DETECÇÃO DE ÁREAS DE FLORESTAS INVARIANTES EM SÉRIES TEMPORAIS UTILIZANDO RANDOM FOREST

O surgimento de algoritmos de deteccao de mudancas na vegetacao na ultima decada e impressionante. Mas os resultados gerados ainda possuem ruido que precisa ser tratado com a utilizacao de resultados de outros mapeamentos de cobertura vegetal. Alem disso, a necessidade de gerar classes de uso do solo invariantes e importante para o melhor entendimento de processos que ocorrem em areas florestais. Pensando nisso, este trabalho busca criar uma nova forma de mapear essas areas invariaveis que possam ser utilizadas para mascarar ruidos e tambem como subsidio para outros estudos de conservacao e restauracao. A metodologia proposta aqui usa a plataforma Google Earth Engine e um algoritmo de aprendizado de maquina: o Random Forest, para classificar areas de floresta invariaveis usando todo o acervo de imagens da serie temporal Landsat, de uma so vez. Os resultados mostraram que a nova abordagem teve melhor desempenho do que o uso de tecnicas mais tradicionais como a agregacao de mapeamentos de uso e cobertura anuais, com uma acuracia global de 91,7%. O trabalho busca ainda contribuir com a comunidade de sensoriamento remoto ao apresentar, apos exaustivos testes, as melhores opcoes de variaveis a serem utilizadas neste tipo de classificacao. Palavras-chave: Series Temporais, Deteccao de Mudancas, Florestas, Google Earth Engine, Random Forest.DETECTION OF INVARIANT VEGETATION AREAS IN TIME SERIES USING RANDOM FOREST ALGORITHMAbstract: The emergence of vegetation change detection algorithms in the last decade is impressive. But the results still have a lot of noise that needs to be cleaned. And the data cleaning process still uses other landcover mapping results. Besides that, the necessity to generate invariant land use classes is important to know particularly to forest areas. Thinking about that, this paper seeks to create a new form of mapping these invariant areas that can be used to mask noise and as an input on other conservation and restoration studies. The methodology proposed here uses the Google Earth Engine platform and a Random Forest algorithm to classify invariant forest areas using all the image’s collection in the time series at once. The results showed that the new approach performed better than the use of more traditional techniques such as the aggregation of annual land-use and land-cover mappings, with an overall accuracy of 91.7%. Also, this paper seeks to contribute to the remote sensing community showing after exhaustive testing, good options of variables to use on this type of work. Keywords: Time Series, Change Detection, Forests, Google Earth Engine, Random Forest.DETECCION DE AREAS DE VEGETACION INVARIANTES EN SERIES TEMPORALES UTILIZANDO ALGORITMO RANDOM FORESTResumen: La aparicion de algoritmos de deteccion de cambios en la vegetacion en la ultima decada es impresionante. Pero los resultados todavia tienen muchos ruidos que deben ser eliminados. Ademas, el proceso de limpieza de datos se basa en otros mapas de cobertura de la tierra. Ademas de eso, es importante conocer la necesidad de generar clases de uso de la tierra invariables, particularmente en las areas forestales. Pensando en eso, este articulo busca crear una nueva forma de mapear estas areas invariantes que se pueden utilizar para enmascarar el ruido y como un aporte para otros estudios de conservacion y restauracion. La metodologia propuesta aqui utiliza la plataforma Google Earth Engine y un algoritmo de aprendizaje de maquina: o Random Forest para clasificar areas invariantes de bosque, utilizando a la vez todas las imagenes de la serie temporal Landsat. Los resultados encontraron que el nuevo enfoque tuvo mejor desempeno que el uso de tecnicas tradicionales, con una precision global del 91,7%. Este trabajo busca ademas contribuir con la comunidad de la teledeteccion, mostrando mediante de exhaustivas pruebas, mejores opciones de variables para utilizar en este tipo de clasificacion. Palabras clave: Series de Tiempo, Deteccion de Cambios, Bosques, Google Earth Engine, Random Forest.