Análise espectral e aprendizado de máquina aplicado à detecção do açaí (Euterpe oleracea Mart.) no estuário amazônico.

A utilização de imagens de drones associadas a algoritmos de aprendizado de máquina vem se destacando em estudos de vegetação, para avaliar o desempenho de um classificador supervisionado, foi comparado sua performance através de métricas de desempenho, verificando a contribuição dos índices de vegetação e precisão do  modelo. O algoritmo utilizado para treinamento e classificação da imagem foi o Random Forest, onde realizou-se a delimitação de amostras de treinamento em ambiente SIG no ortomosaico de referência, dividindo em três classes: açaí, árvores e rio. Com a aplicação de testes estatísticos verificou-se uma alta precisão do modelo, com valor de acurácia acima de 0.87 e através do efeito de Cohen observou-se uma leve melhoria das distinção das classes com a adição dos índices. O presente estudo demonstrou que o modelo apresenta consistência estatística e espacial, com uma substancial melhoria da precisão com a adição dos índices de vegetação, representando uma abordagem eficiente e contribuindo para o monitoramento e manejo sustentável dos ecossistemas.