Linha de pesquisa: Ciência de Dados

Resumo: Este trabalho propõe uma abordagem para a segmentação semântica de focos de incêndios florestais utilizando imagens multiespectrais do satélite Sentinel-2 e redes neurais convolucionais profundas. Foram investigadas arquiteturas U-Net combinadas com os encoders pré-treinados VGG16 e EfficientNetB3, adaptadas por meio de fine-tuning. Para lidar com o severo desbalanceamento entre classes (fundo vs. fogo), aplicou-se undersampling seletivo a nível de imagem, aliado a técnicas de aumento de dados com Albumentations. O treinamento foi dividido em duas fases, com função de perda composta (DiceLoss + BinaryFocalLoss) e otimizador Adam. Os modelos foram avaliados com métricas especí- ficas de segmentação: IoU, F1-Score, precisão e recall. O modelo com VGG16 destacou-se com desempenho superior no conjunto de teste (IoU 81,5%, F1-Score 89,7%), enquanto o EfficientNetB3 apresentou resultados competitivos. A análise qualitativa confirmou a acurácia das predições e a baixa ocorrência de falsos positivos. Os resultados reforçam a viabilidade da integração entre aprendizado profundo e sensoriamento remoto para aplicações operacionais de monitoramento ambiental. Como trabalhos futuros, propõe-se a incorporação de dados multitemporais e avaliação em diferentes biomas.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZWEzYjMyNzMtY2EzY...