@Article{SilvaJrFranRodr:2014:DiÁrSo,
author = "Silva Junior, Carlos A. da and Frank, Thiago and Rodrigues,
Ta{\'{\i}}ssa Caroline Silva",
affiliation = "UEM and {Instituto Nacional de Pesquisas Espaciais (INPE)} and
{Instituto Nacional de Pesquisas Espaciais (INPE)}",
title = "Discrimina{\c{c}}{\~a}o de {\'a}reas de soja por meio de
imagens EVI/MODIS e an{\'a}lise baseada em geo-objeto /
Discrimination of soybean areas through images EVI/MODIS and
analysis based on geo-object",
journal = "Revista Brasileira de Engenharia Agr{\'{\i}}cola e Ambiental",
year = "2014",
volume = "18",
number = "1",
pages = "44--53",
month = "Jan.",
keywords = "classifica{\c{c}}{\~a}o digital de imagens, estimativa de
{\'a}rea agr{\'{\i}}cola, segmenta{\c{c}}{\~a}o de imagens,
sensoriamento remoto, digital image classification, crop area
estimates, image segmentation, remote sensing.",
abstract = "Neste trabalho objetivou-se estimar e mapear {\'a}reas plantadas
com soja [Glycine max (L.) Merr.] por meio de imagens
multitemporais EVI/MODIS e classifica{\c{c}}{\~a}o de imagens
baseada em geo-objeto. A {\'a}rea de estudo compreendeu o Sul do
estado do Maranh{\~a}o. Para o mapeamento das lavouras de soja
foram utilizados o {\'{\i}}ndice de vegeta{\c{c}}{\~a}o
real{\c{c}}ado (EVI) e o {\'{\i}}ndice de
valoriza{\c{c}}{\~a}o das culturas (CEI) para a
classifica{\c{c}}{\~a}o das imagens do sistema-sensor
Terra/MODIS. Para tal c{\'a}lculo foram utilizadas doze imagens
compreendendo entressafra e safra da cultura, conforme
calend{\'a}rio agr{\'{\i}}cola do Estado. Al{\'e}m disto, foi
empregada a segmenta{\c{c}}{\~a}o utilizando-se par{\^a}metros
de escala 250, os algoritmos {"}classification{"} e {"}merge
region{"} e extra{\c{c}}{\~a}o de atributos para
classifica{\c{c}}{\~a}o baseada em geo-objeto. Foram empregados,
para avaliar a precis{\~a}o da classifica{\c{c}}{\~a}o, os
par{\^a}metros Kappa e Exatid{\~a}o Global e nas suas
resultantes foi aplicado o teste Z; logo, foram estabelecidos,
como hip{\'o}tese nula (H0) a igualdade dos {\'{\i}}ndices e o
inverso para suas diferen{\c{c}}as (H1), a um n{\'{\i}}vel de
0,05 de signific{\^a}ncia. Os resultados obtidos indicam que a
metodologia proposta se mostrou eficiente para mapeamento da soja,
com 0,89 para o par{\^a}metro Kappa. ABSTRACT: This study aimed
to estimate and map areas planted with soybean [Glycine max (L.)
Merr.] through multitemporal images EVI/MODIS and classification
of images based on geo-object. The study area comprised the
southern part of the State of Maranh{\~a}o. For the mapping of
the soybean crop the Enhanced Vegetation Index (EVI) and the Crop
Enhancement Index (CEI) for image classification sensor-system
Terra/MODIS was used. For this calculation twelve images were
used, including offseason and harvest of the crop, as per the
state agricultural calendar. In addition, the segmentation was
employed using scaling parameters 250, the algorithms {"}
classification{"} and {"} merge region{"} and extracting
attributes for classification GEOgraphic-Object-Based Image
Analysis (GEOBIA). To assess the accuracy of the classification,
parameters Kappa and Accuracy Global and its resulting Z test were
applied. A null hypothesis (H0) of equal and opposite rates for
their differences (H1) at 0.05 level of significance was
established. The results indicate that the proposed methodology is
efficient for mapping the soybean crop, with 0.89 for the
parameter Kappa.",
doi = "10.1590/S1415-43662014000100007",
url = "http://dx.doi.org/10.1590/S1415-43662014000100007",
issn = "1415-4366",
label = "scopus 2014-05 SilvaJrFranRodr:2014:DiSoAr",
language = "pt",
targetfile = "v18n1a07.pdf",
url = "http://dx.doi.org/10.1590/S1415-43662014000100007",
urlaccessdate = "04 jun. 2024"
}