Mapeamento de rios em imagens de alta resolução espacial usando algoritmos de aprendizagem de máquina

• Ano de defesa: 2022
• Autor(a) principal: Souza, Mariany Kerriany Gonçalves de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Oeste Paulista; Mestrado em Meio Ambiente e Desenvolvimento Regional; Brasil; UNOESTE
• Palavras-chave em Português: Support Vector Machine; Random Forest; Machine Learning; Aprendizagem de máquina; OUTROS::CIENCIAS
• Link de acesso: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1528

A proteção das águas é um problema de interesse de diversos órgãos ambientais dentro do Pontal do Paranapanema. Neste estudo foi realizado uma abordagem de classificação e segmentação de rios em imagens de alta resolução espacial baseada em algoritmos rasos de aprendizagem de máquina. Composta por quatro etapas: (1) vetorização de rios em imagens de alta resolução espacial; (2) segmentação das imagens e treinamento dos algoritmos rasos de aprendizagem de máquina; (3) teste dos algoritmos na segmentação dos rios nas imagens RGB; (4) descrição qualitativa dos cursos d’água. A área de estudo de caso é a região pertencente à 22ª Unidade de Gerenciamento de Recursos Hídricos do Pontal do Paranapanema (UGRHI-22), na qual estão inseridos 26 municípios do oeste do estado de São Paulo. As imagens utilizadas são ortofotografias RGB de alta resolução espacial (1 m) provenientes do projeto Mapeia-SP. Para compor os dados de treinamento e teste, organizou-se um banco de dados geográficos no SIG ESRI ArcGIS Pro 2.8. Na sequência, fizemos a classificação de interesse (rios x não rio) nessas imagens. Um total de 04 ortofotos compuseram o estudo de caso inicial. Verificou-se o desempenho dos algoritmos Random Forest (RF), com diferentes métricas de avaliação, e o Support Vector Machine (SVM), ambos aplicados sobre as imagens RGB segmentadas pelo método Mean Shift. Os resultados de desempenho, analisados a partir das métricas de validação da acurácia (90%), como F1-Score (91%), Recall (99%) e Precision (85%), demonstraram que o SVM apresenta os melhores valores. Obteve-se métricas acima de 90% nos dados de teste em termos de F1-measure. Esses resultados foram utilizados em somente 04 imagens, no qual demostram a capacidade dos algoritmos rasos, como o SVM, em realizar o mapeamento de feições em imagens com alto nível de detalhe. Os produtos cartográficos que se pode gerar a partir do emprego dessas metodologias pautadas em inteligência artificial podem apoiar diversos estudos ao que tange às tarefas de planejamento e monitoramento ambiental e análise de impacto ambiental relacionada à proteção dos cursos d’água.