Recentemente, a disponibilidade de dados públicos de sensoriamento remoto obtidos através de sistemas orbitais têm aumentado significativamente, tornando possível a avaliação de técnicas de inteligência artificial para obtenção de diversos produtos, como detecção, discriminação e detecção de alvos. Este artigo avalia os algoritmos de machine learning (ML) para classificar alvos (plataformas petrolíferas e navios) em imagens polarimétricas VH de radar de abertura sintética (SAR), obtidas pelo sistema Sentinel-1 operando na banda C. Para isso, os algoritmos random forest (RF) e k-Nearest-Neighbours (kNN) disponíveis nas bibliotecas Python de ML, Orange e Scikit-learn, são considerados. Estes algoritmos operam através de atributos gerados pela rede neural convolucional (CNN, convolutional neural network) VGG-16. Como métricas de avaliação, utilizaram-se a acurácia e a área abaixo da curva. Os maiores resultados são obtidos com a biblioteca Orange com acurácia média de 81,8% e 79,2% para o RF e kNN, respectivamente. Já com o Scikit-learn, a acurácia média é 81,2% e 77,4% para o RF e kNN, respectivamente. Os resultados desta pesquisa se mostram competitivos com os alcançados na literatura.
