Escolar Documentos
Profissional Documentos
Cultura Documentos
a partir de análise de
imagens baseada em objetos geográficos (GEOBIA) utilizando RPAS
(drone) com sensor RGB
Vinicius Paiva Gonçalves a*, Dr. Eduardo Augusto Werneck Ribeiro b, Dr.
Nilton Nobuhiro Imai c
a
Departamento Acadêmico de Saúde e Serviços, Instituto Federal de Santa Catarina,
Florianópolis, Brasil; bCampus São Francisco do Sul, Instituto Federal Catarinense –
IFC, Blumenau, Brasil, c Departamento de Cartografia, Universidade Estadual Paulista
“Júlio de Mesquita Filho” – UNESP, Presidente Prudente, Brasil.
Dr. Eduardo Augusto Werneck Ribeiro possui graduação em Geografia pela Universidade
Estadual Paulista Júlio de Mesquita Filho (1999), mestrado em Geografia pela Universidade
Estadual Paulista Júlio de Mesquita Filho (2004) e doutorado em Geografia pela Universidade
Federal do Paraná (2011). Atualmente é professor do Instituto Federal Catarinense (IFC).
Docente permanente dos Mestrados Profissionais: Educação Profissional e Tecnológica -
ProfEPT (Blumenau) e Tecnologia e Ambiente (Araquari) e editor da Revista Metodologias e
Aprendizado.
Mapeamento de áreas invadidas por Pinus sp. a partir de análise de
imagens baseada em objetos geográficos (GEOBIA) utilizando RPAS
(drone) com sensor RGB
A invasão por espécies exóticas representa uma das grandes ameaças à conservação da
Isso ocorre mesmo em Unidades de Conservação, que é como no Brasil são chamadas
manejo, o que representa séria preocupação em todo o mundo (Foxcroft et al. 2013) .
Isso ocorre porque a dispersão está intimamente associada à presença humana, como
demonstrado em avaliação global conduzida por Van Kleunen et al. (2015), que através
Hemisfério Norte.
foram trazidos do hemisfério Norte para o Sul porque possuem grande importância
danos não apenas ecológicos, mas também econômicos e sociais (Nuñez et al. 2017).
Santa Catarina em 1963 (Dechoum et al. 2019). Os primeiros plantios serviram para
experimentação florestal em iniciativas governamentais e nas décadas seguintes plantios
fundamentais às espécies nativas cada vez mais pressionadas por mudanças climáticas
(Gallardo et al. 2017), representam fortes motivos para que estratégias de manejo e
controle de espécies exóticas sejam aprimoradas para alcançar efetividade, pois diante
da ameaça, os recursos financeiros, humanos e de tempo são por vezes escassos. Nesse
Mack 1988).
manejo e fiscalização. A área protegida por 334 UCs Federais é de 1.714.241,92 km²,
enquanto que o total de servidores do ICMBio é de 3.603 (Brasil 2019; Brasil 2021a).
Considerando que todos fossem fiscais de campo, cada um responderia por cerca de 470
km², conforme inclusive já foi até veiculado em veículos de imprensa (Soares and Souto
2017). Tal área corresponde a um território maior que a Ilha de Santa Catarina,
Florianópolis-SC, que mede aproximados 421 km² (PMF 2021). Diante desse cenário,
difícil acesso.
terrestre em 1972 (Giardino 2011). Desde então diversos sensores orbitais foram
incompatíveis.
