Segmentação automática de cicatrizes de deslizamento de terra em imagens de sensores remotos utilizando aprendizagem profunda de máquina (Deep Learning)

• Processo: 19/17555-1
• Linha de fomento: Bolsas no Brasil - Mestrado
• Vigência (Início): 01 de dezembro de 2019
• Vigência (Término): 30 de novembro de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Geociências - Geologia
• Pesquisador responsável: Carlos Henrique Grohmann de Carvalho
• Beneficiário: Lucas Pedrosa Soares
• Instituição-sede: Instituto de Geociências (IGC). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Sensoriamento remoto Deslizamento de terra Mudança climática Desenvolvimento sustentável Monitoramento Aprendizagem profunda

Resumo

O número de casos de deslizamento de terra tem aumentado em todo o mundo em função de processos de urbanização e ocupação do território, além da maior frequência de eventos climáticos extremos. Tais eventos, por gerarem grandes prejuízos sociais e econômicos no Brasil e no Mundo, representam uma barreira ao desenvolvimento sustentável, segundo a Organização das Nações Unidas (ONU). Os estudos até hoje realizados se concentram em determinar as áreas mais susceptíveis a deslizamentos de terra, porém, poucos estudos abordam metodologias automáticas para o monitoramento sistemático destas áreas. Assim, o objetivo principal deste estudo é automatizar o processo de segmentação de cicatrizes de deslizamento de terra em imagens obtidas por sensores remotos por meio de técnicas de aprendizado profundo (deep learning) com redes neurais de convolução (RNC). A automatização deste processo tem grande relevância para a redução dos impactos sociais e econômicos gerados por estes desastres uma vez que permite o monitoramento constante de áreas susceptíveis a deslizamentos de terra, além disso, favorece a validação de modelos de predição. A metodologia que será utilizada, visando atingir os objetivos esperados, aborda aspectos referentes ao banco de dados, arquitetura e parâmetros de rede, métricas de avaliação de resultado e validação do modelo gerado. A RNC será implementada a partir da linguagem Python em conjunto com as bibliotecas Keras e Tensorflow. (AU)