Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
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...
Main Authors: | , , , , |
---|---|
Format: | Article |
Language: | English |
Published: |
Universidade Federal do Rio de Janeiro
2020-04-01
|
Series: | Anuário do Instituto de Geociências |
Subjects: | |
Online Access: | http://www.anuario.igeo.ufrj.br/2020_01/2020_01_33_41.pdf |
id |
doaj-f289d9e9c5804a8d9cef282eb86a9880 |
---|---|
record_format |
Article |
spelling |
doaj-f289d9e9c5804a8d9cef282eb86a98802020-11-25T03:10:22ZengUniversidade Federal do Rio de JaneiroAnuário do Instituto de Geociências1982-39080101-97592020-04-014313341http://dx.doi.org/10.11137/2020_1_33_41Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, BrasilDanila Mendes Durães0Carlos Magno Moreira de Oliveira1Rafael Coll Delgado2Vitor Marques Vida3Inácio Barbosa Borges4Instituto Federal do Norte de Minas GeraisInstituto Federal do Norte de Minas GeraisUniversidade Federal Rural do Rio de JaneiroInstituto Federal GoianoInstituto Federal do Norte de Minas GeraisA 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.http://www.anuario.igeo.ufrj.br/2020_01/2020_01_33_41.pdfagriculturaclassificação supervisionadaaprendizado de máquina |
collection |
DOAJ |
language |
English |
format |
Article |
sources |
DOAJ |
author |
Danila Mendes Durães Carlos Magno Moreira de Oliveira Rafael Coll Delgado Vitor Marques Vida Inácio Barbosa Borges |
spellingShingle |
Danila Mendes Durães Carlos Magno Moreira de Oliveira Rafael Coll Delgado Vitor Marques Vida Inácio Barbosa Borges Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil Anuário do Instituto de Geociências agricultura classificação supervisionada aprendizado de máquina |
author_facet |
Danila Mendes Durães Carlos Magno Moreira de Oliveira Rafael Coll Delgado Vitor Marques Vida Inácio Barbosa Borges |
author_sort |
Danila Mendes Durães |
title |
Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil |
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 |
publisher |
Universidade Federal do Rio de Janeiro |
series |
Anuário do Instituto de Geociências |
issn |
1982-3908 0101-9759 |
publishDate |
2020-04-01 |
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. |
topic |
agricultura classificação supervisionada aprendizado de máquina |
url |
http://www.anuario.igeo.ufrj.br/2020_01/2020_01_33_41.pdf |
work_keys_str_mv |
AT danilamendesduraes mapeamentodeareasagricolascommaquinadevetordesuportenonoroestedeminasgeraisbrasil AT carlosmagnomoreiradeoliveira mapeamentodeareasagricolascommaquinadevetordesuportenonoroestedeminasgeraisbrasil AT rafaelcolldelgado mapeamentodeareasagricolascommaquinadevetordesuportenonoroestedeminasgeraisbrasil AT vitormarquesvida mapeamentodeareasagricolascommaquinadevetordesuportenonoroestedeminasgeraisbrasil AT inaciobarbosaborges mapeamentodeareasagricolascommaquinadevetordesuportenonoroestedeminasgeraisbrasil |
_version_ |
1724658997072494592 |