Mais verde ou menos verde? Quando alta acurácia esconde muitos erros: Uma análise da classificação de vegetação arbórea com SVM

Authors

  • Daniel dos Santos Messa Fatec Adamantina
  • Paulo Roberto da Silva Ruiz
  • Luiz Gustavo Teixeira

Keywords:

aprendizado de máquina; CBERS 4A; índices de vegetação; sensoriamento remoto.

Abstract

This study aimed to develop a method for classifying arboreal coverage in the municipality of Adamantina, São Paulo State, Brazil, using images from the CBERS-4A satellite and the Support Vector Machine (SVM) algorithm, with the goal of supporting municipal environmental management actions. The methodology included image acquisition and preprocessing, definition and collection of training samples, extraction of spectral attributes, as well as attribute selection and optimization. The results demonstrated high overall accuracy (96.96%) and substantial agreement, with a Kappa Index of 0.749, while the NDVI and EVI indices emerged as the most relevant attributes. However, detailed analysis revealed an asymmetry in classifier performance: while the "Other" class showed excellent precision, the "Arboreal" class recorded moderate recall, indicating the sub-identification of approximately one-third of the arboreal vegetation. It is concluded that the method proved feasible for large-scale municipal planning applications, but with significant limitations in the complete detection of arboreal coverage. The research contributes a low-cost methodology for environmental monitoring, emphasizing the importance of critical analysis of overall accuracy metrics in automated Remote Sensing classifications.

Downloads

Download data is not yet available.

References

ADAMANTINA. Adamantina mais uma vez recebe o Certificado Município Verde Azul. 2020. Disponível em: <https://www.adamantina.sp.gov.br/portal/noticias/0/3/4238/adamantina-mais-uma-vez-recebe-o-certificado-municipio-verdeazul>. Acesso em: 7 jun. 2025.

AMBIENTE. Secretaria do Meio Ambiente de São Paulo. 21 Projetos Ambientais Estratégicos. Disponível em < https://semil.sp.gov.br/mudancas-climaticas-e-sustentabilidade/ >. Acesso em 7 set. 2025.

ANDERSON, J. R. et al. A Land Use and Land Cover Classification System for Use with Remote Sensor Data. U.S. Geological Survey, Professional Paper 964, 1976. Disponível em: <https://pubs.usgs.gov/pp/0964/report.pdf>. Acesso em: 30 mar. 2025.

BRANSON, S. et al. From Google Maps to a fine-grained catalog of street trees. ISPRS Journal of Photogrammetry and Remote Sensing, v. 135, p. 13–30, jan. 2018. Disponível em: < https://arxiv.org/abs/1910.02675>. Acesso em: 07 jun. 2025.

BAATZ, M.; SCHAPE, A. Multiresolution segmentation: na optimization approach for high quality multi-scale image segmentation. In: XII Angewandte Geographische Informationsverarbeitung, 2000, Wichmann-Verlag, Heidelberg.

CÂMARA, G.; SOUZA, R. C. M.; FREITAS, U. M. de. Spring: Integrating remote sensing and GIS by object-oriented data modelling. Computers & Graphics, v. 20, n. 3, p. 395–403, 1996. Disponível em: <https://www.sciencedirect.com/science/article/pii/0097849396000088>. Acesso em: 30 mar. 2025.

CAMPBELL, J. B.; WYNNE, R. H. Introduction to remote sensing. Guilford press, 2011. Disponível em: <https://www.guilford.com/books/Introduction-to-Remote-Sensing/Campbell-Wynne/9781462549405>. Acesso em 30 mar. 2025.

COHEN, J. A coefficient of agreement for nominal scales. Educational and psychological measurement, v. 20, n. 1, p. 37-46, 1960. Disponível em: <https://journals.sagepub.com/doi/10.1177/001316446002000104>. Acesso em 30 mar. 2025.

CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. CRC press, 2019. Disponível em: <https://www.taylorfrancis.com/books/mono/10.1201/9780429052729/assessing-accuracy-remotely-sensed-data-russell-congalton-kass-green>. Acesso em: 30 mar. 2025.

CORTES, C.; VAPNIK, V. Support-vector networks. Machine Learning, v. 20, p. 273–297, 1995. Disponível em: <https://link.springer.com/article/10.1007/BF00994018>. Acesso em: 8 jun. 2025.

FOODY, G. M. Status of land cover classification accuracy assessment. Remote sensing of environment, v. 80, n. 1, p. 185-201, 2002. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0034425701002954>. Acesso em: 30 mar. 2025.

HUANG, C., GONG, P., BIGING, G. Satellite remote sensing for land use/land cover change: Advances and challenges. International Journal of Remote Sensing, 41(2), 658-708. 2020.

