Identificação de Palmeiras (Arecaceae) Nativas em Áreas de floresta tropical baseado em Rede Neural Convolucional com imagens de VANT
DOI:
https://doi.org/10.26848/rbgf.v16.5.p2360-2374Palavras-chave:
Segmentation, deep learning, CNN, palm trees, remote sensing.Resumo
As palmeiras são componentes importantes para a manutenção da biodiversidade e ecossistemas em florestas tropicais. Além disso, elas são amplamente utilizadas por comunidades extrativistas para diversos fins, como alimentação, medicina e comércio. No entanto, o conhecimento sobre identificação e sua distribuição realizado por abordagens tradicionais apresentam baixa taxa de acurácia relatada e alto custo financeiro e operacional. Para solucionar esse problema, as redes neurais artificiais, especialmente as convolucionais, estão sendo utilizadas para reconhecimento de padrões em imagens, principalmente se coletadas por equipamentos remotos de baixo custo, como drones. Tais redes têm apresentado altas taxas de precisão na identificação de espécies florestais. Esse estudo propõe um método para classificar palmeiras nativas da família Arecaceae em áreas de floresta tropical, utilizando imagens adquiridas por um veículo aéreo não tripulado de baixo custo operacional e uma rede neural convolucional. O método alcançou resultados mais precisos do que as abordagens convencionais, com uma acurácia de 95,86% e métricas de precisão de 99,57% e Recall de 95,95%. Desta forma, os mapas derivados desses sistemas de baixo custo podem ser úteis para apoiar projetos de manejo e monitoramento florestal comunitário na Amazônia.
Palavras-chave: segmentação, aprendizado profundo, CNN, palmeiras, sensoriamento remoto.
Downloads
Referências
Acre, Governo do Estado. (2006). Programa estadual de Zoneamento Ecológico-Econômico do estado do Acre. Zoneamento ecológico-econômico do Acre Fase II: Documento síntese – Escala, v. 1, n. 250.000.
Alvez-Valles, C. M., Balslev, H., Garcia-Villacorta, R., Carvalho, F. A., & Menini Neto, L. (2018). Palm species richness, latitudinal gradients, sampling effort, and deforestation in the Amazon region. Acta Botanica Brasilica, 32(4), 527–539. https://doi.org/10.1590/0102-33062018abb0091. DOI: https://doi.org/10.1590/0102-33062017abb0400
Balslev, H., Kahn, F., Millán, B., Svenning, J.-C., Kristiansen, T., Borchsenius, F., Pedersen, D., & Eiserhardt, W. L. (2011). Species diversity and growth forms in tropical American palm communities. The Botanical Review, 77, 381–425. DOI: https://doi.org/10.1007/s12229-011-9084-x
Bengio, Y., Boulanger-Lewandowski, N., & Pascanu, R. (2012). Advances in optimizing recurrent networks. arXiv. https://arxiv.org/abs/1212.0901. DOI: https://doi.org/10.1109/ICASSP.2013.6639349
Branson, S., Wegner, J. D., Hall, D., Lang, N., & Schindler, K. (2014). Beyond counting: New perspectives on optical remote sensing for conservation. Remote Sensing, 6(11), 11089–11102. https://doi.org/10.3390/rs61111089.
Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., & Adam, H. (2018). Encoder-decoder with atrous separable convolution for semantic image segmentation. arXiv. https://arxiv.org/abs/1802.02611. DOI: https://doi.org/10.1007/978-3-030-01234-2_49
Cheng, Y. (1995). Mean shift, mode seeking, and clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 17(8), 790–799. https://doi.org/10.1109/34.400568. DOI: https://doi.org/10.1109/34.400568
Comaniciu, D., & Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(5), 603–619. https://doi.org/10.1109/34.1000236. DOI: https://doi.org/10.1109/34.1000236
Culman, M., Delalieux, S., & Van Tricht, K. (2020). Individual palm tree detection using deep learning on RGB imagery to support tree inventory. Remote Sensing, 12(21), 3476. https://doi.org/10.3390/rs12213476. DOI: https://doi.org/10.3390/rs12213476
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Fei-Fei, L. (2009). ImageNet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition (pp. 248–255). https://doi.org/10.1109/CVPR.2009.5206848. DOI: https://doi.org/10.1109/CVPR.2009.5206848
Fassnacht, F. E., Latifi, H., Sterenczak, K., Modzelewska, A., Lefsky, M., Waser, L. T., Straub, C., & Ghosh, A. (2016). Review of studies on tree species classification from remotely sensed data. Remote Sensing of Environment, 186, 64–87. https://doi.org/10.1016/j.rse.2016.08.013. DOI: https://doi.org/10.1016/j.rse.2016.08.013
Fernandes, B. J. T. (2013). Redes neurais com extração implícita de características para reconhecimento de padrões visuais [Neural networks with implicit feature extraction for visual pattern recognition]. Universidade Federal de Pernambuco. https://repositorio.ufpe.br/handle/123456789/12245.
