Segmentação Semântica de Imagens Aplicada à Detecção de Desmatamento na Amazônia

• Ano de defesa: 2020
• Autor(a) principal: Andrade, Renan Bides de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística; Brasil; UERJ; Programa de Pós-Graduação em Ciências Computacionais
• Palavras-chave em Português: Deep Learning; Deforestation; Semantic Segmentation; Change Detection; Processamento de imagens – Segmentação; Linguagem de máquina; Desmatamento – Amazônia (Brasil); Desmatamento; Segmentação Semântica; Detecção de Mudanças; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
• Link de acesso: http://www.bdtd.uerj.br/handle/1/20286

O desmatamento é um problema de amplo alcance e responsável por sérias questões ambientais, como perda de biodiversidade e mudanças climáticas globais. Contendo aproximadamente dez porcento de toda a biomassa do planeta e abrigando um décimo das espécies conhecidas, o bioma Amazônia enfrentou importantes pressões de desmatamento nas últimas décadas. A criação de métodos e cientes de detecção de desmatamento é, portanto, essencial para combater o desmatamento ilegal e auxiliar na concepção de políticas públicas direcionadas a promover o desenvolvimento sustentável na Amazônia. Tendo em vista contribuir para o uso de tecnologias recentes na gestão ambiental, este trabalho implementa e avalia uma abordagem de detecção de desmatamento baseada em um modelo de deep learning (DL) fully convolutional para segmentação semântica, o DeepLabV3+. Os resultados obtidos são comparados a métodos de patch classi cation baseados em DL propostos anteriormente (Early Fusion e Siamese Convolutional Network). Nos experimentos são empregadas imagens do sistema de Sensoriamento Remoto (SR) orbital Landsat OLI-8 obtidas em diferentes datas, cobrindo uma região da floresta amazônica, com intuito de avaliar a sensibilidade dos métodos à quantidade de dados de treinamento. Adicionalmente, foram avaliados distintos valores nos parâmetros da função de perda usada no treinamento do modelo proposto. Os resultados mostraram que a grande maioria das variantes do método proposto testadas superaram signi cativamente os outros métodos baseados em DL em termos das métricas overall accuracy e F1-score e precision, e obtendo resultados similares em termos de recall. Os ganhos no desempenho, quando presentes, foram ainda mais substanciais quando quantidades limitadas de amostras foram usadas no treinamento dos métodos avaliados