Utilização de classificadores de uso e cobertura do solo em pesquisas científicas

Autores

DOI:

https://doi.org/10.32358/rpd.2023.v9.660

Palavras-chave:

uso e cobertura do solo, classificação, bibliometria

Resumo

Objetivo: avaliar os principais métodos utilizados para classificação de uso e cobertura do solo, para determinar as técnicas mais frequentemente aplicadas e potenciais tendências. Metodologia/Abordagem: foi realizado um estudo bibliométrico na base de artigos científicos Scopus, contabilizando o uso de métodos de classificação entre 2012 e 2022. Os dados obtidos foram convertidos em tabelas de banco de dados SQL e processados por meio de consultas, procurando artigos cujos resumos contenham palavras-chave relacionadas com métodos de classificação de uso e cobertura do solo. Resultados: foi identificada uma tendência geral de crescimento nos estudos desta área, com aumento expressivo no uso de metodologias baseadas em aprendizado de máquina e estabilização no uso de outros métodos. Os métodos estatísticos também se demonstraram frequentemente utilizados, enquanto outros, com menor frequência. Limitações da pesquisa/implicações: é importante notar que as palavras-chave presentes nas secções dos resumos não correspondem necessariamente aos métodos aplicados nos estudos. Isto leva a algum grau de imprecisão, mas os dados obtidos permanecem uma representação razoável da popularidade de cada método. Originalidade/Valor do artigo: considerando que a literatura científica carece de uma compreensão quantitativa da utilização de classificadores de uso e ocupação do solo, este trabalho pretende preencher essa lacuna, fornecendo estes dados.

Downloads

Não há dados estatísticos.

Biografia do Autor

Vitor da Silva Gonçalves, Universidade Candido Mendes

Mestre em Pesquisa Operacional e Inteligência Computacional.

Italo de Oliveira Matias, Universidade Candido Mendes

Graduado em Ciências da Computação pela Universidade Federal da Paraíba (1998). Mestrado pela COPPE/UFRJ(2001) em Engenharia de Sistemas e Computação na área de Computação Gráfica. Doutorado pela COPPE/UFRJ(2007) em Engenharia Civil na área de Sistemas Computacionais/Inteligência Computacional. Pós-Doutorado em Engenharia e Ciências dos Materiais pela Universidade Norte-Fluminense (2011). É professor da UCAM (Campos dos Goytacazes) onde leciona e orienta no mestrado de POIC e no doutorado em Planejamento Regional e Gestão da Cidade. Atua nas áreas: Inteligência Artificial, Data Science, Big Data, Processamento de Imagens digitais, Geoprocessamento, Visão Computacional e Tecnologias Digitais Emergentes.

Aldo Shimoya, Universidade Candido Mendes

Possui graduação em Agronomia pela Universidade Federal de Mato Grosso (1982), mestrado (1987) e doutorado (2000) em Genética e Melhoramento pela Universidade Federal de Viçosa. Professor na Universidade Candido Mendes, nos cursos de graduação nas Engenharias de Produção, Civil e Mecânica; no curso de mestrado em Pesquisa Operacional e Inteligência Computacional; e de mestrado e doutorado em Planejamento Regional e Gestão da Cidade. 

Referências

Alzubi, J., Nayyar, A., & Kumar, A. (2018). Machine Learning from Theory to Algorithms: An Overview. Journal of Physics: Conference Series, 1142(1), 012012. https://doi.org/10.1088/1742-6596/1142/1/012012

Belgiu, M., & Csillik, O. (2018). Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis. Remote Sensing of Environment, 204, 509–523. https://doi.org/10.1016/j.rse.2017.10.005

Borra, S., Thanki, R., & Dey, N. (2019). Satellite Image Analysis: Clustering and Classification. Springer.

Chaves, M. E. D., Picoli, M. C. A., & Sanches, I. D. (2020). Recent Applications of Landsat 8/OLI and Sentinel-2/MSI for Land Use and Land Cover Mapping: A Systematic Review. Remote Sensing, 12(18), Article 18. https://doi.org/10.3390/rs12183062

Frazier, B. E., & Shovic, H. (1980). Statistical methods for determining land-use change with aerial photographs. Photogrammetric Engineering and Remote Sensing, 46(8), 1067–1077.

