A análise de acurácia avalia a qualidade do mapeamento, indicando a taxa de acerto geral e as estimativas de erro e acerto por classe mapeada.
A análise de acurácia avalia a qualidade do mapeamento do MapBiomas, indicando a taxa de acerto geral e estimativas de erro e acerto por classe mapeada.
O MapBiomas Brasil avaliou a acurácia global e por classe de cobertura e uso da terra para o período de 1985 a 2024. As estimativas utilizaram uma base de dados de referência com cerca de 85.000 pontos de validação, definidos por amostragem estatística. Esses pontos foram analisados por especialistas que interpretaram imagens Landsat anuais. Cada pixel da base de referência analisada foi comparado com as classes mapeadas gerando os cálculos de acurácia.
A amostragem foi estratificada por supercartas (junção de quatro cartas IBGE 1:250.000) e classes de declividade da EMBRAPA. Com mínimo de 500 pontos por supercarta e correção de Bonferroni, o desenho garante 95% de confiança e erro máximo de 5% por unidade geográfica (erro nacional esperado de 0,5%).
A interpretação visual foi feita na plataforma TVI (Temporal Visual Inspection), desenvolvida pelo LAPIG/UFG. Cada pixel foi analisado por 3 analistas independentes. Divergências foram resolvidas por supervisor.
A acurácia é calculada pela tabulação cruzada entre classes mapeadas e classes reais — a matriz de confusão. Dela derivam-se três métricas:
- Acurácia do usuário — fração de pixels corretamente classificados em cada classe do mapeamento (associada ao erro de comissão e à confiabilidade da classe).
- Acurácia do produtor — proporção de pixels de cada classe corretamente identificados pelo classificador (associada ao erro de omissão e à sensibilidade).
- Acurácia global — proporção total de acertos, soma da diagonal principal da matriz. O erro total é decomposto em discordância de área e de alocação.
A matriz estima diversos erros, como a composição de área de cada classe. Assim, além da taxa de acerto da classe mapeada como floresta, por exemplo, estimamos também qual a fração dessas áreas que podem ser pastagens ou outras classes de cobertura e uso da terra, para cada ano.
Entendemos que esse nível de transparência informa os usuários e maximiza o potencial do uso do mapeamento pelos vários tipos de usuários. Para isso, construímos um aplicativo para facilitar a visualização da acurácia e dos erros do mapeamento.
ArtigoRocha et al – Mapping Burned Area in the Caatinga Biome: Employing Deep Learning TechniquesLer artigo
ArtigoAlencar et al – Long-Term Landsat-Based Monthly Burned Area Dataset for the Brazilian Biomes Using Deep LearningLer artigo
ArtigoArruda et al – An alternative approach for mapping burn scars using Landsat imagery, Google Earth Engine, and Deep Learning in the Brazilian SavannaLer artigo
ArtigoSaraiva et al – Automatic Mapping of Center Pivot Irrigation Systems from Satellite Images Using Deep LearningLer artigo
ArtigoParente et al – Next Generation Mapping: Combining Deep Learning, Cloud Computing, and Big Remote Sensing DataLer artigo
ArtigoRosa, Marcos R – Comparação e análise de diferentes metodologias de mapeamento da cobertura florestal da Mata AtlânticaLer artigo