Avaliação do Uso de Imagens Amazônia-1 e CBERS-4 no Mapeamento de LULC Combinado com Classificadores de Aprendizado de Máquina

Mudanças rápidas no uso e cobertura da terra em muitas partes do mundo têm colocado enorme pressão sobre a conservação ambiental das bacias hidrográficas. No Brasil, o monitoramento contínuo dessas mudanças usando imagens de satélite nacionais tornou-se crucial e acessível para a gestão e monitoramento dos recursos hídricos. Vários estudos empregaram ferramentas de sensoriamento remoto e ciência de dados para investigar mudanças no uso e cobertura da terra, usando diferentes classificadores de aprendizado de máquina devido à sua eficiência operacional e alta robustez. Portanto, é fundamental avaliar e comparar o desempenho de diferentes classificadores de aprendizado de máquina para mapeamento preciso do uso e cobertura da terra em áreas ambientalmente instáveis. O principal objetivo deste estudo foi realizar uma análise de acurácia do mapeamento do uso e cobertura da terra, integrando o desempenho de quatro classificadores diferentes: K-means, Análise Orientada a Objetos (OBIA), Random Forest e Máquinas de Vetores de Suporte (SVM), usando imagens dos satélites Amazônia-1 e CBERS-4 na bacia hidrográfica difusa da Barragem de Boa Esperança, no Piauí, Brasil. De acordo com os resultados, o SVM foi o classificador com melhor desempenho, atingindo uma acurácia geral máxima (IoU) de 89,38%, enquanto o K-means apresentou valores abaixo de 70%. O OBIA se destacou para o CBERS-4, enquanto o Amazônia-1 apresentou bom desempenho em todos os classificadores supervisionados. O algoritmo K-means apresentou o menor desempenho, com destaque para o CBERS-4, com uma estimativa de 43,57%, impulsionada pelos baixos valores observados para as classes soja e pastagem.

Palavras-chave:
Bacia hidrográfica; Aprendizado de máquina; Sensoriamento remoto