Segmentação automática de cicatrizes de deslizamento de terra em imagens de sensores remotos utilizando aprendizagem profunda de máquina (Deep Learning)

• Autor(a) principal: Soares, Lucas Pedrosa
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/44/44137/tde-08072022-080909/
• topic: Convolution neural networks (CNN); Deep learning; Deep learning; Landslide mapping; Mapeamento de deslizamentos de terra; Redes neurais de convolução (RNC)

o número de casos de deslizamento de terra tem aumentado em todo o mundo em função de processos de urbanização e ocupação do território, além da maior fre- quência de eventos climáticos extremos. Os estudos até hoje realizados mostram que as redes de convolução têm obtido os melhores resultados para segmentação de cicatrizes de deslizamento de terra em imagens de sensores remotos. Porém, ainda são necessárias mais pesquisas nesta área, já que os métodos utilizados para o pré-processamento das imagens, arquiteturas e calibração dos parâmetros do modelo ainda representam um grande desafio para se obter modelos acurados. Este estudo teve como objetivo principal automatizar o processo de segmentação de cicatrizes de deslizamento de terra em imagens obtidas por sensores remotos por meio de técnicas de deep learning utilizando redes neurais convolucionais (RNC). A região Serrana do Rio de Janeiro, palco do maior desastre natural do Brasil, ocorrido em janeiro de 2011 , e a região de Rolante, no Rio Grande do Sul, foram utilizadas como área de estudo. As imagens utilizadas para treinar os modelos foram obti- das pelo satélite RapidEye. A pesquisa avaliou a capacidade de generalização dos modelos em áreas distintas das de treinamento, além disso, concentrou-se no trei- namento da rede U-Net, utilizando diferentes métodos de amostragem, dimensões de input e datasets, para avaliar como isto impacta na acurácia da segmentação dos deslizamentos de terra. Os resultados sugerem que os modelos treinados com imagens de maior dimensão (128 x 128 e 256 x 256 pixels) tendem a ser mais acu- rados em áreas similares a área de treinamento, enquanto os modelos treinados com imagens de menor dimensão (32 x 32 e 64x64 pixels) tendem a possuir uma capacidade de generalização melhor, consequentemente, obtiveram os melhores resultados em áreas que diferem das áreas de treino. O pós-processamento dos resultados com operações morfológicas é eficiente para melhorar a precisão dos resultados.