| 1. Identificação | ||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||||||||
| Site | mtc-m21d.sid.inpe.br | |||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||
| Identificador | 8JMKD3MGP3W34T/49NLC92 | |||||||||
| Repositório | sid.inpe.br/mtc-m21d/2023/08.31.19.12 | |||||||||
| Última Atualização | 2023:12.14.14.34.17 (UTC) simone | |||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2023/08.31.19.12.19 | |||||||||
| Última Atualização dos Metadados | 2024:01.15.20.39.36 (UTC) administrator | |||||||||
| Chave Secundária | INPE-18732-TDI/3356 | |||||||||
| Chave de Citação | Carvalho:2023:ClInCo | |||||||||
| Título | Classificação intraurbana da cobertura do solo com imagem do worldview-3 baseada em deep learning e geração de cenários futuros de uso do solo urbano por meio de modelos dinâmicos espaciais  | |||||||||
| Título Alternativo | Deep learning-based intra-urban land cover classification of a worldview-3 image and generation of future urban land use scenarios using spatial dynamic models | |||||||||
| Curso | SER-SRE-DIPGR-INPE-MCTI-GOV-BR | |||||||||
| Ano | 2023 | |||||||||
| Data | 2023-08-18 | |||||||||
| Data de Acesso | 11 maio 2024 | |||||||||
| Tipo da Tese | Dissertação (Mestrado em Sensoriamento Remoto) | |||||||||
| Tipo Secundário | TDI | |||||||||
| Número de Páginas | 172 | |||||||||
| Número de Arquivos | 2 | |||||||||
| Tamanho | 35767 KiB | |||||||||
| 2. Contextualização | ||||||||||
| Autor | Carvalho, Rômulo Marques | |||||||||
| Banca | Körting, Thales Sehn (presidente) Almeida, Cláudia Maria de (orientadora) Lacerda, Camila Souza dos Anjos (orientadora) Kux, Hermann Johann Heinrich Shiguemori, Elcio Hideiti La Rosa, Laura Elena Cué | |||||||||
| Endereço de e-Mail | mr.romulomarques@gmail.com | |||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||
| Cidade | São José dos Campos | |||||||||
| Histórico (UTC) | 2023-08-31 19:13:51 :: romulo.carvalho@inpe.br -> pubtc@inpe.br :: 2023-09-01 19:06:25 :: pubtc@inpe.br -> romulo.carvalho@inpe.br :: 2023-10-18 00:30:31 :: romulo.carvalho@inpe.br -> pubtc@inpe.br :: 2023-10-19 13:10:06 :: pubtc@inpe.br -> romulo.carvalho@inpe.br :: 2023-10-19 15:39:00 :: romulo.carvalho@inpe.br -> pubtc@inpe.br :: 2023-12-15 12:50:23 :: pubtc@inpe.br -> simone :: 2023-12-15 12:50:58 :: simone :: -> 2023 2023-12-15 12:51:37 :: simone -> administrator :: 2023 2024-01-15 20:39:36 :: administrator -> :: 2023 | |||||||||
| 3. Conteúdo e estrutura | ||||||||||
| É a matriz ou uma cópia? | é a matriz | |||||||||
| Estágio do Conteúdo | concluido | |||||||||
| Transferível | 1 | |||||||||
| Palavras-Chave | espaço urbano classificação de imagens modelagem dinâmica espacial método bayesiano de pesos de evidências urban space image classification dynamic spatial modeling bayesian weights of evidence method | |||||||||
| Resumo | As tendências globais evidenciam um planeta com população cada vez mais urbana, destacando-se a América Latina e, especialmente, o Brasil. Sob esse cenário, evidencia-se a relevância de pesquisas científicas e ações governamentais que visem à redução ou à mitigação dos impactos sociais, econômicos e ambientais provocados pelo processo de urbanização. Dessa forma, as técnicas e instrumentos do campo do planejamento urbano, associados às geotecnologias, podem ser um caminho para se alcançar uma gestão melhor dos impactos oriundos desse fenômeno. Nesse sentido, o trabalho aqui apresentado realizou investigações sobre o espaço urbano no âmbito da classificação de imagem de sensoriamento remoto e da modelagem dinâmica espacial a partir da adoção de uma área de estudo, o Município de São Caetano do Sul, SP. Classificou-se uma imagem do WordView-3 com o objetivo de identificar os materiais da cobertura do solo de toda a cidade por duas abordagens, a primeira, por algoritmos de Machine Learning e, a segunda, por Deep Learning. Além disso, modelou-se a mudança de uso do solo intraurbano entre os anos de 2006 a 2021, procedida da geração de cenários futuros por um modelo baseado em autômato celular, o DinamicaEGO. A classificação da imagem resultou na identificação de 90 classes, que representam desde vastas áreas de arborização densa a pequenos objetos urbanos, como elementos construtivos de edificações. Após análise da ocorrência das classes na extensão territorial da cidade, observou-se que 50% destas concentravam mais de 85% da área de cobertura do solo, o que possibilita a exclusão, em trabalhos futuros, de classes não expressivas para classificações na escala da cidade. A exatidão global inferida foi de 67%, e a acurácia por classe variou significativamente. As classes do grupo de objetos naturais apresentaram as maiores acurácias, tanto do produtor quanto do usuário, na média, acima de 70%. O grupo de objetos de pavimentação apresentou a pior acurácia da classificação, abaixo de 40%. Quanto