A classificação de uso e cobertura da terra é uma das principais aplicações do sensoriamento remoto. Contudo, a precisão no mapeamento da distribuição espacial do uso/cobertura da terra é um desafio, principalmente em regiões tropicais úmidas, em razão do complexo ambiente biofísico e das limitações dos dados de sensoriamento remoto per se. Este trabalho revisa experimentos relacionados à classificação do uso/cobertura da terra na Amazônia brasileira, durante uma década. A partir de análise compreensiva dos resultados de classificação, conclui-se que a informação espacial, em dados de sensoriamento remoto, tem papel fundamental na melhoria da classificação de uso/cobertura da terra. A incorporação de imagens de textura, em bandas multiespectrais, e o uso de método baseado em segmentação são formas importantes de melhorar a classificação, especialmente para imagens de alta resolução espacial. A fusão de dados de imagens de resolução múltipla dentro de dados do sensor ótico é vital para a interpretação visual, mas pode não melhorar o desempenho da classificação. Em contraste, a integração de dados ópticos e de radar melhorou o desempenho da classificação, quando o método adequado de fusão de dados foi utilizado. Entre os algoritmos de classificação disponíveis, o classificador de máxima verossimilhança ainda é importante para se obter precisão razoável, mas algoritmos não paramétricos, como a análise por árvore de decisão, podem promover melhores resultados. Porém, algoritmos não paramétricos geralmente demandam mais tempo para obtenção da parametrização otimizada. O uso adequado de métodos baseados em hierarquia é fundamental para a precisão na classificação de uso/cobertura da terra, sobretudo em dados de sensoriamento remoto antigos.
Land use/cover classification is one of the most important applications in remote sensing. However, mapping accurate land use/cover spatial distribution is a challenge, particularly in moist tropical regions, due to the complex biophysical environment and limitations of remote sensing data per se. This paper reviews experiments related to land use/cover classification in the Brazilian Amazon for a decade. Through comprehensive analysis of the classification results, it is concluded that spatial information inherent in remote sensing data plays an essential role in improving land use/cover classification. Incorporation of suitable textural images into multispectral bands and use of segmentation‑based method are valuable ways to improve land use/cover classification, especially for high spatial resolution images. Data fusion of multi‑resolution images within optical sensor data is vital for visual interpretation, but may not improve classification performance. In contrast, integration of optical and radar data did improve classification performance when the proper data fusion method was used. Among the classification algorithms available, the maximum likelihood classifier is still an important method for providing reasonably good accuracy, but nonparametric algorithms, such as classification tree analysis, have the potential to provide better results. However, they often require more time to achieve parametric optimization. Proper use of hierarchical‑based methods is fundamental for developing accurate land use/cover classification, mainly from historical remotely sensed data.
