Descrição
A vegetação desempenha um papel essencial na dinâmica dos ecossistemas, e seu monitoramento é fundamental para uma gestão ambiental eficaz. Este estudo avalia a aplicação de técnicas de aprendizado de máquina e dados de sensoriamento remoto para aprimorar a detecção da cobertura vegetal. A área de estudo está localizada na região centro-oriental do Peru, especificamente no distrito de Rupa Rupa, utilizando bandas multiespectrais do satélite Landsat 9. Foram empregados dados satelitais de acesso público e diversos índices de vegetação para otimizar a classificação. A classificação foi realizada por meio do algoritmo Random Forest, implementado no pacote randomForest do R. Os resultados indicam que a incorporação de índices de vegetação (NDVI, EVI, SAVI, MSAVI, NDWI, NDMI, NBR, NBR2, GNDVI, ARVI) juntamente com as bandas multiespectrais melhora significativamente a precisão, alcançando uma exatidão de 96,56% e um índice Kappa de 92,47%. Esses achados destacam a eficiência do aprendizado de máquina e do sensoriamento remoto na detecção e no monitoramento da vegetação, fornecendo informações relevantes para a gestão ambiental e a tomada de decisões em ecossistemas vegetais heterogêneos.
| Selecione a modalidade do seu trabalho | Resumo Simples |
|---|
