Artigo
Integração de imagens TM/Landsat e modelo digital do terreno para melhorar a classificação da cobertura terrestre
Autor
Soares, Vicente Paulo
Ribeiro, Carlos Antonio A. S.
Brites, Ricardo Seixas
Institución
Resumen
O objetivo deste estudo foi avaliar a integração de imagens TM/Landsat e modelo digital do terreno para melhorar a classificação da cobertura terrestre. A área de estudo encontra-se localizada no Vale do Rio Doce, Estado de Minas Gerais. Os dados usados neste estudo incluíram uma imagem TM/Landsat, obtida em julho de 1989, e um modelo digital do terreno, com resolução de 30 metros. O modelo denominado Backward Radiance Correction Transformation (BRCT) foi aplicado à imagem TM/Landsat para reduzir os efeitos topográficos e gerar imagem com respostas espectrais mais uniformes. Análise visual da imagem normalizada mostrou substancial redução do nível de sombras quando comparada com a imagem original. Ambas as imagens foram também submetidas às análises automáticas, mediante o classificador de máxima verossimilhança. Resultados indicaram exatidão total de 79,54% para a imagem original e de 84,22% para a imagem normalizada, gerando um ganho de 4,68%, embora não tenha havido diferença estatística entre elas a 99% de probabilidade. The purpose of this study was to evaluate the integration of Landsat TM and digital terrain data to improve land cover classification accuracy. The study site is located in the Vale do Rio Doce, Minas Gerais, Brazil. Data used in this study included a Landsat TM image obtained on July 15, 1989 and a 30 x 30 meter digital elevation model (DEM). A Backward Radiance Correction Transformation Model (BRCTM) was applied to the Landsat TM data to suppress the topographic effects and generate an image with more uniform multispectral response properties. Visual analysis of the normalized image showed that it is brighter than the raw image, indicating a reduction of shadow effect, mainly in the central and northeastern portion of the image. Both raw and normalized data sets were classified using a maximum likelihood classifier. Results indicated overall classification accuracies of 79.54% and 84.22% for the raw and normalized data sets, respectively, with an improvement of 4.68%, although there was no statistically significant difference at a 99% of probability.