Banca de DEFESA: Ivo Augusto Lopes Magalhães

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : Ivo Augusto Lopes Magalhães
DATA : 05/08/2022
HORA: 14:00
LOCAL: Plataforma Teams
TÍTULO:

 

"CLASSIFICAÇÕES FENOLÓGICAS EM ÁREAS INUNDADAS, FLORESTAS, MANGUEZAIS E CERRADO NO BIOMA AMAZÔNICO COMPARADOS ENTRE TÉCNICAS DE DEEP LEARNING LSTM, BI-LSTM, GRU, BI-GRU E MACHINE LEARNING EM SÉRIE TEMPORAL SENTINEL-1 SAR"

PALAVRAS-CHAVES:

 

Áreas inundáveis; deep learning; recurrent neural network; sensoriamento remoto; radar.

PÁGINAS: 117
RESUMO:

 Os recursos hídricos e os estudos fenologicos florestais são extremamentes importantes para a compreensão de diversos fenômenos naturais, como, na variação climática, dinâmica hidrogeomorfológica, condicionamento ambiental e gestão dos recursos Inserida na dinâmica hídrica está presente as áres inundáveis que estão intrinsecamente ligadas a manuntençao da biota e da fauna nos biomas brasileiros. Nesse contexto, os produtos derivados de sensoriamento remoto têm sido bastante utilizados para a análise e monitoramento de áreas inundáveis, mapeamento de uso e ocupação da terra e dinâmica fenológicadevida a sua importância ambiental. As imagens SAR são produtos potenciais por não apresentar interferências atmosféricas, entreanto, necessitam de diversos tratamentos iniciais, definidos de pré processamento para assim ser possível obter uma melhor extração de informações de um determinada área. Nesse sentido, essa pesquisa teve como objetivo aplicação de técnicas de Deep Learning utilizando algoritmos baseados em RNN’s para extração e identificação de áreas inundáveis, corpos hídricos e fenologias florestais como: cerrado, floresta amazônica, mangues, cultivos agrícolas e várzea por meio de série temporal de imagens de sensoriamento remoto. O presente estudo foi dividido em três capítulos principais: (a) análises métricas e estatística de filtragens espaciais em imagem Sentinel – 1 SAR na Amazônia Central, Brasil; (b) análise de série temporal Sentinel-1 SAR em inundações na Amazônia Central e (c) phenological classification of forest, mangroves, savannas, and 2 flooded vegetation of the Amazon biome comparing LSTM, Bi-LSTM, GRU, Bi-GRU and machine learning models from Sentinel-1 time series. As etapas metodológicas foram distintas para cada capítulo e todos apresentaram precisão e altos valores métricos para mensuração e análise dos corpos hídricos, inundação e fenologias florestais. Dentre os métodos de filtragem analisados na imagem SAR, o filtro Lee com janela 3x3 apresentou os melhores desempenhos na redução do ruído Speckle com valores de 1,88 para o MSE e 1,638 no MAE e baixo valor de distorção de contraste na polarização VH, Entretanto, para a polarização VV mensurou-se diferentes resultados para análise da redução do ruído Speckle,, onde o filtro Frost com janela 3x3 apresentou o melhor desempenho, com baixo valor para as métricas em geral, com o MSE de 1,2 e 6,28 para MAE e também um baixo valor de distorção de contraste.. Por apresentar os melhores valores estatísticos o filtro de mediana com janela 11x11 na polarização VH e VV, pode-se ser utilizado como técnica de filtragem alternativa na imagem Sentinel – 1 SAR nas duas polarizações. As áreas de inundação mensuradas nas polarizações VH e VV apresentaram uma forte correlação e não significância estatítica entre as amostras, presumindo que pode-se utilizar tanto as duas polarizações para obtenção do pulso de inundação, e mapeamento da dinâmica das áreas inundáveis na região. Pelo fato de não haver imagens Sentinel – 1 SAR na região em estudo anterior ao ano de 2016 quando os eventos extremos da LMEO foram superiores a 100% não foi possível delimitar a LMEO por meio doss dados SAR. Algumas áreas ao longo da costa e rios apresentam assinaturas de retroespalhamento temporal que evidenciam transições entre ambientes terrestres e áreas cobertas por água. A variação temporal do retroespalhamento de valores mais altos para mais baixos indica erosão e inundação progressiva, enquanto o inverso indica aumento terrestre. O modelo Bi-GRU apresentou a maior acurácia geral, precisão, recall e F-score tanto na polarização separada como na polarização combinada VV+VH. A combinação entre as polarizações forneceu o melhores resultados na classificação e a polarização VH obteve melhores resultados quando comparado a polarização VV. O presente estudo atestou o procedimento metodológico adequado para mensurar as áreas de corpos hídricos e seu pulso de inundação como também obteve a classificação de fenologias com alta precisão na Amazônia Central por meio de Deep learning advindas de série temporal de imagens Sentinel – 1 SAR.

MEMBROS DA BANCA:
Presidente - 3173475 - OSMAR ABILIO DE CARVALHO JUNIOR
Externo à Instituição - ALEXANDRE CÂNDIDO XAVIER - UFES
Externo à Instituição - ALEXANDRE ROSA DOS SANTOS - UFES
Externo à Instituição - EDSON EYJI SANO - EMBRAPA
Externo à Instituição - RENATO FONTES GUIMARAES - UnB