Estudo Sobre Um Futuro Aumento Da Resolução Espacial Dos Sensores De Muito Grande Resolução Espacial
|
|
- Evelyn Terra Ávila
- 6 Há anos
- Visualizações:
Transcrição
1 Estudo Sobre Um Futuro Aumento Da Resolução Espacial Dos Sensores De Muito Grande Resolução Espacial Luísa M S Gonçalves (1), Eduardo N B S Júlio (2), Mário Caetano (3) 1 Instituto Politécnico de Leiria, Escola Superior de Tecnologia e Gestão, Leiria, Portugal 2 ISISE, Departamento de Engenharia Civil, Universidade de Coimbra, Coimbra, Portugal 3 Instituto Geográfico Português (IGP), Grupo de Detecção Remota (GDR), Lisboa, Portugal 4 CEGI, Instituto Superior de Estatística e Gestão de Informação, ISEGI,Universidade Nova de Lisboa, Lisboa, Portugal luisag@estg.ipleiria.pt, mario.caetano@igeo.pt Com o contínuo aumento da resolução dos sensores de detecção remota e a disponibilização de imagens de muito grande resolução espacial para a comunidade civil verificados na última década, novos desafios têm vindo a ser colocados relativamente ao desenvolvimento de novas técnicas e metodologias para melhorar a extracção da informação. Neste artigo, são avaliadas as implicações que um aumento da resolução espacial dos dados imagens multiespectrais, face aos actualmente disponibilizados pelos satélites em órbita de muito grande resolução, teriam na extracção de informação do coberto florestal. São ainda apresentados os sensores de grande resolução existentes e os futuros lançamentos. Para avaliar as vantagens e desvantagens de um hipotético aumento da resolução espacial, face ao actualmente existente, procede-se a um estudo, em que são utilizadas imagens aéreas multiespectrais com resolução de 0,5m e imagens do satélite IKONOS com 4m resolução às quais é aplicada a mesma metodologia de classificação. Palavras-Chave: Imagens Satélite de Muito Grande Resolução; IKONOS; Imagens Aéreas; Cartografia de Ocupação do Solo; Caracterização do Coberto Florestal. Agradecimentos Os autores agradecem à MECI a disponibilização das imagens IKONOS que possibilitou a realização deste estudo.
2 1. Introdução Desde o lançamento do primeiro satélite de observação ERTS-1, em 1972, que se tem assistido a um número crescente de lançamentos de satélites de observação da terra e ao desenvolvimento de algoritmos e métodos para extrair a informação das imagens digitais disponibilizadas. No início do século XXI encontravam-se em orbita cerca de 31 satélites que disponibilizavam dados de ocupação do solo com uma resolução que variava entre 1m e 30 metros [7]. O lançamento de satélites com sensores ópticos, que recolhem imagens de muito grande resolução espacial (ISMGRE) da superfície terrestre, veio disponibilizar uma nova fonte de dados importante, potenciando a sua utilização no contexto das áreas urbanas a grande escala pois o nível de resolução espacial destas imagens corresponde às escalas de análise entre 1:5 000 e 1: [3]. Vários estudos têm demonstrado que as ISMEGRE também podem desempenhar um papel fundamental na área florestal permitindo, por exemplo, extrair parâmetros biofísicos de espécies florestais [4] e informação mais detalhada sobre a composição e estrutura das florestas [6]. Acresce ainda o facto de contribuírem para uma rápida obtenção de informação para a produção e actualização de mapas a grande escala. No decurso da primeira década do séc. XXI o investimento em sensores de muito grande resolução tem-se mantido, estando prevista a realização ainda durante o ano de 2008 do lançamento de dois novos sensores: o WorlView-2, que irá disponibilizar imagens pancromáticas com resolução espacial de 0.46m e 8 bandas multiespectrais com uma resolução espacial de 1.8m; e o GeoEye-1 capaz de adquirir imagens pancromáticas com 0,41m e multiespectrais com 1.65m. Até final de 2010 está previsto o lançamento de mais dois satélites: o CBERS-3 e 4 (programa de cooperação entre o Brasil e a China) que irão adquirir também imagens multiespectrais com 5m de resolução. Em fase de desenvolvimento encontra-se o GeoEye-2, prevendo-se uma melhoria significativa das suas capacidades para adquirir imagens da superfície terrestre com resolução espacial de 0,25m. Na Tabela 1 apresentam-se os satélites, que disponibilizam imagens multiespectrais e/ou pancromáticas com resolução superior a 10m, que estão em orbita actualmente ou cujo lançamento está planeado ocorrer entre 2008 e 1010.
3 Tabela 1 Satélites que disponibilizam imagens multiespectrais e/ou pancromáticas com resolução superior a 10m. Satélites Lançamento Tempo de missão Resolução (anos) Pancromática (m) Multiespectral(m) IKONOS Set Quickbird-2 Out SPOT-5 Mai Orbview-3 Jun Formosat -2 Mai ALOS-1 Jan-06 3 a Worldview-1 Set GeoEye-1 Previsto Worldview-2 Previsto CBERS-3 Previsto Apesar das enormes potencialidades que um aumento da resolução espacial apresenta, verificam-se também algumas limitações na sua aplicação devido à maior variabilidade espectral e à acentuada presença de sombras, o que provoca erros na classificação [2]. O estudo que se apresenta pretende avaliar a influência que um futuro aumento da resolução espacial dos dados imagens multiespectrais, poderá ter ao nível da precisão da classificação na aplicação ao coberto florestal. 2. Dados e área de estudo Para a realização do estudo foram utilizadas imagens IKONOS e imagens aéreas multiespectrais com uma resolução espacial de 0,5m e uma resolução radiométrica de 8 bits. As imagens aéreas foram utilizadas para simular as imagens satélite multiespectrais de muito grande resolução espacial que actualmente ainda não estão disponíveis. As imagens aéreas pertencem ao conjunto de imagens multiespectrais digitais da DGRF, que cobrem Portugal Continental, obtidas por avião entre 2004 e 2006 com o sensor UltraCam TM da Vexcel e posteriormente orto-rectificadas pelo Instituto Geográfico Português (IGP). A imagem IKONOS foi adquirida, com as 4 bandas multiespectrais e a banda pancromática de 4 m e 1 m de resolução espacial, respectivamente. O produto adquirido foi o Geo Ortho Kit da Space Imaging e no estudo foram utilizadas a quatro bandas multiespectrais. A correcção geométrica das imagens foi efectuada com recurso à ortorrectificação tendo-se obtido um erro médio quadrático de 1.39m. Como o estudo não inclui uma componente multitemporal e dada a pequena dimensão da área de estudo e homogeneidade da atmosfera, não foi aplicada qualquer tipo de correcção radiométrica. A imagem foi gravada com uma
