Uso de Veículos Aéreos Não Tripulados (VANT) no mapeamento de uso do solo em áreas costeiras

• Ano de defesa: 2021
• Autor(a) principal: Santos, Gabriel Almeida Bispo dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Geoprocessamento; Geoprocessing; Land Use and Land Cover (LULC); Unmanned Aerial Vehicles (UAV); Uso e Cobertura do Solo (LULC); Veículos Aéreos Não Tripulados (VANT)
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/100/100136/tde-13072022-200300/

Diante da crise ambiental que enfrentamos em áreas costeiras, devido às mudanças do Uso e Cobertura do Solo (LULC) sem nenhum planejamento urbano adequado, o município de Caraguatatuba localizado no litoral norte do estado de São Paulo mais especificamente na praia de Massaguaçu apresenta múltiplas adversidades na relação entre o meio ambiente e o crescimento urbano. O objetivo da dissertação é avaliar as principais aplicações de imageamento de alta resolução geradas por Veículos Aéreos Não Tripulados (VANT) ou popularmente conhecidos como drones, sendo empregados na caracterização do ambiente costeiro analisado com intuito de fornecer informações técnicas para serem utilizadas como instrumento de monitoramento e gerenciamento de LULC para gestores públicos. A metodologia desenvolvida neste trabalho ocorreu de acordo com as seguintes etapas: (a) Área de estudo; (b) Dados (plano de voo); (c) Pro- cessamento de dados; (d) Segmentação de imagens baseadas a objetos (OBIA); (e) Classificação orientada a objetos; (f) Aprendizagem de máquina (Machine Learning); (g) Validação de resultados. No desenvolvimento da etapa de processamento de dados foram empregadas técnicas de sensoriamento remoto e geoprocessamento, em especial no alinhamento das imagens e na criação do ortomosaico. Logo na etapa de segmentação de OBIA, foi estabelecido hierarquia entre segmentos através de seis classes para distinguir os objetos e também foi agregado aos segmentos recursos geométricos, de textura e a criação do recurso personalizado, Índice de Altura por Diferença Normalizada (IADN) que tem como finalidade detectar e evidenciar objetos no mapa que apresentam características relacionadas a altimetria. Por consequente a técnica de classificação foi estabelecida em duas etapas: (1) Classificação de OBIA. Como a própria morfologia da palavra expressa, a técnica de classificação relaciona objetos no mapa de acordo com as características pertinentes de cada objeto e agrega em classes pré estabelecidas. O método que verificou-se mais pertinente para essa atividade foi a classificação supervisionada aplicando o algoritmo Nearest Neighbor (NN), ou Vizinho Mais Próximo. Por fim: (2) Classificação através de aprendizagem de máquina. O procedimento utilizou a plataforma Microsoft Azure Machine Learning Studio (classic) hospedada na nuvem para gerar os ensaios com o conjunto de dados mediante aos algoritmos computacionais que tentam reproduzir a inteligência humana. Os algoritmos utilizados foram: Floresta de decisão; Selva de decisão; Regressão Logística e Rede neural artificial. Neste processo de aprendizagem de máquina o algoritmo que apresentou maior relevância na acurácia dos dados foi a floresta de decisão. Em síntese através das variáveis aplicadas nas técnicas de classificação foi possível apontar áreas que foram ou estão sendo degradadas, tendo como agentes naturais (erosão costeira) ou antrópicos (construções irregulares; diminuição da faixa de areia; perda da mata de restinga) e também combinando os VANT com métodos de sensoriamento remoto e geoprocessamento é viável sugerir possíveis orientações para direcionar os gestores públicos do município de Caraguatatuba (praia de Massaguaçu), através de programas de monitoramento e gerenciamento de LULC a preservação da sua área costeira.