Use este identificador para citar ou linkar para este item: http://repositorio.ifg.edu.br:8080/handle/prefix/1547
Tipo: Trabalho de Conclusão de Curso
Título: SIG e machine learning aplicados a predição de sítios arqueológicos em Serranópolis, Goiás, Brasil
Título(s) alternativo(s): GIS and machine learning applied to the archaeological sites prediction in Serranópolis, Goiás, Brazil
Autor(es): Pereira, Alessandra Cristina
Primeiro Orientador: Cremon, Édipo Henrique
metadata.dc.contributor.advisor-co1: Silva, Rosiclér Theodoro da
metadata.dc.contributor.referee1: Cremon, Édipo Henrique
metadata.dc.contributor.referee2: Nazareno, Nilton Ricetti Xavier de
metadata.dc.contributor.referee3: Rabelo, Max Well de Oliveira
Resumo: O uso de geotecnologias para fins arqueológicos, vem se popularizando nas últimas décadas. Modelos preditivos para localização de sítios arqueológicos a partir de dados geográficos, têm sido beneficiados por essa tecnologia, em especial o Sistema de Informação Geográfica (SIG) e aprendizado de máquina (machine learning). Neste contexto, o objetivo deste trabalho foi predizer locais de sítios arqueológicos, por meio de modelos preditivos utilizando SIG e machine learning, na região de Serranópolis, Goiás, por possuir um dos mais importantes complexos arqueológicos do Brasil. Foi utilizado, 54 pontos amostrais de presença de sítios arqueológicos e 60 amostras aleatórias de pseudoausências de sítios, além de 18 covariáveis topográficas derivadas diretamente de modelo digital de elevação COP-30. A predição foi realizada por três algoritmos de classificação supervisionada baseados em árvore de decisão: Random Forest (RF), C5.0 e Extreme Gradient Boosting (XGBoost), considerando três cenários de distribuição aleatória de pontos de pseudoausência. Estes algoritmos foram aplicados seguindo a validação cruzada do tipo k-fold para o treinamento e calibração dos modelos com 70% do conjunto amostral e 30% foi separado para teste (validação com amostras independentes). Para aferir a confiabilidade dos resultados da classificação, foram utilizadas como métricas de performance a Receiver Operator Characteristic Curve (ROC), a Area Under the Curve (AUC), a sensibilidade, a especificidade e F-score. Por fim, foram elaborados mapas temáticos dos modelos preditivos. Os principais resultados demostraram que a curva ROC do RF, em todos os cenários, apresentou a taxa de sensibilidade um pouco melhor que os demais modelos. O RF também apresentou os melhores resultados de valores da área sobre a curva ROC, com AUC de 0,932, o que significa que este algoritmo apresentou melhor habilidade preditiva para esse estudo, dentre os algoritmos analisados. Em relação as métricas da sensibilidade, especificidade e F-score, novamente o RF no cenário 1 apresentou o melhor resultado. As covariáveis topográficas mais importantes para a predição de sítios arqueológicos foram associadas a rugosidade, declividade, orientação de vertente, fator de vista para o céu, depressão topográfica, índice de umidade topográfica, amplitude do relevo e índice multirresolução para cristas em áreas elevadas. As métricas de validação constataram que o RF apresentou o melhor resultado, sobretudo no cenário 1, apontando como o modelo de melhor poder preditivo para este trabalho.
Abstract: Geotechnologies support for archaeological purposes has become more popular in the last decades. Predictive models for archaeological sites location from geographic data have benefited from this technology, especially the Geographic Information System (GIS) and machine learning methods. In this work the aim was to predict archaeological sites, through predictive models using GIS and machine learning methods, at the Serranópolis City, State of Goiás, as it has one of the most important archaeological complexes in Brazil. 54 presence sample points of archaeological sites and 60 random samples of pseudo-absence was used for prediction, in addition to 18 topographic covariates derived from the COP-30 digital elevation model. The prediction was performed by three supervised classification algorithms based on decision tree: Random Forest (RF), C5.0, and Extreme Gradient Boosting (XGBoost), considering three scenarios of random distribution of pseudo-absence points. These algorithms were applied following k-fold cross-validation for training and calibration of the models with 70% of the dataset and 30% was split for testing (validation with independent samples). Accuracy was evaluated by Receiver Operator Characteristic Curve (ROC), the Area Under the Curve (AUC), the sensitivity, the specificity, and the F-score. Finally, thematic maps of the predictive models were developed. Main results have shown that the RF ROC curve, in all scenarios, presented a slightly better sensitivity rate than the other models. RF also presented the best results of the AUC values of 0.932, which means that this algorithm presented the best predictive ability for this study and among the algorithms analyzed. Regarding the sensitivity, specificity, and F-score metrics, again the RF in scenario 1 presented the best result. The most important topographic covariates for archaeological sites prediction were associated to Vector Ruggedness Measure, Slope, Aspect, Sky View Factor, Topographic Depression, Topographic Wetness Index, Local Relief, and Multiresolution Index of Valley of the Ridge Top Flatness. The validation metrics found that the RF presented the best result, especially in scenario 1, pointing as the model of best predictive power for this work.
Palavras-chave: Inteligência Artificial.
Arqueologia.
Random Forest.
Dado geográfico.
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS: Geografia física - Ciências Humanas; Arqueologia; Arqueologia Pré-histórica
Idioma: por
País: Brasil
Editor: Insitituto Federal de Educação, Ciência e Tecnologia de Goiás
Sigla da Instituição: IFG
metadata.dc.publisher.department: Câmpus Goiânia
Citação: PEREIRA, Alessandra Cristina. SIG e machine learning aplicados a predição de sítios arqueológicos em Serranópolis, Goiás, Brasil. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Cartográfica e de Agrimensura) – Instituto Federal de Educação, Ciência e Tecnologia de Goiás, Goiânia, 2022.
Tipo de Acesso: Acesso Aberto
URI: http://repositorio.ifg.edu.br:8080/handle/prefix/1547
Data do documento: 7-Fev-2022
Aparece nas coleções:Bacharelado em Engenharia Cartográfica e de Agrimensura

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tcc_Alessandra Cristina Pereira.pdf1,77 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.