embarcados, em especial a partir da última década. Cabe, porém, esclarecer que este
tipo de aeronave tem sido formalmente tratado pela denominação RPAS - Remotely
Piloted Aircraft System (Granshaw 2018) em âmbito internacional, bem como pelos
Departamento de Controle do Espaço Aéreo – DECEA (Brasil 2021b), motivo pelo qual
para voo” (Giones and Brem 2017). Com o advento de tal tecnologia, foi dispensada
Nesse sentido, o presente trabalho tem por objetivo propor uma metodologia
para o mapeamento de áreas invadidas por Pinus sp. em ambientes naturais, por um
altíssima resolução, very high resolution – VHR (Radoux and Bogaert 2017; Zhang et
al. 2017). Esse método foi aplicado região da Grande Florianópolis, litoral central de
RGB convencionais, assim como fez (Albuquerque et al. 2021), o que torna possível sua
permita integração com aplicativos para plano de voo automatizados, o que tornou-se
Optou-se por não utilizar pontos de apoio em solo para a elaboração dos
opção foi pela praticidade de aplicação do método, visto que a utilização de pontos de
apoio pressupõe equipe de campo para coleta de coordenadas precisas com GNSS
geodésico (baseado na fase da onda portadora) em alvos demarcados em solo,
source) para evitar custos com licenças em todas as etapas, desde a captação das
para essa aplicação a tradicional abordagem por pixel (Jones et al. 2019), comumente
maior escala, com resolução espacial abaixo de dez centímetros. Feduck et al. (2018),
Lehmann et al. (2017), Samiappan et al. (2017) e Yuan; Hu (2016) são exemplos de
1 Remotely Piloted Aircraft System, sistema composto pela aeronave remotamente pilotada e
seu rádio controle. Esses equipamentos são comumente referidos como “drones”, porém,
nesse trabalho adotou-se a sigla RPAS seguindo denominação internacional utilizada pelos
órgãos de controle da aviação civil (ANAC) e do espaço aéreo brasileiro (DECEA, 2019).
Tabela 1. Exemplos de estudos que utilizaram RPAS para avaliação de vegetação. Medidas de avaliação de acurácia: Kappa Cohen (K), Acurácia
Global (AG), Precision (P), Recall (R), F-score (F).
Classificação da nuvem de
Testar o uso de nuvens de pontos fotogramétricos pontos a partir de
Hiperespectra
de alta resolução juntamente com imagens características espectrais e
(Nevalainen et al. Hexacóptero Tarot l (FPI)/8,6 K = 0,92
hiperespectrais de UAV na detecção e 83-94 3D; melhores resultados
2017a) 960 AG = 95,5%
classificação de árvores individuais em florestas obtidos com Random
RGB/2,3
boreais. Forest e Multilayer
Perceptron (MLP)
RGB/0,3
Detecção, em fotografias nadirais de RPAS, das Asa rotativa Algoritmo CART
K = 0,81
Feduck et al. (2018) plântulas de pínus em áreas de replantio de (multirrotor) 3DR X8 15 (software da infosalford-
NIR, G, B/: AG = 86%
silvicultura no Canadá. (octacoptero) systems - Minitab)
0,5
Áreas de estudo
Foram selecionadas quatro áreas de interesse (Figura 1) para compor o estudo, todas na
Parque Estadual do Rio Vermelho – PAERVE, que possui extensas áreas dominadas por
Pinus sp., onde o próprio estado iniciou a silvicultura da espécie em 1962 (Bechara
PNMDLC, área que há mais de dez anos é manejada por iniciativa do terceiro setor para
conter a invasão de Pinus sp. (Dechoum et al. 2019). Na região continental, localiza-se a
diversidade de situações e, por consequência, dos desafios para o mapeamento das áreas
de invasão.
dos voos, que foram planejados para cobrir 300x300m totalizando 9 hectares de
mesotérmico úmido (sem estação seca) Cf, compreendendo subtipo Cfa com verão
Köppen-Geiger (Peel et al. 2007) fica evidente a similaridade climática com a região
sudeste dos EUA, também Cfa na área de distribuição natural gênero Pinus.
função de seu caráter global. (Braga and Ghellre 1999) apresentam proposta de
diferenciação climática para SC, caracterizando a região da área de estudo como subtipo
e Laguna das Zonas Agroecológicas estudadas por Brasil (1999), que avaliou aptidão ao
plantio de Pinus sp. com base em parâmetros pedológicos e climáticos e concluiu que
essa região está entre as que apresentam menores proporções de terras aptas ao plantio
(2008) classificou essa região como “não recomendada” para o plantio de Pinus taeda,
também com base em parâmetros climáticos e edáficos. Isso demonstra que silviculturas
não deveriam ser implantadas na região. No entanto, antes que essa inaptidão fosse
como os verificados nas áreas selecionadas para o estudo, que felizmente a iniciativa de
Dechoum et al. (2019) demonstrou ser possível controlar com manejo adequado.
Equipamentos e softwares
Acer modelo PH315-52 equipado com processador Intel Core i7-950H, 2.60GHz, 32GB
GeoDMA 2.0.3 beta (Brasil 2021c) implementado no software TerraView 5.6.1 (Brasil
(Frank et al. 2016), versão 3.8.5. A análise de acurácia foi executada por meio de
(T600) fabricado pela empresa DJI, equipado com uma câmera modelo X3 (FC350)
com 12.4 Megapixels (Figura 2). Para execução dos planos de voo utilizou-se a
equipamentos da DJI.
seu aplicativo utilizado para criação e execução do plano de voo, com base na
em campo.
