Banca de QUALIFICAÇÃO: LUIZ CORTINHAS FERREIRA NETO

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: LUIZ CORTINHAS FERREIRA NETO
DATA: 15/06/2022
HORA: 14:00
LOCAL: Google Meet
TÍTULO:

APRENDIZAGEM PROFUNDA APLICADA AO RECONHECIMENTO DE MUDANÇAS NO PADRÃO DE USO E COBERTURA DA TERRA: ESTUDO DE CASOS EM MINERAÇÃO E MANCHAS URBANAS EM IMAGENS DE SATÉLITE

PALAVRAS-CHAVES:

Aprendizado de Maquina, Sensoriamento Remoto, Deep Learning, Mineração, Earth Engine, Landsat, Sentinel

PÁGINAS: 80
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

Mapas acurados são importantes ferramentas para analisar as modificações da superfície terrestre, sejam elas humanas ou naturais. Via de regra são pontos de partida para a elaboração de políticas sócio-ambientais cada vez mais sustentáveis e menos predatórias ao ambiente. Do ponto de vista da capacidade de reconhecer e classificar padrões numéricos em dados satelitários, os métodos de aprendizagem profunda (“Deep Learning”, ou DL) têm se tornado soluções cada vez mais comuns. Esta proposta de tese visa pesquisar técnicas de DL aliadas a sensoriamento remoto a partir de imagens de satélite, para construir soluções inovadoras em dois problemas de interesse atual. Apesar de sua relativa popularização e da reportada eficácia, os conceitos computacionais são relativamente complexos para pessoas que confeccionam e usam mapas em geral. Além da dificuldade de uso, a infraestrutura computacional necessária para o processamento de imagens é complexa, especialmente quando os estudos envolvem escalas regionais ou continentais. Apesar dos bons resultados obtidos por DL, seu uso exige do geoscientista um background computacional extra, aliado à habilidade de programação, sendo desafiadora esta formação interdisciplinar entre as ciências exatas e geociências. Assim, a aplicação de DL em mapeamentos de grande escala é de suma importância na atualidade, e é neste contexto que esta tese está inserida. Esta proposta de tese almeja pesquisar dois casos de uso: mineração e  manchas urbanas em imagens de satélite, ambos com aplicações de relevância à sociedade. Os resultados preliminares das pesquisas em mineração, já permitiram avaliar a expansão mineral na Amazônia, que cresceu aproximadamente 1.000% em área desde 1985. No tocante às  manchas urbanas, almeja-se que a pesquisa habilite estudos técnico-econômicos visando aplicações em inclusão digital, percebidas na série de imagens Sentinel 2 (6 anos e 10m). O estágio atual e resultados das pesquisas em mineração serão discutidos neste texto. Será apresentado um método de DL para reconhecimento de padrões de uso e cobertura da terra, que busca facilitar e difundir o uso de DL aplicado à produção de mapas em larga escala. Em suma, propõe-se um fluxo-metodológico que agrega linguagem Python, infraestrutura em nuvem (Google Earth Engine - GEE), serviços de storage (Google Drive) e técnicas de segmentação semântica baseada em CNN (Convolutional Neural Network) para compor um pipeline simplificado, de baixo custo e eficiente para o reconhecimento de classes com majoritária dependência espectro-contextual. Neste texto de qualificação, a avaliação deste método leva em consideração a atividade de extração de minérios na Amazônia Brasileira - AB (garimpo de aluvião e industrial),  ao longo de toda série Landsat disponível (36 anos e 30m de resolução). Assim sendo, propõe-se desenvolver uma tese de doutorado centrada nas duas principais contribuições apresentadas neste texto de qualificação: 1) Um método que simplifica a utilização de DL para o reconhecimento de alvos terrestres, apoiado sobre ferramentas de uso livre e infraestrutura de baixo custo, e 2) A classificação de 36 anos da evolução da atividade de mineração na AB.

MEMBROS DA BANCA:
Presidente - 1176325 - ALDEBARO BARRETO DA ROCHA KLAUTAU JUNIOR
Externo à Instituição - ALESSANDRA RODRIGUES GOMES
Interno - 1809092 - CLAUDOMIRO DE SOUZA DE SALES JUNIOR
Externo à Instituição - NANDAMUDI LANKALAPALLI VIJAYKUMAR
Externo ao Programa - 1229328 - PEDRO WALFIR MARTINS E SOUZA FILHO