A cafeicultura é uma das principais culturas agrícolas do Brasil e realizar o mapeamento e monitoramento desta cultura é fundamental para conhecer sua distribuição espacial. Porém, mapear estas áreas utilizando imagens de Sensoriamento Remoto não é uma tarefa fácil. Sendo assim, este trabalho foi realizado com o objetivo de comparar o uso de diferentes variáveis e algoritmos de classificação para o mapeamento de áreas cafeeiras. O trabalho foi desenvolvido em três áreas diferentes, que são bastante significativas na produção de café. Foram utilizados 5 algoritmos de aprendizagem de máquinas e 7 combinações de variáveis: espectrais, texturais e geométricas, associadas ao processo de classificação. Um total de 105 classificações foram realizadas, 35 classificações para cada uma das áreas. As classificações que não usaram variáveis espectrais não resultaram em bons índices de acurácia. Nas três áreas, o algoritmo que apresentou as melhores acurácias foi o Support vector machine, com acurácia global de 85,33% em Araguari, 87% em Carmo de Minas e 88,33% em Três Pontas. Os piores resultados foram encontrados com o algoritmo Random Forest em Araguari, com acurácia global de 76,66% e com o Naive Bayes em Carmo de Minas e Três Pontas, com 76% e 82% de acerto. Nas três áreas, variáveis texturais, quando associadas às espectrais, melhoraram a acurácia da classificação. O SVM apresentou o melhor desempenho para as três áreas

No abstract

The objective of this work was to propose a new methodology for mapping coffee cropping areas that includes multitemporal data as input parameters in the classification process, by using the Landsat TM NDVI time series, together with an object-oriented classification approach. The algorithm BFAST was used to analyze coffee, pasture, and native vegetation temporal profiles, allied to a geographic object-based image analysis (GEOBIA) for mapping. The following multitemporal variables derived from the R package greenbrown were used for classification: mean, trend, and seasonality. The results showed that coffee, pasture, and native vegetation have different temporal behaviors, which corroborates the use of these data as input variables for mapping. The classifications using temporal variables, associated with spectral data, achieved high-global accuracy rates with 93% hit. When using only temporal data, ratings also showed a hit percentage above 80% accuracy. Data derived from Landsat TM time series are efficient for mapping coffee cropping areas, reducing confusion between targets and making the classification process more accurate, contributing to a correct characterization and mapping of objects derived from a RapidEye image, with a high spatial solution.