TRATAMENTO DOS DADOS DE SATÉLITES

Transcrição

1 TRATAMENTO DOS DADOS DE SATÉLITES

2 Fonte de radiação SISTEMA DE COLETA Trajetória ria PRODUTOS INTERAÇÃO SISTEMA TRATAMENTO AÇÕES Produto final

3 Tratamento de imagem Consiste em aplicar determinadas técnicas nos dados coletados por qualquer sistema sensor e extrair deles Informações do mundo real. Métodos - interpretação visual (dados analógicos) - Tratamento digital -Híbrido

4 INTERPRETAÇÃO VISUAL OBJETIVO: Extrair, de dados coletados por algum sistema sensor, informações úteis sobre os alvos contidos na área imageada.

5 FASES DA INTERPRETAÇÃO * Fotoanálise É UMA FASE EM QUE O ANALISTA APENAS OBSERVA AS DIFERENTES FEIÇÕES CONTIDAS NAS IMAGENS SEM DIZER O QUE CORRESPONDE CADA UMA DELAS. * Fotoleitura - Começa a caracterizar os alvos * FOTOINTERPRETAÇÃO - individualizar os alvos - MAPA TEMÁTICO

6 FOTOINTERPRETAÇÃO * MÉTODOS M DIRETO - não deixa dúvida DIRETO Ex.: vejo uma casa e sei que aquilo é uma casa Fototografia DEDUTIVO - o objeto e identificado de maneira indireta SOLO REFLORESTAMENTO O alvo é definido em função de uma série de informações pertinentes àquele alvo. Imagens de satélites

7 (A) (A) (B) (B)

8 Interpretação visual Na interpretação visual de imagens de satélites, fundamentalmente utiliza-se o critério ESPECTRAL para agrupar os diferentes alvos. contidos na cena em distintas classes temáticas. Elementos fotointerpretativos Padrão Textura Forma Tonalidade ou cor Sombra

9 COMPORTAMENTO ESPECTRAL SOLOS CURVA DE VEGETAÇÃO solo Solo solo Curva solo nm

10 Critério espectral ETM 2 ÁGUA - Qualidade ETM3 ETM4 ETM5

11 PADRÃO Padrão é o arranjo repetitivo de objetos visíveis na cena, que auxilia o fotointerprete a definir o alvo. Ex.: padrão quadriculado regular (cidade) JEITÃO

12 dendritico radial paralelo Paralelo = associado a solos homogêneo (derrame basáltico) Dendritico = presença de rochas e solo impermeável Radial = associado a um material resistente

13 TEXTURA A textura nas imagens de satélites é produzida pelo agregamento de vários alvos, que na sua individualidade, não podem ser detectado Depende: Motivo: tamanho do pixel * Tipo de alvo * Resolução espacial * Escala de trabalho A textura é um grandeza abstrata Textura lisa, textura rugosa,

14 Rugosa Rugosa Lisa

15 FORMA E TAMANHO Em geral os alvos, na superfície terrestre, apresentam formas geométricas conhecidas e bem definidas. Ex.: campo agrícola - Pode ter forma quadrada - Circular (áreas irrigadas por pivô central) - Retangular - irregular porém com plantio em linha

16

17 TONALIDADE E COR Amarelo VERDE VERMELHO magenta AZUL Cian BRANCO Mistura de cores primárias

18 TM3 (B) TM4 (R) TM5 (G) TM4 TM5 TM3 TM3(B) TM4(R) TM5 (G)

19 TM2 (B) TM3 (R) TM4 (G) Cor resultante = B + G + R = B + R = MAGENTA TM2 TM3 TM4 SOLO VEG TM3(B) TM4(R) TM5 (G)

20 SOMBRA - falta de informação Pode ter efeito positivo e negativo

21 SOMBRA Pode exercer um fator positivo ou negativo Sombra exercendo um efeito positivo = noção de altura

22

23 * Formas de interpretação - Metódica : interpreta um tema por vez - Do geral para o particular Cada classe temática pode conter várias subclasses Ex: cana adulta, cana nova, cana cortada - Do conhecido para o desconhecido Cidade, mata ciliar, estradas, etc - Convergência de evidências Alvo apresenta forma circular = Pivô central Área apresenta forma reticulada = cidade Presença de carreadores = cana de açúcar ou reflorestamento

