Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/15770
Tipo do documento: Tese
Title: Classificação de imagens hiperespectrais utilizando redes neurais convolucionais para caracterização da ocupação desordenada do solo sobre um recorte do Parque Nacional da Tijuca
Other Titles: Classification of hyperespectral images using convolutional neural networks to characterization of disorganized soil occupation on a section of Tijuca National Park
Authors: Vale, Italo Guimarães do
Orientador(a): Sanchez Delgado, Angel Ramon
Primeiro coorientador: Silva, Robson Mariano da
Primeiro membro da banca: Sanchez Delgado, Angel Ramon
Segundo membro da banca: Sousa, Gustavo Mota de
Terceiro membro da banca: Cruz, Marcelo Dib
Quarto membro da banca: Pinto, Jose Wilson Coura
Quinto membro da banca: Oliveira, Francisco Bruno Souza
Keywords: Imagens hiperespectrais (IHS);Redes Neurais Convolucionais (RNCs);Reconhecimento de Padrões;Hyperspectral images (HSI);Convolutional Neural Networks (CNNs);Pattern Recognition
Área(s) do CNPq: Engenharia Agrícola
Idioma: por
Issue Date: 16-Feb-2022
Publisher: Universidade Federal Rural do Rio de Janeiro
Sigla da instituição: UFRRJ
Departamento: Pró-Reitoria de Pesquisa e Pós-Graduação
Programa: Programa de Pós-Graduação em Ciência, Tecnologia e Inovação em Agropecuária
Abstract: O Parque Nacional da Tijuca (PNT) localiza-se na zona urbana do município do Rio de Janeiro, no Estado do Rio de Janeiro, sendo importante fragmento do domínio da Mata Atlântica, coberto por floresta ombrófila densa secundária em avançado estágio de regeneração. O PNT possui 3.953 ha e está inserido na maior floresta urbana do mundo, presta diversos serviços ambientais tais como: proteção do solo ao evitar erosão e captura de carbono por desmatamento evitado, além de ser importante área para pesquisas ambientais. O PNT é divido em quatro setores: Setor Floresta da Tijuca, Pedra Bonita/Pedra da Gávea, Pretos Forros/Covanca e Serra da Carioca. Para o estudo foi usado o recorte de uma cena, de uma imagem hiperespectral do sensor Hyperion sobre o setor Serra da Carioca e uma área urbana sobre o bairro de Botafogo, de forma a caracterizar as coberturas florestais e urbanas, objetos da pesquisa. As técnicas de Sensoriamento Remoto (SR) são importantes ferramentas para classificação da cobertura e uso da terra em locais de acesso restrito como o PNT. Técnicas de SR usando assinaturas espectrais obtidas de imagens hiperespectarais são promissoras para classificação da cobertura e uso da terra. Este estudo teve como objetivo aplicar metodologia baseada em Redes Neurais Convolucionais (RNCs) e algoritmos de aprendizagem profunda na implementação de modelo computacional para classificação de imagens hiperespectrais, por reconhecimento de padrões para mapeamento da cobertura e uso da terra. O mapa de referência foi obtido usando o método de extração de características baseado em objeto, corrigido manualmente para as classes adequadas. Deste mapa foram extraídas e anotadas 1200 assinaturas espectrais para criar o conjunto de dados, das quais 700 assinaturas foram usadas no conjunto de treinamento e validação, sendo este subdivido igualmente entre as classes floresta e urbano do estudo, por fim 500 assinaturas foram utilizadas como conjunto de teste. Foram utilizadas duas cenas de imagens hiperespectrais do sensor Hyperion a bordo do satélite Earth Observing-1 (EO-1), lançado em novembro de 2000 como parte do projeto NASA's New Millennium Program (NMP) da Agência Espacial Norte-americana (do inglês NASA Nacional Aeronautics and Space Administration). As imagens passaram pelas seguintes correções: remoção de bandas anômalas, correção atmosférica, correção geométrica, redução de ruídos e por fim foram normalizadas. O conjunto de dados de teste foi submetido às abordagens das RNCs, com e sem aumento de dados, e os resultados comparados com o mapa de referência. O desempenho dos modelos foi avaliado pelo F- score, a acurácia, a precisão, a revocação ou sensibilidade e a matriz de confusão. As análises dos resultados com as configurações usadas nas RNCs mostraram que o emprego da abordagem sem aumento de dados alcançou 0,88 de acurácia enquanto que a abordagem com aumento de dados alcançou 0,92 de acurácia, além de contornar o problema de sobre ajuste ocorrido na configuração da RNC sem aumento de dados. Logo, pode-se concluir que o emprego de RNCs e algoritmos de aprendizado profundo na classificação de imagens hiperespectrais podem ser amplamente utilizados no mapeamento da cobertura e uso da terra com a finalidade de monitoramento de ocupações desordenadas da terra.
Abstract: Tijuca National Park (TNP) is located in the urban area of the Rio de Janeiro city, State of Rio de Janeiro, being an important fragment of the Atlantic Forest domain, covered by a dense secondary rain forest in an advanced stage of regeneration. It has 3,953 ha and is inserted in the largest urban forest in the world, providing various environmental services such as soil protection by avoided erosion and carbon capture by avoided deforestation, in addition to being an important area for environmental research. The TNP is divided into four sectors: Tijuca Forest Sector, Pedra Bonita / Pedra da Gávea, Pretos Forros/Covanca and Serra da Carioca. For this study, a cutout of a scene was used, of a hyperspectral image of the Hyperion sensor over the Serra da Carioca sector and an urban area over the Botafogo neighborhood, seeking to characterize the forest and urban coverings, objects of the research. Remote Sensing (RS) techniques are important tools for classifying land cover and use in places with restricted access such as the TNP. RS techniques using spectral signatures obtained from hyperspectral images are promising for classification of coverage and land use. This study aimed to: Apply a methodology based on Convolutional Neural Networks (CNN) and deep learning algorithms in the implementation of a computational model for classifying hyperspectral images by pattern recognition for coverage mapping and land use. The reference map was obtained using the object-based feature extraction method and then manually corrected for the appropriate classes, from this map 1200 spectral signatures were extracted and annotated to create the data set, of these 700 spectral signatures were used in the set of training and validation, which is subdivided equally between the forest and urban classes covered in the study, finally 500 signatures were used as a test set. Two scenes of hyperspectral images of the Hyperion sensor were used on board the Earth Observing-1 (EO-1), satellite launched in November 2000 as part of the NASA's New Millennium Program (NMP) project by the North American Space Agency (NASA). The images went through the following corrections: removal of anomalous bands, atmospheric correction, geometric correction, noise reduction and finally they were normalized. The test data set was subjected to the approaches of the CNNs with and without data increase and the results were compared with the reference map. The performance of the models was assessed using the F-score, accuracy, precision, recall or sensitivity and the confusion matrix. Preliminary analyzes of the results achieved by the configurations used in the CNNs showed that the use of the approach without increasing data reached 0.88 accuracy while the approach with increasing data reached 0.92 accuracy, in addition to circumventing the problem of overfitting occurred in the configuration of the CNN without increasing data. Therefore, it can be concluded that the use of CNNs and deep learning algorithms in the classification of hyperspectral images can be widely used in the mapping of land cover and use for the purpose of monitoring disordered land occupations.
URI: https://rima.ufrrj.br/jspui/handle/20.500.14407/15770
Appears in Collections:Doutorado em Ciência, Tecnologia e Inovação em Agropecuária

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
File Description SizeFormat 
2022 - Italo Guimaraes do Vale.Pdf2.31 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.