Comparação de classificadores supervisionados na discriminação de áreas cafeeiras em Campos Gerais - Minas Gerais

Christiany Mattioli Sarmiento; Gláucia Miranda Ramirez; Priscila Pereira Coltri; Luis Felipe Lima e Silva; Otávio Augusto Carvalho Nassur; Jefferson Francisco Soares

doi:10.25186/cs.v9i4.760

Authors

Christiany Mattioli Sarmiento UNIVERSIDADE FEDERAL DE LAVRAS
Gláucia Miranda Ramirez UNIVERSIDADE FEDERAL DE LAVRAS
Priscila Pereira Coltri CEPAGRI/UNICAMP
Luis Felipe Lima e Silva UNIVERSIDADE FEDERAL DE LAVRAS
Otávio Augusto Carvalho Nassur UNIVERSIDADE FEDERAL DE LAVRAS
Jefferson Francisco Soares UNIVERSIDADE FEDERAL DE LAVRAS

DOI:

https://doi.org/10.25186/cs.v9i4.760

Keywords:

Remote sensing, coffee farming, object-oriented image analyses, accuracy

Abstract

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.

Author Biographies

Christiany Mattioli Sarmiento, UNIVERSIDADE FEDERAL DE LAVRAS

Geógrafa pela Universidade Federal de Alfenas, Mestre em Engenharia Agrícola pela Universidade Federal de Lavras. Trabalha na linha de epesquisa Geoprocessamento desde a graduação. Atualmente é aluna de doutorado do Programa de Pós Graduação em Engenharia Agrícola da Universidade Federal de Lavras, Departamento de Engenharia, Laboratório de Geoprocessamento.

Gláucia Miranda Ramirez, UNIVERSIDADE FEDERAL DE LAVRAS

Graduação em Engenharia Agronômica pela Faculdade de Engenharia de Ilha Solteira (1999), mestrado em Engenharia Agrícola pela Universidade Estadual de Campinas (2002) e doutorado em Engenharia Agrícola pela Universidade Estadual de Campinas (2009). Atualmente é professora da Universidade Federal de Lavras (UFLA), atuando na área de Geoprocessamento e Sensoriamento Remoto voltados ao monitoramento agrícola e ambiental.

Priscila Pereira Coltri, CEPAGRI/UNICAMP

Possui graduação em Engenharia Agronomica pela Universidade de São Paulo - ESALQ/USP (2002), Licenciada em Ciências Agrárias pela Universidade de São Paulo (2002). Possui especialização em Gerenciamento Ambiental pela Universidade de São Paulo (2003). Mestre em Agronomia, na área de Fitotecnia pela Universidade de São Paulo (2006). Foi Bolsista (Modalidade DTI, CNPQ) do Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) do Instituto Nacional de Pesquisas Espaciais (INPE). Possui doutorado pela Faculdade de Engenharia Agrícola (Feagri), da Universidade Estadual de Campinas (UNICAMP). O doutorado foi realizado no Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura (CEPAGRI). Fez doutorado sanduíche na Universidade de Rennes 2, França. Foi é bolsista Pós-Doc no exterior (PDE - CNPQ) no "Le Laboratoire des Sciences du Climat et l'Environnement (LSCE)", França (2013). Atualmente é Pesquisadora do Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura (CEPAGRI), UNICAMP. Atua principalmente nas seguintes linhas de pesquisa: Meteorologia e Climatologia Aplicadas ao Planejamento e Monitoramento Agrícolas; Geotecnologias Aplicadas ao Planejamento e Monitoramento Agrícolas.

