COMPARAÇÃO ENTRE AS TÉCNICAS RANDOM FOREST E K-NEAREST NEIGHBORS PARA CLASSIFICAÇÃO DE IMAGEM DE SATÉLITE: ESTUDO DE CASO NA MICROBACIA DO RIO ALEGRE, RJ - Atena EditoraAtena Editora

Artigo

Baixe agora

Livros

COMPARAÇÃO ENTRE AS TÉCNICAS RANDOM FOREST E K-NEAREST NEIGHBORS PARA CLASSIFICAÇÃO DE IMAGEM DE SATÉLITE: ESTUDO DE CASO NA MICROBACIA DO RIO ALEGRE, RJ

O presente estudo teve por objetivo classificar o uso e cobertura da terra na microbacia do Rio Alegre, RJ utilizando os métodos de classificação Random Forest e k-Nearest Neighbors, e analisar a aplicação desses algoritmos. Dessa forma, a análise utilizou imagem do satélite Landsat 8 para classificação de cinco classes de uso e cobertura do solo: Água, Vegetação, Área Urbana, Mosaico e Pastagem. O processamento dos dados foi realizado no software Quantum GIS, versão 3.34.11-Prizren. Os resultados mostraram que o algoritmo kNN apresentou melhor desempenho na identificação das classes, exibindo acurácia global de 0,91, enquanto o RF obteve acurácia de 0,87. Quanto ao índice Kappa, apesar do kNN apresentar maior acurácia global, o RF apresentou índice Kappa mais alto. Observou-se maior incerteza na diferenciação de classes, como Área Urbana e Mosaico, por apresentarem características espectrais similares, em especial com o RF. Desse modo concluiu-se que, embora ambos os algoritmos sejam eficazes, o kNN apresentou-se superior nesta aplicação. Por fim, sugere-se a utilização de imagens com diferentes resoluções e a comparação com outros algoritmos em futuros estudos para melhorar a precisão da classificação.
Ler mais

COMPARAÇÃO ENTRE AS TÉCNICAS RANDOM FOREST E K-NEAREST NEIGHBORS PARA CLASSIFICAÇÃO DE IMAGEM DE SATÉLITE: ESTUDO DE CASO NA MICROBACIA DO RIO ALEGRE, RJ

  • Palavras-chave: análise de acurácia; monitoramento ambiental; uso e cobertura da terra.

  • Keywords: accuracy analysis; environmental monitoring; land use and land cover.

  • Abstract: This study aimed to classify land use and land cover in the Rio Alegre watershed (RJ, Brazil), using Random Forest (RF) and k-Nearest Neighbors (kNN) classification methods and to analyze the application of these algorithms. The analysis employed Landsat 8 satellite image to classify five land use and land cover classes: Water, Vegetation, Urban Area, Mosaic and Pasture. Data processing was performed using Quantum GIS software, version 3.34.11-Prizren. The results indicated that the kNN algorithm showed superior performance in identifying the classes, achieving an overall accuracy of 0.91, while the RF algorithm attained an accuracy of 0.87. Regarding the Kappa index, although kNN demonstrated higher overall accuracy, the RF algorithm exhibited a higher Kappa value. Greater uncertainty was observed in differentiating classes such as Urban Area and Mosaic, due to their similar spectral characteristics, particularly with the RF algorithm. Thus, it was concluded that while both algorithms are effective, kNN proved to be superior in this application. Finally, it is suggested that future studies employ images with different resolutions and compare them with other algorithms to enhance classification accuracy. 

  • Everaldo Zonta
  • Vitória Duarte Miranda
  • Gabriel Duarte Miranda
  • Helena Saraiva Koenow Pinheiro
Fale conosco Whatsapp