Banca de QUALIFICAÇÃO: BRENO ARLES DA SILVA SANTOS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : BRENO ARLES DA SILVA SANTOS
DATA : 24/11/2025
HORA: 19:30
LOCAL: meet.google.com/ipt-iask-rsq
TÍTULO:

MAPEAMENTO DE ÁREAS AQUÍCOLAS EM XIQUE-XIQUE/BA: UMA ANÁLISE COMPARATIVA ENTRE MÉTODOS CLÁSSICOS E MACHINE LEARNING PARA O PROCESSAMENTO DIGITAL DE IMAGENS DE SATÉLITE

PALAVRAS-CHAVES:

Aquicultura; CBERS-4A; Fusão de imagens; Sustentabilidade; Semiárido.

PÁGINAS: 73
RESUMO:

A aquicultura é uma atividade voltada à criação e ao desenvolvimento de organismos aquáticos em ambientes controlados ou semi-controlados, com o objetivo de produzir alimentos, insumos e outros produtos de elevado valor econômico. O crescimento desse setor no Brasil, aliado à necessidade de gestão sustentável, reforça a importância de métodos eficazes para o monitoramento e o mapeamento das áreas aquícolas. O objetivo geral desta pesquisa é mapear áreas aquícolas no semiárido baiano. Como objetivos específicos, destacam-se: (a) realizar uma revisão de literatura sobre o mapeamento da aquicultura e (b) conduzir uma análise comparativa entre métodos clássicos e abordagens baseadas em aprendizado de máquina (machine learning) aplicadas ao mapeamento de três empreendimentos aquícolas localizados no município de Xique-Xique, Bahia. Para a revisão de literatura, empregou-se as abordagens bibliométrica e sistemática, incorporando técnicas de Inteligência Artificial (IA) à análise bibliométrica através das strings de busca utilizadas foram “Aquaculture” AND “Geographic Information System” AND “mapping” AND “machine learning”, aplicadas às bases Scopus (Sco) e Web of Science (WoS). No mapeamento das áreas aquícolas, utilizou-se imagens do satélite CBERS-4A, sensor WPM. Foram comparadas abordagens tradicionais de classificação supervisionada (Máxima Verossimilhança) e não supervisionada (ISODATA), realizadas no software ArcMap (versão para estudante), com o algoritmo Random Forest, representando as técnicas de aprendizado de máquina no Software R. Os principais resultados apontam para o crescimento da produção científica entre 2007 e 2025, especialmente a partir de 2018, com destaque para a contribuição de instituições asiáticas. Na perspectiva sistemática, observaram-se estudos de mapeamento com predomínio do uso de imagens dos satélites LANDSAT 8, Sentinel-2 e ZY1-02D, frequentemente associadas a índices espectrais como NDVI, NDWI e SAVI. Embora métodos clássicos, como segmentação por limiar, detecção de bordas e Tasseled Cap, ainda sejam empregados, verifica-se uma tendência crescente de adoção de algoritmos de aprendizado de máquina, como Random Forest, SVM, LVQ e redes neurais artificiais. No mapeamento realizado, o método ISODATA apresentou desempenho menos satisfatório, com baixa acurácia global e elevada confusão espectral entre as classes. A classificação supervisionada tradicional obteve resultados mais consistentes, embora tenha evidenciado casos de superclassificação em áreas de alta heterogeneidade espectral. O algoritmo Random Forest destacou-se como o classificador mais robusto, alcançando altas taxas de detecção para a classe “Aquicultura” e maior correspondência com as áreas verificadas em campo, especialmente na unidade CODEVASF (erro de −6,8%). Entretanto, a baixa exatidão do usuário indicou a ocorrência de erros de comissão, apontando para a necessidade de ajustes nos dados de treinamento e da incorporação de variáveis espectrais auxiliares. A pesquisa reforça a viabilidade do uso de sensores ópticos e algoritmos de código aberto no monitoramento da aquicultura em regiões remotas, promovendo o acesso democrático a tecnologias geoespaciais aplicadas à gestão ambiental, ao licenciamento e ao planejamento produtivo.

MEMBROS DA BANCA:
Interno - 1059478 - GERSON DOS SANTOS LISBOA
Externa ao Programa - 1067084 - ADRIANA KAZUE TAKAKO - UFSBExterno ao Programa - 3072612 - ELFANY REIS DO NASCIMENTO LOPES - UFSBExterna ao Programa - 3405408 - MARIANA LINS RODRIGUES - UFSBExterno à Instituição - Carlos Fabricio Assunção da Silva - UFPE