Navegando por Assunto "Image segmentation"

Agora exibindo 1 - 1 de 1

Acesso aberto (Open Access)
Modelos de detecção de nuvens usando redes neurais totalmente convolucionais em imagens multiespectrais do sentinel-2
(Universidade Federal do Pará, 2025-03-28) CORRÊA, Alan Breno Soares; SERUFFO, Marcos César da Rocha; http://lattes.cnpq.br/3794198610723464; https://orcid.org/0000-0002-8106-0560; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609; xxx; ARAÚJO, Jasmine Priscyla Leite de; COSTA, Gabriel Brito; CARDOSO, Diego Lisboa; http://lattes.cnpq.br/4001747699670004; http://lattes.cnpq.br/0980355943575182; http://lattes.cnpq.br/0507944343674734; https://orcid.org/0000-0003-3514-0401; https://orcid.org/0000-0002-5254-489X; https://orcid.org/0000-0002-5971-3668
A detecção precisa de nuvens em imagens de satélite é fundamental para diversas aplicações de sensoriamento remoto, como monitoramento ambiental e análise de mudanças na cober-tura terrestre. Satélites como o Sentinel-2 desempenham um papel essencial nesse contexto, pois fornecem imagens de alta resolução em nível global, com curto período de revisita (5 dias). No entanto, a presença de nuvens e sombras de nuvens representa um grande desafio no pré-processamento dessas imagens, dificultando a extração precisa de informações. Diversas abordagens baseadas em limiares espectrais e aprendizado profundo foram desenvolvidas para mitigar esse problema, mas ainda há espaço para melhorias. Neste trabalho, propõe-se o uso de Fully Convolutional Neural Networks (FCNNs) para a segmentação de nuvens em imagens do Sentinel-2, explorando diferentes níveis de processamento (L1C e L2A) e combinações de bandas espectrais na entrada (todas as bandas e RGB+NIR). Modelos baseados na arquitetura UNet foram treinados utilizando os encoders EfficientNet-B1 e MobileNet-V2, visando comparar desempenho, eficiência na segmentação e impacto do número de bandas. O conjunto de dados CloudSen12, composto por 10.000 imagens de 512×512 pixels de diferentes regiões do mundo, foi utilizado para os experimentos, abrangendo diversas condições atmosféricas. A avaliação quantitativa incluiu métricas como Acurácia, Intersection over Union (IoU) e F1-Score, enquanto a análise qualitativa foi realizada por meio da inspeção visual das máscaras de segmentação. Os resultados demonstraram que o encoder EfficientNet-B1 apresentou o melhor desempenho, atingindo 95,21% de acurácia, 82,74% de IoU e 90,56% de F1-Score. Além disso, modelos treinados com apenas as bandas RGB+NIR apresentaram desempenho competitivo, com acurácia de 94,87%, IoU de 81,38% e F1-Score de 89,73%. A análise entre os níveis de processamento indicou que a remoção de efeitos atmosféricos no nível L2A teve pouca influência na segmenta- ção em relação ao nível L1C. Por fim, os modelos propostos superaram abordagens tradicionais e outras arquiteturas da literatura, destacando o potencial das FCNNs para aprimorar a detecção de nuvens em aplicações de sensoriamento remoto.