Dados de sensoriamento remoto têm sido largamente utilizados para classificação da cobertura
e uso da terra, em particular graças à aquisição periódica de imagens de satélite e à generalização dos sistemas
de processamento digital de imagens, que oferecem uma variedade de algoritmos de classificação de imagens.
Este trabalho teve por objetivo avaliar alguns dos métodos mais comuns de classificações supervisionadas
e não supervisionadas para imagens do sensor TM do satélite Landsat-5, em três áreas com diferentes padrões
de paisagem em Rondônia: (1) áreas de fazendas de “Médio porte”, (2) assentamentos no padrão “Espinha
de peixe” e (3) áreas de contato entre floresta e “Cerrado”. A comparação com um mapa de referência baseado
na estatística Kappa produziu indicadores de desempenho bons ou superiores (melhores resultados – K-médias:
k = 0,68; k = 0,77; k = 0,64 e MaxVer: k = 0,71; k = 0,89; k = 0,70, respectivamente nas três áreas citadas),
para os algoritmos utilizados. Os resultados indicaram que a escolha de um algoritmo deve considerar tanto
a capacidade de discriminar várias assinaturas espectrais em diferentes padrões de paisagem quanto a relação
custo/benefício decorrente das várias etapas do trabalho dos operadores que elaboram um mapa de cobertura
e uso da terra. Este trabalho apontou a necessidade de esforço mais sistemático de avaliação prévia de várias
opções de execução de um projeto específico antes de se iniciar o trabalho de elaboração de um mapa de cobertura
e uso da terra.
Remotely sensed imagery has been widely used for land use/cover classification thanks to the
periodic data acquisition and the widespread use of digital image processing systems offering a wide range
of classification algorithms. The aim of this work was to evaluate some of the most commonly used supervised
and unsupervised classification algorithms under different landscape patterns found in Rondônia, including
(1) areas of mid-size farms, (2) "fish-bone" settlements and (3) a gradient of forest and Cerrado (Brazilian
savannah). Comparison with a reference map based on the kappa statistics resulted in good to superior indicators
(best results - K-means: k=0.68; k=0.77; k=0.64 and MaxVer: k=0.71; k=0.89; k=0.70 respectively for three
areas mentioned). Results show that choosing a specific algorithm requires to take into account both its capacity
to discriminate among various spectral signatures under different landscape patterns as well as a cost/benefit
analysis considering the different steps performed by the operator performing a land cover/use map. it is
suggested that a more systematic assessment of several options of implementation of a specific project is
needed prior to beginning a land use/cover mapping job.
