| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Cerrados. |
|
Data corrente: |
16/11/2021 |
|
Data da última atualização: |
16/11/2021 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
KUCK, T. N.; SANO, E. E.; BISPO, P. da C.; SHIGUEMORI, E. H.; SILVA FILHO, P. B. F.; MATRICARDI, E. A. T. |
|
Afiliação: |
TAHISA NEITZEL KUCK; EDSON EYJI SANO, CPAC; POLYANNA DA CONCEIÇÃO BISPO; ELCIO HIDEITI SHIGUEMORI; PAULO FERNANDO FERREIRA SILVA FILHO; ERALDO APARECIDO TRONDOLI MATRICARDI. |
|
Título: |
A Comparative Assessment of Machine-Learning Techniques for Forest Degradation Caused by Selective Logging in an Amazon Region Using Multitemporal X-Band SAR Images. |
|
Ano de publicação: |
2021 |
|
Fonte/Imprenta: |
Remote Sensing, v. 13, n. 3341, 2021. |
|
Idioma: |
Inglês |
|
Conteúdo: |
Abstract: The near-real-time detection of selective logging in tropical forests is essential to support actions for reducing CO2 emissions and for monitoring timber extraction from forest concessions in tropical regions. Current operating systems rely on optical data that are constrained by persistent cloud-cover conditions in tropical regions. Synthetic aperture radar data represent an alternative to this technical constraint. This study aimed to evaluate the performance of three machine learning algorithms applied to multitemporal pairs of COSMO-SkyMed images to detect timber exploitation in a forest concession located in the Jamari National Forest, Rondônia State, Brazilian Amazon. The studied algorithms included random forest (RF), AdaBoost (AB), and multilayer perceptron artificial neural network (MLP-ANN). The geographical coordinates (latitude and longitude) of logged trees and the LiDAR point clouds before and after selective logging were used as ground truths. The best results were obtained when the MLP-ANN was applied with 50 neurons in the hidden layer, using the ReLu activation function and SGD weight optimizer, presenting 88% accuracy both for the pair of images used for training (images acquired in June and October) of the network and in the generalization test, applied on a second dataset (images acquired in January and June). This study showed that X-band SAR images processed by applying machine learning techniques can be accurately used for detecting selective logging activities in the Brazilian Amazon. MenosAbstract: The near-real-time detection of selective logging in tropical forests is essential to support actions for reducing CO2 emissions and for monitoring timber extraction from forest concessions in tropical regions. Current operating systems rely on optical data that are constrained by persistent cloud-cover conditions in tropical regions. Synthetic aperture radar data represent an alternative to this technical constraint. This study aimed to evaluate the performance of three machine learning algorithms applied to multitemporal pairs of COSMO-SkyMed images to detect timber exploitation in a forest concession located in the Jamari National Forest, Rondônia State, Brazilian Amazon. The studied algorithms included random forest (RF), AdaBoost (AB), and multilayer perceptron artificial neural network (MLP-ANN). The geographical coordinates (latitude and longitude) of logged trees and the LiDAR point clouds before and after selective logging were used as ground truths. The best results were obtained when the MLP-ANN was applied with 50 neurons in the hidden layer, using the ReLu activation function and SGD weight optimizer, presenting 88% accuracy both for the pair of images used for training (images acquired in June and October) of the network and in the generalization test, applied on a second dataset (images acquired in January and June). This study showed that X-band SAR images processed by applying machine learning techniques can be accurately used for detecting selecti... Mostrar Tudo |
|
Thesagro: |
Desmatamento; Sensoriamento Remoto. |
|
Thesaurus Nal: |
Synthetic aperture radar. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/227792/1/Sano-Livre-A-comparative-assessment-of-machine-learning.pdf
|
|
Marc: |
LEADER 02269naa a2200217 a 4500
001 2136170
005 2021-11-16
008 2021 bl uuuu u00u1 u #d
100 1 $aKUCK, T. N.
245 $aA Comparative Assessment of Machine-Learning Techniques for Forest Degradation Caused by Selective Logging in an Amazon Region Using Multitemporal X-Band SAR Images.$h[electronic resource]
260 $c2021
520 $aAbstract: The near-real-time detection of selective logging in tropical forests is essential to support actions for reducing CO2 emissions and for monitoring timber extraction from forest concessions in tropical regions. Current operating systems rely on optical data that are constrained by persistent cloud-cover conditions in tropical regions. Synthetic aperture radar data represent an alternative to this technical constraint. This study aimed to evaluate the performance of three machine learning algorithms applied to multitemporal pairs of COSMO-SkyMed images to detect timber exploitation in a forest concession located in the Jamari National Forest, Rondônia State, Brazilian Amazon. The studied algorithms included random forest (RF), AdaBoost (AB), and multilayer perceptron artificial neural network (MLP-ANN). The geographical coordinates (latitude and longitude) of logged trees and the LiDAR point clouds before and after selective logging were used as ground truths. The best results were obtained when the MLP-ANN was applied with 50 neurons in the hidden layer, using the ReLu activation function and SGD weight optimizer, presenting 88% accuracy both for the pair of images used for training (images acquired in June and October) of the network and in the generalization test, applied on a second dataset (images acquired in January and June). This study showed that X-band SAR images processed by applying machine learning techniques can be accurately used for detecting selective logging activities in the Brazilian Amazon.
