%0 Journal Article
%4 sid.inpe.br/iris@1912/2005/07.19.21.03.37
%2 sid.inpe.br/iris@1912/2005/07.19.21.03.43
%@issn 0044-5967
%F 8458
%T Avaliação de técnicas de segmentação e classificação automática de imagens Landsat-TM no mapeamento do uso do solo na Amazônia / Evaluation of segmentation and automatic classification techniques of landsat - TM imagery for land use mapping in Amazonia
%D 1998
%9 journal article
%A Almeida Filho, Raimundo,
%A Nascimento, Paulo Sérgio Rezende,
%A Batista, Getulio Teixeira,
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE)
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE)
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE)
%@electronicmailaddress rai@ltid.inpe.br
%B Acta Amazonica
%V 28
%N 1
%P 41-53
%K mapeamento temático automatizado, segmentação de imagens, classificação não supervisionada por regiões, mudanças no uso da terra, sensoriamento remoto, automated thematic mapping, image segmetation, per-field non-supervised classification, land use change, remote sensing.
%X 0 mapeamento do uso da terra e fundamental para o entendimento dos processos de mudanças globais, especialmente em regiões como a Amazônia que estão sofrendo grande pressão de desenvolvimento. Tradicionalmente estes mapeamentos tem sido feitos utilizando técnicas de interpretação visual de imagens de satélites, que, embora de resultados satisfatórios, demandam muito tempo e alto custo. Neste trabalho e proposta uma técnica de segmentação da imagens com base em um algoritmo decrescimento de regiões, seguida de uma classificação não-supervisionada por regiões. Desta forma, a classificação temática se refere a um conjunto de elementos (pixels da imagem), beneficiando-se portanto da informação contextual e minimizando as limitações das técnicas de processamento digital baseadas em analise pontual (pixel-a-pixel). Esta técnica foi avaliada numa área típica da Amazônia, situada ao norte de Manaus, AM, utilizando imagens do sensor "Thematic Mapper" - TM do satelite Landsat, tanto na sua forma original quanto decomposta em elementos puros como vegetação verde, vegetação seca (madeira), sombra e solo, aqui denominada imagem nusturas. Os resultados foram validados por um mapa de referencia gerado a partir de técnicas consagradas de interpretação visual, com verificação de campo, e indicaram que a classificação automática e viável para o mapeamento de uso da terra na Amazônia. Testes estatísticos indicaram que houve concordância significativa entre as classificações automáticas digitais e o mapa de referência (em tomo de 95 de confiança). ABSTRACT: Land use mapping is essential for the understanding of global change processes, especially in regions such as the Amazon that are experiencing great pressure for development. Traditionally, these mappings have been done using visual interpretation techniques applied to satellite imagery. These techniques provide satisfactory results but are time-consuming and very costly. In the present paper, a technique is proposed that uses image segmentation based on an algorithm for expansion of homogeneous regions on the image; application of the algorithm is followed by a non-supervised region-by-region classification. Thus, the thematic classification is based on a set of image elements (pixels), benefiting from contextual information, thereby avoiding the limitations of digital processing techniques that are based on single pixels (per-pixel classification). This approach was evaluated in a typical test site in the Amazon region located to the north of Manaus, Amazonas, using both original Landsat Thematic Mapper images and their decomposition into fractions of endmembers such as green vegetation, woody material, shade and soil, called mixed images in this paper. The results were validated against a reference map obtained from proven techniques for visual interpretation of satellite imagery and by field checking. The results indicate that mapping land use in Amazonia using automatic classification is feasible. Statistical tests indicated that there was significant agreement between the automated digital classifications and the reference map (at the 95% confidence level).
%@language pt
%3 artigo.pdf