Urban land use classification of São Paulo using Machine Learning and Sentinel 2
DOI:
https://doi.org/10.11606/rdg.v0ispe.145784Keywords:
GEE, Machine Learning Classifier, Temporal Index, Texture IndexAbstract
Map Urban and intra-urban is essential for large city planning. Google Earth Engine, machine learning and Sentinel 2 images allow a detailed classification of urban areas that can be improved by the set of bands used, algorithm, and sample balancing. Classifications were produced for municipality of São Paulo in 2017 with the best result produced by Random Forest, with 87.2% global accuracy when using reflectance, spectral, temporal and texture bands. The result demonstrates the great capacity to use free platform and images with machine learning to classify urban and intra-urban areas.
Downloads
Download data is not yet available.
Downloads
Published
2018-09-09
Issue
Section
Artigos Especiais
License
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution BY-NC-SA que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista. A licença adotada enquadra-se no padrão CC-BY-NC-SA.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
How to Cite
Rosa, M. R. (2018). Urban land use classification of São Paulo using Machine Learning and Sentinel 2. Revista Do Departamento De Geografia, spe, 15-21. https://doi.org/10.11606/rdg.v0ispe.145784