Detecção de estradas rurais em imagens Planet usando rede convolutional U-Net

Abstract

Resumo: O Brasil, um dos países mais extensos do mundo, possui uma significativa parcela de vias de rodagem situada em ambiente rural, sem a devida manutenção, o que dificulta a extensão de serviços à população rural. Muitas dessas estradas desempenham um papel fundamental na gestão territorial, uma vez que são responsáveis pelo escoamento da produção agrícola do interior do país e pela conectividade das comunidades rurais. A manutenção destas estradas e sua exploração para a extensão de serviços básicos, como energia e água, é somente possível com uma adequada atualização cartográfica da rede viária. Mais recentemente, o uso de métodos de aprendizado profundo para a análise de imagens orbitais tem crescido significativamente. Dentro desta nova realidade, esta pesquisa propõe uma abordagem baseada em técnicas de sensoriamento remoto aliadas a ferramentas de inteligência artificial, com o intuito de contribuir para solucionar o problema do mapeamento de estradas em áreas rurais. Para isto, se propõe o uso das redes convolucionais. Utilizando a arquitetura U-Net, foi possível identificar um potencial promissor na detecção de estradas rurais em imagens da constelação Planet. A taxa de detecção alcançada foi notável, atingindo uma acurácia de 92%. Contudo, é importante ressaltar a necessidade de aprimoramentos, visto que outras métricas de avaliação, como a precisão (76,66%) e o f1-score (69,48%), indicam margem para otimização dos parâmetros utilizados. No estudo também é feita uma análise comparativa entre o uso dos interpretadores na nuvem, do Google Colab (em ambiente virtual) e Pyzo (em ambiente local, utilizando o computador desktop/workstation fornecido pela UFPR). Verificou-se que o Colab apresenta vantagens em termos de custo e acesso a recursos de processamento. Entretanto, é relevante destacar que o uso do Colab também traz consigo algumas limitações, as quais requerem uma abordagem cuidadosa ao ajustar a complexidade do modelo e o tamanho do conjunto de dados.

Abstract: Brazil, one of the largest countries in the world, has a significant number of roads in rural areas that are not properly maintained, making it difficult to extend services to the rural population. Many of these roads play a fundamental role in land management, as they are responsible for transporting agricultural produce from the interior of the country and for connecting rural communities. Maintaining these roads and exploiting them to extend basic services, such as energy and water, is only possible with a proper cartographic update of the road network. More recently, the use of deep learning methods to analyse orbital images has grown significantly. Within this new reality, this research proposes an approach based on remote sensing techniques combined with artificial intelligence tools, with the aim of helping to solve the problem of mapping roads in rural areas. To this end, the use of convolutional networks is proposed. Using the U-Net architecture, it was possible to identify promising potential for detecting rural roads in images from the Planet constellation. The detection rate achieved was remarkable, reaching an accuracy of 92 per cent. However, it is important to highlight the need for improvement, since other evaluation metrics, such as accuracy (76.66%) and f1-score (69.48%), indicate room for optimization of the parameters used. The study also makes a comparative analysis between the use of interpreters in the cloud, Google Colab (in a virtual environment) and Pyzo (in a local environment, using the desktop/workstation computer provided by UFPR). Colab was found to have advantages in terms of cost and access to processing resources. However, it is important to emphasize that the use of Colab also brings with it some limitations, which require a careful approach when adjusting the complexity of the model and the size of the data set.