Resumo: O objetivo deste trabalho foi avaliar o desempenho dos classificadores digitais SVM e K-NN para a classificação orientada a objeto em imagens Landsat-8, aplicados ao mapeamento de uso e cobertura do solo da Alta Bacia do Rio Piracicaba-Jaguari, MG. A etapa de pré-processamento contou com a conversão radiométrica e a minimização dos efeitos atmosféricos. Em seguida, foi feita a fusão das bandas multiespectrais (30 m) com a banda pancromática (15 m). Com base em composições RGB e inspeções de campo, definiram-se 15 classes de uso e cobertura do solo. Para a segmentação de bordas, aplicaram-se os limiares 10 e 60 para as configurações de segmentação e união no aplicativo ENVI. A classificação foi feita usando SVM e K-NN. Ambos os classificadores apresentaram elevados valores de índice Kappa (k): 0,92 para SVM e 0,86 para K-NN, significativamente diferentes entre si a 95% de probabilidade. Uma significativa melhoria foi observada para SVM, na classificação correta de diferentes tipologias florestais. A classificação orientada a objetos é amplamente aplicada em imagens de alta resolução espacial; no entanto, os resultados obtidos no presente trabalho mostram a robustez do método também para imagens de média resolução espacial.

Abstract: The objective of this work was to evaluate the performance of SVM and K-NN digital classifiers for the object-based classification on Landsat-8 images, applied to mapping of land use and land cover of Alta Bacia do Rio Piracicaba-Jaguari, in the state of Minas Gerais, Brazil. The pre-processing step consisted of using radiometric conversion and atmospheric correction. Then the multispectral bands (30 m) were merged with the panchromatic band (15 m). Based on RGP compositions and field inspection, 15 land-use and land-cover classes were defined. For edge segmentation, the bounds were set to 10 and 60 for segmentation configuring and merging in the ENVI software. Classification was done using SVM and K-NN. Both classifiers showed high values for the Kappa index (k): 0.92 for SVM and 0.86 for K-NN, significantly different from each other at 95% probability. A major improvement was observed for SVM by the correct classification of different forest types. The object-based classification is largely applied on high-resolution spatial images; however, the results of the present work show the robustness of the method also for medium-resolution spatial images.

O objetivo deste trabalho foi avaliar a correlação entre variáveis espectrais e o estoque de carbono da biomassa aérea de sistemas agroflorestais da região de Tomé‑Açu, PA. Foram testados 24 índices de vegetação de três grupos (razão simples, diferença normalizada e complexos), gerados a partir de imagens do sensor TM/Landsat‑5, adquiridas em 2008. As variáveis obtidas foram correlacionadas, por meio de regressão linear simples, ao estoque de carbono de quatro classes de sistemas agroflorestais, de diferentes idades e composições florísticas. As correlações obtidas entre as variáveis espectrais e o estoque de carbono foram significativas em 47% dos índices testados e variaram de acordo com as diferenças de biomassa nos sistemas analisados. As melhores correlações foram obtidas pelos índices de vegetação de razão simples e de diferença normalizada, em sistemas agroflorestais jovens, e pelos índices de vegetação complexos, em sistemas agroflorestais mais antigos.

The objective of this work was to evaluate the correlation between spectral variables and aboveground carbon stock of agroforestry systems in the region of Tomé‑Açu, PA, Brazil. Twenty‑four vegetation indices from three groups (simple ratio, normalized difference, and complex), calculated from images of the TM/Landsat‑5 sensor acquired in 2008, were tested. The obtained variables were correlated, by means of simple linear regression, to carbon stock from four agroforestry systems with different ages and floristic composition. The correlations obtained among spectral variables and carbon stock were significant in 47% of the tested indices and changed according to the differences in biomass of the analyzed systems. The best correlations were obtained by the simple ratio and normalized difference indices in young agroforestry systems, and by complex vegetation indices in older agroforestry systems.