Classificação do uso do solo utilizando sensoriamento remoto e redes neurais artificiais

Alves Junior, Robinson [UNIFESP]

Classificação do uso do solo utilizando sensoriamento remoto e redes neurais artificiais

dc.contributor.advisor	Quiles, Marcos Gonçalves [UNIFESP]
dc.contributor.advisorLattes	http://lattes.cnpq.br/8867164774240536	pt_BR
dc.contributor.author	Alves Junior, Robinson [UNIFESP]
dc.coverage.spatial	São José dos Campos, SP	pt_BR
dc.date.accessioned	2021-09-10T19:04:26Z
dc.date.available	2021-09-10T19:04:26Z
dc.date.issued	2020-10-13
dc.description.abstract	O surgimento da agricultura marcou a história da humanidade e modificou totalmente a sociedade humana. Mesmo nos dias atuais com toda a tecnologia presente nos equipamentos agrícolas, existem muitos pontos a serem melhorados e evoluídos em todos os processos agrícolas. Em especial no que tange a integração com as tecnologias recentes de análises de precisão, que trabalham com dados de sensoriamento remoto e algoritmos desenvolvidos em linguagens de alto nível. É nesse contexto que se apoia esse trabalho, onde a ideia central é atacar o problema de classificação do uso de solo. Onde a solução proposta é a criação de uma ferramenta digital baseada em técnicas modernas de computação, para fazer a classificação de uso do solo, utilizando redes neurais artificias. O conjunto de dados de entrada para análise do modelo, são providos por satélites que fazem o sensoriamento remoto da superfície terrestre. Em específico utilizaremos os dados do índice de NDVI, que são dispostos na forma de uma série temporal, que é composta por cada medição efetuada pelo sensor MODIS, presente no satélite Terra. Alguns estudos vêm sendo produzidos e explorados nesse contexto, no entanto, ao fazer uma pesquisa encontramos poucos trabalhos ainda publicados utilizando redes neurais artificias aplicados a utilização do uso do solo. Temos, por exemplo, este trabalho que se utiliza de RNA’s para classificação e predição de características do solo (ZOU et al., 2010). Entretanto, tal trabalho considera séries temporais com tamanhos fixos. Os dados de NDVI quando apresentadas um algoritmo classificador, no caso deste estudo um modelo que pode classificar, floresta, pastagem, e cana-de-açúcar, realizando o processamento utilizando modelos de redes neurais recorrentes, podem gerar resultados de classificação que contém a informação de qual classe botânica, suportada pela análise do classificador, está presente na coordenada geográfica referente a série temporal de NDVI. No entanto, um requisito de desenvolvido durante este trabalho é ao invés de fazer analises apenas em cima de dados de tamanho fixo, como uma janela temporal preestabelecida, os dados podem ter comprimentos dinâmicos e variáveis, pois, os dados podem ser apresentados continuamente como entrada da rede. O motivo deste requisito é que a série temporal de NDVI cresce a cada medição efetuada pelo satelite. Com base em toda experiência adquirida e resultados obtidos com o desenvolvimento desse projeto, conclui-se que é possível com as ferramentas disponíveis hoje, utilizar técnicas de redes neurais para tal classificação, onde, no entanto, devemos nos atentar na variabilidade dos dados de entrada e a complexidade do modelo, o especialista deve ser capaz de realizar um ajuste fino no modelo para tornar o processamento de aprendizado da rede o melhor possível, e assim obter um resultado de classificação com acurácia alta. O método de mineração dos dados pode ser um grande gargalo também, devido ao volume de rotulação dos dados, efetuada pelo especialista ser alto nesse problema em específico.	pt_BR
dc.description.abstract	The rise of agriculture marked the history of mankind and totally changed human society. Even today with all the technology present in agricultural equipment, there are many points to be improved and evolved in all agricultural processes. Especially when it comes to integration with recent precision analysis technologies, which work with remote sensing data and algorithms developed in high-level languages. It is in this context that this work is supported, where the central idea is to tackle the land use classification problem. Where the proposed solution is the creation of a digital tool based on modern computing techniques, to make the classification of land use, using artificial neural networks. The set of input data for model analysis is provided by satellites that perform remote sensing of the earth’s surface. In particular, we will use the NDVI index data, which are arranged in the form of a time series, which is composed of each measurement made by the MODIS sensor, present in the Terra satellite. Some studies have been produced and explored in this context, however, when doing a research we find few works still published using artificial neural networks applied to land use. We have, for example, this work that uses RNA’s for classification and prediction of soil characteristics (ZOU et al., 2010). However, such work considers time series with fixed sizes. NDVI data when presented with a classifying algorithm, in the case of this study, a model that can classify forest, pasture, and sugarcane, performing the processing using recurrent neural network models, can generate classification results that contain the information which botanical class, supported by the classifier analysis, is present in the geographic coordinate for the NDVI time series. However, a requirement of developed during this work is instead of making analyzes only on data of fixed size, like a pre-established time window, the data can have dynamic and variable lengths, because the data can be presented continuously as input from the Web. The reason for this requirement is that the NDVI time series grows with each measurement made by the satellite. Based on all the experience acquired and results obtained with the development of this project, it is concluded that it is possible with the tools available today, to use neural network techniques for such classification, where, however, we must pay attention to the variability of the input data and the complexity of the model, the specialist must be able to fine-tune the model to make the network learning processing the best possible, and thus obtain a classification result with high accuracy. The data mining method can be a big bottleneck too, due to the volume of data labeling, carried out by the specialist being high in this specific problem.	pt_BR
dc.description.sponsorship	Não recebi financiamento	pt_BR
dc.format.extent	83 f.	pt_BR
dc.identifier.uri	https://repositorio.unifesp.br/handle/11600/61936
dc.language	por	pt_BR
dc.publisher	Universidade Federal de São Paulo	pt_BR
dc.rights	info:eu-repo/semantics/openAccess	pt_BR
dc.subject	MODIS	pt_BR
dc.subject	Terra	pt_BR
dc.subject	NDVI	pt_BR
dc.subject	Redes neurais artificiais	pt_BR
dc.subject	Sensoriamento remoto	pt_BR
dc.subject	Classificação de uso de solo	pt_BR
dc.title	Classificação do uso do solo utilizando sensoriamento remoto e redes neurais artificiais	pt_BR
dc.title.alternative	Classification of Land Use Using Remote Sensing and Artificial Neural Networks	pt_BR
dc.type	info:eu-repo/semantics/bachelorThesis	pt_BR
unifesp.campus	Instituto de Ciência e Tecnologia (ICT)	pt_BR
unifesp.graduacao	Engenharia de Computação	pt_BR