RESUMO -O mapeamento do uso da terra é fundamental para o entendimento dos processos de mudanças globais, especialmente em regiões como a Amazônia que estão sofrendo grande pressão de desenvolvimento. Tradicionalmente estes mapeamentos têm sido feitos utilizando técnicas de interpretação visual de imagens de satélites, que, embora de resultados satisfatórios, demandam muito tempo e alto custo. Neste trabalho é proposta uma técnica de segmentação da imagens com base em um algoritmo de crescimento de regiões, seguida de uma classificação não-supervisionada por regiões. Desta forma, a classificação temática se refere a um conjunto de elementos (pixels da imagem), beneficiando-se portanto da informação a-pixel). Esta técnica foi avaliada numa área típica da Amazônia, situada ao norte de Manaus, AM, utilizando imagens do sensor "Thematic Mapper" -TM do satélite Landsat, tanto na sua forma original quanto decomposta em elementos puros como vegetação verde, vegetação seca (madeira), sombra e solo, aqui denominada imagem misturas. Os resultados foram validados por um mapa de referência gerado a partir de técnicas consagradas de interpretação visual, com verificação de campo, e indicaram que a classificação automática é viável para o mapeamento de uso da terra na Amazônia. Testes estatísticos indicaram que houve concordância significativa entre as classificações automáticas digitais e o mapa de referência (em tomo de 95% de confiança).Palavras-chave: Mapeamento temático automatizado, segmentação de imagens, classificação não-supervisionada por regiões, mudanças no uso da terra, sensoriamento remoto.
Evaluation of Segmentation and Automatic Classification Techniques of Landsat -TM Imagery for Land Use Mapping in Amazonia.ABSTRACT -Land use mapping is essential for the understanding of global change processes, especially in regions which are experiencing great pressure for development such as the Amazon. Traditionally, these mappings have been done using visual interpretation techniques of satellite processing techniques based on single pixels (per-pixel classification). This approach was original Landsat Thematic Mapper images and their decomposition into endmembers such as green vegetation, wood material, shade and soil, named mixture image in this paper. The results were validated by a reference map obtained from proved visual interpretation techniques of satellite Amazonia. Statistics tests indicated that there was significant agreement between the automated digital classifications and the reference map (at 95% confidence level).
