Detecção não supervisionada de queimadas utilizando modelagem estatística e dados SAR

Abstract

As atividades humanas têm impactado significativamente as mudanças climáticas, resultando em um aumento nas emissões de gases de efeito estufa. Isso teve efeitos de grande alcance nos componentes vivos e não vivos dos ecossistemas, levando a resultados alarmantes, como um aumento na frequência e gravidade de incêndios. Essas consequências resultaram na perda de variedade de árvores, modificações no ciclo de carbono regional e mudanças no comportamento reprodutivo da flora. Para lidar com esse problema, um framework orientado por dados foi proposto neste trabalho que combina séries temporais de imagens de sensoriamento remoto, modelagem estatística e classificação não supervisionada para mapear áreas danificadas por incêndios. A metodologia proposta foi validada utilizando várias imagens de sensoriamento remoto dos satélites Sentinel-1 A e B entre agosto e outubro de 2021, analisadas em dois estudos de caso de biomas brasileiros afetados por incêndios recorrentes. Nossos resultados demonstram que a abordagem proposta supera outro método avaliado em termos de métricas de precisão. Nossa metodologia atinge a maior acurácia de 60,73% e a F1-Score mais alta de 0,75, ambas mais altas que o outro método. Essas descobertas sugerem que nossa abordagem é mais eficaz na detecção de áreas queimadas e pode ter aplicações práticas em outras questões ambientais, como desmatamento e alagamentos.

Human activities have greatly impacted climate change, resulting in an increase in greenhouse gas emissions. This has had far-reaching effects on both living and non-living components of ecosystems, leading to alarming outcomes such as a surge in the frequency and severity of fires. These consequences have resulted in a loss of tree variety, modifications in the regional carbon cycle, and changes in the reproductive behavior of flora. To address this issue, a data-driven framework has been proposed in this paper that combines time series of remote sensing images, statistical modeling, and unsupervised classification to map fire-damaged areas. The proposed methodology was validated using multiple remote sensing images from Sentinel-1 A and B satellites between August and October 2021, analyzed in two case studies of Brazilian biomes affected by recurrent fires. Our results demonstrate that the proposed approach outperforms another method evaluated in terms of precision metrics. Our methodology achieves the highest overall accuracy of 60.73% and the highest F1 score of 0.75, both of which are higher than the other method. These findings suggest that our approach is more effective in detecting burned areas and may have practical applications in other environmental issues such as deforestation and flooding.