Efeitos de diferentes variáveis no mapeamento de uso e cobertura do solo com Google Earth Engine (GEE): Estudo de caso na bacia do rio São Francisco Verdadeiro- Paraná, Brasil
Open Access
- 30 August 2026
- journal article
- Published by Universidade Federal do Parana in Raega - O Espaço Geográfico em Análise
- Vol. 66 (1) , 3-25
Abstract
Entre os classificadores amplamente utilizados no ambiente do Google Earth Engine (GEE), destaca-se o Random Forest (RF), em função de sua robustez, capacidade de lidar com dados de diferentes naturezas e desempenho em aplicações de classificação supervisionada. O estudo avalia a influência de variáveis auxiliares na precisão do mapeamento de uso e cobertura do solo na Bacia Hidrográfica do Rio São Francisco Verdadeiro, localizada no oeste do Paraná. Testaram-se duas abordagens distintas de classificação: o primeiro método utilizou exclusivamente as bandas espectrais do sensor MSI a bordo do satélite Sentinel-2 (B1, B2, B3, B4, B5, B7, B8, B8A, B9, B11 e B12); o segundo método incorporou, além das bandas espectrais, índices espectrais (SR, NDVI, NDWI, SAVI e EVI), modelagem de mistura espectral (Spectral Mixture Analysis) e variáveis topográficas (declividade e elevação). O processamento utilizou duas cenas Sentinel-2 com nível de processamento 2A (correção atmosférica de refletância de superfície) adquiridas em 17 de outubro de 2022, processadas na plataforma GEE mediante classificador RF. Os resultados demonstraram superioridade da segunda abordagem, que alcançou 90,4% de exatidão global conforme avaliação por matriz de erro baseada em dados de campo. Na comparação entre métodos, o trecho superior da bacia apresentou as maiores discrepâncias espaciais: enquanto a abordagem baseada apenas em bandas espectrais superestimou as áreas de vegetação natural, a inclusão de variáveis auxiliares no método 2 possibilitou maior detecção de áreas de palhada/resíduo cultural. A análise de importância de variáveis confirmou que os índices espectrais contribuíram para a melhoria da classificação no segundo método.Keywords
This publication has 38 references indexed in Scilit:
- Automated near-real-time mapping and monitoring of rice growth extent and stages in Selangor MalaysiaRemote Sensing Applications: Society and Environment, 2023
- Remote sensing techniques via Google Earth Engine for land degradation assessment in the Brazilian semiarid region, BrazilJournal of South American Earth Sciences, 2022
- Soil degradation detected by temporal satellite image in São Paulo state, BrazilJournal of South American Earth Sciences, 2022
- Statistical features for land use and land cover classification in Google Earth EngineRemote Sensing Applications: Society and Environment, 2021
- Is it possible to map subsurface soil attributes by satellite spectral transfer models?Geoderma, 2019
- A new synergistic approach for monitoring wetlands using Sentinels -1 and 2 data with object-based machine learning algorithmsEnvironmental Modelling & Software, 2018
- Random forest in remote sensing: A review of applications and future directionsISPRS Journal of Photogrammetry and Remote Sensing, 2016
- Using Google's cloud-based platform for digital soil mappingComputers & Geosciences, 2015
- Satellite image-based maps: Scientific inference or pretty pictures?Remote Sensing of Environment, 2011
- A soil-adjusted vegetation index (SAVI)Remote Sensing of Environment, 1988