HUANG, C.; DAVIS, L. S.; TOWNSHEND, J. R. G. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, v. 23, n. 4, p. 725-749, 2002.

INPE - Instituto Nacional de Pesquisas Espaciais. Satélite Sino-Brasileiro de Recursos Terrestres (CBERS). 2020. Disponível em: Acesso em 13 de maio de 2024.

JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos Campos: Parêntese, 2011. Tradução José Carlos Neves Epiphanio.

LILLESAND, T.; KIEFER, R. W.; CHIPMAN, J. Remote sensing and image interpretation. John Wiley & Sons, 2015. Disponível em: <https://www.geokniga.org/bookfiles/geokniga-remote-sensing-and-image-interpretation.pdf>. Acesso em: 05 mai. 2025.

LIN, A. et al. Identifying Urban Building Function by Integrating Remote Sensing Imagery and POI Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021. Disponível em: <10.1109/JSTARS.2021.3107543>. Acesso em: 17 mai. 2025.

MOREIRA, M. A. Fundamentos do Sensoriamento Remoto e Metodologias de Aplicação. 4. ed. Viçosa: UFV, 2011.

MOUNTRAKIS, G.; IM, J.; OGOLE, C.. Support vector machines in remote sensing: A review. ISPRS journal of photogrammetry and remote sensing, v. 66, n. 3, p. 247-259, 2011. Disponível em: <https://aboutgis.com/Publications/Mountrakis_SVM_review_in_remote_sensing_ISPRS2010.pdf>. Acesso em: 12 mai. 2025.

NOVO, E. M. L. M. Sensoriamento Remoto: Princípios e aplicações. 3. ed. São Paulo: Blucher, 2010. Disponível em: <https://api.pageplace.de/preview/DT0400.9788521216902_A47327924/preview-9788521216902_A47327924.pdf>. Acesso em: 05 mai. 2025.

RUIZ, P. R. S. Classificação da cobertura do solo urbano usando árvores de decisão a partir de cenas WorldView-2 e WorldView-3 para diferentes níveis de legenda. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2017, 181 p.

RUIZ, P. R. S. et al. Explorando a segmentação multirresolução em imagens urbanas: um estudo com CBERS 4A WPM. in: Anais do XXI Simpósio Brasileiro de Sensoriamento Remoto, 2025, Salvador. Anais eletrônicos..., Galoá, 2025. Disponível em: <https://proceedings.science/sbsr-2025/trabalhos/explorando-a-segmentacao-multirresolucao-em-imagens-urbanas-um-estudo-com-cbers?lang=pt-br> Acesso em: 17 Maio. 2025.

SCHOWENGERDT, R. A. Remote sensing: models and methods for image processing. Elsevier, 2006.

TAUBENBÖCK, H., WEGMANN, M., ROTH, A., MEHL, H., & DECH, S. (2012). Urbanization in India – Spatiotemporal analysis using remote sensing. Computers, Environment and Urban Systems, 36(3), 296–306. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0198971508000604>. Acesso em: 06 jun. 2025.

TOMASIELLO, D. B. Modelos de rede transporte público e individual para estudos de acessibilidade em São Paulo. 2016. Dissertação (Mestrado em Engenharia de Transporte) - Escola Politécnica, Universidade de São Paulo, São Paulo, 2016, 94 p. Disponível em: <https://www.teses.usp.br/teses/disponiveis/3/3138/tde-24062016-111306/en.php>. Acesso em: 13 agosto 2025.

TRIMBLE. eCognition Developer 8.7 User Guide. Munich, Germany: [s.n.], 2011. 258 p. Disponível em: < https://docs.ecognition.com/ Acesso em: 13 agosto 2025.

VAPNIK, Vladimir. The nature of statistical learning theory. Springer science & business media, 1999. Disponível em: <https://archive.org/details/natureofstatisti0000vapn>. Acesso em: 12 mai. 2025.

WOODHOUSE, Iain H. Introduction to microwave remote sensing. CRC press, 2017.

Downloads

Published

2025-12-01

How to Cite

DOS SANTOS MESSA, D.; ROBERTO DA SILVA RUIZ, P. .; GUSTAVO TEIXEIRA, L. . Mais verde ou menos verde? Quando alta acurácia esconde muitos erros: Uma análise da classificação de vegetação arbórea com SVM. Revista Conecta, São Paulo, Brasil, v. 8, n. 3, p. 82–102, 2025. Disponível em: https://www.fatecrl.edu.br/revistaconecta/index.php/rc/article/view/340. Acesso em: 14 apr. 2026.

Issue

Vol. 8 No. 3 (2025): Revista Conecta

Section

Articles

License

Copyright (c) 2025 Revista Conecta

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Os direitos autorais dos artigos publicados pertencem à Revista Conecta e seguem o padrão Creative Commons (CC BY), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.