Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
http://tede.unicentro.br:8080/jspui/handle/jspui/1815
Tipo do documento: | Dissertação |
Título: | Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental |
Autor: | Karasinski, Mauro Alessandro |
Primeiro orientador: | Koehler, Henrique Soares |
Primeiro coorientador: | Figueiredo Filho, Afonso |
Segundo coorientador: | Ribeiro, Sabina Cerruto |
Resumo: | As palmeiras (Arecaceae) são um dos recursos mais importantes do ponto de vista social e econômico para as comunidades locais na Amazônia, porque garantem rendimentos e oferecem recursos como alimentos e matéria-prima para a construção, artesanato e indústria. A complexidade das florestas amazônicas limita a obtenção de informações cruciais para a exploração e gestão comercial das palmeiras, tais como a densidade e distribuição espacial. Em vista disso, neste estudo avaliou-se o desempenho da Rede Neural Convolucional YOLOv4 para a detecção e classificação automática das palmeiras nas florestas tropicais nativas. O estudo foi realizado num remanescente de Floresta Ombrófila Aberta no sudoeste da Amazônia. Primeiramente foi gerada uma ortofoto RGB a partir de imagens obtidas com uma aeronave remotamente pilotada. Em seguida, a ortofoto foi subdividida em 960 parcelas de 37,5 x 37,5 metros. Foram rotuladas, manualmente, 1098 palmeiras identificadas por fotointerpretação pertencentes a quatro espécies de palmeiras: Attalea butyracea (Mutis ex L.f.) Wess. Boer, Euterpe precatoria Mart., Iriartea deltoidea Ruiz & Pav e Oenocarpus bataua Mart. Realizou-se um aumento de dados para elevar a capacidade de aprendizagem do modelo. Selecionou-se aleatoriamente 80% dos dados para treinamento e 20% dos dados para validação. Para fazer as previsões da localização e classificação das palmeiras, a Rede Neural Artificial para a detecção de objetos YOLOv4 foi utilizada. O método alcançou precisão média geral de 91,08% e a precisão média para A. butyracea, E. precatoria, I. deltoidea e O. bataua foi 92,07% ±2,85%; 96,2% ±1,48%; 93,83% ±3,09% e 92,48% ±2,82%, respectivamente. O YOLOv4 é uma ferramenta efetiva para o mapeamento das palmeiras em florestas nativas, podendo ser utilizada no âmbito do planejamento e manejo florestal. |
Abstract: | The palm trees (Arecaceae) are one of the most important resources from the social and economic point of view for the local communities in the Amazon, because they guarantee income and provide resources such as food, raw material for construction, handicrafts, and industry. The complexity of Amazonian forests limits obtaining crucial information for commercial exploitation and management of palm trees, such as density and spatial distribution. We evaluated the performance of the YOLOv4 Convolutional Neural Network in the automatic detection and classification of palm trees in native tropical forests. The study was conducted in a remnant of Open Ombrophylous Forest in southwestern Amazonia. First, an RGB orthophoto was generated from images obtained with an Unmanned Aerial Vehicle. The orthophoto was then subdivided into 960 plots of 37.5 x 37.5 meters. We manually labeled 1098 palm trees identified by photointerpretation belonging to four palm species: Attalea butyracea (Mutis ex L.f.) Wess. Boer, Euterpe precatoria Mart., Iriartea deltoidea Ruiz & Pav and Oenocarpus bataua Mart. Data augmentation was performed to increase the learning ability of the model. It randomly selected 80% of the data for training, 20% for validation. To make the predictions, the Artificial Neural Network for object detection YOLOv4 was used. The method achieved overall average accuracy of 91.08% and the average accuracy for A. butyracea, E. precatoria, I. deltoidea and O. bataua was 92.07% ±2.85%; 96.2%; ±1.48%; 93.83%; ±3.09% and 92.48% ±2.82%, respectively. YOLOv4 is an important tool for mapping palm trees in native forests, serving as a support for forest planning and management. |
Palavras-chave: | Redes neurais artificiais YOLOv4 deep Learning sensoriamento remoto floresta Amazônica Artificial Neural Networks YOLOv4 Deep Learning Remote Sensing Amazon Forest |
Área(s) do CNPq: | CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL::MANEJO FLORESTAL |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Estadual do Centro-Oeste |
Sigla da instituição: | UNICENTRO |
Departamento: | Unicentro::Departamento de Ciências Florestais |
Programa: | Programa de Pós-Graduação em Ciências Florestais (Mestrado) |
Citação: | Karasinski, Mauro Alessandro. Utilização de redes neurais convolucionais e imagens obtidas por RPA para o mapeamento de palmeiras na Amazônia Ocidental. 2021. 103 f. Dissertação (Programa de Pós-Graduação em Ciências Florestais - Mestrado) - Universidade Estadual do Centro-Oeste, Irati, PR. |
Tipo de acesso: | Acesso Aberto |
URI: | http://tede.unicentro.br:8080/jspui/handle/jspui/1815 |
Data de defesa: | 15-Abr-2021 |
Aparece nas coleções: | Programa de Pós-Graduação em Ciências Florestais |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação - Mauro Alessandro Karasinski.pdf | Dissertação - Mauro Alessandro Karasinski | 3,29 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.