AVALIAÇÃO DE CLASSIFICADORES BASEADOS EM APRENDIZADO DE MÁQUINA PARA A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO BIOMA CAATINGA

Abstract

O manejo adequado dos recursos naturais em ambientes frágeis, como o da Caatinga, requer o conhecimento de suas propriedades e distribuição espacial. Nesse contexto, o trabalho tem por objetivo avaliar o desempenho de dois algoritmos baseados em aprendizado de máquina (Multi Layer Perceptron (MLP) e o Support Vector Machine (SVM)) e do método da Máxima Verossimilhança na classificação do uso e cobertura da terra no bioma Caatinga. Para o experimento, foi utilizada uma imagem do satélite LANDSAT-5/TM contendo a área de estudo localizada no município de Iguatu-CE e definidas as classes de cobertura da terra, a saber: antropização por agricultura (APA), outros tipos de antropização (OTA), água, caatinga herbácea arbustiva (CHA) e caatinga arbórea densa (CAD). O desempenho dos métodos foi analisado através dos coeficientes de Exatidão Global (EG), Exatidão Específica (EE) e Kappa (K) calculados a partir dos dados da matriz de confusão correspondente à verdade terrestre. Os valores do coeficiente de EG foram de: 86,03%, 82,14% e 81,2% e K de: 0,77, 0,76 e 0,75 nos métodos SVM, MLP e Máxima Verossimilhança, respectivamente. Os valores de EE foram superiores a 70% para todos os classificadores testados. Os resultados obtidos demonstram que os métodos SVM e MLP estão aptos à classificação dos padrões propostos, já que apresentaram resultados semelhantes ao método tradicional da Máxima Verossimilhança. Porém, estes classificadores podem consumir mais tempo na etapa de definição dos parâmetros da rede e de processamento.