Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/26647| Título: | Detecção de fogo ativo por aprendizado profundo em imagens provenientes do satélite Landsat-8 |
| Título(s) alternativo(s): | Active fire detection with Deep-Learning in Landsat-8 imagery |
| Autor(es): | Fusioka, Andre Minoro |
| Orientador(es): | Minetto, Rodrigo |
| Palavras-chave: | Fogo - Detecção LANDSAT (Satélites) Algorítmos computacionais Redes neurais (Computação) Fire - Detection LANDSAT satellites Computer algorithms Neural networks (Computer science) |
| Data do documento: | 7-Out-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | FUSIOKA, Andre Minoro. Detecção de fogo ativo por aprendizado profundo em imagens provenientes do satélite Landsat-8. 2021. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2021. |
| Resumo: | A detecção de fogo ativo em imagens de satélite é de grande importância para o desenvolvimento de políticas de conservação ambiental, fomentar a tomada de decisão e a aplicação da lei. As técnicas tradicionais de detecção de fogo ativo geralmente são baseadas na comparação de pixels, ou regiões da imagem, com limiares específicos para o sensor utilizado. O presente trabalho aborda a detecção de fogo ativo fazendo uso de técnicas de aprendizado profundo, do inglês deep learning. Nos últimos anos, técnicas de deep learning têm desfrutado de um enorme sucesso em diversos campos, mas o seu uso para detecção de fogo ativo é relativamente novo, assim, é necessário analisar a viabilidade do uso de aprendizado profundo para detecção de fogo ativo. O presente estudo analisa como diferentes arquiteturas de redes neurais convolucionais podem ser utilizadas para segmentar fogo ativo em imagens de satélite, utilizando como treinamento as máscaras produzidas por métodos conhecidos na literatura e comumente empregados para a detecção de fogo ativo, bem como a combinação de tais máscaras. Em específico, o estudo compreende imagens do satélite Landsat-8 no período de Agosto de 2020. Além disso, os modelos estudados foram avaliados sobre um conjunto de imagens do mesmo satélite, obtidas em Setembro de 2020, mas anotadas manualmente, com o objetivo de analisar a capacidade das redes em aproximar anotações de um especialista humano. De forma geral, as arquiteturas testadas foram capazes de aproximar os métodos clássicos da literatura, sendo que o melhor desempenho observado obteve uma métrica 𝐹-score de 94.2% e IoU de 89.0%. Quando comparadas com as anotações manuais, as redes obtiveram resultados superiores aos métodos clássicos da literatura na grande maioria dos casos, obtendo um 𝐹-score de 89.7% e IoU de 81.4%. O código desenvolvido, bem como os pesos treinados, foram disponibilizados em um projeto de código aberto no Github, disponível em: https://github.com/pereira-gha/activefire, possibilitando outros estudos na área. |
| Abstract: | Active fire detection in satellite imagery is of great importance for the development of environmental conservation policies, supporting decision-making and law enforcement. Active fire detection techniques are generally based on comparing pixels or image regions with specific thresholds for the used sensor. This work addresses active fire detection using deep learning techniques. In recent years, deep learning techniques have enjoyed enormous success in various fields, but their use for active fire detection is relatively new, só it is necessary to analyze the feasibility of using deep learning for active fire detection. This study evaluates how different convolutional neural network architectures can be used to segment active fire in satellite images, using the masks produced by methods commonly used to detect active fire as training samples, as well as the combination of such masks, evaluating images from the Landsat-8 satellite from the period of August 2020. In addition, the studied models are evaluated on images from the same satellite obtained in September 2020, but manually annotated, verifying the capacity of the networks to approximate annotations made by a human specialist. The tested architectures were able to approximate the classical methods of the literature, and the best overall observed performance obtained an 𝐹-score metric of 94.2% and an IoU of 89.0%. When compared with the manual annotations, the networks obtained results superior to the classic methods of the literature in the vast majority of cases, obtaining an 𝐹-score of 89.7% and IoU of 81.4%. The developed code as well as the trained weights were made available in an open source project on GitHub, available at: https://github.com/pereira-gha/activefire, enabling other studies in the field. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/26647 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Computação Aplicada |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| deteccaofogoaprendizadoprofundo.pdf | 4,95 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
