TRANSFORMAÇÕES MULTIESPECTRAIS (GLOBAIS)
|
|
- Kátia Angelim Gomes
- 7 Há anos
- Visualizações:
Transcrição
1 TRANSFORMAÇÕES MULTIESPECTRAIS (GLOBAIS) Se incluem todas aquelas transformações destinadas a criação de imagens a partir da combinação de bandas da imagem original. A imagem resultante depende de toda a imagem original e não apenas dos níveis digitais de cada pixel ou de seu entorno (utiliza-se estatísticas globais). O objetivo bj ti é evidenciar id i alguma l característica t í ti importante i t t ou isolar i l algum l ti de tipo d informação i f ã de mais interesse que na imagem original estava oculta. Análise de Componentes p Principais p Geralmente existe grande redundância na informação obtida pelas diversas bandas da imagem, referendada pela alta correlação entre os dados proporcionados. Imagem Landsat 5 TM 21/01/2099 Órbita 223 Ponto 81.
2 Assim, mediante a combinação linear das bandas originais da imagem, a transformação a componentes principais gera novas bandas, que são linearmente independentes entre si, ou seja, sem redundância entre elas. A ACP busca os eixos de variabilidade da imagem, de grande utilidade para estudos multitemporais ou para construir 3 novas bandas e a partir delas formar uma combinação colorida q que concentre mais informação ç q que q qualquer q das bandas originais. g Diagramas de Dispersão 2D:
3 Diagramas de Dispersão 2D: Diagramas de Dispersão 3D:
4 Imagem: Variável Aleatório Multivariante Os ND multiespectrais de uma imagem digital podem ser considerados como uma variável aleatória l tó i vetorial t i l (cada ( d banda b d é um componente t do d vetor). t ) A função de distribuição multivariante constitui o histograma multiespectral da imagem. A função de densidade de cada histograma pode ser considerada uma distribuição gaussiana, ficando então caracterizada pela média e variância de seus dados e pela relação entre elas mediante os correspondentes coeficientes de correlação. A imagem multiespectral será: onde n representa o número de bandas da imagem. p g Para a banda k, a média pode ser calculada: e a variância: sendo que zij é o ND de cada píxel (i,j) e N o número de píxeis da imagem.
5 Imagem: Variável Aleatório Multivariante A relação existente entre duas bandas quaisquer pode ser definida pela covariância: Resolvendo a equação teremos:
6 Imagem: Variável Aleatório Multivariante ou seja: além disso, temos: e O coeficiente de correlação entre as bandas k e l se define como: onde o mesmo estará no intervalo:
7 Imagem: Variável Aleatório Multivariante Considerando as n bandas da imagem e tratando-a como uma variável aleatória multivariante lti i t podemos d d fi i as matrizes definir ti d di de dimensão ã n X n de d variância-covariância iâ i iâ i (Σ) e correlação (R). A matriz de variância-covariância de um conjunto de bandas linearmente independentes será diagonal, principal pelas variâncias das combinações e g, ou seja, j, a diagonal g p p estará ocupada p p ç os elementos fora da diagonal principal (covariâncias) serão nulos (zero), já que a soma de todos os produtos positivos será igual a soma de todos os produtos negativos (equação da covariância). Por tanto, a transformação que consiga diagonalizar a matriz de variância-covariância é aquela que deve ser aplicada para obter novas bandas linearmente independentes.
8 Imagem: Variável Aleatório Multivariante Correlação entre bandas: Correlação Positiva: As bandas i e j estão correlacionadas positivamente, ou seja, seja quando os valores da banda i crescem os valores da banda j também crescem. Sem Correlação: As bandas não estão correlacionadas ou seja, correlacionadas, seja não mostram dependência uma da outra. Co elação Negativa: Negati a Correlação As bandas i e j estão correlacionadas negativamente, ou seja, quando os valores da banda i crescem os valores da banda j também decrescem.
