文章基本信息

标题：Mapeamento de Áreas Agrícolas com Máquina de Vetor de Suporte no Noroeste de Minas Gerais, Brasil
其他标题：Mapping of Agricultural Areas with Support Vector Machine in the Northwest of Minas Gerais, Brazil
本地全文：下载
作者：Danila Mendes Durães ; Carlos Magno Moreira de Oliveira ; Rafael Coll Delgado 等
期刊名称：Anuario de Instituto de Geociencias
印刷版ISSN：0101-9759
电子版ISSN：1982-3908
出版年度：2020
卷号：43
期号：1
页码：33-41
DOI：10.11137/2020_1_33_41
出版社：Universidade Federal de Rio de Janeiro
摘要：A agricultura é um dos setores que mais se destaca na economia do Brasil, sendo necessário muitas vezes o emprego do sensoriamentoremoto, para identificação da expansão das áreas agrícolas e estimativas da sua produção. Esse trabalho tem por objetivomapear as áreas agrícolas do noroeste de Minas Gerais por meio de máquina de vetor de suporte e comparar os resultados obtidoscom o censo estatístico do Instituto Brasileiro de Geografia e Estatística. Para identificação das áreas agrícolas foi utilizado o algoritmoService Vector Machine e imagens dos satélites e sensores Landsat 8 / OLI e Terra / MODIS. As amostras de treinamento doalgoritmo foram obtidas por meio de imagem de alta resolução espacial, disponível no programa Google Earth Pro, nas classes rios,floresta, agricultura, pastagem e silvicultura. O mapeamento utilizando imagem do sensor OLI apresentou melhor Acurácia Global(0,81) e Kappa (0,66). A classificação com imagem OLI e MODIS apresentaram maior precisão na classe agricultura quando comparadaas demais classes, apresentando confusão com pastagem, em decorrência da alta fitomassa da pastagem na época de aquisiçãodas imagens (verão). O cálculo das áreas agrícolas demonstra superestimativa do Service Vector Machine (SVM) na classificação dasimagens OLI e MODIS, com forte relação dos dados MODIS com o censo do IBGE (R²=0,83). Apenas municípios com áreas agrícolassuperiores a 50.000 ha apresentaram menor erro na estimativa das áreas agrícolas. A aplicação do algoritmo mostra-se potencialpara mapeamento da agricultura por meio de imagens dos sensores MODIS e OLI, porém deve-se avaliar a época de aquisição dasimagens orbitais e variações nos parâmetros do algoritmo para melhorar a acurácia da classificação.
其他摘要：Agriculture is one of the sectors that stands out most in the Brazilian economy, often requiring the use of remote sensing toidentify the expansion of agricultural areas and estimates of their production. This work aims to map the agricultural areas of thenorthwest of Minas Gerais by means of a support vector machine and compare the results obtained with the statistical census of theBrazilian Institute of Geography and Statistics. For the identification of the agricultural areas, the Service Vector Machine algorithmand images of the Landsat 8 / OLI and Terra / MODIS satellites and sensors were used. The training samples of the algorithmwere obtained by high resolution spatial image, available in Google Earth Pro software, in the categories rivers, forest, agriculture,pasture and forestry. The OLI image mapping showed better Global Accuracy (0.81) and Kappa (0.66). The classification with OLIand MODIS images showed greater precision in the agriculture class when compared to the other classes, presenting confusion withpasture, due to the high phytomass of the pasture at the time of acquisition of the images (summer). The calculation of the agriculturalareas shows an overestimation of the Service Vector Machine in the classification of the OLI and MODIS images, with a strong ratioof the MODIS data to the IBGE census (R²=0.83). Only municipalities with agricultural areas greater than 50,000 ha presented lesserror in the estimation of agricultural areas. The application of the algorithm shows the potential for mapping agriculture throughimages of the MODIS and OLI sensors, but it is necessary to evaluate the time of acquisition of the orbital images and variations inthe parameters of the algorithm to improve the accuracy of the classification.
关键词：agricultura; classificação supervisionada; aprendizado de máquina
其他关键词：agriculture; supervised classification; machine learning