Análise Comparativa de Algoritmos de Aprendizado de Máquina para Mapeamento de Uso e Cobertura do Solo: Estudo de Caso da Região de Berrechid-Settat, Marrocos

Algoritmos de Aprendizado de Máquina Melhoram o Mapeamento do Uso da Terra no Marrocos

Um estudo recente focou nas dinâmicas espaciotemporais do Uso da Terra e da Cobertura do Solo (LULC) na região de Berrechid-Settat, no Marrocos, utilizando imagens de satélite do Landsat 7 e Landsat 8. Pesquisadores processaram os dados por meio do Google Earth Engine (GEE), alcançando avanços significativos na análise de LULC.

O estudo avaliou a eficácia de três modelos de aprendizado de máquina—Random Forest (RF), Decision Tree (DT) e Support Vector Machine (SVM)—para classificar cinco categorias principais de LULC: corpos d'água, florestas, regiões urbanas, vegetação e terras áridas. O modelo Random Forest se destacou como o mais eficaz, alcançando uma Precisão Geral (OA) de 91,84% e um Coeficiente Kappa (KC) de 0,86 em 2023.

Comparação de Modelos de Aprendizado de Máquina

O desempenho dos modelos variou significativamente ao longo dos anos. O modelo Decision Tree registrou uma OA competitiva de 87,36% em 2010, mas demonstrou instabilidade nos anos seguintes. O modelo SVM se destacou na classificação de áreas urbanas com uma precisão de aproximadamente 94%, embora tenha enfrentado dificuldades na classificação de florestas.

Os resultados sugerem que a integração de algoritmos de aprendizado de máquina em sensoriamento remoto pode ter um impacto significativo no planejamento regional e nas políticas de gestão da terra no Marrocos.