CLASSIFICAÇÃO SUPERVISIONADA ATRAVÉS DA PLATAFORMA GOOGLE EARTH ENGINE NA SUB-BACIA DO CÓRREGO SEMINÁRIO
Authors:
- Wesley dos Santos CarvalhoWCWesley dos Santos Carvalho
- Lucas da Silva AlmeidaLALucas da Silva Almeida
- Marcos Vinicius Alves de OliveiraMOMarcos Vinicius Alves de Oliveira
- Drielle de Carvalho PetucoDPDrielle de Carvalho Petuco
- Nataly Pereira RamosNRNataly Pereira Ramos
- Andressa TognonATAndressa Tognon
- Denilson de Oliveira GuilhermeDGDenilson de Oliveira Guilherme
Open Access
- 6 November 2025
- journal article
- Published by Editoriales Iberoamericanos in Revista Políticas Públicas & Cidades
- Vol. 14 (9) , e2656
Abstract
O mapeamento do uso e cobertura do solo em áreas urbanas é importante na identificação do processo de ocupação do solo, indicando-se áreas edificadas, estradas, áreas verdes, recursos hídricos, entre outros. No entanto o mapeamento em áreas urbanas é um desafio devido aos padrões heterogêneos de cobertura do solo, que dificultam a diferenciação entre superfícies naturais e antrópicas, por exemplo. Este estudo analisa a aplicabilidade de imagens de alta resolução do satélite CBERS 4A WPM e o poder de processamento em nuvem da plataforma Google Earth Engine (GEE) para essa finalidade. A metodologia empregou o algoritmo de classificação supervisionada Random Forest para mapear a Sub-bacia do Córrego Seminário, em Campo Grande/MS, a partir de três composições de bandas espectrais (RGB, RGB+NIR e GB+NIR). Os resultados demonstram que a composição que inclui a banda do infravermelho próximo (RGB+NIR) apresentou o melhor desempenho, com uma acurácia geral de 95,27%. O mapeamento final indicou que a sub-bacia possui 24,19% de áreas com Vegetação Nativa e aproximadamente 59,70% de superfície permeável. A abordagem reforça a eficácia da combinação de dados do CBERS 4A WPM e do GEE para análises urbanas detalhadas.Keywords
This publication has 12 references indexed in Scilit:
- Unsupervised domain adaptation for global urban extraction using Sentinel-1 SAR and Sentinel-2 MSI dataRemote Sensing of Environment, 2022
- A platform for land use and land cover data integration and trajectory analysisInternational Journal of Applied Earth Observation and Geoinformation, 2022
- Sentinel-2 Satellite Imagery for Urban Land Cover Classification by Optimized Random Forest ClassifierApplied Sciences, 2021
- System characterization report on the China-Brazil Earth Resources Satellite-4A (CBERS–4A)2021
- Land Use/Land Cover Changes and Their Driving Factors in the Northeastern Tibetan Plateau Based on Geographical Detectors and Google Earth Engine: A Case Study in Gannan PrefectureRemote Sensing, 2020
- Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive ReviewIEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020
- High-resolution urban land-cover mapping and landscape analysis of the 42 major cities in China using ZY-3 satellite imagesScience Bulletin, 2020
- Land-Use Land-Cover Classification by Machine Learning Classifiers for Satellite Observations—A ReviewRemote Sensing, 2020
- Geospatial analysis of land use change in the Savannah River Basin using Google Earth EngineInternational Journal of Applied Earth Observation and Geoinformation, 2018
- Enhanced Built-Up and Bareness Index (EBBI) for Mapping Built-Up and Bare Land in an Urban AreaRemote Sensing, 2012