Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30022| Título: | Métodos de machine learning aplicados à classificação do uso e ocupação do solo na microbacia do Lago Igapó na cidade de Londrina/Pr |
| Título(s) alternativo(s): | Machine learning methods applied to the classification of soil use and occupation in the microbasin of Lake Igapó in the city of Londrina/Pr |
| Autor(es): | Duarte, Priscila Gabriela da Silva |
| Orientador(es): | Martins, Jorge Alberto |
| Palavras-chave: | Sensoriamento remoto Aprendizado do computador Sistemas de suporte de decisão Mapeamento do solo Solo - Uso Remote sensing Machine learning Decision support systems Soil mapping Land use |
| Data do documento: | 5-Ago-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Londrina |
| Citação: | DUARTE, Priscila Gabriela da Silva. Métodos de machine learning aplicados à classificação do uso e ocupação do solo na microbacia do Lago Igapó na cidade de Londrina/PR. 2022. Dissertação (Mestrado em Engenharia Ambiental) - Universidade Tecnológica Federal do Paraná, Londrina, 2022. |
| Resumo: | O crescimento das áreas urbanas é um fenômeno mundial e seus problemas têm gerado imensos desafios para a sociedade. Um desses desafios está relacionado à drenagem das águas de chuva em ambiente urbano. Com a urbanização, a cobertura original do solo é substituída por elementos que impedem ou dificultam a infiltração das águas da chuva. As soluções baseadas na natureza têm se mostrado uma alternativa viável para o enfrentamento dos problemas associados à drenagem urbana. Entretanto, o sucesso das intervenções é altamente dependente de uma compreensão dos elementos que predominam na superfície urbana. Nesse sentido, o principal objetivo deste trabalho foi a aplicação de algoritmos de machine learning em imagens de satélite de alta resolução para classificação do uso e ocupação do solo na área de drenagem do sistema de lagos Igapó, um conjunto de lagos urbanos da cidade de Londrina PR. Imagens da constelação de satélites Pléiades, com elevado nível de detalhamento espacial, foram usadas para a classificação. Foram estabelecidas 12 classes temáticas específicas para classificação do uso do solo. A classificação supervisionada foi aplicada e os seguintes algoritmos de aprendizado de máquina foram avaliados: Decision Tree (DT), Randon Forest (RT), Suport Vector Machine (SVM), K Nearest Neighbors (KNN) e Normal Bayes. DT foi o classificador que apresentou o melhor desemprenho, tanto para a classificação global quanto para as classes individuais. Os valores para os índices Kappa, Precisão, Recall e F1 Score ficaram entre 90 % e 100 % para o classificador DT. As áreas verdes, representadas por Árvores/arbustos e Grama, juntamente com telhados, representam as classes majoritárias, com 24% e 23% da cobertura do solo da área de estudo, respectivamente. Asfalto e calçada, com 19% da área, e solo exposto, com 14%, também foram classes com participações expressivas. A fração remanescente é constituída por água, inclusive superfície de piscina, e áreas sombreadas. Com o refinamento das classes, a resolução espacial e a qualidade do mapeamento realizado, os resultados apresentados neste trabalho podem ser uma ferramenta de grande utilidade para a elaboração de projetos de intervenção que promovam o uso de soluções baseadas na natureza para a solução dos problemas relacionados à drenagem urbana. |
| Abstract: | The growth of urban areas is a worldwide phenomenon and its problems have generated immense challenges for society. One of these challenges is related to the drainage of rainwater in an urban environment. With urbanization, the original land cover is replaced by elements that prevent or hinder the infiltration of rainwater. Nature based solutions have proved to be a viable alternative for dealing with problems associated with urban drainage. However, the success of interventions is highly dependent on an understanding of the elements that predominate on the urban surface. In this sense, the main objective of this work was the application of machine learning algorithms in high resolution satellite images to classify land use and occupation in the drainage area of the Igapó lake system, a set of urban lakes in the city of Londrina PR. Images of the Pléiades satellite constellation, with a high level of spatial resolution, were used for the classification. Twelve specific thematic classes were established for classifying land cover. Supervised classification was applied, and the following Machine Learning algorithms were evaluated: Decision Tree (DT), Randon Forest (RT), Support Vector Machine (SVM), K Nearest Neighbors (KNN) and Normal Bayes. DT was the classifier that presented the best performance, both for the global classification and for the individual classes. The values for the Kappa, Precision, Recall, and F1 Score indices were between 90% and 100% for the DT classifier. The green areas, represented by Trees/bushes and Grass, together with roofs, represent the majority classes, with 24% and 23% of the land cover of the study area, respectively. Asphalt and pavement, with 19% of the area, and exposed soil, with 14%, were also classes with expressive participation. The remaining fraction consists of water, including pool surface, and shaded areas. With the refinement of the classes, the spatial resolution, and the quality of the developed mapping, the results presented in this work can be a very useful tool for the elaboration of intervention projects that promote the use of nature based solutions to solve urban drainage problems. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30022 |
| Aparece nas coleções: | LD - Programa de Pós-Graduação em Engenharia Ambiental |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| usoocupacaolagoigapo.pdf | 3,09 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
