Integração de dados SAR e ópticos em ambiente de computação em nuvem para identificação de floresta estacional decidual no Vão do Paranã, Goiás

Abstract

As Florestas Estacionais Deciduais do bioma Cerrado desempenham papel fundamental na conservação da biodiversidade e na provisão de serviços ecossistêmicos, tornando seu mapeamento preciso essencial para subsidiar estratégias de conservação. Entretanto, a marcada sazonalidade dessa fitofisionomia impõe desafios à sua identificação por sensoriamento remoto, especialmente em abordagens baseadas exclusivamente na classificação de dados ópticos, devido à semelhança na resposta espectral com outras classes de vegetação. Nesse contexto, esta pesquisa propôs uma avaliação abrangente combinando uma revisão sistemática da literatura sobre a aplicação de algoritmos de Machine Learning e dados de sensoriamento remoto em estudos sobre as Florestas Estacionais Deciduais, com uma abordagem empírica baseada na integração de dados SAR e ópticos e na análise comparativa do desempenho dos classificadores Random Forest e Gradient Tree Boost em ambiente de computação em nuvem, visando identificar o melhor cenário para o mapeamento dessa fitofisionomia na ecorregião do Vão do Paranã, reconhecida por abrigar os maiores remanescentes de Floresta Estacional do Cerrado. Os resultados evidenciaramdesempenho superior do algoritmo Gradient Tree Boost associado à integração de dados SAR e ópticos, destacando a elevação como a variável preditora de maior importância em todos os modelos avaliados. Esses achados reforçam o potencial da integração de múltiplas fontes de dados e algoritmos avançados para o aprimoramento do mapeamento de Florestas Estacionais Deciduais. Pesquisas futuras podem buscar avaliar abordagem desenvolvida na presente pesquisa em outras áreas de estudo, com ênfase na incorporação de outras fatores ambientais como atributos variáveis preditoras em novos modelos de classificação