Análise comparativa dos métodos de classificação de imagem de alta resolução para mapeamento da cobertura do solo

• Autor(a) principal: Jonas Antonio Vieira Junior
• Data de Publicação: 2011
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/BUBD-955MNT
• topic: Geoprocessamento; Sistemas de informação geográfica ; Solos ; Sensoriamento remoto

O uso de imagens de satélites de sensoriamento remoto tem sido amplamente aplicado em projetos de mapeamento de uso do solo. Apontada como uma das alternativas viáveis para este tipo de trabalho, a classificação de imagens tem se apresentado como uma técnica de grande contribuição no que diz respeito à otimização de tempo na produção e ao ganho de qualidade dos produtos cartográficos. Nesse contexto, o objetivo desse trabalho é comparar os resultados da classificação supervisionada de imagens do satélite SPOT 5 com resolução espacial de 2,5 metros, da região de São Félix do Xingu/PA a partir de três métodos de classificação: Máxima Verossimilhança (MaxVer), Distância de Bhattacharya e Orientada a Objetos. Após realizado o pré-processamento, as correções geométricas e correções radiométricas na imagem, passou-se à coleta de amostras das classes de mapeamento do uso do solo, tais como: solo exposto/uso agropecuário, formação florestal, áreas de pousio, corpos dágua e afloramento rochoso. Nas etapas seguintes, realizou-se a avaliação da amostragem das classes utilizando o coeficiente Kappa, calculado manualmente para cada resultado da classificação. Deste modo, a classificação proveniente do algoritmo de Máxima Verossimilhança alcançou 0,636 no índice Kappa, seguido pela Distância de Bhattacharyya com 0,717 e Orientada a Objetos em torno de 0,741. Observou-se que o método MaxVer apresentou uma série de ruídos em todas as classes e confusão entre classes afloramento e solo exposto. O resultado obtido com o classificador Distância de Bhattacharyya manteve melhor consistência nas áreas próximas das amostras de treinamento, porém superestimou a existência de classes em regiões não amostradas. Finalmente, o algoritmo de classificação Orientada a Objetos representou melhor a informação extraída, visto a baixa confusão e a facilidade de correção na etapa pós-classificação.