| 1. Identificação | ||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||||||||
| Site | mtc-m21c.sid.inpe.br | |||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||
| Identificador | 8JMKD3MGP3W34R/44DTSUS | |||||||||
| Repositório | sid.inpe.br/mtc-m21c/2021/03.30.18.49 | |||||||||
| Última Atualização | 2021:06.17.15.09.47 (UTC) simone | |||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2021/03.30.18.49.33 | |||||||||
| Última Atualização dos Metadados | 2022:04.03.22.30.15 (UTC) administrator | |||||||||
| Chave Secundária | INPE-18435-TDI/3085 | |||||||||
| Chave de Citação | Neves:2021:HiMaBr | |||||||||
| Título | Hierarchical mapping of Brazilian Savanna (Cerrado) physiognomies based on Deep Learning  | |||||||||
| Título Alternativo | Mapeamento hierárquico das fitofisionomias da Savana brasileira (Cerrado) baseado em Deep Learning (aprendizagem profunda) | |||||||||
| Curso | SER-SRE-DIPGR-INPE-MCTI-GOV-BR | |||||||||
| Ano | 2021 | |||||||||
| Data | 2021-03-22 | |||||||||
| Data de Acesso | 05 maio 2024 | |||||||||
| Tipo da Tese | Tese (Doutorado em Sensoriamento Remoto) | |||||||||
| Tipo Secundário | TDI | |||||||||
| Número de Páginas | 96 | |||||||||
| Número de Arquivos | 1 | |||||||||
| Tamanho | 23361 KiB | |||||||||
| 2. Contextualização | ||||||||||
| Autor | Neves, Alana Kasahara | |||||||||
| Banca | Aragão, Luiz Eduardo Oliveira e Cruz de (presidente) Körting, Thales Sehn (orientador) Fonseca, Leila Maria Garcia (orientadora) Sant'Anna, Sidnei João Siqueira Oliveira, Cleber Gonzales de Alencar, Ane Auxiliadora Costa | |||||||||
| Endereço de e-Mail | alana.kasahara@gmail.com | |||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||
| Cidade | São José dos Campos | |||||||||
| Histórico (UTC) | 2021-03-30 18:51:09 :: alana.neves@inpe.br -> pubtc@inpe.br :: 2021-04-05 17:47:46 :: pubtc@inpe.br -> alana.neves@inpe.br :: 2021-05-10 13:07:40 :: alana.neves@inpe.br -> pubtc@inpe.br :: 2021-05-11 11:42:47 :: pubtc@inpe.br -> alana.neves@inpe.br :: 2021-05-11 14:42:44 :: alana.neves@inpe.br -> pubtc@inpe.br :: 2021-06-22 19:42:38 :: pubtc@inpe.br -> simone :: 2021-06-28 20:05:20 :: simone :: -> 2021 2021-06-28 20:17:16 :: simone -> administrator :: 2021 2022-04-03 22:30:15 :: administrator -> :: 2021 | |||||||||
| 3. Conteúdo e estrutura | ||||||||||
| É a matriz ou uma cópia? | é a matriz | |||||||||
| Estágio do Conteúdo | concluido | |||||||||
| Transferível | 1 | |||||||||
| Palavras-Chave | spatial context high spatial resolution image GEOBIA semantic segmentation convolutional neural network contexto espacial imagem de alta resolução espacial segmentação semântica rede neural convolucional | |||||||||
| Resumo | The Brazilian Savanna, also known as Cerrado, is considered one of the global hotspots for biodiversity conservation and plays an important role as carbon stock, due to its above and below-ground biomass. The Cerrado vegetation is composed by a mosaic of ecosystems, which comprises since natural grasslands until dense forests. There is a vegetation gradient with a wide variation in structure, density and biomass, which generates several types of vegetation, known as physiognomies. According to the Ribeiro and Walter classification system, there are three major groups of ecosystems (Grassland, Savanna and Forest), which can be divided into 11 physiognomies and 14 additional sub-types of physiognomies, resulting in 25 physiognomic types. Monitoring the Cerrado vegetation cover in a large scale, using Remote Sensing imagery, is still a challenge due to the high spatial and temporal variability of the vegetation types and their spectral similarity. Two aspects of the Cerrado physiognomies are relevant to create a novel classification method: its classification system hierarchy and the relative context where each physiognomy occurs. Two classification techniques that considers the spatial context have been used in the Remote Sensing field: GEOBIA and Deep Learning. Thus, the general objective of this study is to develop and evaluate a novel method based on Deep Learning to hierarchically classify the Cerrado physiognomies, according to the classification system proposed by Ribeiro and Walter, in the Brasília National Park, a federal environmental Protected Area. Several spectral channels were tested as input datasets to evaluate their importance and contribution in the classification task and all experiments used a WorldView-2 multispectral image (2 meters spatial resolution). To demonstrate the potential of Deep Learning techniques in the Cerrado vegetation discrimination, hierarchical and non-hierarchical GEOBIA approaches were initially performed to classify seven physiognomies. In addition to the spectral bands, five vegetation indices, three fractions of the Linear Spectral Mixture Model, three components of the Tasseled Cap transformation and six texture features were used as features. Compared to a GEOBIA non-hierarchical approach, the GEOBIA hierarchical approach achieved an overall accuracy of 2.5 percentage points higher (66.4% and 68.9%, respectively). In the Deep Learning approach, an adapted U-net architecture was used to hierarchically classify the physiognomies. The dataset composed of RGB bands plus the 2-band Enhanced Vegetation Index (EVI2) achieved the best performance and was used to perform the hierarchical classification. In the first level, which identified Forest, Savanna and Grassland, the overall accuracy was 92.8%. For detailed Savanna and Grassland physiognomies (second level of classification), the overall accuracies were 86.1% and 85.0%, respectively. The Brasília National Park final map obtained in this study has