Detecção de fogo ativo por aprendizado profundo em imagens provenientes do satélite Landsat-8

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Fusioka, Andre Minoro lattes
Orientador(a): Minetto, Rodrigo lattes
Banca de defesa: Nassu, Bogdan Tomoyuki lattes, Faria, Fabio Augusto lattes, Dorini, Leyza Elmeri Baldo lattes, Silva, Ricardo Dutra da lattes, Minetto, Rodrigo lattes
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
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/26647
Resumo: A detecção de fogo ativo em imagens de satélite é de grande importância para o desenvolvimento de políticas de conservação ambiental, fomentar a tomada de decisão e a aplicação da lei. As técnicas tradicionais de detecção de fogo ativo geralmente são baseadas na comparação de pixels, ou regiões da imagem, com limiares específicos para o sensor utilizado. O presente trabalho aborda a detecção de fogo ativo fazendo uso de técnicas de aprendizado profundo, do inglês deep learning. Nos últimos anos, técnicas de deep learning têm desfrutado de um enorme sucesso em diversos campos, mas o seu uso para detecção de fogo ativo é relativamente novo, assim, é necessário analisar a viabilidade do uso de aprendizado profundo para detecção de fogo ativo. O presente estudo analisa como diferentes arquiteturas de redes neurais convolucionais podem ser utilizadas para segmentar fogo ativo em imagens de satélite, utilizando como treinamento as máscaras produzidas por métodos conhecidos na literatura e comumente empregados para a detecção de fogo ativo, bem como a combinação de tais máscaras. Em específico, o estudo compreende imagens do satélite Landsat-8 no período de Agosto de 2020. Além disso, os modelos estudados foram avaliados sobre um conjunto de imagens do mesmo satélite, obtidas em Setembro de 2020, mas anotadas manualmente, com o objetivo de analisar a capacidade das redes em aproximar anotações de um especialista humano. De forma geral, as arquiteturas testadas foram capazes de aproximar os métodos clássicos da literatura, sendo que o melhor desempenho observado obteve uma métrica -score de 94.2% e IoU de 89.0%. Quando comparadas com as anotações manuais, as redes obtiveram resultados superiores aos métodos clássicos da literatura na grande maioria dos casos, obtendo um -score de 89.7% e IoU de 81.4%. O código desenvolvido, bem como os pesos treinados, foram disponibilizados em um projeto de código aberto no Github, disponível em: https://github.com/pereira-gha/activefire, possibilitando outros estudos na área.