Detecção de áreas de clareiras na Floresta Amazônica através de monitoramento via satélite usando técnicas de aprendizagem de máquina

Este artigo aborda o problema de detecção de áreas de clareira na Floresta Amazônica, através do uso de dados de sensoriamento remoto e técnicas de aprendizagem de máquina supervisionada e não-supervisionada. Uma clareira (ou lacuna de dossel) é uma pequena área em uma floresta onde não há árvores ou há apenas mata baixa que destoa do seu entorno. Foram usadas 44 imagens de satélite, divididas em 3.288 segmentos, rotulados por um especialista, sendo 1.652 da classe não-clareira e 1.636 de clareira. Os segmentos foram representados por um conjunto de características que inclui informacões de cor e estatística de 1a e 2a ordem. No aprendizado supervisionado, os melhores resultados foram obtidos com os métodos baseados em regras, Decision Tree e Randon Forest, chegando a 97% nas duas classes. Métodos que usam abordagens diferentes obtiveram resultados piores, o que sugere melhor análise da relacão entre os atributos. Já no aprendizado não-supervisionado, o melhor desempenho foi para o método BIRCH, que obteve 94,48% para as duas classes, mas necessitando de um grande número de agrupamentos sob alto custo de processamento. Os resultados preliminares obtidos indicam que a abordagem proposta é promissora, o que deve continuar sendo investigado.