4 resolução radiométrica de 16 bit de forma a não perder a informação contida nos 11 bit da imagem original. A área de estudo situa-se no concelho de Alcácer do Sal, tem uma área de, aproximadamente, 9km por 12km e é uma área rural, essencialmente composta por agricultura, floresta e sistemas agro-florestais. As espécies predominantes são o Sobreiro, Pinheiro Manso e o Eucalipto. A área de estudo é coberta por uma única imagem IKONOS de Abril de 2004 e por uma Imagem Aérea, resultante de um mosaico de 8 imagens aéreas orto-rectificadas, de Setembro do mesmo ano. 3. Metodologia A ambas as imagens foi aplicada a mesma metodologia de classificação ao nível do pixel, a mesma nomenclatura e o mesmo protocolo de amostragem. A metodologia envolveu 7 etapas: (1) definição da nomenclatura; (2) definição do protocolo de amostragem: (3) estudo de separabilidade espectral, recorrendo a diagramas de dispersão e à medida de separabilidade B-Distance; (4) extracção da informação ao nível do pixel utilizando o classificador rígido e assistido da Máxima Verosimilhança; (6) avaliação comparativa do comportamento do classificador em ambas as imagens, com base em matrizes de confusão; (7) avaliação comparativa dos mapas obtidos nas duas classificações, com base em matrizes de confusão Definição das Classes de Informação Quando se pretende aplicar um esquema de classificação é necessário ter em conta a resolução espectral e a resolução espacial dos dados imagem utilizados para a produção de cartografia. Por este motivo, como no estudo foram utilizadas imagens em que o pixel possui uma grande resolução espacial e não traduz unidades de paisagem (e.g. Área Agro-florestal, Floresta), mas antes componentes das unidades de paisagem (e.g. copa de árvore, sombra), optou-se por adoptar uma nomenclatura baseada em elementos de superfície pois é a que melhor se adequa à informação contida ao nível do pixel duma ISMEGRE. A nomenclatura adoptada é idêntica à elaborada por Plantier e Caetano [5]. As classes utilizadas foram: Copa de Eucalipto (CE); Copa de Sobreiro (CS); Copa de Pinheiro Manso (CPM); Sombra (S); Agua Profunda (AP); Agua Pouco Profunda (APP); Vegetação
5 Herbácea (VH), Vegetação Herbácea Esparsa (VHE) e Área Não Vegetada (ANV) Definição do protocolo de amostragem No estudo foram definidos dois protocolos de amostragem, um para treino e teste do classificador e outro para avaliação do mapa obtido. A definição do primeiro protocolo de amostragem baseou-se na recolha das amostras representativas dos vários elementos de superfície, tendo sido utilizado o pixel como unidade amostral. Um foto-intérprete desenhou, em média, 25 polígonos representativos de cada classe de interesse, na imagem IKONOS, e sobre estes foi lançada uma amostragem aleatória, estratificada. Cada classe ficou representada por aproximadamente 250 amostras (pixels) [5]. O total de amostras de cada classe foi posteriormente dividido aleatoriamente em dois conjuntos de dimensão idêntica, um foi utilizado para treino e outro para teste do classificador assistido. Dado que a IKONOS e a Imagem Aérea têm resoluções diferentes, por vezes houve necessidade de deslocar o pixel amostrado para o elemento de superfície mais próximo devido à posição da amostra na Imagem Aérea não corresponder ao mesmo elemento de superfície. Desta amostra resultaram, em média, 120 áreas de treino para cada classe de elementos de superfície. Para a avaliação da exactidão de todo o mapa foi lançada uma amostra aleatória estratificada por classe para que qualquer pixel da imagem pudesse ser seleccionado para referência. Desta forma, deixou-se de ter amostras idênticas às utilizadas para treinar o classificador, o que permite obter uma avaliação da exactidão do mapa mais realista. No segundo protocolo de amostragem, cada classe ficou representada por 100 amostras, tendo o pixel como unidade amostral Separabilidade espectral Para analisar e comparar a separabilidade espectral entre as classes definidas em cada uma das imagens, recorreu-se a um diagrama de dispersão bidimensional e à medida de separabilidade Distância de Battacharrya (B-Distance). Para eixos de visualização escolheram-se as bandas do vermelho e infra-vermelho próximo por serem as que melhor distinguem a vegetação. A B-Distance tem sido utilizada em vários estudos como medida de separabilidade por ter uma relação muito próxima com o resultado da
6 classificação. Este indicador apresenta valores no intervalo [0, 2], onde 0 indica completa sobreposição; 2 total separabilidade e maior que 1.9 boa separabilidade Classificação Para identificar os elementos de superfície foi aplicada uma classificação assistida utilizando o classificador da Máxima Verosimilhança (MV). A razão pela qual se optou por utilizar o classificador da Máxima Verosimilhança baseouse no facto de estar disponível na maioria dos softwares comerciais e ter demonstrado bons resultados em estudos aplicados ao coberto florestal com imagens IKONOS (e.g. [1], [8]). 4. Resultados e Discussão 4.1. Separabilidade espectral das classes A Figura 1 mostra, para cada imagem, as elipses de distribuição das classes de elementos de superfície da área de estudo projectadas em diagramas de dispersão bidimensionais (IVP, V). Figura 1 Diagramas de dispersão das imagens. a) IKONOS; b)imagem Aérea Da análise comparativa dos diagramas de dispersão verifica-se que, na imagem IKONOS, as maiores sobreposições das assinaturas espectrais correspondem às espécies florestais. Na Imagem Aérea, para além de ocorrer uma grande sobreposição das assinaturas espectrais das classes vegetadas, verifica-se
7 também uma grande sobreposição das assinaturas espectrais das classes não vegetadas. A classe Água Profunda apresenta uma total sobreposição com a classe Sombra e verifica-se alguma sobreposição das classes Água Pouco Profunda e Herbáceas Esparsas com a classe Área Não Vegetada. Embora em ambas as imagens exista maior confusão entre espécies florestais do que destas com classes não florestais, na Imagem Aérea as elipses das classes florestais apresentam uma maior sobreposição, nomeadamente a classe Copa Eucalipto com a classe Copa Sobreiro. Os resultados quantitativos de separabilidade, dados pela B-Distance, reforçam os resultados obtidos pelo diagrama de dispersão. Conforme se pode visualizar nas Tabela 2 e Tabela 3, as diferenças mais significativas, nos valores obtidos, ocorrem entre as classes Sombra/Água profunda e entre as classes vegetadas. Na imagem IKONOS, a Água Profunda e Sombra possuem uma boa separabilidade (1.95) contrariamente à Imagem Aérea em que o valor é de Relativamente às espécies florestais, os resultados obtidos com a Imagem Aérea revelam também uma grande dificuldade de separabilidade. Na IKONOS, as espécies florestais Sobreiro/Pinheiro Manso e Sobreiro/Eucalipto apresentam uma separabilidade superior a 1.9, contrariamente à Imagem Aérea cujos valores são inferiores a 1.0, tendo-se obtido o pior valor de separabilidade (0.46) entre as classes Copa Sobreiro e Copa Eucalipto. Em termos de valores médios de separabilidade, na Imagem Aérea obteve-se um valor de 1.72 e na imagem IKONOS Tabela 2 Valores da B-Distance da IKONOS AP APP ANV CE S VH CS CPM VHE AP 0 APP 1,842 0 ANV 1,959 1,980 0 CE 2,000 2,000 1,999 0 S 1,951 1,999 1,908 1,999 0 VH 2,000 2,000 2,000 1,999 2,000 0 CS 2,000 2,000 1,979 1,954 1,947 1,998 0 CPM 2,000 2,000 2,000 1,707 2,000 1,996 1,940 0 VHE 2,000 2,000 1,990 1,993 1,999 1,997 1,246 1,993 0 Tabela 3 Valores da B-distance das imagens aéreas AP APP ANV CE S VH CS CPM VHE AP 0 APP 1,461 0 ANV 1,834 1,595 0 CE 1,966 1,968 1,831 0 S 0,871 1,864 1,842 1,965 0 VH 1,998 1,993 1,940 1,577 2,000 0 CS 1,943 1,940 1,883 0,458 1,934 1,701 0 CPM 1,954 1,965 1,905 0,802 1,991 1,133 1,018 0 VHE 1,982 1,775 1,190 1,300 1,975 1,803 1,510 1,783 0
