"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 17982
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Humanas e Sociais |
| Área temática | Geografia |
| Setor | Departamento de Geografia |
| Bolsa | Não se Aplica |
| Conclusão de bolsa | Não |
| Primeiro autor | Matheus Guimarães Cancela Silva |
| Orientador | ANDRE LUIZ LOPES DE FARIA |
| Título | Análise Comparativa da Acurácia dos Algoritmos Random Forest e Support Vector Machine na Classificação Supervisionada de Cobertura do Solo Utilizando o Google Earth Engine. |
| Resumo | A classificação supervisionada de cobertura da terra desempenha um importante papel na análise e monitoramento da superfície terrestre. Nesse contexto, algoritmos de aprendizado de máquina (machine learning) têm sido amplamente utilizados para obter resultados mais precisos e confiáveis. O objetivo deste estudo foi o de realizar uma análise comparativa da acurácia entre os algoritmos Random Forest (RF) e Support Vector Machine (SVM) na classificação supervisionada de cobertura do solo utilizando a plataforma Google Earth Engine (GEE). Para isso, foram coletadas amostras supervisionadas para servirem como base de treinamento em ambos os algoritmos. Foram configurados diversos hiperparâmetros visando criar os melhores modelos para cada algoritmo, sendo realizadas análises comparativas visuais e estatísticas, incluindo uma validação cruzada, para avaliar a qualidade e desempenho de cada método. A análise comparativa foi realizada utilizando dados de imagens de satélite Sentinel-2, disponíveis no Google Earth Engine e em uma área de interesse localizada na região central do município de Viçosa-MG. Inicialmente, foi feito um levantamento da área de interesse para a coleta das amostras supervisionadas. Essas amostras foram estratificadas em seis classes de cobertura da terra existentes na região de estudo. Os dados foram divididos em conjuntos de treinamento e validação, garantindo a representatividade das amostras em todas as classes. Em seguida, foram configurados os hiperparâmetros específicos de cada algoritmo, como o número de árvores no caso do Random Forest e a escolha do kernel e parâmetros de regularização no caso do SVM. Com os modelos treinados, foi realizada a classificação da cobertura da terra na área de interesse. Os resultados foram avaliados por meio de uma análise comparativa visual e estatística. Foram geradas matrizes de confusão e calculadas métricas de acurácia e precisão para cada algoritmo. Adicionalmente, foi realizada uma validação cruzada para verificar a robustez dos modelos em diferentes configurações. Com base nas análises realizadas, foram apresentadas as conclusões sobre a assertividade e desempenho dos algoritmos Random Forest e SVM na classificação supervisionada de cobertura da terra, propiciando uma escolha mais adequada de algoritmos em futuras aplicações de classificação. |
| Palavras-chave | Classificação de cobertura da terra, Google Earth Engine, Análise comparativa |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|