Deforestation detection in sar images using deep neural networks

Abstract

O desmatamento tem impactos amplos e significativos, tornando-se uma grande ameaça ambiental global. Esse problema coloca em risco a biodiversidade, contribui para as mudanças climáticas e compromete a sustentabilidade dos ecossistemas naturais. Portanto, monitorar e detectar áreas desmatadas é uma questão crítica. Embora o desmatamento afete muitas regiões, a floresta amazônica é um dos casos mais destacados e frequentemente discutidos. Os satélite ópticos são ferramentas extremamente poderosas e importantes no sensoriamento remoto, prevenção e mitigação de desmatamento. Entretanto, esse tipo de sensor não é robusto a variações climáticas e é sensível a oclusão por nuvens, em contrapartida, os radares de abertura sintética (SARs) destacam-se por sua resistência a condições climáticas adversas visto que são sensores ativos que operam em faixas de microondas as quais atravessam particulas de água. No entanto, o reconhecimento preciso de áreas desmatadas em imagens SAR é desafiador devido à quantidade de ruído speckle e à variabilidade de aparência dos objetos entre capturas diferentes. Neste trabalho, realizamos um experimento online com participantes voluntários que identificaram áreas desmatadas em imagens SAR. Para isso, desenvolvemos um software que permite aos participantes anotarem as imagens SAR, delimitando áreas desmatadas. Com os resultados desse experimento, foi possível analisar a relação entre o nível de experiência autodeclarado dos participantes e a precisão na detecção de áreas desmatadas. Também comparamos o desempenho humano com o desempenho obtido com um modelo automático baseado na arquitetura UNet. Os resultados mostram que maior conhecimento em sensoriamento remoto ou SAR não garante qualidade nas anotações. Além disso, o desempenho do UNet supera o desempenho humano na tarefa. Para explorar a segmentação de imagens SAR com mais profundidade, um segundo experimento foi realizado utilizando modelos de última geração para segmentação em dados SAR e ópticos fundidos. Essa segunda parte do estudo mostrou que os modelos mais modernos, apesar de disporem de uma menor quantidade de parâmetros treináveis, pode sobrepujar um modelo mais pesado. O estudo reforça o potencial do aprendizado profundo na detecção de desmatamento, enfatizando a necessidade de melhorias contínuas nas arquiteturas e no treinamento de especialistas.