Abordagem baseada em autoencoder para detecção não-supervisionada de mudanças em séries temporais SAR

Abstract

A detecção de mudanças em séries de imagens é uma aplicação fundamental no monitoramento ambiental. Neste contexto, o Radar de Abertura Sintética (SAR) é particularmente vantajoso devido à sua capacidade de fornecer dados em condições atmosféricas adversas, além de ser sensível à morfologia da superfície. No entanto, a presença do ruído speckle dificulta a análise automatizada eficaz. Para lidar com esse problema, este estudo propõe um método não-supervisionado multiclasse para detectar mudanças em sequências de imagens SAR. O procedimento começa com a aplicação de um processo de redução de ruído baseado na transformada wavelet. Em seguida, um autoencoder convolucional é utilizado para extrair atributos temporais latentes, que são então agrupados em classes de comportamento temporal semelhante. Por fim, regiões homogêneas são segmentadas e utilizadas para quantificar a intensidade das mudanças, resultando em um mapa de mudanças que indica a magnitude das alterações na superfície. A abordagem foi avaliada em duas áreas de estudo no Brasil, que apresentam transformações dinâmicas no uso e cobertura da terra, e foi comparada com métodos alternativos similares. A técnica proposta alcançou um valor de F1-Score de 83%, enquanto o melhor concorrente ficou limitado a cerca de 74%. Esses resultados indicam que a combinação de atributos temporais latentes com redução de ruído adaptativa e análise estatística localizada melhora a robustez e a precisão da detecção de mudanças baseada em SAR para tarefas de monitoramento em larga escala.

Change detection from image time series is a key application for environmental monitoring. Synthetic Aperture Radar (SAR) imagery is particularly advantageous in this context because it provides observations independent of atmospheric conditions and illumination, and is sensitive to surface structure. However, the presence of speckle introduces significant noise, which makes automated analysis challenging. To address this problem, we propose an unsupervised multiclass method for detecting changes in multitemporal SAR sequences. The workflow first applies wavelet-based denoising to mitigate speckle. A Convolutional Autoencoder is then used to extract compact temporal features at the pixel level and then segregated into clusters of similar temporal behavior. Finally, segmented homogeneous regions are analyzed to quantify change intensity, producing a multiclass change map that encodes both the location and magnitude of surface change. The approach was evaluated in two study areas in Brazil that exhibit dynamic land transformations and was compared against alternative unsupervised methods, including neural and traditional baselines. The proposed technique achieved an F1-Score value of 83%, whereas the best competitor was limited to around 74%. These results indicate that combining deep temporal embeddings with adaptive denoising and statistical region analysis improves the robustness and accuracy of SAR-based change detection for large-scale monitoring tasks.