Segmentação semântica de áreas desmatadas utilizando Redes Neurais Convolucionais no sul da Amazônia Legal

• Ano de defesa: 2020
• Autor(a) principal: Costa, Fernanda Caetano
• Outros Autores: http://lattes.cnpq.br/1180970054701814
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Redes neurais (Computação); Algoritmos computacionais; Satélite Landsat-8; Segmentação de áreas desmatadas; Amazônia Legal; ENGENHARIAS; Áreas Desmatadas; Redes Neurais Convolucionais; Imagem-Mosaico; Landsat-8; Segmentação; Algoritmos de otimização; Técnicas de regularização
• Link de acesso: https://tede.ufam.edu.br/handle/tede/8028

Neste trabalho propomos a utilização de redes neurais convolucionais para segmentação de áreas desmatadas na região do sul da Amazônia Legal em imagens de satélite Landsat-8. Para realização deste trabalho foi construído um banco de imagens mosaico, composto por amostras de áreas desmatadas e áreas de floresta extraídas das imagens de satélite Landsat- 8, identificando as áreas desmatadas através da utilização dos dados de desmatamento do projeto PRODES do INPE. As arquiteturas de redes convolucionais utilizadas foram as propostas no trabalho de Serrão et al. (2020) e de Miyagawa et al. (2018). O treinamento das redes foi realizado com 32 épocas utilizando métodos de otimização SGDM, RMSProp e ADAM e os métodos de regularização L2 e Dropout. Combinando as três arquiteturas com esses métodos, totalizaram 36 simulações. Para avaliar o desempenho das arquiteturas para segmentação das áreas desmatadas, permitindo uma comparação entre os modelos, foi escolhida a métrica acurácia. Após a avaliação do desempenho dos modelos no conjunto de validação, seis deles foram selecionados para serem avaliados com o conjunto de teste. O modelo que apresentou o melhor resultado, uma acurácia de 99.97%, foi o que utilizou a seguinte combinação: CNN2 + RMSProp + Dropout. O resultado deste trabalho foi comparado com os resultados dos trabalhos de Ortega et al. (2019), Adarme et al. (2020) e De Bem et al. (2020) tendo obtido resultados superiores àqueles obtidos por esses autores. Os resultados mostraram que as redes neurais convolucionais são capazes de realizar com alto desempenho a tarefa de segmentação de áreas desmatadas