Modelos de aprendizado profundo para dados tabulares em sensoriamento remoto: utilização do TabR e TabNet na classificação de imagens de radar de abertura sintética (SAR)

Abstract

Este trabalho investiga a aplicação de modelos de aprendizado profundo voltados para dados tabulares, TabNet e TabR, na tarefa de classificação supervisionada de imagens de Radar de Abertura Sintética (SAR) e Polarimetric SAR (PolSAR). Embora esses dados sejam originalmente matriciais, procedimentos comuns em sensoriamento remoto permitem sua conversão para representação tabular, possibilitando o uso de classificadores tradicionais e modernos. Dois conjuntos reais foram utilizados: uma cena urbana de São Francisco - EUA, contendo três classes, e uma cena agrícola de Foulum - Dinamarca, composta por seis culturas distintas. Para cada classe, regiões de treinamento e teste foram extraídas e convertidas para tabelas contendo as intensidades dos canais HH, HV e VV. Os modelos TabR, TabNet e Random Forest foram ajustados e comparados em termos de acurácia, precisão, recall, F1-score e coeficiente Kappa. Os resultados mostram que, para a cena de São Francisco, o TabR obteve o melhor desempenho global, superando o Random Forest e o TabNet. Para a área de Foulum, o TabNet apresentou desempenho superior, embora todos os modelos tenham alcançado resultados competitivos. Os achados evidenciam que abordagens profundas específicas para dados tabulares podem apresentar desempenho equivalente ou superior aos métodos clássicos, configurando-se como alternativas promissoras para classificação de dados SAR/PolSAR convertidos para formato tabular