MAPEAMENTO DE FRAGMENTOS ARBÓREOS URBANOS COM IMAGENS ORBITAIS E APRENDIZADO PROFUNDO

Resumo

A vegetação é uma das principais componentes do meio ambiente, isso porque ela exerce grande influência positiva sobre a qualidade ambiental, o que torna um objeto de estudo muito relevante. Atualmente, o sensoriamento remoto é uma das melhores opções para estudar o comportamento espacial da vegetação, capaz de gerar um grande volume de dados. Entretanto, cria uma demanda adicional, esse grande volume de dados necessita de técnicas de processamento eficientes, para assim transforma-los em informações úteis. O objetivo desse trabalho foi realizar a segmentação de fragmentos arbóreos em contexto urbano utilizando duas redes de aprendizado profundo e um algoritmo de machine learning. Foram utilizados nesse trabalho as redes U-Net, DeepLabV3+ e o algoritmo Random Forest. Para o treinamento dessas redes, foi utilizado um conjunto de dados composto por imagens Planet Scope de áreas urbanas, de quatro datadas diferentes. Como resultado, foi observado que o modelo DeepLabV3+ teve desempenho superior aos demais quando treinada com um conjunto de dados multitemporal, obtendo assim Acurácia (0,936) Precisão (0,847), Recall (0,804) e F1-Score (0,799). Os resultados apontam que o treinamento das redes com conjunto de dados multitemporal promoveu o aumento das métricas além de resultados homogêneos entre as diferentes imagens segmentadas.