Aprendizado de máquina aplicado ao mapeamento de poluição plástica marinha em imagens do sensor MSI/Sentinel-2

• Autor(a) principal: Barros, Bianca Matos de
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/266147
• topic: Sensoriamento remoto; Aprendizado de máquina; Redes neurais artificiais; Poluição marinha; Plástico; Marine debris; Remote sensing; Radiative transfer models; Image classification; Artificial neural networks

O lixo marinho causa um amplo espectro de impactos e representa uma ameaça cres cente para o meio ambiente marinho e costeiro. O sensoriamento remoto pode atuar de forma integrada com técnicas tradicionais como operações de limpeza locais e pesqui sas com redes de arrasto, oferecendo como vantagens a extensa área de cobertura e a observação frequente. Contudo, a pouca quantidade disponível de imagens com pre sença de poluição plástica confirmada, necessárias para validação de modelos, cons titui uma limitação. Para sanar esta dificuldade, uma alternativa é o uso de modelos de transferência radiativa (MTRs) para geração de dados. Neste trabalho, utilizamos dados simulados por um MTR junto a dados adquiridos pelo sensor remoto Instru mento Multiespectral (MSI, do inglês MultiSpectral Instrument) da missão Sentinel2 em aplicações com algoritmos de aprendizado de máquina, visando estudar o com portamento espectral da poluição marinha por plásticos e avaliar a aplicabilidade do MTR para esta área de pesquisa. Os resultados da classificação não supervisionada com o algoritmo KMeans demonstraram que o comportamento espectral dos poluentes é influenciado por fatores como tipo de polímero e percentual de cobertura do pixel. Os resultados da classificação supervisionada com uma Rede Neural Artificial (RNA) mostraram que o classificador treinado com dados sintéticos pode ser aplicável a da dos reais em determinadas condições. Foram realizados 4 ciclos de 100 repetições de treino com dados simulados e teste com dados reais, usando 4 conjuntos de atributos de entrada diferentes. O melhor desempenho foi obtido com o conjunto de atributos composto exclusivamente pelos dados das bandas do sensor remoto, enquanto os demais conjuntos também incluíam dados de índices radiométricos. Com este con junto de atributos, o modelo conseguiu atingir uma acurácia geral média de 80%, com média de 0,85 para pontuação F1 balanceada (ponderada pelo número de instâncias positivas de cada classe, visando atenuar o efeito do desbalanceamento).