Annual cropland mapping using data mining and OLI Landsat-8

AUTOR(ES)
FONTE

Rev. bras. eng. agríc. ambient.

DATA DE PUBLICAÇÃO

25/11/2019

RESUMO

RESUMO No Estado do Paraná, Brasil, não há grandes mudanças nas áreas cultivadas com culturas anuais, principalmente devido a leis ambientais que não permitem expansões para novas áreas. Há grande contribuição das culturas anuais para a demanda doméstica de alimentos e econômica nas exportações. Assim, a área e distribuição das culturas anuais são informações de grande importância. Novas metodologias, como data mining, estão sendo testadas com o objetivo de analisar e melhorar seu potencial de uso para classificação do uso e cobertura da terra. Neste estudo, foram utilizados os classificadores decision tree e random forest com métricas temporais de Normalized Difference Vegetation Index (NDVI) em imagens do Operational Land Imager (OLI)/ Landsat-8. Os resultados foram comparados com os métodos tradicionais (imagens espectrais e classificador Maximum Likelihood Classifier - MLC). Inicialmente, foram mapeadas sete classes (corpos d’água, cana-de-açúcar, área urbana, culturas anuais, floresta, pastagem e áreas de reflorestamento) e posteriormente apenas duas classes foram consideradas (culturas anuais e outras classes). Ao classificar os sete alvos, ambos os métodos tiveram resultados correspondentes, mostrando exatidão global próxima a 84%. As métricas temporais de NDVI mostraram a acurácia do produtor e do usuário para a classe de cultura de 86 e 100%, respectivamente. No entanto, considerando-se apenas duas classes, as métricas temporais do NDVI alcançaram exatidão global próxima a 98% e a acurácia do produtor e do usuário acima de 94%.ABSTRACT In the state of Paraná, Brazil, there are no major changes in areas cultivated with annual crops, mainly due to environmental laws that do not allow expansions to new areas. There is a great contribution of the annual crops to the domestic demand of food and economic demand in the exports. Thus, the area and distribution of annual crops are information of great importance. New methodologies, such as data mining, are being tested with the objective of analyzing and improving their potential use for classification of land use and land cover. This study used the classifiers decision tree and random forest with Normalized Difference Vegetation Index (NDVI) temporal metrics on images from Operational Land Imager (OLI)/Landsat-8. The results were compared with traditional methods spectral images and Maximum Likelihood Classifier (MLC). At first, seven classes were mapped (water bodies, sugarcane, urban area, annual crops, forest, pasture and reforestation areas); then, only two classes were considered (annual crops and other targets). When classifying the seven targets, both methods had corresponding results, showing global accuracy near 84%. NDVI temporal metrics showed producer’s and user’s accuracy for the annual crop class of 86 and 100%, respectively. However, if considering only two classes, the NDVI temporal metrics reached global accuracy of near 98% and producer’s and user’s accuracy above 94%.

Documentos Relacionados