As imagens foram processadas no WebODM, plataforma open source que
das bandas (layer stacking), contendo o ortomosaico RGB, o índice de vegetação VARI
al. 2021) , e o modelo digital de elevação (MDE), resultante da diferença entre o modelo
(OTB) integrado com QGIS para utilização dos algoritmos que permitem realizar a
produz uma imagem rotulada onde os pixels vizinhos são agrupados considerando o raio
de alcance definido, o terceiro realiza a fusão dos segmentos próximos cujo tamanho em
(objeto).
Esse algoritmo possui dois parâmetros obrigatórios, “spatial radius (-spatialr)”
ou raio espacial, definido segundo manual do software (OTB Development Team 2021)
como a distância máxima para construir o entorno do objeto a partir da média dos pixels
alcance é melhor definido apenas como uma distância entre atributos. Os valores
(Frank et al. 2016) porque também é uma plataforma open source baseada em
Feature Selection (CFS), baseado em correlação, não utiliza algoritmo para minerar
dados, portanto do tipo “Filter”. Segundo Nevalainen et al. (2017), este método se
têm uma baixa correlação interna entre recursos únicos, sendo adequado para lidar
Tiwari and Singh (2010), utiliza algoritmos de machine learning para minerar o
trabalho.
espaciais (objetos), conforme indicado por (Radoux and Bogaert 2017). As fórmulas
A Tabela 5 apresenta os maiores valores obtidos para a Acurácia Global e índice Kappa,
em Support Vector Machine que foi superior para a classe alvo em todas as áreas.
Tabela 5. Valores mais altos obtidos para acurácia global e índices Kappa e F-Score
referente à classe 1 (Pinus sp.), e respectiva composição de softwares e métodos
utilizados.
ACURÁCIA MAIORES
GLOBAL VALORES CLASSIFICADOR SOFTWARES_E_MÉTODOS
GEODMA+weka_CfsSE_GreedyStepWise_cv10x
SAPIENS 89,97% libsvm 1_80%
PAERVE 91,16% libsvm OTB_E_GEODMA+weka_Wrapper_bd_cv_20%
OTB_E_GEODMA+weka_CfsSE_COMBIN_cv1
PNMDLC 88,68% libsvm 0x1_80%
PEST 88,44% libsvm OTB+weka_Wapper_bd_cv_30%
Média 89,56% - -
KAPPA
GEODMA+weka_CfsSE_GreedyStepWise_cv10x
SAPIENS 0,87 libsvm 1_80%
PAERVE 0,90 libsvm OTB_E_GEODMA+weka_Wrapper_bd_cv_20%
OTB_E_GEODMA+weka_CfsSE_COMBIN_cv1
PNMDLC 0,82 libsvm 0x1_80%
PEST 0,85 libsvm OTB+weka_Wapper_bd_cv_30%
Média 0,86 -
F-SCORE
SAPIENS 0,86 libsvm OTB
GEODMA+weka_CfsSE_GreedyStepWise_cv10x
PAERVE 0,96 libsvm 1_80%
OTB_E_GEODMA+weka_CfsSE_COMBIN_cv1
PNMDLC 0,83 libsvm 0x1_80%
PEST 0,96 libsvm OTB+weka_Wapper_bd_cv_30%
Média 0,90 - -
Fonte: Elaborado pelos autores.
A Tabela 6 apresenta a referência sugerida por (Landis and Koch 1977) para
interpretação da classificação com base no valor do índice Kappa. De acordo com esse
Porém, como a resolução dos ortomosaicos gerados por RPAS é muito alta, de
acordo com (Sharma and Müllerová 2019) os valores considerados aceitáveis segundo
literatura divergem consideravelmente de 70% para acurácia global (Pringle et al. 2009)
a 85% para sensibilidade (recall) e precisão (precision) (Foody 2002). Ainda assim,
demonstração dos maiores valores obtidos para os índices Kappa global e F-score da
classe alvo (Pinus sp.) para cada classificador testado (RF e LibSVM), em comparação
pacote OTB.
