ANALYSIS AND CLASSIFICATION OF THE CABRUCA AGROFORESTRY SYSTEM WITH MACHINE LEARNING IN THE ATLANTIC FOREST BIOME – BRAZIL

Autores

DOI:

https://doi.org/10.5380/raega.v64i1.101334

Resumo

The absence of labeling and spectral similarity of cabruca systems in the Atlantic Forest biome for the Almada, Cachoeira, and Una River basins in the databases hinders the proper classification of these areas. Thus, this study aims to analyze the classification of cabruca areas in the mentioned basins through the use of images of different resolutions and machine learning. The methodology includes: determining land cover and land use classes, acquiring satellite images, processing the images with algorithms in Python, and evaluating supervised classification. The results show that cropping algorithms are effective in processing satellite images, preserving essential geographic information. Furthermore, the Neural Network model achieved an accuracy of 92%, regardless of the diversity of spatial resolutions. However, it is recommended to use the classification results of cabruca areas as estimates, due to the difficulty of the algorithms in distinguishing these areas from Dense Ombrophilous Forest.

Biografia do Autor

Vinícius de Amorim Silva, Universidade Federal do Sul da Bahia (UFSB)/Centro de Formação em Tecnociências e Inovação (CFTCI)

Doutor em Geografia (IG/UNICAMP). Mestre em Desenvolvimento Regional e Meio Ambiente (PRODEMA/UESC), Especialista em Mídias na Educação (UESB) Especialista em Ensino da Geografia (UESC), Geógrafo (UESC) Professor Associado II do Centro de Formação em Tecnociências e Inovação (CFTCI) da Universidade  Federal do Sul da Bahia (UFSB) e dos Programas de Pós-graduação em Engenharia Civil e Ambiental (UFSB/UESC), do Programa de Pós-graduação em Biossistemas (UFSB), do Programa de Pós-graduação em Geografia (UFF/Campos dos Goytacazes, Rio de Janeiro) e da pós-graduação lato sensu em Engenharia Ambiental e Urbana (UFSB).

Hercules da Silva Carvalho, Universidade Federal do Sul da Bahia

Mestrando em Engenharia Civil e Ambiental no Programa de Pós-Graduação em Engenharia Civil e Ambiental, pela Universidade Federal do Sul da Bahia (UFSB) e a Universidade Estadual de Santa Cruz (UESC). Discente de Engenharia Ambiental e Sustentabilidade na Universidade Federal do Sul da Bahia (UFSB), com formação anterior no Bacharelado Interdisciplinar em Ciências, também pela UFSB.

Paulo Sérgio Vila Nova Souza, Universidade Federal do Sul da Bahia

Doutor em Biossistemas na área de Geoprocessamento e Inteligência Artificial, na Universidade Federal do Sul da Bahia (UFSB), mestre em Ciências Agrárias (2005) na área de Desenvolvimento Rural, pela Universidade Federal da Bahia (UFBA) e bacharel em Ciências Econômicas (2001) pela Universidade Estadual de Santa Cruz (UESC). Atualmente é membro do Grupo de Pesquisa Grupo de Geoprocessamento e Inteligência Artificial – GGIA, Diretor Executivo da Econamfi Consultorias Ltda. e Presidente do Instituto Ciclos de Sustentabilidade e Cidadania. Tem interesse em geoprocessamento, desenvolvimento rural e política pública ambiental.

Referências

ALBA, E.; ALEXANDRE, M. L. S.; MARCHESAN, J.; SOUZA, L. S. B.; BEZERRA, A. C.; SILVA, E. A. Comparação en-tre Algoritmos de Aprendizado de Máquina para a Identificação de Floresta Tropical Sazonalmente Seca. Anuário do Instituto de Geociências, vol. 45, no. 1982-3908, p. 1–10, 2022. DOI https://doi.org/10.11137/1982-3908_2022_45_4075.

BHOSALE, V.; PATANKAR, A. Performance Comparision of VGG-16 and ResNet-34 Algorithms for Supervised Classification of Landsat Images. 16 Jul. 2023. DOI https://doi.org/10.1109/igarss52108.2023.10281537.

CHATTERJEE, S.; BHATTACHARYYA, S.; SAHA, S.; HALDER, A.; RANJAN, P. Detection of Dense Built-Up Area in Low-Resolution Satellite Images Using Deep Learning and DBSCAN Approaches. International Journal of Pattern Recognition and Artificial Intelligence, vol. 38, no. 04, 30 Mar. 2024. https://doi.org/10.1142/s0218001424510042.

CONDÉ, T. M.; HIGUCHI, N.; ADRIANO; ASSIS, A.; JACKELIN DIAS CONDÉ; CAMARGO, A.; CARNEIRO, L. Spectral Patterns of Pixels and Objects of the Forest Phytophysiognomies in the Anauá National Forest, Roraima State, Brazil. Ecologies, vol. 4, no. 4, p. 686–703, 28 Oct. 2023. DOI https://doi.org/10.3390/ecologies4040045.