8 Os resultados revelam uma maior dificuldade em separar a classe Agua (AP, APP) da classe Sombra (S) e as diferentes espécies florestais entre si, com imagens com uma resolução espacial de 0,5m com 8 bits. Estas dificuldades podem ser também motivadas por outros factores nomeadamente os diferentes processos de captação das imagens e de orto-rectificação. Uma imagem aérea orto-rectificada (ortofotomapa) é um mosaico de várias fotos orto-rectificadas. O processo de orto-rectificação das fotos é feito individualmente foto a foto, e no caso da zona em estudo, a banda do infravermelho de cada foto foi ortorectificada separada das bandas RGB. Como o software utilizado não permitia a criação de um mosaico com mais de três bandas em simultâneo, foi necessário efectuar o mosaico da banda do infravermelho em separado, pelo que as linhas de ligação utilizadas para efectuar o mosaico das bandas RGB foram diferentes das utilizadas para a banda do Infravermelho. Este facto, provocou em certas zonas da imagem um efeito de desfocagem, que é visível na Figura 2. Outro factor que pode contribuir, também, para os resultados obtidos é o diferente contraste constatado entre imagens aéreas orto-rectificadas (Figura 2) consequência do seu processo de captação, pois na fase de orto-rectificação a interferência na radiometria é mínima e na construção do mosaico é feito um ajuste radiométrico, em simultâneo, para todas as fotos orto-rectificadas que pertencem ao bloco. Estes tipo de problemas radiométricos não se verificam na imagem IKONOS, pois a captação por satélite permite com uma única imagem cobrir toda área de estudo. a) b) Figura 2 - Exemplo de deficiências radiométricas a) extracto da Imagem Aérea (RGB 421) que ilustra os efeitos resultantes do processo de orto-rectificação e construção do mosaico. b) efeito resultante do processo de captação das imagens Classificação
9 Os resultados obtidos para a Exactidão Global (EG) e Khat evidenciam que o classificador tem uma melhor performance quando aplicado à imagem IKONOS. O valor da EG na IKONOS é de 96.7% e na Imagem Aérea é bastante mais baixo (75,5%). Esta tendência é acompanhada pelos valores de Khat que na IKONOS é de 96.2% e na Imagem Aérea é de 72.6%. Nas Figura 3 e Figura 4 apresentam-se os resultados obtidos para a exactidão do utilizador e do produtor. (%) AP APP ANV CE S VH CS CPM VHE Classes Imagem Aérea IKONOS Aérea Figura 3 Exactidão do Produtor para o classificador da MV aplicado às IKONOS e Imagem (%) AP APP ANV CE S VH CS CPM VHE Classes Imagem Aérea IKONOS Figura 4 Exactidão do Utilizador para o classificador da MV aplicado às IKONOS e Imagem Aérea Embora o classificador aplicado à Imagem Aérea apresente valores para os Índices de Exactidão Específica muito inferiores aos obtidos com a IKONOS, verifica-se um comportamento semelhante do classificador, relativamente às espécies florestais em ambas as imagens, pois os valores mais baixos dos Índices de Exactidão Específica ocorrem nas espécies florestais. Verifica-se também que o pior valor da Exactidão do Produtor, em ambas as imagens, dá-se na classe Copa Eucalipto (CP). Contudo, na IKONOS o Eucalipto apresenta confusão espectral essencialmente com Copa Pinheiro Manso (CPM); na Imagem Aérea a confusão espectral ocorre com todas as classes à excepção da classe Sombra (S) e Água (AP, APP). Os resultados obtidos estão em concordância com os resultados do estudo da separabilidade onde se constatou que as maiores confusões espectrais ocorriam
10 nas espécies vegetadas e que existia na Imagem Aérea uma grande confusão espectral entre a classe Sombra (S) e Água Profunda (AP). É de salientar que na IKONOS, apesar das confusões espectrais existentes, o valor mais baixo em termos de Índices é de 91%, na Imagem Aérea é significativamente mais baixo (46%). O classificador rígido da MV não produziu bons resultados na Imagem Aérea, quer a nível global quer na identificação de espécies florestais. Dado que se utilizaram as mesmas áreas de treino e teste, os diferentes resultados devem-se unicamente às diferentes características das imagens. Com o aumento da resolução espacial, os sensores para além de identificarem elementos mais pequenos, identificam também outros factores como, por exemplo a diferente iluminação da copa ou zonas mais escuras devido à abertura da folhagem, que contribuem de forma negativa para os resultados da classificação e para as dificuldades encontradas na descriminação das espécies florestais. O facto da Imagem Aérea ser de 8 bits e a IKONOS de 11 bits e os processos de captação e de orto-rectificação das imagens serem diferentes, também influência o comportamento do classificador. Conforme se pode constatar pela Figura 5 há alteração significativa da informação contida na imagem na zona de ligação das fotos, provocando significativa confusão espectral entre as zonas de sombra e copas de árvores, com a classe Água Profunda (AP) e Água Pouco Profunda (APP) e consequentemente uma maior dificuldade em descriminar e extrair correctamente a informação. Figura 5 - Extracto da Imagem Aérea (RGB 421) e sua classificação que ilustra o efeito resultante dos diferentes processos de captação e orto-rectificação das imagens aéreas, no resultado da classificação automática. Os resultados da avaliação da exactidão de todo o mapa, revelam uma significativa diminuição dos valores da EG para a área de estudo, em ambas as
11 imagens, comparativamente à EG obtida na avaliação do classificador. O valor da EG na IKONOS é de 66.9% e na Imagem Aérea é bastante mais baixo (47,0%). Nas Figura 6 e Figura 7 são apresentados os resultados obtidos para a exactidão do utilizador e do produtor % Imagem Aérea IKONOS 0 AP APP ANV CE S VH CS CPM VHE Classes Figura 6 Exactidão do Utilizador % Imagem Aérea IKONOS 0 AP APP ANV CE S VH CS CPM VHE Classes Figura 7 Exactidão do Produtor Da análise das Figura 6 e Figura 7 verifica-se que as maiores diferenças dos valores dos Índices de Exactidão, ocorrem nas classes Água (AP, APP), Copa de Eucalipto (CE), Vegetação Herbácea (VH) e Sombra (S). As classes Área Não Vegetada (ANV) e Vegetação Herbácea Esparsa (VHE) foram melhor classificadas na Imagem Aérea. Relativamente às espécies florestais, constatam-se dificuldades em discriminar estas classes em ambas as imagens apenas com a informação espectral das quatro bandas e que essa dificuldade é maior na Imagem Aérea, destacando-se a elevada dificuldade na descriminação da classe Copa Eucalipto (CE), que apresentou o valor mais baixo da Exactidão do Utilizador (9%). Na Imagem Aérea as omissões e comissões da classe Copa Eucalipto dão-se com todas as classes à excepção da Água (AP, APP) e Área Não Vegetada (ANV). Constatou-se também na Imagem Aérea uma grande dificuldade na descriminação das classes Água (PA, APP) e Sombra (S), 29% e 25% dos pixels que na referência foram considerados Sombra foram classificados respectivamente como Água (PA, APP), esta confusão espectral ocorre sobretudo
