The coffee is extremely important activity in southern of Minas Gerais and techniques for estimating acreage, seeking reliable crop forecasts are being intensely investigated. It is presented in this study, an application of Artificial Neural Networks (ANN) for the automatic classification of remote sensing data in order to identify areas of the coffee region Machado, Minas Gerais. The methodology for developing the application of RNA was divided into three stages: pre-processing of data, training and use of RNA, and analysis of results. The first step was performed dividing the study area into two parts (one embossed busiest and least busy one with relief), because this region has a strong emphasis smooth wavy, causing a greater difficulty of automatic mapping of use earth from satellite images. Masks were also created in the drainage network and the urban area. In the second step, various RNA’s were trained from several samples representative of the classes of images of interest and was made to classify the rest of the image obtained using the best RNA. The third step consisted in analyzing and validating the results, performing a cross between the classified map and the map visually classified by neural network chosen. We used the Kappa index to evaluate the performance of the RNA, since the use of this coefficient is satisfactory to assess the accuracy of a thematic classification. The result was higher than the results reported in the literature, with a Kappa index of 0.558 to 0.602 relief busiest and least busy for relief.
A cafeicultura é atividade de fundamental importância na região sul de Minas Gerais e técnicas de estimativa da área plantada, visando previsões de safra confiáveis, estão sendo intensamente pesquisadas. Apresenta-se,no presente estudo, uma aplicação de Redes Neurais Artificiais (RNA) para a classificação automática de dados de sensoriamento remoto, objetivando identificar áreas cafeeiras da região de Machado, MG. A metodologia para desenvolvimento da aplicação da RNA foi dividida em três etapas: pré-processamento dos dados; treinamento e uso da RNA; e análise dos resultados. Na primeira etapa foi realizada a divisão da área em estudo em duas partes (uma com relevo mais movimentado e outra com relevo menos movimentado), isso porque a região apresenta relevo suave ondulado a forte ondulado, o que acarreta maior dificuldade do mapeamento automático do uso da terra a partir de imagens de satélite. Foram também criadas máscaras na rede de drenagem e área urbana. Na segunda etapa, diversas RNAs foram treinadas a partir de várias amostras de imagens representativas das classes de interesse e foi feita a classificação do restante da imagem utilizando a melhor RNA obtida. A terceira etapa consistiu na análise e validação dos resultados, realizando um cruzamento entre o mapa classificado visualmente e o mapa classificado pela Rede Neural escolhida. Utilizou-se o índice Kappa para avaliar o desempenho da RNA, uma vez que o uso desse coeficiente é satisfatório na avaliação da precisão de uma classificação temática. O resultado obtido foi superior aos resultados encontrados na literatura, com um índice Kappa de 0,558 para o relevo mais movimentado e 0,602 para o relevo menos movimentado.
