Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/123456789/6366| Título: | Aprimoramento da detecção de áreas de garimpo na Região dos Tapajós através de Redes adversárias de super-resolução |
| Título(s) alternativo(s): | Improved Detection of Mining Areas in the Tapajós Region using Super-resolution Additive Networks |
| Autor(es): | SANTOS, Pedro Thiago Cutrim dos |
| Palavras-chave: | Redes Adversárias de Super-resolução, sensoriamento remoto; garimpo; landsat 8; rapidEye; U-Net; segmentação; detecção. |
| Data do documento: | 30-Abr-2021 |
| Editor: | Universidade Federal do Maranhão |
| Resumo: | Resumo A mineração ilegal é um dos principais fatores que causam degradação ambiental no Brasil. A Região de Integração do Tapajós é responsável por mais de 60% do desmatamento causado pelo garimpo ilegal. Atualmente, a identificação de garimpos é feita usando imagens de satélite e outras técnicas de sensoriamento remoto, devido a seu difícil acesso na mata densa. Este trabalho propõe o uso de redes adversárias de super-resolução para o melhoramento de imagens de satélite de baixa resolução em conjunto com técnicas de aprendizado de máquina para detecção de regiões de garimpo. Para as redes de super-resolução são usadas a SRGAN e ESRGAN. Na etapa de detecção usa-se a rede convolucional U-Net. Foram obtidos ganhos de até 15% na detecção com o uso das imagens melhoradas, sendo o melhor resultado com os valores de 86% de acurácia, 80% de sensibilidade, 94% de precisão e 86% de F1-Score. |
| Descrição: | Abstract Illegal mining is one of the main factors that cause environmental degradation in Brazil. The Tapajós Integration Region is responsible for more than 60% of the deforestation caused by this type of mining. Currently, the identification of gold mining is done using satellite images and other remote sensing techniques, due to its difficult access in the dense forest. This work proposes the use of super-resolution generative adversarial networks to improve low-resolution satellite images with machine learning techniques for detecting gold mining regions. For super-resolution networks, SRGAN and ESRGAN are used. In the detection stage, we used the U-Net convolutional network. Gains of up to 15% in detection we go with the use of improved images, the best result being the values of 86% accuracy, 80% sensitivity, 94% accuracy and 86% F1-Score. |
| URI: | http://hdl.handle.net/123456789/6366 |
| Aparece nas coleções: | TCCs de Graduação em Ciência da Computação do Campus do Bacanga |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| PedroThiagoCutrimdosSantos.pdf | Trabalho de Conclusão de Curso | 24,07 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.