Avaliação de técnicas de segmentação e classificação automática de imagens landsat-tm no mapeamento do uso do solo na Amazônia1

• Published in: Acta amazonica Vol. 28; no. 1; p. 41
• Main Authors: Raimundo ALMEIDA FILHO, Paulo Sérgio Rezende NASCIMENTO, Getulio Teixeira BATISTA
• Format: Journal Article
• Language: English
• Published: Instituto Nacional de Pesquisas da Amazônia 01-03-1998
• Subjects: classificação não-supervisionada por regiões; Mapeamento temático automatizado; mudanças no uso da terra; segmentação de imagens; sensoriamento remoto
• ISSN: 0044-5967
• DOI: 10.1590/1809-43921998281054

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 contextual e minimizando as limitações das técnicas de processamento digital baseadas em análise pontual (pixel-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).