Mais verde ou menos verde? Quando alta acurácia esconde muitos erros: Uma análise da classificação de vegetação arbórea com SVM

Autores

  • Daniel dos Santos Messa Fatec Adamantina
  • Paulo Roberto da Silva Ruiz
  • Luiz Gustavo Teixeira

Palavras-chave:

aprendizado de máquina; CBERS 4A; índices de vegetação; sensoriamento remoto.

Resumo

Este trabalho teve como objetivo desenvolver um método para classificação de cobertura arbórea no município de Adamantina - SP, utilizando imagens do satélite CBERS-4A e o algoritmo Support Vector Machine (SVM), objetivando subsidiar ações de gestão ambiental municipal. A metodologia compreendeu aquisição e pré-processamento de imagens, definição e obtenção de amostras de treinamento, extração de atributos espectrais, além da seleção e otimização de atributos. Os resultados demonstraram alta acurácia global (96,96%) e concordância substancial, com Índice Kappa de 0,749, com os índices NDVI e EVI emergindo como os atributos mais relevantes. Contudo, a análise detalhada revelou assimetria no desempenho do classificador: enquanto a classe "Outros" apresentou excelente precisão, a classe "Arbórea" registrou recall moderado, indicando sub identificação de aproximadamente um terço da vegetação arbórea. Conclui-se que o método se mostrou viável para aplicações de planejamento municipal em escala, porém com limitações significativas na detecção completa da cobertura arbórea. A pesquisa contribui com uma metodologia de baixo custo para monitoramento ambiental, destacando a importância da análise crítica de métricas da acurácia global em classificações automáticas de Sensoriamento Remoto.

Downloads

Não há dados estatísticos.

Referências

ADAMANTINA. Adamantina mais uma vez recebe o Certificado Município Verde Azul. 2020. Disponível em: <https://www.adamantina.sp.gov.br/portal/noticias/0/3/4238/adamantina-mais-uma-vez-recebe-o-certificado-municipio-verdeazul>. Acesso em: 7 jun. 2025.

AMBIENTE. Secretaria do Meio Ambiente de São Paulo. 21 Projetos Ambientais Estratégicos. Disponível em < https://semil.sp.gov.br/mudancas-climaticas-e-sustentabilidade/ >. Acesso em 7 set. 2025.

ANDERSON, J. R. et al. A Land Use and Land Cover Classification System for Use with Remote Sensor Data. U.S. Geological Survey, Professional Paper 964, 1976. Disponível em: <https://pubs.usgs.gov/pp/0964/report.pdf>. Acesso em: 30 mar. 2025.

BRANSON, S. et al. From Google Maps to a fine-grained catalog of street trees. ISPRS Journal of Photogrammetry and Remote Sensing, v. 135, p. 13–30, jan. 2018. Disponível em: < https://arxiv.org/abs/1910.02675>. Acesso em: 07 jun. 2025.

BAATZ, M.; SCHAPE, A. Multiresolution segmentation: na optimization approach for high quality multi-scale image segmentation. In: XII Angewandte Geographische Informationsverarbeitung, 2000, Wichmann-Verlag, Heidelberg.

CÂMARA, G.; SOUZA, R. C. M.; FREITAS, U. M. de. Spring: Integrating remote sensing and GIS by object-oriented data modelling. Computers & Graphics, v. 20, n. 3, p. 395–403, 1996. Disponível em: <https://www.sciencedirect.com/science/article/pii/0097849396000088>. Acesso em: 30 mar. 2025.

CAMPBELL, J. B.; WYNNE, R. H. Introduction to remote sensing. Guilford press, 2011. Disponível em: <https://www.guilford.com/books/Introduction-to-Remote-Sensing/Campbell-Wynne/9781462549405>. Acesso em 30 mar. 2025.

COHEN, J. A coefficient of agreement for nominal scales. Educational and psychological measurement, v. 20, n. 1, p. 37-46, 1960. Disponível em: <https://journals.sagepub.com/doi/10.1177/001316446002000104>. Acesso em 30 mar. 2025.

CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. CRC press, 2019. Disponível em: <https://www.taylorfrancis.com/books/mono/10.1201/9780429052729/assessing-accuracy-remotely-sensed-data-russell-congalton-kass-green>. Acesso em: 30 mar. 2025.

CORTES, C.; VAPNIK, V. Support-vector networks. Machine Learning, v. 20, p. 273–297, 1995. Disponível em: <https://link.springer.com/article/10.1007/BF00994018>. Acesso em: 8 jun. 2025.

FOODY, G. M. Status of land cover classification accuracy assessment. Remote sensing of environment, v. 80, n. 1, p. 185-201, 2002. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0034425701002954>. Acesso em: 30 mar. 2025.

HUANG, C., GONG, P., BIGING, G. Satellite remote sensing for land use/land cover change: Advances and challenges. International Journal of Remote Sensing, 41(2), 658-708. 2020.

