@Article{LuBLMHFDS:2012:LaUsCl,
author = "Lu, Dengsheng and Batistela, Mateus and Li, Guiying and Moran,
Emilio and Hetrick, Scott and Freitas, Corina da Costa and Dutra,
Luciano Vieira and Sant'anna, Sidnei Jo{\~a}o Siqueira",
affiliation = "Indiana University, Anthropological Center for Training and
Research on Global Environmental Change, Student Building 331, 701
East Kirkwood Avenue, Bloomington, Indiana, 47405, USA and Embrapa
Monitoramento por Sat{\'e}lite, Avenida Soldado Passarinho, nš
303, CEP 13070\‑115 Campinas, SP, Brazil. E\‑mail:
mb@cnpm.embrapa.br and Indiana University, Anthropological Center
for Training and Research on Global Environmental Change, Student
Building 331, 701 East Kirkwood Avenue, Bloomington, Indiana,
47405, USA and Indiana University, Anthropological Center for
Training and Research on Global Environmental Change, Student
Building 331, 701 East Kirkwood Avenue, Bloomington, Indiana,
47405, USA and Indiana University, Anthropological Center for
Training and Research on Global Environmental Change, Student
Building 331, 701 East Kirkwood Avenue, Bloomington, Indiana,
47405, USA and {Instituto Nacional de Pesquisas Espaciais (INPE)}
and {Instituto Nacional de Pesquisas Espaciais (INPE)} and
{Instituto Nacional de Pesquisas Espaciais (INPE)}",
title = "Land use/cover classification in the Brazilian Amazon using
satellite images / Classifica{\c{c}}{\~a}o de uso e cobertura da
terra na Amaz{\^o}nia brasileira por meio de imagens de
sat{\'e}lite",
journal = "Pesquisa Agropecu{\'a}ria Brasileira",
year = "2012",
volume = "47",
number = "9",
pages = "1185--1208",
month = "Set.",
note = "Setores de Atividade: Administra{\c{c}}{\~a}o p{\'u}blica,
defesa e seguridade social, Outras atividades profissionais,
cient{\'{\i}}ficas e t{\'e}cnicas.",
keywords = "data fusion, multiple sensor data, nonparametric classifiers,
texture, fus{\~a}o de dados, dados de sensor m{\'u}ltiplo,
classificadores n{\~a}o param{\'e}tricos, textura.",
abstract = "Land use/cover classification is one of the most important
applications in remote sensing. However, mapping accurate land
use/cover spatial distribution is a challenge, particularly in
moist tropical regions, due to the complex biophysical environment
and limitations of remote sensing data per se. This paper reviews
experiments related to land use/cover classification in the
Brazilian Amazon for a decade. Through comprehensive analysis of
the classification results, it is concluded that spatial
information inherent in remote sensing data plays an essential
role in improving land use/cover classification. Incorporation of
suitable textural images into multispectral bands and use of
segmentation\‑based method are valuable ways to improve
land use/cover classification, especially for high spatial
resolution images. Data fusion of multi\‑resolution images
within optical sensor data is vital for visual interpretation, but
may not improve classification performance. In contrast,
integration of optical and radar data did improve classification
performance when the proper data fusion method was used. Among the
classification algorithms available, the maximum likelihood
classifier is still an important method for providing reasonably
good accuracy, but nonparametric algorithms, such as
classification tree analysis, have the potential to provide better
results. However, they often require more time to achieve
parametric optimization. Proper use of hierarchical\‑based
methods is fundamental for developing accurate land use/cover
classification, mainly from historical remotely sensed data.
RESUMO A classifica{\c{c}}{\~a}o de uso e cobertura da terra
{\'e} uma das principais aplica{\c{c}}{\~o}es do sensoriamento
remoto. Contudo, a precis{\~a}o no mapeamento da
distribui{\c{c}}{\~a}o espacial do uso/cobertura da terra {\'e}
um desafio, principalmente em regi{\~o}es tropicais {\'u}midas,
em raz{\~a}o do complexo ambiente biof{\'{\i}}sico e das
limita{\c{c}}{\~o}es dos dados de sensoriamento remoto per se.
Este trabalho revisa experimentos relacionados {\`a}
classifica{\c{c}}{\~a}o do uso/cobertura da terra na
Amaz{\^o}nia brasileira, durante uma d{\'e}cada. A partir de
an{\'a}lise compreensiva dos resultados de
classifica{\c{c}}{\~a}o, conclui-se que a informa{\c{c}}{\~a}o
espacial, em dados de sensoriamento remoto, tem papel fundamental
na melhoria da classifica{\c{c}}{\~a}o de uso/cobertura da
terra. A incorpora{\c{c}}{\~a}o de imagens de textura, em bandas
multiespectrais, e o uso de m{\'e}todo baseado em
segmenta{\c{c}}{\~a}o s{\~a}o formas importantes de melhorar a
classifica{\c{c}}{\~a}o, especialmente para imagens de alta
resolu{\c{c}}{\~a}o espacial. A fus{\~a}o de dados de imagens
de resolu{\c{c}}{\~a}o m{\'u}ltipla dentro de dados do sensor
{\'o}tico {\'e} vital para a interpreta{\c{c}}{\~a}o visual,
mas pode n{\~a}o melhorar o desempenho da
classifica{\c{c}}{\~a}o. Em contraste, a integra{\c{c}}{\~a}o
de dados {\'o}pticos e de radar melhorou o desempenho da
classifica{\c{c}}{\~a}o, quando o m{\'e}todo adequado de
fus{\~a}o de dados foi utilizado. Entre os algoritmos de
classifica{\c{c}}{\~a}o dispon{\'{\i}}veis, o classificador de
m{\'a}xima verossimilhan{\c{c}}a ainda {\'e} importante para se
obter precis{\~a}o razo{\'a}vel, mas algoritmos n{\~a}o
param{\'e}tricos, como a an{\'a}lise por {\'a}rvore de
decis{\~a}o, podem promover melhores resultados. Por{\'e}m,
algoritmos n{\~a}o param{\'e}tricos geralmente demandam mais
tempo para obten{\c{c}}{\~a}o da parametriza{\c{c}}{\~a}o
otimizada. O uso adequado de m{\'e}todos baseados em hierarquia
{\'e} fundamental para a precis{\~a}o na
classifica{\c{c}}{\~a}o de uso/cobertura da terra, sobretudo em
dados de sensoriamento remoto antigos.",
doi = "10.1590/S0100-204X2012000900004",
url = "http://dx.doi.org/10.1590/S0100-204X2012000900004",
issn = "0100-204X",
label = "lattes: 9840759640842299 7 LuBLMHFDS:2012:LaUsCl",
language = "pt",
urlaccessdate = "17 maio 2024"
}