O objetivo deste trabalho foi mapear as áreas cafeeiras das regiões de Machado e Três Pontas no Sul do Estado de Minas Gerias, no Brasil, usando sensoriamento remoto. A Interpretação visual das imagens do satélite Landsat/TM foi utilizada para obter os mapas preliminares das áreas cafeeiras. Estes mapas foram conferidos em campo e utilizados posteriormente para avaliar a performance da inicial classificação supervisionada. Os mapas preliminares e corrigidos de ambas as regiões foram comparados e a acurácia foi avaliada através dos índices Kappa e Global obtidos pela tabela de concordância. Os resultados mostraram uma acurácia de 97%(Global) e 95%(Kappa) para a região de Machado e 99%(Global) e 98%(Kappa) para Três Pontas. As diferenças são pequenas, os resultados mostram a influencia da topografia de Três Pontas, com declividades suaves e uniformidade das áreas cafeeiras, na classificação. Os resultados mostram que o sensoriamento remoto apresentou grande precisão e um alto grau de concordância, possibilitando minimizar o tempo e o custo para o planejamento sustentável da cafeicultura destas importantes regiões de Minas Gerais.
The objective of this work was to map agricultural coffee lands of the regions of Machado and Três Pontas, south of the state of Minas Gerais in Brazil, using remotely sensed images. Visual interpretation of TM Landsat images were used to obtain preliminary maps of the coffee fields. These maps were checked in an extensive field work and the corrected maps were used to assess the performance of the initial supervised classification. The preliminary and corrected maps of both regions were compared and accuracy was evaluated by the Global and Kappa coefficients obtained from contingency tables. The results showed accuracies of 97% (Global) and 95% (Kappa) for Machado and 99% (Global) and 98% (Kappa) for Três Pontas. Although the differences are small, the results show the influence of the topography of Três Pontas, with its smother landscape and more uniform coffee fields, in the classification. The results show the suitability of remote sensing and visual supervised classifications to map coffee lands of these important agricultural regions of Minas Gerais.
