Aplicabilidade da inteligência artificial no aprendizado de máquina para o planejamento territorial

Abstract

O sensoriamento remoto, no seu sentido mais extenso, vem sendo empregado em pesquisas abrangendo, praticamente, todos os ramos da ciência e tecnologia, dentre os quais a engenharia ambiental. Executando um papel importante na compreensão e monitoramento das mudanças ambientais, permitindo assim, a coleta de dados sem mediação direta. O estudo objetivou classificar o uso e cobertura do solo na região de Toritama, agreste pernambucano, visando avaliar a eficácia dos três classificadores citados anteriormente, de forma a obter o melhor índice de exatidão Kappa e acurácia global. Utilizando imagens do satélite CBERS 4A, conciliando dados multiespectrais e pancromáticos, para classificar. Três métodos de aprendizado de máquina foram utilizados para classificação: Random Forest, Shark Random Forests e Decision Tree. Foi aplicada a classificação baseada em objetos (OBIA), que envolveu a fusão de imagens, a segmentação de atributos, a extração de atributos, a amostragem de segmentos, a classificação dos segmentos e a análise de acurácia. Os resultados indicaram que o método Shark Random Forest mostrou desempenho superior na delimitação de área urbana. O método Random Forest se destacou na classificação das áreas de água. Considerando o método Decision Tree, os resultados foram inferiores em ambos os sentidos. Considerando as métricas, a acurácia global e o índice Kappa, o classificador Random Forest foi levemente superior ao Shark Random Forest e 5,4 pontos percentuais acima do método Decision Tree. A análise qualitativa, portanto, evidenciou ótima conformidade com as classes delimitadas, indicando que os métodos possuem alta acurácia global e excelente índice Kappa.