Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil

Autores

  • Danila Mendes Durães Instituto Federal do Norte de Minas Gerais – Campus Arinos. Rodovia MG 202, Km 407, s/n Zona Rural, 38680-000, Arinos – MG - Brasil
  • Carlos Magno Moreira de Oliveira Instituto Federal do Norte de Minas Gerais – Campus Arinos. Rodovia MG 202, Km 407, s/n Zona Rural, 38680-000, Arinos – MG - Brasil
  • Rafael Coll Delgado Universidade Federal Rural do Rio de Janeiro, Instituto de Florestas, Departamento de Ciências Ambientais. BR 465, km 7, 23890-000, Seropédica – RJ – Brasil
  • Vitor Marques Vidal Instituto Federal Goiano – Campus Rio Verde. Rua Sul Goiâna, Km 01, Zona Rural, 75901-970, Rio Verde – Go – Brasil
  • Inácio Barbosa Borges Instituto Federal do Norte de Minas Gerais – Campus Arinos. Rodovia MG 202, Km 407, s/n Zona Rural, 38680-000, Arinos – MG - Brasil

DOI:

https://doi.org/10.11137/2020_1_33_41

Palavras-chave:

Agricultura, Classificação supervisionada, Aprendizado de máquina

Resumo

A agricultura é um dos setores que mais se destaca na economia do Brasil, sendo necessário muitas vezes o emprego do sensoriamento remoto, para identificação da expansão das áreas agrícolas e estimativas da sua produção. Esse trabalho tem por objetivo mapear as áreas agrícolas do noroeste de Minas Gerais por meio de máquina de vetor de suporte e comparar os resultados obtidos com o censo estatístico do Instituto Brasileiro de Geografia e Estatística. Para identificação das áreas agrícolas foi utilizado o algoritmo Service Vector Machine e imagens dos satélites e sensores Landsat 8 / OLI e Terra / MODIS. As amostras de treinamento do algoritmo foram obtidas por meio de imagem de alta resolução espacial, disponível no programa Google Earth Pro, nas classes rios, floresta, agricultura, pastagem e silvicultura. O mapeamento utilizando imagem do sensor OLI apresentou melhor Acurácia Global (0,81) e Kappa (0,66). A classificação com imagem OLI e MODIS apresentaram maior precisão na classe agricultura quando comparada as demais classes, apresentando confusão com pastagem, em decorrência da alta fitomassa da pastagem na época de aquisição das imagens (verão). O cálculo das áreas agrícolas demonstra superestimativa do Service Vector Machine (SVM) na classificação das imagens OLI e MODIS, com forte relação dos dados MODIS com o censo do IBGE (R²=0,83). Apenas municípios com áreas agrícolas superiores a 50.000 ha apresentaram menor erro na estimativa das áreas agrícolas. A aplicação do algoritmo mostra-se potencial para mapeamento da agricultura por meio de imagens dos sensores MODIS e OLI, porém deve-se avaliar a época de aquisição das imagens orbitais e variações nos parâmetros do algoritmo para melhorar a acurácia da classificação.

Downloads

Publicado

2020-04-23

Edição

Seção

Artigos