Detecção de Cicatrizes de Movimentos de Massa utilizando Sensoriamento Remoto e Técnicas de Reconhecimento de Padrões: Comparação entre os Classificadores Redes Neurais Artificiais, Máxima Verossimilhança Gaussiana, Random Forest e Support Vector Machine

Conteúdo do artigo principal

Tatiana Dias Tardelli Uehara
Sabrina Paes Leme Passos Corrêa
Renata Pacheco Quevedo
Thales Sehn Körting
Luciano Vieira Dutra
Camilo Daleles Rennó

Resumo

Inventários de cicatrizes de deslizamentos são uma ferramenta essencial para apoiar a mitigação de riscos de desastres. Os inventários são geralmente obtidos por métodos convencionais, como interpretação visual de imagens de sensoriamento remoto, ou métodos semiautomáticos, por meio de reconhecimento de padrões. Neste estudo, quatro algoritmos de classificação são comparados para a detecção de deslizamentos de terra: Redes Neurais Artificiais (ANN), Máxima Verossimilhança (ML), Random Forest (RF) e Support Vector Machine (SVM). A partir das imagens do Sentinel-2A e um Modelo Digital de Elevação (DEM) da SRTM, índices de vegetação e atributos de declividade foram extraídos e selecionados para duas áreas na bacia hidrográfica do rio Rolante. Os resultados da classificação mostraram que os classificadores ML e RF obtiveram valores de Acurácia Global (AO) acima de 92% para ambas áreas de estudos. Os valores de acurácia mais altos foram identificados nas classificações utilizando todos os atributos como dados de entrada, portanto, sem seleção de atributos prévia.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Detalhes do artigo

Como Citar
DIAS TARDELLI UEHARA , T.; PAES LEME PASSOS CORRÊA, S.; PACHECO QUEVEDO, R. .; SEHN KÖRTING, T.; VIEIRA DUTRA, L.; DALELES RENNÓ, C. Detecção de Cicatrizes de Movimentos de Massa utilizando Sensoriamento Remoto e Técnicas de Reconhecimento de Padrões: Comparação entre os Classificadores Redes Neurais Artificiais, Máxima Verossimilhança Gaussiana, Random Forest e Support Vector Machine . Revista Brasileira de Cartografia, [S. l.], v. 72, n. 4, p. 665–680, 2020. DOI: 10.14393/rbcv72n4-54037. Disponível em: https://seer.ufu.br/index.php/revistabrasileiracartografia/article/view/54037. Acesso em: 24 maio. 2022.
Seção
Seção Especial "Brazilian Symposium on GeoInformatics"

Artigos mais lidos pelo mesmo(s) autor(es)