Tabela 7. Maiores valores para Acurácia Global, Índice Kappa e F-score da Classe 1 (Pinus sp.) obtidos para cada classificador, em comparação
com a classificação obtida com o software OTB apenas. Em negrito os maiores valores.
Logo, para que fosse possível considerar vantajosa a inclusão de outros atributos
melhoria na classificação.
Tabela 8. Média da melhoria obtida nos índices Kappa e F-score da Classe 1 (Pínus sp.)
com a utilização das técnicas empregadas para melhoria da classificação.
PERCENTUAL MÉDIO DE MELHORIA
CLASSIFICADOR ACURÁCIA GLOBAL KAPPA F-SCORE DA CLASSE 1 (Pinus sp.)
comparação com a utilização apenas do pacote OTB para classificação por regiões
(GEOBIA), com incremento médio de 4,22% na Acurácia Global, 5,77% para o índice
De acordo com a Tabela 7, verificou-se que apenas para a área SAPIENS o valor
de F-score da classe referente a Pinus sp. ficou mais elevado quando utilizado apenas o
não ser efetivo, como foi observado por Nevalainen et al. (2017) que apostou apenas na
escolha dos atributos 80% mais frequentes, segundo seu método, porém a seleção de
resultados utilizando todos os atributos, nesse estudo verificou-se uma aleatoriedade nos
indicados como os mais relevantes melhorou a acurácia. Acredita-se que isso se deve ao
fato de que atributos indicados como pouco relevantes isoladamente, podem funcionar
bem quando em conjunto. Nesse sentido, de acordo com os resultados observados nesse
estudo, para que seja possível melhorar os resultados de classificação a partir da seleção
Cabe observar que Nevalainen et al. (2017) classificou a nuvem de pontos, não
um raster como nesse trabalho, uma vez que seu objetivo era a contagem e
utilizada. Seus resultados de acurácia, AG 94% e Kappa 0,92 foram superiores, porém o
O trabalho de Feduck et al. (2018) foi o que mais se aproximou dos objetivos, detecção
SAPIENS
CLASSIFICADO
1 2 3 4 5 SOMA AP
REFERÊNCIA PI VA VH BA SB (recall)
1 PI 75 7 0 0 8 90 0,83
2 VA 8 71 0 2 0 81 0,88
3 VH 0 0 66 0 0 66 1,00
4 BA 2 3 0 49 0 54 0,91
5 SB 4 0 0 0 44 48 0,92
SOMA 89 81 66 51 52 339
AU (precision) 0,84 0,88 1,00 0,96 0,85
F-Score 0,84 0,88 1,00 0,93 0,87
AG 89,97%
K 0,872983
Fonte: Elaborado pelos autores.
objetos encobertos. Apesar disso, notou-se que as sombras são mais abundantes onde há
indivíduos de Pinus sp. em função de seu maior porte comparado às demais tipologias
O PAERVE foi a área com maior número de classes (9). Além de Pinus sp. foram
A matriz de confusão (Tabela 10) indica poucos erros, o que reflete a maior acurácia
funcionou até para classes pouco representativas como Casuarina sp., Antrópico e
Água.
CLASSIFICADO
REFERÊNCI 1 2 3 4 5 6 7 8 9 SOMA AP
A PI EU CA RH RA SB SL A AN (recall)
1 PI 110 5 0 1 1 2 0 0 0 119 0,92
2 EU 1 69 0 0 4 0 0 0 0 74 0,93
3 CA 0 0 9 1 0 0 1 0 0 11 0,82
4 RH 0 1 1 17 4 0 2 0 0 25 0,68
5 RA 0 4 0 0 68 0 0 0 0 72 0,94
6 SB 0 1 0 0 0 34 0 0 0 35 0,97
7 SL 0 0 1 1 0 0 32 0 0 34 0,94
8 A 0 0 0 0 0 0 0 59 2 61 0,97
9 AN 0 0 2 0 0 0 3 3 25 33 0,76
SOMA 111 80 13 20 77 36 38 62 27 464
AU
0,99 0,86 0,69 0,85 0,88 0,94 0,84 0,95 0,93
(precision)
F-Score 0,96 0,90 0,75 0,76 0,91 0,96 0,89 0,96 0,83
AG 91,16%
K 0,895904
Fonte: Elaborado pelos autores.
