| Summary: | Recentemente, um projeto de ciências cidadã chamado \emph{ForestWatchers} (LUZ et al., 2014) foi lançado com o objetivo de envolver os cidadãos leigos no monitoramento do desmatamento. Por meio de uma interface Web, voluntários de todo o mundo são convidados a analisar imagens MODIS de regiões florestais e confirmar se atribuições automáticas de regiões de florestas desmatadas estão corretamente classificadas. Considerando a grande área em todo mundo coberta pelas florestas tropicais, torna-se fundamental o uso de um classificador rápido que atenda a um objetivo duplo: o mapeamento de pixels em duas classes (${'}$Floresta${'}$ e ${'}$não-Floresta${'}$) e a seleção dos pixels a serem enviados aos voluntários para a inspeção, com base em uma métrica de confiança. Nesta dissertação investiga-se o uso de dois métodos distintos - rede neural de perceptrons multicamada (\emph{Multi-Layered Perceptron}, MLP) difusa e Floresta Aleatória (\emph{Random Forest, RF}) - na classificação de padrões de desmatamento na Amazônia brasileira, utilizando imagens MODIS. Neste sentido, foram gerados mapas de desmatamento de diversos tamanhos, de diversas áreas do estado de Rondônia. Os resultados foram validados com os resultados de projeto PRODES, que avalia anualmente o desmatamento na Amazônia brasileira. Nestes testes, o classificador RF apresentou um desempenho amplamente superior ao das redes neurais \emph{Multi-Layered Perceptro e Multi-Layered Perceptron Fuzzy}. === Recently, a citizen science project called ForestWatchers (LUZ et al., 2014) was launched in order to involve the laity citizens in the monitoring of deforestation. Through a Web interface, volunteers from around the world are invited to review MODIS images of forest regions and confirm that automatic assignment of cleared forest areas are properly classified. Considering the large area worldwide covered by tropical forest, it is essential to use a fast classifier that meets a double objective: the pixel mapping into two classes (${'}$Forest${'}$ and ${'}$non-forest${'}$) and the selection of pixels to be sent to volunteers for inspection, based on a reliable metric. This dissertation investigates the use of two different methods - neural network multilayer perceptrons (Multi-Layered Perceptron, MLP) diffuse and Random Forest (Random Forest, RF) - the deforestation pattern classification in the Brazilian Amazon using MODIS images. In this sense, deforestation maps were generated from various sizes, from different areas of the state of Rondonia. The results were validated with the results of PRODES project, which annually evaluates deforestation in the Brazilian Amazon. In these tests, the classifier RF showed a vastly superior performance to the \emph{Multi-Layered Perceptro and Multi-Layered Perceptron Fuzzy neural networks.}.
|
|---|
