Deep learning applied to deforestation detection in brazilian biomes: an approach based on convolutional neural networks, vision transformers and attention mechanisms

Abstract

O Brasil abriga dois dos biomas mais biodiversos do planeta: a Amazônia e a Mata Atlântica. Apesar de sua importância ecológica e climática, essas regiões têm sido severamente impactadas nas últimas décadas pelo avanço do desmatamento, majoritariamente associado à ação humana. Nesse contexto, o uso de tecnologias de Sensoriamento Remoto (SR) aliado a métodos avançados de Inteligência Artificial (IA) tem se mostrado uma estratégia promissora para ampliar a capacidade de monitoramento ambiental em larga escala. Esta tese investiga o uso de técnicas de Aprendizado Profundo para a segmentação automática de áreas desmatadas nesses biomas. Para isso, propõe-se uma arquitetura híbrida que combina redes neurais convolucionais com módulos baseados em transformers e mecanismos de atenção, explorando simultaneamente características espaciais e temporais extraídas de imagens de satélite multiespectrais. A metodologia considera dados bi-temporais, permitindo capturar mudanças na cobertura vegetal e aprimorar a identificação de padrões associados ao desmatamento. Os modelos propostos foram avaliados por meio de uma extensa bateria experimental, sendo comparados a treze modelos consolidados da literatura em diferentes cenários experimentais. Os resultados demonstram que as abordagens desenvolvidas alcançam desempenho competitivo, apresentando o melhor equilíbrio entre acurácia de segmentação e eficiência computacional. Além das contribuições científicas, esta pesquisa também visa fomentar o desenvolvimento de soluções tecnológicas aplicáveis ao monitoramento ambiental, contribuindo para o avanço do uso de IA em aplicações de SR no Brasil.

Brazil hosts two of the most biodiverse biomes on the planet: the Amazon and the Atlantic Forest. Despite their ecological and climatic importance, these regions have been severely impacted in recent decades by the advance of deforestation, largely associated with human activities. In this context, the use of Remote Sensing (RS) technologies combined with advanced Artificial Intelligence (AI) methods has emerged as a promising strategy to expand large-scale environmental monitoring capabilities. This doctoral thesis investigates the use of Deep Learning techniques for the automatic detection and segmentation of deforested areas in these biomes. To this end, a hybrid architecture is proposed that combines Convolutional Neural Networks with transformer-based modules and attention mechanisms, simultaneously exploring spatial and temporal features extracted from multispectral satellite imagery. The methodology considers bi-temporal data, enabling the capture of changes in vegetation cover and improving the identification of patterns associated with deforestation. The proposed model was evaluated through an extensive experimental framework and compared with thirteen well-established models from the literature across different experimental scenarios. The results demonstrate that the proposed approach achieves competitive performance, presenting the best trade-off between segmentation accuracy and computational efficiency. In addition to its scientific contributions, this research also aims to foster the development of technological solutions applicable to environmental monitoring, contributing to the advancement of AI-based RS applications in Brazil.