Aprendizado de reconstrução guiado por inteligência artificial explicável para detecção não supervisionada de áreas queimadas em imagens de sensoriamento remoto

Abstract

O mapeamento automatizado de cicatrizes de fogo nos biomas brasileiros esbarra em dois obstáculos recorrentes: a escassez de dados rotulados por especialistas e a opacidade dos modelos de aprendizado profundo, cujas decisões são difíceis de auditar em contextos socioambientalmente sensíveis como terras indígenas e unidades de conservação. Uma revisão sistemática da literatura de 2018 a 2026 não identificou nenhuma abordagem que integrasse, ao mesmo tempo, aprendizado não supervisionado, prior físico espectral, explicabilidade incorporada ao treinamento e validação em contexto tropical brasileiro. Esta dissertação propõe e avalia uma resposta a essa lacuna: um autoencoder convolucional 3D que detecta cicatrizes de fogo como anomalias espectrais, sem exigir máscaras rotuladas por especialistas, e que incorpora a regularização Right for the Right Reasons (RRR) para alinhar suas saliências internas (gradiente, Grad-CAM e atenção espacial) ao índice físico dNBR já durante o treinamento. Essa combinação dispensa, simultaneamente, o rótulo manual e a caixa-preta. Os experimentos, conduzidos sobre imagens Landsat 8 em quatro áreas de interesse nos biomas Amazônia e Cerrado, confirmam a proposta. A regularização RRR eleva a AUC-ROC de detecção de 0,741 para 0,883 e o F1 para 0,809 em nível de patch, com ganho equivalente na segmentação pixel a pixel (IoU de 0,230 para 0,399), superando os métodos não supervisionados clássicos mais competitivos (Isolation Forest e One-Class SVM) sem depender de pseudo-rótulos, com ganho positivo e estatisticamente significativo nas três seeds de inicialização avaliadas. O protocolo Leave-One-Region-Out (LORO) confirma que o modelo generaliza para regiões geográficas não vistas no treino, com desempenho consistente nas áreas de maior volume amostral e fragilidade no território menor e espectralmente mais distinto. Um experimento preliminar de transferência entre biomas (Amazônia para Cerrado) indica potencial de generalização cross-biome, ainda que a amostra reduzida disponível para essa análise não permita conclusão definitiva. Os resultados sustentam a viabilidade de alinhar explicabilidade e conhecimento físico ao ciclo de treinamento como caminho para sistemas de monitoramento ambiental mais auditáveis e menos dependentes de anotação manual.

Automated mapping of fire scars in Brazilian biomes runs into two recurring obstacles: the scarcity of expert-labeled data and the opacity of deep learning models, whose decisions are difficult to audit in socio-environmentally sensitive contexts such as indigenous territories and conservation units. A systematic literature review covering 2018 to 2026 found no approach that simultaneously integrates unsupervised learning, a physical spectral prior, explainability built into training, and validation in a Brazilian tropical context. This dissertation proposes and evaluates a response to that gap: a 3D convolutional autoencoder that detects fire scars as spectral anomalies, requiring no expert-labeled masks, and that incorporates Right for the Right Reasons (RRR) regularization to align its internal saliencies (gradient, Grad-CAM, and spatial attention) with the physical dNBR index already during training. This combination dispenses with manual labels and the black box at the same time. Experiments conducted on Landsat 8 imagery across four Areas of Interest in the Amazon and Cerrado biomes confirm the proposal. RRR regularization raises detection AUC-ROC from 0.741 to 0.883 and patch-level F1 to 0.809, with an equivalent gain in pixel-level segmentation (IoU from 0.230 to 0.399), outperforming the most competitive classical unsupervised methods (Isolation Forest and One-Class SVM) without relying on pseudo-labels, with a gain that is positive and statistically significant across all three initialization seeds evaluated. The Leave-One-Region-Out (LORO) protocol confirms that the model generalizes to geographic regions unseen during training, with consistent performance on the larger-volume areas and weaker performance on the smallest, spectrally most distinct territory. A preliminary cross-biome transfer experiment (Amazon to Cerrado) indicates potential for cross-biome generalization, although the limited sample available for that analysis does not allow a definitive conclusion. The results support the viability of aligning explainability and physical knowledge with the training cycle as a path toward environmental monitoring systems that are more auditable and less dependent on manual annotation.