remotoUnsupervised modelsA restauração ecológica em ambientes tropicais biodiversos exige estratégias eficazes de monitoramento da diversidade florística. Este trabalho propõe um pipeline inovador baseado em aprendizado profundo não supervisionado para o mapeamento da diversidade de copas arbóreas, utilizando imagens RGB de altíssima resolução obtidas por RPA. A abordagem integra a ferramenta CanopyRS para a detecção e segmentação automática de copas individuais (ITC), seguida pela aplicação do modelo SwAV para agrupamento morfológico não supervisionado. O método foi testado em três tratamentos experimentais de plantio em área de restauração, com diferentes níveis de riqueza de espécies (20, 58 e 114 espécies). Foram avaliadas métricas quantitativas (ARI, AMI, V-measure, pureza e F1-score), análises qualitativas (matrizes de confusão, t-SNE) e mapas de calor da diversidade com base nos agrupamentos. Os resultados demonstram que o SwAV é capaz de identificar padrões fenotípicos coerentes, com agrupamentos frequentemente alinhados às espécies botânicas identificadas em campo. Entretanto, observou-se um trade-off entre a granularidade, dada pelo aumento no número de protótipos (K), e a referência taxonômica, com fragmentação de espécies em múltiplos clusters.Ecological restoration in highly biodiverse tropical environments demands effective strategies for monitoring floristic diversity. This study proposes an innovative pipeline based on unsupervised deep learning for mapping tree crown diversity using ultra-high-resolution RGB imagery acquired by remotely piloted aircraft (RPA). The approach integrates the CanopyRS tool for automatic detection and segmentation of individual tree crowns (ITC), followed by the application of the SwAV model for unsupervised morphological clustering. The method was tested across three experimental restoration treatments with varying species richness levels (20, 58, and 114 species). Quantitative metrics (ARI, AMI, V-measure, purity, and F1-score), qualitative analyses (confusion matrices, t-SNE), and diversity heatmaps based on clustering results were evaluated. The findings demonstrate that SwAV can identify coherent phenotypic patterns, with clusters frequently aligning with botanical species identified in the field. However, a trade-off was observed between clustering granularitydriven by increased numbers of prototypes (K) and taxonomic reference, resulting in the fragmentation of some species into multiple clusters.Biblioteca Digitais de Teses e Dissertações da USPFerreira, Matheus PinheiroFuza, Matheus Santos2025-12-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/11/11150/tde-04032026-151118/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2026-03-05T20:13:02Zoai:teses.usp.br:tde-04032026-151118Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212026-03-05T20:13:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Diversidade florística: uma abordagem não supervisionada
Floristic diversity: an unsupervised approach
title Diversidade florística: uma abordagem não supervisionada
spellingShingle Diversidade florística: uma abordagem não supervisionada
Fuza, Matheus Santos
Abordagem não supervisionada
Deep learning
Deep learning
Diversity mapping
Mapeamento da diversidade
Remote sensing
Sensoriamento remoto
Unsupervised models
title_short Diversidade florística: uma abordagem não supervisionada
title_full Diversidade florística: uma abordagem não supervisionada
title_fullStr Diversidade florística: uma abordagem não supervisionada
title_full_unstemmed Diversidade florística: uma abordagem não supervisionada
title_sort Diversidade florística: uma abordagem não supervisionada
author Fuza, Matheus Santos
author_facet Fuza, Matheus Santos
author_role author
dc.contributor.none.fl_str_mv Ferreira, Matheus Pinheiro
dc.contributor.author.fl_str_mv Fuza, Matheus Santos
dc.subject.por.fl_str_mv Abordagem não supervisionada
Deep learning
Deep learning
Diversity mapping
Mapeamento da diversidade
Remote sensing
Sensoriamento remoto
Unsupervised models
topic Abordagem não supervisionada
Deep learning
Deep learning
Diversity mapping
Mapeamento da diversidade
Remote sensing
Sensoriamento remoto
Unsupervised models
description A restauração ecológica em ambientes tropicais biodiversos exige estratégias eficazes de monitoramento da diversidade florística. Este trabalho propõe um pipeline inovador baseado em aprendizado profundo não supervisionado para o mapeamento da diversidade de copas arbóreas, utilizando imagens RGB de altíssima resolução obtidas por RPA. A abordagem integra a ferramenta CanopyRS para a detecção e segmentação automática de copas individuais (ITC), seguida pela aplicação do modelo SwAV para agrupamento morfológico não supervisionado. O método foi testado em três tratamentos experimentais de plantio em área de restauração, com diferentes níveis de riqueza de espécies (20, 58 e 114 espécies). Foram avaliadas métricas quantitativas (ARI, AMI, V-measure, pureza e F1-score), análises qualitativas (matrizes de confusão, t-SNE) e mapas de calor da diversidade com base nos agrupamentos. Os resultados demonstram que o SwAV é capaz de identificar padrões fenotípicos coerentes, com agrupamentos frequentemente alinhados às espécies botânicas identificadas em campo. Entretanto, observou-se um trade-off entre a granularidade, dada pelo aumento no número de protótipos (K), e a referência taxonômica, com fragmentação de espécies em múltiplos clusters.
publishDate 2025
dc.date.none.fl_str_mv 2025-12-10
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://www.teses.usp.br/teses/disponiveis/11/11150/tde-04032026-151118/
url https://www.teses.usp.br/teses/disponiveis/11/11150/tde-04032026-151118/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1865492427041669120

Registros relacionados