Classificacao Supervisionada no QGIS: Tutorial [2026]

Classificacao supervisionada no QGIS transforma uma imagem de satelite em um mapa de uso e cobertura do solo. Voce coleta amostras de cada classe (agua, vegetacao, urbano, solo exposto) e o algoritmo classifica todos os pixels da imagem com base nessas amostras.Neste tutorial voce aprende a fazer classificacao com o plugin SCP.

O Que e Classificacao Supervisionada

Na classificacao supervisionada o analista treina o algoritmo. Voce identifica areas de exemplo para cada classe de cobertura e o classificador usa a assinatura espectral dessas amostras para classificar o restante da imagem.

• Amostras de treinamento (ROI): poligonos que voce desenha sobre areas conhecidas de cada classe.
• Assinatura espectral: os valores medios e variancia de cada banda para cada classe.
• Classificacao: o algoritmo compara cada pixel com as assinaturas e atribui a classe mais provavel.
• Validacao: amostras independentes verificam a acuracia do resultado.

Consulte a documentacao oficial sobre analise raster para referencia completa.

Passo a Passo da Classificacao Supervisionada no QGIS

1. Instale o plugin SCP (Semi-Automatic Classification Plugin) via Gerenciador de plugins.
2. Carregue a imagem multiespectral (Landsat ou Sentinel-2) ja empilhada.
3. No SCP, defina a imagem como Band set.
4. Crie as amostras de treinamento (ROI) para cada classe: agua, vegetacao, solo, urbano, agricultura.
5. Colete pelo menos 10-20 amostras por classe, distribuidas pela imagem.
6. No SCP, va em Classification e selecione o algoritmo (Maxima Verossimilhanca).
7. Execute a classificacao.
8. Analise o resultado e refine as amostras se necessario.

A qualidade da classificacao depende diretamente da qualidade das amostras. Amostras bem distribuidas e representativas geram resultados precisos.

Algoritmos de Classificacao

O SCP oferece varios algoritmos para classificacao supervisionada no QGIS:

• Maxima Verossimilhanca (ML): o mais classico. Assume distribuicao normal dos dados. Bom para a maioria dos cenarios. Rapido e confiavel.
• Distancia Minima: classifica pelo centroide mais proximo no espaco espectral. Simples e rapido mas menos preciso que ML.
• Spectral Angle Mapper (SAM): mede o angulo entre vetores espectrais. Menos sensivel a variacoes de iluminacao. Bom para areas montanhosas.
• Random Forest: algoritmo de machine learning baseado em arvores de decisao. Robusto e preciso mas mais lento.

Para a maioria dos projetos, a Maxima Verossimilhanca e o ponto de partida recomendado. Se o resultado nao for satisfatorio, tente Random Forest.O Formacao GeoPro ensina classificacao supervisionada e nao supervisionada com projetos completos de mapeamento de uso do solo.

Dicas Para Classificacao Supervisionada no QGIS

• Amostras: mais amostras bem distribuidas = melhor resultado. Colete de diferentes partes da imagem para capturar variacao espectral.
• Separabilidade: no SCP, verifique a distancia espectral entre classes. Classes com assinaturas similares geram confusao.
• Pos-classificacao: aplique filtro majoritario para eliminar pixels isolados (sal e pimenta).
• Validacao: use matriz de confusao e indice Kappa para medir a acuracia. Kappa acima de 0.8 e considerado bom.
• Refine: se uma classe tem baixa acuracia, adicione mais amostras ou subdivida em subclasses (ex: vegetacao densa e rala).

Boas Praticas Para Coleta de Amostras de Treinamento

A qualidade do resultado depende diretamente da qualidade das amostras coletadas. Profissionais experientes seguem criterios rigorosos para garantir representatividade e evitar vieses que comprometem a acuracia do mapa final.Distribua as amostras por toda a extensao da imagem, nao apenas na area central. Uma classe como vegetacao pode ter assinaturas espectrais diferentes em funcao da iluminacao solar, do angulo de visada do sensor e da topografia. Amostras concentradas em uma regiao capturam apenas uma faceta dessa variabilidade.Evite coletar amostras muito proximas de bordas entre classes — pixels de borda misturam a resposta espectral de duas coberturas adjacentes e introduzem ruido no treinamento. Selecione areas centrais e homogeneas de cada cobertura. Mantenha um conjunto de amostras separado para validacao — nunca use as mesmas amostras para treinar e para validar, pois isso infla artificialmente a acuracia reportada e nao reflete o desempenho real do classificador em pixels desconhecidos.

Matriz de Confusao e Indice Kappa

A matriz de confusao cruza as classes do mapa com as classes de referencia (amostras de validacao). Na diagonal principal estao os acertos — pixels classificados corretamente. Fora da diagonal estao os erros de comissao (falsos positivos) e omissao (falsos negativos). A acuracia global e a porcentagem de acertos no total, mas nao mostra quais classes tem mais erro. Analise cada linha e coluna individualmente para identificar onde o classificador confunde.

Perguntas Frequentes sobre Classificacao Supervisionada

Como fazer classificacao supervisionada no QGIS?

Instale o plugin SCP, carregue a imagem, colete amostras de treinamento para cada classe e execute a classificacao com o algoritmo desejado.

Quantas amostras preciso coletar?

Minimo 10-20 por classe, mas quanto mais melhor. Distribua as amostras por toda a imagem para capturar a variabilidade de cada classe.

Qual algoritmo e melhor?

Maxima Verossimilhanca e o padrao e funciona bem na maioria dos cenarios. Random Forest e mais robusto para imagens complexas com muitas classes.

Como validar o resultado?

Use amostras de validacao independentes (nao usadas no treinamento) e gere a matriz de confusao. O indice Kappa mede a concordancia geral.

Qual a diferenca entre supervisionada e nao supervisionada?

Na supervisionada, voce define as classes e coleta amostras. Na nao supervisionada, o algoritmo agrupa pixels por similaridade sem intervencao do analista.

Domine a classificacao de imagens. Conheca a Formacao GeoPro e aprenda QGIS do zero ao avancado.

Veja tambem: Nao supervisionada | NDVI | Composicao de bandas | Indices espectrais