Este estudo teve o objetivo geral estabelecer uma metodologia para a estratificação de povoamentos florestais, baseada no processamento semi- automatizado de imagens de sensoriamento remoto. Para isso, foram utilizadas técnicas de segmentação e classificação orientada ao objeto em imagens de alta e média resolução espacial. A meta foi a elaboração de mapas segmentados em diferentes estratos, visando ao aumento da precisão e ou a redução do custo do inventário florestal. As imagens Landsat, Spot e QuickBird foram segmentadas utilizando-se diferentes parâmetros de escala, gerando, assim, conjuntos de segmentos com diferentes tamanhos e formas. A classificação foi realizada por meio do classificador vizinho mais próximo, utilizando as informações de volume das parcelas permanentes, oriundas do inventário florestal, a fim de classificar os segmentos segundo este critério. Para a comparação da eficiência na estratificação das imagens, calculou-se o erro do inventário utilizando-se a formulação da amostragem estratificada em comparação à amostragem casual simples. Os resultados demonstraram que a segmentação e a posterior classificação dos segmentos foram eficientes, segundo o coeficiente de concordância Kappa. Considerando os parâmetros de escala testados, obteve-se um valor Kappa superior naquele que produziu segmentos menores, com acurácia global superior a 80%, exceto para a imagem QuickBird. Isso se deve ao fato de que, em segmentos maiores, pode ocorrer mais de uma parcela, aumentando a incerteza na classificação dos mesmos. O menor erro de inventário foi obtido para a imagem Spot, possibilitando concluir que a resolução espacial é importante na segmentação e na estratificação das imagens, porém, até certo limite, já que, dependendo do objeto estudado, um alto nível de detalhamento pode dificultar o processo de segmentação e estratificação da imagem.
This study established a methodology for stratifying forest plantation, based on the half-authomatized processing of remote sensing images. For achieving this, techniques of guided object segmentation and classification of high and average spatial resolution images were used. The goal was the elaboration of segmented maps in different strata, aiming at increasing the precision and reducing forest inventory cost. The images Landsat, Spot and QuickBird were segmented, using different parameters of scale, generating, sets of segments with different sizes and forms. The classification was carried out by means of the nearest neighbor classification algorithm, using the information of volume of permanent parcels of the forest inventory, in order to classify the segments according to this criterion. For the comparison of the efficiency in the stratification of the images, the error of the inventory was calculated using the formularization of the stratified sampling in comparison to simple casual sampling. The results demonstrated that the segmentation and the posterior classification of the segments were efficient, according to Kappa. Coefficient of Agreement. Considering the tested parameter scale, the obtained Kappa values were larger in the smaller segments, with global accuracy over 80%, except for the QuickBird image. This, probably, is due to the fact that, in larger segments can occur more than one parcel, increasing the uncertainty of their classification. The smaller inventory error was obtained in the Spot image, allowing the conclusion that the space resolution is important in image segmentation and stratification. However, only until reaching certain limit, since, depending on the studied object, a too high level of detailing may difficult the process of image segmentation and stratification.
