Detecção não supervisionada de mudanças usando pseudo-rotulagem e séries temporais de índices espectrais

Abstract

A detecção precisa de mudanças na cobertura da terra é crucial para a monitoramento ambiental e o manejo sustentável do solo, especialmente em regiões sensíveis como a Amazônia. Este estudo propõe um modelo não supervisionado de detecção de mudanças baseado em pseudo-rótulos, aplicado a imagens multitemporais de satélite. Utilizando séries temporais dos índices espectrais NDVI, EVI e SAVI extraídos de imagens do sensor OLI do satélite Landsat-8, o modelo analisa desvios nos índices ao longo do tempo e classifica automaticamente áreas de "mudança" ou "não mudança" através de um processo otimizado de limiarização e análise de quantis. A metodologia foi testada em duas regiões distintas da Amazônia Brasileira: uma área predominantemente florestal nas margens do Rio Madeira, no município de Borba, Amazonas, com atividades agrícolas mínimas, e outra com práticas agrícolas extensivas e mudanças dinâmicas no uso da terra no município de Novo Progresso, Pará. Para avaliar a eficácia do modelo proposto, realizamos uma comparação com o método Wavelet Energy Correlation Screening (WECS), uma técnica reconhecida para detecção de mudanças em séries temporais de imagens de satélite. Os resultados demonstram que o modelo proposto supera significativamente o método WECS em ambas as áreas, alcançando valores de acurácia de até 80% em diferentes contextos ambientais. A robustez e adaptabilidade do modelo evidenciam sua eficácia como ferramenta para monitorar mudanças na cobertura da terra na Amazônia, contribuindo para esforços de conservação ao fornecer dados oportunos e precisos essenciais para a implementação de políticas ambientais, proteção da biodiversidade e mitigação dos impactos das mudanças climáticas associados ao desmatamento.

Accurate detection of land-cover changes is crucial for environmental conservation and sustainable land management. This study proposes a fully unsupervised change detection model based on pseudo-labels, applied to multitemporal satellite imagery. The model was tested in two regions of the Brazilian Amazon, one predominantly forested area with minimal agricultural activity, and another with extensive agricultural practices and dynamic land-use changes. Using spectral indices and an optimized thresholding process, the model’s performance was compared to the Wavelet Energy Correlation Screening (WECS) method. The proposed model significantly outperformed WECS in both areas. The results demonstrate the model’s robustness and adaptability, achieving accuracy values of up to 80% across various environmental contexts. This makes it an effective tool for monitoring land-cover changes in the Amazon.