Multitemporal variables for the mapping of coffee cultivation areas

AUTOR(ES)
FONTE

Pesq. agropec. bras.

DATA DE PUBLICAÇÃO

07/10/2019

RESUMO

Resumo: O objetivo deste trabalho foi propor uma nova metodologia para o mapeamento de áreas cafeeiras que inclui dados multitemporais como parâmetros de entrada no processo de classificação, por meio de uma série temporal NDVI do Landsat TM, juntamente com uma abordagem de classificação orientada a objeto. O algoritmo BFAST foi utilizado para a análise dos perfis temporais de café, pastagem e vegetação nativa, aliada à análise da imagem baseada em objetos geográficos. Para a classificação, utilizaram-se as seguintes variáveis multitemporais derivadas do pacote greenbrown R: média, tendência e sazonalidade. Os resultados mostraram que o café, a pastagem e a vegetação nativa têm comportamentos temporais distintos, o que corrobora o uso destes dados como variáveis de entrada para o mapeamento. As classificações com uso das variáveis temporais, associadas a dados espectrais, obtiveram altos índices de acurácia global com 93% de acerto. Quando utilizados somente os dados temporais, as classificações ainda mostraram um percentual de acerto acima de 80%. Dados oriundos de séries temporais do Landsat TM são eficientes para o mapeamento de áreas de cultivo cafeeiro, diminuindo a confusão entre os alvos e tornando o processo de classificação mais preciso, o que contribui para a caracterização e o mapeamento de objetos derivados de uma imagem RapidEye, com alta resolução espacial.Abstract: The objective of this work was to propose a new methodology for mapping coffee cropping areas that includes multitemporal data as input parameters in the classification process, by using the Landsat TM NDVI time series, together with an object-oriented classification approach. The algorithm BFAST was used to analyze coffee, pasture, and native vegetation temporal profiles, allied to a geographic object-based image analysis (GEOBIA) for mapping. The following multitemporal variables derived from the R package greenbrown were used for classification: mean, trend, and seasonality. The results showed that coffee, pasture, and native vegetation have different temporal behaviors, which corroborates the use of these data as input variables for mapping. The classifications using temporal variables, associated with spectral data, achieved high-global accuracy rates with 93% hit. When using only temporal data, ratings also showed a hit percentage above 80% accuracy. Data derived from Landsat TM time series are efficient for mapping coffee cropping areas, reducing confusion between targets and making the classification process more accurate, contributing to a correct characterization and mapping of objects derived from a RapidEye image, with a high spatial solution.

Documentos Relacionados