@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"
}