Modeling and mapping of inselbergs in the domain of the a atlantic forest and caatinga, Brazil

• Autor(a) principal: Silveira, Vitor Alves da
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/28225
• topic: Aprendizado do computador; Engenharia geotécnica; Sensoriamento remoto; Previsão geofísica; Fotointerpretação Florestal

Os Inselbergs são afloramentos de rochas de proporções monolíticas, abrigando níveis altos de diversidade de plantas e endemismo em diversas regiões geográficas do globo. No Brasil encontra-se uma das maiores concentrações de Inselbergs do planeta, e pesquisas são necessárias para evidenciar locais representativos para conservação. Nesse contexto, o presente estudo avaliou o desempenho de algoritmos de aprendizado de máquina no mapeamento de Inselbergs. Especificamente, buscou-se predizer e espacializar os Inselbergs usando algoritmos, selecionando covariáveis importantes na espacialização desses afloramentos rochosos em gradiente climático do domínio atlântico do Brasil. Técnicas de classificação de imagens, algoritmos de aprendizado de máquina e modelagem geoespacial foram usadas para mapear a distribuição dos Inselbergs e selecionar áreas relevantes para conservação ecológica e ambiental desses ambientes ameaçados por pressões antrópicas e mudanças climáticas. De acordo com os resultados, os modelos estudados foram classificados com concordância substancial – Substantial (0,61-0,80) a quase perfeito – Almost Perfect (0,81-1,00) na classificação. Os algoritmos GBM, svmRadialSigma, C5.0 e RF apresentaram os melhores resultados na aproximação da realidade no mapeamento das paisagens típicas de Inselbergs estudadas. A metodologia utilizada neste estudo revela grande potencial de uso para subsidiar decisões de seleção de paisagens típicas de Inselbergs no contexto dos biomas Mata Atlântica e Caatinga para proteção e gestão ambiental eficiente da biodiversidade e geodiversidade. A metodologia proposta pode ser adaptada à diferentes áreas e biomas do mundo, com sucesso. Palavras-chave: Aprendizado de máquina. Geotecnologia. Sensoriamento Remoto. Predição.