dc.creatorSarmiento C.M.
dc.creatorRamirez G.M.
dc.creatorColtri P.P.
dc.creatore Silva L.F.L.
dc.creatorNassur O.A.C.
dc.creatorSoares J.F.
dc.date2014
dc.date2015-06-25T17:54:31Z
dc.date2015-11-26T14:34:33Z
dc.date2015-06-25T17:54:31Z
dc.date2015-11-26T14:34:33Z
dc.date.accessioned2018-03-28T21:37:57Z
dc.date.available2018-03-28T21:37:57Z
dc.identifier
dc.identifierCoffee Science. Editora Ufla, v. 9, n. 4, p. 546 - 557, 2014.
dc.identifier18096875
dc.identifier
dc.identifierhttp://www.scopus.com/inward/record.url?eid=2-s2.0-84907778944&partnerID=40&md5=01ba895cb268d8e4456fb83a201ca61f
dc.identifierhttp://www.repositorio.unicamp.br/handle/REPOSIP/86704
dc.identifierhttp://repositorio.unicamp.br/jspui/handle/REPOSIP/86704
dc.identifier2-s2.0-84907778944
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/1248139
dc.descriptionThe use of remote sensing techniques represents a significant advance for the coffee crop data, mainly to complement the currently techniques that have been used. In this context, this study aimed to map coffee areas in high resolution images using object-oriented images analyses methods, with k nearest neighbor (KNN) and support vector machine (SVM) algorithm, and pixel-by-pixel methods, using maximum likelihood (Maxver) algorithm. The study area was mapped using two classes: ‘coffee’ and ‘other uses’. We performed the mappings accuracy analysis using reference map and it was found that the pixel by pixel classification with maximum likelihood algorithm has the best results, with kappa value of 0.78 and 94.61% of accuracy. In this study, we concluded that the pixel by pixel method of Maxver algorithm seems more efficient to discriminate coffee areas when considering only two types of land use, coffee and no coffee, in high resolution images.
dc.description9
dc.description4
dc.description546
dc.description557
dc.descriptionAguirre-Gutiérrez, J., Seijmonsbergen, A.C., Duivenvoorden, J.F., Optimizing land cover classification accuracy for change detection, a combined pixel-based and object-based approach in a mountainous area in Mexico (2012) Applied Geography, 34 (1), pp. 29-37. , Amsterdam
dc.descriptionde Andrade, L.N., Aplicação de redes neurais artificiais na classificação de áreas cafeeiras em Machado, MG (2013) Coffee Science, 8 (1), pp. 78-90. , mar. Lavras
dc.descriptionAraujo, T.P., Mello, F.M., Processamento de imagens digitais: Razão entre bandas (2010) Geociências, 1, pp. 121-131. , São Paulo
dc.descriptionBausch, W.C., Halvorson, A.D., Cipra, J., Quickbird satellite and ground-based multispectral data correlations with agronomic parameters of irrigated maize grown in small plots (2008) Biosystems Engineering, 101 (1), pp. 306-315. , New York
dc.descriptionBernardes, T., Diagnóstico físico-ambiental da cafeicultura no estado de Minas Gerais, Brasil (2012) Coffee Science, 7 (2), pp. 139-151. , ago. Lavras
dc.descriptionBispo, R.C., (2013) Utilização de dados do sensor modis no monitoramento e mapeamento da cultura de café, 69p. , Dissertação (Mestrado em Engenharia Agrícola)-Universidade Estadual de Campinas, Campinas, 2013
dc.descriptionBlaschke, T., Object based image analysis for remote sensing (2010) ISPRS Journal of Photogrammetry and Remote Sensing, 65 (1), pp. 2-16. , Amsterdam
dc.descriptionBRASIL. Ministério da Agricultura, Pecuária e Abastecimento, Informe estatístico do café, julho de 2013, , http://www.agricultura.gov.br/arq_editor/file/vegetal/Estatistica/Caf%C3%A9/Informe%20Caf%25E9%20-%20Julho-2013.xls, Disponível em:. Acesso em: 7 set. 2013
dc.descriptionBudreski, K.A., Comparison of segment and pixel-based non-parametric land cover classification in the Brazilian Amazon using multitemporal landsat TM/ETM imagery (2007) Photogrammetric Engineering & Remote Sensing, 73 (7), pp. 813-827. , July Bethesda
dc.descriptionCampos, A.R., Classificação orientada à objeto para mapeamento do uso e cobertura do solo do município de Rio Acima, MG: Por crescimento de regiões e por extração de objetos (2013) Anais, pp. 8035-8042. , SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu., São José dos Campos: INPE
dc.descriptionColtri, P.P., Classificação de áreas de café em Minas Gerais por meio do novo algoritmo QMAS em imagem espectral Geoeye-1 (2011) Anais, pp. 539-546. , SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 15., 2011, Curitiba., São José dos Campos: Inpe
dc.descriptionCompanhia Nacional de Abastecimento, (2013) Avaliação da safra agrícola cafeeira 2013, segunda estimativa, maio/2013, 20p. , http://www.conab.gov.br/OlalaCMS/uploads/arquivos/13_05_14_09_35_12_boletim_cafe_maio_2013.pdf, Brasília, Acesso em: 8 set. 2013
dc.descriptionCordero-Sancho, S., Sader, S.A., Spectral analysis and classification accuracy of coffee crops using Landsat and a topographic-environmental model (2007) International Journal of Remote Sensing, 28 (7), pp. 1577-1593. , Orono, Apr
dc.descriptionDuro, D.C., Franklin, S.E., Dubé, M.G., A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery (2012) Remote Sensing of Environment, 118 (1), pp. 259-272. , Jan. Ottawa
dc.descriptionFaria, F.A., Automatic fusion of regionbased classifiers for coffee crop recognition (2012) Proceedings…, pp. 1-4. , IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SOCIETY, 30., 2010, Honolulu., Honolulu: Igarss
dc.descriptionFernandes, R.F., Nunes, G.M., Silva, T.S.F., Classificação orientada a objetos aplicada na caracterização da cobertura da terra no Araguiaia (2012) Pesquisa Agropecuária Brasileira, 47 (9), pp. 1251-1260. , Brasília, set
dc.descriptionFerreira, E., Dantas, A.A.A., de Morais, A.R., Exatidão na classificação de fragmentos de matas em imagem do satélite Cbers-CCD, no município de Lavras, MG (2007) Anais, pp. 887-894. , SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 13., 2007, Florianópolis., São José dos Campos: Inpe
dc.descriptionFukunaga, K., Narendra, P.M., A branch and bound algorithms for computing k-nearest neighbors (1975) IEEE Transactions on Computers, 24 (7), pp. 750-753. , New York
dc.descriptionHuang, C., Davis, L.S., Townshend, J.R.G., An assessment of support vector machines for land cover classification (2002) International Journal of Remote Sensing, 23 (4), pp. 725-749. , Maryland
dc.descriptionJensen, J.R., (1996) Introductory digital image processing, 51p. , Englewood Cliffs: Prentice-Hall
dc.descriptionLandis, J.R., Koch, G.G., The measurement of observer agreement for categorical data (1977) Biometrics, 33 (1), pp. 159-174. , Washington
dc.descriptionMachado, M.L., Mapeamento de áreas cafeeiras (Coffea arabica L.) da Zona da Mata mineira usando sensoriamento remoto (2010) Coffee Science, 5 (2), pp. 113-122. , maio Lavras
dc.descriptionMartínez-Verduzco, G.C., Galeanapizaña, J.M., Cruz-Bello, G.M., Coupling community mapping and supervised classification to discriminate Shade coffee from Natural vegetation (2012) Applied Geography, 34, pp. 1-9. , Oxford
dc.descriptionMarujo, R.F.B., Classificação orientada à objetos aplicada à cultivos cafeeiros em Três Pontas, MG (2013) Anais, pp. 1338-1345. , SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu., São José dos Campos: INPE
dc.descriptionMoreira, M.A., Adami, M., Rudorff, B.F.T., Análise espectral e temporal da cultura do café em imagens Landsat (2004) Pesquisa Agropecuária Brasileira, 39 (3), pp. 223-231. , mar. Brasília
dc.descriptionMoreira, M.A., Geotecnologias para mapear lavouras de café nos estados de Minas Gerais e São Paulo (2010) Revista Engenharia Agrícola, 30 (6), pp. 1123-1135. , Jaboticabal, dez
dc.descriptionMoreira, M.A., Tecnologia de informação: Imagens de satélite para o mapeamento de áreas de café de Minas Gerais (2007) Informe Agropecuário, 28 (241), pp. 27-37. , dez. Belo Horizonte
dc.descriptionMountrakis, G., Im, J., Ogole, C., Support vector machines in remote sensing: A review (2010) Isprs Journal of Photogrammetry and Remote Sensing, 66 (3), pp. 247-259. , Dec. New York
