Navegando por Autor "Sarmiento, Christiany Mattioli"

Agora exibindo 1 - 2 de 2

Comparação de classificadores supervisionados na discriminação de áreas cafeeiras em Campos Gerais - Minas Gerais
(Editora UFLA, 2014-10) Sarmiento, Christiany Mattioli; Ramirez, Gláucia Miranda; Coltri, Priscila Pereira; Lima e Silva, Luis Felipe; Nassur, Otávio Augusto Carvalho; Soares, Jefferson Francisco
O uso de técnicas de sensoriamento remoto orbital representa um significativo avanço para os levantamentos de dados da cafeicultura, principalmente visando a complementação das técnicas utilizadas atualmente. Objetivou-se,neste trabalho, mapear áreas cafeeiras em imagens de alta resolução, a partir de métodos de classificação por análise de imagens orientada a objeto, com os algoritmos k nearest neighbor (KNN), support vector machine (SVM) e pixel-a-pixel, com o algoritmo maximum likelihood (Maxver). A área de estudo foi mapeada, em duas classes: ‘café’ e ‘outros usos’. Realizou- se a análise da exatidão dos mapeamentos a partir da comparação com o mapa de referência da área e foi constatado que a classificação pixel a pixel, pelo método maximum likelihood, obteve os melhores resultados, com 0,78 de índice kappa e 94,61% de exatidão. Conclui-se, a partir deste estudo que o método pixel a pixel do algoritmo Maxver mostra-se mais eficiente para discriminar café, quando se considera somente dois tipos de uso da terra, café e não café, em imagens de alta resolução
Mapeamento e caracterização de áreas cafeeiras utilizando imagens de alta resolução espacial
(Universidade Federal de Lavras, 2013-09-24) Sarmiento, Christiany Mattioli; Ramirez, Gláucia Miranda
O café sempre foi sinônimo de progresso e contribuiu de maneira decisiva para a industrialização do país e, ainda hoje, é um dos produtos mais importantes na agricultura. No Brasil, a obtenção de informações oficiais referentes à cultura é realizada pela CONAB e pelo IBGE que utilizam informações municipais obtidas por meio da aplicação de questionários padrões. Os dados coletados seguindo esta metodologia são bastante suscetíveis a erros de análise humana, por isso torna-se necessário a ampliação de pesquisas que permitam caracterizar e localizar áreas com plantios de café de maneira mais rápida, precisa e com custos menores. Dentre as técnicas que podem ser consideradas neste contexto, o sensoriamento remoto é uma das que possuem um grande potencial de aplicação, representando um avanço significativo no levantamento de dados, no monitoramento e no planejamento agrícola. Considerando a dimensão da cafeicultura para o país e sabendo da disponibilidade da tecnologia de sensoriamento remoto fazem-se necessários estudos que viabilizem o emprego de imagens de satélite para automatizar a aquisição de dados sobre a cultura. . Objetivou-se com este estudo mapear áreas cafeeiras a partir de métodos de classificação por análise de imagens orientada ao objeto e pixel-a-pixel no município de Campos Gerais - MG utilizando imagem de alta resolução espacial do satélite QUICKBIRD. O estudo foi dividido em duas partes, sendo que o objetivo da primeira foi discriminar classes de café de outros usos do solo; e o da segunda parte foi realizar o mapeamento de uso e ocupação da terra considerando classes de porcentagem de cobertura do terreno pelas plantas de café. Realizou-se primeiramente a discriminação de áreas "café" e "outros usos" a partir de técnicas de análise de imagem orientada ao objeto onde foram utilizados os algoritmos k nearest neighbor e support vector machine. Para fins de comparação, foram realizadas técnicas de classificação pixel a pixel utilizando o algoritmo maximum likelihood. A partir destas informações, analisou-se a exatidão resultante dos mapeamentos em comparação com o mapa de referência da área e foi constatado que a classificação pixel a pixel por maximum likelihood obteve os melhores resultados, com 0,78 de índice kappa e 94,61% de exatidão. Na segunda parte do estudo foram coletados dados referentes a 17 talhões da propriedade estudada a fim de categorizar o uso café em classes segundo sua porcentagem de cobertura. As classes consideradas foram: café classe 1 (30-36%), café classe 2 (45-50%), café classe 3 (50-54%), café classe 4 (> 54%), solo exposto, mata, pastagem e corpos d água. Foi realizado o mapeamento do uso e ocupação da terra utilizando análises de imagem orientada a objetos (empregando os algoritmos k nearest neighbor e support vector machine) e classificação pixel a pixel (empregando algoritmo maximum likelihood). Os resultados apontaram que a análise de imagens orientada a objetos utilizando o algoritmo k nearest neighbor, foi o melhor método para mapeamento de uso e ocupação da terra considerando as classes de porcentagem de cobertura do terreno, com índice kappa 0,76 e exatidão global 86,34%.