Detecção de mudanças do uso e cobertura do solo em imagens de alta resolução usando rede neural convolucional
Carregando...
Arquivos
Data
2024-04-29
Autores
Orientador
Silva, Erivaldo Antonio da 
Coorientador
Ortiz, Jussara de Oliveira
Pós-graduação
Ciências Cartográficas - FCT 33004129043P0
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
A superfície terrestre está sempre em transformação, devido tanto a fenômenos naturais quanto à intervenção humana. Nesse cenário, o uso de imagens de Sensoriamento Remoto, aéreo ou orbital, capturadas em diferentes períodos de tempo, é importante para detectar e monitorar as mudanças que ocorrem no uso e cobertura do solo. A extração de informações dessas imagens requer métodos de análise para identificar as feições de interesse, para tal, a interpretação visual de imagens, analógicas ou digitais, e a classificação automática de imagens digitais são considerados os principais métodos. Especialmente em áreas urbanas, devido à heterogeneidade dos alvos, a interpretação visual é comumente usada. Esse processo consiste em percorrer visualmente toda a imagem e compará-la com outra de data diferente, entretanto, essa abordagem consome tempo e, consequentemente, recursos financeiros. No que diz respeito ao processo de classificação digital, ferramentas de processamento de imagens e algoritmos que incorporam Inteligência Artificial (IA), ou seja, que replicam habilidades humanas como o reconhecimento de padrões, têm sido empregados com o objetivo de aprimorar o desempenho na classificação do uso e cobertura do solo. Dentre as técnicas de IA, destaca-se a Rede Neural Convolucional (RNC), concebida em 1998 pelo francês Yann LeCun, cuja principal finalidade é a classificação de imagens, permitindo a diferenciação de alvos, mesmo diante de mudanças em suas características espaciais ocasionadas, por exemplo, por altura e escala. O principal objetivo desse estudo é propor e avaliar uma metodologia para a detecção de mudanças em imagens de alta resolução espacial, usando imagens do satélite WorldView – 2 em conjunto com as classificações resultantes da RNC U-Net. Essa abordagem, que identifica as mudanças por meio de duas imagens classificadas pela RNC, visa simplificar a identificação de alterações no uso e cobertura do solo para fins de gestão municipal. Os resultados obtidos no processo de classificação e detecção de mudanças foram avaliados para verificar a aplicabilidade dessa metodologia na melhoria da tomada de decisões em áreas urbanas que carecem desse tipo de informação de maneira ágil e eficaz. Ao adotar a arquitetura U-Net buscou-se o aproveitamento da sua capacidade de lidar com variações de textura e forma, fatores frequentemente encontrados em ambientes urbanos. A rede demonstrou ser ideal para classificar alvos como construções, vegetação arbórea e outros, mesmo diante do desequilíbrio na representação dessas classes. Na primeira data, a área utilizada no treinamento apresentou 89,64% de acurácia geral e 87,25 % para o índice de concordância Kappa, enquanto na segunda data esses valores foram de 81,15% e 86,02%, respectivamente, indicando uma ótima classificação. A detecção de mudanças foi realizada utilizando as imagens classificadas e um conjunto de regras pré-definido; e a análise de qualidade se baseou em pontos fornecidos pela empresa GeoPixel Inteligência Municipal. Embora a detecção de mudanças tenha alcançado valores excelentes para a métrica recall, apontando a capacidade do modelo de identificar as mudanças presentes, a precisão foi notavelmente baixa, inferior a 1%, sugerindo uma alta taxa de falsos positivos. O trabalho evidenciou, portanto, a eficácia da metodologia na identificação de alterações em áreas urbanas, apesar de ser necessário abordar as diferenças de angulação na aquisição das imagens, que resultaram na identificação equivocada de várias áreas sem relevância como mudanças. A crescente necessidade de monitorar e gerenciar áreas urbanas demanda soluções tecnológicas avançadas, sendo que a combinação de imagens de alta resolução com a arquitetura U-Net se destaca como uma abordagem promissora, podendo acelerar a tomada de decisões baseadas em dados atualizados, contribuindo para uma melhor gestão municipal.
Resumo (inglês)
The Earth's surface is constantly undergoing transformation, due to both natural phenomena and human intervention. In this scenario, the use of Remote Sensing imagery, whether aerial or orbital, captured at different time periods, is important for detecting and monitoring changes that occur in land use and land cover. Extracting information from these images requires analysis methods to identify features of interest; for this purpose, visual interpretation of images, whether analog or digital, and automatic classification of digital images are considered the main methods. Especially in urban areas, due to the heterogeneity of targets, visual interpretation is commonly used. This process involves visually scanning the entire image and comparing it with another image from a different date; however, this approach is time-consuming and consequently, financially resource-intensive. Regarding the digital classification process, image processing tools and algorithms incorporating Artificial Intelligence (AI), i.e., replicating human skills such as pattern recognition, have been employed to improve performance in land use and land cover classification. Among AI techniques, Convolutional Neural Networks (CNNs) stand out, conceived in 1998 by the Frenchman Yann LeCun, whose main purpose is image classification, allowing differentiation of targets, even in the face of changes in their spatial characteristics caused, for example, by height and scale. The main objective of this study is to propose and evaluate a methodology for change detection in high spatial resolution images, using images from the WorldView – 2 satellite in conjunction with the classifications resulting from the U-Net CNN. This approach, which identifies changes through two images classified by the CNN, aims to simplify the identification of changes in land use and land cover for municipal management purposes. The results obtained in the classification and change detection process were evaluated to verify the applicability of this methodology in improving decision-making in urban areas lacking this type of information in an agile and effective manner. By adopting the U-Net architecture, we sought to leverage its ability to handle variations in texture and shape, factors often encountered in urban environments. The network proved to be ideal for classifying targets such as buildings, tree vegetation, and others, even in the face of imbalance in the representation of these classes. On the first date, the training area showed 89.64% overall accuracy and 87.25% for the Kappa agreement index, while on the second date these values were 81.15% and 86.02%, respectively, indicating excellent classification. Change detection was performed using the classified images and a predefined set of rules; and the quality analysis was based on points provided by the company GeoPixel Municipal Intelligence. Although change detection achieved excellent values for the recall metric, indicating the model's ability to identify present changes, precision was notably low, less than 1%, suggesting a high false positive rate. The work therefore demonstrated the effectiveness of the methodology in identifying changes in urban areas, although it is necessary to address differences in the angle of image acquisition, which resulted in the mistaken identification of several areas without relevance as changes. The growing need to monitor and manage urban areas demands advanced technological solutions, with the combination of high-resolution images with the U-Net architecture standing out as a promising approach, which can accelerate decision-making based on updated data, contributing to better municipal management.
Descrição
Palavras-chave
Idioma
Português
Como citar
GODOY, Thamires Gil. Detecção de mudanças do uso e cobertura do solo em imagens de alta resolução usando rede neural convolucional. Orientador: Erivaldo Antonio da Silva. 2024. 117 f. Dissertação (Mestrado em Ciências Cartográficas) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2024.