Detecção de mudanças em áreas de cerrado usando inteligência artificial

• Ano de defesa: 2020
• Autor(a) principal: Pereira, Eveline Aparecida
• Orientador(a): Carvalho, Luís Marcelo Tavares de
• Banca de defesa: Ferreira, Danton Diego, Acerbi Júnior, Fausto Weimar
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Florestal
• Departamento: Departamento de Ciências Florestais
• País: brasil
• Palavras-chave em Português: Aprendizado de máquinas; Sensoriamento remoto; Geographic Object-based Image Analysis (GEOBIA); Machine learning; Remote sensing; Cerrado
• Área do conhecimento CNPq: Recursos Florestais e Engenharia Florestal
• Link de acesso: https://repositorio.ufla.br/handle/1/45434

O bioma cerrado está sob constante pressão antrópica e poucos esforços tem sido feitos no âmbito do monitoramento dessas mudanças no uso do solo. O sensoriamento remoto aliado a inteligência artificial fornecem ferramentas eficientes e rápidas para detectar mudanças. As questões científicas abordadas neste estudo foram: qual tipo de atributo (espacial ou espectral) e ou a combinação deles melhor diferenciam as mudanças sazonais dos processos de antropização em imagens NDVI-bitemporais? E qual o efeito da intensidade amostral do monitoramento no desempenho dos classificadores utilizando inteligência artificial? O estudo explorou ambas informações, espaciais e espectrais, derivadas de imagens NDVI bi-temporais Landsat na análise do monitoramento, empregando classificadores de alto desempenho: Neural Network Multilayer Perceptron (MLP), Support Vector Machine (SVM) e Random Forest (RF). Foi analisado a intensidade amostral e a robustez dos algoritmos em cada um dos conjuntos de atributos da classificação, a rede MLP obteve a melhor generalização com 75,16% de acurácia global e maior robustez em relação a variação da intensidade amostral. O algoritmo Multilayer Perceptron (MLP) treinado foi aplicado numa área contígua, detectando as mudanças com a precisão de 56% indicando algumas limitações do método. Portanto, os atributos espaciais, derivados de imagens bi-temporais NDVI são capazes de detectar com precisão os desmatamentos e queimadas ocorridos no cerrado, sendo insensíveis as mudanças causadas pelo período sazonal do ambiente.