Detecção de Desmatamento via Aprendizado Computacional Não-Supervisionado: Modelagem e Aplicações em Parques de Preservação do Bioma Amazônico

• Processo: 22/13665-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de janeiro de 2023
• Vigência (Término): 31 de dezembro de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Wallace Correa de Oliveira Casaca
• Beneficiário: Júlia Rodrigues Marques do Nascimento
• Instituição Sede: Instituto de Biociências, Letras e Ciências Exatas (IBILCE). Universidade Estadual Paulista (UNESP). Campus de São José do Rio Preto. São José do Rio Preto , SP, Brasil
• Assunto(s): Aprendizado computacional Imagem digital Metodologia e técnicas de computação Visão computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado Computacional | imagem digital | Metodologia e técnicas de computação | Visão Computacional | Visão Computacional

Resumo

Técnicas de Aprendizado Computacional tem contribuído de forma efetiva e transdiciplinar em aplicações de Visão Computacional e Reconhecimento de Padrões, como o mapeamento do desmatamento do bioma Amazônico. Neste contexto, algoritmos do tipo data-driven tem viabilizado o desenvolvimento de ferramentas inovadoras e precisas na identificação de áreas desmatadas a partir da análise de séries temporais de imagens remotamente sensoriadas, possibilitando adquirir conhecimento sobre o estado atual da região e seu histórico de cobertura florestal. Em vista da problemática ora levantada, esta pesquisa tem como foco o estudo e a implementação de uma metodologia de Aprendizado Computacional para classificar áreas desmatadas na Amazônia brasileira. Pretende-se estudar, analisar e investigar o histórico de desmatamento das unidades de conservação ambiental de São Félix do Xingu, sexto maior município brasileiro em extensão, situado no estado do Pará. A estratégia de resolução computacional a ser implementada combinará o uso de técnicas inteiramente não-supervisionadas de Machine Learning para tratar séries temporais de imagens, como o One-Class Support Vector Machine e o Isolation Forest, bem como modelos de Detecção de Anomalias e Índices Espectrais a fim de identificar e classificar áreas desmatadas. Além da robustez e precisão advindas do uso do Machine Learning, a metodologia proposta foi desenhada para ser independente do usuário nos aspectos provimento de dados de referência e capacidade de acesso integrado à catálogos atualizados a partir da plataforma de acesso livre Google Earth Engine.