Modeling and mapping of inselbergs in the domain of the a atlantic forest and caatinga, Brazil

Abstract

Inselbergs are outcrops of rocks of monolithic proportions, harboring high levels of plant diversity and endemism in various geographical regions of the globe. Brazil has one of the largest concentrations of Inselbergs on the planet, and research is needed to highlight representative sites for conservation. In this context, the present study evaluated the performance of machine learning algorithms in Inselberg mapping. Specifically, we sought to predict and spatialize the Inselbergs using algorithms, selecting important covariates in the spatialization of these rocky outcrops in the climatic gradient of the Atlantic domain of Brazil. Image classification techniques, machine learning algorithms and geospatial modeling were used to map the distribution of Inselbergs and select areas relevant to ecological and environmental conservation of these environments threatened by anthropogenic pressures and climate change. According to the results, the studied models were classified with substantial agreement - Substantial (0.61-0.80) to almost perfect - Almost Perfect (0.81-1.00) in the classification. The GBM, svmRadialSigma, C5.0 and RF algorithms showed the best results in approaching reality in mapping the typical Inselbergs landscapes studied. The methodology used in this study reveals great potential for use to support decisions on the selection of typical Inselberg landscapes in the context of the Atlantic Forest and Caatinga biomes for the protection and efficient environmental management of biodiversity and geodiversity. The proposed methodology can be successfully adapted to different areas and biomes in the world. Keywords: Machine Learning. Geotechnology. Remote Sensing. Prediction.

Os Inselbergs são afloramentos de rochas de proporções monolíticas, abrigando níveis altos de diversidade de plantas e endemismo em diversas regiões geográficas do globo. No Brasil encontra-se uma das maiores concentrações de Inselbergs do planeta, e pesquisas são necessárias para evidenciar locais representativos para conservação. Nesse contexto, o presente estudo avaliou o desempenho de algoritmos de aprendizado de máquina no mapeamento de Inselbergs. Especificamente, buscou-se predizer e espacializar os Inselbergs usando algoritmos, selecionando covariáveis importantes na espacialização desses afloramentos rochosos em gradiente climático do domínio atlântico do Brasil. Técnicas de classificação de imagens, algoritmos de aprendizado de máquina e modelagem geoespacial foram usadas para mapear a distribuição dos Inselbergs e selecionar áreas relevantes para conservação ecológica e ambiental desses ambientes ameaçados por pressões antrópicas e mudanças climáticas. De acordo com os resultados, os modelos estudados foram classificados com concordância substancial – Substantial (0,61-0,80) a quase perfeito – Almost Perfect (0,81-1,00) na classificação. Os algoritmos GBM, svmRadialSigma, C5.0 e RF apresentaram os melhores resultados na aproximação da realidade no mapeamento das paisagens típicas de Inselbergs estudadas. A metodologia utilizada neste estudo revela grande potencial de uso para subsidiar decisões de seleção de paisagens típicas de Inselbergs no contexto dos biomas Mata Atlântica e Caatinga para proteção e gestão ambiental eficiente da biodiversidade e geodiversidade. A metodologia proposta pode ser adaptada à diferentes áreas e biomas do mundo, com sucesso. Palavras-chave: Aprendizado de máquina. Geotecnologia. Sensoriamento Remoto. Predição.