Uma abordagem de aprendizado de máquina para mapear a vegetação florestal em zonas ribeirinhas em um ambiente de bioma atlântico usando imagens do Sentinel-2
Resumo
As zonas ribeirinhas consistem em importantes regiões ambientais, especificamente para a manutenção da qualidade dos recursos hídricos. O mapeamento preciso da vegetação florestal nas zonas ribeirinhas é uma questão importante, pois pode fornecer informações sobre inúmeros 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 ribeirinhas ainda são limitados. Portanto, este artigo apresenta uma estrutura para mapeamento da vegetação florestal em zonas ribeirinhas com base em modelos de aprendizado de máquina usando imagens multiespectrais orbitais. Um total de 14 imagens do Sentinel-2 registradas ao longo do ano, cobrindo uma grande zona ribeirinha 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, estando próxima ao último fragmento primário de seu bioma, sendo uma região importante do ponto de vista do planejamento ambiental. Comparamos o desempenho de vários algoritmos de aprendizado de máquina, como árvore de decisão (DT), floresta aleatória (RF), máquina de vetor de suporte (SVM) e Bayes normal (NB). Avaliamos diferentes datas e locais com todos os modelos. Nossos resultados demonstraram que o aluno 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.