24 Fatores que contribuem para melhorar o desempenho da interpretação 1. Levantamento de dados colaterais Exemplo: agricultura - tipo de cultura plantada - época de plantio - tratos culturais - sistema de plantio - espaçamento Dados estatísticos

25 2. Época de obtenção das imagens Muito importante no caso de áreas agrícolas

26 3. Escolha das bandas espectrais 321_RGB 432_RGB 453_RGB 473_RGB 475_RGB 543_RGB 754_RGB

27 5. Escala de trabalho Produtos analógicos as imagens eram feitas em escalas fixas 1: : : : Digital a escala é variável. 6. Zelo Talvez seja a coisa mais importante na interpretação Cuidado com o traçado das linhas limites de talhões

28

29 1. Fundamentos da classificação * Cada objeto apresenta um comportamento espectral peculiar. TM4 X1 = 55 Ex. Pastagem µ = 85 X2 = 95 Média Objeto 1 Objeto 2 sobreposição

30 Fundamentos da classificação 2. Tipo de classificação * Pixel a pixel Considera apenas as propriedades do pixel Nível de cinza * Por região Utilizam, além das informações espectrais do pixel, Informações espaciais do pixel e de seus vizinhos. Exige uma etapa de Segmentação

31 3. Treinamento Abordagens Supervisionada Não-supervisionada 4. Quanto a regra de decisão * Determinística * Probabilísticas

32 DETERMINÍSTICA Compara o valor do pixel com um intervalo de valores dados como regra de decisão. MÉTODO DO PARALELEPÍPEDO SINGLE CELL

33 FASE DE TREINAMENTO

34 MÉTODO DO PARALELEPÍPEDO Obtém os limites (inf.e sup.) dos níveis de cinza da classe a ser mapeada em cada uma das bandas utilizadas. Ex.: vegetação TM3 Linf = 10 Lsup = 30 (A) TM4 Linf = 15 Lsup = 80 (B) TM5 Linf = 14 Lsup = 50 (C)

35 * Método do Paralelepípedo Pixel X NC = X Área de treinamento Se X A e Se X B e Se X C X é associado a classe (deterministico)

36 PROBABILISTICA A regra de decisão é fundamentada na teoria probabilistica MAXVER (MAXIMÁ VEROSSIMILHANÇA)

37 Treinamento MAXVER

38 MAXVER A densidade de probabilidade da distribuição normal multi-dimensional, pela regra de Bayes é: 1 P(X) = EXP (-1/2 (x m) t C -1 ( x m )) (2π) n/2 C 1/2 m = média ; C é a matriz de covariância

39 MAXVER Ex.: Classf. Pixel-a-pixel x 3 P(X/w1) = 0,8 P(x/w2) = 0,6 2 1 P(x/w3) = 0,7 1 P(X) = EXP (-1/2 (x m) t C -1 ( x m )) (2π) n/2 C 1/2 X w1 Classe 1

40

41 Classificação não-supervisionada - Não requer nenhum parâmetro inicial para a classificação (treinamento)?? - A classificação é feita por região Classificadores K-médias ISOSEG

42 ISOSEG FASES DA CLASSIFICAÇÃO - SEGMENTAÇÃO Classificação Não-supervisionada ISOSEG - EXTRAÇÃO DE REGIÕES CLASSIFICAÇÃO MAPEAMENTO

43 SEGMENTAÇÃO

44 EXTRAÇÃO DE REGIÕES ROTULAR CADA POLÍGONO Extrair parâmetros estatísticos Média de cinza Matriz de covariância

45 Classificação

46 Mapeamento

47 SPRING Edição Matricial