Luis Felipe Lima e Silva, UNIVERSIDADE FEDERAL DE LAVRAS

Mestre em ciências, graduado pela Universidade Federal de Lavras em 2012. Atualmente realiza trabalhos como pesquisador e é aluno de doutorado em Agronomia/Fitotecnia no Departamento de Agricultura da Universidade Federal de Lavras. Trabalhos desenvolvidos principalmente nas áreas de Agronomia/Fitotecnia/Melhoramento Genético de Hortaliças; com ênfase em balanço energético para a produção de biocombustíveis a partir de culturas olerícolas e em realizar o resgate, preservação e estudo científico das hortaliças consideradas não convencionais.

Otávio Augusto Carvalho Nassur, UNIVERSIDADE FEDERAL DE LAVRAS

Possui graduação em Engenharia Florestal pela Universidade Federal de Lavras (2007) e mestrado em Ciência e Tecnologia da Madeira pela Universidade Federal de Lavras (2010). É aluno de doutorado do Programa de Pós graduação em Engenharia Agrícola da Universidade Federal de Lavras.

Jefferson Francisco Soares, UNIVERSIDADE FEDERAL DE LAVRAS

Graduando em Ciências Biológicas, participante do Programa Institucional Voluntário de Iniciação Científica da UFLA (PIVIC), atualmente é Técnico de Meio Ambiente - Consórcio AHE Funil, tem experiência na área de Geotecnologia, atuando nas execuções dos trabalhos de geoprocessamento dentre outras atividades ligadas à atuação de profissional de Biólogo na setor de Meio Ambiente. É aluno de mestrado do Programa de Pós graduação em Engenharia Agrícola da Universidade Federal de Lavras.

References

AGUIRRE-GUTIÉRREZ, J.; SEIJMONSBERGEN, A. C.; DUIVENVOORDEN, J. F. Optimizing land cover classification accuracy for change detection, a combined pixel-based and object-based approach in a mountainous area in Mexico. Applied Geography, Amsterdam, v. 34, n. 1, p. 29-37, 2012.

ANDRADE, L. N. de et al. Aplicação de redes neurais artificiais na classificação de áreas cafeeiras em Machado, MG. Coffee Science, Lavras, v. 8, n. 1, p. 78-90, mar. 2013.

ARAUJO, T. P.; MELLO, F, M. Processamento de imagens digitais – razão entre bandas. Geociências, São Paulo, n. 1, p.121-131, 2010.

BAUSCH, W. C.; HALVORSON, A. D.; CIPRA, J. Quickbird satellite and ground-based multispectral data correlations with agronomic parameters of irrigated maize grown in small plots. Biosystems Engineering, New York, v. 101, n. 1, p. 306-315, 2008.

BERNARDES, T. et al. Diagnóstico físico-ambiental da cafeicultura no estado de Minas Gerais, Brasil. Coffee Science, Lavras, v. 7, n. 2, p. 139-151, ago. 2012.

BISPO, R. C. Utilização de dados do sensor modis no monitoramento e mapeamento da cultura de café. 2013. 69 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Estadual de Campinas, Campinas, 2013.

BLASCHKE, T. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, Amsterdam, v. 65, n. 1, p. 2-16, 2010.

BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Informe estatístico do café, julho de 2013. Disponível em: <http://www.agricultura.gov.br/arq_editor/file/vegetal/Estatistica/Caf%C3%A9/Informe%20Caf%25E9%20-%20Julho-2013.xls>. Acesso em: 7 set. 2013.

BUDRESKI, K. A. et al. Comparison of segment and pixel-based non-parametric land cover classification in the Brazilian Amazon using multitemporal landsat TM/ETM imagery. Photogrammetric Engineering & Remote Sensing, Bethesda, v. 73, n. 7, p. 813-827,

July 2007.

CAMPOS, A. R. et al. Classificação orientada à objeto para mapeamento do uso e cobertura do solo do município de Rio Acima, MG: por crescimento de regiões e por extração de objetos. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu. Anais... São José dos Campos: INPE, 2013. p. 8035-8042.

COLTRI, P. P. et al. Classificação de áreas de café em Minas Gerais por meio do novo algoritmo QMAS em imagem espectral Geoeye-1. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 15., 2011, Curitiba. Anais... São José dos Campos: Inpe, 2011. p. 539 - 546.