ten physiognomies: Gallery Forest, Woodland Savanna, Typical Savanna, Shrub Savanna, Rupestrian Savanna, Vereda, Rupestrian Grassland, Shrub Grassland, Open Grassland and Humid Open Grassland. The misclassified areas are mainly related to transition regions between the physiognomies. Deep Learning techniques were able to understand and well represent the physiognomy patterns. To the best of our knowledge, this work was the first one that used Deep Learning to discriminate the Cerrado physiognomies in this level of detail. Besides, the accuracy rates obtained here outperformed other works that applied traditional Machine Learning algorithms and GEOBIA for this task. RESUMO: A Savana brasileira, conhecida como Cerrado, é considerada um hotspot global para a conservação da biodiversidade, e exerce um importante papel como estoque de carbono, devido à sua biomassa acima e abaixo do solo. A vegetação do Cerrado é composta por um mosaico de ecossistemas, que abrange desde campos naturais até densas florestas. Existe um gradiente de vegetação com ampla variação em estrutura, densidade e biomassa, que geram diferentes tipos de vegetação, chamados de fitofisionomias. De acordo com o sistema de classificação proposto por Ribeiro e Walter, existem três grupos principais de ecossistemas (Floresta, Savana e Campo), que podem ser divididos em 11 fitofisionomias e 14 subtipos adicionais, resultando em 25 tipos de fitofisionomias. O monitoramento da vegetação do Cerrado em larga escala, usando imagens de sensoriamento remoto, ainda é um desafio devido à alta variabilidade espacial e temporal e à similaridade espectral das fitofisionomias. Dois aspectos da vegetação do Cerrado são relevantes para a criação de um novo método de classificação: a hierarquia do sistema de classificação e o contexto espacial em que cada fitofisionomia ocorre. Duas técnicas de classificação que consideram o contexto espacial têm sido utilizadas na área de Sensoriamento Remoto: GEOBIA e Deep Learning. Assim, o objetivo geral deste trabalho é desenvolver e avaliar um novo método baseado em Deep Learning para classificar hierarquicamente as fitofisionomias do Cerrado, de acordo com o sistema de classificação proposto por Ribeiro e Walter, existentes no Parque Nacional do Brasília, uma Unidade de Conservação federal. Várias bandas e atributos espectrais foram testados como dados de entrada para avaliar suas contribuições na classificação e todos os experimentos usaram uma imagem multiespectral WorldView-2 (resolução espacial de 2 metros). Para demonstrar o potencial das técnicas de Deep Learning para discriminar a vegetação do Cerrado, inicialmente uma abordagem usando GEOBIA para classificar sete fitofisionomias foi realizada. Além das bandas espectrais, cinco índices de vegetação, três frações do Modelo Linear de Mistura Espectral, três componentes da transformação Tasseled Cap e seis atributos de textura foram usados como atributos. Em comparação com uma abordagem não hierárquica de GEOBIA, a abordagem hierárquica de GEOBIA obteve uma acurácia global 2,5 pontos percentuais maior (66,4% e 68,9%, respectivamente). Na abordagem com Deep Learning, uma arquitetura U-net adaptada foi usada para classificar hierarquicamente as fitofisionomias. O conjunto de dados composto pelas bandas RGB mais o 2-band Enhanced Vegetation Index (EVI2) obteve o melhor desempenho e foi usado para realizar a classificação hierárquica. No primeiro nível, que identificou Floresta, Savana e Campo, a acurácia global foi 92,8%. Para as fitofisionomias detalhadas de Savana e Campo (segundo nível de classificação), as acurácias globais foram de 86,1% e 85,0 %, respectivamente. O mapa final do Parque Nacional de Brasília obtido neste trabalho possui dez fitofisionomias: Mata de Galeria, Cerrado Denso, Cerrado Típico, Cerrado Ralo, Cerrado Rupestre, Vereda, Campo Rupestre, Campo Sujo, Campo Limpo e Campo Limpo Úmido. As áreas classificadas incorretamente estão relacionadas principalmente a regiões de transição entre as fitofisionomias. As técnicas de Deep Learning foram capazes de entender e representar bem os padrões das fitofisionomias. Até onde sabemos, esse foi o primeiro trabalho que usou Deep Learning para discriminar as fitofisionomias do Cerrado nesse nível de detalhamento. Além disso, as acurácias aqui obtidas superaram as de outros trabalhos que aplicaram algoritmos tradicionais de aprendizado de máquina e GEOBIA para essa tarefa. | |||||||||
| Área | SRE | |||||||||
| Arranjo 1 | urlib.net > SER > Hierarchical mapping of... | |||||||||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Hierarchical mapping of... | |||||||||
| Conteúdo da Pasta doc | acessar | |||||||||
| Conteúdo da Pasta source |
| |||||||||
| Conteúdo da Pasta agreement |
| |||||||||
| 4. Condições de acesso e uso | ||||||||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34R/44DTSUS | |||||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/44DTSUS | |||||||||
| Idioma | en | |||||||||
| Arquivo Alvo | publicacao.pdf | |||||||||
| Grupo de Usuários | alana.neves@inpe.br pubtc@inpe.br simone | |||||||||
| Visibilidade | shown | |||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | |||||||||
| Detentor dos Direitos | originalauthor yes | |||||||||
| Permissão de Leitura | allow from all | |||||||||
| Permissão de Atualização | não transferida | |||||||||
| 5. Fontes relacionadas | ||||||||||
| Repositório Espelho | urlib.net/www/2017/11.22.19.04.03 | |||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F3NU5S 8JMKD3MGPCW/46KUATE | |||||||||
| Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 | |||||||||
| 6. Notas | ||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||