Avaliação da área cultivada de soja em Abelardo Luz (SC) por classificação supervisionada usando imagens do satélite Sentinel-2

Abstract

A classificação supervisionada dos usos da terra por imagens de satélite é um tema com crescente importância na agricultura, pois otimiza o processo de mapeamento dos cultivos e gera dados para o monitoramento de safras. Nessa linha, o trabalho teve como objetivo principal testar o algoritmo de classificação supervisionada Random Forest (RF) para o mapeamento de soja no município de Abelardo Luz (SC). Inicialmente, utilizou-se o software QGIS para processar imagens do satélite Sentinel-2 da safra 2022/2023 e obter um mapeamento manual da soja a partir da interpretação visual de imagem RGB composta pelas bandas 8, 11 e 4, respectivamente. Para classificação supervisionada dessa composição colorida, utilizou-se o algoritmo Random Forest disponível no complemento para QGIS denominado Dzetsaka Classification Tool. Estimou-se a acurácia de mapeamento comparando os resultados da classificação supervisionada com os resultados da classificação obtida manualmente. A classificação supervisionada alcançou uma acurácia global de 91% e índice kappa de 0,81, os quais implicam desempenho considerado excelente. O algoritmo RF mostrou-se eficiente na classificação de soja no município de Abelardo Luz (SC), indicando grande potencial para otimizar o mapeamento dessa cultura em escala territorial mais ampla.

The supervised classification of land use through satellite images is a topic of increasing importance in agriculture, as it optimizes the crop mapping process and generates data for crop monitoring. In this context, the main objective of this study was to test the Random Forest (RF) supervised classification algorithm for soybean mapping in the municipality of Abelardo Luz (SC). Initially, the software QGIS was used to process Sentinel-2 satellite images from the 2022/2023 harvest year and to obtain a manual mapping of soybean, from the visual interpretation of an RGB image composed of bands 8, 11, and 4, respectively. For the supervised classification of this colored composition, the Random Forest algorithm available in the QGIS plugin called Dzetsaka Classification Tool was used. The mapping accuracy was estimated by comparing the results of the supervised classification with the results of the manually obtained classification. The supervised classification achieved an overall accuracy of 91% and a kappa index of 0.81, which implies a performance considered excellent. The RF algorithm proved to be efficient in classifying soybean in the municipality of Abelardo Luz (SC), indicating great potential to optimize the mapping of this crop on a broader territorial scale.