When Does Feature Engineering Matter? A Multi-Algorithm Comparison of Sentinel-2 Classifiers for Coastal and Mangrove Mapping in the Persian Gulf

A costa é um lugar de constante negociação. É onde a terra encontra o mar, uma fronteira mutável que sustenta alguns dos ecossistemas mais vitais da Terra, desde florestas de mangue que protegem as linhas de costa até planícies de maré que alimentam inúmeras espécies marinhas. No entanto, essas áreas também estão sob pressão do desenvolvimento humano, da elevação do nível do mar e da atividade industrial. Para protegê-las, os cientistas precisam saber exatamente o que está acontecendo no terreno: onde estão as árvores, onde a água é rasa e onde a terra está nua. Durante décadas, a principal ferramenta para visualizar esses vastos lugares de difícil acesso visto de cima tem sido a imagética de satélite. Esses satélites capturam a luz refletida pela superfície da Terra, criando uma imagem que os computadores podem analisar para classificar a paisagem em diferentes categorias, como floresta, água ou cidade. Contudo, transformar essas imagens brutas em mapas precisos não é uma tarefa simples. A luz que rebate em uma árvore de mangue parece diferente da luz que rebate em um banco de lama, mas a diferença pode ser sutil, e os programas de computador usados para distingui-los devem ser escolhidos cuidadosamente. Se o programa errado for usado, ou se os dados inseridos nele não forem preparados corretamente, o mapa resultante poderá ser enganoso, levando potencialmente a decisões ruins sobre como gerir esses ambientes frágeis.

No Golfo Pérsico, uma região onde as florestas de mangue enfrentam uma pressão intensa da infraestrutura de petróleo e gás, um pesquisador chamado Keivan Kabiri partiu em busca da maneira mais confiável de mapear essas paisagens costeiras. Ele focou em cinco locais específicos ao longo da costa sul do Irã, variando de áreas de mangue relativamente intocadas a áreas fortemente influenciadas por instalações industriais. Para testar a melhor abordagem, ele reuniu imagens de satélite de alta resolução da missão Sentinel-2 da Agência Espacial Europeia. Essas imagens oferecem uma visão clara da Terra com uma resolução de dez metros, o que significa que cada pixel na imagem representa um quadrado de dez por dez metros no solo. O desafio era determinar qual algoritmo de computador poderia melhor classificar esses pixels em oito categorias distintas: mangue, banco de lama, solo, água rasa, água profunda, terreno estéril, áreas construídas e vegetação geral. Para fazer isso, Kabiri comparou quatro métodos diferentes. Dois deles eram ferramentas modernas e poderosas de aprendizado de máquina conhecidas como Random Forest e Extreme Gradient Boosting, que aprendem com exemplos para tomar decisões complexas. Um terceiro era o Support Vector Machine, outro algoritmo sofisticado frequentemente usado em sensoriamento remoto. O quarto era o Maximum Likelihood Classification, um método tradicional muito mais antigo que se baseia em suposições estatísticas sobre como a luz se comporta.

O estudo testou esses algoritmos sob duas condições diferentes para ver o quanto a preparação dos dados importava. No primeiro cenário, os computadores receberam apenas as seis bandas de luz brutas capturadas pelo satélite, que correspondem a diferentes cores de luz, do espectro visível ao infravermelho. No segundo cenário, os pesquisadores adicionaram quatro camadas extras de informação aos dados. Estas não eram novas imagens, mas sim combinações matemáticas das bandas de luz existentes, projetadas para destacar características específicas, como a saúde da vegetação ou a clareza da água. Este processo, conhecido como engenharia de atributos (feature engineering), é frequentemente considerado um passo necessário para melhorar a precisão. Os pesquisadores então realizaram a classificação em todos os cinco locais e verificaram seu trabalho contra uma referência de altíssima resolução. Eles haviam voado drones anteriormente sobre esses mesmos locais para criar mapas aéreos detalhados, que serviram como a verdade de campo para verificar quais mapas baseados em satélite estavam realmente corretos.

Os resultados revelaram uma distinção clara e surpreendente entre os métodos antigos e os novos. Os três algoritmos modernos — Random Forest, Support Vector Machine e Extreme Gradient Boosting — tiveram um desempenho excepcional em quase todos os casos. Eles alcançaram uma precisão global de aproximadamente 95 a 97 por cento, identificando corretamente o tipo de cobertura do solo para quase todos os pixels. Notavelmente, essas ferramentas de alto desempenho não precisaram da informação extra e engenheirada para realizar seu trabalho. Quer lhes fossem dadas apenas as bandas brutas do satélite ou as bandas brutas mais os índices extras, sua precisão permaneceu consistentemente alta. A adição dos dados extras alterou seu desempenho em menos de um ponto percentual para qualquer lado, sugerindo que essas ferramentas modernas são robustas o suficiente para encontrar os padrões de que precisam diretamente das imagens brutas.