HUANG, C.; DAVIS, L. S.; TOWNSHEND, J. R. G. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, v. 23, n. 4, p. 725-749, 2002.

INPE - Instituto Nacional de Pesquisas Espaciais. Satélite Sino-Brasileiro de Recursos Terrestres (CBERS). 2020. Disponível em: Acesso em 13 de maio de 2024.

JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos Campos: Parêntese, 2011. Tradução José Carlos Neves Epiphanio.

LILLESAND, T.; KIEFER, R. W.; CHIPMAN, J. Remote sensing and image interpretation. John Wiley & Sons, 2015. Disponível em: <https://www.geokniga.org/bookfiles/geokniga-remote-sensing-and-image-interpretation.pdf>. Acesso em: 05 mai. 2025.

LIN, A. et al. Identifying Urban Building Function by Integrating Remote Sensing Imagery and POI Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021. Disponível em: <10.1109/JSTARS.2021.3107543>. Acesso em: 17 mai. 2025.

MOREIRA, M. A. Fundamentos do Sensoriamento Remoto e Metodologias de Aplicação. 4. ed. Viçosa: UFV, 2011.

MOUNTRAKIS, G.; IM, J.; OGOLE, C.. Support vector machines in remote sensing: A review. ISPRS journal of photogrammetry and remote sensing, v. 66, n. 3, p. 247-259, 2011. Disponível em: <https://aboutgis.com/Publications/Mountrakis_SVM_review_in_remote_sensing_ISPRS2010.pdf>. Acesso em: 12 mai. 2025.

NOVO, E. M. L. M. Sensoriamento Remoto: Princípios e aplicações. 3. ed. São Paulo: Blucher, 2010. Disponível em: <https://api.pageplace.de/preview/DT0400.9788521216902_A47327924/preview-9788521216902_A47327924.pdf>. Acesso em: 05 mai. 2025.

RUIZ, P. R. S. Classificação da cobertura do solo urbano usando árvores de decisão a partir de cenas WorldView-2 e WorldView-3 para diferentes níveis de legenda. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2017, 181 p.

RUIZ, P. R. S. et al. Explorando a segmentação multirresolução em imagens urbanas: um estudo com CBERS 4A WPM. in: Anais do XXI Simpósio Brasileiro de Sensoriamento Remoto, 2025, Salvador. Anais eletrônicos..., Galoá, 2025. Disponível em: <https://proceedings.science/sbsr-2025/trabalhos/explorando-a-segmentacao-multirresolucao-em-imagens-urbanas-um-estudo-com-cbers?lang=pt-br> Acesso em: 17 Maio. 2025.

SCHOWENGERDT, R. A. Remote sensing: models and methods for image processing. Elsevier, 2006.

TAUBENBÖCK, H., WEGMANN, M., ROTH, A., MEHL, H., & DECH, S. (2012). Urbanization in India – Spatiotemporal analysis using remote sensing. Computers, Environment and Urban Systems, 36(3), 296–306. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0198971508000604>. Acesso em: 06 jun. 2025.

TOMASIELLO, D. B. Modelos de rede transporte público e individual para estudos de acessibilidade em São Paulo. 2016. Dissertação (Mestrado em Engenharia de Transporte) - Escola Politécnica, Universidade de São Paulo, São Paulo, 2016, 94 p. Disponível em: <https://www.teses.usp.br/teses/disponiveis/3/3138/tde-24062016-111306/en.php>. Acesso em: 13 agosto 2025.

TRIMBLE. eCognition Developer 8.7 User Guide. Munich, Germany: [s.n.], 2011. 258 p. Disponível em: < https://docs.ecognition.com/ Acesso em: 13 agosto 2025.

VAPNIK, Vladimir. The nature of statistical learning theory. Springer science & business media, 1999. Disponível em: <https://archive.org/details/natureofstatisti0000vapn>. Acesso em: 12 mai. 2025.

WOODHOUSE, Iain H. Introduction to microwave remote sensing. CRC press, 2017.

Downloads

Publicado

2025-12-01

Como Citar

DOS SANTOS MESSA, D.; ROBERTO DA SILVA RUIZ, P. .; GUSTAVO TEIXEIRA, L. . Mais verde ou menos verde? Quando alta acurácia esconde muitos erros: Uma análise da classificação de vegetação arbórea com SVM. Revista Conecta, São Paulo, Brasil, v. 8, n. 3, p. 82–102, 2025. Disponível em: https://www.fatecrl.edu.br/revistaconecta/index.php/rc/article/view/340. Acesso em: 14 abr. 2026.

Edição

v. 8 n. 3 (2025): Revista Conecta

Seção

Artigos

Licença

Copyright (c) 2025 Revista Conecta

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Os direitos autorais dos artigos publicados pertencem à Revista Conecta e seguem o padrão Creative Commons (CC BY), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.