[en] ANALYSING SATELLITE IMAGES USING DEEP LEARNING FOR PLANNING MILITARY OPERATIONS

• Ano de defesa: 2026
• Autor(a) principal: RAPHAEL DE SOUZA E ALMEIDA
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] SENSORIAMENTO REMOTO; [pt] PLANEJAMENTO MILITAR; [pt] AMBIENTE DE APRENDIZAGEM VIRTUAL; [pt] SEGMENTACAO SEMANTICA; [en] REMOTE SENSING; [en] MILITARY PLANNING; [en] VIRTUAL LEARNING ENVIRONMENT; [en] PIXEL-WISE SEMANTIC SEGMENTATION
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75188&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75188&idi=2; http://doi.org/10.17771/PUCRio.acad.75188

[pt] O planejamento de uma operação militar é difícil e exige uma série de procedimentos e coordenações para se analisar e interpretar todos os dados disponíveis. A este processo chamamos de Processo de Planejamento Militar. Nele, obter informações detalhadas da área de operações é uma atividade complexa, demorada e essencial para viabilizar sua condução. Além disso, entender os aspectos táticos do terreno e transmitir a análise realizada encontram como barreira a abstração necessária para tal. Outra dificuldade está em se testar o planejamento confeccionado na mesma região analisada. Sendo assim, este trabalho apresenta um pipeline baseado em técnicas modernas de deep learning para segmentação semântica de imagens de sensoriamento remoto, com o propósito é automatizar e aprimorar o processo de geração de cartas de trafegabilidade, terrenos virtuais e ambientes simulados para apoio ao planejamento de operações militares. Nossa abordagem consiste no treinamento de uma arquitetura baseada em redes neurais UNet, utilizando segmentação semântica binária com um método comitê, a fim de detectar classes relacionadas à trafegabilidade. Para analisar o terreno virtual, propomos o Simulador Virtual para Estudo Topotático do Terreno (SVETT), que utiliza recursos encontrados em sala de aula para facilitar o estudo do terreno. Como resultados, os dados obtidos das predições realizadas pela arquitetura nos mostraram resultados satisfatórios se comparados com classificadores multiclasse, apresentando um IoU de 0.7259 na predição de algumas das classes. Referente ao SVETT, nós o avaliamos com 54 alunos da Escola Naval. Os resultados sugerem que os alunos se sentiram mais seguros participando do Exercício no Terreno tendo recebido a instrução antes no simulador, com média de 4,69 e desvio padrão de 0.53, em uma escala Likert de 5 pontos.