FenixEdu™

Dissertação

Development of high-resolution maps of vegetation cover to support land planning and grazing management in fire prone landscapes EVALUATED

Detalhes: Esta tese desenvolve um classificador da cobertura vegetal arbustiva. Em climas mediterrânicos, a expansão de biomassa arbustiva está frequentemente associada a um maior risco de incêndio. O classificador será usado posteriormente para gestão sustentável de paisagens de pastoreio para prevenção de incêndios. Os dois objetivos principais são 1.) construir um novo conjunto de dados, a partir de imagens de drones (UAV) usando canais RGB e 2.) desenvolver um método para aumentar a precisão de uma rede neural convolucional (CNN) para detecção de arbustos num ambiente florestal. Os métodos testados e sua viabilidade para esta tarefa são aumento de dados, tiling, reescalonamento, ponderação de conjunto de dados e ajuste de hiperparâmetros. As maiores melhorias foram registradas com as técnicasde aumento de dados, tiling e reescalonamento. O modelo de classificação desenvolvido atinge uma pontuação F1 média de 0,72, embora o conjunto de dados de treino seja relativamente pequeno e contendo alguns rótulos imprecisos. O treino do modelo dura cerca de quatro horas. Os principais desafios identificados neste trabalho foram a anotação manual precisa da imagem, o pequeno tamanho da amostra, os limites de tempo e memória das ferramentas utilizadas e a alta variância intra-classe e baixa variância inter-classe da vegetação alvo. As principais contribuições deste estudo são a avaliação do desempenho do estado-da-arte da CNN para mapear a cobertura do solo em paisagem com uma textura fina, a partir de dados RGB de detecção remota, e propor um método para melhorar o desempenho do modelo.
Keywords: U-Net, rede neural convolucional (CNN), detecção de arbustos, mapeamento de cobertura do solo, imagens de UAV, floresta mediterrânea

Discussão: janeiro 22, 2021, 9:30