Detalhes bibliográficos
Ano de defesa: |
2023 |
Autor(a) principal: |
Matsuda, Letícia Mayumi |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://hdl.handle.net/11449/253534
|
Resumo: |
A construção de reservatórios ocasiona várias alterações ambientais, que favorecem o crescimento descontrolado de vegetação aquática, podendo comprometer os usos múltiplos da água. Assim, identificar essas plantas, bem como conhecer suas principais características e distribuição espacial, são informações importantes para fazer um plano de manejo adequado. Neste sentido, com o advento dos veículos aéreos remotamente pilotados no contexto do sensoriamento remoto, é possível obter imagens de alta resolução espacial que podem dar suporte no mapeamento de vegetação aquática. O alto nível de detalhamento dessas imagens permite extrair atributos de textura, uma característica importante da imagem que é utilizada para auxiliar na identificação de objetos ou regiões de interesse da superfície terrestre. Assim, este estudo teve por objetivo avaliar a capacidade de discriminação de diferentes espécies de vegetação aquática emersa (VAE) por meio da integração de atributos espectrais e de textura, pelo método de análise orientada a objeto, segmentação com Superpixel seguida de classificação dos segmentos com o algoritmo Random Forest. Uma das formas de extrair textura foi pela técnica Scale Invariant Feature Transform (SIFT), um algoritmo robusto da área de visão computacional. Os resultados mostraram que os atributos de textura são importantes, independente da procedência, mas que o SIFT teve um desempenho inferior em relação às texturas usualmente empregadas, como Grey-Level Co-occurrence Matrix. Classificar somente com atributos de textura levou à obtenção acurácias menores, mas ainda assim expressivas, indicando que utilizar apenas a informação de textura já explica parte das características intrínsecas de cada espécie. Os atributos de textura foram combinados com outros atributos e, ao final, a combinação de atributos espectrais e de textura não advinda do SIFT, índices de vegetação e densidade de pontos (textura SIFT) obteve a maior acurácia global e coeficiente Kappa, 95% e 0,92, respectivamente. Logo, a hipótese baseada na possibilidade de descrever as informações de organização espacial, estrutura da folha, particularidades de sombra etc. pelos atributos de textura foi confirmada, e quando combinados com atributos espectrais o ganho não foi tão considerável, mas foi comprovada sua importância na discriminação das espécies de VAE. |