• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.44.2022.tde-08072022-080909
Documento
Autor
Nome completo
Lucas Pedrosa Soares
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2022
Orientador
Banca examinadora
Grohmann, Carlos Henrique (Presidente)
Fonseca, Leila Maria Garcia
Negri, Rogerio Galante
Título em português
Segmentação automática de cicatrizes de deslizamento de terra em imagens de sensores remotos utilizando aprendizagem profunda de máquina (Deep Learning)
Palavras-chave em português
Deep learning
Mapeamento de deslizamentos de terra
Redes neurais de convolução (RNC)
Resumo em português
o número de casos de deslizamento de terra tem aumentado em todo o mundo em função de processos de urbanização e ocupação do território, além da maior fre- quência de eventos climáticos extremos. Os estudos até hoje realizados mostram que as redes de convolução têm obtido os melhores resultados para segmentação de cicatrizes de deslizamento de terra em imagens de sensores remotos. Porém, ainda são necessárias mais pesquisas nesta área, já que os métodos utilizados para o pré-processamento das imagens, arquiteturas e calibração dos parâmetros do modelo ainda representam um grande desafio para se obter modelos acurados. Este estudo teve como objetivo principal automatizar o processo de segmentação de cicatrizes de deslizamento de terra em imagens obtidas por sensores remotos por meio de técnicas de deep learning utilizando redes neurais convolucionais (RNC). A região Serrana do Rio de Janeiro, palco do maior desastre natural do Brasil, ocorrido em janeiro de 2011 , e a região de Rolante, no Rio Grande do Sul, foram utilizadas como área de estudo. As imagens utilizadas para treinar os modelos foram obti- das pelo satélite RapidEye. A pesquisa avaliou a capacidade de generalização dos modelos em áreas distintas das de treinamento, além disso, concentrou-se no trei- namento da rede U-Net, utilizando diferentes métodos de amostragem, dimensões de input e datasets, para avaliar como isto impacta na acurácia da segmentação dos deslizamentos de terra. Os resultados sugerem que os modelos treinados com imagens de maior dimensão (128 x 128 e 256 x 256 pixels) tendem a ser mais acu- rados em áreas similares a área de treinamento, enquanto os modelos treinados com imagens de menor dimensão (32 x 32 e 64x64 pixels) tendem a possuir uma capacidade de generalização melhor, consequentemente, obtiveram os melhores resultados em áreas que diferem das áreas de treino. O pós-processamento dos resultados com operações morfológicas é eficiente para melhorar a precisão dos resultados.
Título em inglês
not available
Palavras-chave em inglês
Convolution neural networks (CNN)
Deep learning
Landslide mapping
Resumo em inglês
The global number oflandslides cases has increased due to greater urbaniza- tion and land use and a higher frequency of extreme climatic events. Since these events have substantial social and economic impacts on Brazil and worldwide, they are considered one obstacle to sustainable development, according to the United Nations (UN). Studies show that convolution neural networks (CNN) achieve the best resu/ts on landslide segmentation in aerial imagery. However, choosing the best network architecture, preparing the dataset, and tuning the hyperparameters is still challenging. This study 's main objective is to use deep learning with convo- lutional neural networks (CNN) to automate the segmentation of landslide scars on remote sensing imagery. The study area is located in the mountainous range ofRio de Janeiro state, where, in January 2011, the worst Brazilian Natural Disaster oc- curred. ln addition, the area located in Rolante, in the Rio Grande do Sul state, was also used as a study area. The images used to train the models were acquired from the RapidEye satelfite. The research focused on evaluating the generalization ca- pacity ofthe models em areas that differ from the training area. Moreover, the study also evaluated how different sampling methods, patch sizes, and datasets impact the overall accuracy of U-Net on landslide segmentation. The resu/ts suggest that the models trained with the bigger patch sizes (128x128 and 256x256 pixels) tend to achieve better accuracy in areas similar to the training areas, while models trained with the smaller patch sizes (32x32 pixels and 64x64 pixels) achieved better generalization resu/ts in areas that are different from the training images. Postprocessing the resu/ts were efficient to increase the precision ofthe models.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2022-07-08
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2023. Todos os direitos reservados.