MÉTODOS DE MACHINE LEARNING E DEEP LEARNING PARA MAPEAMENTO DE SUPRESSÃO DA VEGETAÇÃO EM ÁREA DE CAMPO NO BIOMA MATA ATLÂNTICA

O bioma Mata Atlântica vem sofrendo significativas alterações devido à supressão da vegetação nativa. Com técnicas de sensoriamento remoto automatizadas, é viável mapear sua cobertura e uso da terra. O objetivo do trabalho foi identificar qual classificador, entre Random Forest (RF) ou TempCNN, apresentou maior precisão ao mapear a supressão da vegetação nativa no Bioma Mata Atlântica em 2023. Através da ferramenta SITS foi realizada a classificação de um cubo de dados do satélite Sentinel-2 com uma série temporal de cinco anos. Foram empregadas como variáveis preditoras as bandas R, G, B, NIR, CLOUD, NDVI e EVI. O estudo alcançou precisão global de 0,91% para RF e 0,89% para o TempCNN, porém os mesmos tiveram baixa acurácia de usuário para a classe Desmatamento, indicando uma superestimação de áreas de supressão da vegetação nativa, havendo a necessidade de ajustes no pós processamento para melhorar a precisão e garantir a confiabilidade dos mapas.