Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/58531
Registro completo de metadados
Campo DCValorIdioma
dc.creatorGarcia, Rebecca Araújo-
dc.date.accessioned2023-11-14T15:42:47Z-
dc.date.available2023-11-14T15:42:47Z-
dc.date.issued2023-11-08-
dc.date.submitted2023-07-28-
dc.identifier.citationGARCIA, R. A. Avaliação do efeito da altitude de voo e iluminação na classificação do uso do solo usando algoritmos de machine learning e imagens multiespectrais de Vant. 2023. 72 p. Dissertação (Mestrado em Engenharia Florestal)–Universidade Federal de Lavras, Lavras, 2023.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/58531-
dc.descriptionArquivo retido, a pedido da autora, até novembro de 2024.-
dc.description.abstractInformation about land use and land cover in urban areas plays an important role in urban planning, providing essential insights for land suitability analysis, environmental assessments, and urban regeneration projects. Compared to satellite-based remote sensing, Unmanned Aerial Vehicle (UAV) remote sensing offers higher spatial and temporal resolution, making it a more effective method for land use classification. In this study, the influence of flight altitude (120 m and 150 m) and illumination (diffuse and direct) on land use classification was evaluated by combining an Object-Based Image Analysis (GEOBIA) approach with a machine learning algorithm using multispectral UAV images. Firstly, the images were segmented using the Multiresolution segmentation and Spectral Difference segmentation algorithms. Then, spectral, index, texture, and geometric features were combined to form schemes S1-S8. Finally, area classification was performed based on the eight schemes using the Random Forest (RF) and Support Vector Machine (SVM) classifiers. The results showed that the Random Forest classifier outperformed the Support Vector Machine in all schemes. Geometric features had a negative impact on the SVM classification accuracy, while the other three types of features had a positive impact. However, this behavior was not observed in RF, as the Random Forest classifier achieved an overall accuracy (AO) of 82% when combining spectral, texture, and geometric features (S6) for the image obtained at 150 m altitude under diffuse illumination.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso restritopt_BR
dc.rightsAttribution-ShareAlike 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-sa/4.0/*
dc.subjectVeículo aéreo não tripulado (VANT)pt_BR
dc.subjectFloresta aleatóriapt_BR
dc.subjectUnmanned aerial vehicle (UAV)pt_BR
dc.subjectRandom forestpt_BR
dc.subjectGeographic object-based image analysis (GEOBIA)pt_BR
dc.subjectGEOBIA methodpt_BR
dc.subjectSupport vector machinept_BR
dc.titleAvaliação do efeito da altitude de voo e iluminação na classificação do uso do solo usando algoritmos de machine learning e imagens multiespectrais de Vantpt_BR
dc.title.alternativeAvaluation of the effect of flight altitude and lighting on land use classification using machine learning algorithms and multispectral uav imagespt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Florestalpt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Carvalho, Luís Marcelo Tavares de-
dc.contributor.referee1Carvalho, Luís Marcelo Tavares de-
dc.contributor.referee2Rocha, Samuel José Silva Soares da-
dc.contributor.referee3Terra, Marcela de Castro Nunes Santos-
dc.description.resumoInformações sobre o uso e cobertura do solo em áreas urbanas desempenham um papel importante para o planejamento urbano, fornecendo informações essenciais para análises de adequação do solo, avaliações ambientais e projetos de regeneração urbano. Em comparação com o sensoriamento remoto baseado em satélite, o sensoriamento remoto por Veículo Aéreo Não Tripulado (VANT) possui uma resolução espacial e temporal mais alta, o que proporciona um método mais eficaz para a classificação de uso do solo. Neste estudo, avaliou-se a influência da altitude de voo (120 m e 150 m) e iluminação (difusa e direta) na classificação de uso do solo combinando uma abordagem orientada a objetos (GEOBIA) e um algoritmo de aprendizagem de máquina usando imagens multiespectrais de VANT. Primeiramente, as imagens foram segmentadas pelos algoritmos Multiresolutionsegmentatione SpectralDifferencesegmentation. Em seguida, características espectrais, índices, texturais e geométricas foram combinadas para formar os esquemas S1-S8. Finalmente, a classificação da área foi realizada com base nos oito esquemas usando os classificadores de Random Forest (RF) e Support Vector Machine(SVM). Os resultados mostraram que o classificador de Random Forest teve um desempenho melhor do que o Support Vector Machine em todos os esquemas. As características geométricas apresentaram um impacto negativo na precisão da classificação do SVM, enquanto os outros três tipos de características têm um impacto positivo. Entretanto, esse comportamento não foi notado no RF, visto que, o classificador de Random Forest alcançou uma precisão geral (AO) de 82% ao combinar as características espectrais, texturais e geométricas (S6), para a imagem obtida a 150 m de altitude sob iluminação difusa.pt_BR
dc.publisher.departmentDepartamento de Ciências Florestaispt_BR
dc.subject.cnpqFotointerpretação Florestalpt_BR
Aparece nas coleções:Engenharia Florestal - Mestrado (Dissertações)

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


Este item está licenciada sob uma Licença Creative Commons Creative Commons