Sensoriamento Remoto

Transcrição

1 LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Análise de Componentes Principais Operações Aritméticas (NDVI) Manipulação de Contraste Leitura de Pixels Elaboração: Cláudia Soares Machado Eduardo Jun Shinohara Mariana Giannotti Colaboração: André Luiz da Silva Daniel Ayres Nunes de Castro e Silva Kauê Takase Rafael Walter de Albuquerque Mariana Guimarães Gabriel Mormilho 2º Semestre de

2 Objetivos de Aprendizagem Análise de Componentes Principais Operações Aritméticas Exercício: Aeroporto Guarulhos Software: SPRING (desenvolvido pelo Instituto Nacional de Pesquisas Espaciais) Etapa 1: Análise de Componentes Principais As imagens multiespectrais geralmente exibem alta correlação entre as bandas espectrais, ou seja, são similares visual e numericamente. Esta correlação advém do efeito de sombras resultantes da topografia, da sobreposição das janelas espectrais entre bandas adjacentes e do próprio comportamento espectral dos objetos. Portanto, a redundância entre os componentes dessas imagens pode ser significativa, e desta forma a análise das bandas espectrais individuais pode ser ineficiente. A transformação para componentes principais produz um novo conjunto de imagens que não são correlacionáveis entre si e são ordenadas de tal maneira que cada componente tem a variância menor do que a componente anterior. A geração de componentes principais é uma técnica de realce que reduz ou remove a redundância espectral por meio de um novo conjunto de imagens, cujas bandas individuais apresentam informações não disponíveis em outras bandas. No novo conjunto de imagens cada valor de pixel é uma combinação linear dos valores originais. O número de componentes principais é igual ao número de bandas espectrais utilizadas e são ordenadas de acordo com o decréscimo da variância de nível de cinza. A primeira componente principal tem a maior variância (maior contraste) e a última, a menor variância. A última componente representa basicamente o ruído existente nos dados originais. Para este exercício será utilizado o banco de dados aeroportocp que se encontra no diretório: (E (USUARIOS):\PTR*\T*\SR2) **Número da turma e horário 1. Abra o banco de dados aeroportocp. 2. Ative o projeto Classificação. 3. Visualize a imagem do PI IKONOS_nir (M) da categoria IKONOS_2002 (figura 1). 4. Clicar em Imagem e a seguir em Componentes Principais (figura 2). 5. Com a tecla ALT, selecione os PIs IKONOS_blue, IKONOS_green, IKONOS_red e IKONOS_nir. Essas são as 4 bandas originais que irão gerar as estatísticas das componentes principais (figura 3). 6. Na janela Componentes Principais, selecionar Amostra: Cursor (figura 4). 7. Selecione uma área sobre a imagem utilizando o cursor de área. Clique em Adquirir (na janela Componentes Principais figura 5). A amostra coletada é representada pela área em vermelho, selecionada. 2

3 8. Repita o procedimento e adquira outras amostras. Repare a imagem possui diferentes tipologias de uso e ocupação do solo: vias, vegetação, área urbana densa, construções, etc. Busque amostras que contenham todos os tipos de regiões da imagem: isso será importante para composição das componentes principais. Todas suas amostras e os respectivos parâmetros são salvos automaticamente. 9. Clique em Parâmetros (na janela Componentes Principais, como na figura 2). Analise os parâmetros e salve-os com o nome princo1 (arquivo do tipo texto que contém os parâmetros a serem analisados, figura 6). Note, porém, que os valores descritos encontrados por você não serão os mesmos (média, variância, autovalor e matrizes de covariância e correlação) do exemplo, pois eles dependem das amostras que foram adquiridas para a geração das componentes principais. 10. Feche a janela Parâmetros. 11. De volta à janela Componentes Principais digite em Imagem de Saída: CAN_pc_IKONOS. Clique em Executar Além da tela principal do SPRING, serão abertas outras janelas: tela 2, tela 3, tela 4 e tela 5. Cada tela representa o resultado de uma componente principal (figura 7). 12. Visualize uma banda monocromática da imagem CAN_pc_IKONOS resultante (figura 8). Observe que são formadas quatro bandas disponíveis no painel de controle. São as quatro componentes principais geradas com as imagens IKONOS. Etapa 2: Operações Aritméticas Operações aritméticas são operações pixel a pixel entre imagens de bandas diferentes, através de uma regra matemática definida, tendo como resultado uma banda representando a combinação das bandas originais. Uma das operações aritméticas mais comuns é o cálculo do Índice de Vegetação por Diferença Normalizada, conhecido como NDVI (Normalized Difference Vegetation Index). O NDVI serve como indicador do crescimento e do vigor de vegetação verde, e pode ser utilizado no diagnóstico de vários parâmetros biofísicos, tais como: biomassa, uso do solo, atividade fotossintética, estresse hídrico, etc. O cálculo do NDVI é obtido pela razão entre a diferença da resposta espectral dos pixels nas bandas do infravermelho próximo e do vermelho, e a soma dessas duas bandas. O objetivo de se realizar tal operação é aumentar o contraste entre solo e vegetação, e facilitar as análises que envolvam o estudo e/ou a identificação de áreas de vegetação. Para este exercício será utilizado o banco de dados aeroportopdi_sr2 que se encontra no diretório: (E (USUARIOS):\PTR*\T*\SR2) **Número da turma e horário 13. Abra o banco de dados aeroportopdi_sr Selecione a categoria IKONOS_2002 no painel de controle; 15. Entre no menu Imagem e clique em Operações Aritméticas (figura 9); 3

