Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/29098
Título: Change detection in the Brazilian Savanna biome
Título(s) alternativo(s): Detecção de mudanças no bioma de savana brasileiro
Autor : Bueno, Inacio Thomaz
Lattes: http://lattes.cnpq.br/0977995688128517
Primeiro orientador: Acerbi Júnior, Fausto Weimar
Primeiro membro da banca: Brito, Alan de
Segundo membro da banca: Carvalho, Luís Marcelo Tavares de
Palavras-chave: Mudanças na cobertura do solo
Florestas - Sensoriamento remoto
Cerrado - Análise exploratória
Aprendizado de máquina
Land cover changes
Forests - Remote sensing
Cerrado - Exploratory analysis
Machine learning
Data da publicação: 26-Abr-2018
Agência(s) de fomento: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Referência: BUENO, I. T. Change detection in the Brazilian Savanna biome. 2018. 104 p. Dissertação (Mestrado em Engenharia Florestal)-Universidade Federal de Lavras, Lavras, 2018.
Resumo: Técnicas em sensoriamento remoto vêm sendo desenvolvidas para se detectar mudanças em florestas, porém não há um método ótimo, ausente de limitações, que se aplique em qualquer tipo de paisagem. O bioma de savana brasileiro não é diferente, a quantificação de mudanças em áreas de Cerrado tem se tornado um desafio no âmbito espectral. Este estudo foi dividido em duas partes, a primeira através de uma análise exploratória de mudanças na cobertura do solo, e uma segunda que se utilizou de informações promissoras da primeira parte para discriminar mudanças decorrentes da ação humana de mudanças naturais através de algoritmos de aprendizado de máquina. O capítulo 1 avaliou a disponibilidade de imagens de satélite de áreas amostradas na Bacia SF9, e também aplicou métodos de seleção de atributos e segmentação multi-data para avaliar as bandas espectrais de imagens Landsat 8. Estes métodos selecionaram a banda do vermelho e a banda do infravermelho de ondas curtas como promissoras para detectar mudanças no Cerrado. Em relação à informação temporal, a total ausência de nuvens e sombras demonstrou boas acurácias mesmo em diferentes frequências de imagens. O capítulo 2 levou em consideração as bandas promissoras do capítulo 1 para o cálculo de índices espectrais, onde estes índices serviram como base de entrada para três algoritmos de aprendizado de máquina, Redes Neurais Artificias (RNA), Random Forest (RF) e Support Vector Machine (SVM). A importância individual de cada índice espectral também foi avaliada para todas as detecções. O algoritmo baseado em árvores de decisão Random Forest, gerou os melhores resultados na fase de teste, com acurácia global de 92%. O canal espectral do infravermelho de ondas curtas, assim como os índices transformação tasseled cap brightness e greenness se mostraram importantes no desempenho de todos os algoritmos avaliados. Assim, o estudo oferece novas opções para a detecção de mudanças no Cerrado através de uma análise exploratória das mudanças e avaliação de diferentes algoritmos na detecção.
Abstract: Many remote sensing techniques have been developed for forest change detection but there is no optimal method without limitations that can be applied in all landscapes. In the Brazilian savanna biome is not different, the analysis and quantification of human induced deforestation in Cerrado areas proved to be a challenge regarding to the spectral information. This study was divided in two parts, the first one exploring the spectral and temporal information of land cover changes, and in the second we used meaningful information of these changes to discriminate human induced from seasonal changes by different machine learning algorithms. Chapter one evaluated the image data availability in the SF9 basin sampled areas based on cloud and shadows cover, and used filter-based feature selection methods and object-based image analysis to also evaluate Landsat 8 bands. These feature selection methods took red and short wave infrared bands as promisor bands to detect deforestation in savanna biome. In temporal context, free cloud cover presented good change detection accuracies even for distinct image frequencies. Chapter two used the promisor bands previous evaluated to compute spectral indices, which create an input dataset to three machine learning algorithms, Artificial Neural Network (ANN), Random Forest (RF) and Support Vector Machine (SVM), and also assessed individually spectral channels indices in all detections. Random Forest demonstrated the best results in test phase with overall accuracy of 92%. The short wave infrared spectral channel as well as the tasseled cap brightness and greenness transformations indices had positive influence in all machine learning algorithms. Thus, this study emerged new options to savanna change detection through a database exploratory analysis and different machine learning algorithms.
metadata.teses.dc.description: Arquivo retido, a pedido do autor, até outubro de 2018.
URI: http://repositorio.ufla.br/jspui/handle/1/29098
Publicador: Universidade Federal de Lavras
Idioma: eng
Aparece nas coleções:DCF - Engenharia Florestal - Mestrado (Dissertações)

Arquivos associados a este item:
Não existem arquivos associados a este item.


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.