Use este identificador para citar ou linkar para este item: https://repositorio.unipampa.edu.br/jspui/handle/riu/8964
Tipo: Trabalho de Conclusão de Curso
Título: Classificação supervisionada de elementos arquiteturais do modelo 3d de La Jardinera, Bacia de Neuquén, Argentina
Autor(es): Guedes, Pablo Losano
Primeiro Orientador: Guadagnin, Felipe
Coorientador: Gonçalves, Ítalo Gomes
Resumo: A interpretação manual de modelos 3D em geociências é altamente dependente do intérprete, demorada, não-reprodutível e não permite o cálculo das incertezas associadas. O afloramento La Jardinera, Bacia de Neuquén, Argentina, expõe rochas sedimentares depositadas em sistemas deposicionais turbidíticos, e foi amplamente estudada por diversos autores. Todos os trabalhos publicados sobre a sedimentologia e estratigrafia dos estratos de La Jardinera foram realizados de forma analógica e manual, seguindo os métodos tradicionais de levantamento faciológico em campo. No âmbito do projeto “Modelos Virtuais de Afloramento: Construção, Extração e Integração de Informações Estratigráficas, Sedimentológicas, Diagenéticas e Estruturais em 3D”, foram adquiridas 719 imagens em campo com aeronave pilotada de forma remota, para a construção de modelo 3D do afloramento La Jardinera. A interpretação manual de modelos 3D de afloramento está inerente as mesmas dificuldades e limitações da interpretação de modelos 3D em geociências. Para automatizar a extração de informações estratigráficas do modelo 3D de afloramento La Jardinera e contribuir com o desenvolvimento metodológico, foi utilizada uma rede neural convolucional, que é uma técnica de classificação supervisionada no âmbito das ferramentas de inteligência artificial (deep learning). O objetivo geral é obter a nuvem de pontos classificada por associações de fácies dos depósitos turbidíticos do afloramento La Jardineira. Das 719 imagens captadas em campo, 69 foram interpretadas por associação de fácies. A rotulação consiste em gerar polígonos em cada imagem e atribuir uma classe para cada polígono, dentre as duas associações de fácies que ocorrem no modelo 3D, lobos-interlobos e franja dos lobos. A geração dos polígonos foi realizada com ferramentas guiadas (varinha mágica ou laço poligonal) disponíveis no software Photoshop. Após a geração dos rótulos, metade das imagens rotuladas foi utilizada para o treinamento da rede neural e metade das imagens para o teste da acurácia da classificação; a acurácia total foi de 85%. A acurácia por elemento arquitetural, foi de 69% para lobos-interlobos e de 74% para franja dos lobos. A arquitetura da rede neural utilizada foi U-net, utilizada como estrutura principal do modelo de segmentação. Após esse primeiro teste, a rede neural foi utilizada para classificar as 719 imagens e obter rótulos para todo o conjunto de dados. Para visualização da assertividade das predições, foram elaborados mapas estatísticos de entropia nas imagens e testes de validação dos dados. Para a geração da nuvem de pontos classificada por elementos arquiteturais, as 719 imagens foram processadas pelo fluxo de trabalho SfM-MVS. Todas as imagens foram alinhadas em conjunto e foram construídas 3 nuvens de pontos: (i) com todas as imagens; (ii) somente com as partes das imagens rotuladas como lobos-interlobos; e (iii) somente com as partes das imagens rotuladas como franja dos lobos. Da nuvem de pontos com todas as imagens, 5,24% dos pontos foram classificados como lobos-interlobos e 17,78% dos pontos como franja dos lobos. A obtenção da nuvem de pontos classificada por associações de fácies foi realizada e os resultados obtidos neste estudo demonstram a efetividade do emprego de técnicas de deep learning para a interpretação em geociências.
Abstract: The manual interpretation of 3D models in geosciences is highly interpreterdependent, time-consuming, non-reproducible, and does not allow the calculation of associated uncertainties. The La Jardinera outcrop, Neuquén Basin, Argentina, exposes sedimentary rocks deposited in turbiditic depositional systems and has been widely studied by several authors. All published works on the sedimentology and stratigraphy of La Jardinera strata were carried out analogically and manually, following traditional methods of faciological field surveys. Within the scope of the project "Virtual Outcrop Models: Construction, Extraction, and Integration of Stratigraphic, Sedimentological, Diagenetic, and Structural Information in 3D", 719 images were acquired in the field with a remotely piloted aerial system for the construction of a 3D model of the La Gardener. The manual interpretation of 3D outcrop models is inherent to the same difficulties and limitations of interpreting 3D models in geosciences. To automate the extraction of stratigraphic information from the 3D model of the La Jardinera outcrop and contribute to the methodological development, a convolutional neural network was used, a supervised classification technique within the scope of artificial intelligence tools (deep learning). The general objective is to obtain the point cloud classified by facies associations of the turbiditic deposits of the La Jardineira outcrop. Of the 719 images captured in the field, 69 were interpreted by facies association. The labeling consists of generating polygons in each image and assigning a class to each polygon, among the two facies associations that occur in the 3D model, lobes-interlobes and lobe fringe. Polygons were generated with guided tools (magic wand or polygonal lasso) available in Photoshop software. After generating the labels, half of the labeled images were used for neural network training and half of the images for the classification accuracy test; the overall accuracy was 85%. The accuracy per architectural element was 69% for interlobe lobes and 74% for lobe fringe. The architecture of the neural network used was U-net, used as the main structure of the segmentation model. After this first test, the neural network was used to classify the 719 images and obtain labels for the entire dataset. Statistical maps of entropy in the images and data validation tests were prepared to visualize the assertiveness of the predictions. The 719 images were processed by the SfM-MVS workflow to generate the point cloud classified by architectural elements. All images were aligned together, and 3-point clouds were constructed: (i) with all images; (ii) only with the parts of the images labeled as lobes-interlobes; and (iii) only with the parts of the images labeled as lobe fringe. From the point cloud with all images, 5.24% of the points were classified as lobe-interlobes and 17.78% as lobe fringe. Obtaining the point cloud classified by facies associations was carried out, and the results obtained in this study demonstrate the effectiveness of using deep learning techniques for interpretation in geosciences.
Palavras-chave: Redes Neurais Convolucionais
Modelos 3D de Afloramento
Classificação Supervisionada
Estratigrafia
Turbiditos
CNNs
MVA
Supervised automatic classification
Stratigraphy
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editor: Universidade Federal do Pampa
Sigla da Instituição: UNIPAMPA
Campus: Campus Caçapava do Sul
Citação: GUEDES, Pablo Losano. Classificação supervisionada de elementos arquiteturais do modelo 3d de La Jardinera, Bacia de Neuquén, Argentina. 2024. Trabalho de Conclusão de Curso (Bacharelado em Geologia) - Universidade Federal do Pampa, Caçapava do Sul, 2023.
Tipo de Acesso: Acesso Aberto
URI: https://repositorio.unipampa.edu.br/jspui/handle/riu/8964
Data do documento: 2023
Aparece nas coleções:Geologia

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Pablo Losano Guedes - 2023.pdf5.09 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.