EVENTO
Abordagens Híbridas com Aprendizado Profundo para Detecção de de Desmatamento em Imagens SAR multitemporais
Tipo de evento: Defesa de Tese de Doutorado
O monitoramento do desmatamento é essencial para a gestão dos recursos naturais, a conservação dos ecossistemas e da biodiversidade. Técnicas de detecção de mudanças empregando dados de sensoriamento remoto multitemporal representam uma das opções mais atraentes para monitorar mudanças no solo. Essa abordagem envolve o processamento de uma coleção de imagens da mesma área geográfica em diferentes datas, facilitando a supervisão das mudanças ambientais. Com o avanço contínuo das redes neurais profundas, inúmeras soluções baseadas em aprendizado profundo têm sido amplamente utilizadas para essa aplicação. No entanto, ainda existem desafios que precisam ser enfrentados. Por exemplo, o uso de imagens multitemporais tem sido pouco explorado até o momento, visto que a detecção de mudanças bitemporal é geralmente enfatizada na literatura. Além disso, a maioria dos trabalhos envolvendo detecção de desmatamento utiliza dados ópticos, que são severamente limitados por condições climáticas como nuvens, o que torna os dados de radar de abertura sintética (SAR) uma possibilidade para endereçar essa questão, principalmente em ambientes tropicais. Outro foco de pesquisa no estado da arte envolve a combinação de diferentes técnicas para aprimorar o monitoramento de mudanças. Considerando esses desafios, a presente tese visa desenvolver soluções de aprendizado profundo para o monitoramento do desmatamento utilizando dados multitemporais. Novos modelos foram desenvolvidos combinando aprendizado recorrente e residual, e também utilizando mecanismos de atenção. Os resultados obtidos com essas arquiteturas desenvolvidas foram comparados com abordagens consolidadas de aprendizado profundo. Experimentos foram conduzidos utilizando dados bitemporais e multitemporais do Sentinel-1 de dois locais amostrais da Floresta Amazônica. O uso de mapas de distância temporal contendo informações sobre o desmatamento prévio das áreas também foi investigado. Para assistir acesse:meet.google.com/jfc-zcbs-xju
Data Início: 17/06/2025 Hora: 09:30 Data Fim: 17/06/2025 Hora: 12:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Virtual
Aluno: Carla Nascimento Neves - - LNCC
Orientador: Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC Raul Queiroz Feitosa - Pontifícia Universidade Católica do Rio de Janeiro - PUC-RIO
Participante Banca Examinadora: Gilson Alexandre Ostwald Pedro da Costa - Universidade do Estado do Rio de Janeiro - UERJ Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC José Marcato Junior - Universidade Federal de Mato Grosso do Sul - UFMS Renato Simões Silva - Laboratório Nacional de Computação Científica - LNCC Roberto Pinto Souto - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Bruno Richard Schulze - Laboratório Nacional de Computação Científica - LNCC Yosio Edemir Shimabukuro - Instituto Nacional de Pesquisas Espaciais - INPE