Reamostragem em Redes Neurais: Uma Abordagem Alternativa aos Métodos Tradicionais de Interpolação Espacial para Modelagem de Superfícies

As Redes Neurais Artificiais (RNAs) têm sido empregadas em diversas aplicações, destacando-se como um poderoso recurso para analisar dados e resolver problemas em diversas áreas do conhecimento. Na modelagem de superfícies, as RNAs desempenham o papel de um método de interpolação espacial. Entretanto ao empregar as redes neurais, as predições dos valores de altitude não vêm acompanhadas de suas correspondentes incertezas. Nesta contribuição, fornecemos o aprimoramento das estimativas de RNAs em uma abordagem inovadora, aplicando um método de reamostragem para prever intervalos de altitudes em vez de uma única estimativa, como é comumente realizado por técnicas convencionais. Uma rede Perceptron de Múltiplas Camadas (MLP) foi usada para prever os intervalos de altitudes com base nas coordenadas dos pontos coletados em campo por Posicionamento Cinemático em Tempo Real (RTK). A rede foi treinada e validada usando o método de reamostragem Repeated Leave-One-Out Cross-Validation (RLOOCV), uma extensão do clássico método Leave-One-Out Cross-Validation (LOOCV), que ao realizar diversas iterações permite a captura da aleatoriedade associada à rede neural, incluindo fatores como arquitetura, inicialização e procedimento de aprendizado. As métricas de desempenho revelaram resultados satisfatórios na estimativa de altitudes, apresentando valores de Raiz do Erro Quadrático Médio (RMSE) consistentes, com a média global de RMSE, RMSE máximo e RMSE mínimo de 0,081 m (± 0,002), 0,520 m e 0,027 m, respectivamente. Embora essa metodologia tenha apresentado um desempenho satisfatório, a análise espacial revelou desafios na generalização em áreas vertentes, de talvegue e com variações abruptas na inclinação do terreno.