Avaliação do desempenho do classificador SVM para o mapeamento de manguezais na Baixada Santista/SP

Abstract

O trabalho apresentado teve como foco principal o mapeamento dos manguezais na Baixada Santista (SP) e a avaliação da eficácia do algoritmo Support Vector Machine (SVM) usando imagens multiespectrais do satélite Sentinel-2. A região é marcada por um ecossistema costeiro importante, porém vulnerável à pressão urbana, industrial e portuária. Para identificar as configurações que garantem maior precisão, o estudo comparou o comportamento do classificador SVM diante de diferentes parametrizações, testadas a partir de quatro segmentações orientadas a objeto (GEOBIA), elaboradas com distintas combinações das bandas espectrais do Sentinel-2. A metodologia consistiu no pré-processamento das imagens, definição de classes espectrais, coleta de amostras para treinamento do classificador e validação dos resultados por meio da matriz de confusão. Os resultados mostraram que as composições que incorporam bandas do infravermelho e da borda vermelha apresentaram melhor desempenho na diferenciação entre vegetação de mangue e outras coberturas do solo. As análises indicaram boa coerência espacial e consistência nos padrões ambientais mapeados, demonstrando o potencial do SVM aliado a dados do Sentinel-2 para representar de forma detalhada ambientes costeiros complexos.

This study focuses on mapping mangrove ecosystems in the Baixada Santista region (São Paulo, Brazil) and evaluating the effectiveness of the Support Vector Machine (SVM) algorithm using multispectral imagery from the Sentinel-2 satellite. The study area represents an ecologically relevant coastal environment that remains vulnerable to urban, industrial, and portrelated pressures. To identify the parameter configurations that yield higher classification accuracy, the research compared the performance of SVM under different settings, tested across four object-oriented segmentations (GEOBIA) generated with distinct combinations of Sentinel-2 spectral bands. The methodological workflow included image preprocessing, definition of spectral classes, collection of training samples, and accuracy assessment using a confusion matrix. The results indicate that compositions incorporating infrared and red-edge bands achieved superior performance in distinguishing mangrove vegetation from other landcover types. The analyses also revealed strong spatial coherence and consistent environmental patterns, demonstrating the potential of SVM combined with Sentinel-2 data to provide detailed representations of complex coastal environments.