Na Geografia ocorreu uma convergência teórica e metodológica entre a paisagem e o Sensoriamento Remoto. A paisagem é um conceito que orienta análises sistêmicas, com resultados reais e visíveis, definidos por diferentes escalas de interações dos componentes. Tais dimensões explícitas são categorias também presentes no Sensoriamento Remoto, que utiliza técnicas e equipamentos para detectar objetos e interpretar componentes naturais e antrópicos em modelos e mapas temáticos. A Ecologia da Paisagem analisa mapas e dados produzidos pela associação entre classes de cobertura da terra ou de métricas de estrutura da paisagem que indicam as condições atuais, a fragilidade e cenários futuros, destacando a aptidão e conflitos com o uso antrópico. Fornecendo uma abordagem que integra padrões espaciais e processos ecológicos aplicada em estratégias de conservação, no planejamento ambiental e ordenamento territorial. Os mapas são a base para obtenção dos resultados, sendo indispensável garantir uma acurácia que evite erros e proposições incorretas. Os avanços técnicos, os esforços para identificar manualmente classes de cobertura da terra e a menor necessidade de interferência dos analistas tornaram comum a utilização de classificadores automáticos de imagens de satélite. A ausência de protocolos e testes que oriente ou direcione a escolha dos classificadores, considerando os atributos da paisagem, conduzem a análises incorretas ou frágeis. O nosso objetivo foi analisar a adequação de procedimentos metodológicos do Sensoriamento Remoto e da Ecologia da Paisagem em imagens de alta resolução, do satélite RapidEye. Selecionamos uma amostra da paisagem da Região Metropolitana de São Paulo (APRMSP), fizemos uma classificação visual e aplicamos cinco classificadores baseados em pixel, supervisionados e não-supervisionados: Mahalanobis Distance, Maximum Likelihood, Spectral Angle Mapper, Support Vector Machines e o Iterative Self-Organizing Data Analysis (ISODATA). Calculamos a acurácia geral das classificações, utilizando a matriz de confusão e a estatística Kappa, e a performance dos classificadores com a técnica de votação. Os mapas da Classificação Visual e da Classificação ISODATA, que obteve a maior acurácia geral (78,1%), foram simplificados floresta e não-floresta para o cálculo das métricas nas categorias de mancha, classe, forma e teoria dos grafos. Na classificação visual as unidades mais difíceis de separar foram os pares Solo Exposto e Área Urbanizada, Floresta e Reflorestamento. Nas amostras de referência dos classificadores o menor índice de separação foi entre Reflorestamento e Floresta, Solo Exposto e Área Urbanizada, Área Úmida e Campo e os pares com índices mais elevados foram: Área Úmida e Água, Água e Campo, Água e Floresta. Verificamos que a técnica de votação pode ser utilizada para selecionar um classificador por unidade focal, tendo o ISODATA alcançado o índice mais elevado (83,9%) para Floresta. Os resultados do Mapa da Classificação ISODATA da APRMSP prejudicaram a análise das métricas de Área da Mancha, Índice de Forma, Número de Manchas e Índice Integral de Conectividade. A Porcentagem de Habitat e as tendências gerais indicadas pelo agrupamento das classes dos mapas não foram prejudicadas. A utilização desses classificadores dependerá da melhora da acurácia geral ou do índice de acerto, por meio de classificações híbridas ou da combinação de classificadores.

In Geography there was a theoretical and methodological convergence between landscape and the Remote Sensing. Landscape is a concept that guides systemic analyzes, with real and visible results, defined by different scales of component interactions. These explicit dimensions are also present in Remote Sensing which uses techniques and equipments to detect objects and interpret natural and anthropic components in models and thematic maps. Landscape Ecology analyzes maps and data produced by the association between land cover classes or landscape structure metrics that indicate current conditions, fragility and future scenarios, highlighting the aptitude and conflicts with anthropic use. Providing an approach that integrates spatial patterns and ecological processes applied in conservation strategies, environmental planning and spatial planning. The maps are the basis for obtaining results, being indispensable make sure an accuracy that avoids errors and incorrect propositions. Technical advances, efforts to manually identify land cover classes and the less need analysts decision become common to use automatic classifiers of satellite imagery. The lack of protocols and tests to guide or direct the choice of classifiers, considering landscape attributes, lead to incorrect or weak analyzes. Our goal was to analyze the adequacy of Remote Sensing and Landscape Ecology methodological procedures in high resolution RapidEye satellite images. We selected a landscape sample of the Metropolitan Region of São Paulo (APRMSP), and we did a visual classification and applied supervised and unsupervised five pixel-based classifiers: Mahalanobis Distance, Maximum Likelihood, Spectral Angle Mapper, Support Vector Machines and Iterative Self-Organizing Data Analysis (ISODATA). We calculated the overall accuracy of classifications using confusion matrix and Kappa statistics, and the classifiers performance by voting technique. The maps of Visual Classification and ISODATA Classification, which had the highest accuracy (78,1%), were simplified in forest and non-forest for the landscape structure metrics calculation in the categories of patch, class, shape and graph theory. In the visual classification the most difficult units to separate were the pairs Exposed Soil and Urbanized Area, Forest and Reforestation. In the reference samples of classifiers, the lowest separate index was between Reforestation and Forest, Exposed Soil and Urbanized Area, Wetland and Field and highest separate index pairs were: Wetlands and Water, Water and Field, Water and Forest. We verified that voting technique can be used to select a classifier considering a focal unit, such as ISODATA that obtained the highest index (83.9 %) for the Forest unit. The results of the ISODATA Classification Map of APRMSP impaired the analysis of Patch Size, Shape Index, Number of Patches and Integral Connectivity Index metrics. The Habitat Proportion and the general trends indicated by grouping of map classes were not impaired. The use of classifiers will depend on the overall accuracy or the rightness index improvement, through hybrid classifications or the classifiers combinations.