COMPARAÇÃO DE MODELOS PREDITIVOS PARA A CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DE SATÉLITE, NO MUNICÍPIO DE SANTIAGO, RS

Resumo

O sensoriamento remoto tem se consolidado como uma ferramenta fundamental para o monitoramento e análise do Land Use and Land Cover (LULC), especialmente com o avanço das tecnologias de obtenção e processamento de imagens orbitais. Neste contexto, a classificação supervisionada de imagens de satélite é amplamente utilizada para a geração de mapas temáticos com finalidades ambientais, agrícolas e de planejamento territorial. Este trabalho teve como objetivo avaliar o desempenho dos algoritmos Random Forest (RF) e Support Vector Machines (SVM) na classificação de imagens do satélite Sentinel-2A MSI (nível L2A), referentes ao município de Santiago, localizado na região Centro-Oeste do Rio Grande do Sul. A área de estudo apresenta elevada heterogeneidade espacial, incluindo campos nativos, áreas de cultivo, manchas florestais, corpos hídricos e áreas urbanas. A classificação foi realizada no software QGIS 3.40, com aplicação de dois tratamentos: um com 30 amostras de treinamento por classe temática e outro com 150 amostras. Os resultados demonstraram que o algoritmo Random Forest obteve melhor desempenho geral, alcançando acurácia global de 72% e coeficiente Kappa de 0,65 com 150 amostras por classe, frente aos 64,67% de acurácia global e 0,55 de Kappa do SVM no mesmo cenário. As métricas de acurácia do produtor e do usuário também indicaram superioridade do Random Forest, sobretudo na identificação de áreas com alta variabilidade espectral. Conclui-se que a escolha do classificador e do número de amostras influencia significativamente os resultados da classificação, sendo o Random Forest o modelo mais indicado para áreas com feições complexas como as encontradas em Santiago.