650 $aSynthetic aperture radar
650 $aDesmatamento
650 $aSensoriamento Remoto
700 1 $aSANO, E. E.
700 1 $aBISPO, P. da C.
700 1 $aSHIGUEMORI, E. H.
700 1 $aSILVA FILHO, P. B. F.
700 1 $aMATRICARDI, E. A. T.
773 $tRemote Sensing$gv. 13, n. 3341, 2021.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Cerrados (CPAC) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Pantanal. |
|
Data corrente: |
08/10/2003 |
|
Data da última atualização: |
10/04/2013 |
|
Tipo da produção científica: |
Documentos |
|
Autoria: |
PADOVANI, C. R.; PADOVANI, S. L. A. G.; BRANDÃO, M. F. |
|
Afiliação: |
CARLOS ROBERTO PADOVANI, CPAP; SILVIA LETÍCIA ARTHUR GUIÊM PADOVANI, UFMS; MÔNICA FLORES BRANDÃO, UFMS. |
|
Título: |
Mosaico de imagens de satélite do Pantanal no ano 2000. |
|
Ano de publicação: |
2003 |
|
Fonte/Imprenta: |
Corumbá: Embrapa Pantanal, 2003. |
|
Páginas: |
18 p. |
|
Série: |
(Embrapa Pantanal. Documentos, 43). |
|
ISSN: |
1517-1973 |
|
Idioma: |
Português |
|
Conteúdo: |
O Pantanal devido a sua extensão e dificuldade de acesso representa um desafio para o desenvolvimento de atividades de produção e conservação da natureza. Nesse sentido as tecnologias de Sensoriamento Remoto podem contribuir muito para o conhecimento e manejo desse ecossistema. O presente trabalho apresenta o mosaico de imagens Landsat 7 ETM do ano 2000 do Pantanal, onde ao contrário dos demais produtos dessa natureza, apresenta uma maior precisão de posicionamento em função de um extenso trabalho de campo realizado para o georreferenciamento das imagens. Esse trabalho é o resultado da parceria entre a Embrapa Pantanal e a WWF Brasil e está disponível também na homepage da Embrapa Pantanal. Esperamos com essa iniciativa estar cumprindo com nosso objetivo de levar à comunidade informações sobre o Pantanal. |
|
Palavras-Chave: |
Característica ambiental; Environmental characteristics; Geoprocessamento; Geoprocessing; Imagem; Satellite. |
|
Thesagro: |
Satélite; Sensoriamento Remoto. |
|
Thesaurus NAL: |
Pantanal; remote sensing. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/81191/1/DOC43.pdf
|
|
Marc: |
LEADER 01614nam a2200289 a 4500
001 1955526
005 2013-04-10
008 2003 bl uuuu u0uu1 u #d
022 $a1517-1973
100 1 $aPADOVANI, C. R.
245 $aMosaico de imagens de satélite do Pantanal no ano 2000.
260 $aCorumbá: Embrapa Pantanal$c2003
300 $a18 p.
490 $a(Embrapa Pantanal. Documentos, 43).
520 $aO Pantanal devido a sua extensão e dificuldade de acesso representa um desafio para o desenvolvimento de atividades de produção e conservação da natureza. Nesse sentido as tecnologias de Sensoriamento Remoto podem contribuir muito para o conhecimento e manejo desse ecossistema. O presente trabalho apresenta o mosaico de imagens Landsat 7 ETM do ano 2000 do Pantanal, onde ao contrário dos demais produtos dessa natureza, apresenta uma maior precisão de posicionamento em função de um extenso trabalho de campo realizado para o georreferenciamento das imagens. Esse trabalho é o resultado da parceria entre a Embrapa Pantanal e a WWF Brasil e está disponível também na homepage da Embrapa Pantanal. Esperamos com essa iniciativa estar cumprindo com nosso objetivo de levar à comunidade informações sobre o Pantanal.
650 $aPantanal
650 $aremote sensing
650 $aSatélite
650 $aSensoriamento Remoto
653 $aCaracterística ambiental
653 $aEnvironmental characteristics
653 $aGeoprocessamento
653 $aGeoprocessing
653 $aImagem
653 $aSatellite
700 1 $aPADOVANI, S. L. A. G.
700 1 $aBRANDÃO, M. F.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Pantanal (CPAP) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Expressão de busca inválida. Verifique!!! |
|
|
