Aplicações de Machine Learning em Dados de Satélite para Análise das Condições de Vegetação

Abstract

O uso de sensoriamento remoto juntamente à técnicas que permitem uma análise avançada das condições de vegetação terrestre se mostra muito importante para o monitoramento e administração do espaço geográfico. A utilização de técnicas como aprendizado de máquina, permite um estudo mais aprofundado das características de corpos de vegetação, solo exposto e água no meio, e a identificar as mudanças nesses locais com o passar do tempo. Este estudo tem como objetivo um exame aprimorado das condições de vegetação sobre uma região predominada por safras de arroz no estado de Santa Catarina, usando análises de NDVI e a técnica de LightGBM (Light Gradient-Boosting Machine / aprendizado de máquina) para a classificação da cobertura do solo em diferentes épocas do cultivo. O estudo se baseia em parâmetros de sensoriamento remoto de NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), NDWI (Normalized Difference Water Index) e precipitação dos satélites Landsat e Sentinel. Através da interação destes parâmetros com o LightGBM, é possível identificar as épocas de maior cobertura de vegetação, área agrícola ou solo exposto, e relacionar os possíveis fatores que favoreceram a mudança na superfície terrestre.