Segmentação semântica temporal por deep learning para detecção de mudança de status em garimpos na região amazônica, a partir de imagens de sensores remotos

Abstract

A atividade garimpeira na Região Amazônica foi responsável pelo desmatamento de centenas de quilômetros quadrados 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 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%, o que atesta a eficiência da rede para segmentação de garimpos na região Amazônica. Para a análise temporal da evolução dos status do garimpo, utilizou-se a detecção de mudança a partir da Estrutura de Pós Classificação do método Fluxo Duplo. Para quantificar as mudanças, foi aplicado o Índice de Similaridade Estrutural. Como resultado, concluiu-se que o modelo apresentado é uma ferramenta viável para o monitoramento de áreas garimpeiras, uma vez que o mesmo foi capaz de identificar mudanças ocorridas entre os anos de 2020 e de 2021, bem como é um instrumento capaz de amparar às tomadas de decisão de Órgãos de Proteção e Fiscalização, de Órgãos Ambientais e de Órgãos de Segurança e Controle.