Implementação e análise de métodos de classificação de imagens SAR para detecção automatizada de desmatamentos, com base em aprendizagem de máquina

Abstract

Neste trabalho, são propostos e avaliados métodos para identificar o desmatamento na Floresta Amazônica, por meio de imagens de satélite coletadas pelo Sentinel-1, comparando modelos de classificadores conexionistas e estocásticos. Foi escolhido o Sentinel-1 por ele se utilizar da técnica de Synthetic Aperture Radar (SAR), devido ao uso de radar, imagens desse tipo não são comprometidas pela presença de nuvens na região, permitindo um monitoramento constante ao longo do ano. O trabalho foi desenvolvido em parceria com o CENSIPAM, eles forneceram a cadeia de pré-processamento para as imagens SAR e os rótulos para treinamento da classificação da área de interesse na Floresta Amazônica, que se encontra no estado do Acre. A partir de um script desenvolvido em Python, foi possível acessar e baixar imagens SAR da base de dados da ASF. Em seguida, com o uso de uma cadeia de pré-processamento, produzida no software Sentinel Application Platform (SNAP), aplicou-se filtros, correções e extração de características na imagem. Ao final, obteve-se um produto contendo 31 bandas de informações, além disso, foi gerada uma imagem RGB derivada do produto da cadeia, contendo apenas 3 camadas escolhidas. Os rótulos que foram fornecidos possuíam 5 classes, correspondendo a Desmatamento, Floresta, Não Floresta com Solo Descoberto, Não Floresta com Vegetação e Água. Como o foco do trabalho diz respeito ao Desmatamento, foi utilizado o software QGIS para obtenção de um categorização binária, na abordagem One-versus-Rest. Nesta abordagem, a classe de “Desmatamento” foi mantida e as demais foram agrupadas em uma única classe de nome “Outras”. Devido ao tamanho da imagem fornecida junto dos rótulos, optou-se por uma abordagem de subamostragem. Com o uso dos softwares SNAP e QGIS, foram realizados quatro subconjuntos da imagem e de seus respectivos rótulos. Três desses subconjuntos foram em pregados como cenários distintos para o treinamento dos modelos, enquanto o quarto foi reservado para avaliar a métrica de validação dos modelos e predição final. A predição da área distinta tem como objetivo gerar uma imagem da classificação efetuada no intuito de observar ruídos e distorções. Além disso, os modelos foram avaliados conforme as métricas de Acurácia, Precisão, Recall e F1 Score. As métricas finais dos classificadores em termos de F1 Score foram: para Support Vector Machine 84%, para Random Under Sampling Boost 85%, para Multi-Layer Perceptron 85%, para Convolutional Neural Network 86% e para Long Short Term Memory 86%. Os resultados obtidos sugerem que o sistema desenvolvido já permite automatizar parte importante do processo decisório acerca de detecção de desmatamentos. As soluções computacionais já permitem auxiliar o fluxo de processamentos na pesquisa desenvolvida em parceria com o CENSIPAM. Em etapas futuras, os pesquisadores envolvidos pretendem estender os resultados a outros classificadores a serem testados, bem como fazer uso, para treinamento, de mais imagens dentre as disponibilizadas pelo CENSIPAM, com uso de mais recursos computacionais e com intuito de aumentar ainda mais o desempenho do sistema em termos das métricas objetivas avaliadas.