Detecção Automática de Pistas de Pouso Clandestinas na Amazonia Utilizando Técnicas de Aprendizado de Máquina

A floresta amazônica é frequentemente alvo de atividades ilegais, como a mineração clandestina, que utiliza pistas de pouso para facilitar o transporte de materiais. Este estudo visa desenvolver uma metodologia automatizada para identificar essas pistas de pouso, utilizando técnicas de aprendizado de máquina. Foram aplicados modelos de Transfer Learning em combinação com diversos algoritmos de classificação, incluindo Decision Tree, Random Forest, Naive Bayes e AdaBoost. Os dados foram pré-processados e rotulados, e o desempenho dos algoritmos foi rigorosamente avaliado utilizando validação cruzada externa e GridSearch para otimizar os hiperparâmetros de cada modelo. Entre os modelos testados, o XgBoost apresentou a melhor acurácia média de 91%. No entanto, o modelo AdaBoost também obteve um resultado notável, alcançando uma acurácia de 89%, o que destaca sua eficácia e potencial como uma alternativa viável para a tarefa. A diferença de apenas 2% em comparação com o melhor modelo (XgBoost) demonstra que o AdaBoost é altamente competitivo, oferecendo uma combinação eficiente de simplicidade e precisão. Dessa forma, a metodologia proposta visa considerar o desempenho de AdaBoost, que demonstra grande viabilidade para a automatização da detecção desses alvos, consolidando-se como uma abordagem robusta para identificar pistas de pouso ilegais na floresta amazônica.