Modulo Extensor para um monitoramento contínuo de áreas afetadas por deslizamentos de terra a partir de radar InSAR, pós eventos climáticos anômalos de precipitação.

Pesquisador Líder: Francisco Fernandes

Local de Pesquisa: Região da Serra no Rio Grande

Os deslizamentos de terra são um dos riscos naturais mais graves, causando impactos ambientais, econômicos e sociais significativos. Se não forem gerenciados adequadamente, podem resultar em perdas humanas, destruição de infraestruturas e comprometimento de meios de subsistência. A capacidade de avaliar rapidamente esses danos é fundamental para o gerenciamento de emergências. As informações espaciais sobre áreas afetadas por deslizamentos de terra, geralmente obtidas por meio de sensoriamento remoto, são essenciais para a resposta a desastres, ações de resgate, recuperação urbana e rural, planejamento territorial, serviços de seguro e avaliação de danos. Diversos métodos de mapeamento de deslizamentos de terra foram desenvolvidos, cada um com vantagens e limitações distintas. Entre os métodos mais amplamente utilizados para o mapeamento de deslizamentos de terra estão os algoritmos de aprendizado de máquina e os índices espectrais derivados de sensores ópticos e de radar. No entanto, esses métodos frequentemente enfrentam desafios, especialmente na definição de limiares para os índices espectrais e no processo de amostragem para a classificação supervisionada. Diante disso, esta pesquisa propõe o desenvolvimento de uma abordagem automatizada para o mapeamento quase em tempo real de áreas impactadas por deslizamentos de terra, tendo como base a classificação supervisionada baseada em características espectrais de múltiplos sensores orbitais, implementada no ambiente de processamento em nuvem do Google. A abordagem proposta sugere a confecção de um método que gere automaticamente amostras de treinamento por meio de máscaras derivadas de índices espectrais e de radar. Especificamente, este estudo utiliza os índices NDVI, NDBI, BSI, VH/VV e RFDI para extrair amostras de treinamento correspondentes a vegetação, áreas construídas, solo exposto e superfícies instáveis, respectivamente. A técnica de limiar de Otsu será aplicada para criar as máscaras espectrais, permitindo a extração automática de amostras representativas das áreas afetadas por deslizamentos de terra. A classificação da cobertura do solo será então realizada utilizando o algoritmo aprendizagem de máquina, treinado com as amostras geradas automaticamente. O mapa final de deslizamentos de terra é obtido comparando a cobertura do solo antes e depois do evento, identificando mudanças associadas à instabilidade do terreno. O método proposto será implementado utilizando imagens ópticas do satélite Sentinel-2 e radar do Sentinel-1. A precisão da abordagem será rigorosamente avaliada e comparada com resultados obtidos por meio de observação in-situ e consulta em dados de alta resolução, sendo mensurada por índices estatísticos como acurácia geral, Coeficiente Kappa e área sob a curva ROC (AUC).