Resumo:A dinâmica existente no território sempre ocupou destaque em pesquisas geográficas e, mais precisamente, ambientais. Diferentes métodos e técnicas podem ser utilizados para a realização destes estudos e, entre eles, pode-se destacar a aplicação das técnicas do sensoriamento remoto com o uso de imagens de satélites orbitais. Logo, este estudo buscou, a partir da classificação supervisionada de imagens do satélite Landsat com o uso de áreas de treinamento, ou clusters de polígonos, analisar os dados obtidos através da relação entre as dimensões das áreas classificadas com o incremento de polígonos de amostragem. Foram realizadas experimentações com três classes para os anos de 1985 e de 2018, a saber, corpos d'água, áreas antropizadas e cobertura vegetal "original". As simulações realizadas confirmaram a hipótese apresentada, ou seja, a de que haveria uma tendência de estabilização nos dados de acordo com o incremento de V. 10, nº19, 2019 -ISSN 2176-9559 320 áreas de treinamento. Como recomendação para futuras classificações, sugere-se a adoção de, pelo menos, cinquenta polígonos amostrais por classe, que configurem, da melhor forma possível, a região a ser classificada uma vez que tais áreas de treinamento deverão abarcar todas as características relativas às classes a serem adotadas.Palavras-chave: sensoriamento remoto, classificação de imagens de satélite, áreas de treinamento, cluster de polígonos, número de amostras. Abstract:The territory dynamics has always been prominent in geographic and, more precisely, environmental research. Different methods and techniques can be used to perform these studies, among them, it is possible to highlight the application of remote sensing techniques with the use of orbital satellite images. This study aimed to analyze the data obtained through the relationship between the dimensions of the classified areas and the increasing number of sampling polygons, based on the supervised classification of satellite images using training areas or polygon clusters. Experiments were carried out with three classes for the years 1985 and 2018, namely water bodies, anthropic areas and "original" vegetation cover. The simulations carried out confirmed the hypothesis presented, i.e., that there would be a trend of stabilization in the data according to the increase of training areas. As a recommendation for future classifications, it is suggested to adopt at least fifty sample polygons per class, which best defines the region to be classified, since such areas of training should cover all the characteristics related to the classes to be adopted.Keywords: remote sensing, classification of satellite images, training areas, cluster of polygons, number of samples.Resumen: La dinámica existente en el territorio siempre ocupó destaque en investigaciones geográficas y, más precisamente, ambientales. Diferentes métodos y técnicas pueden ser utilizados para la realización de estos estudios y, entre ellos, se
Estudos relativos à dinâmica territorial sempre ocuparam papéis de destaque no âmbito da Geografia. As alterações espaciais experimentadas em determinadas regiões estão diretamente ligadas aos cenários físicos, políticos, econômicos, culturais e ambientais desses espaços em um dado momento. Diversas ferramentas têm sido utilizadas para analisar o cenário de um determinado ambiente. O presente estudo procurou comparar, a partir de imagens de satélite, a existência de correlação entre diferentes índices de vegetação (IVs) e uma imagem classificada do município de Mundo Novo, no Estado do Mato Grosso do Sul. Para tal, foram utilizados o software livre QGIS e a planilha Excel da Microsoft. Como resultado, verificou-se haver alta correlação entre os distintos IVs e a imagem classificada.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.