Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil

Detalhes bibliográficos
Autor(a) principal: Durães, Danila Mendes
Data de Publicação: 2020
Outros Autores: Oliveira, Carlos Magno Moreira de, Delgado, Rafael Coll, Vidal, Vitor Marques, Borges, Inácio Barbosa
Tipo de documento: Artigo
Idioma: por
Título da fonte: Anuário do Instituto de Geociências (Online)
Texto Completo: https://revistas.ufrj.br/index.php/aigeo/article/view/34034
Resumo: A agricultura é um dos setores que mais se destaca na economia do Brasil, sendo necessário muitas vezes o emprego do sensoriamento remoto, para identificação da expansão das áreas agrícolas e estimativas da sua produção. Esse trabalho tem por objetivo mapear as áreas agrícolas do noroeste de Minas Gerais por meio de máquina de vetor de suporte e comparar os resultados obtidos com o censo estatístico do Instituto Brasileiro de Geografia e Estatística. Para identificação das áreas agrícolas foi utilizado o algoritmo Service Vector Machine e imagens dos satélites e sensores Landsat 8 / OLI e Terra / MODIS. As amostras de treinamento do algoritmo foram obtidas por meio de imagem de alta resolução espacial, disponível no programa Google Earth Pro, nas classes rios, floresta, agricultura, pastagem e silvicultura. O mapeamento utilizando imagem do sensor OLI apresentou melhor Acurácia Global (0,81) e Kappa (0,66). A classificação com imagem OLI e MODIS apresentaram maior precisão na classe agricultura quando comparada as demais classes, apresentando confusão com pastagem, em decorrência da alta fitomassa da pastagem na época de aquisição das imagens (verão). O cálculo das áreas agrícolas demonstra superestimativa do Service Vector Machine (SVM) na classificação das imagens OLI e MODIS, com forte relação dos dados MODIS com o censo do IBGE (R²=0,83). Apenas municípios com áreas agrícolas superiores a 50.000 ha apresentaram menor erro na estimativa das áreas agrícolas. A aplicação do algoritmo mostra-se potencial para mapeamento da agricultura por meio de imagens dos sensores MODIS e OLI, porém deve-se avaliar a época de aquisição das imagens orbitais e variações nos parâmetros do algoritmo para melhorar a acurácia da classificação.
id UFRJ-21_42075a346dc3eda7f1ce00b51ac633b1
oai_identifier_str oai:www.revistas.ufrj.br:article/34034
network_acronym_str UFRJ-21
network_name_str Anuário do Instituto de Geociências (Online)
repository_id_str
spelling Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, BrasilAgricultura; Classificação supervisionada; Aprendizado de máquinaA agricultura é um dos setores que mais se destaca na economia do Brasil, sendo necessário muitas vezes o emprego do sensoriamento remoto, para identificação da expansão das áreas agrícolas e estimativas da sua produção. Esse trabalho tem por objetivo mapear as áreas agrícolas do noroeste de Minas Gerais por meio de máquina de vetor de suporte e comparar os resultados obtidos com o censo estatístico do Instituto Brasileiro de Geografia e Estatística. Para identificação das áreas agrícolas foi utilizado o algoritmo Service Vector Machine e imagens dos satélites e sensores Landsat 8 / OLI e Terra / MODIS. As amostras de treinamento do algoritmo foram obtidas por meio de imagem de alta resolução espacial, disponível no programa Google Earth Pro, nas classes rios, floresta, agricultura, pastagem e silvicultura. O mapeamento utilizando imagem do sensor OLI apresentou melhor Acurácia Global (0,81) e Kappa (0,66). A classificação com imagem OLI e MODIS apresentaram maior precisão na classe agricultura quando comparada as demais classes, apresentando confusão com pastagem, em decorrência da alta fitomassa da pastagem na época de aquisição das imagens (verão). O cálculo das áreas agrícolas demonstra superestimativa do Service Vector Machine (SVM) na classificação das imagens OLI e MODIS, com forte relação dos dados MODIS com o censo do IBGE (R²=0,83). Apenas municípios com áreas agrícolas superiores a 50.000 ha apresentaram menor erro na estimativa das áreas agrícolas. A aplicação do algoritmo mostra-se potencial para mapeamento da agricultura por meio de imagens dos sensores MODIS e OLI, porém deve-se avaliar a época de aquisição das imagens orbitais e variações nos parâmetros do algoritmo para melhorar a acurácia da classificação.Universidade Federal do Rio de JaneiroDurães, Danila MendesOliveira, Carlos Magno Moreira deDelgado, Rafael CollVidal, Vitor MarquesBorges, Inácio Barbosa2020-04-23info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/view/3403410.11137/2020_1_33_41Anuário do Instituto de Geociências; Vol 43, No 1 (2020); 33-41Anuário do Instituto de Geociências; Vol 43, No 1 (2020); 33-411982-39080101-9759reponame:Anuário do Instituto de Geociências (Online)instname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJporhttps://revistas.ufrj.br/index.php/aigeo/article/view/34034/19030Copyright (c) 2020 Anuário do Instituto de Geociênciashttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2020-08-12T18:39:38Zoai:www.revistas.ufrj.br:article/34034Revistahttps://revistas.ufrj.br/index.php/aigeo/indexPUBhttps://revistas.ufrj.br/index.php/aigeo/oaianuario@igeo.ufrj.br||1982-39080101-9759opendoar:2020-08-12T18:39:38Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
title Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
spellingShingle Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
Durães, Danila Mendes
Agricultura; Classificação supervisionada; Aprendizado de máquina
title_short Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
title_full Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
title_fullStr Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
title_full_unstemmed Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
title_sort Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
author Durães, Danila Mendes
author_facet Durães, Danila Mendes
Oliveira, Carlos Magno Moreira de
Delgado, Rafael Coll
Vidal, Vitor Marques
Borges, Inácio Barbosa
author_role author
author2 Oliveira, Carlos Magno Moreira de
Delgado, Rafael Coll
Vidal, Vitor Marques
Borges, Inácio Barbosa
author2_role author
author
author
author
dc.contributor.none.fl_str_mv
dc.contributor.author.fl_str_mv Durães, Danila Mendes
Oliveira, Carlos Magno Moreira de
Delgado, Rafael Coll
Vidal, Vitor Marques
Borges, Inácio Barbosa
dc.subject.por.fl_str_mv Agricultura; Classificação supervisionada; Aprendizado de máquina
topic Agricultura; Classificação supervisionada; Aprendizado de máquina
description A agricultura é um dos setores que mais se destaca na economia do Brasil, sendo necessário muitas vezes o emprego do sensoriamento remoto, para identificação da expansão das áreas agrícolas e estimativas da sua produção. Esse trabalho tem por objetivo mapear as áreas agrícolas do noroeste de Minas Gerais por meio de máquina de vetor de suporte e comparar os resultados obtidos com o censo estatístico do Instituto Brasileiro de Geografia e Estatística. Para identificação das áreas agrícolas foi utilizado o algoritmo Service Vector Machine e imagens dos satélites e sensores Landsat 8 / OLI e Terra / MODIS. As amostras de treinamento do algoritmo foram obtidas por meio de imagem de alta resolução espacial, disponível no programa Google Earth Pro, nas classes rios, floresta, agricultura, pastagem e silvicultura. O mapeamento utilizando imagem do sensor OLI apresentou melhor Acurácia Global (0,81) e Kappa (0,66). A classificação com imagem OLI e MODIS apresentaram maior precisão na classe agricultura quando comparada as demais classes, apresentando confusão com pastagem, em decorrência da alta fitomassa da pastagem na época de aquisição das imagens (verão). O cálculo das áreas agrícolas demonstra superestimativa do Service Vector Machine (SVM) na classificação das imagens OLI e MODIS, com forte relação dos dados MODIS com o censo do IBGE (R²=0,83). Apenas municípios com áreas agrícolas superiores a 50.000 ha apresentaram menor erro na estimativa das áreas agrícolas. A aplicação do algoritmo mostra-se potencial para mapeamento da agricultura por meio de imagens dos sensores MODIS e OLI, porém deve-se avaliar a época de aquisição das imagens orbitais e variações nos parâmetros do algoritmo para melhorar a acurácia da classificação.
publishDate 2020
dc.date.none.fl_str_mv 2020-04-23
dc.type.none.fl_str_mv

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 https://revistas.ufrj.br/index.php/aigeo/article/view/34034
10.11137/2020_1_33_41
url https://revistas.ufrj.br/index.php/aigeo/article/view/34034
identifier_str_mv 10.11137/2020_1_33_41
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/34034/19030
dc.rights.driver.fl_str_mv Copyright (c) 2020 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2020 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.source.none.fl_str_mv Anuário do Instituto de Geociências; Vol 43, No 1 (2020); 33-41
Anuário do Instituto de Geociências; Vol 43, No 1 (2020); 33-41
1982-3908
0101-9759
reponame:Anuário do Instituto de Geociências (Online)
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Anuário do Instituto de Geociências (Online)
collection Anuário do Instituto de Geociências (Online)
repository.name.fl_str_mv Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv anuario@igeo.ufrj.br||
_version_ 1797053540621877248