@InProceedings{BarrosBarbHack:2023:ReNeAr,
               author = "Barros, Bianca Matos de and Barbosa, Douglas Galimberti and 
                         Hackmann, Cristiano Lima",
          affiliation = "{Universidade Federal do Rio Grande do Sul (UFRGS)} and 
                         {Universidade Federal do Rio Grande do Sul (UFRGS)} and 
                         {Universidade Federal do Rio Grande do Sul (UFRGS)}",
                title = "Redes neurais artificiais aplicadas ao mapeamento da 
                         polui{\c{c}}{\~a}o pl{\'a}stica marinha em imagens reais e 
                         simuladas do sensor MSI/SENTINEL-2",
            booktitle = "Anais...",
                 year = "2023",
               editor = "Gherardi, Douglas Francisco Marcolino and Arag{\~a}o, Luiz 
                         Eduardo Oliveira e Cruz de and Sanches, Ieda DelArco",
                pages = "e156355",
         organization = "Simp{\'o}sio Brasileiro de Sensoriamento Remoto, 20. (SBSR)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "lixo marinho, sensoriamento remoto, aprendizado de m{\'a}quina, 
                         dart, redes neurais artificiais, marine litter, remote sensing, 
                         machine learning, dart, artificial neural networks.",
             abstract = "O lixo marinho se origina de muitas fontes e viaja por longas 
                         dist{\^a}ncias com os ventos e as correntes oce{\^a}nicas, 
                         causando um amplo espectro de impactos e representando uma 
                         amea{\c{c}}a vasta e crescente para o meio ambiente marinho e 
                         costeiro. O sensoriamento remoto oferece como vantagens a extensa 
                         {\'a}rea de cobertura e a observa{\c{c}}{\~a}o frequente, 
                         por{\'e}m {\'e} limitado pela baixa disponibilidade de dados de 
                         verdade de campo. Neste trabalho, utilizamos um algoritmo de 
                         aprendizado de m{\'a}quina treinado com dados simulados e testado 
                         com dados reais para explorar a detectabilidade da 
                         polui{\c{c}}{\~a}o pl{\'a}stica marinha. Os resultados sugerem 
                         que {\'e} poss{\'{\i}}vel gerar resultados acurados nestas 
                         condi{\c{c}}{\~o}es, mas que a detectabilidade dos detrinhos 
                         pl{\'a}sticos depende consideravelmente da pureza espectral dos 
                         pixels, sendo necess{\'a}rio buscar abordagens 
                         espec{\'{\i}}ficas para tratar casos de mistura espectral. Mais 
                         estudos s{\~a}o necess{\'a}rios para valida{\c{c}}{\~a}o. 
                         ABSTRACT: Marine litter comes from many sources and travels over 
                         long distances with winds and ocean currents, causing a wide 
                         spectrum of impacts and posing a vast and growing threat to the 
                         marine and coastal environment. Remote sensing offers as 
                         advantages the extensive coverage area and frequent observation, 
                         but it is limited due to the low availability of ground truth 
                         data. In this work, we use a machine learning algorithm trained 
                         with simulated data and tested with real data to explore the 
                         detectability of marine plastic pollution. The results suggest 
                         that it is possible get accurate results in these conditions, but 
                         the detectability of plastic debris depends considerably on the 
                         spectral purity of the pixels, needing to seek specific approaches 
                         to treat cases of spectral mixing. More studies are needed for 
                         validation.",
  conference-location = "Florian{\'o}polis",
      conference-year = "02-05 abril 2023",
                 isbn = "978-65-89159-04-9",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGP6W34M/4936MNB",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/4936MNB",
           targetfile = "156355.pdf",
                 type = "Classifica{\c{c}}{\~a}o e minera{\c{c}}{\~a}o de dados",
        urlaccessdate = "23 maio 2024"
}