Resumo O objetivo deste trabalho foi avaliar a eficiência do uso de Redes Neurais Artificiais (RNA) para a classificação de uso do solo da Bacia Hidrográfica do Rio Japaratuba - SE, a partir de uma imagem de sensoriamento remoto. Uma classificação pelo método Máxima Verossimilhança foi realizada para ser comparada com as classificações geradas por RNA, uma vez que o primeiro método já é consolidado na literatura. Para avaliar a eficiência das classificações foram analisados o índice Kappa, Exatidão Global e Raiz do Erro Médio Quadrático (REMQ). A classificação por Máxima Verossimilhança obteve índice Kappa de 0,95 e Exatidão Global de 96,43%. A RNA cuja arquitetura se mostrou mais eficiente obteve índice Kappa de 0,93, Exatidão Global de 94,14% e REMQ oscilando entre 0,35 e 0,45 durante suas 10000 iterações, sendo o valor estipulado como ótimo igual a 0,10. As RNA se mostraram eficientes na classificação de uso de solo a partir de imagens de sensoriamento remoto, tendo em vista que os resultados dos parâmetros de acurácia apresentaram valores que indicam uma concordância quase perfeita na classificação realizada por seis das oito arquiteturas de RNA testadas. Dessa forma os produtos gerados podem ser utilizados como ferramenta técnico-gerencial para a gestão ambiental da área de estudo.
Abstract The objective of this work was to evaluate the efficiency of the use of Artificial Neural Networks (ANN) for the classification of land use of the Japaratuba River Basin - SE, from a remote sensing image. A classification by the Maximum Likelihood method was performed to be compared with the classifications generated by ANN, since the first method is already consolidated in the literature. To assess the classifications efficiency, the Kappa Index, Global Accuracy and Root Mean Square Error (RMSE) were analyzed. The Maximum Likelihood classification obtained Kappa Index of 0.95 and Global Accuracy of 96.43%. The ANN architecture more efficient obtained a Kappa Index of 0.93, Global Accuracy of 94.14% and RMSE oscillating between 0.35 and 0.45 during its 10,000 iterations, while the value stipulated as excellent was 0.10. The ANN proved to be efficient in the classification of land use from remote sensing images, since the results of the accuracy parameters showed values that indicate an almost perfect agreement in the classification performed by six of the eight ANN's architectures tested. Thus the generated products can be used as a technical-managerial tool for the environmental management of the study area.