Docsity
Docsity

Prepare-se para as provas
Prepare-se para as provas

Estude fácil! Tem muito documento disponível na Docsity


Ganhe pontos para baixar
Ganhe pontos para baixar

Ganhe pontos ajudando outros esrudantes ou compre um plano Premium


Guias e Dicas
Guias e Dicas


Spring 5.1.2 - Aplicação prática, Resumos de Geoprocessamento

Resumo sobre o arquivo mencionado.

Tipologia: Resumos

2020

Compartilhado em 23/09/2020

mariana-pacheco-17
mariana-pacheco-17 🇧🇷

1 documento

1 / 8

Toggle sidebar

Esta página não é visível na pré-visualização

Não perca as partes importantes!

bg1
Spring 5.1.2: aplicação prática
Capítulo 1: Visualizando Imagens de
Satélite e Aerofotos Digitais
Sistema para Processamento de
Informações Georreferenciada Instituto
Nacional de Pesquisas Espaciais (UNIX e
Windows). Operar banco de dados
geográficos com grande volume, manter a
identidade dos objetos geográficos ao longo
do banco; matriz e raster, integração dos
dados de Sensoriamento Remoto (imagem,
coordenada) em um Sistema de
Informações Geográficas (SIG); Linguagem
espacial facilmente programável pelo
usuário (Linguagem Espaço-Geográfico
baseada em Álgebra); funcionamento em
microcomputador e estação de trabalho de
alto desempenho. Indexação espacial,
segmentação de imagens e geração de
grades triangulares. Software de domínio
público.
Banco de dados (diretório no computador):
modelo de dados e suas características
(categoria e classe). Subdiretório: projetos
(linha, ponto, imagem orbital e aérea,
textos, grades e objetos).
Projeto: necessário definir limite geográfico
da área em estudo (retângulo envolvente) e
a projeção cartográfica mais adequada aos
dados geográficos. Um projeto tem Planos
de Informação (PI) dentro do retângulo
envolvente definido e estes herdarão o seu
sistema de projeção. Dados do projeto estão
debaixo do subdiretório.
Anterior a visualização dos dados espaciais
no banco de dados, cria-se o modelo de
dados, especificando categorias e classe
(temático), além das características de
apresentação gráfica (visual) dos dados e
dos atributos descritivos.
Modelo de dados:
1) Imagem: dados oriundos do
sensoriamento remoto no formato
de matriz.
2) Numérico: dados que possuem
variação contínua de seus valores
numéricos conforme o
posicionamento na superfície
(altimetria).
3) Temático: classifica uma posição
geográfica conforme determinado
tema (tipo de solo).
4) Cadastral: mapas que contêm
representação de determinado tipo
de objeto (divisão política).
5) Rede: dados que possuem relação
de fluxo e conexão entre inúmeros
elementos que se deseja monitorar.
6) Classe: categoria de dados do
modelo, especialização da
categoria.
7) Objeto: especialização de um tipo
de objeto geográfico.
8) Não-espacial: não possuem
representação espacial (cadastros
rurais e urbanos).
Visual: distinguir características de áreas,
linhas, pontos e texto de categoria/classe no
banco de dados. Tabela: inserir, armazenar
e recuperar os atributos descritivos dos
dados. Tabela é única para cada categoria.
Edição e análise são feitas para modelos de
dados, objeto e não espacial.
Tons de cinza insolados, composição
normal e falsa cor (nítido a diferenciação
entre recursos naturais, priorizando a
identificação da vegetação e corpos
d’água).
Cursor de área: ampliar as áreas. Cursor de
voo: movimentação da imagem dentro da
tela de visualização. Cursor de informação:
obtenção de informações sobre a imagem
dentro da tela de visualização. Acoplar uma
tela a outra: comparar os dados de outros
PI’s com o que estiver ativo e visível na
janela principal. Zoom in e zoom out: 2x o
centro da tela. Ampliar: 2, 4, 8x sobre a
janela flutuando na tela ativa. Possível
alterar a escala e coordenadas planas e
geográficas.
Capítulo 2: Contraste de Imagens
Digitais
Melhorar a qualidade das imagens sob a
percepção do olho humano, transferência
pf3
pf4
pf5
pf8

Pré-visualização parcial do texto

Baixe Spring 5.1.2 - Aplicação prática e outras Resumos em PDF para Geoprocessamento, somente na Docsity!