12 nas zonas de transição, entre zonas de sombra e não sombra, o que não ocorreu na classificação da IKONOS. 5. Conclusões Os resultados obtidos com o estudo mostraram que as áreas não vegetadas foram melhor classificadas na Imagem Aérea e que, relativamente às espécies florestais, constataram-se dificuldades em discriminar as diferentes classes em ambas as imagens apenas com a informação espectral das quatro bandas e que essa dificuldade foi maior na Imagem Aérea. Outra dificuldade, apenas evidenciada na Imagem Aérea, ocorreu na descriminação das classes Água (AP, APP) e Sombra (S), o que se deve em parte à menor resolução radiométrica da imagem. Apesar de neste estudo a qualidade da classificação automática a partir de Imagens Aéreas ter sido significativamente inferior à obtida a partir da imagem IKONOS, não se pode afirmar com certeza que estes resultados são uma consequência apenas do aumento da resolução espacial. Existem outros factores que influenciam os resultados obtidos nomeadamente, os diferentes métodos de captação das imagens acrescido de distorções introduzidas pela orto-rectificação. De salientar ainda, que o estudo serviu também para avaliar a potencialidade das imagens aéreas de muito grande resolução para extrair informação do coberto florestal de forma automática, constatando-se que a influência negativa que determinados aspectos de produção e obtenção das imagens aéreas ortorectificadas produzem, não permite, ainda, que estas se apresentem como uma alternativa às imagens satélite, na produção de cartografia de forma automática, com a qualidade desejável. 6. Referências [1]Carleer, A. and Wolff, E., Exploitation of very high resolution satellite data for tree species identification, Photogrammetric Engineering & Remote Sensing, 70(1): [2] Goetz, S.J., Wright, R.K., Smith, A.J., Zinecker, E., Schaub, E., (2003). IKONOS imagery for resource management: Tree cover, impervious surfaces and riparian buffer analyses in the mid- Atlantic region. Remote Sensing of Environment, Vol. 88, No. 1-2, Págs [3] Gonçalves, L., Caetano, M., (2004): Classificação das imagens do satélite IKONOS utilizando uma abordagem orientada por objectos. Acta da III Conferência de Cartografia e Geodesia. Editores: L. Bastos e J. Matos, Lisboa: Lidel, Págs
13 [4] Greenberg, J.A., Dobrowski, S.Z., Ustin, S.L., (2005): Shadow allometry: Estimating tree structural parameters using hyperspatial image analysis. Remote Sensing of Environment, Vol. 97, No. 1, Págs [5] Plantier T., Caetano M., Mapas do Coberto Florestal: Abordagem Combinada Pixel/Objecto. Acta da V Conferência Nacional de Cartografia e Geodesia. Editores: L. Bastos e J. Matos, Lisboa: Lidel, Págs [6] Souza Jr., C., Roberts, D., (2005): Mapping forest degradation in the Amazon region with IKONOS images. International Journal of Remote Sensing, Vol. 26, No. 3, Págs [7] Stoney, W., 2002: [8] Wang, L., Sousa, W. P. and Gong, P., 2004a. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery, International Journal of Remote Sensing, Vol.20, No. 24, Págs
Classificação digital de Imagens
Classificação digital de Imagens Workshop III - (Bio)Energia Florestas Energéticas: Técnicas de Inventariação de Biomassa Florestal Universidade de Évora 2 Junho 2010 Adélia Sousa (asousa@uevora.pt) Imagem
Leia mais29_35. aplicação da detecção remota à avaliação do estado de conservação das coberturas do património edificado: o caso de estudo da baixa de coimbra
29_35 fachadas e coberturas aplicação da detecção remota à avaliação do estado de conservação das coberturas do património edificado: o caso de estudo da baixa de coimbra RESUMO Neste estudo avaliou-se
Leia mais17 e 18 de Maio de 2012 Escola Superior Agrária Instituto Politécnico de Castelo Branco
Identificação e quantificação da área da projecção horizontal de copa por espécie florestal com imagens de alta resolução espacial (Quickbird) utilizando segmentação e classificação orientada a objecto
Leia maisAquisição de dados. Sistema Modelo de Deteção Remota. Energia Eletromagnética. Espectro Eletromagnético. Interações com a Atmosfera
Aquisição de dados Como recolher informação geográfica? Deteção Remota Fotografia Aérea Métodos topográficos Sistemas de posicionamento por satélite Desenho sobre cartografia já existente Deteção Remota
Leia maisDesertWatch Extension to Portuguese Partners
DesertWatch Extension to Portuguese Partners 2009 Critical Software S.A. Ocupação do Solo Resumo Objectivos Ocupação do Solo Áreas de Estudo Nomenclatura DW-E Dados de Observação da Terra Comparação dos
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS. Thales Sehn Körting
PROCESSAMENTO DIGITAL DE IMAGENS Thales Sehn Körting 2 Por que processar as imagens? Objetivo Identificar e extrair informações da imagem Transformar a imagem (aumentar o contraste, realçar bordas) de
Leia maisO resultado é uma série de "fatias" da superfície, que juntas produzem a imagem final. (Exemplo: o radiômetro dos satélites NOAA gira a uma
Sensores e Satélites Para que um sensor possa coletar e registrar a energia refletida ou emitida por um objeto ou superfície, ele tem que estar instalado em uma plataforma estável à distância do objeto
Leia maisDeteção Remota Multiespetral
Deteção Remota Multiespetral Mestrado em Engenharia Geoespacial Mestrado em Sistemas de Informação Geográfica - TA João Catalão / Ana Navarro 2017/2018 Cap. 1 A Deteção Remota O que é da Deteção Remota
Leia maisDetecção Remota. Aquisição de dados. Sistema Modelo de Detecção Remota ICIST. Energia Electromagnética. Interacções com a Atmosfera
Aquisição de dados Como recolher informação geográfica? Fotografia Aérea Métodos topográficos GPS Processo que permite extrair informação de um objecto, área ou fenómeno, através da análise de dados adquiridos
Leia maisGeomática e SIGDR aula teórica 25 14/05/2013. Interpretação de imagens de detecção remota Índices de vegetação
Geomática e SIGDR aula teórica 25 14/05/2013 Interpretação de imagens de detecção remota Índices de vegetação Manuel Campagnolo ISA Manuel Campagnolo (ISA) Geomática e SIGDR 2012-2013 14/05/2013 1 / 18
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisResoluções das Imagens fotogramétricas e digitais. Fotogrametria e Fotointerpretação Prof. Dr. Raoni W. D. Bosquilia
Resoluções das Imagens fotogramétricas e digitais Fotogrametria e Fotointerpretação Prof. Dr. Raoni W. D. Bosquilia Classificação dos filmes aerofotogramétricos Os filmes podem ser: preto e branco ou coloridos.