9 Passos para transformar a matriz de variância-covariância em diagonal: A partir de uma transformação A se denominam vetores próprios ou autovetores (eigenvectors i t ) aqueles l que são ã colineares li com seus transformados, t f d ou seja, j aqueles l que cumprem a condição: sendo A a matriz que caracteriza a transformação e λ o valor próprio ou autovalor (eigenvalues). P d Podemos escrever também: t bé onde I representa a matriz unitária, isto é, uma matriz diagonal tal que aii = 1 e aij = 0. Igualando a zero teremos: Na equação acima devemos incluir a resolução de uma equação de características φ(λ), que proporciona os autovalores para a matriz A:
10 Passos para transformar a matriz de variância-covariância em diagonal: No caso da matriz de variância-covariância teremos: onde podemos obter n soluções λ1, λ2,, λn, que são os autovalores da matriz, ordenandose habitualmente habit almente da seguinte seg inte maneira: manei a λ1 λ2 λn. Os autovetores da matriz de variância-covariância Σ se obtem mediante a resolução da equação: seguinte g q ç isto é:
11 Passos para transformar a matriz de variância-covariância em diagonal: sendo: d A transformação em diagonal da matriz de variância-covariância é dada por: onde: d P matriz auxiliar formada pelos autovetores colocados por colunas na mesma ordem da matriz diagonal.
12 Passos para transformar a matriz de variância-covariância em diagonal: No caso de: Precisamente por ser um vetor próprio, posso colocar da seguinte forma: desta forma teremos: A matriz auxiliar P define uma mudança de base no espaço dos reais ℜn de tal forma que se a imagem original tinha uma matriz de variância-covariância, a imagem final terá uma matriz de variância-covariância Λ. Isto é, as bandas da nova imagem são linearmente independentes ou sem correlação.
13 Passos para transformar a matriz de variância-covariância em diagonal: A transformação a componentes principais consiste na multiplicação da imagem original pela matriz t i de d autovetores t t d sua matriz da t i de d variância-covariância. iâ i iâ i ou seja: j Sendo xij os elementos da matriz P, isto é, os componentes dos autovetores postos por colunas o desenvolvimento da equação acima fica:
14 Passos para transformar a matriz de variância-covariância em diagonal: Por outro lado a transformação é ortogonal, razão pela qual o somatório das variâncias ( ) é i igual l ao somatório tó i dos d autovalores t l (Λ) (Λ): Isto significa que a variância se distribui sem perdas sobre os componentes principais. A Primeira Componente corresponde a maior parte da variância da imagem (mais informação). A variância restante se distribui nos seguintes componentes de forma decrescente. A variância original explicada por cada componente principal se calcula como a proporção do autovalor correspondente em relação a soma total de autovalores:
15 Resultado da Análise de Componentes Principais Correlação Positiva: Sem Correlação: Correlação Negativa: O resultado da ACP é que as bandas novas não tem correlação entre si. Os autovalores da transformação indicam o tamanho dos eixos das elipses e os autovetores a direção dos mesmos.
16 Resultado da Análise de Componentes Principais A ACP encontra um novo sistema de referência que explica melhor a variabilidade da imagem. A elipse correspondente a representação bidimensional dos valores de duas bandas quaisquer q q fica agora g orientada com seus eixos p paralelos ao novo sistema,, explicando p o eixo de coordenadas paralelo ao eixo maior da elipse a maior parte da informação contida entre as bandas comparadas (figura abaixo).
17 Aplicações Melhora a visualização da imagem ao concentrar em apenas 3 bandas (as necessárias para f formar a cor)) quase toda t d a informação i f ã da d imagem. i Estudos multitemporais: Podemos reduzir a apenas um componente as bandas da imagem em cada uma das datas de trabalho. Posteriormente faz-se a classificação dos CPs isolando os fenômenos que mostraram mudanças entre duas datas sucessivas. Detecção de mudanças entre duas datas: Se transforma em CP todas as bandas de ambas datas As primeiras componentes principais explicarão a maior parte da variância da imagem e portanto incluirão todos os aspectos comuns das duas datas. As componentes principais secundárias conterão informações sobre fenômenos que não podem explicar-se em duas datas simultâneas e portanto indicam uma mudança.
