| Ementa/Descrição: |
Introdução à modelagem por aprendizado de máquina; Base de dados geoespaciais; Algoritmos de aprendizado de máquina (RF, SVM, ANN, XGBoost); Aprendizado profundo. Avaliação e interpretação de resultados; Aplicações e Estudos de Caso.
Objetivo Geral: Proporcionar conhecimento teórico e prático sobre os conceitos gerais aplicados à modelagem por algoritmos de aprendizado de máquina, bem como desenvolver habilidades quanto ao uso de Sistemas de Informações Geográficas (SIGs) para a solução de problemas.
Objetivos específicos:
• Analisar conceitos e fundamentos básicos, possibilitando adquirir habilidades úteis na execução de projetos;
• Analisar e interpretar os produtos obtidos pela modelagem por Machine Learning;
• Capacitar o aluno no uso do Sistema de Informações Geográficas (SIG);
• Proporcionar conhecimento de diferentes métodos para a realização de mapeamentos temáticos a partir de dados geoespaciais.
UNIDADE I: Introdução à modelagem por aprendizado de máquina
1.1 Conceitos básicos de Machine Learning
1.2 Diferenças entre aprendizado supervisionado e não supervisionado
1.3 Aplicação da modelagem
UNIDADE II: Algoritmos de Aprendizado de Máquina
2.1 Random Forest (RF)
2.2 Support Vector Machine (SVM)
2.3 Artificial Neural Networks (ANN)
2.4 XGBoost (Extreme Gradient Boosting)
2.5 Aprendizado Profundo (Deep Learning)
UNIDADE III: Avaliação e Interpretação de Resultados
3.1 Avaliação e Interpretação de Resultados
3.1.1 Matriz de confusão, acurácia e precisão
3.1.2 Métricas para regressão (RMSE, MAE, R²)
3.2 Validação cruzada e particionamento dos dados
UNIDADE IV: Dados geoespaciais
4.1 Tipos de dados geográficos (vetoriais e matriciais)
4.2 Fontes de dados geoespaciais (sensoriamento remoto, SIG, GNSS)
4.3 Introdução a dados de VANT: tipos de sensores (RGB, multiespectral, térmico)
4.4 Fotogrametria
4.5 Planejamento de voos e aquisição de imagens
4.6 Processamento Digital de Imagens Obtidas VANTs
UNIDADE IV: Aplicações e Estudos de Caso
4.1 Modelagem da biomassa com dados geoespaciais
4.2 Modelagem do estoque de nutrientes
4.3 Classificação de espécies |
| Referências: |
Bibliografia Básica:
NOVO, E.M.L.M. Sensoriamento remoto: Princípios e aplicações. 3ed. Blücher, São Paulo, 2010. ASSAD, E. D.; SANO, E. E. Sistema de informações geográficas aplicações agricultura. Embrapa, Brasília, 1993 434 p.
JOLY, F. A cartografia, Papirus, 10 ed, Campinas, São Paulo, 2007, 136p.
Bibliografia Complementar:
SONG, Y.; KALACSKA, M.; GAŠPAROVIĆ, M.; YAO, J.; NAJIBI, N. Advances in geocomputation and geospatial artificial intelligence (GeoAI) for mapping. International Journal of Applied Earth Observation and Geoinformation, Volume 120, 2023, doi.org/10.1016/j.jag.2023.103300.
LOCH, C.A interpretação de imagens aéreas noções básicas e algumas aplicações nos campos profissionais. 5. ed. rev. atual. Florianópolis UFSC, 2008. 103 p.
LOPES, A.; GARCIA, G. Introdução à programação 500 algoritmos resolvidos. Rio de Janeiro Campus, 2002. 469p.
TEOREY, T.J. Projeto e modelagem de bancos de dados. Rio de Janeiro Elsevier, 2007. xvi, 276 p. ZUQUETTE, L.V.; GANDOLFI, N. Cartografia geotécnica. São Paulo, SP Oficina de Textos, 2004. 190 p.
|
