Utilização da técnica por componentes principais (acp) e fator de iluminação, no mapeamento da cultura do café em relevo montanhoso

Abstract

O objetivo deste trabalho foi avaliar as informações obtidas das imagens do satélite Landsat/TM5, utilizando técnicas de Análise por Componentes Principais (ACP) e Fator de Iluminação oriundo de um Modelo de Elevação do Terreno, calculado a partir de imagens ASTER, no mapeamento de áreas de café em terreno montanhoso. As imagens utilizadas (três) foram corrigidas para o efeito da atmosfera e cobriram, temporalmente, o ciclo da cultura. Foram calculadas as componentes principais e escolhidas as duas primeiras, as quais possuíam 94% das informações, para a definição das amostras. As amostras resultantes da ACP foram utilizadas na classificação supervisionada cujo resultado foi comparado com uma classificação convencional e uma classificação multitemporal convencional. A acurácia das classificações foi realizada por meio do cálculo da Exatidão Global e do Coeficiente Kappa, tendo como base uma máscara da área cafeeira da região. Os resultados mostraram que a técnica de ACP foi efetiva no estabelecimento de classes de iluminação, assim como na escolha das amostras, apesar de estas não terem representado a área efetivamente classificada. Em função disto, as classificações foram mais acuradas, principalmente aquela que considerou todos os pixels de cada imagem classificada individualmente pelo método da ACP, confirmando a importância do aspecto multitemporabilidade .The main goal of this study was to evaluate the information produced from Landsat/TM5 images using Principal Component Analysis (PCA) and Illumination Factor built from Digital Elevation Model from ASTER images for coffee areas mapping in complex relief. Three Landsat images were used to monitor the crop cycle. The Principal Component Analysis was applied to the Landsat images and the two first components were chosen, responsible for 94% of the initial information, and used as a sample set for the supervised classification of those images. That classification was compared with a conventional supervised classification (sampled from Landsat reflectance images) and multitemporal conventional supervised classification (using the three images). The accuracies of the classifications were calculated by Kappa index of agreement and Global Accuracy, using a coffee mask as reference. The results have shown that PCA was very efficient in illumination class definition as well as in sample choice, despite the samples had not represented the area classified. Due to that, the accuracy has increased, specially the one considering all the pixels classified as coffee in each image using PCA samples, demonstrating the importance of the multitemporal aspect.