Banca de QUALIFICAÇÃO: ROBERT SILVA LIMA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: ROBERT SILVA LIMA
DATA: 14/08/2024
HORA: 09:00
LOCAL: PPGCC - Banca Qualificação Robert Quarta-feira, 14 de agosto · 14:00 até 16:00 Fuso horário: America
TÍTULO: Uma Abordagem Híbrida de CNN para Classificação e Mapeamento Hiperespectral de Áreas Agrícolas
PALAVRAS-CHAVES: Sensoriamento remoto hiperespectral, Aprendizado de máquina, Aprendizado profundo, Processamento de imagens, Atividades agrícolas.
PÁGINAS: 84
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO:

A classificação hiperespectral de áreas agrícolas enfrenta desafios significativos devido à complexidade dos dados espectrais e à exigência de alta precisão na distinção de tipos de culturas e variações de solo. Esta qualificação de mestrado apresenta uma abordagem híbrida que integra Redes Neurais Convolucionais (CNNs) para aprimorar a classificação de imagens hiperespectrais na classificação e mapeamento de atividades agrícolas. O modelo combina arquiteturas convolucionais bidimensionais (2D-CNN) e tridimensionais (3D-CNN). Inicialmente, camadas 3D-CNN processam as imagens hiperespectrais para extrair características espectrais detalhadas, considerando a correlação entre bandas espectrais adjacentes. Posteriormente, as camadas 2D-CNN capturam detalhes espaciais, facilitando a distinção entre variações sutis no terreno. Esta combinação permite ao modelo realizar uma representação integrada e detalhada dos dados, crucial para a precisão na classificação das áreas agrícolas. Testado em várias bases de dados hiperespectrais, incluindo WHU-Hi-LongKou, HanChuan, HongHu, University of Pavia, Salinas, Indian Pines, KSC e Botswana, a proposta alcançou 100\% de precisão, recall e F1-score, além de resultados notáveis nas métricas de Avaliação Geral (OA), Acurácia Média (AA) e Kappa. Esses resultados confirmam a eficácia e robustez do modelo. Este estudo contribui significativamente para o avanço na classificação hiperespectral e fornece informações importantes para o monitoramento eficiente e gestão de recursos agrícolas. O sucesso do modelo indica potenciais aplicações em larga escala na agricultura, promovendo a otimização do uso de terras e a maximização da produção agrícola de maneira sustentável.

MEMBROS DA BANCA:
Presidente - 2025063 - ROMUERE RODRIGUES VELOSO E SILVA
Interno - 1446435 - VINICIUS PONTE MACHADO
Externo ao Programa - 2025885 - FLÁVIO HENRIQUE DUARTE DE ARAÚJO