4 16. Clique em Operação e selecione C=Ganho*((A-B)/(A+B))+Offset; 17. Marque o item A e clique em [IKONOS_2002] - IKONOS_nir (banda do infravermelho). Agora marque o item B e clique em [IKONOS_2002] - IKONOS_red. Coloque o Ganho = 1 e Offset = 10 para que seja realizado o cálculo do NDVI, através da seguinte fórmula, vista em sala de aula. No espaço Saída C: coloque o nome da banda de saída IK_NDVI. (figura 10). NDVI NIR RED NIR RED 18. Agora clique em Executar e aguarde o processamento. 19. Repita o procedimento para a categoria CBERS_CCD_2008 com as bandas B3_red e B4_nir. Etapa 3: Contraste e Leitura de Pixels O objetivo desta parte da aula de laboratório é apresentar os conceitos de processamento digital de imagens (PDI), e algumas ferramentas de manipulação de imagens que facilitem a visualização de determinados aspectos de interesse ao sensoriamento remoto. Para a realização dos processamentos são disponibilizadas imagens de três satélites diferentes e quatro sensores: Satélite CBERS 2B satélite sino-brasileiro de sensoriamento remoto. As imagens utilizadas neste exercício são provenientes de dois diferentes sensores a bordo do CBERS 2B, referentes ao ano de 2008: Sensor CCD fornece imagens com resolução espacial de 20 metros em 5 faixas do espectro eletromagnético (vide o quadro 1 a seguir): Banda 1 Azul Banda 2 Verde Banda 3 Vermelho Banda 4 Infravermelho próximo Banda 5 Pancromática 4

5 Quadro 1 Sensor HRC câmara pancromática de alta resolução que fornece imagens com resolução espacial de 2,7 metros. Maiores informações sobre o satélite CBERS 2B em: < Satélite IKONOS II conjunto de imagens da área de estudo com resolução espacial de 4 metros, e com as bandas referentes ao comprimento de onda do espectro visível (azul, verde e vermelho) e do infravermelho próximo. As imagens foram adquiridas no ano de Maiores informações sobre o satélite norte-americano IKONOS II podem ser obtidas em: < Satélite LANDSAT - sensor TM satélite norte-americano que imageia a superfície terrestre em 7 faixas de espectro eletromagnético, vide quadro 2. Informações sobre o programa LANDSAT em: < Banda Faixa de Espectro Resolução Espacial B1 Azul 30 metros B2 Verde 30 metros B3 Vermelho 30 metros B4 Infravermelho próximo 30 metros B5 Infravermelho médio 30 metros B6 Infravermelho termal 120 metros B7 Infravermelho médio 30 metros Quadro 2 A figura 11 mostra as categorias de dados (tipo Imagem) usadas no exercício, e os Planos de Informações referentes a elas. Para este exercício será utilizado o banco de dados aeroportopdi_sr2, que se encontra no diretório: (E (USUARIOS):\PTR*\T*\SR2) 5

6 Etapa 3.1: Manipulação de Contraste 20. Vamos começar trabalhando com as imagens LANDSAT TM, então, selecione no Painel de Controle a categoria LANDSAT _2008. Há uma série de composições coloridas que podem ser feitas com as imagens LANDSAT TM. A escolha das bandas a serem utilizadas depende do propósito do estudo / trabalho. As composições coloridas permitem realçar as feições através das cores. 21. Para começar a manipulação das imagens, selecione as bandas B1_blue, B2_green e B3_red nos canais B, G e R, respectivamente. Repare como a imagem está escura e como é difícil identificar alguma coisa (figura 12). Vamos então melhorar a qualidade da visualização da imagem utilizando a técnica de Manipulação de Contraste. Manipulação de contraste consiste na transferência radiométrica em cada "pixel", com o objetivo de aumentar a discriminação visual entre os objetos presentes na imagem. Vale lembrar que o histograma de uma imagem descreve a distribuição estatística dos níveis de cinza em termos do número de amostras ("pixels") com cada nível. 22. Acesse o menu Imagem, e selecione a opção Contraste. Na janela de contraste, você verá o histograma do canal vermelho (no menu Canal certifique que esta é a banda selecionada) e perceberá que os valores não estão bem distribuídos nos níveis de cinza (eixo x), conforme a figura Vamos redistribuí-los da forma mais simples, linearmente. Para isso vá ao menu Operação e certifique-se de que a opção Linear está selecionada. Clique com o botão esquerdo do mouse no menor valor (não nulo) que você conseguir localizar (ponto A) e com o botão direito no maior (ponto B) (figura 14). Clique em Aplicar para visualizar a mudança. 24. Vamos fazer o mesmo nos canais verde e azul, para isso clique no menu Canal e selecione cada uma das duas cores e repita o procedimento. 25. Após efetuar o contraste nas três bandas dê um nome para imagem contrastada, selecione a opção Sintética e clique em Salvar (figura 15), desta forma será criado um novo plano de informação com a composição colorida contrastada. 26. Feche a janela de contraste. Uma janela perguntando se a aplicação do contraste deve ser mantida aparecerá, como salvamos a imagem contrastada em outro PI, clique em Não. 27. Selecione o plano de informação criado, com a composição colorida. Agora você já poderá identificar algumas feições nas imagens. 6

