@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"
}