Banca de DEFESA: RAUL PIO DE AZEVEDO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : RAUL PIO DE AZEVEDO
DATA : 28/02/2023
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: 82
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. Técnicas avançadas e eficientes de machine learning têm ajudado os profissionais de sensoriamento remoto a determinar estas mudanças, desde às paisagens mais simples até as 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 informação fiável aos tomadores de decisões. Assim, o objetivo deste trabalho é, através de técnicas de machine learning, estimar a área de cultivo do gergelim (Sesamum indicum) no ano agrícola 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 isso, foram coletados pontos de controlo em coordenadas geográficas na área de estudo, para a identificação das áreas cultivadas com gergelim, como fonte de informação para a classificação supervisionada. Para a elaboração de mapas temáticos, foram utilizados os índices de vegetação NDVI, EVI, NDBI, PVI e SAVI juntamente com as imagens do Landsat 8/OLI. 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 revelou que o classificador Random Forest apresentou melhor desempenho na identificação das áreas cultivadas de gergelim, com Exatidão Global de 0,95 e Kappa de 0,90, quando comparado ao SVM. Assim, a utilização de técnicas de machine learning em imagens Landsat 8/OLI revelou-se satisfatória na estimativa de áreas cultivadas com gergelim no município de Canarana-MT, demonstrando confiança no mapeamento.

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