O café, importante produto nas exportações brasileiras, necessita de constante monitoramento para que os sistemas de previsão de safras existentes sejam confiáveis. Imagens orbitais de média resolução espacial são ferramentas com grande potencial para mapeamento do uso do solo e identificação de culturas agrícolas. Nesta pesquisa, visando o mapeamento de áreas cafeeiras, avaliou-se o desempenho da classificação baseada em objetos, associada a técnicas de mineração de dados, aplicada em imagens OLI/Landsat-8. Foram feitas três classificações automáticas, a primeira constando exclusivamente atributos espectrais, a segunda acrescentando atributos texturais e a terceira, incluindo também classes de iluminação do terreno. Foram utilizadas seis imagens multiespectrais, datadas de três diferentes estádios fenológicos da cultura: frutificação, granação e repouso. A validação das classificações foi feita por meio do Método de Monte Carlo utilizando como referência mapas visualmente interpretados. As classificações feitas exclusivamente com atributos espectrais resultaram, para a classe café, exatidão média de 57%. Não houve estádio fenológico que proporcionasse maior exatidão à classe café, entretanto ao incluir os atributos texturais, a exatidão da classe café melhorou para 76%. Assim, observa-se que atributos texturais mostraram-se importantes para detecção automática de áreas cafeeiras.
Coffee, an important product in Brazilian exports, needs constant monitoring, so that systems and forecasting of existing crops can be reliable. Orbital imagery of medium spatial resolution are tools with great potential for land use mapping and identification of agricultural crops. This research evaluated the performance of the object based classification, applied in OLI/Landsat-8 images, with the purpose of mapping of coffee crops. Three analyzes were made, the first one using exclusively spectral attribute, the second one including textural attributes and the third also considering illumination classes. Six OLI/ Landsat-8 multispectral images were used, representing three different coffee phenological stages: fructification, graining and rest. The validation of the classifications was performed by the Monte Carlo method using reference images obtained by visual interpretation. The classification using exclusively spectral attributes resulted an accuracy of 57% for coffee class. There was no phenological stage that provided greater accuracy to the coffee class in the automatic classification of OLI/Landsat-8 images. The results demonstrate that texture is important for coffee detection, thus visual interpretation remains an important step to minimize classification errors.
