benchmark de modelos tradicionais versus deep learning para classificação de uso do solo em imagens Sentinel-2. comparação entre random forest, xgboost e resnet-18 no dataset EuroSAT-RGB.

o que foi feito

trabalho da disciplina de sensoriamento remoto (GEO05038): treinar e avaliar três famílias de modelos em 10 classes de uso do solo. 27 mil patches de 64×64 pixels, 5-fold cross-validation estratificado. métricas com intervalo de confiança bootstrap 95% e testes de significância pareados.

modelos

• random forest: features manuais (histogramas HSV, textura GLCM, momentos de Hu, VARI)
• xgboost: mesmas features manuais
• resnet-18: pré-treinada no ImageNet, entrada 224×224 RGB

resultados

resnet-18 vence: 98.54 ± 0.58% de acurácia e 98.48 ± 0.61% de F1-macro. o custo é 579 segundos de treino. xgboost entrega 90.81 ± 0.26% em 13,9 segundos, sem GPU. random forest fecha em 88.34 ± 0.11% em 3,8 segundos.

AUROC acima de 99% em todos os modelos — as classes são trivialmente separáveis. o ganho de ~8 pontos percentuais da resnet custa 42× mais tempo. faz sentido se o problema não tolera margem de erro; caso contrário, xgboost é a escolha pragmática.

calibração e incerteza

xgboost está bem calibrado (ECE: 2.3%). resnet aceitável (ECE: 4.5%). random forest peca em calibração (ECE: 10.2%), comum em árvores sem pós-processamento. acurácia top-2: todos acima de 96%.

explicabilidade

modelos tradicionais: shap e importância

random forest: VARI (vegetação) e textura GLCM dominam. diferenças por classe visíveis nas curvas SHAP.

deep learning: grad-cam e oclusão

resnet-18: grad-cam revela quais padrões espectrais a rede prioriza. sensibilidade por oclusão mostra as regiões ignoradas ou valorizadas.

análise por classe

classes raras ou visualmente similares ficam para trás. floresta é desafiadora para modelos tradicionais (RF: 88%, XGB: 92%); resnet chega a 98%.

conclusão

resnet vence em acurácia. xgboost é interpretável, rápido e sem dependência de GPU. features aprendidas automaticamente exploram melhor a estrutura espectral do que features de textura manuais. calibração importa: xgboost entrega probabilidades confiáveis direto; resnet exige um passe de recalibração.

código e reprodução em: github.com/gstvschlz/land-classification