Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.271
Aluno: Igor Perez Cunha
Orientador: Prof. Cleber Zanchettin
Título: Avaliação do desempenho de modelos de aprendizado de máquina em função do comprimento de séries temporais de imagens de satélite para o mapeamento de desmatamento na Amazônia
Data: 03/02/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Flávio Arthur Oliveira Santos (UFPE / Centro de Informática)
Prof. Gilberto Camara Neto ( INPE / Divisão de Processamento de Imagens)
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
RESUMO:
A Amazônia desempenha papel fundamental na regulação do clima e regime de chuvas, bem como na manutenção dos recursos hídricos, conservação da biodiversidade e proteção dos povos tradicionais. Apesar de toda essa importância, o bioma está severamente ameaçado pelo processo de ocupação e exploração predatória dos seus recursos naturais. Os sistemas de monitoramento do desmatamento são fundamentais para subsidiar políticas públicas para controle e fiscalização, além orientar e apoiar a comunidade científica na compreensão dos impactos da perda de vegetação sobre o bioma. As técnicas de mapeamento a partir de imagens de sensoriamento remoto evoluíram com o aumento da capacidade de armazenamento e processamento de dados. Mais recentemente, métodos de aprendizado de máquina aplicados a séries temporais de imagens orbitais têm se destacado por explorar explicitamente o contexto temporal, superando limitações de abordagens baseadas em imagens individuais. Apesar desses avanços, ainda não está claro em que medida o comprimento da série temporal influencia o treinamento e desempenho dos modelos e como esse efeito varia entre algoritmos e classes temáticas. O objetivo deste trabalho é avaliar em que medida a extensão das séries temporais de imagens de satélite influencia o desempenho de modelos de aprendizado de máquina no mapeamento de desmatamento na Amazônia. Foi conduzido um experimento de avaliação quantitativa com cinco modelos (Random Forest, XGBoost, Residual Neural Network, Temporal Convolutional Neural Network e Light Temporal Attention Encoder). O dataset utilizado para treinamento é composto por 6007 séries temporais rotuladas a partir de abordagem baseada em eventos, e distribuídas em nove classes relacionadas a desmatamento e cobertura natural do solo. Tais séries foram extraídas de cubos de dados Sentinel-2 produzidos pelo Brazil Data Cube (BDC) para o estado de Rondônia. As séries foram organizadas em quatro configurações, formadas por 23, 46, 69 e 92 composições temporais, e osmodelos foram avaliados a partir de validação cruzada k-fold utilizando o pacote Satellite Image Time Series Analysis on Earth Observation Data Cubes (SITS). As métricas de desempenho avaliadas foram Acurácia Global, Kappa, Precision, Recall e F1-Score. Os resultados indicam uma tendência consistente de aumento de desempenho à medida que o comprimento das séries temporais é ampliado. Os modelos apresentaram acurácia entre 0,89 e 0,92 na configuração de referência (23-TS) e passaram a variar entre 0,93 e 0,96 quando treinados nas configurações temporais mais extensas. Os padrões de F1-Score mostram que todas as classes se beneficiam do aumento temporal, com destaque para as classes de desmatamento que apresentaram ganhos médios de F1 entre 5,28% e 8,58%. Na comparação entre modelos, o TempCNN atingiu os maiores valores absolutos de Acurácia (0,9602) e F1 macro (0,9537), enquanto a ResNet foi o modelo que mais se beneficiou do aumento da séries, com ganho de F1 macro em torno de 11% nas configurações mais longas. Esses resultados evidenciam que a extensão temporal das séries de imagens de satélite exerce influência significativa no desempenho dos modelos avaliados, especialmente na discriminação de padrões associados ao desmatamento.
Palavras-chave: Mapeamento; Desmatamento; Sensoriamento Remoto Aprendizado de máquina; Séries temporais; Avaliação de desempenho.
Comentários desativados