O trabalho utiliza imagens de sensoriamento remoto de satélite e dados de referência do projeto TerraClass 2014 com eficácia de 99,9% em detecção a área de desmatamento
O trabalho desenvolvido pelo Joel Parente de Oliveira, doutorado em Informática tem como objetivo abordar uma tecnologia que aprimora identificar áreas de desmatamento com mais eficiência. A tecnologia utiliza imagens de sensoriamento remoto do satélite Landsat-8/OLI e dados de referência do projeto TerraClass 2014 (INPE) relativas da região amazônica brasileira, conhecida como “arco do desmatamento”.
Orientado pelo professor Cícero Ferreira Fernandes Costa Filho, diretor do Centro de P&D em Tecnologia Eletrônica da Universidade (Ceteli/ufam), a pesquisa usa um algoritmo de múltipla resolução para realizar a chamada segmentação semântica de sensoriamento remoto, com o objetivo de classificar o uso do solo em três regiões: floresta, pasto e agricultura.
“Trata-se de um trabalho de extrema relevância que propõe uma nova técnica para classificação de usos do solo na região amazônica, diferenciando regiões de floresta de regiões de pasto e de regiões de agricultura. A eficiência obtida no trabalho no mapeamento dessas regiões foi superior a 99%. O método desenvolvido é de grande atualidade, haja vista o crescimento do desmatamento em todo o Brasil, nos últimos anos”, explica o professor.
Durante toda a pesquisa foi empregada a técnica de imagem mosaico para o treinamento da rede neural convolucional (CNN). Nesta técnica, pequenas amostras retangulares de agricultura, floresta e pasto são extraídas de imagens de satélite. A partir destas amostras, é criada uma imagem maior, denominada imagem mosaico, com aproximadamente o mesmo número de pequenos retângulos de floresta, agricultura e pasto.
Outra contribuição do trabalho é a melhoria dos resultados obtidos na classificação do uso de solo, por meio de um processo de fusão de dados. O processo consiste em combinar a imagem de saída da rede com uma imagem gerada por meio de um algoritmo de segmentação de regiões homogêneas, com resultados superiores aos obtidos apenas com o uso da rede neural convolucional (CNN).
De acordo com Joel, a aplicação detecta as áreas de desmatamento na região amazônica em até 99,9%. “Por meio da revisão de literatura, foram encontrados trabalhos que utilizaram técnicas de aprendizado profundo para detectar áreas desmatadas em regiões da Amazônia brasileira. Os resultados obtidos foram bastante satisfatórios, pois alcançaram resultados acima de 98% na detecção de desmatamento. A proposta desta tese vai além da detecção de desmatamento. Procuramos não só utilizar redes convolucionais para uma aplicação específica de sensoriamento remoto, mas duas: caracterização do uso de solo e identificação de regiões desmatadas. Os resultados obtidos em ambas as aplicações foram valores de eficácia superiores a 99%, o que atesta a excelência do método proposto”, explica o pesquisador.
