Mapeamento de uso e cobertura agrícola no estado do Rio de Janeiro com algoritmo Random Forest no ano de 2017

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSánchez Vicens, Raúl-
Autor(es): dc.contributorFerraz, Debora da Paz Gomes Brandão-
Autor(es): dc.creatorFerreira, Bruno Vieira Soares-
Data de aceite: dc.date.accessioned2025-08-22T11:42:35Z-
Data de disponibilização: dc.date.available2025-08-22T11:42:35Z-
Data de envio: dc.date.issued2025-08-20-
Data de envio: dc.date.issued2025-08-20-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/39876-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1079030-
Descrição: dc.descriptionO mapeamento de uso e cobertura sofreu mudanças ao longo do tempo e com o avanço dos algoritmos de programação e do Big Earth Observation Data disponibilizando em nuvem e de público acesso a grandes quantidades de imagens de satélites possibilitaram a utilização de aprendizado de máquina para realizar análises da cobertura do solo. Partindo do princípio indicados por dados do IBGE de que a agricultura no estado do Rio de Janeiro tem sido abandonada ao longo do tempo, utilizamos do algoritmo Random Forest no Google Earth Engine para identificar as áreas agrícolas no estado para o ano de 2017, tornando possível a confecção futura de um cubo temporal para analisar esse abandono. As métricas de validação buscadas foram de 0,95 de acurácia global para todos os mapeamentos realizados e 0,6 ou maior nas acurácias do produtor e do usuário de cada uma das classes. Como o mapeamento do estado foi divido arbitrariamente em 4 áreas para facilitar o processamento e reduzir erros tivemos como produtos 4 diferentes mapeamentos com diferentes métricas em cada um deles. As áreas 1, 2 e 4 atingiram métricas definidas como satisfatórias (acima de 0,95 para acurácia global e 0,6 para acurácias do produtor e do usuário), porém a área 3 obteve um erro de omissão de 0,567 devido sua baixa acurácia do produtor.-
Descrição: dc.descriptionLand use and coverage mapping has undergone changes over time, driven by advancements in programming algorithms and the availability of large volumes of Earth observation data in the cloud. Public access to extensive satellite imagery has further enabled the use of machine learning for soil coverage analyses. Considering that IBGE data indicates a decline in agriculture in the state of Rio de Janeiro over the past 30 years, we employed the Random Forest algorithm on Google Earth Engine to identify agricultural areas in the state for the year 2017. This facilitates the future creation of a temporal cube to analyze this abandonment. Overall, validation metrics mostly indicated a global accuracy above 0.95 for all mappings and 0.6 or higher for both producer and user accuracies of each class. The state mapping was arbitrarily divided into four areas to streamline processing and reduce errors, resulting in four different mappings with distinct metrics. Areas 1, 2, and 4 achieved metrics deemed satisfactory, but Area 3 exhibited an omission error of 0.567 due to its low producer accuracy.-
Descrição: dc.description43 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectUso e cobertura de solo-
Palavras-chave: dc.subjectAgricultura no Rio de Janeiro-
Palavras-chave: dc.subjectRandom Forest-
Palavras-chave: dc.subjectUso e cobertura do solo-
Palavras-chave: dc.subjectAgricultura-
Palavras-chave: dc.subjectRandom Forest-
Palavras-chave: dc.subjectRio de Janeiro (Estado)-
Palavras-chave: dc.subjectLand use and coverage-
Palavras-chave: dc.subjectAgriculture in Rio de Janeiro-
Palavras-chave: dc.subjectRandom Forest-
Título: dc.titleMapeamento de uso e cobertura agrícola no estado do Rio de Janeiro com algoritmo Random Forest no ano de 2017-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.