As métricas de ecologia da paisagem associadas à mineração de dados podem ser utilizadas para aumentar o potencial de análise e aplicações de dados de sensoriamento remoto, tornando-se uma importante ferramenta para a tomada de decisão. Dessa forma, objetivou-se classificar e quantificar diferentes tipos de vegetação por meio de técnicas de mineração de dados e métricas de ecologia da paisagem em uma análise multitemporal (2001 e 2011), em São Luís do Paraitinga, São Paulo, Brasil. A análise de imagens orientada a objetos e o algoritmo de mineração de dados C4.5 foram utilizados para realizar a classificação automática, cuja precisão foi avaliada com o índice kappa e com as medidas de discordância de alocação e de quantidade, recentemente propostas na literatura. Foram classificadas quatro classes de uso e cobertura da terra, entre elas o Eucalipto cuja área aumentou de 4,4% para 8,6%. A classificação automática apresentou kappa de 0,79 e 0,8, erros de quantidade de 2% e 3,5% e alocação de 5,5% e 5% para 2001 e 2011, respectivamente. Conclui-se que o método de mineração de dados e as métricas de ecologia da paisagem foram eficientes na separação de classes de vegetação.
The landscape ecology metrics associated with data mining can be used to increase the potential of remote sensing data analysis and applications, being an important tool for decision making. The present study aimed to use data mining techniques and landscape ecology metrics to classify and quantify different types of vegetation using a multitemporal analysis (2001 and 2011), in São Luís do Paraitinga city, São Paulo, Brazil. Object-based image analyses and the C4.5 data-mining algorithm were used for automated classification. Classification accuracies were assessed using the kappa index of agreement and the recently proposed allocation and quantity disagreement measures. Four land use and land cover classes were mapped, including Eucalyptus plantations, whose area increased from 4.4% to 8.6%. The automatic classification showed a kappa index of 0.79 and 0.80, quantity disagreements of 2% e 3.5% and allocation measures of 5.5% and 5% for 2001 and 2011, respectively. We therefore concluded that the data mining method and landscape ecology metrics were efficient in separating vegetation classes.
