Mapeamento do uso e ocupação do solo por meio da plataforma Google Earth Engine utilizando dados Sentinel-2 e SRTM

Abstract

Resumo: O sensoriamento remoto desempenha papel relevante na análise de imagens de satélite e, quando associado a técnicas e ferramentas de machine learning, possibilita a extração de informações úteis à tomada de decisão, com potencial impacto positivo sobre a agricultura brasileira. Nesse contexto, o objetivo do presente trabalho foi determinar o uso e a ocupação do solo na região do Vale do Ivaí (PR) por meio do classificador Random Forest, aplicado na plataforma Google Earth Engine (GEE) com imagens do satélite Sentinel-2. Adicionalmente, avaliou-se o efeito da incorporação da variável declividade, obtida a partir de dados do Shuttle Radar Topography Mission (SRTM), no desempenho da classificação. Para tanto, desenvolveu-se um algoritmo em linguagem JavaScript no ambiente do GEE para classificar as imagens Sentinel-2 na área de estudo, discriminando as classes: vegetação florestal, solo exposto, corpos hídricos, pastagem, agricultura e edificações. Posteriormente, verificou-se semelhança entre a distribuição espacial dos usos e ocupações do solo e o padrão de declividade, especialmente para as classes agricultura e pastagem, que apresentaram maior predominância e acompanharam as tendências observadas no mapa de declividade. A acurácia global das classificações, com e sem a inclusão da declividade, foi considerada excelente, de acordo com os critérios usualmente adotados para o índice Kappa (0,92 e 0,91, respectivamente) e para a exatidão global (94,94% e 94,29%, respectivamente). Esses resultados indicam que a inclusão da declividade contribuiu positivamente para o processo de classificação, ainda que com ganhos marginais

Abstract: Remote sensing plays a key role in the analysis of satellite imagery and, when combined with machine learning techniques, enables the extraction of information that supports decision-making with potential benefits for agriculture. This study aimed to map land use and land cover (LULC) in the Vale do Ivaí region, Paraná State, Brazil, using a Random Forest classifier implemented in the Google Earth Engine (GEE) platform with Sentinel-2 imagery. Additionally, the influence of incorporating slope information derived from Shuttle Radar Topography Mission (SRTM) data on classification performance was assessed. A JavaScript-based algorithm was developed in the GEE environment to classify Sentinel-2 images into six classes: forest vegetation, bare soil, water bodies, pasture, agriculture, and built-up areas. The spatial distribution of the mapped classes showed similarity to the regional slope pattern, particularly for agriculture and pasture, the dominant classes, which followed the main trends observed in the slope map. Classification accuracy was considered excellent both with and without slope information, according to the Kappa index (0.92 and 0.91, respectively) and overall accuracy (94.94% and 94.29%, respectively). These results indicate that slope contributed positively to the classification process, albeit with marginal gains