ForestEyes - usando cidadãos para detectar desmatamento

A conservação das florestas tropicais é um assunto relevante devido ao importante papel que elas desempenham no ecossistema global. Elas possuem uma grande diversidade de fauna e flora, além de regularem o clima e as chuvas, absorvendo grandes quantidades de dióxido de carbono e sendo lar de povos indígenas. Infelizmente, milhões de hectares foram perdidos e degradados ao longo dos anos.

As florestas tropicais precisam ser protegidas e ações coletivas devem ser criadas para complementar as iniciativas de conservação existentes.

O Projeto ForestWatchers foi criado em 2012 com esse propósito: aliar Ciência Cidadã com monitoramento de florestas. Em uma de suas aplicações, imagens de sensoriamento remoto de áreas florestais eram classificadas em floresta ou não-floresta por um algoritmo automático de classificação e a acurácia do mapa resultante poderia ser posteriormente melhorada através de observação voluntária na Web.

Inspirados por essa aplicação do ForestWatchers, este projeto de Ciência Cidadã deseja que cidadãos nos ajudem a detectar desmatamento. Voluntários estarão classificando mosaicos recentes de sensoriamento remoto, que serão utilizados como conjunto de treinamento em um algoritmo de classificação. É esperado que este procedimento seja rápido e barato, ajudando a detectar desmatamento até em locais onde não existem programas oficiais de monitoramento em florestas tropicais.

Para a definição de quais mosaicos de sensoriamento remoto serão enviados para análise dos voluntários, serão utilizadas técnicas de um paradigma de aprendizado de máquina conhecido como Aprendizado Ativo. Nele, tem-se como objetivo construir de maneira incremental um conjunto de treinamento, de tal forma que o mesmo tenha poucas amostras mas de alta representatividade, fazendo com que se atinja máxima acurácia na classificação de novas amostras. Para esta aplicação, o procedimento será o seguinte: começamos com um pequeno conjunto de treinamento para classificação automática de pixels de imagens de sensoriamento remoto em floresta e não-floresta; a técnica de aprendizado ativo escolherá novas potenciais amostras a serem incluídas no conjunto de treinamento; essas amostras serão analisadas e classificadas pelos voluntários neste projeto de ciência cidadã; as amostras classificadas aqui serão adicionadas ao conjunto de treinamento e o classificador automático será treinado e a técnica de aprendizado ativo irá escolher novas amostras para serem analisadas e classificadas pelos voluntários e assim segue. Esse procedimento será feito até que o classificador automático atinja uma taxa de acerto razoável.

As imagens que, no momento, serão utilizadas neste projeto são imagens captadas pelo sensor MODIS (https://modis.gsfc.nasa.gov/) da NASA e pelo satélite Landsat-8/OLI (https://landsat.usgs.gov/landsat-8). As imagens do MODIS foram gentilmente cedidas pela equipe do Projeto ForestWatchers e as imagens do Landsat-8/OLI são disponibilizadas gratuitamente pela USGS (United States Geological Survey), no site https://earthexplorer.usgs.gov/. No futuro, imagens de outros satélites poderão ser utilizadas.

Para estudos preliminares e validação deste projeto foram realizadas tarefas com os mesmos dados utilizados no Projeto ForestWatchers: imagens do sensor MODIS para as áreas do estado de Rondônia no ano de 2011 e da reserva indígena Awá-Guajá (estado do Maranhão) no ano de 2014. Atualmente são realizadas tarefas com imagens do satélite Landsat-8/OLI do estado de Rondônia no ano de 2016. Os resultados obtidos nessas e nas futuras tarefas serão sempre disponibilizados na aba Results.

A aplicação atual é LANDSAT 8 - Segments. Com um método chamado Simple Linear Iterative Clustering (SLIC), uma imagem de sensoriamento remoto de uma área do estado de Rondônia foi segmentada em aproximadamente 1000 pedaços. Precisamos que os voluntários classifiquem cada segmento em Floresta, Não-Floresta ou Indefinido. Cada segmento pode ser visto em uma imagem de composição RGB ou em uma imagem de composição de falsa-cor com as bandas 7, 5 e 3 do LANDSAT-8.

Os segmentos classificados serão usados para treinar um classificador automático que irá analisar novas imagens de sensoriamento remoto para detectar desmatamento em florestas tropicais.