A Figura 8 apresenta a imagem da área do PAERVE e a melhor classificação
obtida. Essa área também apresentou coerência visual, pois é possível notar uma boa
distinção entre Pinus sp. e Eucaliyptus sp. Porém, alguns segmentos foram classificados
corresponde à realidade. O mesmo ocorreu com a classe Casuarina sp., que representou
da baixa densidade das copas que torna visíveis o solo e objetos como pessoas e
PNMDLC
Nessa área o resultado geral da classificação também foi satisfatório, com índice Kappa
alcançando 0,82, apesar da complexidade apresentada pelo mosaico de ambientes
vegetacionais.
PEST
A área do PEST também apresentou um contexto bastante desafiador em função
de classes necessárias para a classificação. Nessa área a classe alvo Pinus sp. também
obteve F-score excelente (Tabela 12). Nessa área a maior confusão ocorreu entre as
sp. na realidade representam palmeiras jerivá Syagrus romanzoffiana, que assim como o
Miyoshi et al. (2020) utilizou método de deep learning com imagens hiperespectrais, o
regeneração.
classificação, é provável que esse fator tenha contribuído para a confusão. Diferente das
imagens multiespectrais utilizadas por Miyoshi et al. (2020) o espectro RGB pode não
Figura 11. Detalhe da classificação no PEST que demonstra diferenciação entre espécies
arbustivas e herbáceas em um contexto de mosaico, e palmeiras jerivá Syagrus
romanzoffiana , classificadas equivocadamente como Pinus sp.
classe, conforme Tabela 13. Essas áreas calculadas a partir dos vetores permitem
por Pinus sp. nas áreas de interesse. Com isso, acredita-se que o método empregado
predefinir a seleção dos melhores apenas com base em aspectos teóricos. Isso
avaliadas.
possam ser obtidas mediante ajustes na técnica empregada. Nesse sentido, sugere-se
atributos texturais pelo OTB e outras técnicas de seleção de atributos que possam ser
um gargalo. Uma alternativa pode ser a divisão em subáreas com dimensões adequadas,
eliminação da primeira, que é opcional, conforme proposto por De Luca et al. (2019).
segmentada.
Apêndice A
TrainVectorClassifier
Albuquerque RW, Ferreira ME, Olsen SI, Tymus JRC, Balieiro CP, Mansur H, Moura
CJR, Costa JVS, Branco MRC, Grohmann CH. 2021. Forest Restoration Monitoring
Protocol with a Low-Cost Remotely Piloted Aircraft: Lessons Learned from a Case
Study in the Brazilian Atlantic Forest. Remote Sensing. 13(12):2401.
https://doi.org/10.3390/rs13122401
Back ÁJ. 2020. Informações climáticas e hidrológicas dos municípios catarinenses (com
programa HidroClimaSC). Florianópolis: EPAGRI.
Braga HJ, Ghellre R. 1999. Proposta de Diferenciação Climática para o Estado de Santa
Catarina. In: Congresso Brasileiro de Agrometeorologia, 11, Reunião Latino-Americana
de Agrometeorologia. Florianópolis: Epagri.
Brasil. 2021b. DECEA esclarece normas para voos de drones no Brasil. Força Aérea
Brasileira - FAB [Internet]. [accessed 2021 Jul 22].
https://www2.fab.mil.br/cenipa/index.php/ultimas-noticias/871-decea-esclarece-normas-
para-voos-de-drones-no-brasil
Dechoum M de S, Giehl ELH, Sühs RB, Silveira TCL, Ziller SR. 2019. Citizen
engagement in the management of non-native invasive pines: Does it make a
difference? Biological Invasions. 21(1):175–188. https://doi.org/10.1007/s10530-018-
1814-0
Foxcroft LC, Pyšek P, Richardson DM, Genovesi P. 2013. Plant invasions in protected
areas: Patterns, problems and challenges. Plant Invasions in Protected Areas: Patterns,
Problems and Challenges.(November):1–656. https://doi.org/10.1007/978-94-007-7750-
7
Frank E, Hall MA, Witten IH. 2016. The WEKA Workbench. Online Appendix for
“Data Mining: Practical Machine Learning Tools and Techniques.” Fourth Edi.
Hamilton, New Zeland: Morgan Kaufmann.
