Abordagens Para Classificação Do Estádio Sucessional Da Vegetação Do Parque Nacional De São Joaquim Empregando Imagens Landsat-8 E Rapideye

Abstract

Resumo:A classificação remota dos diferentes estádios sucessionais da vegetação ainda constitui um desafio devido à similaridade espectral destas classes. Este artigo tem o objetivo de avaliar o desempenho de imagens Landsat-8 e RapidEye para a classificação do estádio sucessional da vegetação em um fragmento de Floresta Ombrófila Mista, localizado no Parque Nacional de São Joaquim-SC. Para isto, três grupos de variáveis gerados a partir de cada imagem foram avaliados, sendo: (1) composto somente pelas bandas espectrais puras; (2) composto pelas métricas texturais GLCM geradas a partir das bandas espectrais; e (3) composto pelas variáveis dos dois grupos anteriores, além de dois índices de vegetação no caso da imagem Landsat-8, e três índices para a RapidEye. Cada grupo foi testado com os classificadores florestas randômicas (Random Forest-RF), máquinas de vetor de suporte (Support Vector Machine -SVM) e máxima verossimilhança (Maxver). Todos os experimentos alcançaram resultados satisfatórios, com índice Kappa variando de 0,66 a 0,88 e acurácia de usuário e produtor superiores a 50%. O melhor resultado alcançado foi com a imagem Landsat-8, grupo 3, associado ao algoritmo RF. A medida de importância das variáveis obtida com o algoritmo RF mostrou que as métricas texturais média, contraste e dissimilaridade destacaram-se na classificação para ambas as imagens.Palavras-chave: Sucessão florestal; Máquinas de Vetor de Suporte; Florestas Randômicas; Atributos. Abstract:The remote classification of the different vegetation successional stages still represents a challenging task in face of the similar spectral response of such classes. This paper is committed to evaluate the performance of Landsat-8 and RapidEye images in the classification of

Separability Analysis of Atlantic Forest Patches by Comparing Parametric and Non-Parametric Image Classification Algorithms

“…SVM classification was considered less efficient than MLC in relation to the separability of the "forestry" and "forest patches" classes. Although this classifier is non-parametric and considers the textural information of the pixels, which is considered an indicative of a better discrimination between vegetation classes [26], its potentiality for the separability of classes has not been verified. In the present work, the classifier presented a smaller noise error (salt and pepper effect, being less susceptible to errors, but also classifying erroneously isolated areas).…”

Análise do Comportamento do Saldo de Radiação Instantâneo em Áreas de Cerrado por Produtos Orbitais (Analyze of Behavior of Net Radiation Instantaneous in the Areas of Cerrado by Orbitals Products)

“…Esta classificação foi através do classificador MaxVer, ou seja, a classificação por máxima verossimilhança (MaxVer), que considera que em cada classe de análise existe uma distribuição normal (Sothe et al,2017). Na concepção de Lu et al, (2014) o Maxver se norteiam probabilidade de um pixel pertencer a determinada classe e leva em consideração variabilidade das classes usando a matriz de covariância.…”

Dinâmica Do Uso E Cobertura Da Terra Do Entorno Do Reservatório Do Passo Real – Rs

“…Estes resultados são comumente observados na literatura, pode-se citar trabalhos como o de Lu et al (2014) Nesse sentido, percebe-se que a utilização de classificadores digitais de imagens revela-se com uma ferramenta potencial para obtenção de informações, como explanado por Sothe et al (2017) que concluíram que o uso de classificação automatizada se mostra como uma alternativa interessante para auxiliar no estudo de áreas extensas e de difícil acesso, economizando assim esforço do operador bem como tempo de processamento computacional.…”