Ensemble de modelos híbridos baseados em redes neurais convolucionais e máquinas de vetores de suporte para detecção de barragens em imagens de satélite

Abstract

As barragens de rejeitos armazenam água e resíduos sólidos que são subprodutos da mineração. No Brasil, há um índice alto de barragens irregulares, incluindo locais até mesmo não catalogados. Estas estruturas apresentam alto potencial de dano socioambiental e um possível rompimento seria capaz de destruir rios e vilarejos. O uso de modelos de Rede Neural Convolucional, do Inglês Convolutional Neural Network (CNN) tradicionais são capazes de realizar a tarefa de detecção de barragens utilizando imagens de satélite. Para melhorar o desempenho destes modelos tradicionais existem técnicas, como por exemplo a utilização de modelos híbridos e o ensemble de modelos. O objetivo do presente trabalho é a proposta de um modelo ensemble composto por modelos híbridos baseados em CNN e Máquina de Vetores de Suporte, do Inglês Support Vector Machine (SVM) para a tarefa de detecção de barragens em imagens de satélite. Para tal, foi utilizada a base de dados BrazilDAM que possui 1925 imagens, sendo 769 consideradas como barragem e 1156 consideradas não-barragem. Foi realizado um pré processamento de suas imagens para avaliar o modelo com algumas combinações das 13 diferentes bandas. Foram utilizados diferentes modelos CNN aplicando as técnicas transfer learning e fine tuning para a extração de características das imagens de entrada. A SVM foi responsável por fazer a predição a partir destas informações extraídas. Por fim, este modelo híbrido foi associado a um modelo ensemble heterogêneo utilizando votação majoritária das predições feitas pelos modelos híbridos que realizam a classificação. Como resultados o modelo proposto obteve acurácia de 0,961, precisão 0,950, revocação 0,988, f1-score 0,968 e AUC 0,987. Mostrando assim, que a aplicação do modelo proposto traz melhores resultados em comparação com os modelos tradicionais.