Este trabalho teve o objetivo de identificar diferentes condições na cultura do café, após a colheita, utilizando mineração de dados e curvas espectrais obtidas do sensor Hyperion/EO1.A imagem Hyperion, com resolução espacial de 30 m,foi obtida em 28 de agosto de 2008, fim de safra do café na área de estudo.Como pré-processamentos, foram realizadas a correção atmosférica através do algoritmo Flaash e a correção do sinal/ruÃdo pelo algoritmo MNF (Minimum Noise Fraction Transform). Posteriormente, foram geradas curvas espectrais (38) de 150 comprimentos de onda, que foram analisadas através do algoritmo EM (Expectation-Maximization), considerando simulações de 2; 3; 4 e 5 clusters. Para verificar a igualdade das médias dos comprimentos de onda dos clusters, foi utilizado o teste t, com 5% de significância. Os resultados mostraram que foi possÃvel separar os cafés em cinco diferentes grupos, segundo sua condição pós-colheita, possibilitando melhorar ações futuras de intervenção.
This study aimed at identifying different conditions of coffee plants after harvesting period, using data mining and spectral behavior profiles from Hyperion/EO1 sensor. The Hyperion image, with spatial resolution of 30 m, was acquired in August 28th, 2008, at the end of the coffee harvest season in the studied area. For pre-processing imaging, atmospheric and signal/noise effect corrections were carried out using Flaash and MNF (Minimum Noise Fraction Transform) algorithms, respectively. Spectral behavior profiles (38) of different coffee varieties were generated from 150 Hyperion bands. The spectral behavior profiles were analyzed by Expectation-Maximization (EM) algorithm considering 2; 3; 4 and 5 clusters. T-test with 5% of significance was used to verify the similarity among the wavelength cluster means. The results demonstrated that it is possible to separate five different clusters, which were comprised by different coffee crop conditions making possible to improve future intervention actions.
