SUMMARY
A aplicação de Redes Neurais Artificiais (RNA) na classificação de dados deSensoriamento Remoto tem se mostrado uma abordagem promissora nadiscriminação de classes de maior complexidade. Uma RNA foi, então, utilizadapara desenvolver uma análise da ambigüidade entre classes definidas em função dasvariações espectrais da água e ocorrência de plantas aquáticas emersas em uma áreateste do reservatório de Barra Bonita, SP. Os dados de entrada utilizados naclassificação constituíram-se de imagens orbitais ETM+/Landsat, às quais foiaplicado um modelo linear de mistura espectral, gerando imagens-fraçãocorrespondentes de água, vegetação e solo. No processo de classificação, uma RNAmulticamadas feedfoward foi treinada com o algoritmo backpropagation, a partir deamostras representativas das áreas infestadas por plantas aquáticas e variações naresposta espectral da água. O procedimento metodológico adotado mostrou-seadequado para o mapeamento das classes de água e macrófitas aquáticas. Oresultado da classificação pela rede neural atendeu a proposta de avaliar aambigüidade entre as classes e permitiu explicitar quais classes de saídaapresentavam maior grau de mistura com outras ocorrências.The use of artificial neural network in the ambiguity analysis between classesdefined by water spectral variability and aquatic plantsAbstract Artificial Neural Networks (ANN) represent a potential approach for classificationof remote sensing images, since they can form complex decision regions andseparate meshed class. So, an ANN was used to develop an ambiguity analysisbetween classes defined by water spectral variability and aquatic plants infestationin a test area of the Barra Bonita, SP, reservoir. The classification input data wasconstituted by images derived from a linear mixing model applied to ETM+/Landsatspectral bands. In order to undertake a supervised classification, a multilayer neuralnet was trained by backpropagation algorithm, using representative samplesextracted from aquatics plants infestation areas and water body spectral variability.The approach was adequate for mapping water spectral variability and detectinfested areas by aquatic macrophytes. Additionally, the classification obtained byneural net can be used for the purpose to evaluate meshed classes allowing torepresent more ambiguous classes in test area.