AVALIAÇÃO DE MODELO DE EXTREME GRADIENT BOOSTING PARA O MAPEAMENTO CORPOS D’ÁGUA

Diferentes técnicas de sensoriamento remoto têm sido empregadas nos últimos anos para o mapeamento de corpos d’água. Dentre essas técnicas, destaca-se o uso de algoritmos para a classificação desses objetos. Este trabalho buscou realizar uma análise comparativa de acurácia e desempenho entre os classificadores Random Forest (RF) e Extreme Gradient Boosting (XGBoost). Para isso, foi gerado um mosaico composto por dados do Sentinel-2 e PlanetScope, além de dados auxiliares, como o Modelo Digital de Elevação (MDE) gerado pelo Copernicus e um mapa de formas de relevo derivado dos dados SRTM. Os resultados indicaram que ambos os classificadores apresentam métricas de acurácia altamente similares; no entanto, o modelo XGBoost demonstra melhor desempenho computacional em relação ao RF, especialmente no tempo de execução para o treinamento e a predição.