Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/24095
Type: Artigo de periódico
Title: Técnicas de mineração de dados para identificação de áreas com cana-de-açúcar em imagens Landsat 5
Title Alternative: Data mining techniques for identification of sugarcane crop areas in images of Landsat 5
Author: Nonato, Robson T.
Oliveira, Stanley R. de M.
Abstract: This work investigated the adherence of data mining techniques oriented to data classification problems in the identification of sugarcane crop areas in Landsat 5/TM images. To do so, pixels of images having sugarcane crop areas were studied in three different phenological phases. Such pixels were converted into surface reflectance values in neighborhood of the towns Araras, Araraquara and São Carlos in São Paulo State. It were generated five decision tree models using the algorithm C4.5 and all of them produced accuracy rates above 90%. The introduction of texture attributes brought significant gains in accuracy of the classification model and helped improve the model of distinction of areas cultivated with sugarcane in the midst of various types of land cover, such as bare soil, urban areas, lakes and rivers. The vegetation indices were relevant in distinguishing phenological phases. The results support the potential of decision trees in process of classification and identification of areas cultivated with sugarcane in different cities inside São Paulo state.
Neste trabalho, verificou-se a aderência de técnicas de mineração de dados voltadas para problemas de classificação de dados na identificação automatizada de áreas cultivadas com cana-de-açúcar, em imagens do satélite Landsat 5/TM. Para essa verificação, foram estudadas imagens de áreas cultivadas com cana-de-açúcar em três fases fenológicas diferentes. Os pixels foram convertidos em valores de refletância de superfície, nas vizinhanças das cidades de Araras, São Carlos e Araraquara, no Estado de São Paulo. Foram gerados cinco modelos de árvores de decisão binária, induzidos pelo algoritmo C4.5, em que todos produziram taxas de acerto superiores a 90%. A introdução de atributos de textura trouxe ganhos significativos na acurácia do modelo de classificação e contribuiu para melhorar a distinção de áreas cultivadas com cana-de-açúcar em meio a tipos diversos de cobertura do solo, como solo exposto, área urbana, lagos e rios. Os índices de vegetação mostraram-se relevantes na distinção da fase e do estado fenológico das culturas. Os resultados reforçam o potencial forte das árvores de decisão no processo de classificação e identificação de áreas cultivadas com cana-de-açúcar, em diferentes cidades produtoras, no Estado de São Paulo.
Subject: mapeamento agrícola
classificação de imagens
árvore de decisão
sensoriamento remoto
agricultural mapping
image classification
decision tree
remote sensing
Editor: Associação Brasileira de Engenharia Agrícola
Rights: aberto
Identifier DOI: 10.1590/S0100-69162013000600019
Address: http://dx.doi.org/10.1590/S0100-69162013000600019
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-69162013000600019
Date Issue: 1-Dec-2013
Appears in Collections:Artigos e Materiais de Revistas Científicas - Unicamp

Files in This Item:
File Description SizeFormat 
S0100-69162013000600019.pdf474.08 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.