Autores: OLIVEIRA JÚNIOR, J. G., OLIVEIRA, S. R. M., FIGUEIREDO, G. K. D. A.
Ano da publicação: 2023
ISBN: 978-65-87729-06-0
Palavras-chave: sistema ILP, sensoriamento remoto, Random Forest.
Área: Geomática na Agricultura (GEO)
O emprego conjunto de dados de sensoriamento remoto e tecnologias de inteligência artificial possibilitam a extração de informações importantes sobre a superfície terrestre em curto prazo. Porém, tal processo depende de uma eficiente etapa de pré-processamento digital dos dados amostrais. Logo, objetivo deste trabalho é checar a acurácia de quatro algoritmos classificadores para a classificação de áreas de sistemas Integração Lavoura-Pecuária (ILP) e avaliar a eficiência da aplicação de etapas prévias de manipulação dos dados (análise de redução de dimensionalidade das variáveis analisadas e o uso do filtro SMOTE para balanceamento de classes minoritárias). Os resultados encontrados não somente destacaram o Random Forest como melhor classificador entre os demais (com valores de índice Kappa, Acurácia Global, Precision, Recall e F1-Score iguais à 0,66, 72,69%, 0,73, 0,73 e 0,73, respectivamente), como também demonstrou que das 22 variáveis iniciais, somente 11 eram necessárias à classificação (as bandas B2, B4, B6, B7, B8A e B12 e os índices NDRE1, SAVI, VARI, NDVI e S2REP). Tal estudo também revelou a boa aplicabilidade do filtro SMOTE para o aumento da acurácia do mapeamento agropecuário.