Mapeamento de fragmentos florestais com monodominância de aroeira a partir da classificação supervisionada de imagens Rapideye

Abstract

e Agostinho Lopes de Souza 4 RESUMO -A espécie florestal Myracrodruon urundeuva (Fr. All.) figura desde 1992 na lista de espécies da flora brasileira ameaçadas de extinção e, contudo, manifesta comportamento monodominante em algumas regiões do Estado de Minas Gerais, sobretudo na região do Médio Rio Doce. Este trabalho teve por objetivo comparar métodos de classificação supervisionada de imagens Rapideye para mapeamento de fragmentos florestais monodominados por Myracrodruon urundeuva em Tumiritinga, MG. Foram avaliadas a classificação pelo algoritmo da Maximaverossimilhança (Maxver) e a classificação por Redes Neurais Artificiais (RNA). Foram testadas 19 combinações envolvendo diferentes bandas, componentes principais e o índice de vegetação da diferença normalizada para a classificação da imagem Rapideye. O treinamento da rede foi realizado variando-se a taxa de aprendizado, o número de interações e o número de neurônios na camada interna. A avaliação dos mapas temáticos produzidos foi realizada através dos índices Kappa e Kappa condicional para a classe de uso do solo "aroeira" e pela análise das Matrizes de Confusão. O método que apresentou melhor desempenho foi a classificação de todas as bandas da imagem Rapideye pelo algoritmo Maxver, apresentando coeficientes Kappa 80 e Kappa condicional 90. O mapa temático gerado teve exatidão do usuário igual a 93% e exatidão do produtor igual a 90%, sendo as maiores confusões do classificador para a classe Aroeira Monodominante acometidas entre as classes Mata Nativa e Pasto Manejado. Da imagem temática produzida, extraiu-se a informação de que 22% do Município de Tumiritinga se encontrava sob ocupação da aroeira em monodominância. A análise do uso e cobertura do solo no município não retrata, na região de estudo, o quadro anunciado de espécie ameaçada de extinção, no qual M. urundeuva se encontra.Palavras-chave: Myracrodruon urundeuva, Monodominância, Classificação supervisionada de imagens. MAPPING OF FOREST FRAGMENTS WITH MONO-DOMINANCE OF AROEIRA BY SUPERVISED CLASSIFICATION OF RAPIDEYE IMAGES

Land use in Permanent Preservation Areas of Grande River (MG)

“…Table 3 shows the confusion matrix. Oliveira et al (2013) state that the observed pixel frequency on the main diagonal represents the agreement between expected and observed results for each class analyzed. The summation column represents the number of elements for each class, while the summation row shows the number of pixels assigned to each class.…”

“…Demonstrative flowchart of the procedures performed in land use analysis for PPAs located in a lotic stretch of Grande River, in Southern Minas Gerais. Oliveira et al (2013), in a comparison of the methods of supervised classification with Rapideye images, achieved Kappa coefficient results of between 0.62 and 0.80 for the Maximum Likelihood method.…”

“…The confusion matrix shows the number of pixels correctly classified and the number of pixels estimated by the classification for each class (Oliveira et al, 2008(Oliveira et al, , 2013Reis et al, 2012). Global accuracy is calculated by the ratio between the sum of the number of samples of the main diagonal of the confusion matrix and the total number of samples of that matrix.…”

Processamento de imagens RapidEye no mapeamento de uso do solo em ambiente de Mar de Morros

“…Os valores de acurácia e de Kappa foram semelhantes aos de Oliveira et al (2013) (2014), avaliando imagens para detecção de mudanças na cobertura da terra em faixas de dutos, obtiveram acurácia de 0,83 e 0,63 para as imagens RapidEye e Ikonos, respectivamente, concluindo assim que a primeira foi mais eficiente.…”

Forest restoration monitoring through digital processing of high resolution images

“…Although the ML algorithm was slightly less assertive than the RF, it also presented results ranked as excellent, which makes it eligible for this type of monitoring. This classifier is widely used for remote sensing, displaying good results when the data have a normal distribution and when sample selection represents well the spectral diversity of the class to be mapped (de Oliveira et al, 2013). ML has already proved efficient in several studies, such as the study by Silva et al (2016), who tested the efficiency of this classifier, after segmentation, for monitoring Brazilian Savanna…”