Eu vou fazer machine learning de sensoriamento remoto com random forest, xgboost e shap
Especialista em GIS e Sensoriamento Remoto para InSAR e Google Earth Engine
Sobre este Serviço
Machine learning para dados satelitais e ambientais, feito do jeito que os revisores esperam. Eu sou pesquisador de PhD em sensoriamento remoto na Tianjin University (MS CUG Wuhan) e Build ML models para land cover, água, calor e mapeamento de riscos. Exemplo na minha galeria: XGBoost + SHAP explicando a temperatura de superfície urbana (R2 0,75 em uma zona de teste espacialmente mantida).
O QUE EU FAÇO: classificação de land cover / lavoura / floresta (Random Forest, SVM, XGBoost, LightGBM); regressão e previsão (qualidade da água, clorofila-a, LST, poluição do ar, biomassa, umidade do solo, rendimento); IA explicável com SHAP e importância de características; validação cruzada espacial (sem vazamento de dados); mapas de incerteza e intervalos de previsão; avaliação de precisão (OA, kappa, R2, RMSE).
DADOS: Sentinel-1/2, Landsat, MODIS, VIIRS, GEDI, ERA5, dados in situ e de campo. Ferramentas: Python (scikit-learn, XGBoost, SHAP, PyTorch), R, Google Earth Engine.
Você recebe código limpo, comentado, mapas e plots prontos para um artigo ou relatório, e um breve texto metodológico. Me envie uma mensagem com seus dados e objetivo primeiro e eu sugiro o modelo certo.
Linguagem de programação:
Python
•
R
•
MATLAB
•
Colab
Frameworks:
Scikit-learn
•
keras
•
PyTorch
•
Panda
Ferramentas:
caderno Jupyter
•
Excel
•
Colab
•
RStudio
Outros serviços de Ciência de dados e ML que eu ofereço
Perguntas frequentes
Tradução automática
Posso trazer meus próprios dados?
Sim. Envie seu CSV, raster ou shapefile. Se você não tiver dados, eu monto o conjunto de dados a partir de arquivos de satélite gratuitos.
Os resultados serão publiáveis?
Sigo boas práticas para artigos: validação cruzada espacial, conjuntos de teste independentes, incerteza e texto claro de métodos. Muitas das minhas figuras vêm de trabalhos revisados por pares.

