Resumo -A principal finalidade da metodologia apresentada neste documento é a criação e a validação, através da aplicação a um caso de estudo, de uma forma eficiente de classificação de imagens de satélite, que integra informação auxiliar (dados dos Censos, do Plano Director Municipal e a rede viária) e dados provenientes de Detecção Remota, num Sistema de Informação Geográfica. O procedimento desenvolvido segue uma estratégia de classificação por níveis, sendo composto por três etapas principais: Estratificação pré-classificação; Aplicação dos classificadores de Bayes e de Máxima Verosimilhança (MV); Aplicação de regras de pós-classificação. As abordagens comuns incorporam os dados auxiliares antes, durante ou depois da classificação. No método proposto recorre-se a esse tipo de informação em todas as etapas. O método consegue, globalmente, melhores resultados que os classificadores clássicos: Mínima Distância, Paralelepípedo e Máxima Verosimilhança (MV). Além disso, melhora substancialmente a exactidão das classes onde o processo de classificação faz uso da informação auxiliar.Palavras-chave: Sistemas de Informação Geográfica (SIG), detecção remota, informação auxiliar.
Abstract -REMOTE SENSING AND GEOGRAPHIC INFORMATION SYSTEMS IN THE PRODUCTION OF LAND USE MAPS.The main purpose of this research is to develop and validate an efficient form of satellite image classification that integrates ancillary information (Census data; the Municipal Master Plan; the Road Network) and remote sensing data in a Geographic Information System. The developed procedure follows a layered classification approach, comprising three main stages: Pre-classification stratification; Application of Bayesian and Maximum-likelihood classifiers; Post-classification sorting. Common approaches incorporate the ancillary data before, during or after classification. In the proposed method, all the steps take the ancillary information into account. The proposed method achieves, much better classification results than the classical, one layer, Minimum Distance and Maximum-likelihood (ML) classifiers. Also, it greatly improves the accuracy of those classes where the classification process uses the ancillary data.