7 28. O Cursor de Área é uma ferramenta interessante, que permite selecionar uma região da escolha do usuário e que deverá ser usada sempre que a dupla julgar necessário. Para utilizá-la, determine a diagonal do retângulo de interesse clicando em dois pontos sobre a imagem; 29. Clique em Desenhar para dar zoom na região escolhida; 30. Agora vamos aplicar outra operação de ajuste de contraste, desta vez na banda do infravermelho próximo, para isso, selecione o plano de informação B4_NIR no canal monocromático (M). 31. Abra a janela de Contraste e no menu Operação, escolha Equalizar Histograma. Clique Aplicar, digite um nome para a imagem, salve e feche a janela (não mantendo o contraste). O realce de Equalização utiliza uma função não-linear que leva em conta a freqüência dos níveis de cinza, espalhando mais (ou menos) de acordo com a participação no histograma. As operações de contraste que foram realizadas serão repetidas várias vezes até o final do exercício, sempre que se julgar necessário, portanto é importante que a dupla saiba como reproduzi-las. 32. Experimente agora colocar as bandas B3_red (indicada para visualizar a mancha urbana) no canal vermelho (R); B4_NIR (boa para visualizar a vegetação) no canal verde (G); e a banda B5_MIR (com boa resposta espectral para o solo exposto) no canal azul (B). Esta composição colorida é muito usada para estudos / projetos de apoio ao planejamento urbano, no monitoramento da expansão da mancha urbana e controle de áreas de vegetação. Da mesma forma, utiliza as bandas B1 e B2 no azul e no verde (como fizemos antes) e a banda B4 no vermelho. Essa composição permite que o infravermelho próximo seja explorado, o que pode ser muito útil, por exemplo, para diferenciar vegetação de corpos d água. 33. O procedimento acima descrito deve também ser aplicado para os demais conjuntos de imagens presentes no banco de dados (CBERS 2B CCD, e IKONOS II). Aplique outras formas de Realce por Manipulação de Contraste, como: Raiz Quadrada, Quadrado, Logarítmo e Negativo. 7

8 Etapa 3.2: Leitura de Pixels A observação do valor de nível de cinza de um determinado pixel e de seus vizinhos permite a análise sobre o comportamento espectral de alvos, em diferentes bandas e diferentes sensores. A seguir, são descritos os procedimentos para leitura de pixels com o propósito de permitir a observação dos valores de nível de cinza em diferentes alvos e motivar a reflexão sobre o comportamento espectral dos mesmos. 34. Ative o plano de informação CBERS_CCD_B1_blue, marcando em M no painel de controle para a imagem. 35. Clique em Imagem e Leitura de Pixel no meu principal. 36. A tela de leitura de pixels se abrirá. Clique em Posicionar Cursor e digite as seguintes coordenadas: Long = o Lat = s , clique em Executar. Na tela de leitura aparecerão os valores dos pixels (Figura 16). 37. Sem fechar a tela de leitura de pixels ative a banda CBERS_CCD_B2_green, marcando em M no painel de controle para a imagem e repita a leitura de pixels conforme descrito no item anterior. Repare que a leitura foi feita para o mesmo alvo, em bandas diferentes. Compare os valores e repita a operação para as outras bandas do sensor CBERS_CCD. 38. Escolha agora livremente outros alvos como água, vegetação, mancha urbana, solo exposto e faça a leitura de pixel destes alvos nas diferentes bandas do sensor CBERS_CCD. Basta clicar sobre o ponto desejado do mapa quando a janela Leitura de Pixels estiver aberta, clique no ícone (+) para escolher o alvo. Certifique-se que o ponto foi clicado exatamente na mesma posição após selecionar uma outra banda.. 8

9 FIGURAS Figura 1 Figura 2 9

10 Figura 3 Figura 4 4Busque 10

11 Figura 5 Figura 6 11

12 Figura 7 Figura 8 12

13 Figura 9 Figura 10 13

14 Figura 11 Figura 12 14

15 Figura 13 Figura 14 15

16 Figura 15 Figura 16 16