[en] ANALYSING SATELLITE IMAGES USING DEEP LEARNING FOR PLANNING MILITARY OPERATIONS

[pt] ANÁLISE DE IMAGENS SATELITAIS USANDO DEEP LEARNING PARA PLANEJAMENTO DE OPERAÇÕES MILITARES

[pt] RAPHAEL DE SOUZA E ALMEIDA

[pt] SENSORIAMENTO REMOTO

[pt] PLANEJAMENTO MILITAR

[pt] AMBIENTE DE APRENDIZAGEM VIRTUAL

[pt] SEGMENTACAO SEMANTICA

[en] REMOTE SENSING

[en] MILITARY PLANNING

[en] VIRTUAL LEARNING ENVIRONMENT

[en] PIXEL-WISE SEMANTIC SEGMENTATION

[pt] O planejamento de uma operação militar é difícil e exige uma série de procedimentos e coordenações para se analisar e interpretar todos os dados disponíveis. A este processo chamamos de Processo de Planejamento Militar. Nele, obter informações detalhadas da área de operações é uma atividade complexa, demorada e essencial para viabilizar sua condução. Além disso, entender os aspectos táticos do terreno e transmitir a análise realizada encontram como barreira a abstração necessária para tal. Outra dificuldade está em se testar o planejamento confeccionado na mesma região analisada. Sendo assim, este trabalho apresenta um pipeline baseado em técnicas modernas de deep learning para segmentação semântica de imagens de sensoriamento remoto, com o propósito é automatizar e aprimorar o processo de geração de cartas de trafegabilidade, terrenos virtuais e ambientes simulados para apoio ao planejamento de operações militares. Nossa abordagem consiste no treinamento de uma arquitetura baseada em redes neurais UNet, utilizando segmentação semântica binária com um método comitê, a fim de detectar classes relacionadas à trafegabilidade. Para analisar o terreno virtual, propomos o Simulador Virtual para Estudo Topotático do Terreno (SVETT), que utiliza recursos encontrados em sala de aula para facilitar o estudo do terreno. Como resultados, os dados obtidos das predições realizadas pela arquitetura nos mostraram resultados satisfatórios se comparados com classificadores multiclasse, apresentando um IoU de 0.7259 na predição de algumas das classes. Referente ao SVETT, nós o avaliamos com 54 alunos da Escola Naval. Os resultados sugerem que os alunos se sentiram mais seguros participando do Exercício no Terreno tendo recebido a instrução antes no simulador, com média de 4,69 e desvio padrão de 0.53, em uma escala Likert de 5 pontos.

[en] Planning military operations is difficult and requires a series of procedures and coordinations to analyze and interpret all available data. We call this process the Military Planning Process. During this process, obtaining detailed information from the area of operations is a complex, time-consuming and essential activity to enable its conduct. In addition, understanding the tactical aspects of the terrain and transmitting the analysis carried out find as a barrier the abstraction necessary for this. Another difficulty is in testing the planning made in the same region analyzed. Thus, this work presents a pipeline based on modern deep learning techniques for semantic segmentation of remote sensing images, with the purpose to automate and improve the process of generating trafficability letters, virtual terrains and simulated environments to support the planning of military operations. Our approach consists of training an architecture based on UNet neural networks, using binary semantic segmentation with an ensemble method, in order to detect classes related to trafficability. To analyze the virtual terrain, we propose the Virtual Simulator for Topotactic Land Study (SVETT), which uses resources found in the classroom to facilitate the study of the terrain. As a result, the data obtained from the predictions made by the architecture showed us satisfactory results compared to multiclass classifiers, showing an IoU of 0.7259 in the prediction of some of the classes. Regarding SVETT, we evaluated it with 54 students from the Naval School. The results suggest that the students felt safer participating in the Field Exercise having received the instruction before in the simulator, with an average of 4.69 and standard deviation of 0.53, on a 5 degree Likertscale.

ALBERTO BARBOSA RAPOSO

ALBERTO BARBOSA RAPOSO

PAULO IVSON NETTO SANTOS

MANUEL EDUARDO LOAIZA FERNANDEZ

CESAR AUGUSTO SIERRA FRANCO

LEONARDO CARDIA DA CRUZ

THIAGO MALHEIROS PORCINO

2026-01-29

2025-10-07

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75188@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75188@2

https://doi.org/10.17771/PUCRio.acad.75188