IDENTIFICAÇÃO E QUANTIFICAÇÃO DE PROCESSOS EROSIVOS LINEARES EM ÁREA URBANA, UTILIZANDO DEEP LEARNING E ÍNDICES MORFOMÉTRICOS
Deep Learning. Processos Erosivos. Identificação
A interferência humana associada a fatores naturais como solo, cobertura vegetal, relevo, geologia e clima exercem influência direta sobre os processos naturais, como as erosões lineares urbanas. O que altera o comportamento do escoamento superficial devido a convergência do fluxo d´água e da impermeabilização do solo causada pela implantação de estruturas urbanas. Diante desta problemática, propõe-se uma abordagem inovadora de identificação automatizada de feições erosivas com a integração de um Modelo Digital de Superfície (MDS), na escala de detalhes e técnicas de Aprendizado de Máquina Profundo (Deep Learning). Os objetivos da pesquisa consistem em: I) Identificar as áreas susceptíveis a ocorrência de processos erosivos lineares na área urbana do DF; II) Identificar os índices morfométricos mais importantes para formação dos processos lineares; III) Identificar e analisar quais os métodos de Deep Learning são mais promissores. A metodologia utilizada consisti no uso do MDS com resolução de 0,5 metros. Após, a aplicação do Filtro-Perona Malik e por seguinte, na geração dos índices morfométricos TWI, TPI, TRI, LS, a Curvatura Tangente, P, o Fluxo Acumulado e o CTIN, conforme a literatura consultada. Todos os índices morfométricos utilizados foram normalizados para variarem de 0-255, compondo as variáveis de entrada dos modelos de Deep Learning. Inicialmente, foram testadas as arquiteturas Panoptic Segmentation e DMNET no software ArcGis - Pró. Os resultados preliminares demonstraram que a Panoptic Segmentation foi capaz de captar, com maior abrangência espacial, as feições erosivas utilizadas como amostras de treinamento, destacando-se em comparação às demais. A metodologia proposta mostrou-se promissora para as etapas subsequentes, que incluem a aplicação de arquiteturas com composições coloridas simples (com três variáveis), testes individualizados para cada variável e modelos com composições multivariadas integradas, demonstrando a viabilidade da integração entre Sensoriamento Remoto de alta resolução e técnicas de Inteligência Artificial (IA) na gestão do espaço urbano.