Análise comparativa de classificadores digitais em imagens do Landsat-8 aplicados ao mapeamento temático

Liempt, Ilse van; Messias, Cassiano Gustavo; Liesenberg, Veraldo; Bolfe, É. L.; Ferreira, Marcos César

doi:10.1590/s0100-204x2015000700009

Cited by 12 publications

(17 citation statements)

References 29 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O uso de bandas na faixa do infravermelho médio pode melhorar o processo de separação das classes por adicionar o aspecto de textura dos alvos, já que as bandas 5, 4 e 3 do sensor OLI não confere essa informação ao algoritmo (LU et al, 2012). Segundo Garofalo et al (2015) o algoritmo SVM apresentou melhores resultados na classificação de imagens do OLI quando comparado ao algoritmo vizinho mais próximo.…”

Section: Resultsunclassified

“…A matriz de confusão, relativa a imagem do sensor OLI, mostrou que a classe rios teve 31% de acerto, sendo classificado, principalmente, como floresta e pastagem (69%) devido a proximidade que esses usos têm dos cursos d'água. A classificação para área com eucalipto teve 68% de acerto, tendo omitido, aproximadamente, 21% e confundido cerca de 32% com as classes de agricultura e floresta, devido a alta concentração de fitomassa desses alvos, dificultando a distinção espectral dos mesmos (Garofalo et al, 2015). Já a pastagem apresentou (1) (2) em que, SQ res é a soma dos quadrados dos resíduos, é SQ t a soma total dos quadrados, E i é o i-ésimo valor estimado e O i é o i-ésimo valor observado.…”

Section: Methodsunclassified

“…A dinâmica de áreas agrícolas pode ser realizada por meio de classificação supervisionada, a qual o usuário define as amostras espectrais dos alvos, e não supervisionada, em que o algoritmo define as classes de agrupamentos das respostas espectrais Gonçalves, 2009). Nos últimos anos, sofisticados algoritmos tem sido desenvolvidos como redes neurais, árvore de decisão, máquina de vetor de suporte e algoritmos baseados em objetos, bem como o uso de dados provenientes de diferentes sensores com variadas resoluções espaciais, espectrais, radiométricas e temporais, afim de melhorar o mapeamento por meio do comportamento espectral dos alvos (Lu et al, 2012;Delgado et al, 2012;Garofalo et al, 2015;Souza et al, 2016).…”

Section: Introductionunclassified

See 2 more Smart Citations

Mapping of Agricultural Areas with Support Vector Machine in the Northwest of Minas Gerais, Brazil

et al. 2020

View full text Add to dashboard Cite

ResumoA agricultura é um dos setores que mais se destaca na economia do Brasil, sendo necessário muitas vezes o emprego do sensoriamento remoto, para identificação da expansão das áreas agrícolas e estimativas da sua produção. Esse trabalho tem por objetivo mapear as áreas agrícolas do noroeste de Minas Gerais por meio de máquina de vetor de suporte e comparar os resultados obtidos com o censo estatístico do Instituto Brasileiro de Geografia e Estatística. Para identificação das áreas agrícolas foi utilizado o algoritmo Service Vector Machine e imagens dos satélites e sensores Landsat 8 / OLI e Terra / MODIS. As amostras de treinamento do algoritmo foram obtidas por meio de imagem de alta resolução espacial, disponível no programa Google Earth Pro, nas classes rios, floresta, agricultura, pastagem e silvicultura. O mapeamento utilizando imagem do sensor OLI apresentou melhor Acurácia Global (0,81) e Kappa (0,66). A classificação com imagem OLI e MODIS apresentaram maior precisão na classe agricultura quando comparada as demais classes, apresentando confusão com pastagem, em decorrência da alta fitomassa da pastagem na época de aquisição das imagens (verão). O cálculo das áreas agrícolas demonstra superestimativa do Service Vector Machine (SVM) na classificação das imagens OLI e MODIS, com forte relação dos dados MODIS com o censo do IBGE (R²=0,83). Apenas municípios com áreas agrícolas superiores a 50.000 ha apresentaram menor erro na estimativa das áreas agrícolas. A aplicação do algoritmo mostra-se potencial para mapeamento da agricultura por meio de imagens dos sensores MODIS e OLI, porém deve-se avaliar a época de aquisição das imagens orbitais e variações nos parâmetros do algoritmo para melhorar a acurácia da classificação. Palavras-chave: agricultura; classificação supervisionada; aprendizado de máquina AbstractAgriculture is one of the sectors that stands out most in the Brazilian economy, often requiring the use of remote sensing to identify the expansion of agricultural areas and estimates of their production. This work aims to map the agricultural areas of the northwest of Minas Gerais by means of a support vector machine and compare the results obtained with the statistical census of the Brazilian Institute of Geography and Statistics. For the identification of the agricultural areas, the Service Vector Machine algorithm and images of the Landsat 8 / OLI and Terra / MODIS satellites and sensors were used. The training samples of the algorithm were obtained by high resolution spatial image, available in Google Earth Pro software, in the categories rivers, forest, agriculture, pasture and forestry. The OLI image mapping showed better Global Accuracy (0.81) and Kappa (0.66). The classification with OLI and MODIS images showed greater precision in the agriculture class when compared to the other classes, presenting confusion with pasture, due to the high phytomass of the pasture at the time of acquisition of the images (summer). The calculation of the agricultural areas shows an overestimation of the Serv...

