CLASSIFICAÇÃO AUTOMÁTICA DE IMAGEM DO SATÉLITE RAPIDEYE PARA O MAPEAMENTO DE ÁREAS CAFEEIRAS EM CARMO DE MINAS, MG

Abstract

O mapeamento de áreas cafeeiras é o primeiro passo para estimar a produção e propor modelos de previsãodas safras, monitoramento ambiental e planejamento sustentável do agronegócio café. Estudos atuais descrevem metodologias de mapeamentos utilizando imagens de satélite. Recentemente foi lançado o sistema RapidEye, uma constelação de cinco satélites que carregam sensores com resolução espacial de 5 m e possibilidade de revisita na mesma área em períodos de 24 horas a 5,5 dias. O objetivo do presente estudo foi testar metodologias de classificação automática em uma imagem RapidEye visando o mapeamento de áreas cafeeiras em região de relevo fortemente ondulado. A resposta espectral da cafeicultura na imagem RapidEye apresentou-se bastante complexa em função das variáveis culturais e do ambiente. A precisão do mapeamento pelo método MAXVER editado foi considerada boa, com índice Kappa de 73%. A classe temática café foi bem mapeada por esse método. Para melhorar a qualidade do mapeamento automático de áreas cafeeiras é imprescindível o auxílio da interpretação visual e campanhas de campo para conferência da resposta espectral presentes na imagem RapidEye.

The mapping of coffee lands is the first step to estimate production and propose crop production forecast models, environmental monitoring and sustainable planning of the coffee agribusiness. State-of-the-art studies describe mapping methodologies that use satellite images. Recently, the satellite system RapidEye - a constellation of five satellites with a unique combination of large area coverage, high spatial resolution (5 m) and the possibility of daily revisit to an area providing for superior management information solutions, have been launched. The aim of this work is to test automatic classification methodologies in a RapidEye image to map coffee lands in an area of undulating relief. Coffee’s spectral in the RapidEye image is very complex due to the crop’s and to environmental variables. Mapping accuracy of the edited MAXVER classification is considered good, with a Kappa index of 73%. Coffee lands were well mapped by the method. To improve the quality of automatic mapping of coffee lands, visual interpretation and field checks of spectral responses in the RapidEye image are indispensable.