Anais do XX Simpósio Brasileiro de Sensoriamento Remoto

O sensoriamento remoto tem se destacado em muitos campos, como por exemplo, na extração de informações por meio da classificação de imagens multiespectrais, todavia, o sucesso de qualquer classificação de imagem depende de vários fatores, incluindo a escolha de um procedimento de classificação adequado. O estudo de uma abordagem multiescala nesse ramo tem sido uma eficaz ferramenta para lidar com as complexidades na análise dessas imagens. Nesse sentido, o presente trabalho apresenta uma comparação dos classificadores de Aprendizado de Máquina conhecidos como Support Vector Machine (SVM) e Random Forest (RF) para os anos de 2018 e 2022, para o mapeamento e identificação dos principais vetores de mudanças e seus impactos na sub-bacia hidrográfica do Ribeirão José Pereira (Itajubá – MG). A classificação foi realizada a partir das imagens multiespectrais dos satélites LANDSAT-8 e CBERS 04A, com o auxílio do Orfeo Toolbox (OTB), envolvendo as seguintes etapas: segmentação; caracterização das classes (corpo d’água, vegetação, solo exposto, pastagem e área urbana); amostragem; treinamento; classificação e avaliação da classificação e pós-classificação. Com isso, além da identificação do classificador com melhor acurácia na distinção das classes, foi possível realizar a identificação das classes com predomínio na bacia e quantificar os percentuais dos vetores de mudança para cada classe para a obtenção de resultados mais próximos da interpretação em escala de detalhes. Após a classificação, notou-se que ambos os classificadores geraram bons diagnósticos, entretanto, o SVM resultou em maior acurácia em comparação com o RF.