Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 21404
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Ambientais: ODS15 |
| Setor | Departamento de Informática |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Não |
| Apoio financeiro | CNPq |
| Primeiro autor | Raianny Letícia Ferreira de Amorim |
| Orientador | JULIO CESAR SOARES DOS REIS |
| Outros membros | HUGO NEVES DE OLIVEIRA, Mariana Albuquerque Reynaud Schaefer |
| Título | Aplicação de Técnicas de Aprendizado de Máquina para Classificação de Uso e Cobertura do Solo: Criação de Repositórios de Dados Rotulados |
| Resumo | A classificação de uso e cobertura do solo é de extrema importância para a representação e análise da dinâmica dos territórios, especialmente no que se refere aos processos de ocupação, à utilização da terra e às suas transformações ao longo do tempo. No entanto, essa atividade ainda é um desafio para profissionais da área, sobretudo pela ausência de ferramentas completas que abrangem desde o processamento inicial das imagens de sensoriamento remoto até a apresentação dos resultados de forma acessível e prática. Nesse cenário, este trabalho propõe o desenvolvimento de uma ferramenta Web que permita a segmentação e classificação do uso do solo a partir de imagens de satélite, utilizando técnicas de aprendizado de máquina. A proposta visa oferecer uma alternativa mais intuitiva e eficiente em relação às ferramentas atualmente disponíveis no mercado e na academia, que em alguns contextos exigem conhecimento técnico avançado e envolvem fluxos de trabalho complexos, mesmo para tarefas simples. Para isso, durante a etapa inicial de prototipação, foi utilizado o framework Flask, do ecossistema Python, como base para a construção da aplicação Web. Essa escolha se deu pela sua leveza, flexibilidade e compatibilidade com diversas bibliotecas de processamento de imagens de satélite, como scikit-learn, rasterio e samgeo. O desenvolvimento da ferramenta foi projetado para ser responsivo, acessível em qualquer navegador e com uma interface intuitiva que permite o carregamento de imagens de sensoriamento remoto, a seleção de áreas para segmentação, a rotulação dos polígonos segmentados e a posterior visualização interativa dos resultados. Ainda, para o desenvolvimento do sistema foram aplicadas boas práticas de engenharia de software, incluindo versionamento com Git e conteinerização via Docker, o que facilita sua implantação em diferentes ambientes. Para a etapa de segmentação, foram utilizados algoritmos como o SLIC, que permite a geração de superpixels de forma eficiente. Para a classificação, foi aplicado o algoritmo Random Forest, conhecido pela sua robustez e alta acurácia em contextos com múltiplas variáveis. E as imagens utilizadas foram obtidas da missão Sentinel-2, que fornece dados de alta resolução espectral adequados para análises ambientais. Como resultado, foi possível desenvolver uma ferramenta acessível, leve e funcional, que permite a profissionais e pesquisadores realizarem segmentações e classificações de uso do solo com maior rapidez e eficiência. Conclui-se, portanto, que a aplicação desenvolvida contribui significativamente para a democratização do acesso a técnicas avançadas de sensoriamento remoto e aprendizado de máquina, oferecendo uma solução prática e inovadora para a análise territorial com potencial para viabilizar a criação e rotulação de grandes bases de dados neste contexto. |
| Palavras-chave | Aprendizado de Máquina, Sensoriamento Remoto, Segmentação de Imagens |
| Forma de apresentação..... | Vídeo |
| Link para apresentação | Vídeo |
|---|