Detecção de mudanças em áreas afetadas por desastres ambientais: uma abordagem integrada de dados SAR e aprendizado profundo

A detecção de mudanças em séries temporais de sensoriamento remoto é um componente-chave no monitoramento ambiental, mapeamento da cobertura da terra e gestão de desastres. Imagens de Radar de Abertura Sintética (SAR) são particularmente adequadas para esta tarefa, pois permitem a observação contínua independentemente das condições climáticas ou de iluminação, além de fornecerem sensibilidade à rugosidade da superfície e à umidade. No entanto, as séries temporais SAR também exibem um comportamento radiométrico complexo, incluindo flutuações relacionadas ao ruído speckle, dinâmicas temporais não lineares e variações abruptas de retroespalhamento. Essas propriedades tornam a detecção de mudanças desafiadora para métodos que dependem apenas da similaridade de dados ou de trajetórias temporais suaves. Este trabalho apresenta uma proposta não supervisionada baseada em grafos, projetada especificamente para abordar este problema. O método proposto emprega Grafos de Visibilidade Horizontal para codificar a dinâmica estrutural temporal de pixels individuais, a qual é subsequentemente alimentada em uma Rede Neural de Grafos treinada utilizando amostras com pseudo-rótulos derivados de um comitê de algoritmos de detecção de anomalias. Essa estratégia permite que o modelo distingua efetivamente entre casos de mudança e não mudança, mesmo sob condições de alto ruído, como em séries de imagens SAR. A proposta foi avaliada em duas regiões no Brasil afetadas por deslizamentos e inundações. Foram utilizadas séries de imagens obtidas pelo sensor SAR abordo do satélite Sentinel-1 e realizadas comparações com métodos alternativos existentes na literatura. A abordagem proposta superou os métodos concorrentes, alcançando valores de F1-Score e coeficiente kappa de aproximadamente 0,75, enquanto produz mapas de mudança espacialmente coerentes e consistentes.

Resumo (inglês)

Change detection in remote sensing time series is a key component in environmental monitoring, land cover mapping, and disaster management. Synthetic Aperture Radar (SAR) imagery is particularly suitable for this task, as it enables continuous observation regardless of weather or illumination conditions, while also providing sensitivity to surface roughness and moisture. However, SAR time series exhibit complex radiometric behavior, including fluctuations associated with speckle noise, nonlinear temporal dynamics, and abrupt backscatter variations. These properties make change detection challenging for methods that rely solely on data similarity or smooth temporal trajectories. This work presents an unsupervised graph-based approach specifically designed to address this problem. The proposed method employs Horizontal Visibility Graphs to encode the temporal structural dynamics of individual pixels, which are subsequently processed by a Graph Neural Network trained using pseudo-labeled samples derived from a committee of anomaly detection algorithms. This strategy allows the model to effectively distinguish between change and no-change conditions, even under high-noise scenarios typical of SAR image time series. The proposed approach was evaluated in two regions in Brazil affected by landslides and floods. Multitemporal SAR imagery acquired by the Sentinel-1 satellite was used, and comparisons were performed against alternative methods available in the literature. The proposed approach outperformed the competing methods, achieving F1-score and Kappa coefficient values of approximately 0.75, while producing spatially coherent and consistent change maps