DEFORESTATION DETECTION IN SAR IMAGES USING DEEP NEURAL NETWORKS
SAR, óptico, dados, fusão, convolucional, neural, rede, transformador, unet, remoto, sensoriamento
Dadas as limitações das imagens ópticas de satélite, o radar de abertura sintética (SAR) se destaca pela sua resistência a condições climáticas adversas. No entanto, o reconhecimento preciso das áreas desmatadas áreas em imagens SAR são necessárias devido ao ruído pontilhado e à variabilidade do objeto. Neste trabalho, nós realizou um experimento online com participantes voluntários que identificaram áreas desmatadas em imagens SAR. Para conseguir isso, desenvolvemos um software que permite aos participantes anotar as imagens SAR, delimitando áreas desmatadas. Com os resultados desta experiência, foi possível analisar a relação entre o nível de experiência autodeclarado pelos participantes e a precisão na detecção de áreas desmatadas. Também comparamos o desempenho humano e o desempenho obtido com um modelo automático baseado na arquitetura UNet. Os resultados mostram que maior conhecimento em sensoriamento remoto ou SAR não garante notas de qualidade. Além disso, o desempenho da UNet supera o desempenho obtido com humanos no tarefa. Para explorar com mais profundidade a segmentação de imagens SAR, um segundo experimento foi realizado usando modelos de última geração para segmentação em dados SAR fundidos e ópticos. O estudo reforça o potencial do aprendizado profundo na detecção de desmatamento, enfatizando a necessidade para melhoria contínua de arquiteturas e formação de especialistas.