Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning
Este artigo demonstra que a aplicação de aprendizado por transferência e ajuste fino às bandas RGB do conjunto de dados EuroSAT permite o mapeamento de uso e cobertura da terra com alta precisão (99,19%), fornecendo uma ferramenta valiosa para o monitoramento ambiental, planejamento urbano e mitigação das mudanças climáticas.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
A Terra está em constante mudança, remodelada pelo avanço lento das florestas, a disseminação súbita das cidades e os padrões mutáveis da agricultura. Para gerir essas mudanças e proteger os nossos recursos naturais, os cientistas precisam de uma imagem clara e precisa de como o solo se parece visto de cima. Durante décadas, isso significou enviar pessoas para o campo ou estudar fotografias manualmente, um processo lento e muitas vezes incompleto. Hoje, satélites orbitam o planeta, capturando vastas quantidades de imagens digitais todos os dias. Estas imagens funcionam como um arquivo massivo e global da nossa superfície, mas são numerosas demais para que os seres humanos as classifiquem uma a uma. É aqui que a inteligência artificial entra, especificamente um ramo conhecido como visão computacional, que ensina as máquinas a reconhecer padrões e identificar objetos dentro de imagens tal como o olho humano faria. O desafio reside em treinar estas máquinas para distinguir entre um rio, uma floresta ou um bairro residencial com alta precisão, especialmente quando os dados provêm de sensores de satélite complexos.
Num estudo recente, os investigadores Suman Kunwar e Jannatul Ferdush abordaram este desafio ao testar o quão bem um tipo moderno de inteligência artificial poderia classificar o uso e a cobertura do solo. Eles focaram-se numa coleção específica de imagens de satélite chamada EuroSAT, que contém 27.000 imagens rotuladas da superfície da Terra tiradas pelo satélite Sentinel-2. Estas imagens estão divididas em dez categorias distintas, que variam desde culturas anuais e florestas até autoestradas e zonas industriais. Os investigadores queriam ver se conseguiriam usar um modelo poderoso e pré-treinado conhecido como Vision Transformer, ou ViT, para aprender a classificar estas imagens. Este modelo já tinha sido ensinado a reconhecer objetos em fotografias gerais, e a equipa pretendia ver se ele poderia ser adaptado para compreender as texturas e cores específicas das imagens de satélite. Eles testaram se alimentar o modelo com versões extras e ligeiramente alteradas das mesmas imagens — como cópias invertidas ou recortadas — ajudaria a aprender melhor, uma técnica conhecida como aumento de dados (data augmentation).
A equipa treinou o seu sistema utilizando um conjunto específico de instruções e ferramentas, executando os experimentos em processadores de computador potentes disponíveis através de uma plataforma online. Eles compararam o desempenho do Vision Transformer contra outros dois modelos de inteligência artificial bem conhecidos, VGG16 e ResNet-50, utilizando os mesmos dados de satélite. Os resultados mostraram que o Vision Transformer foi o mais preciso dos três. Quando os investigadores utilizaram as imagens padrão sem quaisquer alterações extras, o modelo identificou corretamente o tipo de terreno em 98,61 por cento dos casos de teste. No entanto, quando introduziram a técnica de aumento de dados, o desempenho do modelo melhorou ainda mais, atingindo uma precisão de 98,72 por cento. Num teste mais detalhado onde treinaram o modelo durante um período mais longo, a versão que utilizou o aumento de dados alcançou uma precisão notável de 99,19 por cento, enquanto a versão sem aumento de dados viu a sua precisão declinar ligeiramente à medida que o treino continuava, caindo de 98,67% em 10 épocas para 98,41% em 20 épocas. Isto sugere que expor o modelo a uma variedade mais ampla de ângulos e recortes de imagem o ajudou a generalizar melhor para novos dados não vistos.
Para provar que este alto nível de precisão poderia ser aplicado ao mundo real, os investigadores pegaram no seu modelo de melhor desempenho e aplicaram-no a uma região específica conhecida como Kreis Borken, na Alemanha. Eles recolheram imagens de satélite desta área de 2018 a 2020 e dividiram-nas em pequenos quadrados geríveis. O modelo examinou então cada quadrado e atribuiu-lhe um rótulo, como floresta, pastagem ou área residencial. O resultado final foi um mapa colorido que representou visualmente a distribuição de diferentes tipos de terreno através da região. A análise do mapa revelou que o modelo era particularmente bom a identificar florestas e corpos de água, enquanto considerou a categoria "pastagem" um pouco mais difícil de distinguir, registando a menor precisão entre todas as classes, embora as restantes categorias tenham atingido quase 99% de precisão.
O estudo conclui que o uso de aprendizagem por transferência (transfer learning), onde um modelo treinado para uma tarefa é adaptado para outra, é uma forma altamente eficaz de mapear o uso do solo. Os investigadores descobriram que adicionar o aumento de dados não só melhorou a precisão da classificação, como também ajudou o modelo a evitar o sobreajuste (overfitting), um problema comum onde um computador memoriza demasiado os dados de treino e falha ao reconhecer novos padrões. Ao combinar estas técnicas, a equipa demonstrou que é possível criar mapas detalhados e automatizados da superfície da Terra com precisão quase perfeita. Estas descobertas sugerem que tais ferramentas podem ser valiosas para urbanistas e ambientalistas que precisam de monitorizar as mudanças no uso do solo, planear o crescimento futuro e proteger habitats naturais sem depender exclusivamente da observação manual.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.