DAS, P.; PANDEY, V. Use of Logistic Regression in Land-Cover Classification with Moderate-Resolution Multi-spectral Data. Journal of the Indian Society of Remote Sensing, vol. 47, no. 8, p. 1443–1454, 8 May 2019. https://doi.org/10.1007/s12524-019-00986-8.

FAGUNDES, W. S.; JÚNIOR, M. J. A. Evolução das Técnicas de Classificação de Imagens do Sensoriamento Remoto Utilizadas na Produção Científica Brasileira: Evolution of remote sensing image classification tech-niques used in Brazilian scientific production. Geosciences = Geociências, vol. 41, no. 3, p. 593–604, 2022. DOI https://doi.org/10.5016/geociencias.v41i03.16209.

FONSECA, M. G. et al. Mapbiomas Cacau: avanços e desafios no mapeamento do cultivo sombreado de cacau no Sul da Bahia. [S.l.]: [s.n.], 2023.

GAIAD, S.; CARVALHO, P. E. R. Glossário — Portal Embrapa. 22 dez. 2021. Disponível em: https://www.embrapa.br/.

GOOGLE COLABORATORY. Disponível em: https://colab.research.google.com/. Acesso em: 25 out. 2025.

GOOGLE EARTH ENGINE TEAM. Google Earth Engine: a planetary-scale geospatial analysis platform. [S.l.]: [s.n.], 2013. Disponível em: https://earthengine.google.com/. Acesso em: 25 out. 2025.

HAFSA, O.; ABDESSAMAD, A. E. B. Machine learning algorithms for satellite image classification using Google Earth Engine and Landsat satellite data: Morocco case study. IEEE Access, v. 11, p. 71127–71142, 2023. https://doi.org/10.1109/ACCESS.2023.3293828.

LI, L.; USTIN, S. L.; LAY, M. Application of multiple endmember spectral mixture analysis (MESMA) to AVIRIS imagery for coastal salt marsh mapping: a case study in China Camp, CA, USA. International Journal of Re-mote Sensing, vol. 26, no. 23, p. 5193–5207, 10 Dec. 2005. https://doi.org/10.1080/01431160500218911.

LIANG, J.; LIANG, G.; SUN, L. Using Sentinel images for analyzing water and land separability in an agricul-tural river basin. Environmental Monitoring and Assessment, vol. 195, no. 11, 13 Oct. 2023. https://doi.org/10.1007/s10661-023-11908-0.

LISBOA, G. P. Validação do Modelo Linear de Mistura Espectral e Índices De Vegetação para Identificação de Fragmentos Florestais de Mata Atlântica e Sistema Agroflorestal Cacau Cabruca Utilizando Imagens Orbi-tais. 2022.

LIU, X.; ZHENG, X.; WANG, Z.; LI, Z.; WANG, K.; ZHANG, H.; DUAN, J. Monitoring Wetland Changes and Ana-lyzing the Spartina alterniflora Invasion in the Yellow River Delta over the Past 30 Years Based on Google Earth Engine. IEEE Geoscience and Remote Sensing Letters, vol. 21, p. 1–5, 1 Jan. 2024. DOI https://doi.org/10.1109/lgrs.2024.3400027.

MIELIKAINEN, J. Lossless compression of hyperspectral images using lookup tables. IEEE Signal Processing Letters, vol. 13, no. 3, p. 157–160, Mar. 2006. https://doi.org/10.1109/lsp.2005.862604.

MORAITIS, N.; TSIPI, L.; VOUYIOUKAS, D.; GKIONI, A.; LOUVROS, S. Performance evaluation of machine learn-ing methods for path loss prediction in rural environment at 3.7 GHz. Wireless Networks, vol. 27, no. 6, p. 4169–4188, 18 Jun. 2021. https://doi.org/10.1007/s11276-021-02682-3.

MOREIRA, M. A.; ADAMI, M.; RUDORFF, B. F. T. Análise espectral e temporal da cultura do café em imagens Landsat. Pesquisa Agropecuária Brasileira, v. 39, n. 3, p. 223–231, mar. 2004. https://doi.org/10.1590/S0100-204X2004000300004.

NAZMUZZAMAN, K. M.; ANWAR, S. Robust Weed Recognition Through Color Based Image Segmentation and Convolution Neural Network Based Classification. Nov. 2019.

PATEL, A. K.; CHATTERJEE, S.; GORAI, A. K. Development of machine vision-based ore classification model using support vector machine (SVM) algorithm. Arabian Journal of Geosciences, vol. 10, no. 5, Mar. 2017. https://doi.org/10.1007/s12517-017-2909-0.

ROCHA, J.; TENEDÓRIO, J. A.; ESTANQUEIRO, R.; SOUSA, P. M. Classificação de uso do solo urbano através da análise linear de mistura espectral com imagens de satélite. Finisterra, v. 42, n. 83, 13 dez. 2012. https://doi.org/10.18055/finis1438.

