O uso de técnicas de sensoriamento remoto orbital representa um significativo avanço para os levantamentos de dados da cafeicultura, principalmente visando a complementação das técnicas utilizadas atualmente. Objetivou-se,neste trabalho, mapear áreas cafeeiras em imagens de alta resolução, a partir de métodos de classificação por análise de imagens orientada a objeto, com os algoritmos k nearest neighbor (KNN), support vector machine (SVM) e pixel-a-pixel, com o algoritmo maximum likelihood (Maxver). A área de estudo foi mapeada, em duas classes: ‘café’ e ‘outros usos’. Realizou- se a análise da exatidão dos mapeamentos a partir da comparação com o mapa de referência da área e foi constatado que a classificação pixel a pixel, pelo método maximum likelihood, obteve os melhores resultados, com 0,78 de índice kappa e 94,61% de exatidão. Conclui-se, a partir deste estudo que o método pixel a pixel do algoritmo Maxver mostra-se mais eficiente para discriminar café, quando se considera somente dois tipos de uso da terra, café e não café, em imagens de alta resolução
The use of remote sensing techniques represents a significant advance for the coffee crop data, mainly to complement the currently techniques that have been used. In this context, this study aimed to map coffee areas in high resolution images using object-oriented images analyses methods, with k nearest neighbor (KNN) and support vector machine (SVM) algorithm, and pixel-by-pixel methods, using maximum likelihood (Maxver) algorithm. The study area was mapped using two classes: ‘coffee’ and ‘other uses’. We performed the mappings accuracy analysis using reference map and it was found that the pixel by pixel classification with maximum likelihood algorithm has the best results, with kappa value of 0.78 and 94.61% of accuracy. In this study, we concluded that the pixel by pixel method of Maxver algorithm seems more efficient to discriminate coffee areas when considering only two types of land use, coffee and no coffee, in high resolution images.