18 Transformação Tasseled Cap Desenvolvida por Kauth e Thomas é uma transformação mais geral que a ACP mediante a qual se obtém diversos índices com significado físico concreto que constituirão as novas bandas da imagem. O procedimento tem base na evolução espectral dos cultivos ao longo de seu período vegetativo. Analisando a variação dos ND dos píxeis das áreas cobertas por vegetação em um espaço tridimensional o caminho da nuvem de pontos no transcurso do tempo deixa um rastro que adquire a forma de uma toca (tasseled cap). Considerando a banda do vermelho e do infravermelho próximo, a base da toca está definida pela linha de solos nus, ao longo da qual se distribuem os diferentes tipos de solo, de acordo ao seu estado de umidade e iluminação, principalmente. ç,p p A medida que o cultivo se desenvolve e chega ao pleno vigor, os pontos tendem a aproximar-se do infravermelho próximo, retirando-se da linha do solo nu. Quando se inicia o período de senescência a nuvem de pontos vai convergindo a um ponto único, que corresponde ao ponto de murcha permanente do cultivo e cuja posição tende a regressar g novamente a linha de solo nu.
19 Transformação Tasseled Cap (continuação...)
20 Transformação Tasseled Cap (continuação...) A TTC pretende encontrar novos eixos de variação que ressalte o comportamento biológico dos cultivos, em concreto separar a variação dos ND das áreas de cultivo daquela associada ao solo, no qual ocorre a seguinte combinação linear: onde: é a imagem multibanda obtida com a transformação; é a imagem original; é uma matriz de coeficientes que caracteriza a transformação; é uma constante vetorial para evitar valores negativos (geralmente = 32). A expressão acima ajustada para o Landsat TM é a seguinte: p j p g
21 Transformação Tasseled Cap (continuação...) Para o Landsat TM: O componente brilho é a soma ponderada dos ND correspondentes a todas as bandas excluindo l i d o infravermelho i f lh termal. t l O verdor destaca o contraste existente entre as bandas visíveis e as pertencentes ao infravermelho especialmente p o infravermelho p próximo. O componente umidade contrasta a refletância da cobertura no visível e o infravermelho médio, onde a água apresenta várias bandas de absorção. Os três eixos transformados formam um espaço vetorial no qual podemos diferenciar três planos característicos: A vegetação formado pelos eixos brilho e verdor; O solo formado entre os eixos brilho e umidade; O plano de transição formado pelos eixos verdor e umidade.
22 Índices de Vegetação São transformações que buscam realçar as áreas cobertas de vegetação, reforçando a contribuição espectral devido a vegetação e minimizando os distorções, tais como o solo, a irradiância solar, o ângulo de elevação do Sol e a própria atmosfera. Podemos agrupar os IV existentes em duas categorias: a)) Transformações ç ortogonais g similares as realizadas em ACP. b) Índices com base em quocientes entre bandas. Índices com base em transformações t ansfo mações Se rota os eixos no espaço bidimensional originalmente formado g pelas bandas do vermelho e infravermelho próximo para o novo eixo formado entre a linha que define os solos e sua perpendicular perpendicular.
23 Índices de Vegetação (continuação...) Índice de Vegetação Perpendicular (PVI Perpendicular Vegetation Index): O PVI mede a distância espectral existente entre o ND dos píxeis de Vegetação e Solo nas bandas b d do d Vermelho V lh e Infravermelho I f lh Próximo Pó i (d (desenvolvido l id por Richardson Ri h d e Wiegand). onde: o subíndice v indica o ND da banda considerada para a vegetação e o s para a linha de solo. P Para o Landsat L d t MSS teremos: t Estendendo o conceito a um espaço multidimensional podemos gerar o Índice de Vegetação Verde (GVI Green-Vegetation Index), que pode ser aplicado para quatro bandas, como desenvolvido por Kauth e Thomas; a seis bandas, bandas como o de Crist e Cicone ou a n bandas, desenvolvido por Jackson.
