[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-120708-pt":3,"doc-seo-120708-112":30,"detail-sidebar-cat-0-pt-112":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},120708,687207017582,"Himbo","https://ap-avatar.wpscdn.com/davatar_994ba38a5ba835b3df7d355c54d3ed8d",32,"Pesquisa e Relatórios","Uso de Algoritmos de Aprendizado de Máquina na Classificação de Espécies Florestais - Estudo com índices de vegetação e espectroradiometria","A otimização do gerenciamento de recursos florestais busca caminhos para viabilizar a obtenção de dados com maior rapidez e menor custo. O estudo emprega espectroradiometria e algoritmos de aprendizado de máquina para classificar espécies a partir de dados de reflectância e índices de vegetação. Foram analisadas espécies como Ficus benjamina e outras, usando o FieldSpec®3 com esfera integradora. Os índices NDWI e SAVI apresentaram melhor desempenho, com o Random Forest alcançando 85% de acurácia global.","Anuário do Instituto de Geociências  \nUniversidade Federal do Rio de Janeiro  \n[https://revistas.ufrj.br/index.php/aigeo/](https://revistas.ufrj.br/index.php/aigeo/)  \nISSN 0101-9759 e-ISSN 1982-3908  \nUse of Machine Learning Algorithms in the Classification of Forest Species  \nUso deAlgoritmos de Aprendizado de Máquina na Classificação de Espécies Florestais  \nTáscilla Magalhães Loiola1 􀁂 , Roberta Aparecida Fantinel1 􀁂 , Fernanda Dias dos Santos2 􀁂 , Franciele de Bastos1 􀁂 , Mateus Sabadi Schuh1 􀁂 , Pablo Fernandes1 􀁂 ,  \nBruna Andrieli Simões de Oliveira1 􀁂 , Rudiney Soares Pereira3 􀁂  \n1Universidade Federal de Santa Maria, Centro de Ciências Rurais, Departamento de Ciências Florestais, Santa Maria, RS, Brasil 2Centro de Tecnologia, Departamento de Engenharia Civil, Universidade Federal de Santa Maria, Santa Maria, RS, Brasil 3Centro de Ciências Rurais, Departamento de Engenharia Rural, Universidade Federal de Santa Maria, Santa Maria, RS, Brasil  \nE-mails: tascillaloiola@gmail.com; fantinel.ar@gmail.com; fernandaengflor@gmail.com; franciele.debastos@gmail.com;  \n[mateuschu@gmail.com](mateuschu@gmail.com); [pablofernandes30@yahoo.com.br](pablofernandes30@yahoo.com.br); [brunasimoeso@gmail.com](brunasimoeso@gmail.com); [rudineyspereira@gmail.com](rudineyspereira@gmail.com)  \nCorresponding author: Táscilla Magalhães Loiola; [tascillaloiola@gmail.com](tascillaloiola@gmail.com)  \nAbstract  \nOptimization in the process of managing forest resources seeks alternatives that make data collection possible. One of them alternatives is spectroradiometry, which consists of measuring the spectral response, having as product the response of the target in relation to the incident radiation along the electromagnetic spectrum, and that, using machine learning, with pre-selected models, makes it possible to identify. Given the above, the study aimed to use machine learning algorithms to classify species by vegetation indices from reflectance data. The study was developed at the Federal University from Santa Maria, working with the species Ficus benjamina, Inga marginata, Handroanthus chrysotrichus, Psidium cattleianum, Salix humboldtiana, Corymbia citriodora and Myrcianthespungens, and spectral readings ofthe leaves were taken using the FieldSpec®3 spectroradiometer connected to RTS-3ZC3 integrating sphere. The reflectance values with wavelength ranged in amplitude from 350 ƞm to 2,500 ƞm and spectral resolution of 1 ƞm. Vegetation indices were calculated using the software R Studio, being: NDVI, SAVI, RVI, GNDVI, NDWI, NDWI2, GEMI, DVI, TVI, RVI, MSAVI, WDVI. The algorithms used to develop machine learning were: Random Forest (RF), k-Nearest Neighbors (K-NN), Naive Bayes (NB) and Support Vector Machine (SVM) . RF proves to be the most appropriate for data validation, with 85% global accuracy, followed by SVM, with 71%, K-NN with 64% and NB with 35%. The indices with the best performance to point the species were NDWI and SAVI.  \nKeywords: Remote sensing; Spectroradiometry; Vegetation indices  \nResumo  \nA otimização no processo de gerenciamento de recursos florestais busca alternativas que viabilizem a obtenção de dados. Uma dessas alternativas é a espectroradiometria, que consiste em medir a resposta espectral, tendo como produto a resposta do alvo em relação à radiação incidente ao longo do espectro eletromagnético, e que, utilizando do aprendizado de máquina, com modelos pré-selecionados, permite identificar o mesmo. Diante do exposto, o estudo teve como objetivo utilizar algoritmos de aprendizado de máquina para classificar as espécies pelos índices de vegetação a partir de dados de reflectância. O estudo foi desenvolvido na Universidade Federal de Santa Maria, trabalhando-se com as espécies Ficus benjamina, Inga marginata, Handroanthus chrysotrichus, Psidium cattleianum, Salix humboldtiana, Corymbia citriodora e Myrcianthes pungens, sendo que foram feitas leituras espectrais das folhas por meio doespectrorradiômetro FieldSpec®3 conectado","cbCainxUHg84nkTt","https://ap.wps.com/l/cbCainxUHg84nkTt","pdf",649693,1,8,"Portuguese","pt",112,"# Introdução\n## Motivação e identificação de espécies\n## Alternativas com sensoriamento remoto\n# Metodologia (visão geral do estudo)\n## Espectroradiometria e aquisição de reflectância\n## Índices de vegetação calculados\n## Algoritmos de aprendizado de máquina e validação\n# Resultados e discussão (síntese)\n## Desempenho dos algoritmos\n## Índices com melhor capacidade de apontar as espécies","[{\"question\":\"Qual é o objetivo central do estudo?\",\"answer\":\"Utilizar algoritmos de aprendizado de máquina para classificar espécies florestais a partir de índices de vegetação derivados de dados de reflectância.\"},{\"question\":\"Quais instrumentos e dados espectrais foram utilizados?\",\"answer\":\"Foram realizadas leituras espectrais das folhas com o espectrorradiômetro FieldSpec®3 conectado a uma esfera integradora RTS-3ZC3, gerando valores de reflectância ao longo do espectro.\"},{\"question\":\"Quais algoritmos tiveram melhor desempenho e quais índices se destacaram?\",\"answer\":\"O Random Forest apresentou o melhor desempenho na validação, com 85% de acurácia global. Os índices com melhor desempenho para identificar as espécies foram NDWI e SAVI.\"}]","Uso de Algoritmos de Aprendizado de Máquina na Classificação de Espécies Florestais - Estudo com índices de vegetação e espectroradiometria | PDF",1785731649,12,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":28},"use-of-machine-learning-algorithms-in-the-classification-of-forest-species-study-with-vegetation-indices-and-spectroradiometry","",{"@graph":36,"@context":86},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/pt/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/pt/document/use-of-machine-learning-algorithms-in-the-classification-of-forest-species-study-with-vegetation-indices-and-spectroradiometry/120708/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-14","2026-08-03",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qual é o objetivo central do estudo?","Question",{"text":76,"@type":77},"Utilizar algoritmos de aprendizado de máquina para classificar espécies florestais a partir de índices de vegetação derivados de dados de reflectância.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Quais instrumentos e dados espectrais foram utilizados?",{"text":81,"@type":77},"Foram realizadas leituras espectrais das folhas com o espectrorradiômetro FieldSpec®3 conectado a uma esfera integradora RTS-3ZC3, gerando valores de reflectância ao longo do espectro.",{"name":83,"@type":74,"acceptedAnswer":84},"Quais algoritmos tiveram melhor desempenho e quais índices se destacaram?",{"text":85,"@type":77},"O Random Forest apresentou o melhor desempenho na validação, com 85% de acurácia global. Os índices com melhor desempenho para identificar as espécies foram NDWI e SAVI.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,119,121,125,129],{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":97,"slug":98},26,"Contos e Romances",60,"story-novel",{"id":100,"doc_module":4,"doc_module_name":46,"category_name":101,"show_sort_weight":97,"slug":102},46,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":97,"slug":106},28,"Exames","exam",{"id":108,"doc_module":4,"doc_module_name":46,"category_name":109,"show_sort_weight":97,"slug":110},47,"Geral","general",{"id":112,"doc_module":4,"doc_module_name":46,"category_name":113,"show_sort_weight":97,"slug":114},29,"Histórias em Quadrinhos","comic",{"id":116,"doc_module":4,"doc_module_name":46,"category_name":117,"show_sort_weight":97,"slug":118},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":97,"slug":120},"research-report",{"id":122,"doc_module":4,"doc_module_name":46,"category_name":123,"show_sort_weight":97,"slug":124},33,"Religião e Espiritualidade","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":46,"category_name":127,"show_sort_weight":97,"slug":128},31,"Saúde e Cuidados","healthcare",{"id":130,"doc_module":4,"doc_module_name":46,"category_name":131,"show_sort_weight":97,"slug":132},45,"Tecnologia","technology"]