Estratégia multi-temporal para produção automática de cartografia de ocupação do solo com imagens AWiFS

Dissertação apresentada como requisito parcial para obtenção do grau de Mestre em Ciência e Sistemas de Informação Geográfica

A produção de cartografia de ocupação do solo por métodos tradicionais (interpretação visual de imagens aéreas e de satélite) é um processo com custos que inviabilizam a sua rápida produção e frequente actualização. Esta realidade é bastante lesante para diversas aplicações que necessitam deste género de informação actualizada. Uma solução viável para fazer face à problemática da desactualização da cartografia de ocupação do solo é a criação de um produto menos detalhado do que a cartografia produzida pelos programas operacionais já existente. Isto permite que o novo produto seja mais barato e possa ser produzido por métodos automáticos, realizável regularmente, que ofereça informação actual e seja útil para diversas aplicações. Neste sentido, foi explorado um conjunto de dados intra-anual composto por três imagens AWiFS (Abril, Julho e Outubro de 2006) para avaliar as imagens e métodos automáticos de produção que possam derivar cartografia de ocupação do solo de Portugal Continental no âmbito de um novo programa operacional anual. Foram testados dois classificadores: um classificador paramétrico convencional (classificador da máxima verosimilhança) e um classificador não paramétrico (árvores de decisão). Foram desenhados vários testes para avaliar a melhor abordagem de classificação, o efeito do tamanho da amostragem de treino na exactidão da classificação e a aptidão das imagens AWiFS para derivar a cartografia pretendida. A exactidão global dos mapas produzidos variou à volta de 60% e 72% com uma nomenclatura de 15 e 10 classes de ocupação do solo, respectivamente. Os resultados obtidos sugerem que as imagens AWiFS apresentam algumas limitações para derivar cartografia de ocupação do solo de Portugal Continental. Ao nível da metodologia, os resultados revelam que as árvores de decisão são um classificador vantajoso relativamente ao classificador da máxima verosimilhança porque permite uma fase de treino mais rápida e com um menor esforço de amostragem sem perdas de exactidão temática.