Avaliação e mapeamento de pastagens com diferentes níveis de degradação a partir de classificação digital de imagens sentinel-2, por meio do algoritmo random forest: estudo de caso de Valença/RJ e arredores.
O presente trabalho objetivou desenvolver uma metodologia de avaliação e mapeamento de pastagens com diferentes níveis de degradação, com base em técnicas de Sensoriamento Remoto. Utilizou-se imagens Sentinel-2, índices de vegetação, texturas GLCM e amostras de campo (peso e altura da biomassa das pastagens). O processamento das imagens digitais foi realizado no R e no Google Earth Engine usando o algoritmo random forest. No R, obteve-se informações sobre as imagens mais importantes; e no Google Earth Engine, realizou-se o processamento da série temporal principal. O índice de vegetação NCI foi a imagem mais importante, apresentando correlação de R2 = 0,722 com o peso da biomassa. Os resultados revelaram que na área de estudo tem-se: N1 (52.72%), N2N3 (32.56%) e N4 (14.72%). As acurácias alcançadas foram as seguintes: Acurácia Global = 0,93; Kappa = 0,89; e F-score (N1 = 0,97, N2N3 = 0,93, N4 = 0,88).
Main Authors: | , , , |
---|---|
Other Authors: | |
Format: | Artigo de periódico biblioteca |
Language: | Portugues pt_BR |
Published: |
2023-09-19
|
Subjects: | Índices de vegetação, Normalized Canopy Index (NCI), Texturas GLCM, Séries temporais, Aprendizado de máquina, |
Online Access: | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1156752 https://doi.org/10.54751/revistafoco.v16n6-004 |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | O presente trabalho objetivou desenvolver uma metodologia de avaliação e mapeamento de pastagens com diferentes níveis de degradação, com base em técnicas de Sensoriamento Remoto. Utilizou-se imagens Sentinel-2, índices de vegetação, texturas GLCM e amostras de campo (peso e altura da biomassa das pastagens). O processamento das imagens digitais foi realizado no R e no Google Earth Engine usando o algoritmo random forest. No R, obteve-se informações sobre as imagens mais importantes; e no Google Earth Engine, realizou-se o processamento da série temporal principal. O índice de vegetação NCI foi a imagem mais importante, apresentando correlação de R2 = 0,722 com o peso da biomassa. Os resultados revelaram que na área de estudo tem-se: N1 (52.72%), N2N3 (32.56%) e N4 (14.72%). As acurácias alcançadas foram as seguintes: Acurácia Global = 0,93; Kappa = 0,89; e F-score (N1 = 0,97, N2N3 = 0,93, N4 = 0,88). |
---|