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisuso do solo para Portugal continental
Sistema de Qualidade da Carta de ocupação de uso do solo para Portugal continental Cristina Falé Costa Sumário 1.Enquadramento 2.Produção da cartografia de ocupação e uso do solo por amostragem 3.Resultados
Leia maisprocessos de formação e suas inter-relações com o ambiente. As diversas combinações de fatores (clima, relevo,
INTRODUÇÃO AO LEVANTAMENTO DE SOLOS INTRODUÇÃO AO LEVANTAMENTO DE SOLOS variabilidade espacial dos solos fenômeno natural variabilidade espacial dos solos fenômeno natural resultante da interação resultante
Leia maisMonitorização de praias e dunas usando fotografia aérea digital com georreferenciação directa
Monitorização de praias e dunas usando fotografia aérea digital com georreferenciação directa José A. Gonçalves (1), Luísa Bastos (1), Helena Granja (2), José Luís Pinho (3), Renato Henriques (2), Américo
Leia maisRoteiro Detecção de informações usando satélites Produtos oriundos de Imagens NOAA Índice de vegetação como indicador de respostas das plantas às cond
Índice de vegetação como indicador de respostas das plantas às condições meteorológicas Denise Cybis Fontana UFRGS XIII Congresso Brasileiro de Agrometeorologia Aracajú, 2007 Roteiro Detecção de informações
Leia maisAvaliação do Potencial das Imagens Sentinel-2A como ferramenta de apoio à Guarda Nacional Republicana (GNR), para a determinação de áreas ardidas
Avaliação do Potencial das Imagens Sentinel-2A como ferramenta de apoio à Guarda Nacional Republicana (GNR), para a determinação de áreas ardidas Vasco LOPES 1, Marina ABREU 1, e Luísa GONÇALVES 1,2,3
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/45 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/45 Conteúdo programático: Capitulo 1: Conceitos
Leia maisGeoprocessamento e sensoriamento remoto como ferramentas para o estudo da cobertura vegetal. Iêdo Bezerra Sá
Geoprocessamento e sensoriamento remoto como ferramentas para o estudo da cobertura vegetal. Iêdo Bezerra Sá Engº Florestal, D.Sc. Sensoriamento Remoto/Geoprocessamento, Pesquisador Embrapa Semi-Árido
Leia maisAnálise comparativa das imagens DMC e Landsat TM usadas para monitorar o desmatamento em região amazônica.
Análise comparativa das imagens DMC e Landsat TM usadas para monitorar o desmatamento em região amazônica. Francisco Dario Maldonado 1 Clotilde P. Ferri dos Santos 1 Jacqueline Oliveira de Souza 1 1 Fundação
Leia maisSatélites e Sensores. Bruno Silva Oliveira
Satélites e Sensores Bruno Silva Oliveira São José dos Campos - SP Julho/2017 Órbita Polar Cíclica, heliossíncrona Órbita Geoestacionária Órbita Geoestacionária Quantos satélites orbitam a Terra? Satélites
Leia maisINSTITUTO FEDERAL DE CIÊNCIA E TECNOLOGIA DE SC CAMPUS FLORIANÓPOLIS DEPARTAMENTO ACADÊMICO DE CONSTRUÇÃO CIVIL CURSO TÉCNICO DE AGRIMENSURA
INSTITUTO FEDERAL DE CIÊNCIA E TECNOLOGIA DE SC CAMPUS FLORIANÓPOLIS DEPARTAMENTO ACADÊMICO DE CONSTRUÇÃO CIVIL CURSO TÉCNICO DE AGRIMENSURA Sensoriamento Remoto Imagens Orbitais Prof. Angelo Martins Fraga
Leia maisAquisição de dados. Como recolher informação geográfica?
Aquisição de dados Como recolher informação geográfica? Detecção Remota Fotografia Aérea Métodos topográficos GPS Desenho sobre cartografia já existente Detecção Remota Processo que permite extrair informação
Leia mais6 RESULTADOS 6.1 CARTAS DE ALTIMETRIA E DE MODELO DIGITAL DO TERRENO
6 RESULTADOS 6.1 CARTAS DE ALTIMETRIA E DE MODELO DIGITAL DO TERRENO As cartas de altimetria e de modelo digital do terreno geradas para a área em estudo encontram representadas nas figuras 22 e 23, respectivamente.
Leia maisREVISÃO SENSORIAMENTO REMOTO AULA ZERO. Daniel C. Zanotta 14/03/2018
REVISÃO SENSORIAMENTO REMOTO AULA ZERO Daniel C. Zanotta 14/03/2018 O que é Sensoriamento Remoto? Arte e ciência da obtenção de informações sobre um objeto, através de radiação eletromagnética, sem contato
Leia maisO resultado é uma série de "fatias" da superfície, que juntas produzem a imagem final. (Exemplo: o radiômetro dos satélites NOAA gira a uma
Sensores e Satélites Para que um sensor possa coletar e registrar a energia refletida ou emitida por um objeto ou superfície, ele tem que estar instalado em uma plataforma estável à distância do objeto
Leia maisQuestões concursos
Questões concursos Grandezas radiométricas Índices de vegetação Classificação Concurso Público para Pesquisador do IMB Instituto Mauro Borges de Estatísticas e Estudos Socioeconômicos 25. A
Leia mais09/03/2017. O que é Sensoriamento Remoto? Tipos de Sensoriamento Remoto REVISÃO SENSORIAMENTO REMOTO AULA ZERO. Satélites.
REVISÃO SENSORIAMENTO REMOTO AULA ZERO Daniel C. Zanotta 09/03/2017 O que é Sensoriamento Remoto? Arte e ciência da obtenção de informações sobre um objeto, através de radiação eletromagnética, sem contato
Leia maisSatélites e Sensores. Bruno Silva Oliveira
Satélites e Sensores Bruno Silva Oliveira São José dos Campos - SP Julho/2016 Órbita Polar Cíclica, heliossíncrona Órbita Geoestacionária Órbita Geoestacionária Quantos satélites orbitam a Terra? Satélites
Leia maisO PROJETO MUTIRÃO DE REFLORESTAMENTO E SEUS EFEITOS AMBIENTAIS NO MUNICÍPIO DO RIO DE JANEIRO.
O PROJETO MUTIRÃO DE REFLORESTAMENTO E SEUS EFEITOS AMBIENTAIS NO MUNICÍPIO DO RIO DE JANEIRO. Aluna: Renata Fernandes Teixeira Orientador: Bernardo Baeta Neves Strassburg Introdução Com o aumento populacional
Leia maisJosé Alberto Quintanilha Mariana Giannotti
José Alberto Quintanilha jaquinta@usp.br Mariana Giannotti mariana.giannotti@usp.br Estrutura da Aula Momento Satélite (Apresentação de um novo satélite a cada aula) O que é uma imagem de satélite? O histograma
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisProcessamento Digital de Imagens SER Prática de Laboratório
Processamento Digital de Imagens SER 413-4 - Prática de Laboratório Bruna Virginia Neves João Arthur Pompeu Pavanelli Vanessa Camphora Relatório Parcial da prática de laboratório da disciplina de Processamento
Leia maisAVALIAÇÃO DA ACURÁCIA POSICIONAL PLANIMÉTRICA DE IMAGENS CBERS 4 SENSOR PAN, NA REGIÃO DE ALVINÓPOLIS-MG
AVALIAÇÃO DA ACURÁCIA POSICIONAL PLANIMÉTRICA DE IMAGENS CBERS 4 SENSOR PAN, NA REGIÃO DE ALVINÓPOLIS-MG Lígia da Silva Barbosa 1, Afonso de Paula dos Santos 2 1 Graduanda em Engenharia de Agrimensura
Leia maisSensoriamento Remoto. Prof. Enoque Pereira da Silva
Sensoriamento Remoto Prof. Enoque Pereira da Silva Radiação Eletromagnética (REM) Radiação Eletromagnética (REM) REM pode se deslocar no vácuo, ou seja, não precisa de um material (corda) Todo corpo acima
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 2 Detecção de alterações UFPR Departamento de Geomática Prof. Jorge Centeno O problema de deteção de mudanças É possível detectar as alterações em uma série de imagens orbitais
Leia maisSatélites Artificiais da Terra
Satélites Artificiais da Terra Os valores numéricos correspondem aos níveis radiométricos registados pelo sensor em cada uma das bandas espectrais. Satélites Artificiais da Terra As imagens de satélite
Leia maisUNICAP Universidade Católica de Pernambuco Laboratório de Topografia de UNICAP - LABTOP Topografia 2. Sensoriamento Remoto.
