Classificação de imagens Sentinel-1A e Sentinel-2ª pelo método Random Forest para detecção de desmatamento no entorno do rio Uraricoera- Roraima

Abstract

O sensoriamento remoto permite monitorar alterações em áreas florestais de difícil acesso. Imagens ópticas do Sentinel-2 são eficazes na identificação de uso e cobertura do solo, enquanto imagens SAR do Sentinel-1 fornecem informações estruturais da vegetação e são imunes às condições climáticas. O algoritmo Random Forest é recomendado para processar esses dados devido a sua robustez contra ruídos e precisão ao combinar variáveis espectrais e texturais. Diante disso, este estudo teve como objetivo classificar e comparar imagens desses sensores para detectar o desmatamento no entorno do rio Uraricoera entre setembro de 2020 e setembro de 2023, com validação pelos dados do MapBiomas Brasil. Os resultados indicaram maior acurácia do sensor óptico, enquanto o sensor SAR apresentou limitações em algumas classes, ressaltando a importância da integração de ambos para aprimorar análises ambientais.

Remote sensing allows monitoring changes in forested areas that are difficult to access. Optical images from Sentinel-2 are effective in identifying land use and land cover, while SAR images from Sentinel-1 provide structural vegetation information and are immune to weather conditions. The Random Forest algorithm is recommended for processing this information due to its robustness against noise and accuracy in combining spectral and textural variables. Accordingly, this study aimed to classify and compare images from these sensors to detect deforestation around the Uraricoera River between September 2020 and September 2023, validated with data from MapBiomas Brazil. The results indicated higher accuracy for the optical sensor, while the SAR sensor showed limitations in some classes, highlighting the importance of combining both to enhance environmental analyses.