Banca de DEFESA: Paulo Roberto Batista de Oliveira Júnior

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Paulo Roberto Batista de Oliveira Júnior
DATA : 25/01/2023
HORA: 14:00
LOCAL: Sala de videoconferência do IGD e Plataforma TEAMS
TÍTULO:

SEGMENTAÇÃO SEMÂNTICA TEMPORAL POR DEEP LEARNING PARA DETECÇÃO DE MUDANÇA DE STATUS EM GARIMPOS NA REGIÃO AMAZÔNICA, A PARTIR DE IMAGENS DE SENSORES REMOTOS.

PALAVRAS-CHAVES:

Garimpo, Amazônia, Monitoramento, Redes Neurais, Segmentação Semântica, Detecção de Mudança.

PÁGINAS: 104
RESUMO:

A atividade garimpeira na Região Amazônica foi responsável pelo desmatamento de centenas de quilômetros de floresta ao longo dos anos. Existem, atualmente, mais de 2750 garimpos legalizados no Brasil e mais de 4400 pontos de garimpos ilegais na pan-amazônia. Com intuito de monitorar o desmatamento na região, órgãos ambientais e de segurança trabalham para dar suporte às autoridades nos processos de fiscalização e controle de atividades ambientais, inclusive no que se refere ao desmatamento provocado pela ação garimpeira. Para o garimpo, em específico, o monitoramento constante das áreas é fundamental, tendo em vista a necessidade de se verificar a atividade ou a inatividade do mesmo. Neste cenário, uma solução promissora para a otimização dos processos de classificação das imagens e reavaliação do estágio do garimpo seria a utilização das Redes Neurais do Aprendizado Profundo, uma vez que estas, em especial as Convolucionais, são eficazes para o reconhecimento de imagens, a segmentação semântica e a detecção de mudança. Neste contexto, algoritmos de Aprendizado Profundo foram avaliados, selecionados e aplicados para monitoramento, controle e análise da evolução dos status dos garimpos nas regiões de Tapajós e Kayapó, na Floresta Amazônica Brasileira, a partir de imagens oriundas do satélite CBERS 04A. Foram testadas as arquiteturas de redes neurais Unet, Unet++, Manet, Linknet, FPN, PSPNet, PAN, DeepLabV3 e DeepLabV3+. A arquitetura de melhor resultado foi a Unet++, em conjunto com o backbone EfficientNet, que obteve Acurácia de 98,87%, F1 score de 89,20% e Intersection over Union de 84,16%. Para a detecção de mudança, utilizou-se da Estrutura de Pós Classificação do método Fluxo Duplo. Para quantificar as mudanças, foi aplicado o Índice de Similaridade Estrutural. Como resultado, 25% das imagens analisadas sofreram alterações depois de um ano.

MEMBROS DA BANCA:
Interno - 1765235 - EDILSON DE SOUZA BIAS
Presidente - 1495411 - HENRIQUE LLACER ROIG
Interna - 1732336 - TATI DE ALMEIDA
Externo à Instituição - WAGNER BARRETO SILVA - EB