Spring 5.1.2: aplicação prática Capítulo 1: Visualizando Imagens de Satélite e Aerofotos Digitais Sistema para Processamento de Informações Georreferenciada – Instituto Nacional de Pesquisas Espaciais (UNIX e Windows). Operar banco de dados geográficos com grande volume, manter a identidade dos objetos geográficos ao longo do banco; matriz e raster, integração dos dados de Sensoriamento Remoto (imagem, coordenada) em um Sistema de Informações Geográficas (SIG); Linguagem espacial facilmente programável pelo usuário (Linguagem Espaço-Geográfico baseada em Álgebra); funcionamento em microcomputador e estação de trabalho de alto desempenho. Indexação espacial, segmentação de imagens e geração de grades triangulares. Software de domínio público. Banco de dados (diretório no computador): modelo de dados e suas características (categoria e classe). Subdiretório: projetos (linha, ponto, imagem orbital e aérea, textos, grades e objetos). Projeto: necessário definir limite geográfico da área em estudo (retângulo envolvente) e a projeção cartográfica mais adequada aos dados geográficos. Um projeto tem Planos de Informação (PI) dentro do retângulo envolvente definido e estes herdarão o seu sistema de projeção. Dados do projeto estão debaixo do subdiretório. Anterior a visualização dos dados espaciais no banco de dados, cria-se o modelo de dados, especificando categorias e classe (temático), além das características de apresentação gráfica (visual) dos dados e dos atributos descritivos. Modelo de dados:

  1. Imagem: dados oriundos do sensoriamento remoto no formato de matriz.
  2. Numérico: dados que possuem variação contínua de seus valores numéricos conforme o posicionamento na superfície (altimetria).
  3. Temático: classifica uma posição geográfica conforme determinado tema (tipo de solo).
  4. Cadastral: mapas que contêm representação de determinado tipo de objeto (divisão política).
  5. Rede: dados que possuem relação de fluxo e conexão entre inúmeros elementos que se deseja monitorar.
  6. Classe: categoria de dados do modelo, especialização da categoria.
  7. Objeto: especialização de um tipo de objeto geográfico.
  8. Não-espacial: não possuem representação espacial (cadastros rurais e urbanos). Visual: distinguir características de áreas, linhas, pontos e texto de categoria/classe no banco de dados. Tabela: inserir, armazenar e recuperar os atributos descritivos dos dados. Tabela é única para cada categoria. Edição e análise são feitas para modelos de dados, objeto e não espacial. Tons de cinza insolados, composição normal e falsa cor (nítido a diferenciação entre recursos naturais, priorizando a identificação da vegetação e corpos d’água). Cursor de área: ampliar as áreas. Cursor de voo: movimentação da imagem dentro da tela de visualização. Cursor de informação: obtenção de informações sobre a imagem dentro da tela de visualização. Acoplar uma tela a outra: comparar os dados de outros PI’s com o que estiver ativo e visível na janela principal. Zoom in e zoom out: 2x o centro da tela. Ampliar: 2, 4, 8x sobre a janela flutuando na tela ativa. Possível alterar a escala e coordenadas planas e geográficas. Capítulo 2: Contraste de Imagens Digitais Melhorar a qualidade das imagens sob a percepção do olho humano, transferência

radiométrica em cada pixel, de modo a aumentar a discriminação visual entre os objetos presentes, independente da vizinhança. Imagem – Pré-processamento (correção radiométrica e geométrica, registro) - realce de imagem (reacle de contraste, filtragem, transformação IHS, operação aritmética, componentes) – análise de imagens (extração de atributos, segmentação e classificação) – descrição (mapas, representação gráfica, propriedades do objeto). Pré-processamento: minimizar ou maximizar as distorções radiométrica (tons de cinza dos elementos da imagem) e/ou geométrica (distribuição espacial dos elementos – escala, afinidade e orientação). Realce da imagem: modificar os níveis de cinza ou os valores digitais de uma imagem, objetivando facilitar a análise do fotointerpretador, por meio do destaque de certas informações espectrais. Análise da imagem: segmentação de imagem (reconhecimento de padrões) – fragmentar a área em unidades homogêneas de acordo com seu nível de cinza, textura e contraste; classificação da imagem – categorização da cobertura da terra. Contraste da imagem: busca aumentar a qualidade visual da imagem e de informações disponível, de tal maneira, que contribua para a intepretação da imagem. Geralmente executado no pré- processamento. Trata-se da modificação na escala de cinza, baseado na função de transferência (y=f(x)), por meio da ampliação do histograma original de uma imagem. Isto é, ocorre uma distribuição dos níveis de cinza da imagem, o novo valor do ponto dependerá apenas do valor antigo deste ponto. Métodos de realce de contraste

