Aplicação de técnicas de machine learning a dados de sensoriamento remoto para o estudo de florestas plantadas de pinus
Resumo
A crescente pressão antrópica sobre os sistemas naturais tem sido bastante debatida nas últimas
décadas. As florestas por apresentarem, além dos seus benefícios ambientais, diferentes aplicações
para a produção de produtos utilizados pelos homens sofrem constantemente impactos negativos com
o aumento de demanda por matéria prima. Estudos relacionados ao aumento de produtividade das
espécies comerciais fornecem apoio para que as demandas ambientais e econômicas sejam atendidas.
Dados em larga escala, confiáveis e com uma boa frequência de coleta são fundamentais para a
realização desses estudos, tais como os dados de sensoriamento remoto. Associados a estes, as
técnicas estatísticas de aprendizado de máquinas podem aumentar a capacidade desses dados em
fornecer informações e inferências aos gestores, públicos ou privados, dos recursos naturais. O
presente estudo teve como objetivo avaliar a performance de algoritmos de aprendizado de máquinas
na predição da idade de plantios de Pinus taeda. Foi utilizada uma série multitemporal dos satélites
Landsat, dados SRTM e índices de vegetação para análises do comportamento espectral dos plantios.
Esses dados serviram de entrada para o modelo de Bosting Learning XGboost, para a modelagem e
predição da idade dos plantios. A avaliação espectral possibilitou identificar a época de plantio,
desbastes aplicados nas áreas, assim como, estabilização do crescimento. O modelo de aprendizado de
máquinas obtido teve um R2 de 0,926, RMSE de ± 1,27 e um MAE ± 0,72, como métricas de
desempenho, além de apresentar uma boa consistência quando aplicado em dados de plantio que não
foram utilizados durante o treinamento.
Coleções
Os arquivos de licença a seguir estão associados a este item: