Deep learning na segmentação automática de imagens de satélite

Abstract

A classificação de uso e ocupação do solo é um processo de grande importância para o manejo adequado de áreas, contudo, pode ser susceptível a erros humanos, visto que é feito de forma manual e, também, pode ser trabalhoso, principalmente se for feita em grandes áreas. Dado essa problemática, nos últimos anos a inteligência artificial vem ganhando grande papel na segmentação de imagens para diferentes fins e, aproveitando dessas ferramentas, este trabalho propôs criar um modelo de aprendizado profundo, através de arquitetura U-Net, para classificação de uso e ocupação de solo. Para isto, foi definido uma bacia hidrográfica e, através do satélite Sentinel 2, foi selecionada uma imagem com boas condições que abrange toda extensão dessa bacia. Assim, foi criada uma máscara através de um programa de sistema de informação geográfica e estes, imagem e máscara, foram introduzidos em recortes na rede para geração de parâmetros e, então, pode-se avaliar a acurácia e perda do modelo gerado. Como conclusão, foi avaliada como positiva a inserção de inteligência artificial na classificação de imagens de satélite para uso e ocupação do solo, com o modelo apresentando acurácia máxima de até 95%. Palavras-chave: aprendizado profundo; segmentação semântica; uso e ocupação do solo.The classification of land use and occupation is a process of paramount importance for the proper management of areas, however, it can be susceptible to human errors, since it is done manually and it can also be laborious, especially if done in large areas. Given this problem, artificial intelligence has been playing a major role in the segmentation of images for different purposes in recent years and, taking advantage of these tools, this work proposed to create a deep learning model, through U-Net architecture, for classification of land use and occupation. For this, a hydrographic basin was defined and, using the Sentinel 2 satellite, an image with good conditions was selected that covers the entire extension of this basin. Thus, a mask was created through a geographic information system program and these, image and mask, were introduced in cutouts in the network to generate parameters and, then, the accuracy and loss of the generated model can be evaluated. As conclusion, the insertion of artificial intelligence in the classification of satellite images for land use and occupation was evaluated as positive, with the model showing maximum accuracy of up to 95%. Keywords: deep learning; land use and occupation; semantic segmentation.