  1. Linear: o novo histograma será formado por barras espaçadas igualmente ao histograma antigo. Isto é, em virtude da função de transferência ser reta, o histograma terá formato idêntico ao anterior.

y = ax + b

  1. Mínimo máximo: idêntico ao linear. Entretanto, escolhe-se o valor mínimo e máximo de tons de cinza, que substituirão os níveis de cinzas mínimo e máximo da imagem original e serão, respectivamente, a base o topo da reta. “Normalização”. Não há perda de informações, pois todos os níveis de cinzas serão

representados. y = ax + b

  1. Raiz quadrada: utilizada para destacar regiões escuras, pois forma uma curva maior em valores

menores de cinza. y = a √ x (curva

p/ baixo).

  1. Quadrado: destacar feições claras, maior contraste a partir da média do histograma. Ainda que haja deslocamento geral na região

escura (curva p/ cima). y = ax ²

  1. Logaritmo: aumentar contraste de

feições escuras. y = a ∗log( x + 1 )

  1. Negativo: mapeamento linear inversa. Áreas escuras tornam-se

claras, vice-versa. y =−( ax + b )

  1. Equalização do histograma: reduz o contraste de regiões muito clara e escura. Expande todo os níveis de cinza por todo intervalo, fazendo distribuição aproximadamente uniforme. Considera a distribuição acumulativa da imagem original. Não é possível alterar a posição da

curva neste método. y =^

faxi ∗ 255

Pt

onde faxi: frequência acumulada para o nível de cinza xi, Pt: população total (número total de pixel).

Substituição do valor do pixel na posição (i,j) por um novo valor. Cada posição da máscara está associada à um valor numérico (peso ou coeficiente), este valor é multiplicado pelos níveis de cinza resultando em um novo valor de NC.

  1. Filtragem linear: feito no domínio do espaço por meio de operações de convolução e no domínio de frequência pela operação do produto. Suaviza e realça detalhes, diminui o efeito do ruído e não modifica a média da imagem. a. Passa baixa: atenua altas frequências (transição abrupta). Minimiza ruídos e apresenta efeito de borramento (baixa-média). b. Passa baixa de média ponderada: há efeito reduzido de borramento, os novos valores são dados em virtude da distância do pixel central, tendo este um valor superior do que no filtro da média. c. Passa alta: realçam as diferenças, as regiões diferentes tornam-se ainda mais nítidas. Realçar bordas, linhas curvas, manchas, enfatizar ruídos. d. Direcionais de realce de bordas: realça a cena conforma a direção ortoganal de interesse. Realce em bordas (ex.: limites horizontais – N e S, limites verticais – L,O). e. Não-direcionais de realces de bordas: independe da direção, diferem quanto a intensidade de altos valores de níveis de cinza presentes na imagem resultante. Alta (filtra valores de baixa intensidade, deixa a imagem mais clara), baixo (imagem mais escura), média (intermediário). f. Realce de imagens: apropriada para realçar características de imagens obtidas por um sensor específico, tal como, compensação da distorção radiométrica do sensor.
  2. Filtros não-lineares: minimizar e realçar ruídos, suavizar e realçar bordas, alterando a média da imagem. a. Filtros para detecção de bordas : detecta características. i. Operador de Roberts (+): resulta em altos valores de cinza para regiões com limites bem definidos, baixo valores para regiões suaves e zero para regiões com nível de cinza constante. Algumas bordas são mais realçadas em virtude da direção, ainda que tenha mesma magnitude.

( a ' )=( a − d ) ²+( c − b ) ². A: nível

de cinza correspondente à localização a ser substituído, a, b, c, d: valores serão computados para a operação. ii. Operador de Sobel: realça linhas verticais e horizontais mais escuras que o fundo, sem realçar pontos

isolados. ( a ' )= √ a ²+ b ², onde a’ é

o valor de nível de cinza correspondente à localização do elemento central da máscara. b. Filtros morfológicos: exploram as propriedades geométricas dos sinais (níveis de cinza). Máscaras: elementos estruturantes – variação de 0 a 1. i. Mediana: suavização e eliminação de ruídos e mantém a dimensão da imagem. Pixel central: valor mediano. ii. Morfológico-Erosão: erosão das partes claras da imagem, gerando imagem escura. Pixel central: menor valor da ordenação. iii. Morofológico-dilatação: clareia partes escuras. Utiliza-se o maior valor na ordenação Abertura da imagem (clareamento): erosão seguida de dilatação. Fechamento de uma imagem: dilatação seguido de erosão. (Encadeamento das filtragens).

