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

• Processo: 19/17555-1
• Modalidade de apoio: 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
• Palavra(s)-Chave do Pesquisador: aprendizado profundo de máquina | Deslizamento de Terra | Sensoriamento Remoto | Sensoriamento Remoto

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)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

XU, GUOSEN; WANG, YI; WANG, LIZHE; SOARES, LUCAS PEDROSA; GROHMANN, CARLOS H.. Feature-Based Constraint Deep CNN Method for Mapping Rainfall-Induced Landslides in Remote Regions With Mountainous Terrain: An Application to Brazil. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, v. 15, p. 16-pg., 2022-01-01. (19/17555-1, 16/06628-0)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

SOARES, Lucas Pedrosa. Segmentação automática de cicatrizes de deslizamento de terra em imagens de sensores remotos utilizando aprendizagem profunda de máquina (Deep Learning). 2022. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Geociências (IG/BT) São Paulo.