Uma abordagem de aprendizagem de máquina para o mapeamento da vegetação florestal em zonas ripárias em um ambiente de bioma atlântico usando imagens sentinel-2

As zonas riparias consistem em importantes regioes ambientais, especificamente para a manutencao da qualidade dos recursos hidricos. Mapear com precisao a vegetacao florestal nas zonas riparias e uma questao importante, uma vez que pode fornecer informacoes sobre varios processos de superficie que ocorrem nessas areas. Recentemente, algoritmos de aprendizado de maquina ganharam atencao como uma abordagem inovadora para extrair informacoes de imagens de sensoriamento remoto, inclusive para apoiar a tarefa de mapeamento de areas de vegetacao. No entanto, estudos relacionados a aplicacao de aprendizado de maquina para mapeamento da vegetacao florestal exclusivamente nas zonas riparias ainda sao limitados. Portanto, este artigo apresenta uma estrutura para mapeamento da vegetacao florestal em zonas riparias baseadas com modelos de aprendizado de maquina usando imagens multiespectrais orbitais. Um total de 14 imagens Sentinel-2 registradas ao longo do ano, cobrindo uma grande zona riparia de uma porcao de um rio largo na regiao do Pontal do Paranapanema, estado de Sao Paulo, Brasil, foi adotado como o conjunto de dados. Esta area e composta principalmente por vegetacao do Bioma Atlântico, e esta proxima ao ultimo fragmento primario de seu bioma, sendo uma importante regiao do bioma do ponto de vista do planejamento ambiental. Comparamos o desempenho de varios algoritmos de aprendizado de maquina, como Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM) e Normal Bayes (NB). Avaliamos diferentes datas e locais com todos os modelos. Nossos resultados demonstraram que o algoritmo DT tem, de maneira geral, a maior precisao nesta tarefa. O algoritmo DT tambem apresentou alta precisao quando aplicado em datas diferentes e na zona ribeirinha de outro rio. Concluimos que a abordagem proposta e adequada para mapear com precisao a vegetacao florestal nas zonas riparias, incluindo o contexto temporal