Análise da aplicabilidade de métodos de classificação machine learning e deep learning no mapeamento de índice sensibilidade ambiental

Abstract

Dentre as técnicas e métodos de sensoriamento remoto, destaca-se a classificação automática (supervisionada ou não supervidonada), empregadas em diversos estudos, como mapeamento de uso e ocupação do solo, detecção de mudanças de cobertura do solo. Assim, o objetivo foi contribuir para realização de Cartas SAO em ambientes litorâneos, a partir de métodos de reconhecimento automatizados de padrões, com vistas a efetividade na classificação cobertura do solo, detecção de feições e delimitação de linha de costa em diferentes escalas cartográficas. Foi realizado o levantamento de produtos cartográficos e produtos de sensoriamento remoto, a fim de constituir o Banco de Dados Geográfico empregado para aplicação dos métodos de classificação automatica. Para a classificação, foram empregados os algoritmos: a) Support Vector Machine (SVM), que empregou algoritmos de otimização para localizar os limites ótimos entre as classes; b) Random Forest (RF) que consiste em um classificador supervisionado por aprendizado de máquina que gera uma infinidade de árvores de decisão; e c) Convolutional neural networks (CNN), que usa várias camadas de algoritmos na forma de redes neurais. Os resultados possibilitaram: (i) estruturar um banco de dados geográfico com integralidade e interoperabilidade; (ii) analisar a acurácia dos métodos de detecção automática na delimitação de feições ambientais; e (iii) averiguar a aplicabilidade da classificação automática da cobertura do solo na análise da sensibilidade ambiental. A comparação dos métodos de classificação empregados, demostrou que os modelos RF e SVM apresentam maior acurácia que o CNN empregado. As vantagens observadas foram, respectivamente, bom desempenho com dados espectrais distintos, robustez e tolerância a sobreajuste e extração de padrões complexos espaciais. Os resultados observados estão alinhados com o fato que o RF é eficientes e de rápida implementação em projetos com menor disponibilidade computacional, e que o SVM é eficaz quando aplicado em amostras de treino selecionadas com precisão.

Among remote sensing techniques and methods, automatic classification (supervised or unsupervised) stands out, employed in various studies such as land use and land cover mapping and land cover change detection. Thus, the objective was to contribute to the creation of SAO maps in coastal environments, using automated pattern recognition methods, aiming for effectiveness in land cover classification, feature detection, and coastline delimitation at different cartographic scales. A survey of cartographic and remote sensing products was conducted to create the Geographic Database used for applying automatic classification methods. The following algorithms were used for classification: a) Support Vector Machine (SVM), which employed optimization algorithms to locate optimal boundaries between classes; b) Random Forest (RF), which consists of a supervised machine learning classifier that generates an infinite number of decision trees; and c) Convolutional neural networks (CNN), which uses multiple layers of algorithms in the form of neural networks. The results made it possible to: (i) structure a geographic database with completeness and interoperability; (ii) analyze the accuracy of automatic detection methods in delineating environmental features; and (iii) verify the applicability of automatic land cover classification in environmental sensitivity analysis. The comparison of the classification methods employed demonstrated that the RF and SVM models present greater accuracy than the CNN employed. The advantages observed were, respectively, good performance with distinct spectral data, robustness and tolerance to overfitting, and extraction of complex spatial patterns. The observed results are aligned with the fact that RF is efficient and quick to implement in projects with less computational availability, and that SVM is effective when applied to precisely selected training samples.