Deep Learning aplicado à classificação em nível de pixel de variedades de culturas por imagens multiespectrais

• Ano de defesa: 2024
• Autor(a) principal: Kai, Priscila Marques
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Goiás; Instituto de Informática - INF (RMG); Brasil; UFG; Programa de Pós-graduação em Ciência da Computação (INF)
• Palavras-chave em Português: Cana-de-açúcar; Classificação; Aprendizado profundo; Sugarcane; Classification; Deep Learning; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.bc.ufg.br/tede/handle/tede/13788

A classificação de diferentes variedades ainda enfrenta desafios significativos devido à semelhança nas características espectrais dos cultivos. Para abordar esse problema, a integração de técnicas de sensoriamento remoto com métodos de aprendizado profundo oferece uma solução promissora, analisando dados de pixeis com base em bandas espectrais, combinações de bandas e índices de vegetação. Neste trabalho, desenvolvemos uma metodologia de rede neural profunda cruzada, denominada DCN-S, com estudo de caso voltado para a classificação de variedades de cana-de-açúcar. A metodologia foi aplicada em dados de sensoriamento remoto de áreas de cultivo no estado de Goiás, coletados entre 2019 e 2021. O modelo DCN-S foi comparado com classificadores tradicionais, como kNN, SVM e Floresta Aleatória, além de outras configurações de redes neurais. Os resultados indicaram que o modelo DCN-S obteve uma acurácia competitiva em cenários de validação, incluindo a consideração de variedade temporal, quando comparado a outras investigações presentes na literatura. Além disso, o modelo se destacou na classificação de variedades sem a necessidade de separação das fases de desenvolvimento, superando os métodos tradicionais, com melhoria na performance do modelo após a aplicação de um processo de votação. Finalmente, as principais contribuições deste trabalho incluem o desenvolvimento de uma abordagem para a classificação de variedades agrícolas, combinando aprendizado profundo com dados de sensoriamento remoto, e a validação dessa metodologia em um cenário prático. Os resultados evidenciam o potencial do modelo DCN-S em superar técnicas tradicionais, oferecendo uma ferramenta para o monitoramento agrícola de forma automatizada