Método usando deep learning para processamento de alvos de uso e cobertura da terra em imagens landsat: estudo de caso da mineração no Brasil

Técnicas de aprendizagem profunda, especificamente redes neurais convolucionais, têm grande potencial na análise de imagens de sensoriamento remoto para a detecção de mudanças na superfície terrestre. Nesta tese, uma metodologia automática baseada em uma CNN em formato de U (U-Net) é proposta para a detecção e mapeamento de áreas de mineração em todo o Brasil, diferenciando entre mineração industrial e garimpo (aluvião). A mineração, uma atividade extrativista que remove o substrato para acessar camadas ricas em sedimentos minerais, possui significativo impacto ambiental e socioeconômico, especialmente na Amazônia. Embora economicamente relevante, ainda não existem métodos automáticos para mapear essa atividade de forma contínua por longos períodos, distinguindo seus diferentes tipos. A metodologia proposta foi aplicada em mosaicos anuais Landsat livres de nuvens, abrangendo um período de 37 anos (1985-2022). A acurácia da U-Net modificada foi validada espacialmente por especialistas em sensoriamento remoto, obtendo-se uma média de 99% de acurácia geral, 91% de acurácia do produtor e 91% de acurácia do consumidor. Os resultados demonstram um aumento expressivo da área ocupada pela mineração, que cresceu cerca de 10 vezes entre 1985 e 2022, totalizando 4.500 km². O garimpo foi o subtipo de mineração que mais cresceu percentualmente, passando de 218 km² para 2.627km². A U-Net modificada e proposta se mostrou 30% menor em quantidade de parâmetros treináveis em comparação com U-Net original. Conclui-se que a metodologia proposta é eficaz para o mapeamento da atividade mineradora, fornecendo dados precisos e atualizados para a gestão ambiental e o planejamento territorial.