Giones F, Brem A. 2017. From toys to tools: The co-evolution of technological and
entrepreneurial developments in the drone industry. Business Horizons. 60(6):875–884.
https://doi.org/10.1016/j.bushor.2017.08.001
GloNAF. 2021. Global Naturalized Alien Flora [Internet]. [accessed 2021 Jul 19].
https://glonaf.org/
Granshaw SI. 2018. RPV, UAV, UAS, RPAS … or just drone? Photogrammetric
Record. 33(162):160–170. https://doi.org/10.1111/phor.12244
He H, Ma Y. 2013. Imbalanced learning: foundations, algorithms, and applications.
Higa RCV, Wrege MS, Radin B, Braga H, Caviglione JH, Bognola I, Rosot MAD,
Garrastazu MC, Caramori PH, Oliveira YMM de. 2008. Zoneamento Climático: Pinus
taeda no Sul do Brasil. Embrapa Florestas.:17.
IBGE. 2012. Manual Técnico da Vegetação Brasileira. 2nd ed. Rio de Janeiro: Instituto
Brasileiro de Geografia e Estatística. https://doi.org/ISSN 0103-9598
Landis JR, Koch GG. 1977. The Measurement of Observer Agreement for Categorical
Data. Biometrics. 33(1):159. https://doi.org/10.2307/2529310
Lehmann JRK, Prinz T, Ziller SR, Thiele J, Heringer G, Meira-Neto JAA, Buttschardt
TK. 2017. Open-source processing and analysis of aerial imagery acquired with a low-
cost Unmanned Aerial System to support invasive plant management. Frontiers in
Environmental Science. 5(JUL):1–16. https://doi.org/10.3389/fenvs.2017.00044
Liau YT. 2014. Hierarchical segmentation framework for identifying natural vegetation:
A case study of the Tehachapi Mountains, California. Remote Sensing. 6(8):7276–7302.
https://doi.org/10.3390/rs6087276
Miyoshi GT, Arruda M dos S, Osco LP, Marcato Junior J, Gonçalves DN, Imai NN,
Tommaselli AMG, Honkavaara E, Gonçalves WN. 2020. A Novel Deep Learning
Method to Identify Single Tree Species in UAV-Based Hyperspectral Images. Remote
Sensing. 12(8):1294. https://doi.org/10.3390/rs12081294
Moody ME, Mack RN. 1988. Journal of Applied Ecology (1988), 25, 1009-1021.
Controlllng the spread of plant invasions: the importance of nascent foci. 25(3):1009–
1021. https://doi.org/10.2307/2403762
OpenDroneMap Authors. 2020. ODM – A command line toolkit to generate maps, point
clouds, 3D models and DEMs from drone, balloon or kite images.
Peel MC, Finlayson BL, A. MT. 2007. Updated world map of the Köppen-Geiger
climate classification. Hydrology and Earth System Sciences. 11:1633–1644.
https://doi.org/10.1002/ppp.421
PMF. 2021. Geoportal, Prefeitura de Florianópolis [Internet]. [accessed 2021 Jul 25].
http://geoportal.pmf.sc.gov.br/downloads/camadas-em-sig-do-mapa
Pringle RM, Syfert M, Webb JK, Shine R. 2009. Quantifying historical changes in
habitat availability for endangered species: Use of pixel- and object-based remote
sensing. Journal of Applied Ecology. 46(3):544–553. https://doi.org/10.1111/j.1365-
2664.2009.01637.x
Sharma JB, Müllerová J. 2019. UAS for Nature Conservation – Monitoring Invasive
Species. Applications of Small Unmanned Aircraft Systems.(October 2019):157–178.
https://doi.org/10.1201/9780429244117-8
Soares J, Souto L. 2017. Brasil tem só um fiscal a cada 470 km2 de parques e florestas.
O Globo, País, p 6 [Internet]. [accessed 2021 Jul 20]. https://nuestrosparques.info/pt-
br/noticia/184401
Story M, Congalton RG. 1986. Remote Sensing Brief Accuracy Assessment: A User’s
Perspective. Photogrammetric Engineering and Remote Sensing. 52(3):397–399.
Tiwari R, Singh MP. 2010. Correlation-based Attribute Selection using Genetic
Algorithm. IJCA. 4(8):28–34. https://doi.org/10.5120/847-1182
Ziller SR, Dechoum M de S, Duarte Silveira RA, Marques da Rosa H, Mello Oliveira
BC, Zenni RD, Motta MS, Filipe da Silva L. 2020. A priority-setting scheme for the
management of invasive non-native species in protected areas. NeoBiota.
62(October):591–606. https://doi.org/10.3897/neobiota.62.52633