Eficácia de dados Hyperion/EO-1 para identificação de alvos agrícolas: comparação com dados ETM+/Landsat-7

Abstract

O objetivo desta pesquisa foi avaliar o uso de dados hiperespectrais Hyperion/EO-1 na discriminação de alvos agrícolas, comparando a acurácia de classificação obtida pelos dados desse sensor à obtida por dados multiespectrais ETM+/Landsat-7. Para isso, alvos agrícolas da região de Franca - SP, com diferenças espectrais bem definidas e outros alvos com diferenças espectrais sutis, imageados por ambos os sensores, em 16 de julho de 2002, foram discriminados utilizando o classificador supervisionado de Máxima Verossimilhança (MaxVer). Os alvos agrícolas com diferenças espectrais bem definidas foram caracterizados por seis classes de uso e cobertura do solo; já os com diferenças espectrais sutis, por cinco classes de variedades de cana-de-açúcar. Quando os dados ETM+ foram classificados, a acurácia foi de 91,5% para as classes de uso e cobertura do solo e de 67,6% para as classes de variedades de cana-de-açúcar, enquanto, para os dados do sensor Hyperion, a acurácia de classificação foi de 94,9% e de 87,1%, respectivamente, demonstrando, assim, a importância do uso de dados hiperespectrais na discriminação de alvos agrícolas com características espectrais semelhantes.

Mapping of the current land use in part of the Irrigated Perimeter Nilo Coelho, Petrolina-PE, Brazil

“…Utilizing the reflectances obtained from the hyperspectral bands for the strips: 3, 4, 5, 6 e 7 of the Landsat 8 sensors, the image was classified through the pixel supervised method, employing the maximum likelihood algorithm (Maxver) (Tisot et al, 2007;Leite et al, 2011;Antunes et al, 2012;Fernandes et al, 2012;Mello et al, 2012;Prishchepov et al, 2012;Wrublack et al, 2013), considering 11 classes of predefined land features, with an average of ten samplings for feature training, and ten more samplings for the validation of the proposed model in each class. proposed classes: grape crop "Grape", mango crop "Mango", coconut crop "Coconut", banana crop "Banana", guava crop "Guava", acerola crop "Acerola", other crops "Others", areas with exposed soil "Solo_exp", urban areas "Area_urb", areas with natural vegetation "Veg_ nat" and water bodies "Water".…”

“…Among these indexes the Kappa coefficient is highlighted, widely utilized for the trustworthiness evaluation of the classification (Tisot et al, 2007;Silva Júnior et al, 2013). With the exposed, this work aimed to quantify and to spatialize the composition of agricultural crops of higher economical relevance: grape, mango, banana, acerola, guava and coconut, among others, in the C1, C2, N1, N2, N3, N4 and N5 nuclei of the Nilo Coelho irrigation perimeter.…”

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

“…Danila Mendes Durães; Carlos Magno Moreira de Oliveira; Rafael Coll Delgado; Vitor Marques Vidal & Inácio Barbosa Borges de cobertura com agricultura. A proximidade entre os erros dos dois sensores pode estar relacionada a proximidade entre a largura e o posicionamento das bandas espectrais (Tisot et al, 2007). Além disso, o alto erro na estimativa mostra que houve inserção de áreas não agrícolas dentro da classe, como foi o caso da pastagem e do eucalipto que apresentam alta concentração de fitomassa (Garofalo et al, 2015).…”

Efeitos das lâminas de irrigação e da adubação nitrogenada no comportamento espectral da cultura do feijão

“…Recentes estudos indicam as vantagens do uso de dados obtidos a partir de bandas estreitas, localizadas em regiões específicas do espectro, na obtenção de informações qualitativas ou quantitativas da vegetação; porém, em apenas alguns deles, foram utilizados dados hiperespectrais oriundos de sensor orbital para o estudo de alvos agrícolas. Dentre os estudos realizados com os dados do sensor Hyperion, destacam-se a detecção de doença foliar em canade-açúcar, por meio de índices hiperespectrais (APAN et al, 2004); a discriminação de variedades de cana-de-açúcar, usando os valores de reflectância nas bandas individuais, a razão de reflectância e os índices hiperespectrais (GALVÃO; FORMAGGIO; TISOT 2005); a comparação de dados de sensores multiespectrais com dados do sensor Hyperion, na classificação de florestas (GOODENOUGH et al, 2003;THENKABAIL et al, 2004); a comparação da acurácia de classificações, obtidas pelos dados do sensor Hyperion e pelos dados multiespectrais ETM+/Landsat-7, na discriminação de alvos agrícolas (TISOT et al, 2007), e os efeitos do ângulo de visada, na discriminação de variedades de soja e na relação entre índices de vegetação e produtividade, utilizando dados do sensor Hyperion off-nadir (GALVÃO et al, 2009).…”