Avaliação da acurácia da classificação arbórea a partir de uma cena cbers 4a utilizando random forest

Abstract

Neste estudo é explorada a utilização do satélite CBERS (China-Brazil Earth Resources Satellite) para classificações automáticas da cobertura arbórea urbana com as imagens disponibilizadas pelo CBERS 4A, com resolução espacial de até 2 metros em 4 bandas espectrais (azul, verde, vermelho e infravermelho próximo), no município de Adamantina, localizada no estado de São Paulo, Brasil. O uso de adequado algoritmo de Aprendizado de Máquina o qual foi escolhido o Random Forest é baseado em árvores de decisão que combina múltiplas árvores para melhorar a precisão e controlar o problema de overfitting, juntamente com o sensoriamento remoto e a inteligência artificial que como ferramentas contribuem nos mapeamentos da cobertura arbórea com rapidez e precisão, oferecendo uma visão abrangente, identificando os padrões de vegetação, as áreas verdes, distribuição e saúde das árvores nos diferentes ambientes urbanos. A metodologia da pesquisa consiste em Pré-Processamento, Segmentação, Amostras Classes, Extração atributos, Classificação Arbórea e a Avaliação da qualidade, com auxílio dos softwares eCognition Developer 8.7 e o Weka 3.8.6 (Waikato Environment for KnowledgeAnalysis) comum em Aprendizado de Máquina. Os resultados evidenciam se o algoritmo escolhido é capaz de diferenciar e classificar a imagem corretamente sem nenhuma possibilidade de overfitting, tendo como analise o Índice de Kappa, Matriz de confusão e o Mapa de Verdade de Solo. Portanto essa análise irá mostrar se os dados do satélite CBERS 4A é recomendado em mapeamentos urbanos e nos planejamentos.

In this study, the use of the CBERS (China-Brazil Earth Resources Satellite) for automatic classifications of urban tree cover is explored using images provided by CBERS 4A, which offers spatial resolution up to 2 meters in 4 spectral bands (blue, green, red, and near-infrared), in the municipality of Adamantina, located in the state of São Paulo, Brazil. The selected Machine Learning algorithm, Random Forest, is based on decision trees that combine multiple trees to improve accuracy and control the problem of overfitting. Along with remote sensing and artificial intelligence, these tools contribute to mapping tree cover quickly and accurately, providing a comprehensive view, identifying vegetation patterns, green areas, tree distribution, and tree health in different urban environments. The research methodology consists of Pre-Processing, Segmentation, Sample Classes, Attribute Extraction, Tree Classification, and Quality Evaluation, with the help of the software eCognition Developer 8.7 and Weka 3.8.6 (Waikato Environment for Knowledge Analysis), which are common in Machine Learning. The results highlight whether the chosen algorithm is capable of correctly differentiating and classifying the image without any possibility of overfitting, using the Kappa Index, Confusion Matrix, and Ground Truth Map for analysis. Therefore, this analysis will show whether the CBERS 4A satellite data is recommended for urban.