ALGORITMOS DE APRENDIZADO DE MÁQUINA PARA CLASSIFICAÇÃO DE SOJA EM IMAGENS LANDSAT-8
DOI:
https://doi.org/10.48075/actaiguaz.v6i3.17477Palavras-chave:
Random Forest, Neural Network, Extreme Machine Learning, CART, culturas de verãoResumo
O estado do Paraná ocupa uma posição importante no cenário nacional na produção de soja, sendo responsável por mais de 18% da produção brasileira, produzindo mais do que o quarto maior produtor mundial, a China. Para monitorar a produção agrícola, a informação de área é fundamental neste processo. Diversas técnicas e métodos podem ser empregados, incluindo algoritmos de Aprendizado de Máquina (Machine Learning). Logo, este trabalho tem como objetivo comparar quatro técnicas de aprendizado de máquina para mapear a área de soja a partir de imagens do sensor Landsat-8 no estado do Paraná, durante a safra de verão 2013/2014. Os algoritmos empregados no processo foram o Random Forest (RF), Model Averaged Neural Network (MANet), Classification and Regression Trees (CART) e o Extreme Learning Machine (ELM). Todos receberam os mesmos dados de treinamento (38 áreas de soja e 28 áreas não-soja) e as bandas de 1 a 7 do sensor Landsat-8 no tile 223/77 do dia 18/12/2013. A avaliação da acurácia (Exatidão Global e índice Kappa) foi realizada para cada classificação, sendo que técnica MANet apresentou os melhores resultados (Kappa = 0,9993 e EG = 0,9505) e o ELM o pior (Kappa = 0,9980 e EG = 0,8855).
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Aviso de Direito Autoral Creative Commons
Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
1. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.2. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
Licença Creative Commons
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional, o que permite compartilhar, copiar, distribuir, exibir, reproduzir, a totalidade ou partes desde que não tenha objetivo comercial e sejam citados os autores e a fonte.