UNICAP Universidade Católica de Pernambuco Laboratório de Topografia de UNICAP - LABTOP Topografia 2 Sensoriamento Remoto Parte 2 Recife, 2014 Imagens Orbitais no Estado de Pernambuco 2 Imagem Ikonos,
Leia maisSensoriamento Remoto Imagens Orbitais
INSTITUTO FEDERAL DE CIÊNCIA E TECNOLOGIA DE SC CAMPUS FLORIANÓPOLIS DEPARTAMENTO ACADÊMICO DE CONSTRUÇÃO CIVIL CURSO TÉCNICO DE AGRIMENSURA Sensoriamento Remoto Imagens Orbitais Prof. Angelo Martins Fraga
Leia maisSENSORIAMENTO REMOTO: CONCEITOS, TENDÊNCIAS E APLICAÇÕES. Imagens de Satélites Orbitais
Distribuidor Erdas e RapidEye no Brasil SENSORIAMENTO REMOTO: CONCEITOS, TENDÊNCIAS E APLICAÇÕES Imagens de Satélites Orbitais Contato: Santiago & Cintra Consultoria E-mail: contato@sccon.com.br Fone:
Leia maisPMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO
UNIVERSIDADE DE SÃO PAULO Escola Politécnica Departamento de Engenharia de Minas e de Petróleo PMI Graduação em Engenharia de Petróleo PMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO PROCESSAMENTO
Leia maisINTRODUÇÃO AO SENSORIAMENTO REMOTO. Daniel C. Zanotta
INTRODUÇÃO AO SENSORIAMENTO REMOTO Daniel C. Zanotta O que é Sensoriamento Remoto? Arte e ciência da obtenção de informação sobre um objeto sem contato físico direto com o objeto. É a tecnologia científica
Leia maisAplicação de redes neurais artificiais para estimativa de produção florestal utilizando imagens Landsat 7
http://dx.doi.org/10.12702/viii.simposfloresta.2014.8-528-1 Aplicação de redes neurais artificiais para estimativa de produção florestal utilizando imagens Landsat 7 Pablo F. Lopes 1, Thaissa R. Teixeira
Leia maisCarta de Uso e Ocupação do Solo de Portugal Continental para 2015
Carta de Uso e Ocupação do Solo de Portugal Continental para 2015 * Mário CAETANO 1, Cristina IGREJA 2 e Filipe MARCELINO 3 1, 2 e 3 Direção-Geral do Território, Lisboa (mario.caetano@dgterritorio.pt;
Leia maisII.1. Ortofotomapas de 2015
Regime Jurídico dos Instrumentos de Gestão Territorial Decreto-Lei n.º 80/2015, de 14 de maio Orientações, Normas e Especificações Técnicas Workshop temático - 2 de novembro de 2016 Workshop temático Regime
Leia maisPET C AO DE DEGRADA AO E ZONA AO EM ÁREAS DE MANGUEZAL A PARTIR DE INDICES DE VEGETA AO
PET C AO DE DEGRADA AO E ZONA AO EM ÁREAS DE MANGUEZAL A PARTIR DE INDICES DE VEGETA AO Myrian de Moura Abdon Eliana Miglioranza Instituto de Pesquisas Espaciais - INPE 3ecretaria Especial da Ciência e
Leia maisAvaliação Parcial 01 - GABARITO Questões Bate Pronto. As questões 1 a 23 possuem apenas uma alternativa correta. Marque-a.
Avaliação Parcial 01 - GABARITO Questões Bate Pronto. As questões 1 a 23 possuem apenas uma alternativa correta. Marque-a. 1) A água reflete muita radiação no infravermelho próximo. (5 pontos) 2) A radiação
Leia maisISA 2012/2013 Unidades curriculares Geomática e SIGDR
ISA 2012/2013 Unidades curriculares Geomática e SIGDR Aula prática. Análise de imagens multiespectrais, Construção e análise de séries temporais de índices de vegetação. Objectivos: Obtenção de assinaturas
Leia maisSegmentação e classificação de tipologias florestais a partir de imagens QUICKBIRD
Segmentação e classificação de tipologias florestais a partir de imagens QUICKBIRD Segmentation and classification of forest types with QUICKBIRD images Resumo Adélia Maria Oliveira Sousa 1 Paulo Mesquita
Leia maisII.1. Ortofotomapas de 2015
Workshop temático Regime Jurídico dos Instrumentos de Gestão Territorial Decreto-Lei n.º 80/2015, de 14 de maio Orientações, Normas e Especificações Técnicas II.1. Ortofotomapas de 2015 João Cordeiro Auditório
Leia maisSENSORIAMENTO REMOTO INTRODUÇÃO E ÍNDICES DE VEGETAÇÃO
SENSORIAMENTO REMOTO INTRODUÇÃO E ÍNDICES DE VEGETAÇÃO Paulo Guilherme Molin, MSc Prof. Silvio F. de Barros Ferraz Prof. Carla Cassiano Laboratório de Hidrologia Florestal Departamento de Ciências Florestais
Leia maisSensoriamento Remoto I Engenharia Cartográfica. Prof. Enner Alcântara Departamento de Cartografia Universidade Estadual Paulista
Sensoriamento Remoto I Engenharia Cartográfica Prof. Enner Alcântara Departamento de Cartografia Universidade Estadual Paulista 2016 Coleta de dados de sensoriamento remoto A quantidade de radiação eletromagnética,
Leia maisCOMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA Rodrigo Moura Pereira¹ (UEG) Gustavo Henrique Mendes
Leia maisCartografia de Uso e Ocupação do Solo Metodologias, principais resultados e desenvolvimentos futuros
Cartografia de Uso e Ocupação do Solo Metodologias, principais resultados e desenvolvimentos futuros Mário Caetano, Filipe Marcelino e Cristina Igreja Direção-Geral do Território Sumário 1. Enquadramento:
Leia maisColeta de dados geoespaciais para aplicações de alta precisão Pilares do Mapeamento de Qualidade Sensores aéreos e orbitais
Coleta de dados geoespaciais para aplicações de alta precisão Pilares do Mapeamento de Qualidade Sensores aéreos e orbitais Qualidade de dados de alta resolução Introdução Pilares 1. 2. 3. 4. Resolução
Leia mais1. Introdução: um breve histórico
1. Introdução: um breve histórico Sensoriamento Remoto no Brasil Início das Atividades 1968 - Projeto SERE 1972 - PG em SR 1973 - Recepção de dados Landsat 1975-1 a Dissertação de Mestrado Sensoriamento
Leia maisObtenção da reflectância da superfície para imagens OLI do Landsat 8 com um modelo de transferência radiativa
Obtenção da reflectância da superfície para imagens OLI do Landsat 8 com um modelo de transferência radiativa Leonardo Herms Maia 1 Loar dos Santos Coutinho 1 Gustavo Mota de Sousa 1 Mauro Antonio Homem
Leia maisInstituto Superior de Agronomia Exame de Geomática 2 a chamada 24 de junho de 2016 Proposta de resolução
Instituto Superior de Agronomia Exame de Geomática 2 a chamada 24 de junho de 2016 Proposta de resolução 1. Considere o seguinte diagrama de operações num SIG que usa um sistema de coordenadas cartográfico
Leia mais18/11/2018. Resumo dos Conceitos Sensoriamento Remoto Prática. Espectro Visível-04 a 0.7 µm
Resumo dos Conceitos Sensoriamento Remoto Prática Fotogrametria 1 Os objetos da superfície terrestre refletem e absorvem seletivamente energia eletromagnética, devido a sua diferente composição molecular.
