Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Spatio-Temporal Vegetation Pixel Classification by Using Convolutional Networks

Texto completo
Autor(es):
Nogueira, Keiller [1] ; dos Santos, Jefersson A. [1] ; Menini, Nathalia [2] ; Silva, Thiago S. F. [3, 4] ; Morellato, Leonor Patricia C. [5] ; Torres, Ricardo da S. [2]
Número total de Autores: 6
Afiliação do(s) autor(es):
[1] Univ Fed Minas Gerais, Dept Comp Sci, BR-31270901 Belo Horizonte, MG - Brazil
[2] Univ Estadual Campinas, Inst Comp, BR-13083970 Campinas, SP - Brazil
[3] Univ Estadual Paulista, IGCE, BR-13506900 Sao Paulo - Brazil
[4] Univ Stirling, Biol & Environm Sci, Fac Nat Sci, Stirling FK9 4LA - Scotland
[5] Univ Estadual Paulista, Inst Biociencias, BR-13506900 Sao Paulo - Brazil
Número total de Afiliações: 5
Tipo de documento: Artigo Científico
Fonte: IEEE Geoscience and Remote Sensing Letters; v. 16, n. 10, p. 1665-1669, OCT 2019.
Citações Web of Science: 0
Resumo

Plant phenology studies rely on long-term monitoring of life cycles of plants. High-resolution unmanned aerial vehicles (UAVs) and near-surface technologies have been used for plant monitoring, demanding the creation of methods capable of locating, and identifying plant species through time and space. However, this is a challenging task given the high volume of data, the constant data missing from temporal dataset, the heterogeneity of temporal profiles, the variety of plant visual patterns, and the unclear definition of individuals' boundaries in plant communities. In this letter, we propose a novel method, suitable for phenological monitoring, based on convolutional networks (ConvNets) to perform spatio-temporal vegetation pixel classification on high-resolution images. We conducted a systematic evaluation using high-resolution vegetation image datasets associated with the Brazilian Cerrado biome. Experimental results show that the proposed approach is effective, overcoming other spatio-temporal pixel-classification strategies. (AU)

Processo FAPESP: 16/26170-8 - Detecção de structural breaks em séries temporais e seu uso na definição de medidas de estabilidade
Beneficiário:Nathália Menini Cardoso dos Santos
Linha de fomento: Bolsas no Brasil - Mestrado
Processo FAPESP: 13/50155-0 - Combining new technologies to monitor phenology from leaves to ecosystems
Beneficiário:Leonor Patricia Cerdeira Morellato
Linha de fomento: Auxílio à Pesquisa - Programa de Pesquisa sobre Mudanças Climáticas Globais - PITE
Processo FAPESP: 09/54208-6 - EMU: Laboratório Multiusuário Centralizado do Núcleo de Estudos em Biodiversidade da UNESP
Beneficiário:Célio Fernando Baptista Haddad
Linha de fomento: Auxílio à Pesquisa - Programa Equipamentos Multiusuários
Processo FAPESP: 13/50169-1 - Towards an understanding of tipping points within tropical South American biomes
Beneficiário:Ricardo da Silva Torres
Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 18/06918-3 - Quantificando a resiliência da Amazônia através da detecção de structural breaks associados a eventos extremos climáticos
Beneficiário:Nathália Menini Cardoso dos Santos
Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Mestrado