Capítulo 5: Operações aritméticas entre imagens Resultado: banda representando combinação das bandas originais. Adição: realçar a similaridade entre bandas ou diferentes imagens, subtração, multiplicação e divisão realçar a diferenças espectrais. Distorções radiométrica entre as imagens: diferença das condições atmosféricas, iluminação, ângulo de visada, entre outros. Devem-se corrigir estas distorções, no entanto, o processo de correção é difícil, pois dificilmente se conhece os fatores que causam a distorção. Análise multitemporal: normalização (ou retificação) radiométrica – conciliar as amplitudes dos níveis de cinza dos elementos de imagem em cada banda espectral de uma série multitemporal de imagens. Imagem de referência e imagem de ajuste. Determinar coeficientes de transformação linear para realizar a retificação desejada. Método de uniformização das médias e variâncias (UMV): igualar as variáveis por meio de uma transformação linear. Calculam-se os parâmetros (ganho e offset) da função, que quando aplicada à imagem de ajuste, tem-se uma mesma média e variância. Offset: deslocamento. Resulta em uma imagem uniformizada. Capítulo 6: Índice de vegetação Operações aritméticas para manipulação de imagens de satélite para obter índices de vegetação. Valores digitais expressam a biomassa ou o vigor vegetativo, por meio de operações aritméticas (+,-,*,/). Alto brilho indica pixels cobertos por uma alta proporção de vegetação viva (saudável). A partir do conhecimento do comportamento espectral da vegetação, selecionam-se as bandas espectrais (respostas espectrais diferentes – contraste entre as bandas) para constituir a operação aritmética. Valores inversos na região do vermelho e infravermelho próximo (vegetação viva). Alta absorção do vermelho pela clorofila (80 a 90%) e reflectância da radiação do infravermelho pela mesófila (40 a 50%) gera uma alta razão. Os outros componentes, como água, solo exposto, não terão resposta específica, logo terão uma baixa razão. IV/VM, usa-se, ainda que menos efetiva, VD/VM (verde/vermelha). Índice de razão de vegetação (RADIO), índice de vegetação da diferença normalizada (NDVI): separa o brilho da vegetação do fundo do solo, minimiza efeitos topográficos, varia de -1 a +1. Índice de vegetação transformada: associa ao NDVI uma distribuição normal, corrige valores negativos. Correção do Índice de Vegetação Transformada (CTVI): NDVI =< -0,5 resultam em valores negativos menores (-1), assim sendo, este índice realiza essa correção. Índice de Vegetação Transformado de Thiam’s: CTVI acarreta em valores ruidosos ao superestimar vegetação verde. Para corrigir o problema anterior, calcula-se a raiz quadrada de TVI. Capítulo 7: Classificação de imagens de satélite Cada pixel é tratado como uma unidade individual composta de valores em várias bandas espectrais. Quando comparado a outros pixels de identidade conhecida, é possível agrupá-los conforme a refletância espectral. Dessa forma, tem-se regiões sobre o mapa e imagem, assim a imagem digital será apresentada como um mosaico de parcelas uniformes, identificada por cores e símbolos diferentes. Agrupamento é feito a partir da análise da imagem numérica (nível de tons de cinza). Classificador: programa de computador que utiliza de um procedimento especifico para classificar a imagem digital. Em virtude das distintas características das imagens e dos objetivos dos estudos, é necessário que o analista conheça todas as funcionalidades

