Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação

Detalhes bibliográficos
Autor(a) principal: Marujo, Rennan de Freitas Bezerra
Data de Publicação: 2017
Outros Autores: Moreira, Maurício Alves, Volpato, Margarete Marin Lordelo, Alves, Helena Maria Ramos
Tipo de documento: Artigo
Idioma: por
Título da fonte: Repositório Institucional da UFLA
Texto Completo: http://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/1176
http://repositorio.ufla.br/jspui/handle/1/13602
Resumo: O café, importante produto nas exportações brasileiras, necessita de constante monitoramento para que os sistemas de previsão de safras existentes sejam confiáveis. Imagens orbitais de média resolução espacial são ferramentas com grande potencial para mapeamento do uso do solo e identificação de culturas agrícolas. Nesta pesquisa, visando o mapeamento de áreas cafeeiras, avaliou-se o desempenho da classificação baseada em objetos, associada a técnicas de mineração de dados, aplicada em imagens OLI/Landsat-8. Foram feitas três classificações automáticas, a primeira constando exclusivamente atributos espectrais, a segunda acrescentando atributos texturais e a terceira, incluindo também classes de iluminação do terreno. Foram utilizadas seis imagens multiespectrais, datadas de três diferentes estádios fenológicos da cultura: frutificação, granação e repouso. A validação das classificações foi feita por meio do Método de Monte Carlo utilizando como referência mapas visualmente interpretados. As classificações feitas exclusivamente com atributos espectrais resultaram, para a classe café, exatidão média de 57%. Não houve estádio fenológico que proporcionasse maior exatidão à classe café, entretanto ao incluir os atributos texturais, a exatidão da classe café melhorou para 76%. Assim, observa-se que atributos texturais mostraram-se importantes para detecção automática de áreas cafeeiras.
id UFLA_10a9db8cee8f02e2a191bf817ffc75f7
oai_identifier_str oai:localhost:1/13602
network_acronym_str UFLA
network_name_str Repositório Institucional da UFLA
repository_id_str
spelling Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminaçãoCoffee crop detection by automatic classification using spectral and textural attributes and illumination factorSensoriamento remotoMissão topográfica radar shuttleLandsat-8Remote sensingSRTMShuttle Radar Topography Mission (SRTM)O café, importante produto nas exportações brasileiras, necessita de constante monitoramento para que os sistemas de previsão de safras existentes sejam confiáveis. Imagens orbitais de média resolução espacial são ferramentas com grande potencial para mapeamento do uso do solo e identificação de culturas agrícolas. Nesta pesquisa, visando o mapeamento de áreas cafeeiras, avaliou-se o desempenho da classificação baseada em objetos, associada a técnicas de mineração de dados, aplicada em imagens OLI/Landsat-8. Foram feitas três classificações automáticas, a primeira constando exclusivamente atributos espectrais, a segunda acrescentando atributos texturais e a terceira, incluindo também classes de iluminação do terreno. Foram utilizadas seis imagens multiespectrais, datadas de três diferentes estádios fenológicos da cultura: frutificação, granação e repouso. A validação das classificações foi feita por meio do Método de Monte Carlo utilizando como referência mapas visualmente interpretados. As classificações feitas exclusivamente com atributos espectrais resultaram, para a classe café, exatidão média de 57%. Não houve estádio fenológico que proporcionasse maior exatidão à classe café, entretanto ao incluir os atributos texturais, a exatidão da classe café melhorou para 76%. Assim, observa-se que atributos texturais mostraram-se importantes para detecção automática de áreas cafeeiras.Coffee, an important product in Brazilian exports, needs constant monitoring, so that systems and forecasting of existing crops can be reliable. Orbital imagery of medium spatial resolution are tools with great potential for land use mapping and identification of agricultural crops. This research evaluated the performance of the object based classification, applied in OLI/Landsat-8 images, with the purpose of mapping of coffee crops. Three analyzes were made, the first one using exclusively spectral attribute, the second one including textural attributes and the third also considering illumination classes. Six OLI/Landsat-8 multispectral images were used, representing three different coffee phenological stages: fructification, graining and rest. The validation of the classifications was performed by the Monte Carlo method using reference images obtained by visual interpretation. The classification using exclusively spectral attributes resulted an accuracy of 57% for coffee class. There was no phenological stage that provided greater accuracy to the coffee class in the automatic classification of OLI/Landsat-8 images. The results demonstrate that texture is important for coffee detection, thus visual interpretation remains an important step to minimize classification errors.2017-06-042017-08-01T20:06:10Z2017-08-01T20:06:10Z2017-08-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfapplication/pdfhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/1176http://repositorio.ufla.br/jspui/handle/1/13602Coffee Science; v. 12, n. 2 (2017); 164-175Coffee Science; v. 12, n. 2 (2017); 164-175Coffee Science; v. 12, n. 2 (2017); 