Ferreira, E. J. L. (2006). Manual das palmeiras do Acre, Brasil [Manual of the palms of Acre, Brazil]. Instituto Nacional de Pesquisas da Amazônia. https://www.nybg.org/bsci/acre/www1/manual%5Ctextunderscore%7B%7Dpalmeiras.html.
Ferreira, M. P., Wagner, F. H., Aragão, L. E. O. C., Shimabukuro, Y. E., & De Souza Filho, C. R. (2019). Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 149, 119–131. https://doi.org/10.1016/j.isprsjprs.2019.01.019. DOI: https://doi.org/10.1016/j.isprsjprs.2019.01.019
Gibril, M. B. A., Shafri, H. Z. M., Shanableh, A., Al-Ruzouq, R., Wayayok, A., & Hashim, S. J. (2021). Deep convolutional neural network for large-scale date palm tree mapping from UAV-based images. Remote Sensing, 13(14), 2787. https://doi.org/10.3390/rs13142787. DOI: https://doi.org/10.3390/rs13142787
Gomes, J. P., Condé, T. M., Santos, R. L., Dionisio, L. F. S., Duarte, O. R., Miranda, D. L. C. de, & Silva, F. D. (2016). Efeitos de gradientes ambientais na fitossociologia de assembleias de palmeiras no Sudeste de Roraima, Brasil [Effects of environmental gradients on the phytosociology of palm assemblages in southeastern Roraima, Brazil]. Nativa, 4(5), 317–327. https://doi.org/10.31413/nativa.v4i5.3581. DOI: https://doi.org/10.14583/2318-7670.v04n05a08
Gonzalez, R. C., & Woods, R. E. (2000). Processamento de imagens digitais [Digital image processing]. Editora Blucher.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. IEEE. DOI: https://doi.org/10.1109/CVPR.2016.90
Husch, B., Beers, T. W., & Kershaw JR, J. A. (2003). Forest mensuration. John Wiley & Sons.
INMET, Instituto Nacional de Meteorologia. (2020)
Khaing, S. H., & Sein, M. M. (2021). Toddy Palm Trees Classification and Counting Using Drone Video: Retuning Hyperparameter Mask-RCNN. In 2021 7th International Conference on Control, Automation and Robotics (ICCAR) (pp. 196-200). IEEE. https://doi.org/10.1109/ICCAR52225.2021.9463466. DOI: https://doi.org/10.1109/ICCAR52225.2021.9463466
Lang, S. (2008). Object-based image analysis for remote sensing applications: modeling reality – dealing with complexity. In T. Blaschke, S. Lang, & G. J. Hay (Eds.), Object-Based Image Analysis (pp. 3-22). Springer. https://doi.org/10.1007/978-3-540-77058-9_1. DOI: https://doi.org/10.1007/978-3-540-77058-9_1
Letsoin, S. M. A., Purwestri, R. C., Rahmawan, F., & Herak, D. (2022). Recognition of Sago Palm Trees Based on Transfer Learning. Remote Sensing, 14(19), 4932. https://doi.org/10.3390/rs14194932. DOI: https://doi.org/10.3390/rs14194932
Li, W., Dong, R., Fu, H., & Yu, L. (2019). Large-Scale Oil Palm Tree Detection from High-Resolution Satellite Images Using Two-Stage Convolutional Neural Networks. Remote Sensing, 11(1), 11. https://doi.org/10.3390/rs11010011. DOI: https://doi.org/10.3390/rs11010011
Lorenzi, H., Noblick, L. R., Kahn, F., & Ferreira, E. (2010). Flora Brasileira Lorenzi: Arecaceae (Palmeiras). Nova Odessa.
Macía, M. J., Armesilla, P. J., Cámara-Leret, R., Paniagua-Zambrana, N., Villalba, S., Balslev, H., & Pardo-de-Santayana, M. (2011). Palm uses in northwestern South America: a quantitative review. The Botanical Review, 77(4), 462–570. https://doi.org/10.1007/s12229-011-9086-8. DOI: https://doi.org/10.1007/s12229-011-9086-8
Marin, W., Mondragon, I. F., & Colorado, J. D. (2022). Aerial Identification of Amazonian Palms in High-Density Forest Using Deep Learning. Forests, 13(5), 655. https://doi.org/10.3390/f13050655. DOI: https://doi.org/10.3390/f13050655
Mittermeier, R. A., Fonseca, G., Rylands, A., & Brandon, K. (2005). Uma breve história da conservação da biodiversidade no Brasil. Megadiversidade, 1(1), 14-21.
