%0 Journal Article
%4 sid.inpe.br/plutao/2021/12.09.14.40.34
%2 sid.inpe.br/plutao/2021/12.09.14.40.35
%@doi 10.5016/estgeo.v19i3.16254
%@issn 1517-543X
%F lattes: 8609036872819243 2 BrazKörtMartBraz:2021:GEMiDa
%T GEOBIA e mineração de dados para classificação de imagens de altíssima resolução espacial
%D 2021
%9 journal article
%A Braz, Adalto Moreira,
%A Körting, Thales Sehn,
%A Martins, Alécio Perini,
%A Braz, Amanda Moreira,
%@affiliation Universidade Federal de Goiás (UFG)
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE)
%@affiliation Universidade Federal de Goiás (UFG)
%@affiliation Universidade Federal do Mato Grosso do Sul (UFSM)
%@electronicmailaddress adaltobraz.geografia@gmail.com
%@electronicmailaddress thales.korting.@inpe.br
%@electronicmailaddress alecioperini@ufg.br
%@electronicmailaddress amandabraz.geo@gmail.com
%B Estudos Geográficos
%V 19
%N 3
%P 209-224
%K VANT,Sensoriamento Remoto,ARP, Drone, Cobertura da Terra, UAV, Remote Sensing, RPA, Drone,Land Cover.
%X Este trabalho apresenta os resultados de classificação (GEOBIA e mineração de dados) para a cobertura da terra em imagens de altíssima resolução espacial, além de apresentar uma discussão sobre a viabilidade de classificações supervisionadasem imagens obtidas por VANT. A área teste inclui duas quadras e uma área verde na cidade de Jataí (GO), imageadas com um Drone DJI Phantom 4 Advanced em 29/10/2018. O processamento foi realizado a partir do SIG TerraView 5.3.3 plugin GeoDMA 2.0,com resultados comparados a classificadores disponibilizados pelo SIGArcGIS 10.6.1®. A mineração de dados foi a técnica mais adequada para a classificação, apresentando uma matriz com taxa de acerto superior a 82%, concordância excelente apesar dos erros identificados. No processo de classificação supervisionada, foi obtido um acerto de 69% e, na classificação não supervisionada, o acerto foi de 44%.Os resultados da GEOBIA/mineração de dados foram considerados satisfatórios (Kappa igual a 82%), quando comparados aoutros classificadores (regão e pixel a pixel), mas ainda exigindo atividades de pós-classificação para correção das confusões apresentadas. ABSTRACT: In this paper we present the classification results (GEOBIA and data mining) for land cover inhigh spatial resolution images, besides presenting a discussion about the viability of supervised classifications in UAV images. The study area includes two blocks and a green area in the city of Jataí, Goiás state, Brazil. The images were obtained with a DJI Phantom 4 Advanced Drone in 2019/10/29. Processing was performed using the GIS TerraView 5.3.3plugin GeoDMA 2.0, and the results were compared to well known classification algorithms provided by ArcGIS 10.6.1®. Data mining was the most appropriate technique for classification, presenting a matrix with an overall accuracy (OA) higher than 82%, which we consider as an excellent agreement despite minor errors. In the supervised classification process, we obtained 69% OA (substantial agreement) and 44% OA (moderate agreement) in the unsupervised classification.The results of GEOBIA/data mining were considered satisfactory (Kappa is equal to 82%) when compared to other classifiers (region and pixel by pixel), but still requiring post-classification activities to correct the confusion presented.
%@language pt
%3 Braz_geobia.pdf