ESTUDO DA EFICIÊNCIA DE CLASSIFICAÇÕES SUPERVISIONADAS APLICADAS EM IMAGEM DE MÉDIA RESOLUÇÃO ESPACIAL

Autores

  • Carla Talita Pertille Universidade do Estado de Santa Catarina - UDESC. Centro de Ciências Agroveterinárias - CAV. Programa de Pós Graduação em Engenharia Florestal.
  • Gabriela Oliveira Silva Universidade do Estado de Santa Catarina - UDESC. Centro de Ciências Agroveterinárias - CAV. Programa de Pós Graduação em Engenharia Florestal.
  • Camila Furlan de Souza Universidade do Estado de Santa Catarina - UDESC. Centro de Ciências Agroveterinárias - CAV. Programa de Pós Graduação em Engenharia Florestal.
  • Marcos Felipe Nicoletti Universidade do Estado de Santa Catarina - UDESC. Centro de Ciências Agroveterinárias - CAV. Programa de Pós Graduação em Engenharia Florestal.

DOI:

https://doi.org/10.5380/biofix.v3i2.60477

Palavras-chave:

Algoritmos, Mapeamento, Sentinel-2

Resumo

A aplicação de técnicas de Sensoriamento Remoto na classificação do uso da terra de um município possibilita melhor gestão e planejamento geográfico. Nessa temática, o objetivo desta pesquisa foi identificar o melhor algoritmo de classificação supervisionada para o mapeamento do uso e cobertura da terra para o município de São José do Cerrito – Santa Catarina. Para tanto, foi utilizada uma imagem orbital do sensor Sentinel-2/MSI. Após o pré-processamento digital da imagem, foram definidas como classes de uso e cobertura da terra: agricultura, área urbana, corpos hídricos e vegetação. Posteriormente, as amostras de treinamento e validação foram geradas para cada classe. Os métodos de classificação supervisionados (Maximum Likelihood Classification – Máxima Verossimilhança - MaxVer) e (Suppor Vector Machine Classification - Máquinas de Vetor de Suporte - SVM), (Neural Net Classification – Redes Neurais - RNA) e (Minimum Distance Classification – Mínima distância - MND) foram testados. Por fim, calcularam-se as estatísticas de acurácia da classificação para cada método, tais como: índice Kappa, exatidão global, coeficiente Tau, erros de omissão e comissão e exatidão ao usuário e ao produtor. De maneira geral, todos os métodos propiciaram elevados valores do índice Kappa (MaxVer (0,9760), SVM (0,9616), RNA (0,9880) e MND (0,9244)). As estatísticas para o classificador testado revelaram que o método com o melhor desempenho foi o RNA, seguido do MaxVer, SVM e MND. De maneira geral, todas as técnicas de classificação supervisionada testadas foram efetivas no mapeamento de uso da terra do município de São José do Cerrito – SC, mas o método mais eficiente foi o RNA, com índice Kappa de 0,9880 e acurácia global de 99,33%.

Biografia do Autor

Carla Talita Pertille, Universidade do Estado de Santa Catarina - UDESC. Centro de Ciências Agroveterinárias - CAV. Programa de Pós Graduação em Engenharia Florestal.

Graduada em Engenharia Florestal na Universidade Tecnológica Federal do Paraná (UTFPR) e Especialista em MBA em Gestão Florestal pela Universidade Federal do Paraná (UFPR). Mestranda no Programa de Pós-Graduação em Engenharia Florestal da Universidade do Estado de Santa Catarina - UDESC e bolsista do Fundo de Apoio à Manutenção e ao Desenvolvimento da Educação Superior (FUMDES/SC), na linha de pesquisa em Geoprocessamento e Sensoriamento Remoto aplicado à Engenharia Florestal sob orientação dos professores Dr. Marcos Benedito Schimalski e Dr. Veraldo Liesenberg.

Camila Furlan de Souza, Universidade do Estado de Santa Catarina - UDESC. Centro de Ciências Agroveterinárias - CAV. Programa de Pós Graduação em Engenharia Florestal.

Atualmente cursando Mestrado no programa de Pós-Graduação do CAV/UDESC, na linha de pesquisa de Ecologia de espécies florestais e ecossistemas associados. Possui graduação em Engenharia Florestal pela Universidade do Estado de Santa Catarina (2016). Tem experiência na área de Recursos Florestais e Engenharia Florestal, com ênfase em Topografia, Sensoriamento remoto e GIS, trabalhando com temas como: análise da vegetação, mapeamento da terra, criação, edição e manipulação de dados vetoriais, criação de mapas temáticos, layouts, análises espaciais e topológicas na plataforma ArcGIS. Processamento digital de imagens, desde a obtenção dos dados até sua classificação.

Marcos Felipe Nicoletti, Universidade do Estado de Santa Catarina - UDESC. Centro de Ciências Agroveterinárias - CAV. Programa de Pós Graduação em Engenharia Florestal.

Atualmente é Professor Adjunto da Universidade do Estado de Santa Catarina. Possui graduação em Engenharia Florestal pela Universidade do Estado de Santa Catarina - UDESC. Possui Mestrado em Recursos Florestais, na área de Silvicultura e Manejo Florestal, na Escola Superior de Agricultura "Luiz de Queiroz" (ESALQ), pertencente à Universidade de São Paulo (USP). Possui Doutorado em Engenharia Florestal, na área de Manejo Florestal, por meio da Universidade Federal do Paraná (UFPR). Atua na área de Recursos Florestais, com ênfase Manejo de Florestas Plantadas, sob os temas: Determinação da Biomassa Florestal, Modelagem Mista, Funções de Afilamento e Sortimento Florestal.

Downloads

Publicado

2018-08-25

Como Citar

Pertille, C. T., Silva, G. O., Souza, C. F. de, & Nicoletti, M. F. (2018). ESTUDO DA EFICIÊNCIA DE CLASSIFICAÇÕES SUPERVISIONADAS APLICADAS EM IMAGEM DE MÉDIA RESOLUÇÃO ESPACIAL. BIOFIX Scientific Journal, 3(2), 289–296. https://doi.org/10.5380/biofix.v3i2.60477

Edição

v. 3 n. 2 (2018)

Seção

Artigos

Licença

Autores que publicam nesta revista concordam com os seguintes termos:

  1. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution (CC  Atribuição 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
  2. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
  3. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.

Authors who publish in this journal agree to the following terms:
  1. Authors maintain the copyright and grant the journal the right of first publication, with the work simultaneously licensed under the Creative Commons Attribution License (CC Attribution 4.0) that allows the sharing of work with acknowledgment of authorship and initial publication in this journal.
  2. Authors are authorized to take additional contracts separately, for non-exclusive distribution of the version of the work published in this journal (eg publish in institutional repository or as a book chapter), with acknowledgment of authorship and initial publication in this journal.
  3. Authors are allowed and encouraged to publish and distribute their work online (eg in institutional repositories or on their personal page) at any point before or during the editorial process, as this can generate productive changes as well as increase the impact and citation of the published work.