| Título: | Classificação de lavouras por aprendizagem profunda com dados de sensores remotos |
| Autor(es): | Silva, Daniel Moura da |
| Orientador(es): | Silva, Nilton Correia da |
| Assunto: | Redes neurais (Computação)
Sensoriamento remoto |
| Data de apresentação: | 10-Dez-2018 |
| Data de publicação: | 27-Fev-2019 |
| Referência: | SILVA, Daniel Moura da. Classificação de lavouras por aprendizagem profunda com dados de sensores remotos. 2018. 108 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Software)—Universidade de Brasília, Brasília, 2018. |
| Resumo: | A classificação em larga escala em grandes regiões de plantio é um desafio, uma vez que a
classificação de lavouras sem ferramentas pode ser errada. Mesmo sendo de vital importância
para políticas de planejamento de commodities para o governo, pouco é realmente
investido por motivos de esforço gasto. Entretanto, nos últimos anos, começou-se a utilizar
dados de sensoriamento remoto, cuja informação de assinaturas espectrais dos objetos se
mostrou um importante identificador para tais classificações. Técnicas recentes de aprendizado
profundo, demonstram ser importantes para classificações corretas e precisas de
forma autônoma. Dentro do paradigma de aprendizagem profunda, as redes neurais artificiais,
sobretudo as convolutivas tem demonstrado resultados promissores. O objetivo
deste trabalho é elaborar um sistema onde a partir de dados fornecidos por sensoriamento
remoto, ocorra a classificação automática de lavouras. Foi usada uma adaptação da Rede
Neural Convolucional VGGNet, sendo utilizados 3152 polígonos coletados pelos autores
através de dados do satélite Landsat-8. Estes polígonos estão numa estrutura 15 pixels por
15 pixels, sendo 2.206 polígonos utilizados para treinamento da rede e 946 para teste. Os
polígonos foram classificados em Algodão, Arroz, Cana-de-açúcar, Laranja, Milho, Soja
Uva e uma categoria Outros (Solo exposto, área urbana, floresta, pasto, matagal e água).
Foi alcançado um resultado de 97.57% de acurácia, 97.7% de precisão, 96.1% de recall,
96.8% de F1 score. Os mesmos polígonos de treino e de testes foram aplicados em outros
9 classificadores de Machine Learning (Support Vector Machine - SVM, Random Forest,
Regressão Logística, K Neighbors, Gradient Boosting, Gaussiano, Extra Trees, Árvore de
Decisão e AdaBoost). O resultado atingido pela Rede Neural Convolucional criada neste
trabalho se mostrou superior ao de outros métodos de classificação, como o classificador
Extra Tree que atingiu 94.1% de F1 score e 95.84% de acurácia e o Random Forest que
atingiu 91.9% de F1 score e 92.75% de acurácia. O sistema se mostrou bem sucedido
e foi comprovado que Redes Neurais Convolucionais conseguem ter uma boa classificação
de dados de sensoriamento remoto com assinaturas espectrais para a classificação de
lavouras. |
| Abstract: | The large-scale sorting in large planting areas is a challenge, since classification of crops
without tools may be wrong. While it is of vital importance for government commodity
planning policies, little is actually invested for reasons of expenditure effort. However, in
the last few years, remote sensing data began to be used, whose information on spectral
signatures of the objects proved to be an important identifier for such classifications.
Recent deep learning techniques prove to be important for accurate and correct classifications
in an autonomous way. Within the deep learning paradigm, the artificial neural
networks, especially the convolutive ones, have shown promising results. The objective
of this work is to elaborate a system where from the data provided by remote sensing,
automatic classification of crops occurs. An adaptation of the VGGNet Convolutional
Neural Network was used, with 3,152 polygons collected by the authors using Landsat-
8 satellite data. These polygons are in a structure 15 pixels by 15 pixels, with 2,206
polygons used for network training and 946 for testing. The polygons were classified in
Cotton, Rice, Sugarcane, Orange, Corn, Soybean Grape and an Other category (exposed
soil, urban area, forest, pasture, scrub and water). A result of 97.57% accuracy, 97.7%
accuracy, 96.1% recall, 96.8% F1 score was achieved. The same training and test polygons
were applied to other 9 Machine Learning classifiers (SVM, Random Forest, Logistic
Regression, K Neighbors, Gradient Boosting, Gaussian, Extra Trees, Decision Tree, and
AdaBoost). The result achieved by the Convolutional Neural Network created in this work
was superior to that of other methods of classification, such as the Extra Tree classifier
that reached 94.1% of F1 score and 95.84% of accuracy and Random Forest that reached
91.9% of F1 score and 92.75 % accuracy. The system proved to be successful and it has
been proven that Convolutional Neural Networks can have a good classification of remote
sensing data with spectral signatures for the classification of crops. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2017. |
| Aparece na Coleção: | Engenharia de Software
|
