Identificação de espécie arbórea invasora em imagens panorâmicas urbanas por aprendizagem profunda

• Ano de defesa: 2024
• Autor(a) principal: FURUYA, DANIELLE ELIS GARCIA
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Oeste Paulista; Doutorado em Meio Ambiente e Desenvolvimento Regional; Brasil; UNOESTE
• Palavras-chave em Português: Leucaena leucocephala; SAM; YOLOv8; DETR; Imagens panorâmicas; : Leucaena leucocephala; Panoramic images; OUTROS::CIENCIAS
• Link de acesso: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1622

O mapeamento da vegetação arbórea contribui com o planejamento urbano e facilita a gestão das áreas verdes nas cidades. Identificar espécies arbóreas auxilia no diagnóstico ambiental e permite verificar se as espécies presentes em áreas urbanas contribuem com o equilíbrio e fornecem os serviços ecossistêmicos ideais. As áreas verdes nem sempre são compostas com a quantidade de espécies nativas recomendadas, e podem apresentar espécies arbóreas exóticas capazes de prejudicar o ambiente urbano, pois certas espécies passam a se tornar invasoras. Nesse contexto, a espécie arbórea leucena (Leucaena leucocephala) está presente com frequência em diversas cidades e corresponde a uma espécie exótica invasora em diversos países, incluindo o Brasil. Os dados de sensoriamento remoto processados por algoritmos de inteligência artificial (especialmente de aprendizagem profunda), podem consistir em uma estratégia eficiente e eficaz para identificar Leucenas em ambientes urbanos. No entanto, essa é uma lacuna persistente na literatura. Neste trabalho, busca-se explorar o potencial de algortimos de deep learning (detecção e segmentação semântica) para identificar a espécie arbórea Leucena em regiões urbanas a partir de imagens panorâmicas do Google Street View e de celular. Essas imagens estão sendo exploradas para a identificação das Leucenas tanto na perspectiva de segmentação semântica, quanto de deteção de objetos. O modelo SAM (Segment Anything Model), lançado em abril de 2023, foi testado nessas imagens para, inicialmente, diferenciar vegetação arbórea sem levar em consideração a espécie. Os resultados parciais indicam capacidade do SAM nessa tarefa, alcançando um F1-score de 99%. Nos testes com o SAM para e espécie leucena, o modelo mostrou ser mais vantajoso em imagens do Street View quando comparado a imagens de celular, com uma média de acurácia de 92% e 63% respectivamente. Na perspectiva de deteção de objetos, foram realizados testes com as redes YOLOv8 e DETR. Lançada em janeiro de 2023, a YOLOv8 é uma das opções mais recentes para a tarefa de detecção de objetos em imagens, já a DETR corresponde a uma rede baseada em transformers e tem potencial para diversas tarefas. Os resultados indicam uma capacidade promissora da YOLOv8 na tarefa proposta de detecção da espécie leucena em imagens panorâmicas. Além dos testes, uma revisão cienciométrica foi construída para averiguar como a problemática de mapeamento arbóreo geral, e por espécie, tem sido tratada a partir de dados de sensoriamento remoto e aprendizagem de máquina (rasa e profunda). Os testes realizados reforçam a originalidade do presente trabalho, mostrando uma carência de estudos que explorem esse tipo de dados com técnicas avançadas de deep learning, para identificar nas cidades a presença de uma das 100 piores espécies invasoras do mundo, a Leucena.