dc.contributor.author | Silva, Wesley Rafael Nunes da | |
dc.date.accessioned | 2021-08-03T11:36:18Z | |
dc.date.available | 2021-08-03T11:36:18Z | |
dc.date.issued | 2021-05-26 | |
dc.identifier.citation | SILVA, Wesley Rafael Nunes da. Análise de estratégias para identificação de copas de árvores em áreas arbóreas utilizando imagens de Aeronaves Remotamente Pilotadas. 2021. Dissertação (Mestrado em Ciências Ambientais) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/14701. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/14701 | |
dc.description.abstract | The monitoring of forest areas is an essential tool for environmental conservation, either
by controlling the suppression of native vegetation or by monitoring the restoration
processes, with constant improvements in the strategies and techniques used in their
execution. Therefore, it is necessary to know the structure of these areas in order to have
a better understanding of their dynamics and distribution. In this scenario, the use of
geoprocessing tools, especially through the technique of segmentation of the treetops,
appears as essential tool to study vegetation in detail, assisting in the study of the structure
of the forest and its conservation. However, its applicability is often limited by the quality
of the images available for analysis and, sometimes, by the techniques used for data
interpretation. Remotely piloted aircraft (RPAs) are becoming an excellent alternative in
terms of data quality, allowing the acquisition of high-resolution images at low cost. In
addition, with easier access to machine learning techniques, it is possible to use neural
network models to process data in an innovative and efficient way. In this work, images
obtained through RPA were used to evaluate different techniques for segmentation of tree
crowns, aiming to find the most suitable to identify and count tree individuals. The following
segmentation methods were evaluated: mode filter, multiresolution, watershed and
segmentation with neural networks for deep learning. The images were obtained in areas
with different plant physiognomies (Pinus silviculture and riparian forest), in order to assess
their impact on the results. The results were compared using a set of validation data
(terrestrial truth) generated from independent samples of these same images, to observe
the accuracy of the techniques. The results showed that the polygons from the mode filter
do not correspond to the crowns of the trees, possibly due to the intense homogenization
of the images, which emphasizes its use as an intermediate segmentation tool. The
multiresolution and watershed segmentations, on the other hand, showed good potential
to detect treetops in the Pinus area, however, its parameters must be adjusted according
to the target area, which makes it difficult to use and requires the algorithm to be executed
multiple times. Ultimately, the segmentation generated by the deep learning model (U-Net)
had problems connecting the edges of the treetops and showed a result without individual
polygons for each tree. However, with the labeling used in this project, the tool showed
good potential for detect gaps within the forest. In all cases, results were better in
Silviculture compared to the area of Riparian Forest, a situation that may be related to the
difference in the density of the treetops between these regions. Finally, additional
experiments are necessary, using other sensors (such as LiDAR) and methods, to check
if there is an improvement in the quality of the segmentation. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | 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 | Copas de árvores | por |
dc.subject | Geoprocessamento | por |
dc.subject | Sensoriamento remoto | por |
dc.subject | RPAs | por |
dc.subject | Canopy | eng |
dc.subject | Geoprocessing | eng |
dc.subject | Remote sensing | eng |
dc.title | Análise de estratégias para identificação de copas de árvores em áreas arbóreas utilizando imagens de Aeronaves Remotamente Pilotadas | por |
dc.title.alternative | Strategies analysis for treetops identification in arboreal areas using images from Remotely Piloted Aircraft | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Bourscheidt, Vandoir | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8224261649535795 | por |
dc.description.resumo | O monitoramento de áreas florestais é uma ferramenta essencial para a conservação
ambiental, tanto pelo controle de supressão da vegetação nativa como no
acompanhamento dos processos de restauração, havendo constantes aprimoramentos
das estratégias e técnicas utilizadas na sua execução. Para tanto, faz-se necessário
conhecer a estrutura dessas áreas visando ter um melhor entendimento de suas
dinâmicas e distribuição. Nesse cenário, o uso das ferramentas de geoprocessamento,
principalmente através da técnica de segmentação das copas das árvores, surge como
um grande aliado para estudar a vegetação de forma detalhada, auxiliando nos estudos
da estrutura da floresta e, consequentemente, na sua conservação. No entanto, sua
aplicabilidade é muitas vezes limitada pela qualidade das imagens disponíveis para
análise e, por vezes, pelas técnicas utilizadas para interpretação dos dados. As aeronaves
remotamente pilotadas (RPAs) vêm se tornando uma excelente alternativa em termos de
qualidade dos dados, permitindo a obtenção de imagens de alta resolução e com baixo
investimento. Além disso, com a facilitação do acesso às técnicas de aprendizagem de
máquinas, é possível utilizar modelos de redes neurais para processar dados de maneira
inovadora e eficiente. Neste trabalho foram utilizadas imagens obtidas através de RPA
para avaliar diferentes técnicas de segmentação de copas de árvores, a fim de encontrar
a mais adequada para identificar e contar indivíduos arbóreos. Os seguintes métodos
foram avaliados: segmentação de filtro de moda, segmentação multiresolution,
segmentação watershed e segmentação com redes neurais para aprendizagem profunda.
As imagens foram obtidas em áreas com diferentes fisionomias vegetais (silvicultura de
Pinus e mata ciliar), a fim de avaliar seu impacto nos resultados. Os resultados foram
comparados usando um conjunto de dados de validação (verdade terrestre) gerados a
partir de amostras independentes dessas mesmas imagens, a fim de observar a precisão
das técnicas. Os resultados apontaram que o filtro de moda gerou polígonos que não
correspondem às copas das árvores, possivelmente devido à intensa homogeneização
das imagens, o que enfatiza seu uso como ferramenta intermediária de segmentação, não
como produto final. As segmentações multiresolution e watershed, por outro lado,
mostraram bom potencial para detectar copas de árvores na área de Pinus, porém seus
parâmetros devem ser ajustados de acordo com a área-alvo, o que dificulta o uso e exige
a execução do algoritmo múltiplas vezes. Em última análise, a segmentação gerada pelo
modelo de aprendizado profundo (U-Net) teve problemas para conectar as bordas das
copas das árvores e mostrou um resultado sem polígonos individuais para cada árvore.
No entanto, a ferramenta mostrou um bom potencial para detectar clareiras dentro da
floresta, com a rotulagem utilizada neste projeto. Os produtos gerados apresentaram
resultados melhores na área de Silvicultura em comparação à área de mata ciliar, situação
que pode estar relacionada com a diferença de adensamento das copas das árvores entre
essas regiões. Finalmente, sugere-se a condução de experimentos adicionais, utilizando
ainda outros sensores (como LiDAR), para verificar se há uma melhora na qualidade da
segmentação. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciências Ambientais - PPGCAm | por |
dc.subject.cnpq | CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL::CONSERVACAO DA NATUREZA | por |
dc.description.sponsorshipId | CAPES: Código de Financiamento 001 | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/3504362324773391 | por |