24 Índices de Vegetação (continuação...) Índices com base em quocientes Os quocientes são divisões entre os ND de uma banda por outra. O caso mais geral pode ser expressado d como segue: onde: z é a nova imagem formada pelo quociente das bandas k e l; a e b são constantes, geralmente de valor 1, para evitar qualquer divisão por zero. P d Podemos utilizar tili um logaritmo l it para corrigir i i o escurecimento i t da d imagem i resultante, lt t assim: i Em muitos caso é difícil separar entre duas coberturas vegetais diferentes por seus NDs estarem muito próximos. Os quocientes entre bandas pode proporcionar um melhor critério de separação. O relevo do terreno origina diferentes graus de iluminação que são independentes do tipo de cobertura vegetal. A redução da reflectância em áreas de sombra afeta por igual as diferentes bandas da imagem. g A vantagem g do q quociente entre bandas é o fato de q que o resultado independe p da irradiância. Portanto, é uma transformação muito indicada para reduzir o efeito radiométrico do relevo na imagem final.
25 Índices de Vegetação (continuação...) Índices com base em quocientes Os mais utilizados combinam bandas do infravermelho próximo com as do visível. Isso se deve a alta reflectância no IRp e baixa no VIS, especialmente no vermelho.
26 Índices de Vegetação (continuação...) Índices com base em quocientes Razão Simples (SR Simple Ratio): Índice de Vegetação de Diferença Normalizada (NDVI Normalized Difference Vegetation Index): ou Índice de Vegetação Transformed Vegetation Index): g ç Transformado (TVI ( g ) Índice de Umidade por Diferença Normalizada ou Índice de Água (NDMI ou NDWI Water Index):
27 Índices de Vegetação (continuação...) Índices com base em quocientes Índice de Conteúdo Relativo de Água Foliar (LWCI): Índice de Vegetação Ajustado ao Solo (SAVI): ENTRE OUTROS.
28
PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS. Daniel C. Zanotta
PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS Daniel C. Zanotta ANÁLISE POR PRINCIPAIS COMPONENTES Conceitos básicos Espalhamento bi-dimensional:
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 maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
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 maisEstatística Aplicada à Administração II. Tópico. Análise de Componentes Principais
Estatística Aplicada à Administração II Tópico Análise de Componentes Principais Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 99 Análise de Componentes Principais
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS/PCA ou ACP
Procedimento para a determinação de novas variáveis (componentes) que expliquem a maior variabilidade possível existente em uma matriz de dados multidimensionais. ANÁLISE DE COMPONENTES PRINCIPAIS/PCA
Leia mais27/03/2017 OPERAÇÕES ARITMÉTICAS NDVI E RAZÃO DE BANDAS AULA 04 RAZÃO DE BANDAS. Ex: Realce de minerais de Ferro = ρ v / ρ A
OPERAÇÕES ARITMÉTICAS NDVI E AULA 04 Daniel C. Zanotta 27/03/2017 Dividir uma banda por outra (pixel a pixel) pode trazer diversas informações a respeitos dos alvos contidos na cena. Dependendo dos canais
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II Componentes principais Revisão de matemática Análise de componentes principais em SR UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Revisão matemática
Leia maisManipulação, Visualização e Interpretação de Imagens de Sensoriamento Remoto
Manipulação, Visualização e Interpretação de Imagens de Sensoriamento Remoto Alexandre Xavier Falcão Instituto de Computação - UNICAMP afalcao@ic.unicamp.br Objetivo Extrair informações quantitativas e
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 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 maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Componentes Principais
Estatística: Aplicação ao Sensoriamento Remoto SER 4 - ANO 9 Componentes Principais Camilo Daleles Rennó camilorenno@inpebr http://wwwdpiinpebr/~camilo/estatistica/ Associação entre Variáveis r = < r
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 2: transformações espetrais IHS, Tasseled Cap UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Sensoriamento Remoto II Descrição da Ementa: Transformações
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS/PCA ou ACP
Procedimento para a determinação de novas variáveis (componentes) que expliquem a maior variabilidade possível existente em uma matriz de dados multidimensionais. ANÁLISE DE COMPONENTES PRINCIPAIS/PCA
