@PHDTHESIS{ 2022:542172753,
 	title = {Mapeamento de uso e cobertura da terra utilizando sensoriamento remoto e redes neurais convolucionais},
 	year = {2022},
 	url = "https://tede.unioeste.br/handle/tede/6136",
 	abstract = "O crescimento da população mundial causa uma expansão da demanda por alimentos,
 consequentemente, um aumento na produção agrícola. O detalhamento do uso e cobertura
 da terra (LULC) desempenha um papel de destaque para o setor agrícola, possibilitando o
 monitoramento, planejamento e gerenciamento dessas áreas de forma eficiente. Nesse
 segmento, o uso de técnicas de sensoriamento remoto tem se mostrado uma ferramenta
 valiosa para o mapeamento de extensas áreas agrícolas. Portanto, o objetivo geral da
 pesquisa foi explorar métodos de aprendizado de máquina visando realizar o mapeamento de
 LULC por meio de imagens de satélite de três áreas de estudo no estado do Paraná. Além
 disso, a generalização dos modelos foi avaliada por meio da classificação cruzada. Para tanto,
 o trabalho foi dividido em três etapas contempladas em artigos científicos. No primeiro artigo,
 foi proposta uma Rede Neural Convolucional Temporal Unidimensional (1D-TempCNN) para
 a classificação de LULC, utilizando Séries Temporais de Imagens de Satélites (SITS). Dois
 outros classificadores, Floresta Aleatória (RF) e Máquina de Vetores de Suporte (SVM), foram
 utilizados para comparação dos resultados. A Exatidão Global (EG) foi acima de 98% para
 todos os modelos quando o teste foi realizado na mesma área de treinamento. Entretanto, na
 classificação cruzada, a 1D-TempCNN apresentou melhores valores de EG (entre 94,34 e
 98,67%) e maior generalização. Duas técnicas de Aumentos de Dados (DA), janela deslizante
 e scaling, contribuíram para generalização dos modelos. Dessa forma, a arquitetura proposta
 foi viável para classificação cruzada, podendo ser utilizada em diferentes anos-safra ou
 diferentes áreas agrícolas. No segundo artigo, foi explorada a classificação antecipada,
 utilizando a arquitetura 1D-TempCNN e dois modelos clássicos, Perceptron Multicamadas
 (MLP) e RF. Os modelos apresentaram desempenho similar, alcançando EG superior a 95%
 ao final de dezembro. Entretanto, na classificação cruzada, somente o modelo 1D-TempCNN
 alcançou EG acima de 95%, em todos os cenários testados, atingindo esse valor entre o início
 de dezembro e primeira quinzena de fevereiro. Dessa forma, esse modelo apresentou
 capacidade de generalização e pode ser utilizado para a classificação antecipada em
 diferentes áreas do treinamento. O terceiro artigo abordou a utilização de segmentação
 semântica para construção de mapas de LULC. Duas arquiteturas da Deeplabv3 (ResNet-50
 e ResNet-101) pré-treinadas foram avaliadas juntamente com duas diferentes combinações
 de bandas (cor verdadeira e falsa cor) e dois tamanhos de imagens de treinamento. Os mapas
 de referência, utilizados no treinamento e teste, foram originados dos resultados do primeiro
 artigo. A EG apresentou resultados entre 74,91% e 77,81% e os da métrica Intersecção sobre
 União entre 39,46% e 52,56%. Além disso, a combinação de bandas falsa cor foi superior à
 de cor verdadeira, de maneira que a utilização de imagens menores resultou em mapas mais
 detalhados e precisos. O modelo com a rede base ResNet-101 apresentou os melhores
 resultados na maior parte das métricas analisadas. Contudo, a maior dificuldade encontrada
 foi a distinção entre as classes soja e milho. Assim, esse modelo apresentou capacidade de
 generalização, demostrando ser uma opção viável para a construção de mapas de LULC de
 área extensas, o que permitiu o monitoramento e planejamento de áreas agrícolas.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Agrícola},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}