Em forte contraste, o método tradicional, Maximum Likelihood Classification, teve dificuldades significativas quando recebeu apenas as bandas brutas do satélite. Sem a informação extra, ele conseguiu identificar corretamente a cobertura do solo apenas cerca de 55 por cento das vezes, um nível de precisão que seria inútil para a gestão prática. No entanto, quando os pesquisadores adicionaram os índices espectrais extras aos dados, este método antigo melhorou dramaticamente, saltando para uma precisão média de 82 por cento. Embora tenha sido uma melhoria massiva, ainda ficou aquém dos métodos modernos, que permaneceram na casa dos 90 altos. O estudo confirmou que a diferença entre o melhor método moderno e o método tradicional aprimorado era estatisticamente significativa, o que significa que a lacuna era real e não apenas um acaso. As ferramentas modernas eram simplesmente mais adequadas à realidade complexa e desordenada do ambiente costeiro.

Mesmo com as melhores ferramentas, alguns desafios permaneceram. Os pesquisadores descobriram que todos os quatro algoritmos, independentemente de sua sofisticação, tiveram dificuldade em distinguir entre três tipos específicos de terreno: áreas construídas, como edifícios e estradas, terreno estéril e solo nu. Essas três categorias frequentemente parecem muito semelhantes em imagens de satélite porque são todas claras e secas, refletindo a luz de forma quase idêntica. Essa confusão persistiu mesmo quando os dados extras foram adicionados, sugerindo que a limitação reside no próprio satélite, e não no programa de computador. A resolução de dez metros das imagens Sentinel-2 simplesmente não é fina o suficiente para sempre distinguir entre um pedaço de solo seco e um pedaço de concreto a partir dessa distância. Essa descoberta sugere que, para tarefas que exigem o monitoramento preciso de expansão industrial ou tipos de solo específicos, os dados de satélite sozinhos podem não ser suficientes, e outras fontes de dados podem ser necessárias.

Para garantir que os resultados fossem confiáveis, o estudo empregou uma etapa de validação única. Após a classificação dos satélites, os pesquisadores compararam os mapas resultantes com as fotos de alta resolução tiradas pelos drones. Esta foi uma verificação independente, o que significa que os dados do drone não foram usados para ensinar os computadores a classificar as imagens; eles foram usados apenas para ver se os mapas finais faziam sentido. Os resultados desta verificação foram interessantes. Embora os testes de precisão padrão tenham mostrado claramente a superioridade dos algoritmos modernos, a verificação baseada em drones apresentou um quadro ligeiramente diferente. Ela não separou claramente os melhores desempenhos dos piores e, em alguns casos, sugeriu até que o método tradicional estava performando tão bem quanto os modernos. Isso aconteceu porque a verificação por drone utilizou regras amplas para julgar os mapas, como verificar se um pixel de "solo" parecia brilhante o suficiente para ser solo. Como o método tradicional frequentemente confundia o solo com edifícios ou terreno estéril, e todos os três parecem brilhantes nas fotos do drone, a verificação deu crédito ao método tradicional por acertar o "aspecto" geral, mesmo que ele errasse o rótulo específico. Isso destacou uma lição crucial: embora as verificações independentes sejam valiosas para detectar erros óbvios, elas não podem substituir testes de precisão detalhados e baseados em dados de campo quando se tenta classificar qual método específico é o melhor.

Em última análise, este estudo oferece orientações claras para quem tenta mapear essas zonas costeiras. Se o objetivo é criar um mapa preciso de manguezais e bancos de lama, a escolha do algoritmo de computador importa menos do que se poderia pensar, desde que uma ferramenta moderna de aprendizado de máquina seja utilizada. Random Forest, Support Vector Machine e Extreme Gradient Boosting são escolhas confiáveis que funcionam bem sem a necessidade de uma preparação complexa de dados extras. O método tradicional não é obsoleto, mas exige um manuseio cuidadoso; ele precisa da informação espectral extra para funcionar e, mesmo assim, não consegue igualar a precisão das novas ferramentas. O estudo também serve como um lembrete de que a tecnologia tem limites. Não importa quão inteligente seja o computador, ele nem sempre conseguirá distinguir um edifício de um pedaço de terra se a imagem do satélite não for nítida o suficiente. Para os cientistas e gestores que trabalham para proteger o Golfo Pérsico, o caminho a seguir é utilizar as ferramentas modernas mais robustas disponíveis, mas manter a consciência de que certos detalhes sempre exigirão um olhar mais atento do solo ou de um drone.