Este estudo propõe uma metodologia que utiliza aprendizado profundo e um algoritmo de segmentação multiresolução para realizar a segmentação semântica de imagens de sensoriamento remoto. O objetivo da segmentação semântica é classificar o uso do solo em três regiões: floresta, pasto e agricultura. Inicialmente, a imagem é segmentada usando uma rede convolucional. Em seguida, uma imagem com regiões homogêneas é gerada usando um algoritmo de segmentação de multiresolução. Finalmente, um processo de fusão de dados é proposto para fundir as informações provenientes desses dois processos de segmentação. O campo de estudo foram áreas da região amazônica brasileira. Os dados de entrada utilizados foram imagens LANDSAT-8/OLI. Os dados de referência foram extraídos dos resultados do projeto TerraClass em 2014. Dois conjuntos de dados foram avaliados: o primeiro com seis bandas e o segundo com três bandas. Três arquiteturas de redes convolucionais foram avaliadas juntamente com três métodos de otimização, SGDM, ADAM, e RMSProp, e com dois métodos para melhoria da generalização: dropout e regularização L2. O melhor modelo, definido como a associação de uma arquitetura da rede, de um método de otimização e de um método de generalização, que teve o melhor desempenho no conjunto de validação, foi submetido a uma metodologia de validação cruzada de 5 pastas. Os resultados obtidos com os modelos propostos foram comparados com redes pré-treinadas usando a metodologia de transferência de conhecimento. Com esse objetivo foram utilizadas as seguintes redes pré-teinadas: ResNet50, InceptionResnetv2, MobileNetv2 e Xception. Finalmente, a metodologia proposta foi avaliada em regiões utilizadas por outros autores. Os valores de acurácia obtidos para as imagens avaliadas foram superiores a 99%, o que mostra a excelência da técnica de classificação de uso de solo desenvolvida nesse trabalho para classificação de imagens de sensoriamento remoto.
|