dc.descriptionMoura, L.C., Levantamento e mapeamento espaço: Temporal dos cafezais no município mineiro de Machado (2009) Caminhos de Geografia, 10 (31), pp. 124-134. , set. Uberlândia
dc.descriptionNascimento, C.R., Zullo, J., Jr., Impacto da correção atmosférica de imagens AVHRR/NOAA-17 no cálculo do índice de vegetação NDVI (2010) Revista Brasileira de Ciências Agrárias, 5 (2), pp. 256-264. , fev. Recife
dc.descriptionNoma, A., Korting, T.S., Fonseca, L.M.G., Integração de dados orbitais de sensoriamento remoto para estimar áreas da floresta Ombrófila densa do Estado do Paraná (2013) Anais, pp. 2250-2257. , SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu., São José dos Campos: INPE
dc.descriptionOrtega-Huerta, M.A., Mapping coffee plantations with Landsat imagery: An example from El Salvador (2012) International Journal of Remote Sensing, 33 (1), pp. 220-242. , Jan. La Libertad
dc.descriptionRamirez, G.M., Zullo, J., Jr., Estimativa de parâmetros biofísicos de plantios de café a partir de imagens orbitais de alta resolução espacial (2010) Revista Engenharia Agrícola, 30 (3), pp. 468-479. , jun. Jaboticabal
dc.descriptionRouse, J.W., Monitoring vegetation systems in the great plains with ERTS (1973) Proceedings…, pp. 309-317. , ERTS Symposium, 3., 1973, Washington., Washington: NASA
dc.descriptionSilva, F.M., Alves, M.C., (2013) Cafeicultura de precisão, 227p. , Lavras: UFLA
dc.descriptionSouza, V.C.O., Espacialização e dinâmica da cafeicultura mineira entre 1990 e 2008, utilizando técnicas de geoprocessamento (2012) Coffee Science, 7 (2), pp. 122-134. , maio/ago. Lavras
dc.descriptionTardin, A.T., Assunção, G.V., Soares, J.V., Análise preliminar de imagens TM visando a discriminação de café, citrus e cana-de-açúcar na região de Furnas, MG (1992) Pesquisa Agropecuária Brasileira, 27 (9), pp. 1355-1361. , Brasília, set
dc.descriptionTrabaquini, K., Caracterização de lavouras cafeeiras, utilizando técnicas de geoprocessamento e sensoriamento remoto, no município de Umuarama, PR (2011) Ciência e Agrotecnologia, 35 (1), pp. 35-44. , fev. Lavras
dc.descriptionVieira, T.G.C., Geothecnologies in the assessment of land use changes in coffee regions of the state of Minas Gerais in Brasil (2007) Coffee Science, 2 (2), pp. 142-149. , Dec. Lavras
dc.descriptionVincent, L., Soille, P., Watersheds in digital spaces: An efficient algorithm based on immersion simulations (1991) Ieee Transactions on Pattern Analysis and Machine Intelligence, 13 (6), pp. 583-598. , June Paris
dc.descriptionXu, Y., Coarse to fine K nearest neighbor classifier (2013) Pattern Recognition Letters, 34, pp. 980-986. , Feb. North-Holland
dc.descriptionYan, G., Comparison of pixel-based and object-oriented image classification approaches-a case study in a coal fire area, Wuda, Inner Mongolia, China (2006) International Journal of Remote Sensing, 27 (18), pp. 4039-4055. , Basingstoke, Mar
dc.descriptionYu, Q., Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery (2006) Photogrammetric Engineering & Remote Sensing, 72 (7), pp. 799-811. , July Berkeley
dc.descriptionZullo, J., Jr., (1994) Correção atmosférica de imagens de satélite e aplicações, 204p. , 1994. Tese (Doutorado em Engenharia Elétrica)-Universidade Estadual de Campinas, Campinas
dc.descriptionZullo, J., Jr., Potential for growing Arabica coffee in the extreme south of Brazil in a warmer world (2011) Climatic Change, 109, pp. 535-548. , Wageningen
dc.languagept
dc.publisherEditora UFLA
dc.relationCoffee Science
dc.rightsaberto
dc.sourceScopus
dc.titleComparison Of Supervised Classifiers In Discrimination Coffee Areas Fields In Campos Gerais - Minas Gerais [comparação De Classificadores Supervisionados Na Discriminação De áreas Cafeeiras Em Campos Gerais - Minas Gerais]
dc.typeArtículos de revistas


Este ítem pertenece a la siguiente institución