Navegando por Assunto "Deep Learning"

Agora exibindo 1 - 2 de 2

Acesso aberto (Open Access)
Método usando deep learning para processamento de alvos de uso e cobertura da terra em imagens landsat: estudo de caso da mineração no Brasil
(Universidade Federal do Pará, 2025-03-28) FERREIRA NETO, Luiz Cortinhas; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284; https://orcid.org/0000-0001-7773-2080; SALES JÚNIOR, Claudomiro de Souza de; GOMES, Alessandra Rodrigues; VIJAYKUMAR, Nandamudi Lankalapalli; ROCHA, Washington de Jesus Sant’Anna da Franca; http://lattes.cnpq.br/4742268936279649; http://lattes.cnpq.br/7660322959798513; http://lattes.cnpq.br/9922863822347014; http://lattes.cnpq.br/6817204233903341; ******; ******; ******; https://orcid.org/0000-0002-2175-2792
Técnicas de aprendizagem profunda, especificamente redes neurais convolucionais, têm grande potencial na análise de imagens de sensoriamento remoto para a detecção de mudanças na superfície terrestre. Nesta tese, uma metodologia automática baseada em uma CNN em formato de U (U-Net) é proposta para a detecção e mapeamento de áreas de mineração em todo o Brasil, diferenciando entre mineração industrial e garimpo (aluvião). A mineração, uma atividade extrativista que remove o substrato para acessar camadas ricas em sedimentos minerais, possui significativo impacto ambiental e socioeconômico, especialmente na Amazônia. Embora economicamente relevante, ainda não existem métodos automáticos para mapear essa atividade de forma contínua por longos períodos, distinguindo seus diferentes tipos. A metodologia proposta foi aplicada em mosaicos anuais Landsat livres de nuvens, abrangendo um período de 37 anos (1985-2022). A acurácia da U-Net modificada foi validada espacialmente por especialistas em sensoriamento remoto, obtendo-se uma média de 99% de acurácia geral, 91% de acurácia do produtor e 91% de acurácia do consumidor. Os resultados demonstram um aumento expressivo da área ocupada pela mineração, que cresceu cerca de 10 vezes entre 1985 e 2022, totalizando 4.500 km². O garimpo foi o subtipo de mineração que mais cresceu percentualmente, passando de 218 km² para 2.627km². A U-Net modificada e proposta se mostrou 30% menor em quantidade de parâmetros treináveis em comparação com U-Net original. Conclui-se que a metodologia proposta é eficaz para o mapeamento da atividade mineradora, fornecendo dados precisos e atualizados para a gestão ambiental e o planejamento territorial.
Acesso aberto (Open Access)
Rede neural convolucional (cnn) aplicada na análise de risco de acidentes das embarcacões que navegam nos rios da Amazônia
(Universidade Federal do Pará, 2022-11-18) NASCIMENTO, Ariel Victor do; FARIAS, Valcir João Farias da Cunha; http://lattes.cnpq.br/4958123373113545; https://orcid.org/0000-0002-2564-2195; ROCHA, Marcus Pinto da Costa da; http://lattes.cnpq.br/7169569605967930; https://orcid.org/0000-0002-1849-1982
A segurança na navegação é um assunto importante para manter o bem estar e integridade dos passageiros e da carga. Existem muitas regras a serem seguidas para avaliar a segurança, os certificadores e classificadores são responsáveis por garantir o cumprimento de todas essas regras que asseguram a integridade das embarcações, no entanto, isso não é suficiente. O Inquérito Administrativo de Acidentes e Fatos Navais (IAFN), documento elaborado pela Marinha do Brasil, coleta informações e cria um banco de dados para mostrar quantos acidentes ocorrem no Brasil por região, as quais são definidas como Distritos Navais (DN). O 4° Distrito Naval, em que está inserido o estado do Pará, foi o primeiro em acidentes ocorridos no ano 2020 e o terceiro no ano 2021. Devido a essas ocorrências de acidentes foram utilizados conceitos de inteligência artificial, machine learning and deep learning aplicados nesta área. Com o objetivo de auxiliar neste processo, este trabalho propõe desenvolver uma aplicação utilizando Rede Neural Convolucional (CNN) para reconhecimento de imagens (Embarcações e Disco de plimsoll). Neste sentido, utilizou-se uma técnica de aprendizado de Rede Neural Convolucional (CNN) que permite identificar o tipo de embarcaçãao através de um banco de imagens fornecidas, o mesmo método foi aplicado para identificar se há risco de acidente com a embarcação mediante análise de imagens do disco de plimsoll. Para a realização dos treinamentos das CNNs, foram avaliadas seis diferentes arquiteturas de rede com: alteração do número de filtros em cada camada convolucional; variação da quantidade de camadas convolucionais e; utilização de transferência de aprendizado da rede VGG-16 com a técnica de ajuste fino. Os resultados alcançados neste trabalho são promissores e demonstram a viabilidade do emprego de Rede Neural Convolucional como método para identificação das imagens das embarcações como do disco de plimsoll).