Tesis
Mapeamento da degradação florestal causada pela exploração seletiva de madeira na Amazônia Legal por meio de dados SAR multitemporais em banda X e técnicas de Aprendizado de Máquina
Fecha
2022-03-29Registro en:
KUCK, Tahisa Neitzel. Mapeamento da degradação florestal causada pela exploração seletiva de madeira na Amazônia Legal por meio de dados SAR multitemporais em banda X e técnicas de Aprendizado de Máquina. 2021. 143 f., il. Tese (Doutorado em Geociências Aplicadas) — Universidade de Brasília, Brasília, 2021.
Autor
Kuck, Tahisa Neitzel
Institución
Resumen
Uso da terra, mudanças de uso da terra e degradação de florestas têm sido historicamente os setores que
mais contribuem com as emissões de gases de efeito estufa no Brasil, segundo o Sistema de Estimativas de Emissões
e Remoções de Gases de Efeito Estufa (SEEG). Por isso, a necessária contenção do aumento das emissões está
intimamente relacionada com o controle e combate do desmatamento e degradação florestal. O Brasil, através do
Instituto Nacional de Pesquisas Espaciais (INPE), monitora o desmatamento na Amazônia brasileira desde a década de
1980 (projeto PRODES). Desde 2012, percebe-se um aumento nas taxas de desmatamento, principalmente nos últimos
dois anos (2019 e 2020), o que evidencia o risco de não atingimento da meta de redução de emissões assinada pelo
país no Acordo de Paris em 2015. O INPE também conta com um sistema de emissão de alertas de degradação
florestal para a Amazônia (projeto DEGRAD) e para fins de fiscalização em campo. Apesar de não ter a finalidade
principal de quantificar área degradada, dados desse projeto têm apresentado taxas semelhantes às do desmatamento
por corte raso. A degradação ocorre majoritariamente pela queima florestal e atividade madeireira. A limitação de
ambos os sistemas reside no fato de serem baseados em dados de sensores ópticos, os quais sofrem interferência da
cobertura de nuvens, principalmente na estação chuvosa, que vai de outubro a abril. Para suprir essa deficiência, esta
pesquisa busca o desenvolvimento de metodologia de detecção e qualificação da intensidade de degradação
proveniente da atividade de extração madeireira na Amazônia brasileira baseado em dados de radares de abertura
sintética (SAR) em banda X do satélite italiano COSMO-SkyMed. Os dados SAR são capazes de imagear a superfície
terrestre mesmo em condições meteorológicas adversas. A área de estudo selecionada está localizada na Floresta
Nacional do Jamari, estado de Rondônia, onde são encontradas concessões florestais em que a exploração florestal é
feita de forma planejada e controlada por empresas autorizadas. As imagens de radar foram processadas pelos
seguintes métodos de classificação não-paramétrica baseados em Aprendizado de Máquina: Random Forest, AdaBoost
e Multilayer Perceptron (MLP), o qual é baseado em Redes Neurais Artificiais (Artificial Neural Networks - ANN),
incluindo redes convolucionais pré-treinadas sobre atributos extraídos pelo analista e pela própria rede neural. Esses
métodos de Aprendizado de Máquina foram selecionados por serem capazes de classificar dados não linearmente
separáveis e por permitirem aumentos significativos na acurácia e precisão da classificação em relação aos métodos
tradicionais, de acordo com a literatura atual. Os melhores resultados foram obtidos quando a MLP-ANN foi aplicada
com 50 neurônios na camada oculta, utilizando a função de ativação Rectified Linear Unit (ReLU) e otimizador de peso
Stochastic Gradient Descent (SGD), apresentando 88% de acurácia tanto para o par de imagens utilizado para o
treinamento da rede (imagens adquiridas em junho e outubro) quanto para o teste de generalização, aplicado em um
segundo conjunto de dados (imagens adquiridas em janeiro e junho). Nos testes utilizando redes neurais
convolucionais, embora as diferenças entre os embedders testados tenham sido inferiores a 5%, os testes sobre a
composição RGB (R = coeficiente de variação; G = valores mínimos; e B = gradiente) apresentaram os melhores
resultados, em particular utilizando o embedder Painters (acurácia: 92%; e precisão: ~ 92%), mesmo nos testes de
capacidade de generalização, que apresentaram índice de exatidão global de 87%, e no teste sobre os RGB
provenientes do par de imagens não-filtradas (acurácia e precisão em torno de 90%). Este estudo mostrou que as
imagens SAR na banda X, em conjunto com técnicas de Aprendizado de Máquina, podem ser usadas com precisão
para detectar atividades de extração seletiva na Amazônia brasileira. Métodos de agrupamento dessas detecções
podem permitir ainda estimar a intensidade de exploração, desde que se obtenha a correlação entre essa intensidade e
as áreas de clareiras decorrentes de exploração seletiva legal ou ilegal.