Small oceanic islands, such as São Miguel Island in the Azores (Portugal), face heightened susceptibility to the adverse impacts of climate change, biological invasions, and land cover changes, posing threats to biodiversity and ecosystem functions and services. Over the years, persistent conservation endeavors, notably those supported by the EU LIFE Programme since 2003, have played a pivotal role in alleviating biodiversity decline, particularly in the eastern region of São Miguel Island. This study advocates the application of remote sensing data and techniques to support the management and effective monitoring of LIFE Nature projects with land cover impacts. A land cover change detection approach utilizing Rao’s Q diversity index identified and assessed changes from 2002 to 2021 in intervention areas. The study analyzed the changes in LIFE project areas using ASTER, Landsat 8, and Sentinel 2 data through Google Earth Engine on Google Colab (with Python). This methodological approach identified and assessed land cover changes in project intervention areas within defined timelines. This technological integration enhances the potential of remote sensing for near-real-time monitoring of conservation projects, making it possible to assess their land cover impacts and intervention achievements.

Neste trabalho busca-se desenvolver uma rede neural convolucional para identificar defeitos em tecidos a partir de imagens digitalizadas. É apresentada a teoria de redes neurais, focando nas redes neurais convolucionais e sua aplicação em computação visual. Para criar e executar os códigos desta pesquisa são utilizados Python e Google Colaboratory. O desenvolvimento dos códigos é feito de forma progressiva. Inicialmente é implementada uma rede neural convolucional para tratar um problema bastante divulgado na comunidade de redes neurais: identificar números a partir de imagens de dígitos manuscritos. Aprimora-se este código para tratar outro problema também conhecido na comunidade: diferenciar imagens de cães e gatos. Em seguida, é feito um estudo de caso, aplicando-se o código desenvolvido para tentar identificar defeitos em tecidos a partir de um banco de dados de imagens digitalizadas composto por seis tramas diferentes de tecidos com e sem defeitos. São feitas tentativas de melhorar o desempenho da rede, implementando as seguintes modificações: aumento do número de epochs, aumento da quantidade de camadas, uso de Transfer Learning, alteração do préprocessamento de imagens e uso de data augmentation. Independente da modificação implantada, observa-se que o desempenho da rede variou conforme a trama do tecido. Concluise que, de maneira geral, o desempenho da rede neural melhora com a escolha adequada da técnica de pré-processamento das imagens. Além disso, o uso de data augmentation também é importante para aumentar a quantidade de dados na base, pois no caso estudado há um desbalanceamento entre as quantidades de imagens com e sem defeitos em cada trama.

Esse estudo tem como objetivo comparar o uso de diferentes processadores e arquiteturas em redes neurais aplicadas a um mesmo problema de previsão. São apresentados fundamentos da técnica de redes neurais e das bibliotecas TensorFlow e Keras utilizadas na implementação em Python. É proposta uma metodologia para se treinar 12 redes neurais utilizando-se quatro arquiteturas (direta simples, direta com camadas, LSTM e convolucional) e três processadores (CPU, GPU e TPU) no ambiente Google Colab. As redes neurais são aplicadas à mesma base de dados. Os resultados de performance e tempo de processamento são comparados estatisticamente. Concluiu-se que utilizar diferentes processadores numa mesma arquitetura não afetou o desempenho da rede e, ao contrário do esperado, não se reduziu o tempo de processamento. Por sua vez ao se usar diferentes arquiteturas com o mesmo processador, concluiu-se que com redes mais complexas a performance melhora e o tempo de processamento aumenta.

Nesta dissertação é desenvolvido um programa informático para utilização operacional pelo Destacamento de Mergulhadores Sapadores nº 3 (DMS3), denominado MINEX HUNTER, que deteta automaticamente minas e outros objetos em imagens de sonar de varrimento lateral dos veículos submarinos não tripulados. Adicionalmente, são estudados vários métodos de análise e deteção automática baseados em machine learning, para classificar objetos em imagens de sonar de varrimento lateral e é desenvolvido um sistema de treino de uma rede neuronal profunda. No primeiro capítulo é apresentada uma revisão crítica da literatura sobre sonares de varrimento lateral e as imagens obtidas com estes, sobre sistemas de aprendizagem automática (do inglês Machine Learning) e a sua aplicação na deteção de minas. No segundo capítulo é feita uma descrição dos veículos autónomos disponíveis na Marinha para a deteção de minas, é descrito o modo como o DMS3 os utiliza e é apresentada a base de dados de imagens disponíveis para treino do sistema. Ainda neste capítulo é descrito o funcionamento do sistema de aprendizagem com redes neuronais profundas YOLOv4 e a parametrização usada neste trabalho. No terceiro capítulo são descritos os diversos testes de aprendizagem automática realizados, com uma análise crítica dos resultados obtidos em cada caso. No final é escolhido, para utilização operacional, o sistema que apresentou melhores resultados, o qual deteta 80% dos objetos de interesse presentes na imagem. No quarto capítulo é descrito o desenvolvimento do programa informático MINEX HUNTER, que auxilia o operador a detetar minas e outros objetos em registos de sonares de varrimento lateral. A dissertação termina com um resumo dos bons resultados obtidos e sugestões de melhorias. Em anexo é apresentado um manual para o utilizador do programa e todo o software desenvolvido está disponível em código fonte e executável num repositório 1 . Este trabalho foi desenvolvido no âmbito do projecto europeu OCEAN2020, em que o CINAV participou.