Integração Da Incerteza Na Amostragem E Classificação Random Forest Utilizando Bandas E Índices Espectrais Para O Mapeamento De Inundação

Abstract

Classificações tradicionais apresentam limitações para o mapeamento de inundações devido à mistura da resposta espectral da água com alvos adjacentes não aquáticos ou resposta espectral similar de alvos não aquáticos com a água. Além disso, em geral, as classificações são avaliadas apenas em termos de acurácia global sem considerar as incertezas no processo de classificação. Assim, neste estudo objetivou-se integrar a incerteza na classificação Random Forest (RF) para o mapeamento de inundações auxiliando o processo de amostragem. A classificação utilizou 21 variáveis representadas por bandas e índices espectrais do sensor Operational Land Imager do satélite Landsat-8. A amostragem foi realizada inicialmente com a seleção de pontos a partir da interpretação visual da imagem de satélite e posteriormente coletando amostras com alta entropia de Shannon no mapa de incerteza. As variáveis com maior importância para a classificação foram selecionadas utilizando o algoritmo Recursive Feature Elimination (RFE). Os resultados mostram que a classificação RF final usando amostras coletadas com base no mapa de incerteza e o conjunto de variáveis selecionadas pelo RFE apresentou 98,0% de exatidão e redução das incertezas do mapeamento da água superficial em relação à classificação RF com todas as variáveis e sem considerar a amostragem baseada na incerteza.
 Palavras-chave: Mapeamento de inundação. Classificador Random Forest. Bandas e índices espectrais. Seleção de variáveis. Entropia de Shannon.