@InProceedings{RezendeGoBrBoCoMe:2022:UtTéMa,
               author = "Rezende, Fernanda da Costa and Gomig, Elizandra Goldoni and 
                         Braido, Fernanda Loebel and Bonzanini, Higor Lourenzoni and 
                         Coelho, Ricardo Coeli Sim{\~o}es and Medeiros, Thais Pereira de",
          affiliation = "{Espeleogrupo Rio Claro (EGRIC)} and {Universidade Estadual 
                         Paulista (UNESP)} and {Universidade Estadual Paulista (UNESP)} and 
                         {Universidade Estadual Paulista (UNESP)} and {Universidade 
                         Estadual Paulista (UNESP)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)}",
                title = "Utiliza{\c{c}}{\~a}o de t{\'e}cnicas de Machine Learning para o 
                         mapeamento de cobertura e uso da terra da Serra de Itaqueri como 
                         subs{\'{\i}}dio ao manejo espeleol{\'o}gico",
            booktitle = "Anais...",
                 year = "2022",
                pages = "645--654",
         organization = "Congresso Brasileiro de Espeleologia, 36.",
             keywords = "Machine Learning, uso e cobertura da terra, Serra do Itaqueri, 
                         manejo espeleol{\'o}gico, machine learning, land-cover and 
                         land-use, Serra do Itaqueri, speleological management.",
             abstract = "A regi{\~a}o da Serra do Itaqueri vem sofrendo com intenso 
                         processo de mudan{\c{c}}as de uso e cobertura da terra. Tais 
                         processos desfavorecem o equil{\'{\i}}brio natural da {\'a}rea, 
                         podendo acelerar processos de eros{\~a}o ou de 
                         contamina{\c{c}}{\~a}o das {\'a}guas subterr{\^a}neas e 
                         afetando as condi{\c{c}}{\~o}es geol{\'o}gicas e 
                         biol{\'o}gicas das cavernas inseridas na regi{\~a}o. O 
                         avan{\c{c}}o das tecnologias de sensoriamento remoto e, em 
                         espec{\'{\i}}fico as t{\'e}cnicas de Machine Learning, vem 
                         favorecendo a amplia{\c{c}}{\~a}o da acur{\'a}cia no mapeamento 
                         de uso e cobertura. Neste sentido, o objetivo do estudo foi 
                         realizar o mapeamento de uso e cobertura da terra de uma 
                         regi{\~a}o da Serra do Itaqueri, a Bacia do Ribeir{\~a}o da 
                         Lapa, a partir da aplica{\c{c}}{\~a}o de t{\'e}cnicas de 
                         Machine Learning. Para isso aplicou-se o m{\'e}todo 
                         supervisionado denominado OBIA (Object Based Image Analysis) em 
                         conjunto com o algoritmo Random Forests, dentro do ambiente de 
                         programa{\c{c}}{\~a}o Python. Todos os testes de 
                         classifica{\c{c}}{\~a}o realizados obtiveram uma acur{\'a}cia 
                         geral acima de 90% e {\'{\i}}ndice KAPPA acima de 0.9. O melhor 
                         resultado mostrou que se uma amostra da classifica{\c{c}}{\~a}o 
                         fosse escolhida ao acaso, a probabilidade desta estar corretamente 
                         classificada seria de 99,5%. Obter um elevado n{\'{\i}}vel de 
                         acur{\'a}cia em mapas de classifica{\c{c}}{\~a}o de cobertura e 
                         uso da terra, principalmente ao que tange a gest{\~a}o das 
                         cavernas locais e ao manejo espeleol{\'o}gico na regi{\~a}o, 
                         {\'e} de extrema import{\^a}ncia. Em conclus{\~a}o, a Serra do 
                         Itaqueri {\'e} marcada por um aglomerado de cavidades, sendo 
                         assim, {\'e} uma {\'a}rea que demanda estudos voltados {\`a} 
                         diminui{\c{c}}{\~a}o dos impactos ambientais gerados por 
                         atividades antr{\'o}picas. ABSTRACT: The {"}Serra do Itaqueri{"} 
                         region has been suffering from an intense process of change in 
                         land-use and landcover. These processes can damage the natural 
                         balance of the area, which can accelerate processes of erosion or 
                         contamination of groundwater and affect the geological and 
                         biological conditions of the caves located in the region. The 
                         advance of remote sensing techniques, specifically, Machine 
                         Learning, has supported the improvement of accuracy in the mapping 
                         of land-use and land-cover. In this sense, the study aims to map 
                         the land-use and land-cover in a region of Serra do Itaqueri, 
                         Ribeir{\~a}o da Lapa Basin, using Machine Learning techniques. 
                         Thus, the supervision method called OBIA (Object-Based Image 
                         Analysis) is applied together with the Random Forests algorithm, 
                         within the Python programming environment. All classification 
                         tests performed had an overall accuracy above 90% and a KAPPA 
                         index above 0.9. The best result showed that if a sample of the 
                         classification was chosen randomly, the probability that it is 
                         correctly classified would be 99.5%. Performing a high level of 
                         accuracy in land-cover and land-use classification maps is 
                         extremely important, especially when it comes to the context of 
                         local caves management. In conclusion, Serra do Itaqueri is a 
                         cluster of caves, so it is an area that requires studies aimed at 
                         reducing the impacts generated by human activities.",
  conference-location = "Bras{\'{\i}}lia - DF",
      conference-year = "20-23 abr. 2022",
                label = "lattes: 8184507346752091 6 RezendeGoBrBoCoMe:2022:UtT{\'e}Ma",
             language = "pt",
           targetfile = "36cbe_645-654.pdf",
                  url = "https://http://www.cavernas.org.br/anais36cbe/36cbe_645-654.pdf",
        urlaccessdate = "06 jun. 2024"
}