Publicação
Segmentação de imagens multiespectrais de alta resolução utilizando o modelo U-Net para cartografia de uso do solo
| Resumo: | A aprendizagem profunda (DL) tornou-se numa tecnologia emergente na aprendizagem automática (ML). Estas novas tecnologias, conjugadas com o potencial das imagens aéreas ou de satélite, permitem a construção de produtos úteis para a caracterização e observação da Terra. O presente estudo tem como objetivo avaliar a capacidade das redes neurais de convolução (CNN) para a classificação de entidades geoespaciais que caracterizam o uso do solo nomeadamente, telha vermelha, vias, edifícios industriais, culturas permanentes e caminhos agrícolas. Nas diferentes abordagens adotadas foram avaliadas técnicas de otimização tais como, o aumento de dados, a junção de modelos e a transferência de aprendizagem (TL), as quais potenciam a capacidade do modelo em classificar novos dados. Foram utilizadas imagens aéreas de muito alta resolução (50 cm) adquiridas em junho de 2018, sobre a região de Samora Correia facultadas pelo Instituto de Financiamento de Agricultura e Pescas (IFAP). Recorreu-se à estrutura Tensorflow e à biblioteca Keras para a construção da arquitetura da rede e treino dos modelos. A arquitetura adotada foi a U-Net que tem demonstrado ser competitiva na área da observação da terra. Para o treino dos modelos foi necessária a elaboração manual das máscaras para cada entidade geoespacial. Os dados foram inicialmente reduzidos para dimensões suportáveis pela rede, processados e introduzidos na rede neural. Nas abordagens testadas, os melhores resultados para o F1- score obtidos com a arquitetura U-Net foram, para a classe telha vermelha 86%, para a classe vias 78%, para a classe edifícios industriais 87%, para a classe culturas permanentes 77% e para a classe caminhos agrícolas 82%. Os resultados permitiram avaliar a capacidade destes modelos e técnicas na classificação de 5 classes de uso do solo, identificando as particularidades e estratégias que possibilitem uma melhoria na classificação e a produção de mapas de uso do solo com uma maior exatidão. |
|---|---|
| Autores principais: | Sacadura, João Pedro Ventura de Cabral |
| Assunto: | aprendizagem automática aprendizagem profunda redes neurais de convolução mapeamento de entidades geoespaciais classificação de imagens Teses de mestrado - 2022 |
| Ano: | 2022 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Lisboa |
| Idioma: | português |
| Origem: | Repositório da Universidade de Lisboa |
| Resumo: | A aprendizagem profunda (DL) tornou-se numa tecnologia emergente na aprendizagem automática (ML). Estas novas tecnologias, conjugadas com o potencial das imagens aéreas ou de satélite, permitem a construção de produtos úteis para a caracterização e observação da Terra. O presente estudo tem como objetivo avaliar a capacidade das redes neurais de convolução (CNN) para a classificação de entidades geoespaciais que caracterizam o uso do solo nomeadamente, telha vermelha, vias, edifícios industriais, culturas permanentes e caminhos agrícolas. Nas diferentes abordagens adotadas foram avaliadas técnicas de otimização tais como, o aumento de dados, a junção de modelos e a transferência de aprendizagem (TL), as quais potenciam a capacidade do modelo em classificar novos dados. Foram utilizadas imagens aéreas de muito alta resolução (50 cm) adquiridas em junho de 2018, sobre a região de Samora Correia facultadas pelo Instituto de Financiamento de Agricultura e Pescas (IFAP). Recorreu-se à estrutura Tensorflow e à biblioteca Keras para a construção da arquitetura da rede e treino dos modelos. A arquitetura adotada foi a U-Net que tem demonstrado ser competitiva na área da observação da terra. Para o treino dos modelos foi necessária a elaboração manual das máscaras para cada entidade geoespacial. Os dados foram inicialmente reduzidos para dimensões suportáveis pela rede, processados e introduzidos na rede neural. Nas abordagens testadas, os melhores resultados para o F1- score obtidos com a arquitetura U-Net foram, para a classe telha vermelha 86%, para a classe vias 78%, para a classe edifícios industriais 87%, para a classe culturas permanentes 77% e para a classe caminhos agrícolas 82%. Os resultados permitiram avaliar a capacidade destes modelos e técnicas na classificação de 5 classes de uso do solo, identificando as particularidades e estratégias que possibilitem uma melhoria na classificação e a produção de mapas de uso do solo com uma maior exatidão. |
|---|