Este módulo do projeto consiste em desenvolver um sistema automático baseado em aprendizado profundo para identificar, mapear e quantificar as áreas impactadas pelo desastre, a partir da classificação supervisionada de imagens de alta resolução espacial, utilizando processamento digital de imagens na sub-bacia do Ribeirão Ferro Carvão, em três momentos:
-
T1: antes do rompimento (entre dezembro de 2018 e 25 jan 2019)
-
T2: imediatamente após o rompimento (após 25/jan/2019 até 01 fev 2019)
-
T3: atual (dez/2019 a fev/2020);
Para isso, definiu-se uma abordagem de segmentação semântica, baseada na arquitetura de redes neural Fully Convolutional Network (FCN) [1]. Foi utilizado um dataset construído com imagens do sensor de satélite GeoEye nos momentos T3, T2, e imagens do sensor de satélite Pleiades no momento T3. Tal dataset contém para cada momento (T3,T2 e T1) a anotação das classes dos pixels referente a área de cobertura das imagens. As anotações das amostras em T3 são utilizadas parcialmente como dado de referência para o treinamento do aprendizado supervisionado, enquanto as imagens no tempo T2 e T1 compõem o conjunto de dados de teste.
Para utilizar o plugin é preciso instalar as dependencias necessarias para que ele funcione. Nesse caso utililizamos o Anaconda para instalar um ambiente virtual com tudo que é necessario para que o plugin funcione. Em adição, utilizamos o Arcgis 10.5.0.6491 em conjunto com o sistema operacional Windows 10.
- Baixe e instale o Anaconda para Windows (https://www.anaconda.com/products/individual#windows).
- Inicie o Anaconda Navigator e clique em "Ambientes"(Environments) na barra lateral esquerda.
- Clique em "Create"(Criar) e crie um novo ambient virtual para python 3.8, com o nome 'arc105' (evitaremos utilizar o ambiente base).
- Inicie o "Anaconda Power shell", e mude para o novo ambiente criado digitando:
> conda activate arc105e em seguida instale as bibliotecas do pytorch digitando:
> conda install pytorch torchvision cudatoolkit=10.2 -c pytorch- Existem outras dependencias que precisam ser instaladas. Para isso, dentro do ambiente arc105 no anaconda navigator, procure e instale as seguintes bibliotecas:
> rasterio
> shapely
> pyshp
> scikit-image
> tensorboard
> scikit-learn
> tqdm
> imgaugExemplo da procura da dependencia 'rasterio' na imagem abaixo:
- Clone/Baixe o repositorio
git clone https://github.com/edemir-matcomp/brumadinho_arcgis_plugin- A instalação do plugin é bastante fácil. A única etapa necessária é copiar este repositório para a pasta em que o ArcGis está instalado. Normalmente, ele pode ser encontrado em C:\Users\Username\Documents\ArcGIS. Em seguida, abra o software ArcGIS e você poderá visualizar o plugin na barra da direita, como pode ser visto na figura abaixo.
Uso para Teste:
Caso queira apenas utilizar um modelo já treinado e gerar um novo mapa de predição, iremos utilizar os scripts de Teste:
- (3) Teste: Computa o Histogram Matching entre a nova imagem e uma imagem de referencia
- (4) Teste: Usar modelo treinado em uma nova imagem
- (5) Teste: Calcula metricas de avaliacao entre mapa gerado e mapa de referencia
O passo (3) é um processo opcional para ser utilizado caso o modelo de treinamento utilizou de imagens provinientes de sensores diferentes da imagem de teste. Exemplo: Na imagem de treino T3 foi feito o imageamento utilizando o sensor GeoEye, enquanto na imagem T1 o imageamento foi feito utilizando o Pleiades.
A imagem abaixo mostra um exemplo de utilização de (3) usando a imagem de T3 como histograma de referencia para a imagem no tempo T1:
A imagem abaixo mostra um exemplo de utilização de (4) usando um modelo treinado em T3 aplicado para a imagem no tempo T1:
Para calcular as metricas entre dois mapas tématicas é necessario que o mapa gerado e o de referencia no formato raster. Assim, como não possua o mapa de referencia em raster, basta utilizar o passo (0) para gerar o mesmo a partir de um formato de shapefile. A imagem abaixo mostra um exemplo de utilização de (5) usando um mapa gerado em (4) para comparar com a sua mascara de referencia:
Uso para Treino:
Caso queira fazer o processo do treinamento da rede, é preciso passar utilizar os scripts de treinamento na seguinte ordem:
- (0) Treino: Cria uma imagem raster a partir do shapefile de referencia
- (1) Treino: Cria patches de imagens sem sobreposicao
- (2) Treino: Treina modelo de segmentacao semantica usando deep learning
A imagem abaixo mostra um exemplo de utilização de (0) para criar o rasterizar o shapefile de referencia da imagem de entrada T3
A imagem abaixo mostra um exemplo de utilização de (1) para criar patches de imagens de T3 que serão usados no processo de treinamento rede
A imagem abaixo mostra um exemplo de utilização de (2) para criar efetuar o treino da rede usando patches de imagens de T3
Edemir Ferreira de Andrade Junior - [email protected]
Project Link: https://github.com/edemir-matcomp/brumadinho_arcgis_plugin