Abstract
Resumo: O objetivo deste trabalho foi avaliar o desempenho dos classificadores digitais SVM e K-NN para a classificação orientada a objeto em imagens Landsat-8, aplicados ao mapeamento de uso e cobertura do solo da Alta Bacia do Rio Piracicaba-Jaguari, MG. A etapa de pré-processamento contou com a conversão radiométrica e a minimização dos efeitos atmosféricos. Em seguida, foi feita a fusão das bandas multiespectrais (30 m) com a banda pancromática (15 m). Com base em composições RGB e inspeções de campo, definiram-se 15 classes de uso e cobertura do solo. Para a segmentação de bordas, aplicaram-se os limiares 10 e 60 para as configurações de segmentação e união no aplicativo ENVI. A classificação foi feita usando SVM e K-NN. Ambos os classificadores apresentaram elevados valores de índice Kappa (k): 0,92 para SVM e 0,86 para K-NN, significativamente diferentes entre si a 95% de probabilidade. Uma significativa melhoria foi observada para SVM, na classificação correta de diferentes tipologias florestais. A classificação orientada a objetos é amplamente aplicada em imagens de alta resolução espacial; no entanto, os resultados obtidos no presente trabalho mostram a robustez do método também para imagens de média resolução espacial.
Highlights
A gestão territorial demanda uma constante caracterização dos recursos naturais, além de seu monitoramento contínuo, com o objetivo de sua utilização de forma racional
Segundo este autor, os algoritmos responsáveis pela classificação digital são denominados “classificadores”, e a classificação pode ser feita pixel a pixel ou por regiões/objetos
A segmentação das imagens Landsat‐8 e as classificações pelos métodos SVM e K‐NN são plenamente satisfatórias na diferenciação de 15 regiões homogêneas, previamente definidas, e viabilizam a obtenção de resultados precisos para a caracterização de uso e cobertura do solo, na Alta Bacia do Rio Piracicaba‐Jaguari, MG
Summary
A área de estudo compreende a Alta Bacia do Rio Piracicaba‐Jaguari (PJ), no Estado de Minas Gerais. Com base nos dados supracitados em uma composição falsa‐cor (i.e. R5G4B6) e inspeções de campo, foram definidas 15 classes de uso e cobertura do solo. A partir do arquivo segmentado supracitado, sobreposto à composição R5G4B6, 100 polígonos – ou seja, regiões de interesse (ROI) – foram extraídos para cada uma das classes de forma visual e usados como dados de treinamento. O algoritmo K‐NN é uma classificação feita a partir das amostras de treinamento, com base nos vizinhos mais próximos (Meng et al, 2007). Analisou-se as áreas em discordância entre os resultados gerados, com o propósito de avaliar se tais diferenças entre classificadores derivam não somente da confusão espectral, mas também de influências das características fisiográficas locais como a densidade da drenagem (Figura 2). As áreas em discordância de todas as classes foram somados, e o produto desta soma representa as áreas em discordância entre os resultados dos dois classificadores
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
