Deep semantic segmentation of mangrove combining spatial, temporal and polarization from sentinel-1 time series in the Brazilian territory

Abstract

O uso de imagens de satélite para detecção de padrões com alto grau de precisão traz a possibilidade da realização de um monitoramento estratégico com foco na conservação da biodiversidade local. Técnicas de aprendizagem profunda por segmentação do objeto imagem seguem ganhando espaço em aplicações de processamento digital de imagens de satélite. Estas aplicações seguem atingindo resultados muito superior e sem relação aos métodos tradicionais de aprendizagem de máquina. Entretanto, poucos estudos têm aplicado o aprendizado profundo em áreas de manguezais. Além disso, ainda não foram desenvolvidas técnicas por séries temporais de imagens de radar. A presente pesquisa tem por objetivo: (a) desenvolver dados para a aprendizagem profunda de máquina - levando em consideração abordagens espaciais, temporais e dimensionais (polarizações radiométricas); (b) validar modelos U-net com três diferentes arquiteturas (ResNet-101, VGG16 e Efficient-net-B7); (c) comparar a capacidade de detecção em imagens Sentinel-1 utilizando as polarizações VV, VH e duplas polarizações (VV+VH); (d) e quantificar o número de imagens temporais para melhor detecção dos objetos. A pesquisa utiliza séries temporais Sentinel-1 anual entre períodos de 2017 a 2020. As amostras de treinamento e validação dos dados foram geradas a partir de interpretação manual de imagem de satélite. Estes dados resultaram em 2886 imagens com dimensão espacial de 128x128 pixels. 2136 destas imagens foram utilizadas para treinamento, 450 para validação e 300 para testagem. Acombinação de polarizações (VV+VH), omodelo U-net com arquitetura Efficient-net-B7 e limiar de0,75 (97,35 de acurácia, 85,77 de precisão, 84,96 de recall, 85,36 de F-score e 74,46 de IoU)obtiveram os melhores resultados. 5 passadas (8, 16, 32, 64, 128 pixels) foram aplicadas nas janelas deslizantes. O melhor resultado obtido foi com 8 pixels de passada. O método desenvolvido é adequado ao monitoramento dos padrões temporais de manguezais e fornece subsídios às políticas de conservação destes ecossistemas.