INTEGRAÇÃO DE ATRIBUTOS ESPECTRAIS E TEXTURAIS EM MACHINE LEARNING PARA CLASSIFICAÇÃO DE CAFÉ E SILVICULTURA
Nome: AMANDA TEIXEIRA MOREIRA CAPACIA
Data de publicação: 01/10/2026
Banca:
Nome |
Papel |
|---|---|
| PAULA ALBERTI BONADIMAN | Examinador Externo |
| SAMUEL DE ASSIS SILVA | Presidente |
| SIMONE DE PAIVA CAETANO BUCKER MORAES | Examinador Externo |
Resumo: O mapeamento de culturas agrícolas por sensoriamento remoto pode ser dificultado pela similaridade espectral entre diferentes coberturas vegetais, pela fragmentação da paisagem e pelas variações de relevo e iluminação. Nesse contexto, este estudo teve como objetivo mapear as classes de uso e cobertura da terra, com ênfase em café e silvicultura, em áreas dos municípios de Brejetuba e Rio Bananal, Espírito Santo, utilizando o algoritmo Random Forest aplicado a imagens Sentinel-2 e avaliando a contribuição de atributos texturais derivados da Matriz de Coocorrência de Níveis de Cinza (GLCM). Foram analisados quatro blocos amostrais, sendo RT1 e TC1 localizados em Brejetuba e UD1 e UD2 em Rio Bananal. Foram comparados dois cenários de classificação: Espectral Puro (ST), constituído por dez bandas e quinze índices espectrais, totalizando 25 variáveis preditoras, e Espectral-Textural (CT), composto pelas variáveis do cenário ST acrescidas de 12 atributos texturais de contraste, entropia e correlação calculados sobre B8, B11, NDVI e BSI, totalizando 37 variáveis. A classificação foi realizada por Random Forest, com avaliação por validação cruzada em dez partições, utilizando acurácia global, precisão, recall e F1-score. A incorporação da informação textural elevou a acurácia global em todos os blocos avaliados, com média de 87,65% no cenário ST e 91,25% no cenário CT, correspondendo a um incremento médio de 3,60 pontos percentuais. Os maiores ganhos ocorreram nos blocos de Brejetuba, de relevo montanhoso, com incrementos de 3,70 e 5,02 pontos percentuais em RT1 e TC1, respectivamente. Para a classe Café, a inclusão das variáveis texturais também aumentou a precisão, o recall e o F1-score, reduzindo erros de comissão e omissão. As variáveis de textura representaram aproximadamente 31% a 36% da importância relativa no cenário CT, com maior participação nos blocos montanhosos. Conclui-se que RF aplicado a imagens Sentinel-2 possibilitou mapear as classes de uso e cobertura da terra e que a integração de atributos espectrais e texturais melhora o desempenho da classificação e complementa a informação espectral, especialmente em paisagens agrícolas de maior complexidade topográfica.
