Banca de QUALIFICAÇÃO: CAIO VICTOR MACEDO PEREIRA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : CAIO VICTOR MACEDO PEREIRA
DATA : 04/12/2025
HORA: 08:30
LOCAL: Natal
TÍTULO:

INTELIGÊNCIA ARTIFICIAL NA CLASSIFICAÇÃO DE USO E COBERTURA DA TERRA EM REGIÕES SEMIÁRIDAS

PALAVRAS-CHAVES:

Sensoriamento remoto, SIG, Caatinga, Algoritmos Supervisionados

PÁGINAS: 40
RESUMO:

A melhoria da acurácia na classificação do uso e cobertura da terra em regiões semiáridas é crucial devido à vulnerabilidade ambiental dessas regiões e à falta de estudos integrando imagens de satélite de diferentes resoluções espectrais. No bioma Caatinga, cuja variabilidade temporal associada ao clima resulta em respostas espectrais singulares, técnicas avançadas de Aprendizado de Máquina se mostram particularmente úteis para aprimorar a precisão do mapeamento do uso e cobertura da terra, em conjunto com outros aspectos do processo de classificação. O estudo avaliou cinco classificadores: Random Forest (RF), K-Nearest Neighbors (k-NN), Análise Discriminante Quadrática (ADQ) e duas redes neurais artificiais, um Multilayer Perceptron (MLP, implementado com scikit-learn) e uma Rede Neural Densa (RND, implementada com Keras), aplicados a imagens multiespectrais (PlanetScope PSB.SD e Sentinel-2A MSI) nos períodos de abril (chuvoso) e outubro (seco). Uma classificação por fotointerpretação realizada a partir de imagens do satélite PlanetScope serviu como mapa-referência com sete classes temáticas. Os classificadores foram implementados em linguagem Python e treinados/testados em regime pixel-a-pixel para cada combinação sensor/época. As maiores acurácias foram obtidas por arquiteturas de redes neurais: RND no PlanetScope (período úmido) alcançou Acurácia Global = 91,12% e MLP no PlanetScope (período úmido) atingiu 91,01%. Random Forest e k-NN apresentaram desempenho intermediário e ADQ obteve os piores resultados. A aplicação temporal cruzada (treino no chuvoso, aplicação no seco) mostrou baixa transferibilidade (≈45% no teste com k-NN). Embora o PlanetScope tenha apresentado maior detalhamento geométrico, a acurácia dos melhores classificadores foi semelhante entre os sensores. Em face das confusões observadas (solo exposto, pastagem, culturas no período seco) e da limitação das abordagens pixel-wise, recomenda-se o uso de séries multitemporais, fusão multissensor, técnicas orientadas a objetos/segmentação e arquiteturas convolucionais para incorporar contexto espacial e fenológico, visando aumentar acurácia e robustez do mapeamento em ambientes semiáridos.

MEMBROS DA BANCA:
Presidente - 3060504 - CARLOS WILMER COSTA
Interno - 2411669 - JONATHAN MOTA DA SILVA
Interno - ***.898.694-** - PAULO VICTOR DO NASCIMENTO ARAÚJO - UFRN