Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2

• Autor(a) principal: FURUYA, Danielle Elis Garcia
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UNOESTE
• Texto Completo: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1372
• topic: Aprendizagem de máquina; Decision tree; Imagens sentinela; Classificação de imagens; Mapeamento da vegetação florestal.; Machine learning; Decision tree; Sentinel images; Image classification; Forest vegetation mapping; OUTROS::CIENCIAS

As zonas ripárias consistem em importantes regiões ambientais, especificamente para a manutenção da qualidade dos recursos hídricos. Mapear com precisão a vegetação florestal nas zonas ripárias é uma questão importante, uma vez que pode fornecer informações sobre vários processos de superfície que ocorrem nessas áreas. Recentemente, algoritmos de aprendizado de máquina ganharam atenção como uma abordagem inovadora para extrair informações de imagens de sensoriamento remoto, inclusive para apoiar a tarefa de mapeamento de áreas de vegetação. No entanto, estudos relacionados à aplicação de aprendizado de máquina para mapeamento da vegetação florestal exclusivamente nas zonas ripárias ainda são limitados. Portanto, este artigo apresenta uma estrutura para mapeamento da vegetação florestal em zonas ripárias baseadas com modelos de aprendizado de máquina usando imagens multiespectrais orbitais. Um total de 14 imagens Sentinel-2 registradas ao longo do ano, cobrindo uma grande zona ripária de uma porção de um rio largo na região do Pontal do Paranapanema, estado de São Paulo, Brasil, foi adotado como o conjunto de dados. Esta área é composta principalmente por vegetação do Bioma Atlântico, e está próxima ao último fragmento primário de seu bioma, sendo uma importante região do bioma do ponto de vista do planejamento ambiental. Comparamos o desempenho de vários algoritmos de aprendizado de máquina, como Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM) e Normal Bayes (NB). Avaliamos diferentes datas e locais com todos os modelos. Nossos resultados demonstraram que o algoritmo DT tem, de maneira geral, a maior precisão nesta tarefa. O algoritmo DT também apresentou alta precisão quando aplicado em datas diferentes e na zona ribeirinha de outro rio. Concluímos que a abordagem proposta é adequada para mapear com precisão a vegetação florestal nas zonas ripárias, incluindo o contexto temporal