Proposta e avaliaçãode modelos para detecção e predição da propagação de queimadas com base em imagens multi-espectrais de satélites

Abstract

Esta pesquisa surgiu com o intuito de desenvolver um sistema capaz de identificar marcas de incêndio a partir de imagens de incêndios. Porém, com o desenvolver do projeto a tese foi sendo alterada para auxiliar o GPRAM a desenvolver um algoritmo capaz de demarcar áreas afetadas pelo fogo na região do distrito federal. Sendo assim, foi implementado e avaliado um modelo capaz de demarcar áreas nas quais foi possível identificar marcas de incêndio ocorridos na região do Distrito Federal. Portanto, são utilizados identificadores supervisionados, baseados em inteligência artificial, aplicados em imagens do satélite Landsat-8. Dessa forma, são estabelecidas correlações entre as datas e as localidades espaciais dos incêndios e os dados vetoriais de acesso público produzidos pela autoridade ambiental GPRAM (Grupamento de Proteção Ambiental). Em resumo, o processo envolve desenvolver um sistema capaz de demarcar uma classe específica, indicando sua existência, ou a outra classe, indicando sua inexistência, a fim de treinar o classificador de áreas afetadas pelo fogo. O GPRAM, estabelecido em 2010 e com sede em Brasília, desempenha um papel funda mental como autoridade ambiental no que diz respeito ao combate e prevenção de incêndios no Distrito Federal. Dentro de suas atribuições, o GPRAM possui uma divisão especializada em inteligência tática, responsável por transmitir um relatório anual de áreas afetadas pelo fogo. Esse documento, possui um estudo de sensoriamento remoto com dados espaciais de áreas afetadas pelo fogo. Através de sistemas de observação da tera em datas específicas, a autoridade ambiental GPRAM elebara dodos vetoriais entregues com o documento anual. Tal estudo, é entregue e está de livre acesso, neste material os focos de incêndios são demarcados. Esses registros são associados a imagens multiespectrais dos satélites norte-americanos Landsat, que revisita a cada 16 dias uma mesma área da terra. A vinculação entre os arquivos vetoriais e as imagens proporciona uma visão ampla e detalhada dos incêndios na região, permitindo uma análise precisa e atualizada dos eventos relacionados ao fogo. Primeiramente, é implementado um validador para a área 54, que está associada à base de dados Indian Pines. Vale ressaltar que esse validador não se trata apenas de um classificador de áreas, mas sim de um classificador de áreas rurais, que englobam diferentes tipos de terreno, como agricultura, florestas e rios. Nesse contexto, foram identificadas 57 classes distintas, com 224 valores espectrais diferentes por pixel. Para realizar essa classificação, foi utilizado o algoritmo de SVM (Máquina de Vetor de Suporte) por meio do algoritmo SMO (Sequential Minimal Optimization), implementado em Python e aplicado `a base de dados Indian Pines. Os resultados obtidos mostraram uma medida-f e acurácia superiores a 90%. Isso demonstra a eficácia do classificador na tarefa de distinguir e categorizar corretamente as diferentes classes presentes na área estudada. Após obtermos resultados bem-sucedidos com a aplicação da SVM, reconfiguramos o algoritmo para trabalhar com imagens multiespectrais do satélite Landsat-8. Utilizamos classes demarcadas como marcas de incêndio, extraídas do arquivo vetorial fornecido pelo GPRAM. Em seguida, realizamos uma sobreposição desse arquivo da autoridade na imagem de satélite. Essa sobreposição permitiu simular a detecção de marcas de incêndios por meio de classificadores. Assim como nos testes anteriores, o algoritmo apresentou acurácias superiores a 90%. No entanto, a análise das áreas identificadas como marcas de incêndio pelo classificador treinado evidenciou uma limitação prática dessa abordagem. Embora a taxa de falsos positivos seja relativamente baixa, a presença de vários pixels isolados classificados como marca de incêndio pode resultar em um grande número de falsas classificações. Uma possível solução para contornar esse problema seria utilizar outras informações para filtrar os falsos positivos. Por exemplo, após sobrepor os resultados com os registros rotulados do GPRAM, ficou claro que a alta reflectância vinculada a áreas com prédios foi considerada como marca de incêndio. Em trabalhos futuros, poderia-se considerar a exclusão das áreas com construções das regiões de potencial incêndio, utilizando o algoritmo em áreas não urbanas. Isso ajudaria a reduzir a ocorrência de falsos alarmes e melhorar a eficácia do sistema de detecção de marcas de incêndios. Outra abordagem testada foi o uso de redes convolucionais com uso da rede pré treinada ImageNet V2. Para tal, são substituídas as últimas camadas de classificação pelas imagens de identificação de incêndio. Desta maneira, o classificador obteve acurácias de até 70% ao determinar as áreas de incêndio. Porém, ao realizar a validação, foram encontradas acurácias inferiores a 60% sendo uma característica de Over-Fitting por causa de uma translação entre as imagens de rótulos e as imagens de satélites nos dados usados notreinamento. Esse problema nos dados de treinamento, já corrigido no caso do treinamento da Máquina de Vetor de suporte (SVM), será corrigido também para treinamento das CNN, em um trabalho futuro, para avaliação da nova abordagem. Este estudo comprovou de forma prática que é possível utilizar imagens multiespectrais do satélite Landsat-8 para classificar as áreas de incêndio com uso de r´otulos vetoriais sobre postos a imagem. Assim, a abordagem é um primeiro passo para a automatização da geração de alarmes de incêndio em áreas específicas, com base em imagens de satélites. Porém, é necessário combinar a classificação automática gerada com dados já disponíveis sobre as estruturas ou tipos de áreas presentes, como no caso das construções em áreas povoadas. Isso permitirá filtrar falsos positivos em pequenas áreas dispersas, de forma a evitar alarmes desnecessários em áreas em que incêndios são improváveis ou cuja comunicação seria feita de forma imediata por outros canais. Como trabalho futuro, sugere-se portanto uma nova simulação dos dados da Rede Neurais Convolucionais (CNN) adicionando mais dados de entrada para a rede. Porém, é necessário ressaltar a necessidade de corrigir a translação, assim como realizado na Maquina de Vetor de suporte (SVM). Sugere-se ainda, filtrar as regiões de construção realizando treinamento somente em áreas de interesse do corpo de bombeiros. Assim, é possível realizar o passo seguinte, que seria um catalogo de áreas de incêndio predizendo suas futuras dimensões. Desta maneira, é possível desenvolver uma técnica ainda mais necessária para auxiliar o combate de incêndios em Brasília.