Mapeamento e caracterização de áreas cafeeiras utilizando imagens de alta resolução espacial

Abstract

O café sempre foi sinônimo de progresso e contribuiu de maneira decisiva para a industrialização do país e, ainda hoje, é um dos produtos mais importantes na agricultura. No Brasil, a obtenção de informações oficiais referentes à cultura é realizada pela CONAB e pelo IBGE que utilizam informações municipais obtidas por meio da aplicação de questionários padrões. Os dados coletados seguindo esta metodologia são bastante suscetíveis a erros de análise humana, por isso torna-se necessário a ampliação de pesquisas que permitam caracterizar e localizar áreas com plantios de café de maneira mais rápida, precisa e com custos menores. Dentre as técnicas que podem ser consideradas neste contexto, o sensoriamento remoto é uma das que possuem um grande potencial de aplicação, representando um avanço significativo no levantamento de dados, no monitoramento e no planejamento agrícola. Considerando a dimensão da cafeicultura para o país e sabendo da disponibilidade da tecnologia de sensoriamento remoto fazem-se necessários estudos que viabilizem o emprego de imagens de satélite para automatizar a aquisição de dados sobre a cultura. . Objetivou-se com este estudo mapear áreas cafeeiras a partir de métodos de classificação por análise de imagens orientada ao objeto e pixel-a-pixel no município de Campos Gerais - MG utilizando imagem de alta resolução espacial do satélite QUICKBIRD. O estudo foi dividido em duas partes, sendo que o objetivo da primeira foi discriminar classes de café de outros usos do solo; e o da segunda parte foi realizar o mapeamento de uso e ocupação da terra considerando classes de porcentagem de cobertura do terreno pelas plantas de café. Realizou-se primeiramente a discriminação de áreas "café" e "outros usos" a partir de técnicas de análise de imagem orientada ao objeto onde foram utilizados os algoritmos k nearest neighbor e support vector machine. Para fins de comparação, foram realizadas técnicas de classificação pixel a pixel utilizando o algoritmo maximum likelihood. A partir destas informações, analisou-se a exatidão resultante dos mapeamentos em comparação com o mapa de referência da área e foi constatado que a classificação pixel a pixel por maximum likelihood obteve os melhores resultados, com 0,78 de índice kappa e 94,61% de exatidão. Na segunda parte do estudo foram coletados dados referentes a 17 talhões da propriedade estudada a fim de categorizar o uso café em classes segundo sua porcentagem de cobertura. As classes consideradas foram: café classe 1 (30-36%), café classe 2 (45-50%), café classe 3 (50-54%), café classe 4 (> 54%), solo exposto, mata, pastagem e corpos d água. Foi realizado o mapeamento do uso e ocupação da terra utilizando análises de imagem orientada a objetos (empregando os algoritmos k nearest neighbor e support vector machine) e classificação pixel a pixel (empregando algoritmo maximum likelihood). Os resultados apontaram que a análise de imagens orientada a objetos utilizando o algoritmo k nearest neighbor, foi o melhor método para mapeamento de uso e ocupação da terra considerando as classes de porcentagem de cobertura do terreno, com índice kappa 0,76 e exatidão global 86,34%.

Coffee has always been synonym progress and it has contributed decisively to the industrialization of the country and, even today, it is one of the most important products in agriculture. In Brazil, official information about the crop is obtained by IBGE and CONAB (Brazilian Governmental Institutions), using local information acquired through standard questionnaires. Data collected using this approach is quite susceptible to human mistakes, so it becomes necessary to extend research to characterize and locate areas with coffee plantations faster, more accurately and with lower costs. Among the techniques that can be considered in this context, remote sensing is one of those that have great potential, representing a significant advance in data collection, monitoring, and agricultural planning. Given the size of the coffee production in the country and knowing the availability of remote sensing technology, research shows itself as necessary in order to enable the use of satellite images to automate the acquisition of data on the crop. This study aimed to compare methods of object- oriented image analysis in the distinction of coffee plantations in the city of Campos Gerais - MG using high resolution images from the QuickBird satellite. The study was divided in two, where the first goal was to discriminate coffee classes from other land uses, and the second part was to perform mapping of land usage and occupation considering classes of percentage of ground coverage by coffee plants. First, the areas were discriminated as “coffee” areas, and “other uses” through object-oriented image analysis in which k nearest neighbor and support vector machine algorithms were used. For purposes of comparison, classification techniques were performed pixel by pixel using the maximum likelihood algorithm. From this information, we analyzed the accuracy of the resulting maps in comparison to the reference map of the area and it was found that the classification pixel by pixel through maximum likelihood obtained the best results, with kappa index of 0,78 and 94,61% accuracy. In the second part of the study, data regarding 17 plots from the farm were collected, in order to categorize the use of coffee in classes according to their coverage percentage. The classes considered were: coffee class 1 ( 30-36 % ) , coffee class 2 ( 45-50 % ) , coffee class 3 ( 50-54 % ) , coffee class 4 ( > 54 % ) , bare soil , forest, grassland and water bodies. Mapping of usage and land occupation were performed using object-oriented image analysis (using the algorithms k nearest neighbor and support vector machine) and classification pixel by pixel (using maximum likelihood algorithm). The results showed that the analysis of object- oriented images using the k nearest neighbor was the best method for mapping the land use and occupation considering the classes of percentage of land coverage , with kappa index of 0,76 and overall accuracy of 86,34% .