COMPANHIA NACIONAL DE ABASTECIMENTO. Avaliação da safra agrícola cafeeira 2013, segunda estimativa, maio/2013. Brasília, 2013. 20 p. Disponível em: <http://www.conab.gov.br/OlalaCMS/uploads/arquivos/13_05_14_09_35_12_boletim_cafe_maio_2013.pdf>. Acesso em: 8 set. 2013.

CORDERO-SANCHO, S.; SADER, S. A. Spectral analysis and classification accuracy of coffee crops using Landsat and a topographic-environmental model. International Journal of Remote Sensing, Orono, v. 28, n. 7, p. 1577-1593, Apr. 2007.

DURO, D. C.; FRANKLIN, S. E.; DUBÉ, M. G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery. Remote Sensing of Environment, Ottawa, v. 118, n. 1, p. 259-272, Jan. 2012.

FARIA, F. A. et al. Automatic fusion of region-based classifiers for coffee crop recognition. In: IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SOCIETY, 30., 2010, Honolulu. Proceedings… Honolulu: Igarss, 2012. p. 1-4.

FERNANDES, R. F.; NUNES, G. M.; SILVA, T. S. F. Classificação orientada a objetos aplicada na caracterização da cobertura da terra no Araguiaia. Pesquisa Agropecuária Brasileira, Brasília, v. 47, n. 9, p. 1251-1260, set. 2012.

FERREIRA, E.; DANTAS, A. A. A.; MORAIS, A. R. Exatidão na classificação de fragmentos de matas em imagem do satélite Cbers-CCD, no município de Lavras, MG. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 13., 2007, Florianópolis. Anais... São José dos Campos: Inpe, 2007. p. 887 - 894.

FUKUNAGA, K.; NARENDRA, P.M. A Branch and Bound Algorithms for Computing k-Nearest Neighbors. IEEE Transactions on Computers. v. 24, n.7, p. 750-753, 1975

HUANG, C.; DAVIS, L. S.; TOWNSHEND, J. R. G. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, Maryland, v. 23, n. 4, p. 725-749, 2002.

JENSEN, J. R. Introductory digital image processing. Englewood Cliffs: Prentice-Hall, 1996. 51 p.

LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, Washington, v. 33, n. 1, p. 159-174, 1977.

MACHADO, M. L. et al. Mapeamento de áreas cafeeiras (Coffea arabica L.) da Zona da Mata mineira usando sensoriamento remoto. Coffee Science, Lavras, v. 5, n. 2, p. 113-122, maio 2010.

MARTÍNEZ-VERDUZCO, G. C.; GALEANA-PIZAÑA, J. M.; CRUZ-BELLO, G. M. Coupling community mapping and supervised classification to discriminate Shade coffee from Natural vegetation. Applied Geography, Oxford, v. 34, p. 1-9, 2012.

MARUJO, R. F. B. et al. Classificação orientada à objetos aplicada à cultivos cafeeiros em Três Pontas, MG. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu. Anais... São José dos Campos: INPE, 2013. p. 1338-1345.

MOREIRA, M. A.; ADAMI, M.; RUDORFF, B. F. T. Análise espectral e temporal da cultura do café em imagens Landsat. Pesquisa Agropecuária Brasileira, Brasília, v. 39, n. 3, p. 223-231, mar. 2004.

MOREIRA, M. A. et al. Tecnologia de informação: imagens de satélite para o mapeamento de áreas de café de Minas Gerais. Informe Agropecuário, Belo Horizonte, v. 28, n. 241, p. 27-37, dez. 2007

MOREIRA, M. A. et al. Geotecnologias para mapear lavouras de café nos estados de Minas Gerais e São Paulo. Revista Engenharia Agrícola, Jaboticabal, v. 30, n. 6, p. 1123-1135, dez. 2010.

