Defesa de Tese de Doutorado: Abordagens Híbridas com Aprendizado Profundo para Detecção de de Desmatamento em Imagens SAR multitemporais

Orientadores:
Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC
Raul Queiroz Feitosa - Pontifícia Universidade Católica do Rio de Janeiro - PUC-RIO

Banca Examinadora:
Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC (presidente)
Roberto Pinto Souto - Laboratório Nacional de Computação Científica - LNCC
Renato Simões Silva - Laboratório Nacional de Computação Científica - LNCC
José Marcato Junior - Universidade Federal de Mato Grosso do Sul - UFMS
Gilson Alexandre Ostwald Pedro da Costa - Universidade do Estado do Rio de Janeiro - UERJ

Suplentes:
Bruno Richard Schulze - Laboratório Nacional de Computação Cie ntífica - LNCC
Yosio Edemir Shimabukuro - Instituto Nacional de Pesquisas Espaciais - INPE

Resumo:

O monitoramento do desmatamento é essencial para a gestão dos recursos naturais, a conservação dos ecossistemas e da biodiversidade. Técnicas de detecção de mudanças empregando dados de sensoriamento remoto multitemporal representam uma das opções mais atraentes para monitorar mudanças no solo. Essa abordagem envolve o processamento de uma coleção de imagens da mesma área geográfica em diferentes datas, facilitando a supervisão das mudanças ambientais. Com o avanço contínuo das redes neurais profundas, inúmeras soluções baseadas em aprendizado profundo têm sido amplamente utilizadas para essa aplicação. No entanto, ainda existem desafios que precisam ser enfrentados. Por exemplo, o uso de imagens multitemporais tem sido pouco explorado até o momento, visto que a detecção de mudanças bitemporal é geralmente enfatizada na literatura. Além disso, a maioria dos trabalhos envol vendo detecção de desmatamento utiliza dados ópticos, que são severamente limitados por condições climáticas como nuvens, o que torna os dados de radar de abertura sintética (SAR) uma possibilidade para endereçar essa questão, principalmente em ambientes tropicais. Outro foco de pesquisa no estado da arte envolve a combinação de diferentes técnicas para aprimorar o monitoramento de mudanças. Considerando esses desafios, a presente tese visa desenvolver soluções de aprendizado profundo para o monitoramento do desmatamento utilizando dados multitemporais. Novos modelos foram desenvolvidos combinando aprendizado recorrente e residual, e também utilizando mecanismos de atenção. Os resultados obtidos com essas arquiteturas desenvolvidas foram comparados com abordagens consolidadas de aprendizado profundo. Experimentos foram conduzidos utilizando dados bitemporais e multitemporais do Sentinel-1 de dois locais amostrais da Floresta Amazônica. O uso de mapas de distância temporal contendo i nformações sobre o desmatamento prévio das áreas também foi investigado.