| 1. Identificação | ||||
| Tipo de Referência | Artigo em Revista Científica (Journal Article) | |||
| Site | mtc-m21c.sid.inpe.br | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identificador | 8JMKD3MGP3W34R/428S2R5 | |||
| Repositório | sid.inpe.br/mtc-m21c/2020/04.01.10.44 | |||
| Última Atualização | 2020:04.01.10.44.01 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2020/04.01.10.44.01 | |||
| Última Atualização dos Metadados | 2024:01.23.16.31.51 (UTC) simone | |||
| DOI | 10.3390/rs12060910 | |||
| ISSN | 2072-4292 | |||
| Chave de Citação | AdarmeFeiHapAlmGom:2020:EvDeLe | |||
| Título | Evaluation of deep learning techniques for deforestation detection in the brazilian amazon and cerrado biomes from remote sensing imagery  | |||
| Ano | 2020 | |||
| Mês | Mar. | |||
| Data de Acesso | 05 maio 2024 | |||
| Tipo Secundário | PRE PI | |||
| Número de Arquivos | 1 | |||
| Tamanho | 20666 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Adarme, Mabel Ortega 2 Feitosa, Raul Queiroz 3 Happ, Patrick Nigri 4 Almeida, Cláudio Aparecido de 5 Gomes, Alessandra Rodrigues | |||
| ORCID | 1 0000-0002-4106-0291 2 0000-0001-8344-5096 3 0000-0003-3280-5471 4 0000-0002-1032-6966 | |||
| Grupo | 1 2 3 4 COAMZ-CGOBT-INPE-MCTIC-GOV-BR 5 CRCRA-COCRE-INPE-MCTIC-GOV-BR | |||
| Afiliação | 1 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) 2 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) 3 Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) 4 Instituto Nacional de Pesquisas Espaciais (INPE) 5 Instituto Nacional de Pesquisas Espaciais (INPE) | |||
| Endereço de e-Mail do Autor | 1 mortega@ele.puc-rio.br 2 raul@ele.puc-rio.br 3 patrick@ele.puc-rio.br 4 claudio.almeida@inpe.br 5 alessandra.gomes@inpe.br | |||
| Revista | Remote Sensing | |||
| Volume | 12 | |||
| Número | 6 | |||
| Páginas | e910 | |||
| Nota Secundária | B3_GEOGRAFIA B3_ENGENHARIAS_I B4_GEOCIÊNCIAS B4_CIÊNCIAS_AMBIENTAIS B5_CIÊNCIAS_AGRÁRIAS_I | |||
| Histórico (UTC) | 2020-04-01 10:44:01 :: simone -> administrator :: 2020-04-01 10:44:02 :: administrator -> simone :: 2020 2020-04-01 10:45:51 :: simone -> administrator :: 2020 2020-04-01 13:05:10 :: administrator -> simone :: 2020 2020-06-23 22:37:10 :: simone -> administrator :: 2020 2022-01-04 01:35:03 :: administrator -> simone :: 2020 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Tipo do Conteúdo | External Contribution | |||
| Tipo de Versão | publisher | |||
| Palavras-Chave | deforestation detection Brazilian biomes deep learning optical imagery | |||
| Resumo | Deforestation is one of the major threats to natural ecosystems. This process has a substantial contribution to climate change and biodiversity reduction. Therefore, the monitoring and early detection of deforestation is an essential process for preservation. Techniques based on satellite images are among the most attractive options for this application. However, many approaches involve some human intervention or are dependent on a manually selected threshold to identify regions that suffer deforestation. Motivated by this scenario, the present work evaluates Deep Learning-based strategies for automatic deforestation detection, namely, Early Fusion (EF), Siamese Network (SN), and Convolutional Support Vector Machine (CSVM) as well as Support Vector Machine (SVM), used as the baseline. The target areas are two regions with different deforestation patterns: the Amazon and Cerrado biomes in Brazil. The experiments used two co-registered Landsat 8 images acquired at different dates. The strategies based on Deep Learning achieved the best performance in our analysis in comparison with the baseline, with SN and EF superior to CSVM and SVM. In the same way, a reduction of the salt-and-pepper effect in the generated probabilistic change maps was noticed as the number of training samples increased. Finally, the work assesses how the methods can reduce the time invested in the visual inspection of deforested areas. | |||
| Área | SRE | |||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção anterior à 2021 > COAMZ > Evaluation of deep... | |||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção anterior à 2021 > CRCRA > Evaluation of deep... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source | não têm arquivos | |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34R/428S2R5 | |||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/428S2R5 | |||
| Idioma | en | |||
| Arquivo Alvo | adarmel_evaluation.pdf | |||
| Grupo de Usuários | simone | |||
| Grupo de Leitores | administrator simone | |||
| Visibilidade | shown | |||
| Política de Arquivamento | allowpublisher allowfinaldraft | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3ETL435 8JMKD3MGPCW/3EUAE4H | |||
| Lista de Itens Citando | sid.inpe.br/bibdigital/2013/10.03.18.52 2 sid.inpe.br/bibdigital/2013/09.29.19.53 1 | |||
| Divulgação | WEBSCI; PORTALCAPES; MGA; COMPENDEX; SCOPUS. | |||
| Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 | |||
| 6. Notas | ||||
| Notas | Prêmio CAPES Elsevier 2023 - ODS 15: Vida terrestre | |||
| Campos Vazios | alternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark mirrorrepository nextedition parameterlist parentrepositories previousedition previouslowerunit progress project readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype typeofwork url | |||
| 7. Controle da descrição | ||||
| e-Mail (login) | simone | |||
| atualizar | ||||