Neste trabalho propomos a utilização de redes neurais convolucionais para segmentação de
áreas desmatadas na região do sul da Amazônia Legal em imagens de satélite Landsat-8.
Para realização deste trabalho foi construído um banco de imagens mosaico, composto por
amostras de áreas desmatadas e áreas de floresta extraídas das imagens de satélite Landsat-
8, identificando as áreas desmatadas através da utilização dos dados de desmatamento do
projeto PRODES do INPE. As arquiteturas de redes convolucionais utilizadas foram as
propostas no trabalho de Serrão et al. (2020) e de Miyagawa et al. (2018). O treinamento das
redes foi realizado com 32 épocas utilizando métodos de otimização SGDM, RMSProp e
ADAM e os métodos de regularização L2 e Dropout. Combinando as três arquiteturas com
esses métodos, totalizaram 36 simulações. Para avaliar o desempenho das arquiteturas para
segmentação das áreas desmatadas, permitindo uma comparação entre os modelos, foi
escolhida a métrica acurácia. Após a avaliação do desempenho dos modelos no conjunto de
validação, seis deles foram selecionados para serem avaliados com o conjunto de teste. O
modelo que apresentou o melhor resultado, uma acurácia de 99.97%, foi o que utilizou a
seguinte combinação: CNN2 + RMSProp + Dropout. O resultado deste trabalho foi comparado
com os resultados dos trabalhos de Ortega et al. (2019), Adarme et al. (2020) e De Bem et al.
(2020) tendo obtido resultados superiores àqueles obtidos por esses autores. Os resultados
mostraram que as redes neurais convolucionais são capazes de realizar com alto
desempenho a tarefa de segmentação de áreas desmatadas
|
