Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia

Loading...
Thumbnail Image

Co-advisor(s)

Costa, Marly Guimarães Fernandes

Committee members

Pereira, José Raimundo Gomes
Xavier, Clahildek Matos
Soares, Carlos Benedito Santana da Silva
Bueno, Luis Fernando

Journal Title

Journal ISSN

Volume Title

Publisher

Universidade Federal do Amazonas

Type

Access rights

DOI

Resumo (Portuguese)

Este estudo propõe uma metodologia que utiliza aprendizado profundo e um algoritmo de segmentação multiresolução para realizar a segmentação semântica de imagens de sensoriamento remoto. O objetivo da segmentação semântica é classificar o uso do solo em três regiões: floresta, pasto e agricultura. Inicialmente, a imagem é segmentada usando uma rede convolucional. Em seguida, uma imagem com regiões homogêneas é gerada usando um algoritmo de segmentação de multiresolução. Finalmente, um processo de fusão de dados é proposto para fundir as informações provenientes desses dois processos de segmentação. O campo de estudo foram áreas da região amazônica brasileira. Os dados de entrada utilizados foram imagens LANDSAT-8/OLI. Os dados de referência foram extraídos dos resultados do projeto TerraClass em 2014. Dois conjuntos de dados foram avaliados: o primeiro com seis bandas e o segundo com três bandas. Três arquiteturas de redes convolucionais foram avaliadas juntamente com três métodos de otimização, SGDM, ADAM, e RMSProp, e com dois métodos para melhoria da generalização: dropout e regularização L2. O melhor modelo, definido como a associação de uma arquitetura da rede, de um método de otimização e de um método de generalização, que teve o melhor desempenho no conjunto de validação, foi submetido a uma metodologia de validação cruzada de 5 pastas. Os resultados obtidos com os modelos propostos foram comparados com redes pré-treinadas usando a metodologia de transferência de conhecimento. Com esse objetivo foram utilizadas as seguintes redes pré-teinadas: ResNet50, InceptionResnetv2, MobileNetv2 e Xception. Finalmente, a metodologia proposta foi avaliada em regiões utilizadas por outros autores. Os valores de acurácia obtidos para as imagens avaliadas foram superiores a 99%, o que mostra a excelência da técnica de classificação de uso de solo desenvolvida nesse trabalho para classificação de imagens de sensoriamento remoto.

Abstract

This study proposes a methodology that uses deep learning and a multiresolution segmentation algorithm to perform the semantic segmentation of remote sensing images. The objective of the semantic segmentation is to classify the land use in three regions: forest, pasture and agriculture. Initially, the image is segmented using a convolutional network. Then, an image with homogeneous regions is generated using a multiresolution segmentation algorithm. Finally, a data fusion process is proposed to merge the information from these two segmentation processes. The field of study were areas of the Brazilian Amazon region. The input data used were LANDSAT-8/OLI images. The reference data were extracted from the results of the TerraClass project in 2014. Two sets of data were evaluated: the first with six bands and the second with three bands. Three convolutional network architectures were evaluated along with three optimization methods, SGDM, ADAM, and RMSProp, and two methods for generalization improvement: dropout and L2 regularization. The best model, defined as the association of a network architecture, an optimization method and a generalization method, which had the best performance in the validation set, was submitted to a 5-folder cross validation methodology. The results obtained with the proposed models were compared with pre-trained networks using the knowledge transfer methodology. For this purpose the following pre-tested networks were used: ResNet50, InceptionResnetv2, MobileNetv2 and Xception. Finally, the proposed methodology was evaluated in regions used by other authors. The accuracy values obtained for the images evaluated were higher than 99%, which shows the excellence of the land use classification technique developed in this work for the classification of remote sensing images.

Description

Controlled term

Segmentação semântica; Amazônia Legal; Uso do solo; Desmatamento; Fusão de dados

Sustainable Development Goals (SDG)

Citation

OLIVEIRA, Joel Parente de. Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia. 2021. 124 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus, 2021.

Endorsement

Review

Supplemented By

Referenced By

Creative Commons license

Except where otherwise noted, this item's license is described as Acesso Aberto