Análise comparativa de classificadores digitais em imagens do Landsat-8 aplicados ao mapeamento temático

英语. Abstract: The objective of this work was to evaluate the performance of SVM and K-NN digital classifiers for the object-based classification on Landsat-8 images, applied to mapping of land use and land cover of Alta Bacia do Rio Piracicaba-Jaguari, in the state of Minas Gerais, Brazil. The pre-processing step consisted of using radiometric conversion and atmospheric correction. Then the multispectral bands (30 m) were merged with the panchromatic band (15 m). Based on RGP compositions and field inspection, 15 land-use and land-cover classes were defined. For edge segmentation, the bounds were set to 10 and 60 for segmentation configuring and merging in the ENVI software. Classification was done using SVM and K-NN. Both classifiers showed high values for the Kappa index (k): 0.92 for SVM and 0.86 for K-NN, significantly different from each other at 95% probability. A major improvement was observed for SVM by the correct classification of different forest types. The object-based classification is largely applied on high-resolution spatial images; however, the results of the present work show the robustness of the method also for medium-resolution spatial images.

葡萄牙语. Resumo: O objetivo deste trabalho foi avaliar o desempenho dos classificadores digitais SVM e K-NN para a classificação orientada a objeto em imagens Landsat-8, aplicados ao mapeamento de uso e cobertura do solo da Alta Bacia do Rio Piracicaba-Jaguari, MG. A etapa de pré-processamento contou com a conversão radiométrica e a minimização dos efeitos atmosféricos. Em seguida, foi feita a fusão das bandas multiespectrais (30 m) com a banda pancromática (15 m). Com base em composições RGB e inspeções de campo, definiram-se 15 classes de uso e cobertura do solo. Para a segmentação de bordas, aplicaram-se os limiares 10 e 60 para as configurações de segmentação e união no aplicativo ENVI. A classificação foi feita usando SVM e K-NN. Ambos os classificadores apresentaram elevados valores de índice Kappa (k): 0,92 para SVM e 0,86 para K-NN, significativamente diferentes entre si a 95% de probabilidade. Uma significativa melhoria foi observada para SVM, na classificação correta de diferentes tipologias florestais. A classificação orientada a objetos é amplamente aplicada em imagens de alta resolução espacial; no entanto, os resultados obtidos no presente trabalho mostram a robustez do método também para imagens de média resolução espacial.