@MASTERSTHESIS{ 2024:1790392268,
 	title = {Seleção de variáveis para otimização de classificação de desmatamento  na plataforma Google Earth Engine},
 	year = {2024},
 	url = "https://tede.unioeste.br/handle/tede/7316",
 	abstract = "O desmatamento e supressão de biomas nativos, de forma irregular, em prol do 
 desenvolvimento pode trazer consequências em diversas áreas do meio ambiente como, por 
 exemplo, o clima. O sensoriamento remoto aliado à classificação de imagens é uma 
 ferramenta importante para o monitoramento do meio ambiente, porém as informações de 
 entrada no processo devem passar por uma curadoria para reduzir o esforço computacional 
 e obter a maior precisão e acuraria possível. Este trabalho objetivou verificar o custo-benefício 
 de diferentes conjuntos de imagens ópticas e de radar na classificação, por meio do algoritmo 
 Random Forest, de áreas de desmatamento na Amazônia brasileira. A área de estudo 
 localiza-se no município de Portel, no estado do Pará, Brasil. Os conjuntos de imagens 
 derivam das constelações Sentinel 1 (SAR) e Sentinel 2 (MSI), para o ano de 2023. As 
 classificações utilizando todas as imagens por conjunto diferiram visualmente e em suas 
 precisões, o conjunto composto apenas por polarizações SAR obteve exatidão global (EG) de 
 cerca de 92%, conjunto de bandas MSI com EG média de 94%, conjunto de índices com EG 
 de cerca de 94,5% e conjunto Completo obteve EG de 95%. Os recursos computacionais 
 utilizados na plataforma GEE diferiram devido ao uso de imagens SAR ou não, com os 
 conjuntos que continham imagens SAR utilizando maior carga de processamento devido filtros 
 necessários a redução do ruído speckle (Filtro de Frost e Quegan&Yu). O número de imagens
 influenciou na quantidade de memória utilizada pelo processamento, com o classificador 
 utilizando cerca de 8 vezes mais memória quando se compara o conjunto com menos bandas 
 (Sentinel 1 – 4 imagens) com o conjunto com mais imagens (Completo – 234 imagens). O 
 conjunto que obteve o melhor custo-benefício foi o conjunto Completo 25% (58 imagens), 
 utilizando bandas e índices derivados de ambos os sensores, sua precisão foi elevada e 
 consumo de processamento mediano quando comparado aos demais. Realizou-se uma 
 classificação com esse conjunto para o ano de 2022, ela foi subtraída da classificação de 
 2023, gerando uma camada de alertas de desmatamento para o ano de 2023, o qual ao se 
 comparar visualmente com os dados oficiais, divulgados pelo PRODES 2023, observou-se 
 concordância de local e forma dos alertas, desempenhando bem a função de classificação 
 com uso otimizado de processamento.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Agrícola},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}