Big data e nuvens computacionais para a classificação do uso e cobertura da terra do município de Monte Carmelo -MG

Custodio, Andressa Lana Bueno

Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/30858

Full metadata record

DC Field	Value	Language
dc.creator	Custodio, Andressa Lana Bueno	-
dc.date.accessioned	2020-12-28T16:00:20Z	-
dc.date.available	2020-12-28T16:00:20Z	-
dc.date.issued	2020-12-11	-
dc.identifier.citation	CUSTODIO, Andressa Lana Bueno. Big data e nuvens computacionais para a classificação do uso e cobertura da terra do município de Monte Carmelo -MG. 2019. 53 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Agrimensura e Cartográfica) - Universidade Federal de Uberlândia, Monte Carmelo, 2020.	pt_BR
dc.identifier.uri	https://repositorio.ufu.br/handle/123456789/30858	-
dc.description.sponsorship	UFU - Universidade Federal de Uberlândia	pt_BR
dc.language	por	pt_BR
dc.publisher	Universidade Federal de Uberlândia	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Randon Forest	pt_BR
dc.subject	Índices de Vegetação	pt_BR
dc.subject	Google Earth Engine.	pt_BR
dc.title	Big data e nuvens computacionais para a classificação do uso e cobertura da terra do município de Monte Carmelo -MG	pt_BR
dc.type	Trabalho de Conclusão de Curso	pt_BR
dc.contributor.advisor-co1	Luz, Naíssa Batista da	-
dc.contributor.advisor1	Gallis, Rodrigo Bezerra de Araújo	-
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/9328058090596916	pt_BR
dc.contributor.referee1	Gallis, Rodrigo Bezerra de Araújo	-
dc.contributor.referee2	Luz , Naíssa Batista da	-
dc.contributor.referee3	Ferreira, Ricardo Vicente	-
dc.description.degreename	Trabalho de Conclusão de Curso (Graduação)	pt_BR
dc.description.resumo	O mapeamento do uso e ocupação do solo tornou-se importante para a compreensão dos padrões de disposição do espaço, contribuindo para o planejamento e gestão de áreas, além de auxiliar na fiscalização de áreas protegidas. A crescente dos avanços tecnológicos tem aumentado cada vez mais volume de dados que estão sendo atualizados diariamente por várias agências governamentais como a NASA, USGS e NOAA, bem como a Agência Espacial Europeia. Com o intuito de criar uma plataforma capaz de processar esse grande volume de dados foi implementada a plataforma Google Earth Engine onde o objetivo principal foi ajudar pesquisadores brasileiros no monitoramento de desmatamento na Amazônia .Este trabalho tem como objetivo a implementação de um algoritmo capaz de classificar o uso e cobertura da Terra a partir de séries temporais de imagens de satélites utilizando o Classificador Randon Forest através da plataforma GEE para o Município de Monte Carmelo pertencente ao estado de Minas Gerais utilizando a linguagem JavaScript.. O classificador é o mais utilizado dentro da plataforma e constatou-se um melhor desempenho e exatidão em comparação aos outros. O método Random Forest consiste em um conjunto de árvores de decisão geradas dentro de um mesmo objeto. Cada conjunto de árvores passa por um mecanismo de votação, que indica a classificação mais votada que se encontra nos nós terminais das mesmas. Foi utilizado um grande número de imagens vencendo o obstáculo da presença de nuvens na região. A aplicação do algoritmo Random Forest mostrou-se muito eficaz no mapeamento do uso e cobertura da Terra, obtendo a acurácia das classificações no intervalo de 72,6% a 82,6% e tendo de acordo com os resultados dos Índices Kappa um grau de acordo Substancial; a classificação que obteve o melhor resultado foi utilizando a mediana, máximo, mínimo das bandas do vermelho, verde, azul, infravermelho, infravermelho próximo 1 e 2, NDVI, EVI e SAVI das imagens Landsat e Sentinel 2. Houve confusão do classificador para as classes de área urbana e cultura, porem o algoritmo teve um bom funcionamento sendo possível a realização de atividades de mapeamento e monitoramento de forma continua na região, sem custo, utilizando-se da plataforma computacional do seu poder de processamento e da base de dados constantemente atualizada a custo zero. O classificador foi treinado com as imagens referente ao ano de 2019 para aproximar-se da assinatura espectral de cada classe não se restringindo para classificação apenas do ano em questão.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.course	Engenharia de Agrimensura e Cartográfica	pt_BR
dc.sizeorduration	53	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS	pt_BR
Appears in Collections:	TCC - Engenharia de Agrimensura e Cartográfica (Monte Carmelo)

Files in This Item:

File	Description	Size	Format
BigDataE.pdf		2.81 MB	Adobe PDF	View/Open

Show simple item record