MACHINE LEARNING ALGORITHMS TO LAND COVER MAPPING WITH LANDSAT-8

Algoritmos de mineração de dados aplicados à imagens de satélite podem ser usados para mapeamento de cobertura terrestre. Isso traz agilidade ao processo de mapeamento das áreas e a acurácia pode ser avaliada. No entanto, com muitos algoritmos de aprendizado de máquina, é difícil avaliar o melhor para uma dada tarefa. Portanto, este trabalho tem como objetivo testar diferentes algoritmos de aprendizado de máquina para classificar a cobertura do solo usando imagens de alta resolução. Quatro algoritmos foram testados: Bagged CART, Random Forest (RF), Neural Network, and Model Averaged Neural Network em imagens Landsat-8 path/row 223/078 de 13 de dezembro de 2017. Uma amostra de 42.676 pixels em oito categorias diferentes (cidade, solo, soja, milho, nabo, pasto, floresta e água) foram utilizados. De todos os pixels, 25.607 pixels (60%) foram usados como conjunto de treinamento e 17.069 pixels (40%) foram usados como conjunto de testes. Os resultados mostraram que o algoritmo RF apresentou melhor desempenho com precisão geral de 97% e kappa de 0,946.