Use este identificador para citar ou linkar para este item:
https://repository.ufrpe.br/handle/123456789/4033
Título: | Inteligência artificial na classificação de uso e cobertura da terra no semiárido de Pernambuco |
Autor: | Almeida, Gabriela Costa de |
Orientador: | Silva, Emanuel Araújo |
Endereco Lattes do orientador : | http://lattes.cnpq.br/2765651276275384 |
Co-orientador : | Moreira, Giselle Lemos |
Endereço Lattes do Co-orientador : | http://lattes.cnpq.br/6171199372079024 |
Palavras-chave: | Semiárido;Caatinga;Solo - Uso;Inteligência artificial;Sensoriamento remoto;Vegetação - Mapeamento |
Data do documento: | 3-Nov-2020 |
Citação: | ALMEIDA, Gabriela Costa de. Inteligência artificial na classificação de uso e cobertura da terra no semiárido de Pernambuco. 2020. 45 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Florestal) - Departamento de Ciência Florestal, Universidade Federal Rural de Pernambuco, Recife, 2020. |
Abstract: | The Brazilian Tropical Dry Forest, known as Caatinga, is located in Brazil's northeastern region and has severe climatic characteristics, with dry weather and poorly distributed rainfall. Those climatic characteristics make Remote sensing analysis difficult due to its large vegetation differences between the dry and rainy periods. In order to help the remote sensing analysis in this biome, this work aims to test different Artificial Intelligence algorithms through supervised classification and to identify land use and land cover patterns in the city of Petrolina, in Pernambuco. Three algorithms were tested: Random Forest, Artificial Neural Networks, and K-Nearest Neighbors using QGIS and RStudio software based on Landsat 8 images from the dry period. Twenty samples from the classes were selected: Water, Agriculture, Urban Area, Forest, and Exposed Soil, and these samples served as a basis for training the algorithms for the classification of images. Occupancy data and precision quality assessment were obtained using Mapping Accuracy and Kappa Index, respectively: 0.9878706 and 0.9653555 for Random Forest; 0.9199973 and 0.9454833 for Artificial Neural Networks, 0.9873741 and 0.9598640 for K-Nearest Neighbors, all being considered excellent. These values were higher than those found in the most commonly used algorithms, as in the Maximum Likelihood algorithm. It was observed that the use of artificial intelligence algorithms could generate better results in the classification of land use in semiarid regions. |
Resumo: | A Floresta Tropical Seca brasileira, conhecida como Caatinga, está presente na região nordeste do Brasil e possui características climáticas severas, com clima seco e chuvas mal distribuídas. Essas características climáticas dificultam a análise por sensoriamento remoto devido às grandes diferenças de vegetação entre os períodos seco e chuvoso. Para auxiliar a análise de sensoriamento remoto neste bioma, este trabalho tem como objetivo testar diferentes algoritmos de Inteligência Artificial por meio de classificação supervisionada e identificar padrões de uso e cobertura da terra na cidade de Petrolina, em Pernambuco. Três algoritmos foram testados: Random Forest, Artificial Neural Networks e K-Nearest Neighbors usando o software QGIS e RStudio baseado em imagens LANDSAT 8 do período seco. Foram selecionadas 20 amostras das classes: Água, Agricultura, Área Urbana, Floresta e Solo Exposto, e essas amostras serviram de base para o treinamento dos algoritmos de classificação das imagens. Dados de ocupação e avaliação de qualidade de precisão foram obtidos usando acurácia do mapeamento e índice de Kappa, respectivamente: 0,9878706 e 0,9653555 para Random Forest; 0,9199973 e 0,9454833 para Artificial Neural Networks, 0,9873741 e 0,9598640 para o K-Nearest Neighbors, todos considerados excelentes. Esses valores foram superiores aos encontrados nos algoritmos mais comumente utilizados, como no algoritmo de Máxima Verossimilhança. Observou-se que o uso de algoritmos de inteligência artificial pode gerar melhores resultados na classificação do uso da terra em regiões semiáridas. |
URI: | https://repository.ufrpe.br/handle/123456789/4033 |
Aparece nas coleções: | TCC - Engenharia Florestal (Sede) |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tcc_gabrielacostadealmeida.pdf | 938,33 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.