Uso de aprendizagem de máquina e redes neurais convolucionais profundas para a classificação de áreas queimadas em imagens de alta resolução espacial

Abstract

Os incêndios florestais queimam enorme quantidade de áreas em todo o mundo, provocando danos ecológicos, econômicos, sociais e à saúde. O Bioma Cerrado com as peculiaridades de ser uma savana possui relação com incêndios, sendo afetada por esse tipo de ocorrência. O monitoramento desses eventos de fogo favorece a compreensão e entendimento das ocorrências, sendo o sensoriamento remoto ferramenta adequada para obtenção de dados relativos ao fogo em diferentes escalas. O uso de machine learning e deep learning em sensoriamento remoto possui diversas finalidades, sendo a classificação de imagens uma importante componente. Nesse estudo, três algoritmos de machine learning (Support Vector Machine, K-Nearest Neighbors e Random Forest) e a Convolutional Neural Network (CNN) foram testados para a classificação de imagens da frota SkySat da Planet com alta resolução espacial visando à identificação de áreas queimadas. A classificação foi feita por meio de cenas individuais, com coleta de amostras para treinamento e posterior classificação. Os resultados das classificações foram avaliados por meio da exatidão global, coeficiente Kappa e AUROC e confrontados entre si. A CNN obteve os melhores resultados sendo seguida pelo KNN, SVM e RF. Em relação à acurácia, não foi evidenciada grande diferença entre os métodos, sendo necessários novos estudos buscando avaliar diferentes classificações.