show abstract

Section: Resultsunclassified

Section: Methodsunclassified

Section: Introductionunclassified

See 1 more Smart Citation

Mapping of Agricultural Areas with Support Vector Machine in the Northwest of Minas Gerais, Brazil

et al. 2020

View full text Add to dashboard Cite

show abstract

“…Atualmente existem diversos softwares utilizados para o PDI, dentre eles, o Environment for Visualizing Images (ENVI) é um dos mais populares, nele são disponibilizados diferentes algoritmos de classificação de imagens que proporcionam uma maior automatização e agilidade no mapeamento de uso e cobertura da terra, a eficácia de seu uso para este fim já foi confirmada nos trabalhos de Araújo et al (2009), Li et al (2014, Garofalo et al (2015), Arantes et al (2016), Lenzi e Nunes (2016.…”

Section: Introductionunclassified

“…Sendo que, alguns estudos já foram realizados em diferentes locais com o intuito de compará-los quanto a eficiência para a classificação de uso e cobertura do solo, dentre eles pode-se citar os trabalhos de Aykut et al (2004), Madhura e Venkatachalam (2013), Nery et al (2013), Pandya et al (2013), Niknejad et al (2014), Sarmiento et al (2014), Abburu e Golla (2015), Cohenca e Carvalho (2015), Garofalo et al (2015) e Moura (2016). Garofalo et al (2015), Cohenca e Carvalho (2015), Souza et al (2016) Diante do exposto, o objetivo deste trabalho foi avaliar e comparar os desempenhos de quatro algoritmos de classificação supervisionada para o mapeamento do uso e cobertura da terra da bacia hidrográfica do Rio Caldas -GO, utilizando imagens Landsat-8. As imagens foram reprojetadas para o hemisfério sul, visto que, apesar de já serem fornecidas corrigidas geometricamente, elas são posicionadas ao hemisfério norte.…”

Section: Introductionunclassified

Comparação Entre Diferentes Algoritmos De Classificação Supervisionada No Mapeamento Temático De Uma Bacia Hidrográfica

Santos¹,

Lima²

2018

TREED

View full text Add to dashboard Cite

RESUMODiferentes métodos são empregados para a classificação digital de imagens, porém, podem apresentar desempenhos diferentes, sendo importante testá-los para verificar suas eficácias no mapeamento de uso e cobertura da terra com intuito de se selecionar o classificador que apresente os melhores resultados e maior veracidade em relação à verdade de campo. O objetivo deste estudo foi avaliar e comparar os desempenhos de quatro algoritmos de classificação supervisionada para o mapeamento do uso e cobertura da terra da bacia hidrográfica do Rio Caldas -GO, utilizando imagens Landsat-8. Para tanto, foram utilizadas as cenas de órbita/ponto 222/71 e 222/72, com datas de passagem em 24/10/2017 e 22/10/2017, mosaicadas para formar uma única imagem de dimensões que abrangesse toda a área de interesse. A composição RGB utilizada foi das bandas 6, 5 e 4 (R=6, G=5, B=4). Para a realização do processamento digital da imagem foi empregado o software ENVI versão 5.0 e à elaboração de mapas temáticos o QGIS 2.18. Os algoritmos testados foram: Paralelepípedo, Distância de Mahalanobis, Distância Mínima e Máxima-verossimilhança. Como parâmetros de comparação foram utilizados os coeficientes de Kappa, acurácias global e matrizes de confusão. Os melhores resultados para a classificação de uso e cobertura foram obtidos pelo método da Máxima-verossimilhança (MaxVer), os piores pelo método do Paralelepípedo, os outros classificadores apresentaram resultados intermediários entre o melhor e o pior. Com os resultados obtidos pela classificação por MaxVer, constatou-se que atualmente a maior parte do solo da bacia é ocupada pelas classes Pastagem (63,14%) e Vegetação nativa (22,07%).

show abstract

Land Use and Occupation of Coastal Tropical Wetlands: Whale Coast, Bahia, Brazil

Souza

Vale

Oliveira

2017

Coastal Wetlands: Alteration and Remediation

View full text Add to dashboard Cite

Análise comparativa de classificadores digitais em imagens do Landsat-8 aplicados ao mapeamento temático

Cited by 12 publications

References 29 publications

Mapping of Agricultural Areas with Support Vector Machine in the Northwest of Minas Gerais, Brazil

Mapping of Agricultural Areas with Support Vector Machine in the Northwest of Minas Gerais, Brazil

Comparação Entre Diferentes Algoritmos De Classificação Supervisionada No Mapeamento Temático De Uma Bacia Hidrográfica

Land Use and Occupation of Coastal Tropical Wetlands: Whale Coast, Bahia, Brazil

Contact Info

Product

Resources

About