Leia maisTecnologias de sensoriamento remoto para a identificação e monitoramento das mudanças no uso e ocupação dos solos urbanos
Tecnologias de sensoriamento remoto para a identificação e monitoramento das mudanças no uso e ocupação dos solos urbanos associadas às vias de transportes terrestres. José A. Quintanilha C láudia A. S.
Leia maisInstituto Superior de Agronomia Exame de SIGDR 2 a chamada 24 de junho de 2016 Proposta de resolução
Instituto Superior de Agronomia Exame de SIGDR 2 a chamada 24 de junho de 2016 Proposta de resolução 1. Considere o seguinte diagrama de operações num SIG que usa um sistema de coordenadas cartográfico
Leia maisGeomática e SIGDR aula teórica 23 7 de Maio Correcções radiométricas de imagens de satélite Estimação de reflectâncias à superfície
Geomática e SIGDR aula teórica 23 7 de Maio 2013 Correcções radiométricas de imagens de satélite Estimação de reflectâncias à superfície Manuel Campagnolo ISA Manuel Campagnolo (ISA) Geomática e SIGDR
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS (SERP11) CONCEITOS BÁSICOS DE SR REPRESENTAÇÃO DAS IMAGENS DIGITAIS CALIBRÃÇÃO RADIOMÉTRICA. Daniel C.
PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) CONCEITOS BÁSICOS DE SR REPRESENTAÇÃO DAS IMAGENS DIGITAIS CALIBRÃÇÃO RADIOMÉTRICA Daniel C. Zanotta PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) Co-fundador do CEPSRM-UFRGS
Leia maisA Empresa. Mapas. (...) a virtude dos mapas é essa, exibem a redutível disponibilidade do espaço, previnem que tudo pode acontecer nele e acontece.
Digibase 2011 A Empresa Mapas Transformamos o mundo real em informação Geográfica (...) a virtude dos mapas é essa, exibem a redutível disponibilidade do espaço, previnem que tudo pode acontecer nele e
Leia maisCOMPARAÇÃO DO DESEMPENHO DE ALGORITMOS DE NORMALIZAÇÃO RADIOMÉTRICA DE IMAGENS DE SATÉLITE
COMPARAÇÃO DO DESEMPENHO DE ALGORITMOS DE NORMALIZAÇÃO RADIOMÉTRICA DE IMAGENS DE SATÉLITE SILVIA SHIZUE LEONARDI 1 SONIA MARA DE SOUZA 1 LEILA MARIA GARCIA FONSECA 1 1 INPE - Instituto Nacional de Pesquisas
Leia maisObservação da Terra por satélite Oportunidades e desafios
Observação da Terra por satélite Oportunidades e desafios Mário Caetano Março, 2018 Visível IV-Próximo IV-médio IV-médio Solo Reflectância (%) Vegetação Água Comprimento de onda A extração de informação
Leia maisMONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES AVALIAÇÃO DETER OUTUBRO DE 2009 INPE COORDENAÇÃO GERAL DE OBSERVAÇÃO DA TERRA
MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES AVALIAÇÃO DETER OUTUBRO DE 2009 INPE COORDENAÇÃO GERAL DE OBSERVAÇÃO DA TERRA SÃO JOSÉ DOS CAMPOS, 31 DE OUTUBRO DE 2009 1. INTRODUÇÃO O DETER
Leia mais3 Interpretação de imagens de satélite
23 3 Interpretação de imagens de satélite As imagens de satélite, para gerar informações úteis para a compreensão do espaço geográfico, necessitam ser interpretadas de acordo com diferentes técnicas. A
Leia maisClassificação de Imagens
Curso de Engenharia do Ambiente, FCT-UNL Monitorização de Sistemas Ambientais, 2006/7 Classificação de Imagens Carlos Netto < carlosamaralnetto@gmail.com > Pedro Baptista < pcbaptista@gmail.com > Introdução
Leia maisMAPEAMENTO DO USO DO SOLO URBANO ATRAVÉS DA CLASSIFICAÇÃO POR REGIÕES BASEADA EM MEDIDAS TEXTURAIS
MAPEAMENTO DO USO DO SOLO URBANO ATRAVÉS DA CLASSIFICAÇÃO POR REGIÕES BASEADA EM MEDIDAS TEXTURAIS Iris de Marcelhas e Souza 1 Madalena N. Pereira 1 Leila M. F. Garcia 1 Maria de Lourdes Neves de Oliveira
Leia mais1. Unidade Amostral de Paisagem Localização
ANEXO IV Modelo de Relatório com os Resultados do Mapeamento de Uso e Cobertura da terra de cada Unidade Amostral de Paisagem (UAP) e respectiva Avaliação da Acuracidade Temática RELATÓRIO UAP1214 Resultados
Leia maisMONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA BRASILEIRA POR SATÉLITES
MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA BRASILEIRA POR SATÉLITES Detecção de Desmatamento em Tempo Real - DETER MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES AVALIAÇÃO DETER OUTUBRO
Leia maisO FENÓMENO DA DESERTIFICAÇÃO EM PORTUGAL CONTINENTAL
ORDENAMENTO DO TERRITÓRIO E EXPLORAÇÃO SUSTENTADA DE RECURSOS GEOLÓGICOS 6º ENCONTRO O FENÓMENO DA DESERTIFICAÇÃO EM PORTUGAL CONTINENTAL A IMPORTÂNCIA DA GEOLOGIA NO ORDENAMENTO DO TERRITÓRIO asoares@ist.utl.pt,
Leia maisMONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES AVALIAÇÃO DETER JUNHO DE 2009 INPE COORDENAÇÃO GERAL DE OBSERVAÇÃO DA TERRA
MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES AVALIAÇÃO DETER JUNHO DE 2009 INPE COORDENAÇÃO GERAL DE OBSERVAÇÃO DA TERRA SÃO JOSÉ DOS CAMPOS, 03 DE AGOSTO DE 2009 1. INTRODUÇÃO O DETER
Leia maisUNIVERSIDADE TÉCNICA DE LISBOA INSTITUTO SUPERIOR TÉCNICO
UNIVERSIDADE TÉCNICA DE LISBOA INSTITUTO SUPERIOR TÉCNICO AVALIAÇÃO DAS IMAGENS MULTIESPECTRAIS DO SATÉLITE IKONOS PARA PRODUÇÃO DE CARTOGRAFIA DE OCUPAÇÃO DO SOLO LUISA MARIA DA SILVA GONÇALVES (Licenciada)
Leia maisTUTORIAL. Imagens CBERS-4 5m: conheça este sensor e aprenda a realizar o download dessas imagens no site do INPE QGIS.