MOURA, L. C. et al. Levantamento e mapeamento espaço: temporal dos cafezais no município mineiro de Machado. Caminhos de Geografia, Uberlândia, v. 10, n. 31, p. 124-134, set. 2009.

MOUNTRAKIS, G.; JUNGHOIM, C. O. Support vector machines in remote sensing: a review. ISPRS Journal of Photogrammetry and Remote Sensing, New York, v. 2011, n. 66, p. 247-259, Dec. 2010.

NASCIMENTO, C. R.; ZULLO JÚNIOR, J. Impacto da correção atmosférica de imagens AVHRR/NOAA-17 no cálculo do índice de vegetação NDVI. Revista Brasileira de Ciências Agrárias, Recife, v. 5, n. 2, p.256-264, feb. 2010.

NOMA, A.; KORTING, T. S.; FONSECA, L. M. G. Integração de dados orbitais de sensoriamento remoto para estimar áreas da floresta Ombrófila densa do Estado do Paraná. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu. Anais... São José dos Campos: INPE, 2013. p. 2250-2257.

ORTEGA-HUERTA, M. A. et al. Mapping coffee plantations with Landsat imagery: an example from El Salvador. International Journal of Remote Sensing, La Libertad, v. 33, n. 1, p. 220-242, Jan. 2012.

RAMIREZ, G. M.; ZULLO-JUNIOR, J. Estimativa de parâmetros biofísicos de plantios de café a partir de imagens orbitais de alta resolução espacial. Revista Engenharia Agrícola, Jaboticabal, v. 30, n. 3, p. 468-479, jun. 2010.

ROUSE, J. W. et al. Monitoring vegetation systems in the great plains with ERTS. In: ERTS SYMPOSIUM, 3., 1973, Washington. Proceedings… Washington: NASA, 1973. p. 309-317.

SOUZA, V. C. O. et al. Espacialização e dinâmica da cafeicultura mineira entre 1990 e 2008, utilizando técnicas de geoprocessamento. Coffee Science, Lavras, v. 7, n. 2, p. 122-134, maio/ago. 2012.

TRABAQUINI, K. et al. Caracterização de lavouras cafeeiras, utilizando técnicas de geoprocessamento e sensoriamento remoto, no município de Umuarama, PR. Ciência e Agrotecnologia, Lavras, v. 35, n. 1, p. 35-44, fev. 2011.

VINCENT, L.; SOILLE, P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence, Paris, v. 13, n. 6, p. 583-598, June 1991.

VIEIRA, T. G. C. et al. Geothecnologies in the assessment of land use changes in coffee regions of the state of Minas Gerais in Brasil. Coffee Science, Lavras, v. 2, n. 2, p. 142-149, dez. 2007.

XU, Y. et al. Coarse to fine K nearest neighbor classifier. Pattern Recognition Letters, North-Holland, v. 34, p. 980-986, Feb. 2013.

YAN, G. et al. Comparison of pixel‐based and object‐oriented image classification approaches-a case study in a coal fire area, Wuda, Inner Mongolia, China. International Journal of Remote Sensing, Basingstoke, v. 27, n. 18, p. 4039-4055, Mar. 2006.

YU, Q. et al. Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery. Photogrammetric Engineering & Remote Sensing, Berkeley, v. 72, n. 7, p. 799-811, July 2006.

ZULLO-JUNIOR, J. Correção atmosférica de imagens de satélite e aplicações. 1994. 204 p. Tese (Doutorado em Engenharia Elétrica) - Universidade Estadual de Campinas, Campinas, 1994.

ZULLO JUNIOR, J. et al. Potential for growing Arabica coffee in the extreme south of Brazil in a warmer world. Climatic Change, Netherlands, v. 109, p. 535-548, 2011.

Comparison of supervised classifiers in discrimination coffee areas filds in Campos Gerais - Minas Gerais