| Revista: | Boletim de ciencias geodesicas |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000405999 |
| ISSN: | 1413-4853 |
| Autores: | Souza, Carolina Gusmao1 Carvalho, Luis1 Aguiar, Polyanne2 Arantes, Tassia Borges1 |
| Instituciones: | 1Universidade Federal de Lavras, Departamento de Ciencias Florestais, Lavras, Minas Gerais. Brasil 2Universidade Federal de Lavras, Departamento de Ecologia, Lavras, Minas Gerais. Brasil |
| Año: | 2016 |
| Periodo: | Oct-Dic |
| Volumen: | 22 |
| Número: | 4 |
| Paginación: | 751-773 |
| País: | Brasil |
| Idioma: | Portugués |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en inglés | Coffee is one of the main crops in Brazil, therefore, performing the mapping and monit oring of this culture is essential for know your special distribution . However, map this culture is not an easy task . Thus, the objective of this study was to compare the use of different variables and classification algorithms for coffee area classification. The study was conducted in three areas, environmentally different . We use 5 machine learning algorithms and 7 co mbinations of variables, using spectral, textural and geometric variables associated with the classification process. A total of 105 maps were made. All ratings that have not used spectral variables don’t achieved good levels of accuracy. In all three area s, the algorithm that presented the best accuracies was the Support Vector Machine with overall accu racy 85.33% in Araguari, 87.00% in Carmo de Minas and 88.33% in Três Pontas. The worst results were found by Random Forest algorithm in Araguari, with 76.66 % accuracy and Naive Bayes in Carmo de Minas and Três Pontas, with 76.00% and 82.00%. In all three areas, textural variables when associated with spectral, improved the classification accuracy. The SVM showed the best performance for the three areas |
| Resumen en portugués | A cafeicultura é uma das principais culturas agrícolas do Brasil e realizar o mapeamento e monitoramento desta cultura é fu ndamental para conhecer sua distribuição espacial . Porém, mapear esta s áreas utilizando imagens de Sensoriamento R emoto não é uma tarefa fácil. Sendo assim, este trabalho foi realizado com o objetivo de comparar o uso de diferentes variáveis e algoritmos de classificação para o mapeamento de áreas cafeeiras. O trabalho foi desenvolvido em três áreas diferentes , que são bastante significativas na produção de café. Foram utilizados 5 algoritmos de aprendizagem de máquinas e 7 combinações de variáveis : espect rais, texturais e geométricas , associadas ao processo de classificação. Um total de 105 classificações foram realizadas, 35 classificações para cada uma das áreas. A s classificações que não usaram variáveis espectrais não resultaram em bons índices de acur ácia. Nas três áreas, o algoritmo que apresentou as melhores acurácias foi o S upport vector machine , com acurácia global de 85,33% em Araguari, 87% em Carmo de Minas e 88,33% em Três Pontas. Os piores resultados foram encontrados com o algoritmo Random For est em Araguari, com acurácia global de 76,66% e com o Naive Bayes em Carmo de Minas e Três Pontas, com 76% e 82% de acerto. Nas três áreas, variáveis texturais, quando associadas às espectrais, melhoraram a acurácia da classificação. O SVM apresentou o me lhor desempenho para as três áreas |
| Disciplinas: | Geografía, Ciencias de la computación, Agrociencias |
| Palabras clave: | Cartografía, Fitotecnia, Computación, Automatización, Percepción remota, Algoritmos de aprendizaje, Aprendizaje automático, Café |
| Keyword: | Geography, Computer science, Agricultural sciences, Cartography, Crop husbandry, Computing, Automation, Remote sensing, Learning algorithms, Automatic learning, Coffee |
| Texto completo: | Texto completo (Ver PDF) |
