Decomposição automatizada de imagens em fatores geomorfológicos
Fecha
2020Co-director
Nivel académico
Doctorado
Tipo
Materia
Resumo
Nos estudos das geociências, dados de amostragem regular (ex.: imagens) são observações de estruturas geológicas. Assim, espera-se que elas retratem a grande riqueza de feições e complexidade estrutural que a natureza apresenta. Remover ruído puramente aleatório desses dados (sem uma estrutura espacial) é uma tarefa trivial. Separar feições com estruturas espaciais diferentes, por exemplo, variações de relevo da escala de 10km das variações na de 1km, é de crescente interesse na atividade de ge ...
Nos estudos das geociências, dados de amostragem regular (ex.: imagens) são observações de estruturas geológicas. Assim, espera-se que elas retratem a grande riqueza de feições e complexidade estrutural que a natureza apresenta. Remover ruído puramente aleatório desses dados (sem uma estrutura espacial) é uma tarefa trivial. Separar feições com estruturas espaciais diferentes, por exemplo, variações de relevo da escala de 10km das variações na de 1km, é de crescente interesse na atividade de geomodelagem. No entanto, esse objetivo requer um algoritmo sofisticado. Os métodos existentes para essa tarefa requerem uma parametrização cujo ajuste é tarefa laboriosa, por vezes tediosa, e objeto de interpretação. Após visitar os principais métodos para decomposição estrutural manual e com aprendizado de máquina, esta tese propõe um algoritmo que automatiza a decomposição estrutural baseando-se no variograma. Ou seja, um dado de entrada cujo variograma apresente múltiplas estruturas com diferentes escalas e anisotropias é decomposto automaticamente em imagens cujos variogramas individuais correspondem a cada estrutura. Software de código aberto foi escrito para testar o algoritmo proposto com um dado sintético cujo variograma contém quatro estruturas imbricadas. Os resultados mostraram eficácia semelhante ao da krigagem fatorial, porém de forma automatizada e com bom desempenho computacional. ...
Abstract
In the geoscience studies, regularly sampled data (e.g. images) are observations of geologic structures. Hence, it is expected that they bear the great variety of shapes and structural complexity that nature presents. Removing purely random noise from these data (without spatial structure) is a trivial task. Separating shapes with different spatial structures, for example, variations in relief with 10km scale from those with 1km scale, is of growing interest in the geomodeling practice. However ...
In the geoscience studies, regularly sampled data (e.g. images) are observations of geologic structures. Hence, it is expected that they bear the great variety of shapes and structural complexity that nature presents. Removing purely random noise from these data (without spatial structure) is a trivial task. Separating shapes with different spatial structures, for example, variations in relief with 10km scale from those with 1km scale, is of growing interest in the geomodeling practice. However, such objective requires a sophisticated algorithm. The existing methods for this task demand parameters of laborious, sometimes tedious, adjustment that is object of interpretation. After visiting the main methods of manual structural decomposition and with machine learning, this thesis proposes an algorithm that automatizes structural decomposition based on the variogram. That is, a given input data, whose variogram has multiple nested structures with different scales and anisotropies, is decomposed automatically into images with variograms corresponding to each nested structure. Open-source software was written to test the proposed algorithm on synthetic data with variogram bearing four nested structures. Results showed an effectiveness similar to factorial kriging, although by automatized way and with good computational performance. ...
Institución
Universidade Federal do Rio Grande do Sul. Escola de Engenharia. Programa de Pós-Graduação em Engenharia de Minas, Metalúrgica e de Materiais.
Colecciones
-
Ingeniería (7386)
Este ítem está licenciado en la Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)