Classificação de estágios sucessionais da Floresta Estacional Semidecídua utilizando dados Sentinel-1-2 e SRTM no Google Earth Engine

RESUMO

Foram utilizados dados de sensoriamento remoto adquiridos pelos sensores MSI (Multispetral Instrument) do satélite Sentinel-2 e SAR (Synthetic Aperture Radar) Sentinel-1, dados de textura GLCM (Grey Level Co-Ocurrence Matrix) derivados das imagens Sentinel-1 e dados geomorfométricos derivados de imagens SRTM (Shuttle Radar Topography Mission). Os dados compuseram diferentes grupos de entrada para os classificadores de aprendizagem de máquina Support Vector Machine (SVM), Classification and Regression Tree (CART) e Random Forest (RF), implementados na plataforma Google Earth Engine. O RF apresentou as maiores exatidões globais (93 a 97%), independente do conjunto de dados utilizados como entrada, com o índice Kappa variando de 0,89 (dados ópticos e SAR) a 0,95 (dados ópticos, SAR e geomorfométricos). O CART apresentou valores idênticos de exatidão global (92,5%) exceto para o conjunto de dados acrescido dos dados de textura SAR, que apresentou exatidão ligeiramente mais baixa (91,7%), com índice Kappa variando de 0,89 a 0,91. O pior desempenho foi o da classificação de dados ópticos por SVM, resultando em 59% de exatidão e 0,37 de índice Kappa. Todavia, a sinergia de dados ópticos, SAR e geomorfométricos classificados por SVM atingiu 75% de exatidão.

Palavras-chave
Classificação supervisionada; Computação em nuvem; Floresta Secundária