Resumo

A CELESC está entre as maiores empresas do setor elétrico brasileiro, tendo como área de concessão de distribuição de energia elétrica quase todo o território catarinense e o município de Rio Negro (PR). Possui mais de 5.300 km de linhas de distribuição, representando assim um complexo cenário quando o assunto é manutenção das faixas de servidão especialmente quanto aos serviços de podas e roçadas. Possuir o mapeamento do uso e ocupação da terra atualizado é um importante elemento para auxiliar o processo de identificação do grau de dificuldade e frequência necessária para a realização dessas manutenções. Dessa forma, a partir do projeto de P&D ANEEL “PD-05697-0122/2022” junto à CELESC, dentre os produtos gerados, por meio de linguagem de programação Python, foi proposto o desenvolvimento de uma toolbox para o QGIS utilizando a técnica de Machine Learning Randon Forest e imagens do Satélite Sentinel-2 para gerar automaticamente mapeamento do Uso e Cobertura da Terra para o estado de Santa Catarina. O mapeamento obteve o coeficiente Kappa e Acurácia Geral, o valor de 0,96. Por fim, na sequência foi realizada uma análise espacial para identificar o perfil do uso da terra nas linhas de distribuição da CELESC. A ferramenta proposta possui um potencial para otimizar a extração e o processamento de dados em vastas áreas, facilitando a classificação do uso e cobertura da terra. 

Palavras-chave

• Aprendizado de máquina
• Random Forest
• Linha de distribuição.

Referências

• Belgiu, M., Drãgu, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 144, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011.
• Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324.
• Carrasco, L. et al. (2019). Evaluating combinations of temporally aggregated Sentinel-1, Sentinel-2 and Landsat 8 for land cover mapping with Google Earth Engine. Remote Sensing, 11 (3), 288. https://doi.org/10.3390/rs11030288.
• Corcoran, J. M., Knight, J. F., Gallant, A. L. (2013). Influence of multi-source and multi-temporal remotely sensed and ancillary data on the accuracy of random forest classification of wetlands in northern Minnesota. Remote Sensing, 5 (7), 3212–3238. https://doi.org/10.3390/rs5073212.
• Franklin, S. E. et al (2015). Large Area Mapping of Annual Land Cover Dynamics Using Multitemporal Change Detection and Classification of Landsat Time Series Data. Canadian Journal of Remote Sensing, 41(4), 293–314. https://doi.org/10.1080/07038992.2015.1089401.
• Halder, A., Ghosh, A., Ghosh, S. (2011). Supervised and unsupervised landuse map generation from remotely sensed images using ant based systems. Applied Soft Computing Journal, 11 (8), 5770–5781. https://doi.org/10.1016/j.asoc.2011.02.030.
• Huang, S., Tang, L., Hupy, J. P., Wang, Y., Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32(5). https://doi.org/10.1007/s11676-020-01155-1.
• Louhaichi, M., Borman, M. M., Johnson, D. E. (2001). Spatially located platform and aerial photography for documentation of grazing impacts on wheat. Geocarto International, 16, 65–70. https://doi.org/10.1080/10106040108542184.
• Mcfeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17, 1425–1432. https://doi.org/10.1080/01431169608948714.
• Rwanga, S. S., Ndambuki, J. M. (2017) Accuracy Assessment of Land Use/Land Cover Classification Using Remote Sensing and GIS. International Journal of Geosciences, 08, 611–622. https://doi.org/10.4236/ijg.2017.84033.
• Souza, C. M. et al (2020). Reconstructing three decades of land use and land cover changes in brazilian biomes with landsat archive and earth engine. Remote Sensing, 12, 17. https://doi.org/10.3390/rs12172735.
• Talukdar, S., Singha, P., Mahato, S., Shahfahad, Pal., S., Liou, Y., Rahman, A. (2020). Land-use land-cover classification by machine learning classifiers for satellite observations-A review. Remote Sensing, 12(7), 1135. https://doi.org/10.3390/rs12071135.
• Vellido, A., Gibert, K., Ângulo, C., Guerrero, J. D. M. (2019). Advances in Self-Organizing Maps, Learning Vector Quantization, Clustering and Data Visualization, Barcelona: Springer.
• Vincini, M., Frazzi, E., D’Alessio, P. (2008). A broad-band leaf chlorophyll vegetation index at the canopy scale. Precision Agriculture, 9 (5), 303 -319. https://doi.org/10.1007/s11119-008-9075-z
• Woznicki, S. A, Baynes, J., Panlasigui, S., Mehaffey, M., Neale, A. (2019). Development of a spatially complete floodplain map of the conterminous United States using random forest. Science of the Total Environment, 647, 942–953. https://doi.org/10.1016/j.scitotenv.2018.07.353.