Banca de QUALIFICAÇÃO: JEFFERSON ROSSY PEREIRA DA SILVA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : JEFFERSON ROSSY PEREIRA DA SILVA
DATA : 29/08/2023
HORA: 14:30
LOCAL: Auditório NTB, UFOPA/Campus Tapajós
TÍTULO:

IDENTIFICAÇÃO DE COPAS DE ÁRVORES EM IMAGENS AÉREAS DA FLONA TAPAJÓS USANDO DEEP LEARNING

PALAVRAS-CHAVES:

DeepForest. Aprendizado por Transferência. Sensoriamento Remoto. RGB. Amazônia.

PÁGINAS: 37
RESUMO:

A detecção de árvores individuais e sua quantificação é uma etapa importante na ecologia, sendo fundamental para o manejo de florestas, principalmente em unidades de conservação, e vem sendo um desafio automatizar esse processo. Essa detecção de maneira tradicional pode ser cara e limitada a pequenas escalas espaciais, no entanto o sensoriamento remoto pode ser um forte aliado nesse aspecto ao permitir cobrir grandes áreas. Ao utilizar imagens áreas em conjunto com modelos de Deep Learning, podemos obter essa detecção automatizada e contribuir ao integrar novas tecnologias ao campo da ecologia. Por este motivo, o objetivo deste trabalho foi analisar abordagens eficazes de detecção de árvores baseadas em Deep Learning em imagens RGB obtidas através de VANT em florestas ombrófilas. Para isso, será selecionado áreas na FLONA Tapajós, onde será coletado imagens RGB com GSD de 10cm/pixel utilizando um VANT para formar ortomosaicos de 1km² no formato tiff. As imagens serão utilizadas no modelo DeepForest, utilizando 10, 15 e 30 épocas. Contudo para obtenção de estimativas mais robustas cada quantidade de épocas será executada 30 vezes. O modelo será avaliado utilizando o Recall, Precision e F1 Score, sendo obtido as estatísticas descritivas oriundas das 30 execuções. Para o desenvolvimento da qualificação foi realizado um estudo de caso, utilizando um conjunto de dados existente do San Joaquin Experimental Range localizado na Rede Nacional de Observatórios Ecológicos nos Estados Unidos, para avaliação do modelo DeepForest. O conjunto de dados possui 91 imagens de 1km² com GSD de 10cm/pixel. Os resultados obtidos mostram um aumento gradativo de Recall, Precision e F1 score conforme se aumenta o número de épocas, contudo é observado um decréscimo desses valores quando utilizamos 30 épocas. Os resultados indicam que a quantidade de 15 épocas pode ser a melhor escolha ao utilizar o modelo nas condições propostas. Portanto, o modelo DeepForest foi avaliado e demonstra ser uma abordagem eficaz de detecção de árvores, utilizando uma base de dados já existente e que foi utilizada por outros trabalhos. Espera-se que ao utilizar imagens áreas da FLONA Tapajós com as mesmas condições, sejam obtidos resultados semelhantes.

MEMBROS DA BANCA:
Presidente - 1963026 - ANDERSON ALVARENGA DE MOURA MENESES
Externo à Instituição - DAVI GUIMARÃES DA SILVA - IFPA
Interno - ***.241.137-** - RONIE SILVA JUVANHOL - UFPI