Dissertação/Tese Modelagem do potencial de uso da terra com dados geoespaciais e inteligência artificial - PPGCF

O potencial de uso da terra desempenha um papel fundamental na maximização da produção agrossilvipastoril e na conservação dos recursos naturais. Objetivou-se com esse estudo, modelar com inteligência artificial e utilizando de diferentes camadas geoespaciais o potencial de uso agrossilvipastoril da terra em bacias hidrográficas no Estado de Minas Gerais. O processo envolveu: aquisição de dados geoespaciais, classificação in loco, treinamento de inteligência artificial e análise dos resultados. Os dados geoespaciais foram obtidos de domínios públicos e agrupados em conjuntos de camadas que representam a complexidade de elementos de uma paisagem (litologia, climáticos, edáficos, hídricos, relevo, estradas). O método de classificação empregado foi o modelo Random Forest, utilizando 70 pontos de observação de campo. O processamento ocorreu em nuvem no Google Earth Engine. A inserção - além das tradicionais camadas de classe de solo, litologia e declividade - de camadas com atributos climáticos, hídricos, do relevo, edáficos e estradas são fundamentais para a modelagem do potencial de uso da terra. A integração de dados geoespaciais e inteligência artificial na modelagem do potencial de uso da terra oferece uma abordagem promissora para a gestão sustentável do uso da terra, enfatizando a importância da compreensão abrangente das características da paisagem para orientar políticas sustentáveis de uso da terra.

Land use potential plays a fundamental role in maximizing agroforestry production and conserving natural resources. The objective of this study was to model with artificial intelligence and using different geospatial layers the potential for agroforestry land use in river basins in the State of Minas Gerais. The process involved: acquisition of geospatial data, on-site classification, artificial intelligence training and analysis of results. Geospatial data was obtained from public domains and grouped into sets of layers that represent the complexity of landscape elements (lithology, climate, edaphic, water, relief, roads). The classification method used was the Random Forest model, using 70 field observation points. Processing took place in the cloud on Google Earth Engine. The insertion - in addition to the traditional layers of soil class, lithology and slope - of layers with climatic, water, relief, edaphic and road attributes are fundamental for modeling land use potential. The integration of geospatial data and artificial intelligence in modeling land use potential offers a promising approach to sustainable land use management, emphasizing the importance of comprehensive understanding of landscape characteristics to guide sustainable land use policies.