Variáveis geomorfométricas e machine learning na predição de sítios arqueológicos em Serranópolis - Goiás - Brasil

O objetivo deste trabalho foi predizer locais de sítios arqueológicos utilizando variáveis geomorfométricas e algoritmos de machine learning (aprendizado de máquina) na região de Serranópolis, Goiás, por possuir um dos mais importantes complexos arqueológicos do Brasil. Foram utilizados pontos amostrais de presença de sítios arqueológicos e amostras aleatórias de pseudoausências de sítios, além de 18 covariáveis geomorfométricas derivadas diretamente de modelo digital de elevação. A predição foi realizada por dois algoritmos de classificação supervisionada baseados em árvore de decisão: Random Forest (RF) e Extreme Gradient Boosting (XGBoost). O RF apresentou melhor habilidade preditiva para esse estudo. As covariáveis geomorfométricas mais importantes para a predição de sítios arqueológicos foram associadas a rugosidade, fator de vista para o céu, depressão topográfica e amplitude do relevo.