Detecção de incêndios em imagens de sensoriamento remoto: um estudo integrando os satélites Landsat-8, Sentinel-2 e inteligência artificial

• Ano de defesa: 2021
• Autor(a) principal: Pereira, Gabriel Henrique de Almeida
• Orientador(a): Minetto, Rodrigo
• Banca de defesa: Nassu, Bogdan Tomoyuki , Centeno, Jorge Antonio Silva , Dorini, Leyza Elmeri Baldo , Silva, Ricardo Dutra da , Minetto, Rodrigo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• País: Brasil
• Palavras-chave em Português: Incêndios; Inteligência artificial; Sensoriamento remoto; Aprendizado de máquinas; Imagens de sensoriamento remoto; Fires; Artificial intelligence; Remote sensing; Machine learning; Remote-sensing images
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/27073

A detecção de incêndios ativos em imagens de satélite é de grande importância para a gestão de políticas de conservação e monitoramento ambiental, apoiando a tomada de decisões, a aplicação da lei e, até mesmo, evitando perdas financeiras ou de vidas. Este tema de pesquisa é bem estabelecido na literatura de sensoriamento remoto, com muitas técnicas propostas ao longo dos anos, e, geralmente, baseadas em limiares específicos para cada sensor. Para alguns satélites este problema já está bem resolvido. Para outros, com algumas alterações nos métodos já estabelecidos é possível criar novos algoritmos. E, para alguns outros satélites, este é um problema ainda em aberto. Tem-se, por exemplo, o Landsat-8, que já possui métodos consolidados na literatura de detecção de incêndio, enquanto para o Sentinel-2, os métodos ainda são incipientes. Porém, dadas as semelhanças espaciais e entre algumas bandas destes satélites, em especial nas bandas sensíveis à presença de incêndio, seria possível o uso integrado destes satélites para este fim. Entretanto, variações de sensibilidade dos sensores podem fazer com que métodos desenvolvidos para o Landsat-8 não sejam diretamente aplicáveis sobre imagens Sentinel-2, em especial os método baseados em limiares. Técnicas de inteligência artificial, que têm desfrutado de enorme sucesso na análise de dados de sensoriamento remoto, podem prover soluções para estas situações. Neste trabalho aborda-se o problema da detecção de incêndio ativo usando técnicas de aprendizado de máquina sobre imagens destes dois satélites (Landsat- 8 e Sentinel-2). Tanto métodos de machine learning como deep learning são testados neste trabalho para identificar quais abordagens apresentam melhores comportamentos no processo de detecção de incêndio. Este trabalho também atenta para o processo de treinamento desses modelos de inteligência artificial, seja com alguns testes de parâmetros dos modelos, variações de combinações de bandas e proporções de amostras de treinamento. Os experimentos — sobre um dataset em escala global, disponibilizado publicamente, e desenvolvido para este trabalho • mostraram que os métodos de inteligência artificial, tanto de machine learning como deep learning, foram capazes de realizar detecções de incêndio tanto nas imagens Landsat-8 (com performances acima até de 90%, considerando a métrica -Score, que é utilizada nos principais rankings de segmentação), como em imagens do Sentinel-2 (com -Score até acima de 80%). Por fim, destaca-se que os métodos de inteligência artificial, mais do que apenas serem capazes de detectar incêndio nas imagens dos satélites Landsat-8 e Sentinel-2, foram capazes de serem treinados com informações do Landsat-8 e fazer inferências sobre as imagens do Sentinel-2.