164-1751984-39091809-6875reponame:Repositório Institucional da UFLAinstname:Universidade Federal de Lavras (UFLA)instacron:UFLAporhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/1176/pdf_1176_3http://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/1176/1622Direitos autorais 2017 Coffee ScienceAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessMarujo, Rennan de Freitas BezerraMoreira, Maurício AlvesVolpato, Margarete Marin LordeloAlves, Helena Maria RamosMarujo, Rennan de Freitas BezerraMoreira, Maurício AlvesVolpato, Margarete Marin Lordelo2021-03-03T18:35:19Zoai:localhost:1/13602Repositório InstitucionalPUBhttp://repositorio.ufla.br/oai/requestnivaldo@ufla.br || repositorio.biblioteca@ufla.bropendoar:2021-03-03T18:35:19Repositório Institucional da UFLA - Universidade Federal de Lavras (UFLA)false
dc.title.none.fl_str_mv Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação
Coffee crop detection by automatic classification using spectral and textural attributes and illumination factor
title Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação
spellingShingle Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação
Marujo, Rennan de Freitas Bezerra
Sensoriamento remoto
Missão topográfica radar shuttle
Landsat-8
Remote sensing
SRTM
Shuttle Radar Topography Mission (SRTM)
title_short Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação
title_full Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação
title_fullStr Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação
title_full_unstemmed Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação
title_sort Mapeamento da cultura cafeeira por meio de classificação automática utilizando atributos espectrais, texturais e fator de iluminação
author Marujo, Rennan de Freitas Bezerra
author_facet Marujo, Rennan de Freitas Bezerra
Moreira, Maurício Alves
Volpato, Margarete Marin Lordelo
Alves, Helena Maria Ramos
author_role author
author2 Moreira, Maurício Alves
Volpato, Margarete Marin Lordelo
Alves, Helena Maria Ramos
author2_role author
author
author
dc.contributor.author.fl_str_mv Marujo, Rennan de Freitas Bezerra
Moreira, Maurício Alves
Volpato, Margarete Marin Lordelo
Alves, Helena Maria Ramos
Marujo, Rennan de Freitas Bezerra
Moreira, Maurício Alves
Volpato, Margarete Marin Lordelo
dc.subject.por.fl_str_mv Sensoriamento remoto
Missão topográfica radar shuttle
Landsat-8
Remote sensing
SRTM
Shuttle Radar Topography Mission (SRTM)
topic Sensoriamento remoto
Missão topográfica radar shuttle
Landsat-8
Remote sensing
SRTM
Shuttle Radar Topography Mission (SRTM)
description O café, importante produto nas exportações brasileiras, necessita de constante monitoramento para que os sistemas de previsão de safras existentes sejam confiáveis. Imagens orbitais de média resolução espacial são ferramentas com grande potencial para mapeamento do uso do solo e identificação de culturas agrícolas. Nesta pesquisa, visando o mapeamento de áreas cafeeiras, avaliou-se o desempenho da classificação baseada em objetos, associada a técnicas de mineração de dados, aplicada em imagens OLI/Landsat-8. Foram feitas três classificações automáticas, a primeira constando exclusivamente atributos espectrais, a segunda acrescentando atributos texturais e a terceira, incluindo também classes de iluminação do terreno. Foram utilizadas seis imagens multiespectrais, datadas de três diferentes estádios fenológicos da cultura: frutificação, granação e repouso. A validação das classificações foi feita por meio do Método de Monte Carlo utilizando como referência mapas visualmente interpretados. As classificações feitas exclusivamente com atributos espectrais resultaram, para a classe café, exatidão média de 57%. Não houve estádio fenológico que proporcionasse maior exatidão à classe café, entretanto ao incluir os atributos texturais, a exatidão da classe café melhorou para 76%. Assim, observa-se que atributos texturais mostraram-se importantes para detecção automática de áreas cafeeiras.
publishDate 2017
dc.date.none.fl_str_mv 2017-06-04
2017-08-01T20:06:10Z
2017-08-01T20:06:10Z
2017-08-01
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/1176
http://repositorio.ufla.br/jspui/handle/1/13602
url http://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/1176
http://repositorio.ufla.br/jspui/handle/1/13602
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/1176/pdf_1176_3
http://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/1176/1622
dc.rights.driver.fl_str_mv Direitos autorais 2017 Coffee Science
Attribution 4.0 International
http://creativecommons.org/licenses/by/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Direitos autorais 2017 Coffee Science
Attribution 4.0 International
http://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.source.none.fl_str_mv Coffee Science; v. 12, n. 2 (2017); 164-175
Coffee Science; v. 12, n. 2 (2017); 164-175
Coffee Science; v. 12, n. 2 (2017); 164-175
1984-3909
1809-6875
reponame:Repositório Institucional da UFLA
instname:Universidade Federal de Lavras (UFLA)
instacron:UFLA
instname_str Universidade Federal de Lavras (UFLA)
instacron_str UFLA
institution UFLA
reponame_str Repositório Institucional da UFLA
collection Repositório Institucional da UFLA
repository.name.fl_str_mv Repositório Institucional da UFLA - Universidade Federal de Lavras (UFLA)
repository.mail.fl_str_mv nivaldo@ufla.br || repositorio.biblioteca@ufla.br
_version_ 1815439200331235328