Resumen de Integração da incerteza na amostragem e classificação random forest utilizando bandas e índices espectrais para o mapeamento de inundação

Thiago Bazzan, Camilo Daleles Rennó, Deborah Lopes Correia Lima, Elisabete Weber Reckziegel

• English

  Traditional classifications present limitations for mapping floods due to mixing the spectral response of water with adjacent non-aquatic targets or similar spectral response of non-aquatic targets with water. Furthermore, in general, these classificationsare evaluated only in terms of overall accuracy without considering the uncertainties in the classification process. Thus, this study aimed to integrate uncertainty in the Random Forest (RF) classification process for flood mapping, which guided the sampling process. The classification used 21 variables including indices and spectral bands from the Operational Land Imager sensor of the Landsat-8 satellite. Sampling was performed initially with the selection of points from the visual interpretation of the satellite image and later by collecting samples with high Shannon entropy values in the uncertainty map. The variables with the greatest importance for classification were selected by the Recursive Feature Elimination (RFE) algorithm. The final RF classification using samples collected based on the uncertainty map and with the four selected variables by the RFE presented an accuracy of 98.0% and a reduction of uncertainty, which indicates a greater confidence in the spatial representation and quantification of water permanent and temporary surface associated with floods

• português

  Classificações tradicionais apresentam limitações para o mapeamento de inundações devido à mistura da resposta espectral da água com alvos adjacentes não aquáticos ou resposta espectral similar de alvos não aquáticos com a água. Além disso, em geral, as classificações são avaliadas apenas em termos de acurácia global sem considerar as incertezas no processo de classificação. Assim, neste estudo objetivou-se integrar a incerteza na classificação Random Forest (RF) para o mapeamento de inundações auxiliando o processo de amostragem. A classificação utilizou 21 variáveis representadas por bandas e índices espectrais do sensor Operational Land Imager do satélite Landsat-8. A amostragem foi realizada inicialmente com a seleção de pontos a partir da interpretação visual da imagem de satélite e posteriormente coletando amostras com alta entropia de Shannon no mapa de incerteza. As variáveis com maior importância para a classificação foram selecionadas utilizando o algoritmo Recursive Feature Elimination (RFE). Os resultados mostram que a classificação RF final usando amostras coletadas com base no mapa de incerteza e o conjunto de variáveis selecionadas pelo RFE apresentou 98,0% de exatidão e redução das incertezas do mapeamento da água superficial em relação à classificação RF com todas as variáveis e sem considerar a amostragem baseada na incerteza.