Horning, N. (2004). Land cover classification methods, Version 1.0. American Museum of Natural History, Center for Biodiversity and Conservation. https://www.amnh.org/content/download/74344/1391366/file/LandCoverClassification_Final.pdf

Jozdani, S. E., Johnson, B. A., & Chen, D. (2019). Comparing Deep Neural Networks, Ensemble Classifiers, and Support Vector Machine Algorithms for Object-Based Urban Land Use/Land Cover Classification. Remote Sensing, 11(14), Article 14. https://doi.org/10.3390/rs11141713

Lei, T., & Nandi, A. K. (2022). Image Segmentation: Principles, Techniques, and Applications. Wiley.

Mai, S. D., & Ngo, L. T. (2018). Multiple kernel approach to semi-supervised fuzzy clustering algorithm for land-cover classification. Engineering Applications of Artificial Intelligence, 68, 205–213. https://doi.org/10.1016/j.engappai.2017.11.007

Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784–2817. https://doi.org/10.1080/01431161.2018.1433343

Mora, B., Tsendbazar, N.-E., Herold, M., & Arino, O. (2014). Global Land Cover Mapping: Current Status and Future Trends. In I. Manakos & M. Braun (Eds.), Land Use and Land Cover Mapping in Europe: Practices & Trends (pp. 11–30). Springer Netherlands. https://doi.org/10.1007/978-94-007-7969-3_2

Phiri, D., & Morgenroth, J. (2017). Developments in Landsat Land Cover Classification Methods: A Review. Remote Sensing, 9(9), Article 9. https://doi.org/10.3390/rs9090967

Rebala, G., Ravi, A., & Churiwala, S. (2019). Machine Learning Definition and Basics. In G. Rebala, A. Ravi, & S. Churiwala (Eds.), An Introduction to Machine Learning (pp. 1–17). Springer International Publishing. https://doi.org/10.1007/978-3-030-15729-6_1

Talukdar, S., Singha, P., Mahato, S., Shahfahad, Pal, S., Liou, Y.-A., & Rahman, A. (2020). Land-Use Land-Cover Classification by Machine Learning Classifiers for Satellite Observations—A Review. Remote Sensing, 12. https://doi.org/10.3390/rs12071135

Wang, J., Bretz, M., Dewan, M. A. A., & Delavar, M. A. (2022). Machine learning in modelling land-use and land cover-change (LULCC): Current status, challenges and prospects. Science of The Total Environment, 822, 153559. https://doi.org/10.1016/j.scitotenv.2022.153559

Wulder, M. A., Coops, N. C., Roy, D. P., White, J. C., & Hermosilla, T. (2018). Land cover 2.0. International Journal of Remote Sensing, 39(12), 4254–4284. https://doi.org/10.1080/01431161.2018.1452075

Downloads

Publicado

2023-12-29

Como Citar

Gonçalves, V. da S., Matias, I. de O., & Shimoya, A. (2023). Utilização de classificadores de uso e cobertura do solo em pesquisas científicas. Revista Produção E Desenvolvimento, 9(1), e660. https://doi.org/10.32358/rpd.2023.v9.660

Edição

v. 9 n. 1 (2023): Janeiro-Dezembro

Seção

Estudos bibliométricos e cientométricos

Licença

Copyright (c) 2023 Revista Produção e Desenvolvimento

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Todo o conteúdo do periódico é licenciado sob uma Licença Creative Commons BY - Atribuição 4.0 Não Adaptada (CC BY 4.0). Autores e co-autores mantém os direitos autorais e concedem à revista o direito de publicação, sem retribuição financeira para os autores, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação.

Os artigos são livres de usar, com suas próprias atribuições de licença CC BY.

A revista não se responsabiliza pelas opiniões, ideias e conceitos emitidos nos textos, por serem de inteira responsabilidade de seu(s) autor(es). Os artigos aqui publicados são de responsabilidade exclusiva do(s) autor(es), observando a Lei de Direito Autoral n 9.610, de 19 de fevereiro de 1998. Salientamos que cabe ao periódico apenas a responsabilidade da avaliação dos artigos, sendo um veículo de publicação científica.

O editor possui o direito de rejeitar os artigos que no processo de avaliação tenham sido detectados indícios de plágio. Os artigos que tenham sido detectados indícios de plágio posteriormente à publicação, serão excluídos da edição. E a indicação do problema será informada no lugar do texto, mantendo-se a mesma quantidade de paginas.

Esta Revista adota os princípios de conduta ética do Comitê de Ética na Publicação (COPE) da qualidade internacional, bem como os parâmetros de Integridade na Atividade Científica indicados pelo SCOPUS e SCIELO.