TUTORIAL Imagens CBERS-4 5m: conheça este sensor e aprenda a realizar o download dessas imagens no site do INPE QGIS www.processamentodigital.com.br O Processamento Digital é um Canal de Conteúdo GEO oferecido
Leia maisGeomática e SIGDR aula teórica 23 17/05/11. Sistemas de Detecção Remota Resolução de imagens
Geomática e SIGDR aula teórica 23 17/05/11 Sistemas de Detecção Remota Resolução de imagens Manuel Campagnolo ISA Manuel Campagnolo (ISA) Geomática e SIGDR 2010-2011 17/05/11 1 / 16 Tipos de resolução
Leia maisMONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA BRASILEIRA POR SATÉLITES
MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA BRASILEIRA POR SATÉLITES Detecção de Desmatamento em Tempo Real - DETER MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES AVALIAÇÃO DETER AGOSTO
Leia maisQualidade Radiométrica das Imagens Sensor ADS40
Qualidade Radiométrica das Imagens Sensor ADS40 O sensor ADS40 (Airborne Digital Sensor) é um Sensor Digital Linear de alta resolução geométrica e radiométrica desenvolvido pela Leica Geosystems. O sensor
Leia maisSensoriamento remoto x uso do solo x transportes
Sensoriamento remoto x uso do Introdução e justificativas Objetivos da aula Sensoriamento Remoto: introdução; conceitos básicos. Processamento digital de imagens: conceito de imagem digital e de processamentos
Leia maisMapeamento urbano por classificação hierárquica semi-automática baseada em objetos
Mapeamento urbano por classificação hierárquica semi-automática baseada em objetos Francine da Rocha Rossoni 1 Valéria Jardim Pires 1 Daniel Zanotta 1,2 1 Instituto Federal de Educação Ciência e Tecnologia
Leia maisPeríodo: 5 Carga Horária: 45 horas. UFPR Departamento de Geomática Prof. Jorge Centeno 2013 centenet
Sensoriamento Remoto II Período: 5 Carga Horária: 45 horas UFPR Departamento de Geomática Prof. Jorge Centeno 2013 copyright@ centenet Sensoriamento Remoto II Descrição da Ementa: Transformações espectrais:
Leia mais2015 direitos reservados verdecima.
1. TECNOLOGIA VANT Novos avanços tecnológicos ao nível da miniaturização de equipamentos, permitiram o desenvolvimento de uma nova metodologia, que se insere no campo da observação remota, onde a captura
Leia maisO evento de 20/02/2010 na Ilha da Madeira: Caracterização dos deslizamentos e da sua contribuição para o transporte de sedimentos
1 Estudo de Avaliação do Risco de Aluviões na Ilha da Madeira O evento de 20/02/2010 na Ilha da Madeira: Caracterização dos deslizamentos e da sua contribuição para o transporte de sedimentos Maria João
Leia maisGeoprocessamento - Geomática
Geoprocessamento - Geomática Ciência que lida com a aquisição, tratamento, análise e comunicação de informações geográficas por meio de métodos numéricos ou quantitativos OBJETIVO Modelo do mundo real
Leia maisCLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Leia maisEcologia de Paisagem Conceitos e métodos de pesquisa 2012
Ecologia de Paisagem Conceitos e métodos de pesquisa 2012 Bases de sensoriamento remoto Cálculo de métricas com Fragstats Leandro Reverberi Tambosi letambosi@yahoo.com.br Sensoriamento Remoto Conjunto
Leia maisInterpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução
Thiago Broerman Cazes Interpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução Dissertação de Mestrado Dissertação apresentada ao Programa de Pósgraduação em Engenharia Elétrica
Leia maisDETECÇÃO AUTOMÁTICA DE ALTERAÇÕES DO COBERTO FLORESTAL COM IMAGENS DE SATÉLITE DE GRANDE E MUITO GRANDE RESOLUÇÃO ESPACIAL
DETECÇÃO AUTOMÁTICA DE ALTERAÇÕES DO COBERTO FLORESTAL COM IMAGENS DE SATÉLITE DE GRANDE E MUITO GRANDE RESOLUÇÃO ESPACIAL António Carlos Moreira Nunes DETECÇÃO AUTOMÁTICA DE ALTERAÇÕES DO COBERTO FLORESTAL
Leia maisMaria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França Ferreira 1
Imagens CBERS para o Monitoramento da 2 a Safra Agrícola de 2004 Município de Jataí Goiás Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França
Leia maisImagens de Satélite (características):
Imagens de Satélite (características): São captadas por sensores electro ópticos que registam a radiação electromagnética reflectida e emitida pelos objectos que se encontram à superfície da terra através
Leia maisProf o. Ti T a i go B adr d e r Mar a ino n Geoprocessamento D pa p rtam a ent n o de d Ge G oc o iê i nc n ias Instituto de Agronomia - UFRRJ
Resoluções das Imagens O termo resolução em sensoriamento remoto se desdobra na verdade em três diferentes (e independentes) parâmetros: resolução espacial, resoluçãoo espectral e resolução radiométrica
Leia maisSéries multitemporais dos Temas de Grande Resolução (HRLs) do programa Copernicus para Portugal Continental
Séries multitemporais dos Temas de Grande Resolução (HRLs) do programa Copernicus para Portugal Continental 2006-2015 Filipe Marcelino Temas de grande resolução do programa Copernicus para Portugal Documentos
Leia maisMONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA BRASILEIRA POR SATÉLITES
MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA BRASILEIRA POR SATÉLITES Detecção de Desmatamento em Tempo Real - DETER MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES AVALIAÇÃO DETER AGOSTO
Leia maisANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE
ANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE MAURICIO MARTORELLI GALERA UNIVERSIDADE ESTADUAL DE LONDRINA UEL INTRODUÇÃO A evolução tecnológica dos sistemas de imageamento remoto
Leia maisInfluência da resolução espacial de imagens orbitais no mapeamento de fragmentos florestais. Paulo Afonso da Rosa ¹ Fábio Marcelo Breunig ²
Influência da resolução espacial de imagens orbitais no mapeamento de fragmentos florestais Paulo Afonso da Rosa ¹ Fábio Marcelo Breunig ² ¹ Universidade Federal de Santa Maria UFSM Av. Roraima nº 1000,
Leia maisSENSOREAMENTO REMOTO AULA1
O QUE É? SENSOREAMENTO REMOTO AULA1 QUAL A DIFERENÇA ENTRE FOTOINTERPRETAÇÃO E SENSOREAMENTO REMOTO?. SENSOREAMENTO REMOTO AULA1 O QUE É? SENSOREAMENTO REMOTO AULA1 O Sensoriamento Remoto - SR, segundo
Leia maisDeterminação dos raios de visibilidade
ESTUDO DA VISIBILIDADE EM POSTOS DE VIGIA E DA SUA INFLUÊNCIA NA VIGILÂNCIA DE INCÊNDIOS FLORESTAIS INTRODUÇÃO - Objectivos do Estudo 1 Carta Nacional de Visibilidades 1 Carta Nacional de Prioridades de
Leia maisMONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES. AVALIAÇÃO TRIMESTRAL DO DETER Novembro de 2008 a Janeiro de
MONITORAMENTO DA COBERTURA FLORESTAL DA AMAZÔNIA POR SATÉLITES AVALIAÇÃO TRIMESTRAL DO DETER Novembro de 2008 a Janeiro de 2009 - INPE COORDENAÇÃO GERAL DE OBSERVAÇÃO DA TERRA SÃO JOSÉ DOS CAMPOS, 15 DE
Leia mais