  1. Distância mínima (supervisionado): atribui ao pixel desconhecido a classe da média que está mais próxima dele. Isto ocorre, pois os pixels são mistura de mais de um tipo de superfície. Para isso, calcula-se a distância espectral de cada pixel até a média de cada classe em cada banda. Vantagem: simplicidade e eficiência em termos computacionais, mais precisão do que o outro algoritmo. Desvantagem: desconsidera a variância e covariância. Permite o usuário estabelecer uma distância limite (limiar), assim mesmo que o pixel esteja próximo a classe, ela pode não ser classificada. b
  2. Máxima verossimilhança (supervisionado): considera a variância e covariância das categorias de padrões de resposta espectral ao classificar o pixel. Assume-se que a nuvem de pontos que compõe a base de dados, distribui-se normalmente (valor de média e matriz de covariância). Assim, é possível mensurar a probabilidade de determinado pixel pertencer a uma classe particular. Limites de classificação: pontos de mesma probabilidade de classificação de uma e outra classe. Limiar de decisão: porcentagem de pixels da distribuição de probabilidade de uma classe será classificada como pertencente a classe. Para diminuir a sobreposição de classes, recomenda-se deter uma amostra representativa de alvos distintos e avaliar a matriz de classificação das amostras. Uso de função de densidade e probabilidade – classificação mais coerente. 99% dos pixels foram classificados, ignorando os de menor probabilidade, afirmando que estes englobam o treinamento por engano, nesta classe, ou estão no limite de duas classes. 100% imagem classificada sem rejeição. Aparência menor ruidosa, uniformiza os temas, eliminando pontos isolados. 4. Maxver-ICM (supervisionado): utiliza- se da dependência espacial. Classifica- se primeiramente a imagem pelo método de Maxver e, em seguida, o classificador atribui classe a um determinado pixel, considerando a sua vizinhança, de maneira, interativa. 5. Bhattacharya (supervisionado): utiliza- se do treinamento para estimar função de densidade e probabilidade. Posteriormente, avalia a distância de Bhattacharya entre as classes. (Região) 6. Isoseg (não-supervisionado): classifica- se a região a partir da similaridade entre elas. Esta semelhança é vista pela distância de Mahalanobis calculada entre as classes e as regiões candidatas a estas classes. (Região) Análise de amostras: matriz de confusão do tema e da amostra, desempenho médio. Comprovação matemática dos resultados - Matriz de erro de classificação Águ a Estr Frag . Past. Sol o Urb. Agu a

Estr. 607 * Frag. 3667 * Past. 447 8

Solo 542 * Urb. 541 * T * Exatidão Global ou Desempenho Geral (DG) = D/T Onde, D: elementos da diagonal principal, T: total de amostras. DG = (116+607+3667+4478+542+541)/10784* = 0,923 *100 = 92,28% Índice Kappa (K)> intervalo de aceitação 0,4 < K < 0,8 (razoável). Menor – pobre, maior, excelente.

Quanto menor o peso e limiar, maior o número de substituições que serão realizadas. Método supervisionado de Bhattcharya: treinamento automático por meio de técnica de segmentação de imagens. Segmentação: primeiro passo para preparar as imagens de satélite para futura classificação temática, agrupar pixels com características similares (tons de cinza e textura) para formarem regiões homogêneas. Estas feições da superfície terrestre servirão como base para análise e cartografia temática. Baseia-se na descontinuidade (mudança abrupta do tom de cinza) e similaridade dos tons de cinza (semelhança com pixels vizinhos) – segmentação por crescimento de regiões – resultado: áreas de aspecto contínuo, onde as áreas apresentam características espectrais distintas das áreas que as cercam. Deve-se considerar o tipo de dados (imagem disponível) e do objetivo do trabalho. Por não existir valores para limiares pré-estabelecidos, deve-se ter cutela e conhecimento prévio. Estes valores devem considerar os padrões de repartição espacial dos objetos de cada área e da definição da generalização cartográfica ideal. Baixos valores de limiares: fragmentação excessiva, altos valores de limiares: pixels representativos de diferentes classes serão agrupados incorretamente. Capítulo 8: Análise de componentes principais As bandas individuais de uma imagem multiespectral apresentam-se similares, em virtude, do sombreamento topográfico, características do comportamento espectral do objeto e sobreposição das janelas atmosféricas entre bandas adjacentes. Analisar as bandas individualmente, neste caso, é inútil por conta da redundância de informações. Existe-se técnicas capazes de criar uma imagem de bandas independentes, ou seja, não- correlacionadas. Ao se comparar pixel de imagens de bandas distintas e verificar similaridade no nível de brilho entre as imagens, afirma-se que estas são correlacionadas. Em caso de uma imagem ser negativa da outra, afirma-se -100% correlação. Novo conjunto de imagens independentes: resulta na transformação derivada da matriz de covariância dos valores originais. Os componentes principais são gerados número igual ao de bandas espectrais conforme a variação do nível de cinza. Elaboração de imagens de componentes principais – consiste na explicação da variância das bandas por meio destes componentes. Primeiro calcula-se a variância de 1 e 2 e a covariância entre eles. A partir de uma matriz 2x2, obtém-se uma equação de segundo grau, onde, ao resolver as raízes, se terá o componente principal relativo. Isto é, a quantidade proporcional em que determinado componente justifica a variação total. Por meio da substituição dos lambidas é possível determinar os componentes, que são ortogonais. Cada componente admite duas soluções (-/+). De posso dos escores para os componentes, pode-se agrupar e verificar a correlação estatística entre pixels próximos. Escore do componente principal 1 (abscissas) e 2 (ordenadas). A variável com maior correlação apresentará menor importância para o estudo realizado.