{"id":1677,"date":"2021-11-12T10:54:25","date_gmt":"2021-11-12T13:54:25","guid":{"rendered":"https:\/\/www3.unicentro.br\/ppgf\/?p=1677"},"modified":"2025-04-04T13:22:44","modified_gmt":"2025-04-04T16:22:44","slug":"reconhecimento-de-padroes-espaco-temporais-em-imagens-worldview-2-e-rpas-por-aprendizado-de-maquina-em-floresta-ombrofila-mista","status":"publish","type":"post","link":"https:\/\/www3.unicentro.br\/ppgf\/2021\/11\/12\/reconhecimento-de-padroes-espaco-temporais-em-imagens-worldview-2-e-rpas-por-aprendizado-de-maquina-em-floresta-ombrofila-mista\/","title":{"rendered":"Reconhecimento de padr\u00f5es espa\u00e7o-temporais em imagens WorldView-2 e RPAs por aprendizado de m\u00e1quina em Floresta Ombr\u00f3fila Mista"},"content":{"rendered":"

Enzo Luigi Crisigiovanni<\/strong><\/span><\/p>\n

\u2800\u2800\u2800\u2800\u2800<\/p>\n

Defesa P\u00fablica:<\/strong> 10 de junho de 2021<\/span><\/p>\n

\u2800\u2800\u2800\u2800\u2800<\/p>\n

Banca Examinadora:<\/strong><\/span><\/p>\n

Dr. Rodrigo de Campos Macedo \u2013 UFPR \u2013 Primeiro Examinador<\/span>
\nDr. Nelson Carlos Rosot \u2013 UFPR \u2013 Segundo Examinador<\/span>
\nDr. Ronaldo Ferreira Maganhotto \u2013 UNICENTRO \u2013 Terceiro Examinador<\/span>
\nDr. Fernando Lu\u00eds Dlugosz \u2013 UNICENTRO \u2013 Quarto Examinador<\/span>
\nDr. Afonso Figueiredo Filho \u2013 UNICENTRO \u2013 Orientador e Presidente da Banca Examinadora<\/span><\/p>\n

