Fechar
Metadados

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/4645H3P
Repositóriosid.inpe.br/mtc-m21d/2021/12.27.11.32
Última Atualização2021:12.27.11.32.28 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21d/2021/12.27.11.32.28
Última Atualização dos Metadados2024:01.23.16.20.56 (UTC) simone
DOI10.3390/rs13245084
ISSN2072-4292
Chave de CitaçãoTorresTuVeFeSiMaAl:2021:DeDeFu
TítuloDeforestation detection with fully convolutional networks in the Amazon forest from Landsat-8 and Sentinel-2 images
ProjetoMonitoramento dos Biomas Brasileiros por Satélite – Construção de Novas Capacidades (2019 - 2023)
Ano2021
MêsDec.
Data de Acesso05 maio 2024
Tipo de Trabalhojournal article
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho3295 KiB
2. Contextualização
Autor1 Torres, Daliana Lobo
2 Turnes, Javier Noa
3 Vega, Pedro Juan Soto
4 Feitosa, Raul Queiroz
5 Silva, Daniel E.
6 Marcato Júnior, José
7 Almeida, Cláudio Aparecido de
ORCID1 0000-0001-7916-9463
2 0000-0001-9573-2228
3 0000-0001-5396-8531
4
5 0000-0001-8344-5096
6 0000-0003-4892-2584
7 0000-0002-9096-6866
Grupo1
2
3
4
5 DIPE1-COGPI-INPE-MCTI-GOV-BR
6
7 DIPE1-COGPI-INPE-MCTI-GOV-BR
Afiliação1 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
2 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
3 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
4 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
5 Instituto Nacional de Pesquisas Espaciais (INPE)
6 Universidade Federal do Mato Grosso do Sul (UFMS)
7 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 daliana0491@aluno.puc-rio.br
2 jnoat92@aluno.puc-rio.br
3 psoto@ele.puc-rio.br
4 raul@ele.puc-rio.br
5 daniel.silva@inpe.br
6 jose.marcato@ufms.br
7 claudio.almeida@inpe.br
RevistaRemote Sensing
Volume13
Número24
Páginase5084
Nota SecundáriaB3_GEOGRAFIA B3_ENGENHARIAS_I B4_GEOCIÊNCIAS B4_CIÊNCIAS_AMBIENTAIS B5_CIÊNCIAS_AGRÁRIAS_I
Histórico (UTC)2021-12-27 11:32:28 :: simone -> administrator ::
2021-12-27 11:32:30 :: administrator -> simone :: 2021
2021-12-27 11:33:43 :: simone -> administrator :: 2021
2022-04-04 04:50:16 :: administrator -> simone :: 2021
2023-12-18 22:36:54 :: simone -> administrator :: 2021
2024-01-10 18:58:21 :: administrator -> simone :: 2021
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveAmazon biome
Change detection
Deep learning
Fully convolutional neural networks
Remote sensing
Semantic segmentation
ResumoThe availability of remote-sensing multisource data from optical-based satellite sensors has created new opportunities and challenges for forest monitoring in the Amazon Biome. In particular, change-detection analysis has emerged in recent decades to monitor forest-change dynamics, supporting some Brazilian governmental initiatives such as PRODES and DETER projects for biodiversity preservation in threatened areas. In recent years fully convolutional network architectures have witnessed numerous proposals adapted for the change-detection task. This paper comprehensively explores state-of-the-art fully convolutional networks such as U-Net, ResU-Net, SegNet, FC-DenseNet, and two DeepLabv3+ variants on monitoring deforestation in the Brazilian Amazon. The networks performance is evaluated experimentally in terms of Precision, Recall, F1-score, and computational load using satellite images with different spatial and spectral resolution: Landsat-8 and Sentinel-2. We also include the results of an unprecedented auditing process performed by senior specialists to visually evaluate each deforestation polygon derived from the network with the highest accuracy results for both satellites. This assessment allowed estimation of the accuracy of these networks simulating a process in nature and faithful to the PRODES methodology. We conclude that the high resolution of Sentinel-2 images improves the segmentation of deforestation polygons both quantitatively (in terms of F1-score) and qualitatively. Moreover, the study also points to the potential of the operational use of Deep Learning (DL) mapping as products to be consumed in PRODES.
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > Produção a partir de 2021 > COGPI > PRODES - Construção de Novas Capacidades > Deforestation detection with...
Arranjo 2Deforestation detection with...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 27/12/2021 08:32 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34T/4645H3P
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34T/4645H3P
Idiomaen
Arquivo Alvoremotesensing-13-05084-v2.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Política de Arquivamentoallowpublisher allowfinaldraft
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2021/06.04.03.40.25
Unidades Imediatamente Superiores8JMKD3MGP6W34M/4AH5NEL
8JMKD3MGPCW/46L2FGP
Lista de Itens Citandosid.inpe.br/marte2/2024/01.10.18.57 6
sid.inpe.br/bibdigital/2022/04.04.04.47 1
DivulgaçãoWEBSCI; PORTALCAPES; MGA; COMPENDEX; SCOPUS.
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
NotasPrêmio CAPES Elsevier 2023 - ODS 15: Vida terrestre
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark nextedition parameterlist parentrepositories previousedition previouslowerunit progress readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype url
7. Controle da descrição
e-Mail (login)simone
atualizar 


Fechar