Covariáveis preditivas e estratégias de amostragem para mapeamento automático do uso e ocupação na sub-região sudoeste da região metropolitana de São Paulo

Resumo

Alternativamente à classificação com base em pixels, a classificação baseada em objetos tem alcançado resultados satisfatórios quando aplicada a imagens de alta resolução, para mapeamento de uso e ocupação. Contudo, em nível de semidetalhe, pouco se sabe sobre as vantagens e desvantagens com cada abordagem, utilizando imagens com resolução espacial média (~10 m). O efeito da quantidade e da frequência na distribuição de amostras para o treinamento de modelos preditivos, em cada classe de interesse, e a eficiência dos diferentes tipos de covariáveis preditivas foram pouco investigados. O objetivo deste estudo foi avaliar diferentes estratégias de amostragem para o treinamento de modelos preditivos e a eficiência das covariáveis, comparando abordagens de classificação com base em pixels e em objetos. A área de estudo foi a sub-região sudoeste da Região Metropolitana de São Paulo e a classificação supervisionada foi realizada utilizando o algoritmo Random Forest. Foram testados diferentes conjuntos de dados, quanto à quantidade e frequência da distribuição das amostras nas classes de uso e ocupação, para treinamento do classificador. Utilizaram-se informações espectrais da missão Sentinel-2, informações topográficas de interferometria por radar da missão SRTM, índices de vegetação e de água, além de informações sobre a variabilidade temporal e espacial de covariáveis. A qualidade do mapeamento foi melhor quando presentes no conjunto de covariáveis preditivas os índices de vegetação e de água, a variabilidade espacial e a topografia, na abordagem de classificação com base em pixels, alcançando 82,4% de acurácia e índice Kappa de 0,80. Na classificação com base em objetos, a variabilidade temporal dos índices e a morfologia dos objetos melhoraram os resultados, alcançando acurácia e índice Kappa de 78,15% e 0,75, respectivamente. O resultado da classificação é bastante sensível à quantidade e à distribuição das amostras entre as classes no treinamento. As abordagens testadas apresentaram qualidade semelhante.