\u2800\u2800\u2800\u2800\u2800<\/p>\n

Resumo:<\/strong><\/span><\/p>\n

A perda de habitats e a bioinvas\u00e3o, associadas a processos antr\u00f3picos, s\u00e3o as principais causas das extin\u00e7\u00f5es de esp\u00e9cies. Uma das principais ferramentas para a an\u00e1lise espa\u00e7o-temporal desses processos \u00e9 o sensoriamento remoto. Com o enfoque de reconhecer padr\u00f5es na Floresta Ombr\u00f3fila Mista (FOM) em diferentes escalas espaciais e temporais, em tr\u00eas cap\u00edtulos buscou-se: (1) Classificar e mensurar elementos da paisagem de uma sub-bacia hidrogr\u00e1fica na Floresta Ombr\u00f3fila Mista no Centro-Sul do estado do Paran\u00e1, associando os componentes da paisagem \u00e0 par\u00e2metros fitossociol\u00f3gicos da comunidade arb\u00f3rea; (2) Quantificar a taxa de reconhecimento de Hovenia dulcis<\/em> Thunb. (Uva-do-Jap\u00e3o), esp\u00e9cie ex\u00f3tica invasora e de Araucaria angustifolia<\/em> (Bertol.) Kuntze (Arauc\u00e1ria), con\u00edfera nativa amea\u00e7ada de extin\u00e7\u00e3o, por algoritmos de aprendizado de m\u00e1quina; e (3) Aprimorar a extra\u00e7\u00e3o de atributos para a classifica\u00e7\u00e3o de H. dulcis<\/em>, em um modelo de classifica\u00e7\u00e3o pixel a pixel de apenas uma classe. Para o cumprimento dos objetivos, os m\u00e9todos empregados foram: (1) Para duas imagens WolrdVew2 dos anos de 2012 e 2016, utilizando apenas as bandas multiespectrais do sensor (2m de resolu\u00e7\u00e3o espacial) foram aplicadas a segmenta\u00e7\u00e3o multirresolu\u00e7\u00e3o e M\u00e1quina de Vetores de Suporte (Support Vector Machine<\/em> – SVM). A partir das classifica\u00e7\u00f5es de maior acur\u00e1cia foram extra\u00eddas nove m\u00e9tricas da paisagem submetidas a uma An\u00e1lise de Componentes Principais (Principal Component Analysis<\/em> – PCA). Esses componentes foram associados a modelos de regress\u00e3o gerados por Generalized Estimation Equation<\/em> (GEE) para nove par\u00e2metros fitossociol\u00f3gicos calculados a partir de nove parcelas permanentes de invent\u00e1rio florestal, com tr\u00eas medi\u00e7\u00f5es 2011, 2014 e 2017 distribu\u00eddas na \u00e1rea da sub-bacia em quest\u00e3o; (2) Para o reconhecimento de A. angustifolia<\/em> e H. dulcis<\/em> foi realizada a interpreta\u00e7\u00e3o visual e recorte das copas das \u00e1rvores validadas por imagens de RPA (Remotely Piloted Aircraft<\/em>) na imagem WorldView-2 de 2016 fusionada (0,5m de resolu\u00e7\u00e3o espacial). Os recortes tiveram atributos texturais extra\u00eddos por filtros de bordas (Edge Filter<\/em>) e por Histogramas de Gradiente Orientados em Pir\u00e2mide (Pyramid Histogram of Oriented Gradients<\/em> \u2013 PHOG). Os atributos texturais e os valores espectrais dos pixels das imagens foram submetidos a minera\u00e7\u00e3o de dados utilizando algoritmo gen\u00e9tico. Finalmente foram submetidos \u00e0 dois classificadores, Redes Neurais Artificiais (Artificial Neural Network<\/em> \u2013 ANN) e Floresta de Decis\u00e3o Rand\u00f4mica (Ramdom Forest<\/em> – RF) e; (3) Em duas imagens de RPA de 2018 foram selecionados pixels aleat\u00f3rios de H. dulcis<\/em> e da classe negativa (n\u00e3o-H. dulcis<\/em>), de maneira balanceada. Em seguida, foram criados modelos de classifica\u00e7\u00e3o pixel a pixel de apenas uma classe (One-class classification), pelo algoritmo Random Forest, utilizando apenas os atributos espectrais dos pixels para a classifica\u00e7\u00e3o. De maneira geral encontrou-se elevada acur\u00e1cia, aproximadamente 90%, para todas as classifica\u00e7\u00f5es empregadas, com as diferentes t\u00e9cnicas de classifica\u00e7\u00e3o aplicadas \u00e0s diferentes imagens e alvos. Com rela\u00e7\u00e3o ao Cap\u00edtulo 1, nos quatro anos de an\u00e1lise encontrou-se uma redu\u00e7\u00e3o na \u00e1rea de cobertura de FOM de 6,4% e uma expans\u00e3o agr\u00edcola de 8,07%, devido principalmente ao aumento do processo de fragmenta\u00e7\u00e3o da paisagem. Ainda foi poss\u00edvel encontrar associa\u00e7\u00f5es da fragmenta\u00e7\u00e3o na comunidade arb\u00f3rea, a qual apresentou mudan\u00e7as principalmente relacionadas ao incremento de biomassa, indicando processos de regenera\u00e7\u00e3o. No Cap\u00edtulo 2 a classifica\u00e7\u00e3o das esp\u00e9cies foi realizada com alta acur\u00e1cia, chegando a 95% de acertos para o Cross-Validation. RF superou as taxas de classifica\u00e7\u00e3o da ANN e ainda se mostrou mais est\u00e1vel e veloz para o treinamento e posterior classifica\u00e7\u00e3o das esp\u00e9cies. Para o Cap\u00edtulo 3, a classifica\u00e7\u00e3o das imagens de RPA tamb\u00e9m apresentaram elevada acur\u00e1cia, com cerca de 95% de acertos. Com apenas tr\u00eas bandas espectrais: Red (R), Green (G) e Blue (B) os atributos espectrais da faixa do vermelho e do verde se mostraram mais relevantes para a classifica\u00e7\u00e3o, e o modelo de classifica\u00e7\u00e3o pixel a pixel de apenas uma classe se mostrou eficiente na detec\u00e7\u00e3o de H. dulcis<\/em>. Concluiu-se que o sensor multiespectral WorldView-2 e a imagens de RPAs, associadas ou n\u00e3o, t\u00eam elevado potencial de fornecer informa\u00e7\u00f5es para o reconhecimento de padr\u00f5es florestais da FOM, variando de elementos da paisagem, e.g. remanescentes florestais, at\u00e9 copas de esp\u00e9cies arb\u00f3reas, como H. dulcis<\/em> e A. angustifolia<\/em>. Dessa forma, esses instrumentos podem ser efetivos na contribui\u00e7\u00e3o da conserva\u00e7\u00e3o e manejo sustent\u00e1vel da FOM.<\/span><\/p>\n

\"PDF\"<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Enzo Luigi Crisigiovanni<\/p>\n","protected":false},"author":360,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":"","_links_to":"","_links_to_target":""},"categories":[76,56],"tags":[],"class_list":["post-1677","post","type-post","status-publish","format-standard","hentry","category-defesas-2021","category-defesas-doutorado"],"_links":{"self":[{"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/posts\/1677","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/users\/360"}],"replies":[{"embeddable":true,"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/comments?post=1677"}],"version-history":[{"count":1,"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/posts\/1677\/revisions"}],"predecessor-version":[{"id":4862,"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/posts\/1677\/revisions\/4862"}],"wp:attachment":[{"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/media?parent=1677"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/categories?post=1677"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www3.unicentro.br\/ppgf\/wp-json\/wp\/v2\/tags?post=1677"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}