SENSORIAMENTO REMOTO E APRENDIZADO DE MÁQUINA APLICADOS NO MAPEAMENTO HÍDRICO DO SISTEMA CANTAREIRA

O monitoramento de recursos hídricos serve como base para tomada de decisão e para amenizar os efeitos de futuras crises hídricas, como, por exemplo, a crise no Sistema Cantareira, área de estudo deste trabalho, no biênio 2013/14. Investigamos a confiabilidade da classificação de imagens, utilizando técnicas de sensoriamento remoto e aprendizado de máquina no contexto de recursos hídricos, que é um recurso indispensável para a sociedade. Os experimentos foram realizados nas seis represas que compõem o Sistema Cantareira, e utilizamos imagens multiespectrais orbitais RapidEye, que apresentam uma resolução espacial de 5 metros. Foram testados quatro métodos de classificação, sendo eles: Distância Mínima, Máxima Verossimilhança, Mapeamento do Ângulo Espectral e Random Forest. Os métodos Distância Mínima, Máxima Verossimilhança e Random Forest atingiram uma acurácia superior a 95%, sendo Random Forest, o único método de aprendizado de máquina, com a maior acurácia (98,06%). Os resultados mostram que a combinação de imagens RapidEye com as técnicas clássicas e de aprendizado de máquina permitiram o mapeamento detalhado e acurado de recursos hídricos no Sistema Cantareira, podendo ser replicados em outras áreas de estudo. Como resultado, tem-se também a geração de um conjunto de dados rotulados, disponibilizado para a realização de experimentos futuros.