REDES NEURAIS ARTIFICIAIS NA CLASSIFICAÇÃO DE ÁREAS CAFEEIRAS DA REGIÃO DE GUAXUPÉ

Abstract

A cultura cafeeira tem o padrão espectral muito próximo ao da mata, dificultando a classificação automática dessas classes uso da terra. A aplicação de Redes Neurais Artificiais (RNA) na classificação de dados de Sensoriamento Remoto tem se mostrado uma abordagem promissora na discriminação de classes de maior complexidade. No presente trabalho foram utilizadas três bandas espectrais da imagem do satélite SPOT da região de Guaxupé, MG. O software utilizado para o processamento das imagens e classificação foi o IDRISI. Este trabalho visa à avaliação do uso de RNA para classificação automática de áreas cafeeiras em imagens de alta resolução espectral. Para validação dos mapas obtidos pela classificação, realizou-se o cruzamento do mapa de uso e ocupação da terra por classificação visual com o gerado pela RNA. Em relação ao mapa de referência, o índice Kappa (k) do mapa classificado pela RNA ficou em 71,85%, é considerado um índice bom. A metodologia de redes neurais artificiais multilayer perceptron (MLP) apresentou um bom resultado, porém é necessário que se utilize outros dados de entrada para a RNA, uma vez que somente as bandas espectrais não são suficientes para uma classificação otimizada.

Coffee has a similar spectral pattern to forest, making it difficult to automatically classify these land uses. The application of artificial neural networks (ANN) to the classification of remotely sensed data is a promising approach in discriminating more complex classes of land use/cover. In this work, three spectral bands of the SPOT satellite image of the Guaxupé-MG region were used. IDRISI software was used to process and classify the images. The objective of this work is to evaluate the use of ANN to automatically classify coffee lands in high resolution spectral images. To validate the maps obtained from the classification, the land use/occupation map generated by visual classification was overlapped with the map generated by the ANN. In relation to the reference map, the Kappa (k) of the ANN map was 71,85%, which is considered good. The ANN multilayer perceptron methodology presented a good result. However, it is necessary to use other input data to the network, since only the spectral bands are insufficient to carry out an optimized classification.