Detecção de áreas de apicum em dados Landsat utilizando redes neurais profundas

Abstract

Apicuns, denominadas em inglês de hypersaline tidal flats, são unidades geoambientais comumente associadas a presença de manguezais em áridas e semiáridas regiões ao longo da Zona Costeira Brasileira (ZCB). Tais áreas apresentam altos níveis de salinidade aos quais advém da exposição a ciclos consecutivos de inundação e seca. Estes realizam manutenção da biodiversidade local e fomento social e econômico para a comunidade local, além de agir como guarda e buffer de florestas de mangue diante de aumentos no nível do mar. Entretanto, tais áreas estão à mercê de impactos ambientais, fenômenos naturais e antrópicos, e estudos focados nesse tipo de classe de uso e cobertura ainda são escassos e esparsos. Logo, sua identificação e monitoramento ao longo de extensivas séries temporais se mostram tarefas importantes para a sua preservação bem como forma de avaliar e descrever os impactos de atividades humanas e das mudanças climáticas, juntamente com a situação ecológica, econômica e social do espaço costeiro. Nacionalmente, o Projeto MapBiomas é uma referência notável no que tange a classificação e detecção, ao nível de pixel, de alvos ambientais em longas séries de imagens de satélite. Estudos deste projeto foram relatados em publicação recente a aplicação de modelos de Random Forest para a classificação de apicum em específico. Nesse sentido, por meio da execução de um mapeamento sistemático da literatura, verificou-se uma proeminência e popularidade na utilização de técnicas de Convolutional Neural Network para a segmentação semântica de alvos costeiros em imagens de satélite, em especial, redes derivadas do modelo U-Net, utilizando técnicas de correção atmosférica para pré-processamento e métricas de acurácia global como forma de avaliação dos mapas e dados gerados. Destarte, o presente trabalho propõe a utilização de uma rede neural convolucional do tipo U-Net para classificar, ao nível de pixel, áreas de apicum presentes em imagens de satélite da missão Landsat. Tais imagens a serem segmentadas compreendem uma série temporal com início em 1985 e término em 2023, embargando a ZCB. Além disso, técnicas de pré e pós-processamentos foram utilizadas. Resultados experimentais mostram que a área de apicum presente em território nacional total aumentou 4661.7ha de 1985 a 2004, e diminuiu aproximadamente 20423.8ha de 2005 a 2023, representando uma redução total de aproximadamente 15300ha para todo o período. Também se constatou que o modelo utilizado supera as avaliações, em termos de acurácia global, sobre os resultados da coleção 6 do projeto MapBiomas, diante do mesmo conjunto de dados, alcançando 73% e 73% para 1985, contra 75%, 67%, para o Nordeste e Norte; em 2002, obteve 81%, 76% e 96% versus 78%, 72% e 92% para Nordeste, Norte e Sudeste. Em 2023, atingiu 84% enquanto o projeto admitiu 81% para o Nordeste, em respectivo.

Abstract: Hypersaline tidal flats (HTFs), also known as apicuns in Brazil, are geoenvironmental units usually related to mangrove forests in arid and semi-arid regions along the Brazilian Coastal Zone (BCZ). Such areas have high levels of salinity resulting from exposure to consecutive cycles of flood and drought. These maintain local biodiversity and provide social and economic support for the local community, in addition to acting as a guard and buffer for mangrove forests in the face of increases in sea level. However, such areas are subject to natural and anthropic impacts and activities, and studies focused on this type of land use land cover are still scarce and sparse. Therefore, their identification and monitoring over extensive time series represent important tasks for its preservation and as a way to evaluate and describe the impacts of human activities and climate change, together with the ecological, economical and social situation of coastal areas. Nationally, the MapBiomas Project is a notable reference in terms of classification and detection, at the pixel level, of environmental targets in a long series of satellite images, which reported in a recent publication the application of Random Forest models for the specific classification of apicum. In this sense, through the execution of a systematic mapping of the literature, there was a prominence and popularity in the use of Convolutional Neural Network techniques for the semantic segmentation of coastal targets in satellite images, in particular, derived networks of the U-Net model, using atmospheric correction techniques for pre-processing and global accuracy metrics as a way of evaluating the maps and data generated. Therefore, the present work proposes a U-shaped convolutional neural network to segment HTFs areas present in satellite images from the Landsat mission. The data to be segmented comprise a time series starting in 1985 and ending in 2023, embargoing the BCZ. In addition, pre and postprocessing techniques are part of the methodology. Experimental results show that the area of apicum present in the total national territory increased by 4661.7ha from 1985 to 2004, and decreased by approximately 20423.8ha from 2005 to 2023, representing a total reduction of ?15300ha for the entire period. We also show that the model used surpasses the evaluations, in terms of global accuracy, on the results of MapBiomas? collection 6, against the same data set, reaching 73% and 73% for 1985, against 75%, 67%, for the Northeast and North regions; in 2002, it obtained 81%, 76% and 96% versus 78%, 72% and 92% for the Northeast, North and Southeast. In 2023, it reached 84% while the project admitted 81% for the Northeast region, respectively.