Classificacao Nao Supervisionada no QGIS: K-Means [2026]

Classificacao nao supervisionada no QGIS agrupa pixels automaticamente por similaridade espectral sem amostras de treinamento. O algoritmo identifica padroes nos dados e cria clusters que voce depois interpreta e rotula. Ideal para exploracao inicial ou quando nao se tem conhecimento previo da area.Neste tutorial voce aprende a fazer classificacao automatica com K-Means.

O Que e Classificacao Nao Supervisionada

Na classificacao automatica o algoritmo trabalha sozinho. Sem amostras de treinamento, ele agrupa pixels com valores espectrais semelhantes em clusters. O analista interpreta cada cluster depois.

• Automatica: nao exige coleta manual de amostras. O algoritmo decide os agrupamentos.
• Exploratoria: ideal para conhecer a variabilidade espectral da imagem antes de classificar.
• Rapida: menos trabalhosa que a supervisionada pois elimina a etapa de treinamento.
• Interpretacao posterior: voce identifica cada cluster como agua, vegetacao, solo etc. apos a classificacao.

Consulte a documentacao oficial sobre analise raster para referencia completa.

Como Fazer Classificacao Nao Supervisionada no QGIS

1. Instale o plugin SCP (Semi-Automatic Classification Plugin).
2. Carregue a imagem multiespectral empilhada.
3. No SCP, defina a imagem como Band set.
4. Va em Band processing, Clustering.
5. Selecione o algoritmo K-Means ou ISODATA.
6. Defina o numero de clusters (comece com 10-15).
7. Execute e aguarde o processamento.
8. Interprete cada cluster comparando com a imagem original ou composicao falsa cor.

O resultado e um raster onde cada pixel recebe o numero do cluster ao qual pertence. Voce entao agrupa e renomeia os clusters em classes tematicas.

K-Means vs ISODATA

• K-Means: voce define o numero de clusters previamente. O algoritmo distribui os pixels entre os K clusters minimizando a variancia interna. Simples e rapido.
• ISODATA: inicia com K clusters mas pode dividir clusters muito dispersos e fundir clusters muito proximos. Mais flexivel que K-Means, ajusta automaticamente o numero final de clusters.

Para a maioria dos projetos, K-Means com 10-15 clusters e o ponto de partida. Se o resultado tiver clusters redundantes ou muito dispersos, tente ISODATA.A classificacao sem treinamento funciona melhor quando combinada com indices espectrais. Empilhe NDVI e NDWI junto com as bandas originais para que o algoritmo diferencie melhor vegetacao e agua.O Formacao GeoPro ensina ambos os metodos com projetos reais de mapeamento de uso e cobertura do solo.

Dicas Para Classificacao Nao Supervisionada

• Mais clusters: comece com mais clusters do que classes finais desejadas. E mais facil fundir clusters do que separar.
• Iteracoes: aumente o numero de iteracoes (50-100) para que o algoritmo converja melhor.
• Comparacao visual: sobreponha o resultado a composicao falsa cor para interpretar cada cluster.
• Agrupar: apos interpretar, use Reclassificar raster para fundir clusters que representam a mesma classe.
• Combinar: use a classificacao nao supervisionada como primeira etapa. Os clusters ajudam a definir onde coletar amostras para uma classificacao supervisionada refinada.

Veja tambem o tutorial de classificacao supervisionada para comparacao entre os metodos.

Quando Preferir a Abordagem Automatica

A abordagem sem amostras de treinamento se destaca em cenarios onde o conhecimento previo da area e limitado ou inexistente. Em levantamentos expeditos de grandes territorios, coletar amostras representativas para dezenas de classes seria inviavel em termos de tempo e custo. O agrupamento automatico oferece um panorama inicial rapido que orienta trabalhos posteriores.Em estudos comparativos entre regioes diferentes, a abordagem automatica garante imparcialidade — o algoritmo aplica os mesmos criterios matematicos em todas as areas, sem vies do analista na selecao de amostras. Essa consistencia e especialmente valiosa em programas de monitoramento que cobrem estados inteiros ou biomas completos.A combinacao das duas abordagens aproveita o melhor de cada uma. O agrupamento automatico identifica a variabilidade espectral da imagem e gera clusters que o analista interpreta. Esses clusters entao guiam a coleta de amostras para uma segunda etapa com treinamento, resultando em mapa tematico final mais preciso do que qualquer abordagem isolada produziria.

Pos-Processamento dos Clusters

O resultado bruto do agrupamento contem pixels isolados que nao representam feicoes reais do terreno — o efeito sal e pimenta. Aplique o filtro majoritario (Raster, Analise, Peneirar) para eliminar agrupamentos menores que uma area minima mapeavel. Para mapas na escala 1:50.000, agrupamentos menores que 0.5 hectare podem ser absorvidos pela classe vizinha dominante sem prejuizo a qualidade do mapeamento final.

Perguntas Frequentes sobre Classificacao Nao Supervisionada

Como fazer classificacao nao supervisionada no QGIS?

Use o plugin SCP, defina o Band set, va em Clustering e selecione K-Means ou ISODATA. Defina o numero de clusters e execute.

Quantos clusters devo definir?

Comece com 10-15 clusters. Apos interpretar, funda clusters similares. Mais clusters iniciais permitem maior refinamento posterior.

Qual a diferenca para a supervisionada?

A nao supervisionada nao usa amostras de treinamento — o algoritmo agrupa sozinho. A supervisionada exige que voce defina classes e colete amostras.

O resultado e preciso?

Geralmente menos preciso que a supervisionada pois o algoritmo nao conhece as classes. E ideal para exploracao ou quando nao se tem conhecimento da area.

Posso combinar com supervisionada?

Sim. Use a nao supervisionada primeiro para entender a variabilidade espectral, depois colete amostras guiadas pelos clusters para a supervisionada.

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

Veja tambem: Supervisionada | NDVI | Reclassificar raster | Indices espectrais