Detecção de mudanças baseada em limiarização para mapeamento de desastres com séries temporais de imagens multiespectrais
Carregando...
Data
Autores
Orientador
Negri, Rogerio Galante 
Coorientador
Pós-graduação
Curso de graduação
São José dos Campos - ICT - Engenharia Ambiental
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
As mudanças climáticas intensificam a frequência e a severidade de eventos extremos, como deslizamentos de terra e inundações, ampliando a necessidade de métodos rápidos e preciso para o mapeamento de áreas afetadas. Nesse contexto, o sensoriamento remoto destaca-se como ferramenta essencial para o monitoramento ambiental, pois possibilita a obtenção de dados em larga escala e com baixo custo. Entretanto, a eficácia desse monitoramento depende de técnicas de detecção de mudanças capazes de analisar séries temporais de imagens multiespectrais e distinguir alterações reais daquelas associadas a variações sazonais ou ruído atmosférico. Este trabalho apresenta o desenvolvimento e a validação de uma nova técnica não supervisionada denominada Análise de Desvios por Limiarização (TDA– Thresholding Deviation Analysis), projetada para identificar áreas impactadas por desastres a partir de séries temporais longa de imagens de satélite. O método fundamenta-se na aplicação de uma limiarização automática sobre desvios temporais calculados para cada pixel, permitindo isolar mudanças abruptas comportamento espectral de alvos. Diferentemente de métodos bitemporais ou supervisionados, o TDAopera de forma totalmente automática, com baixa complexidade computacional e sem necessidade de dados de treinamento, o que o torna adequado para aplicações operacionais e situações de emergência.A técnica foi testada em duas áreas de estudo afetadas por desastre em 2023: (i) São Sebastião (Brasil), atingida por deslizamentos de terra, utilizando imagens do satélite Sentinel-2; e (ii) Maputo (Moçambique), impactada por inundações, com dados do Landsat-8. Em ambos os casos, foram avaliados diversos índices espectrais — NDVI, EVI 2, SAVI, MSAVI e NDWI — e os resultados foram comparados ao método Wavelet Energy Correlation Screening (WECS), amplamente citado na literatura. Os resultados demonstraram a superioridade do TDA tanto em precisão quanto em eficiência computacional. Para o caso brasileiro, o TDA alcançou F1-Score de 0,921 e coeficiente Kappa de 0,841, superando em 22,09% o desempenho do WECS. Já na análise das inundações em Moçambique, o método obteve F1-Score de 0,996 e Kappa de 0,995, mantendo desempenho equivalente ao WECS, mas com tempo de processamento cinco vezes menor. As análises qualitativas também indicaram que o TDAgera mapas mais limpos, com menor incidência de falsos positivos e maior clareza na delimitação das áreas afetadas. Conclui-se que a abordagem proposta representa um avanço relevante na detecção automática de mudanças em séries temporais de sensoriamento remoto aliando precisão, baixo custo computacional e aplicabilidade prática em diferentes contextos de desastre. O método pode ser integrado a sistemas de alerta e resposta rápida, contribuindo para ações de mitigação e planejamento em cenários de risco ambiental crescente.
Resumo (inglês)
Climate change has intensified the frequency and severity of extreme events such as landslides and floods, increasing the need for rapid and accurate methods to map affected areas. In this context, remote sensing stands out as an essential tool for environmental monitoring, enabling large-scale data acquisition at low cost. However, the effectiveness of such monitoring relies on change detection techniques capable of analyzing multispectral image time series and distinguishing real changes from seasonal or atmospheric variations. This study presents the development and validation of a new unsupervised technique called Thresholding Deviation Analysis (TDA), designed to identify areas impacted by disasters using long-term multispectral satellite image series. The proposed method is based on applying an automatic threshold to temporal deviations computed for each pixel, isolating abrupt changes in spectral behavior. Unlike bitemporal or supervised approaches, TDA operates fully automatically, with low computational complexity and without requiring training data, making it suitable for operational applications in emergency scenarios. The technique was tested in two disaster-affected areas in 2023: (i) São Sebastião, Brazil, hit by landslides, using Sentinel-2 imagery; and (ii) Maputo, Mozambique, affected by flooding, using Landsat-8 data. Several spectral indices were evaluated—NDVI, EVI-2, SAVI, MSAVI, and NDWI—and the results were compared with the Wavelet Energy Correlation
Screening (WECS) method reported in the literature. The results demonstrated the superiority of the TDA approach in both accuracy and computational efficiency. In the Brazilian case, TDA achieved an F1-Score of 0.921 and a Kappa coefficient of 0.841, outperforming WECS by 22.09%. In the Mozambique case, TDA reached an F1-Score of 0.996 and a Kappa of 0.995, maintaining equivalent accuracy while reducing processing time by a factor of five. Qualitative analyses also revealed that TDA produced cleaner maps, with fewer false positives and better delineation of affected areas. The proposed approach represents a significant advancement in automatic change detection for remote sensing time series, combining high accuracy, low computational cost, and practical applicability in diverse disaster contexts. TDA can be integrated
into early warning and rapid response systems, supporting mitigation and planning actions in an era of increasing environmental risk
Descrição
Palavras-chave
Natural disasters, Catastrofes naturais, Imagens multiespectrais, Multispectral imaging, Sensoriamento remoto, Remote sensing
Idioma
Português
