Métodos não supervisionados de detecção de mudança aplicados ao mapeamento de deslizamento de massa: estudo de caso em São Sebastião, Brasil

Abstract

O deslizamento de terra é um dos riscos geológicos potenciais que representam uma ameaça significativa para a população. Com as mudanças climáticas globais e o aumento na intensidade das chuvas em determinadas regiões, a frequência da ocorrência de deslizamentos de terra tem aumentado. Consequentemente, os danos e perdas associados a eventos dessa natureza também têm se agravado. Portanto, o estudo dos impactos causados por deslizamentos de terra é fundamental para avaliar as consequências desses eventos e desenvolver ações de auxílio e planejamento adequadas. A aplicação de métodos não supervisionados de detecção de mudanças em dados de sensoriamento remoto surge como uma ferramenta potencial no mapeamento automatizado de áreas atingidas por deslizamentos de terra. Isso permite uma resposta mais rápida e eficiente em situações de desastre e ajuda na identificação de áreas críticas que precisam de intervenção imediata. Neste contexto, este estudo se concentra na análise de diferentes técnicas não supervisionadas de detecção de mudanças entre imagens. Utilizando dados multiespectrais obtidas pelo sensor MultiSpectral Instrument, a bordo do satélite Sentinel-2, o estudo mapeia os deslizamentos de terra ocorridos em São Sebastião, Brasil, em fevereiro de 2023. Os resultados destacam a importância da escolha cuidadosa dos dados e dos parâmetros associados aos métodos adotados. A precisão na detecção de deslizamentos de terra está diretamente relacionada à qualidade e à resolução das imagens, bem como aos algoritmos e parâmetros escolhidos. Além disso, os resultados indicam que, entre as várias técnicas analisadas, as abordagens baseadas em conceitos de Aprendizado de Máquina apresentam os maiores índices de acurácia, com F1-Score e coeficiente kappa iguais ou superiores a 0.96 e 0.92, respectivamente. Isso demonstra a eficácia desses métodos na detecção de mudanças em imagens de sensoriamento remoto e na identificação de áreas afetadas por deslizamentos de terra.

Landslides are one of the potential geological hazards that pose a significant threat to the population. With global climate change and an increase in rainfall intensity in certain regions, the frequency of landslides has increased. Consequently, the damage and losses associated with events of this nature have also worsened. Therefore, studying the impacts caused by landslides is essential to assess the consequences of these events and develop appropriate assistance and planning actions. The application of unsupervised change detection methods to remote sensing data emerges as a potential tool in the automated mapping of areas affected by landslides. This allows for a faster and more efficient response in disaster situations and helps identify critical areas that need immediate intervention. In this context, this study focuses on the analysis of different unsupervised change detection techniques between images. Using multispectral images obtained by the MultiSpectral Instrument sensor, on board the Sentinel-2 satellite, the study maps the landslides that occurred in São Sebastião, Brazil, in February 2023. The results highlight the importance of careful choice of data and parameters associated with the methods adopted. Accuracy in landslide detection is directly related to the quality and resolution of the images, as well as the algorithms and parameters chosen. Furthermore, the results indicate that, among the various techniques analyzed, approaches based on Machine Learning concepts present the highest accuracy rates, with F1-Score and kappa coefficient equal to or greater than 0.96 and 0.92, respectively. This demonstrates the effectiveness of these methods in detecting changes in remote sensing images and identifying areas affected by landslides