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
Barra lateral de artigos
Conteúdo do artigo principal
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
Detalhes do artigo
Seção
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Atribuição que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (veja "O Efeito do Acesso Aberto").
Como Citar
