Mapeamento Do Cultivo De Café No Sul De Minas Gerais Utilizando Imagens Landsat-5 Tm E Variáveis Topográficas

Abstract

Resumo: Esta pesquisa tem como objetivo mapear os cultivos de café na região de Muzambinho, Cabo Verde e Monte Belo, Sul de Minas Gerais, utilizando imagens Landsat-5 Thematic Mapper e Modelos Digitais do Terreno. A área de estudo localiza-se em uma tradicional região produtora de café, onde o cultivo é praticado, na maioria das vezes, em áreas de relevo fortemente ondulado. Para a realização da pesquisa, incialmente aplicou-se um modelo de iluminação para a correção do efeito topográfico, com o objetivo de reduzir as variações espectrais causadas pelo relevo e assim melhorar o resultado da classificação. Em seguida, as imagens foram segmentadas e classificadas utilizando um algoritmo supervisionado por regiões. Duas classes de café que expressam diferentes condições fenológicas foram consideradas: Café Formação e Café Produção. Os resultados mostram que a correção topográfica melhorou o desempenho da segmentação criando segmentos mais contínuos e representativos das formas dos cultivos. Além disto, um aumento no desempenho da classificação foi observado ao comparar os resultados obtidos no presente estudo com uma classificação convencional pela máxima verossimilhança.Palavras-Chave: uso da terra; correção topográfica; segmentação; classificação por região, sul de Minas Gerais, Landsat TM. Abstract: This research aims to map coffee crops in the region of Muzambinho, Cabo Verde and Monte Belo, Southern Minas Gerais by using Landsat-5 Thematic

Multitemporal variables for the mapping of coffee cultivation areas

“…Further studies should be completed using this methodology for different areas. Different variables may be incorporated into the classification process, as for instance, physical data, like topography (Prado et al, 2016), hypsometry, and others.…”

“…The mapping of agricultural areas has become essential because these areas are crucial to the economic development of many regions. Several techniques for mapping coffee cultivation areas were previously used by some authors (Cordero-Sancho & Sader, 2007;Martínez-Verduzco et al, 2012;Santos et al, 2012;Sarmiento et al, 2014), including the visual classification (Machado et al, 2010), the supervised pixel-based classification approach (Cordero-Sancho & Sader, 2007;Martínez-Verduzco et al, 2012), the object-based approach (Santos et al, 2012;Sarmiento et al, 2014;Souza et al, 2016), the machine-learning algorithms (Santos et al, 2012;Sarmiento et al, 2014;Souza et al, 2016), the use of different variables (Santos et al, 2012;Souza et al, 2016), and physical data (Prado et al, 2016). However, most of these works did not achieve satisfactory results for accuracy, once coffee cultivations are commonly misinterpreted with other vegetation, such as pasture and native vegetation, when automatic classification techniques are used.…”

Aplicações, Preferências E Comparações Entre Métodos De Classificação Supervisionada: O Caso De Natal/Rn

“…Esse método assume que todas as covariâncias de classe são iguais (RIBEIRO; SILVEIRA; NUCCI, 2013). O KNN é calculado considerando comportamento espectral dos pixels vizinhos na tomada de decisão (PRADO; HAYAKAWA; KAWAKUBO, 2016). Esse método mantem os valores de níveis de cinza e de brilho dos pixels da imagem original (SAKUNO et al, 2017).…”