Banca de QUALIFICAÇÃO: RAUL PIO DE AZEVEDO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : RAUL PIO DE AZEVEDO
DATA : 20/01/2023
HORA: 15:00
LOCAL: Google Meet (videoconferência)
TÍTULO:

IMAGENS REMOTAMENTE SENSORIADAS E MACHINE LEARNING NO MAPEAMENTO DA CULTURA DO GERGELIM

PALAVRAS-CHAVES:

Gergelim, Landsat 8/OLI, Machine Learning, Mapeamento, Random Forest, SVM.

PÁGINAS: 92
RESUMO:

As mudanças nas paisagens têm sido acompanhadas mais intensamente nas últimas décadas, graças aos avanços científicos, tanto no campo do melhoramento tecnológico dos satélites como nas técnicas de sensoriamento remoto. Estas alterações têm impacto significativo sobre o ecossistema, e conhecê-las é extremamente importante do ponto de vista socioeconômico, ambiental e científico. Para tal, técnicas avançadas e eficientes de machine learning têm ajudado os profissionais de sensoriamento remoto a determinar estas alterações, desde as paisagens mais simples às mais complexas, permitindo a identificação dos mais variados usos e ocupação do solo, bem como a estimativa das áreas que estes usos ocupam, permitindo uma gestão mais dinâmica dos recursos naturais, especialmente na exploração agrícola, fornecendo informações confiáveis aos tomadores de decisão. Assim, as imagens do satélite Landsat 8/OLI têm sido amplamente utilizadas na classificação do uso e ocupação do solo, especialmente na discriminação das culturas agrícolas, uma vez que a sua resolução temporal e espacial, e sua livre disponibilidade, permitem acompanhar o desenvolvimento das culturas de Verão e Inverno durante o seu ciclo de vida, incluindo as variações que os índices de vegetação apresentam de acordo com o estádio de desenvolvimento vegetativo da planta. Portanto, o objetivo deste trabalho é estimar a área cultivada da cultura de gergelim (Sesamum indicum) no ano-safra 2021/2022, no município de Canarana no estado de Mato Grosso, comparando o desempenho dos classificadores Random Forest e Support Vector Machine (SVM), utilizando imagens do satélite Landsat 8/OLI. Para esta finalidade, foram coletados pontos de controlo em coordenadas geográficas na área de estudo, para caracterizar as amostras das áreas cultivadas com gergelim, como fonte de informação para a classificação supervisionada. Foram utilizados os índices de vegetação NDVI, EVI, NDBI, PVI e SAVI, além de imagens Landsat 8/OLI para a elaboração de mapas temáticos utilizando técnicas de machine learning. Na avaliação dos mapas temáticos, foram utilizados como regra a Exatidão Global e o índice Kappa, comparados pelo teste Z, com significância de α=0,05. O teste mostrou que o classificador Random Forest apresentou melhor desempenho em relação ao SVM na identificação de usos e cobertura do solo, especialmente para a cultura do gergelim. Assim, a utilização de técnicas de machine learning em imagens Landsat 8/OLI revelou-se satisfatória na estimativa e mapeamento de áreas cultivadas com gergelim.

MEMBROS DA BANCA:
Presidente - 265126001 - CARLOS ANTONIO DA SILVA JUNIOR
Interno - 131916001 - RIVANILDO DALLACORT
Externo à Instituição - CÁCIO LUIZ BOECHAT - UFPI