Internacional - Pesquisa da Ufam sobre detecção automática de incêndios florestais, por meio de inteligência artificial, é destaque na Taylor & Francis
O artigo intitulado Identifying wildfires with convolutional neural networks and remote sensing: application to Amazon Rainforest (Identificação de incêndios florestais com redes neurais convolucionais e sensoriamento remoto: aplicação à Floresta Amazônica), publicado em dezembro de 2024, no International Journal of Remote Sensing, que aborda um tipo de inteligência artificial como ferramenta auxiliar para detectar incêndios florestais é destaque na sala de imprensa da Taylor & Francis. A pesquisa é de autoria da egressa de mestrado em Geociências, Cíntia L. Eleutério; do docente ligado ao Departamento de Geociência da Ufam, professor Naziano P. Filizola; do docente do departamento de Física, professor Mircea Galiceanu; e dos pós-doutorandos em Geociência, Alderlene P. de Brito, e em Física, Carlos Mendes.
Trata-se de um tipo de inteligência artificial que imita o funcionamento do cérebro humano e pode representar uma solução poderosa na detecção automática de incêndios florestais ao reduzir o tempo necessário para mitigar seus efeitos e melhorar as estratégias de alerta precoce. A tecnologia é formada por um modelo chamado "Redes Neurais Convolucionais (CNN)", que combina imagens de satélite com aprendizado profundo (um subconjunto de Inteligência Artificial e aprendizado de máquina), destacando a relevância do contexto amazônico.
As descobertas, revisadas por pares, relatam uma taxa de sucesso de 93% ao treinar o modelo por meio de um conjunto de dados de imagens da floresta amazônica com e sem incêndios florestais. De acordo com a pesquisadora Cíntia L. Eleutério, a integração de imagens de satélite e IA apresenta uma abordagem proativa para tratar dos crescentes desafios impostos pelos incêndios florestais, promovendo uma resposta para proteger nossos ecossistemas.
“As imagens são derivadas das Landsat 8 e Landsat 9, que são satélites da Nasa. Então, nós pegamos essas imagens e treinamos a rede (CNN) para aprender áreas que têm focos de incêndio. A combinação se deu a partir da utilização das imagens, numa escala de 1 para 50 mil, e treinamos a rede neural ou uma espécie de inteligência artificial para aprender como é que são caracterizados esses incêndios florestais, baseados nessas imagens. Então, a partir daí, a IA consegue generalizar e detectar imagens em outras imagens de satélites e consegue aprender e generalizar para novas imagens”, explicou a pesquisadora.
Passo a passo
Primeiro, a CNN foi treinada em um conjunto de dados de 200 imagens de incêndios florestais e um número igual de imagens sem incêndios florestais para garantir uma abordagem de aprendizado equilibrada. A capacidade da CNN de distinguir entre imagens com e sem incêndios florestais foi então testada usando 40 imagens não incluídas no conjunto de dados de treinamento. O modelo classificou corretamente 23 das 24 imagens com incêndios florestais e todas as 16 imagens sem incêndios florestais, ressaltando assim sua robustez e capacidade de generalização, e mostrando seu potencial como uma ferramenta para detecção eficaz de incêndios florestais.
A pesquisadora Cíntia Eleutério enfatizou que as descobertas desta pesquisa têm implicações significativas para o monitoramento ambiental e resposta a desastres. “A capacidade de classificar e detectar incêndios florestais com precisão usando imagens de satélite, especialmente em uma região tão ecologicamente crucial quanto a Amazônia, fornece uma ferramenta valiosa para intervenção precoce e mitigação. Além disso, a simplicidade e a eficiência da rede neural implementada mostram a viabilidade de incorporar tais tecnologias em aplicações do mundo real”, destacou a pesquisadora.
Contribuições
Segundo a pesquisa, em 2023, houve 98.639 incêndios florestais somente na Amazônia. A floresta amazônica também é responsável por uma parcela significativa (51,94%) dos incêndios florestais nos biomas brasileiros. Atualmente, o monitoramento na Amazônia é fornecido com dados quase em tempo real – no entanto, tem resoluções moderadas e a capacidade de detectar detalhes em áreas remotas ou focos de incêndio menores é limitada.
O estudo contribui para o campo do sensoriamento remoto, aprendizado profundo e também oferece insights práticos para autoridades relevantes. Cíntia Eleutério destacou que sua aplicação para monitoramento ambiental em uma região desafiadora representa uma contribuição significativa na medida que a abordagem lidou com condições adversas, como cobertura vegetal densa, interferência atmosférica (nuvens e fumaça) e a ausência de etapas extensas de pré-processamento.
“A pesquisa destaca a relevância do contexto amazônico e sugere extensões futuras que podem explorar arquiteturas de rede mais sofisticadas e incorporar pré-processamento adicional. Outras aplicações podem ser exploradas pela CNN e imagens de satélite, como monitoramento e controle do desmatamento amazônico”, afirmou.
Próximos passos
O estudo enfatiza que a metodologia não se limita ao Landsat 8 e Landsat 9 e, ao combinar as bandas espectrais de maneira adequada para revelar ocorrências de incêndio, as imagens de outros satélites podem ser integradas, aumentando a versatilidade da abordagem.
“Aumentar o número de imagens de treinamento levará, sem dúvida, a um modelo mais robusto. À medida que o conjunto de dados se expande, pode ser necessário ajustar a arquitetura da rede para lidar efetivamente com os dados adicionais. No entanto, essas modificações devem ser executadas com gerenciamento cuidadoso dos hiperparâmetros, utilizando métodos como validação cruzada, conforme empregado nesta pesquisa, para garantir o desempenho ideal e mitigar o risco de overfitting. Nós pretendemos, agora, ampliar a utilidade desse código para calcular a área devastada, por meio do algoritmo, de forma que ele consiga calcular a área que foi devastada por esses incêndios na floresta”, finalizou a pesquisadora.
Redes Sociais