ACURÁCIA TEMÁTICA DO CLASSIFICADOR POR MÁXIMA VEROSSIMILHANÇA EM IMAGEM DE ALTA RESOLUÇÃO ESPACIAL DO SATÉLITE GEOEYE-1

Ano: 2015 | Volume: 12 | Número: 1

Autores: Danilo Ferreira Mendes, Samuel Ferreira da Silva, Jéferson Luiz Ferrari, Alexandre Rosa dos Santos, Ricardo Ferreira Garcia

Palavras-chave: Sensoriamento remoto. Classificação de imagens. Índice kappa. Remote sensing. Image classification. Kappa index.

Resumo Português:

Este estudo avalia a acurácia temática do classificador máxima verossimilhança em uma imagem de alta resolução espacial do satélite Geoeye-1. A área em estudo refere-se à sub-bacia hidrográfica do córrego Horizonte, Alegre, ES e as classes analisadas foram área agricultada, área urbana, fragmento florestal, hidrografia, pastagem e solo exposto. A qualidade do mapa temático foi avaliada pela estatística kappa, exatidão global, acurácias do produtor e do usuário, tendo como referência o mapeamento das classes na escala cartográfica de 1:2.000. Os resultados mostram que a classificação automática conferida pelo classificador apresenta bons resultados de índice kappa (58,34%) e de exatidão global (71,41%). Dentre as classes avaliadas, as de fragmento florestal e de pastagem foram aquelas que apresentaram as melhores exatidões e precisões. O reconhecimento das demais classes como área agricultada, área urbana, hidrografia e solo exposto, em função da complexidade da paisagem e de suas pequenas dimensões na área de estudo, depende do uso de técnicas de fotointerpretação para maiores precisões.

Resumo Inglês:

This study evaluates the thematic accuracy of the maximum likelihood classifier in a high spatial resolution imaging satellite GeoEye-1. The study area refers to the sub-basin of the stream Horizonte, Alegre, ES and the classes were analyzed agriculture area, urban area, forest fragmentation, hydrography, pasture and bare soil. The quality of the thematic map was assessed using the kappa statistic, overall accuracy, producer's accuracies and user, with reference to the mapping of classes in the scale of 1:2,000 mapping. The results show that automatic classification given by the classifier gives good results for kappa (58.34%) and overall accuracy (71.41%). Among the classes evaluated, the fragment forest and pasture were those with the best accuracies and precisions. The recognition of other classes as agriculture area, urban area, hydrography and exposed soil, depending on the complexity of the landscape and its small dimensions in the study area, depends on the use of image interpretation techniques for further details.