Um estudo comparativo de desempenho de redes neurais da família Unet na tarefa de segmentação semântica de áreas de desmatamento na floresta amazônica

Abstract

O desmatamento da floresta Amazônica é um grave problema ambiental enfrentado na atualidade e motivo de severas preocupações por parte de todo o mundo. Com efeito, segundo o Instituto Nacional de Pesquisas Espaciais (Inpe), durante a década de 2012 a 2022 houve um aumento de 60% no desmatamento na região da floresta Amazônica. O Governo Brasileiro, juntamente com organismos internacionais, tem ampliado seus esforços visando amenizar essa problemática. Nesse contexto, monitorar o desmatamento coloca-se como uma atividade fundamental e de suma importância no contexto geopolítico atual. O processamento e análise de imagens de satélite por meio de algoritmos inteligentes apresenta-se como uma alternativa que agrega velocidade e acurácia a essa tarefa. Este Trabalho de Conclusão de Curso desenvolve uma primeira parte desse sistema de monitoramento, implementando e comparando o desempenho de três candidatos de core da família U-Net para o sistema: os modelos: U-Net, U-Net++ e Attention U-Net, configurados para as tarefas de segmentação semântica e classificação de áreas de desmatamento. Para realização dos experimentos computacionais, o trabalho utiliza um subconjunto do conjunto de dados Amazon and Atlantic Forest Image for Semantic Segmentation, composto por imagens obtidas pelo satélite Sentinel-2Level2A, elaborado por pesquisadores catarinenses da UFFS. Os resultados obtidos mostraram-se competitivos com os de vários modelos da literatura que realizaram a mesma tarefa.

Deforestation of the Amazon rainforest is a serious environmental problem facing the world today and a cause for serious concern for people all over the world. Indeed, according to the Brazilian National Institute for Space Research (INPE), deforestation in the Amazon region increased by 60% from 2012 to 2022. The Brazilian government, together with international organizations, has stepped up its efforts to address this issue. In this context, monitoring deforestation is a fundamental and essential activity in the current geopolitical context. Processing and analyzing satellite images using intelligent algorithms is an alternative that adds speed and accuracy to this task. In this Undergraduate Thesis, we developed a first part of such a monitoring system: we implemented and compared the performance of three U-Net-based models for the system, namely, the U-Net, U-Net++, and Attention U-Net models, configured for the tasks of semantic segmentation and classification of deforestation areas. For our computational experiments, we used a subset of the Amazon and Atlantic Forest Image for Semantic Segmentation dataset, composed of Sentinel-2Level2A satellite images, developed by researchers from UFFS, Santa Catarina, Brazil. The results obtained were competitive with those of several models in the literature that performed the same task.