Auxílio à pesquisa 19/26568-0 - Aprendizagem profunda, Sensoriamento remoto - BV FAPESP
Busca avançada
Ano de início
Entree

Sensoriamento remoto de alta resolução, deep learning e geomorfometria em análise de deslizamentos naturais e risco geológico

Processo: 19/26568-0
Modalidade de apoio:Auxílio à Pesquisa - Regular
Data de Início da vigência: 01 de fevereiro de 2021
Data de Término da vigência: 31 de julho de 2023
Área do conhecimento:Ciências Exatas e da Terra - Geociências
Pesquisador responsável:Carlos Henrique Grohmann de Carvalho
Beneficiário:Carlos Henrique Grohmann de Carvalho
Instituição Sede: Instituto de Energia e Ambiente (IEE). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Pesquisadores associados: Daniel Hölbling ; Francisco Manoel Wohnrath Tognoli ; John Lindsay ; José Alberto Quintanilha ; Marcelo Fischer Gramani
Assunto(s):Aprendizagem profunda  Sensoriamento remoto  Geoprocessamento  Aeronaves não tripuladas  Riscos ambientais  Deslizamento de terra 
Palavra(s)-Chave do Pesquisador:Aeronaves Remotamente Pilotadas (RPAs | Deep Learning | drones) | Machine | Modelos Digitais de Elevação | Movimentos de Massa | Risco Geológico | Sensoriamento Remoto | Geoprocessamento e Sensoriamento Remoto

Resumo

O desenvolvimento das tecnologias de sensoriamento remoto na última década levou a um crescimento praticamente exponencial da informação disponível sobre segmentos da superfície terrestre. Entre esses avanços pode-se citar imagens orbitais de alta resolução com possibilidade de geração de Modelos Digitais de Elevação (MDEs), LiDAR (Light Detection And Ranging) aeroportado ou terrestre, e, mais recentemente, a aplicação da técnica de Structure from Motion--Multi View Stereo (SfM-MVS) a conjuntos de imagens obtidas por Aeronaves Remotamente Pilotadas (RPAs - Remotely Piloted Aircrafts). O projeto propõe o uso de ferramentas modernas de análise geo-espacial -- Sensoriamento Remoto de Alta Resolução baseado em RPAs, LiDAR terrestre/aeroportado, SfM-MVS, Deep Learning e computação em nuvem -- no estudo de movimentos de massa (escorregamentos) e de risco geológico. Os temas selecionados para estudo englobam: mapeamento multitemporal de escorregamento por SfM-MVS e LiDAR-RPA de uma área de escorregamento com atividade desde o início dos anos 2000 identificada no município de Sebastião (SP); análise de susceptibilidade a escorregamentos em áreas urbanas através da comparação de modelos 3D gerados em ao menos duas épocas distintas de duas áreas urbanas de baixa renda classificadas como suscetíveis a processos de escorregamento (em parceria com a Defesa Civil do Município de São Paulo); classificação e segmentação de imagens por GEOBIA e deep learning para a construção semi-automática de inventários de escorregamentos. O projeto tem uma programação de dois anos e será conduzido pelo investigador principal e sua equipe de alunos, em colaboração com docentes e alunos da USP, Unisinos, IPT, Universidade de Salzburgo (Áustria) e Universidade de Guelph (Canadá). (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (8)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
DIAS, HELEN CRISTINA; HOELBLING, DANIEL; GROHMANN, CARLOS HENRIQUE. Landslide Susceptibility Mapping in Brazil: A Review. GEOSCIENCES, v. 11, n. 10, . (19/17261-8, 19/26568-0)
GARCIA, G. P. B.; SOARES, L. P.; ESPADOTO, M.; GROHMANN, C. H.. Relict landslide detection using deep-learning architectures for image segmentation in rainforest areas: a new framework. International Journal of Remote Sensing, v. 44, n. 7, p. 28-pg., . (16/06628-0, 19/26568-0)
GROHMANN, CARLOS H.; VIANA, CAMILA D.; GARCIA, GUILHERME P. B.; ALBUQUERQUE, RAFAEL W.. Remotely piloted aircraft -based automated vertical surface survey. METHODSX, v. 10, p. 6-pg., . (16/06628-0, 19/26568-0)
DE SOUSA, AMANDA MENDES; VIANA, CAMILA DUELIS; GARCIA, GUILHERME PEREIRA BENTO; GROHMANN, CARLOS HENRIQUE. Monitoring Geological Risk Areas in the City of Sao Paulo Based on Multi-Temporal High-Resolution 3D Models. REMOTE SENSING, v. 15, n. 12, p. 19-pg., . (19/26568-0)
HELEN CRISTINA DIAS; LUCAS HENRIQUE SANDRE; DIEGO ALEJANDRO SATIZÁBAL ALARCÓN; CARLOS HENRIQUE GROHMANN; JOSÉ ALBERTO QUINTANILHA. Landslide recognition using SVM, Random Forest, and Maximum Likelihood classifiers on high-resolution satellite images: A case study of Itaóca, southeastern Brazil. BRAZILIAN JOURNAL OF GEOLOGY, v. 51, n. 4, . (19/17261-8, 19/26568-0)
GUILHERME PEREIRA BENTO GARCIA; CARLOS HENRIQUE GROHMANN; CAMILA DUELIS VIANA; ELTON BARBOSA GOMES. Using terrestrial laser scanner and RPA-based-photogrammetry for surface analysis of a landslide: a comparison. Bol. Ciênc. Geod., v. 28, n. 3, . (19/26568-0, 16/06628-0)
SOARES, LUCAS PEDROSA; DIAS, HELEN CRISTINA; BENTO GARCIA, GUILHERME PEREIRA; GROHMANN, CARLOS HENRIQUE. Landslide Segmentation with Deep Learning: Evaluating Model Generalization in Rainfall-Induced Landslides in Brazil. REMOTE SENSING, v. 14, n. 9, p. 17-pg., . (19/26568-0, 16/06628-0)
DIAS, HELEN CRISTINA; SANDRE, LUCAS HENRIQUE; SATIZABAL ALARCON, DIEGO ALEJANDRO; GROHMANN, CARLOS HENRIQUE; QUINTANILHA, JOSE ALBERTO. andslide recognition using SVM, Random Forest, and Maximum Likelihood classifiers on high-resolution satellite images: A case study of Itaoca, southeastern Brazi. BRAZILIAN JOURNAL OF GEOLOGY, v. 51, n. 4, . (19/26568-0, 19/17261-8)