Título:	Classificação de sistemas de Integração Lavoura-Pecuária (ILP) no sul do Maranhão: uma abordagem com Machine Learning e sensoriamento remoto.
Autor:	SILVA, A. B. F. DA SILVA, V. M. DA SILVEIRA, H. L. F. da NOGUEIRA JUNIOR, L. R.
Afiliación:	ANA BEATRIZ FREITAS DA SILVA, UNIVERSIDADE ESTADUAL DE CAMPINAS; VINICIUS MORALES DA SILVA, UNIVERSIDADE ESTADUAL DE CAMPINAS; HILTON LUIS FERRAZ DA SILVEIRA, CNPM; LAURO RODRIGUES NOGUEIRA JUNIOR, CNPM.
Año:	2025
Referencia:	In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 21., 2025, Salvador. Anais [...]. Campinas: Galoá, 2025.
Páginas:	4 p.
Descripción:	Utilizou-se o algoritmo Random Forest (RF) para testar a capacidade do classificador na identificação de sistemas integrados Lavoura-Pecuária (ILP). O estudo foi realizado na Fazenda Nova Balsa e no seu entorno, no Município de Tasso Fragoso (MA). Foi organizado um banco de dados (BD) com 518 pontos, sendo 259 de ILP e 259 áreas sem integração. Para cada ponto, foram coletados valores de reflectância nas bandas do vermelho, azul, infravermelho próximo e médio (MOD13Q1), NDVI e EVI (SATVeg) para os períodos de janeiro, fevereiro e maio-junho. O BD, foi utilizado para treinamento e validação do RF na classificação de ILP. Como resultado obteve-se AUC (1,0), acurácia (0,995), F1-Score (0,995), precisão (0,995), Recall (0,995) e MCC (0,989). Concluiu-se que, apesar da boa acurácia, o grupo amostral limitado gerou viés, mas a banda do infravermelho próximo de janeiro foi a mais assertiva na classificação de ILPs. Abstract: The Random Forest (RF) algorithm was used to test the classifier's ability to identify Crop-Livestock Integration (CLI) systems. The study was conducted on the Nova Balsa farm and its surroundings, in the municipality of Tasso Fragoso (MA). A database (DB) was organized with 518 points, comprising 259 CLI points and 259 non-integration areas. For each point, reflectance values were collected for red, blue, near-infrared, and mid-infrared bands (MOD13Q1), as well as NDVI and EVI indices (SATVeg) for the periods of January, February, and May-June. The DB was used for training and validating the RF classifier for CLI identification. The results yielded AUC (1.0), accuracy (0.995), F1-score (0.995), precision (0.995), recall (0.995), and MCC (0.989). It was concluded that, despite high accuracy, the limited sample group introduced bias; however, the near-infrared band in January was the most effective for CLI classification.
Palabras clave:	Random forest MODIS Plano ABC Low Carbon Agriculture Plan
ISSN:	2966-0157
Tipo de Material:	Artigo em anais e proceedings
Acceso:	openAccess
Aparece en las colecciones:	Artigo em anais de congresso (CNPM)