01793naa a2200229 a 450000100080000000500110000800800410001902400560006010000250011624502430014126000090038452009400039365300280133365300280136165300340138965300220142365300180144570000160146370000210147970000190150077300440151921567522023-12-04       2023    bl uuuu     u00u1 u    #d7 ahttps://doi.org/10.54751/revistafoco.v16n6-0042DOI1 aALMEIDA, M. B. F. de  aAvaliação e mapeamento de pastagens com diferentes níveis de degradação a partir de classificação digital de imagens sentinel-2, por meio do algoritmo random forestbestudo de caso de Valença/RJ e arredores.h[electronic resource]  c2023  aO presente trabalho objetivou desenvolver uma metodologia de avaliação e mapeamento de pastagens com diferentes níveis de degradação, com base em técnicas de Sensoriamento Remoto. Utilizou-se imagens Sentinel-2, índices de vegetação, texturas GLCM e amostras de campo (peso e altura da biomassa das pastagens). O processamento das imagens digitais foi realizado no R e no Google Earth Engine usando o algoritmo random forest. No R, obteve-se informações sobre as imagens mais importantes; e no Google Earth Engine, realizou-se o processamento da série temporal principal. O índice de vegetação NCI foi a imagem mais importante, apresentando correlação de R2 = 0,722 com o peso da biomassa. Os resultados revelaram que na área de estudo tem-se: N1 (52.72%), N2N3 (32.56%) e N4 (14.72%). As acurácias alcançadas foram as seguintes: Acurácia Global = 0,93; Kappa = 0,89; e F-score (N1 = 0,97, N2N3 = 0,93, N4 = 0,88).  aAprendizado de máquina  aÍndices de vegetação  aNormalized Canopy Index (NCI)  aSéries temporais  aTexturas GLCM1 aSIMÕES, M.1 aFERRAZ, R. P. D.1 aKUCHLER, P. C.  tRevista Focogv. 16, n. 6, e2106, 2023.