DEEP LEARNING APLICADO NA DETECÇÃO DE CORPOS D’ÁGUA EM IMAGENS DE VANT DO PANTANAL BRASILEIRO

Resumo

O Pantanal, a maior planície alagada contínua do mundo, enfrenta desafios de preservação devido ao ciclo sazonal de inundações e intervenções humanas. Para melhor compreender e preservar esse bioma, sistemas de monitoramento são essenciais, e o uso de técnicas de sensoriamento remoto combinadas com machine learning avançado surge como uma estratégia promissora. Este estudo investigou modelos de deep learning para classificação de corpos d'água em imagens de UAV (veículo aéreo não tripulado) do Pantanal. As imagens foram capturadas com a câmera MAVIC 2 Air, com resolução espacial de 3 cm. Foram comparados modelos de deep learning, como InterImage, DeepLabv3+ e SegFormer, para avaliar suas capacidades de classificação. Um protocolo foi estabelecido para a avaliação, considerando métricas como Intersection over Union (IoU) e Dice. O SegFormer apresentou os melhores resultados, com IoU de 96,16%, Recall de 97,85%, Precisão de 99,46% e F1 Score de 98,04%. Embora apresentassem métricas menores, DeepLabv3+ e InterImage também mostraram desempenho robusto. Todos os modelos apresentaram resultados satisfatórios, mas algumas dificuldades foram observadas na identificação precisa dos corpos d'água.