Mohamed Barakat A. Gibril, Helmi Zulhaidi Mohd Shafri, Rami Al-Ruzouq, Abdallah Shanableh, Faten Nahas, & Saeed Al Mansoori. (2023). Large-Scale Date Palm Tree Segmentation from Multiscale UAV-Based and Aerial Images Using Deep Vision Transformers. Drones, 7(2), 93. https://doi.org/10.1080/10106049.2022.2142966. DOI: https://doi.org/10.3390/drones7020093
Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
Otero, V., Van De Kerchove, R., Satyanarayana, B., Martínez-Espinosa, C., Fisol, M. A. B., Ibrahim, M. R. B., Sulong, I., Mohd-Lokman, H., Lucas, R., & Dahdouh-Guebas, F. (2018). Managing mangrove forests from the sky: Forest inventory using field data and Unmanned Aerial Vehicle (UAV) imagery in the Matang Mangrove Forest Reserve, Peninsular Malaysia. Forest Ecology and Management, 411, 35–45. https://doi.org/10.1016/j.foreco.2017.12.049. DOI: https://doi.org/10.1016/j.foreco.2017.12.049
Peck, M., Mariscal, A., Padbury, M., Cane, T., Kniveton, D., & Chinchero, M. A. (2012). Identifying tropical Ecuadorian Andean trees from inter-crown pixel distributions in hyperspatial aerial imagery. Applied Vegetation Science, 15(4), 548–559. https://doi.org/10.1111/j.1654-109X.2012.01196.x. DOI: https://doi.org/10.1111/j.1654-109X.2012.01196.x
Saldana Ochoa, K., & Guo, Z. (2019). A framework for the management of agricultural resources with automated aerial imagery detection. Computers and Electronics in Agriculture, 162, 53–69. https://doi.org/10.1016/j.compag.2019.03.028. DOI: https://doi.org/10.1016/j.compag.2019.03.028
SFB, Serviço Florestal Brasileiro. (2010). Florestas do Brasil em resumo - 2010: Dados de 2005-2010. Ministério do Meio Ambiente.
Shimodaira, H. (2000). Improving predictive inference under covariate shift by weighting the log-likelihood function. Journal of Statistical Planning and Inference, 90(2), 227–244. https://doi.org/10.1016/S0378-3758(00)00115-4. DOI: https://doi.org/10.1016/S0378-3758(00)00115-4
Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv. https://arxiv.org/abs/1409.1556.
Sun, Y., Liu, Y., Wang, G., & Zhang, H. (2017). Deep Learning for Plant Identification in Natural Environment. Computational Intelligence and Neuroscience, 2017, 7361042. https://doi.org/10.1155/2017/7361042. DOI: https://doi.org/10.1155/2017/7361042
Wahed, Z., Joseph, A., Zen, H., & Kipli, K. (2022). Sago Palm Detection and its Maturity Identification Based on Improved Convolution
Neural Network. Pertanika Journal of Science & Technology, 30(2). https://doi.org/10.47836/pjst.30.2.20. DOI: https://doi.org/10.47836/pjst.30.2.20
Weinstein, B. G., Marconi, S., Bohlman, S., Zare, A., & White, E. (2019). Individual Tree-Crown Detection in RGB Imagery Using Semi-Supervised Deep Learning Neural Networks. Remote Sensing, 11(11). https://doi.org/10.3390/rs11111309. DOI: https://doi.org/10.3390/rs11111309
Zhu, X. X., Tuia, D., Mou, L., Xia, G. S., Zhang, L., Xu, F., & Fraundorfer, F. (2018). Deep learning in remote sensing: a review. arXiv. https://doi.org/10.48550/arXiv.1710.03959.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Airton Gaio Junior, Rodrigo Pinheiro Ribas
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam na Revista Brasileira de Geografia Física concordam com os seguintes termos:
Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (exemplo: depositar em repositório institucional ou publicar como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
Autores têm permissão para disponibilizar seu trabalho online antes ou durante o processo editorial, em redes sociais acadêmicas, repositórios digitais ou servidores de preprints. Após a publicação na Revista Brasileira de Geografia Física, os autores se comprometem a atualizar as versões preprint ou pós-print do autor, nas plataformas onde foram originalmente disponibilizadas, informando o link para a versão final publicada e outras informações relevantes, com o reconhecimento da autoria e da publicação inicial nesta revista.
Qualquer usuário tem direito de:
Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
Adaptar — remixar, transformar e criar a partir do material para qualquer fim, mesmo que comercial.
O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