à modelagem do fenômeno dinâmico espacial da mudança do uso do solo, o modelo parametrizado foi capaz de detectar as alterações de usos substanciais, tanto em termos territoriais quanto em termos funcionais. Ao todo, foram simuladas 21 transições entre 8 classes de uso na escala intraurbana. As melhores simulações alcançaram índices de similaridade fuzzy variáveis entre 0,25 e 0,58 para pequenas janelas de vizinhança, com decaimento exponencial, e entre 0,65 e 0,95 para decaimento constante com janelas maiores. O método de inferência bayesiana adotado provou ser uma boa abordagem de parametrização para simular processos de mudança de uso do solo urbano envolvendo várias classes e transições. O modelo devidamente parametrizado possibilitou a geração de cenários para um horizonte curto de tempo, considerando diferentes tendências de mudança do uso do solo urbano. ABSTRACT: Global trends show a planet with an increasingly urban population, with Latin America and especially Brazil standing out. This scenario highlights the importance of scientific research and government action aimed at reducing or mitigating the social, economic, and environmental impacts of the urbanization process. In this way, techniques and instruments from the field of urban planning, combined with geotechnologies, can be a way of achieving better management of the impacts caused by this phenomenon. In this regard, the work presented here investigated urban space by means of remotely sensed image classification and dynamic spatial modeling, of São Caetano do Sul city, SP. A WordView-3 image was classified in order to identify the land cover materials of the entire city using two approaches, the first using Machine Learning algorithms and the second using Deep Learning. In addition, the change in intra urban land use between 2006 and 2021 was modeled, followed by the generation of future scenarios using a cellular automaton-based platform, DinamicaEGO. The image classification resulted in the identification of 90 classes, ranging from vast areas of dense arborization to small urban objects, such as constructive building elements. After identifying these classes in the city's territorial extension, it was observed that 50% of them concentrated more than 85% of the land cover area, which makes it possible to exclude non-expressive classes for classifications at a city scale in future works. The estimated overall accuracy was 67% and the accuracy per class varied significantly. The classes in the natural objects group showed the highest accuracies, both for the producer and the user, averaging over 70%. The paving object group had the worst classification accuracy, below 40%. As for modeling the dynamic spatial phenomenon of land use change, the parameterized model was able to detect substantial changes in use, both in terms of extent and positioning. A total of 21 transitions among eight land use classes were simulated at the intra-urban scale. The best simulations achieved variable fuzzy similarity indices between 0.25 and 0.58 for small neighborhood windows, with exponential decay, and between 0.65 and 0.95 for constant decay with larger windows. The adopted Bayesian weights of evidence method proved to be a good parameterization approach for simulating urban land use change processes involving various classes and transitions. The properly parameterized model made it possible to generate scenarios for a short time horizon, considering different trends in urban land use change. | |||||||||
| Área | SRE | |||||||||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Classificação intraurbana da... | |||||||||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Classificação intraurbana da... | |||||||||
| Conteúdo da Pasta doc | acessar | |||||||||
| Conteúdo da Pasta source |
| |||||||||
| Conteúdo da Pasta agreement |
| |||||||||
| 4. Condições de acesso e uso | ||||||||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34T/49NLC92 | |||||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34T/49NLC92 | |||||||||
| Idioma | pt | |||||||||
| Arquivo Alvo | publicacao.pdf | |||||||||
| Grupo de Usuários | pubtc@inpe.br romulo.carvalho@inpe.br simone | |||||||||
| Visibilidade | shown | |||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | |||||||||
| Detentor dos Direitos | originalauthor yes | |||||||||
| Permissão de Leitura | allow from all | |||||||||
| Permissão de Atualização | não transferida | |||||||||
| 5. Fontes relacionadas | ||||||||||
| Repositório Espelho | urlib.net/www/2021/06.04.03.40.25 | |||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F3NU5S 8JMKD3MGPCW/46KUATE | |||||||||
| Lista de Itens Citando | sid.inpe.br/bibdigital/2013/10.18.22.34 1 | |||||||||
| Acervo Hospedeiro | urlib.net/www/2021/06.04.03.40 | |||||||||
| 6. Notas | ||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||