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

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.

Resumo (inglês)

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.

Palavras-chave

Ciência da computação Aprendizagem profunda (Aprendizado do computador) Redes neurais (Computação) Visão computacional Incêndios florestais Computer science Deep learning (Machine learning) Neural networks (Computer science) Computer vision Forest fires

Idioma

Português

Citação

MONTEIRO, Daniel Nunes. Aprendizado de reconstrução guiado por inteligência artificial explicável para detecção não supervisionada de áreas queimadas em imagens de sensoriamento remoto. 2026. Dissertação (Mestrado em Ciência da Computação) – Instituto de Biociências, Letras e Ciências Exatas, Universidade Estadual Paulista (UNESP), São José do Rio Preto, 2026