




Estude fácil! Tem muito documento disponível na Docsity
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Prepare-se para as provas
Estude fácil! Tem muito documento disponível na Docsity
Prepare-se para as provas com trabalhos de outros alunos como você, aqui na Docsity
Encontra documentos específicos para os exames da tua universidade
Prepare-se com as videoaulas e exercícios resolvidos criados a partir da grade da sua Universidade
Responda perguntas de provas passadas e avalie sua preparação.
Ganhe pontos para baixar
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Resumo sobre o arquivo mencionado.
Tipologia: Resumos
1 / 8
Esta página não é visível na pré-visualização
Não perca as partes importantes!





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:
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
p/ baixo).
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.
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
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
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.