SAMBUICHI, R. H. R. Estrutura e dinâmica do componente arbóreo em área de cabruca na região cacaueira do sul da Bahia, Brasil. Acta Botanica Brasilica, vol. 20, no. 4, p. 943–954, Dec. 2006. https://doi.org/10.1590/s0102-33062006000400018.

SENA SOUZA, J. P. et al. Comparação dos métodos de classificação por ângulo espectral e distância euclidi-ana no mapeamento das formas de terreno. Revista Brasileira de Geomorfologia, v. 17, n. 3, 1 set. 2016. https://doi.org/10.20502/rbg.v17i3.846.

SHI, C.; PUN, C.-M. Perceptual Loss for Superpixel-Level Multispectral and Panchromatic Image Classifica-tion. 1 Apr. 2018. DOI https://doi.org/10.1109/icassp.2018.8461966. Available at: https://ieeexplore.ieee.org/document/8461966.

SHIVAKUMAR, B. R.; RAJASHEKARARADHYA, S. V. Spectral similarity for evaluating classification perfor-mance of traditional classifiers. 1 Mar. 2017. DOI https://doi.org/10.1109/wispnet.2017.8300111.

SMITH, A. R.; JONES, M. L. Optimization techniques in machine learning for satellite image analysis. Compu-tational Intelligence in Remote Sensing, vol. 8, p. 125–138, 2021. https://doi.org/10.1016/j.cirs.2021.06.004.

SOUZA, C. M. P. de; MOREAU, M. S.; MOREAU, A. M. S. dos S.; FONTES, E. de O. Níveis de degradação de pastagens da bacia do Rio Colônia-BA com uso de imagens LANDSAT 5 TM. Revista Brasileira de Geografia Física, v. 3, n. 3, p. 228–243, 7 jul. 2011. https://doi.org/10.26848/rbgf.v3i3.232685.

TAN, Z.; LIU, C.; MA, S.; WANG, X.; SHANG, J.; WANG, J.; AI, W.; YAN, W. Detecting Multilayer Clouds From the Geostationary Advanced Himawari Imager Using Machine Learning Techniques. IEEE Transactions on Geoscience and Remote Sensing, vol. 60, p. 1–12, 2022. DOI https://doi.org/10.1109/TGRS.2021.3087714.

TEIXEIRA, A. C. de O. et al. Análise da dinâmica de uso e ocupação da terra na bacia hidrográfica do baixo Rio de Contas – Bahia, entre os anos de 1973 a 2001. Revista Geoaraguaia, 18 set. 2013.

VALADARES, J. O. Método de classificação especialista para imagens de sensoriamento remoto para o ma-peamento de áreas de cultivo de cacau-cabruca. repositorio.ufba.br, 20 Jun. 2016.

XAVIER, L. B.; NASCIMENTO JR, F. D. C. do; CHIAPETTI, J. Da crise regional às novas dinâmicas de especializa-ção da produção de cacau no Sul da Bahia. Caminhos de Geografia, v. 22, n. 79, p. 77–96, 1 fev. 2021b. https://doi.org/10.14393/rcg227953461.

XAVIER, L. B.; NASCIMENTO JR, F. D. C. do; CHIAPETTI, J. Verticalidades e horizontalidades na certificação da produção de cacau orgânico no Sul da Bahia. Revista Campo-Território, v. 15, n. 38, p. 361–390, 23 abr. 2021a. https://doi.org/10.14393/rct153814.

Downloads

Publicado

2025-12-19

Como Citar

Silva, V. de A., Carvalho, H. da S., & Vila Nova Souza, P. S. (2025). ANALYSIS AND CLASSIFICATION OF THE CABRUCA AGROFORESTRY SYSTEM WITH MACHINE LEARNING IN THE ATLANTIC FOREST BIOME – BRAZIL. Ra’e Ga: O Espaço Geográfico Em Análise, 64(1), 71–91. https://doi.org/10.5380/raega.v64i1.101334

Edição

v. 64 n. 1 (2025): Edição de dezembro de 2025 da RAEGA

Seção

Artigos

Licença

Declaro que o ARTIGO submetido é INÉDITO, ORIGINAL e de MINHA RESPONSABILIDADE. Declaro que o artigo não foi submetido ou está em avaliação em outra revista/periódico.

Estou ciente dos itens presentes na LEI Nº 9.610/98 (DIREITOS AUTORAIS) e me responsabilizo por quaisquer problemas relacionados a PLÁGIO.

Estou ciente de que o artigo submetido poderá ser removido da Revista, caso se observe A QUALQUER TEMPO que ele se encontra publicado integralmente ou em parte em outro PERIÓDICO científico. 

Declaro, COMO PRIMEIRO AUTOR, que os demais autores do trabalho estão cientes desta submissão e de que NÃO receberão qualquer tipo de remuneração pela divulgação do trabalho. 

Como primeiro autor, autorizo, de antemão, a RA’E GA - O Espaço Geográfico em Análise(ISSN 2177-2738), a publicar o artigo, caso aceito.