dc.contributor.author | Ferreira, Giovanna de Andrade | |
dc.date.accessioned | 2024-02-02T12:20:24Z | |
dc.date.available | 2024-02-02T12:20:24Z | |
dc.date.issued | 2023-12-22 | |
dc.identifier.citation | FERREIRA, Giovanna de Andrade. Comparação entre o método de segmentação supervisionada e não supervisionada de modelos deep learning para identificação de indivíduos Pinus spp. Invasores em área de campo úmido. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia Ambiental) – Universidade Federal de São Carlos, Lagoa do Sino, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/19166. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/19166 | |
dc.description.abstract | The introduction of Pinus spp. in Brazil, it causes a series of environmental disorders and can lead to the impoverishment of biodiversity through its invasive potential. Thinking about the difficulty of obtaining quantification and geolocation data of individuals, this work aims to compare two deep learning models for automated segmentation of Pinus spp. crowns. The comparison was carried out between a model manually trained by the Mask R-CNN algorithm (supervised classification) and an existing model, SAM (unsupervised classification). Mask R-CNN presented 81% intersection over the union of polygons and 88% overlap rate between the manually delimited Masks and the masks segmented by the algorithm, while SAM presented results of 72% and 77%, respectively. The results found reinforce the importance of studies related to new remote sensing technologies for monitoring native vegetation as a biological conservation tool. | por |
dc.description.sponsorship | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | por |
dc.description.sponsorship | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Invasão biológica | por |
dc.subject | Mask R-CNN | por |
dc.subject | SAM | por |
dc.subject | Campo úmido | por |
dc.subject | Cerrado | por |
dc.subject | Restauração | por |
dc.subject | Biological invasion | en |
dc.subject | Mask R-CNN | en |
dc.subject | SAM | en |
dc.subject | Wetlands | en |
dc.subject | Restoration | en |
dc.title | Comparação entre o método de segmentação supervisionada e não supervisionada de modelos deep learning para identificação de indivíduos Pinus spp. Invasores em área de campo úmido | por |
dc.title.alternative | Comparison between supervised and unsupervised segmentation methods of deep learning models for the identification of invasive Pinus spp. Individuals in a wetland area | por |
dc.type | TCC | por |
dc.contributor.advisor1 | Molin, Paulo Guilherme | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1529819650942373 | por |
dc.description.resumo | A introdução de indivíduos Pinus spp. no Brasil, acarreta uma série de transtornos ambientais e pode propiciar o empobrecimento da biodiversidade através do seu potencial invasor. Pensando na dificuldade de obtenção de dados acerca da distribuição espacial dos indivíduos, este trabalho tem como objetivo a comparação entre dois modelos de deep learning para segmentação automatizada de copas de Pinus spp.. A comparação foi realizada entre um modelo manualmente treinado pelo algoritmo Mask R-CNN (classificação supervisionada) e um modelo já existente, o SAM (classificação não supervisionada). O Mask R-CNN apresentou 81% de intersecção sobre a união dos polígonos e 88% de taxa de sobreposição entre as máscaras delimitadas manualmente e as máscaras segmentadas pelo algoritmo, enquanto o SAM apresentou resultados de 72% e 77%, respectivamente. Os resultados encontrados reforçam a importância de estudos relacionados à novas tecnologias de sensoriamento remoto para o monitoramento de vegetações nativas como ferramenta de conservação biológica. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL | por |
dc.description.sponsorshipId | Processo nº 2022/11438-6, Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | por |
dc.description.sponsorshipId | PIBIC - ID 600 | por |
dc.publisher.address | Câmpus Lagoa do Sino | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/7304255443790304 | por |
dc.publisher.course | Engenharia Ambiental - EAm-LS | por |
dc.contributor.authororcid | https://orcid.org/0000-0001-7714-8327 | por |
dc.contributor.advisor1orcid | https://orcid.org/0000-0002-4587-935X | por |