Leia maisEng. Ambiental Geoprocessamento
Eng. Ambiental Geoprocessamento Índices de vegetação Profa. Ligia Fonte: PONZONI; SHIMABUKURO (2007) Comportamento espectral da vegetação Estrutural: Epiderme, cutícula Mesófilo: onde encontram-se os pigamentos
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
Leia maisMestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 015 Decomposição Espectral Autovalores e autovetores MANLY, Cap. Objetivo e Definição
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 maisÁlgebra Linear I - Aula Matrizes simultaneamente ortogonais e simétricas
Álgebra Linear I - Aula 22 1. Matrizes 2 2 ortogonais e simétricas. 2. Projeções ortogonais. 3. Matrizes ortogonais e simétricas 3 3. Roteiro 1 Matrizes simultaneamente ortogonais e simétricas 2 2 Propriedade
Leia maisREFLECTÂNCIA DA FOLHA
PROPRIEDADES ESPECTRAIS DA VEGETAÇÃO Reflectância da Folha; Reflectância do Dossel; Índices de Vegetação e Parâmetros do Dossel; Fatores que Afetam a Determinação de Índices de Vegetação; Fatores Relacionados
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Análise de Componentes Principais Operações Aritméticas (NDVI) Manipulação de Contraste Leitura de Pixels Elaboração: Cláudia Soares Machado
Leia maisTécnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisAula 25: Análise Fatorial. Prof. Eduardo A. Haddad
Aula 25: Análise Fatorial Prof. Eduardo A. Haddad Utilização específica Como identificar o potencial de desenvolvimento agropecuário dos municípios brasileiros? Banco de dados municipais: Tamanho do rebanho,
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 11.1 Gabarito 1) Seja A : R 3 R 3 uma transformação linear cuja matriz na base canônica é 4 [A] = 4. 4 (a) Determine todos os autovalores de A. (b) Determine, se possível, uma forma
Leia maisUniversidade Federal de Alagoas UFAL Centro de Tecnologia - CTEC Programa de Pós-Graduação em Engenharia Civil - PPGEC
Universidade Federal de Alagoas UFAL Centro de Tecnologia - CTEC Programa de Pós-Graduação em Engenharia Civil - PPGEC Introdução à Mecânica do Contínuo Tensores Professor: Márcio André Araújo Cavalcante
Leia maisESTRUTURA DE UMA IMAGEM E CALIBRAÇÃO RADIOMÉTRICA AULA 01. Daniel C. Zanotta 14/03/2018
ESTRUTURA DE UMA IMAGEM E CALIBRAÇÃO RADIOMÉTRICA AULA 01 Daniel C. Zanotta 14/03/2018 ESTRUTURA DAS IMAGENS MULTIESPECTRAIS Matriz-Imagem Exemplo Landsat: Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda
Leia maisAnálise de Componentes Principais Simbólicas
Análise de Componentes Principais Simbólicas Universidade Federal de Pernambuco CIn.ufpe.br Análise de Componentes Principais O objetivo da análise de componentes principais é explicar a estrutura de variânciacovariância
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 mais24/05/2011. O que significa PDI? I- Introdução
I- Introdução O que significa PDI? GONZALEZ & WOODS (2000) descrevem o objetivo do processamento digital de imagem como sendo um conjunto de procedimentos que melhoram a informação pictorial para interpretação
Leia maisG3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 3. Fusão de imagens PC HIS BROVEY UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Sensoriamento Remoto II Descrição da Ementa: Transformações espectrais:
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
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 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 maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões PCA. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões PCA Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos de PCA e suas aplicações
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 maisAnálise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações
Análise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações Diogo de Carvalho Bezerra Universidade Federal de Pernambuco Núcleo de Gestão e-mail:dicbezerra@hotmail.com SOBREA Sociedade
Leia maisP4 de Álgebra Linear I de junho de 2005 Gabarito
P4 de Álgebra Linear I 25.1 15 de junho de 25 Gabarito 1) Considere os pontos A = (1,, 1), B = (2, 2, 4), e C = (1, 2, 3). (1.a) Determine o ponto médio M do segmento AB. (1.b) Determine a equação cartesiana
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 maisFERRAMENTAS ESTATÍSTICAS PARA ANÁLISE DA CLASSIFICAÇÃO
Objetivos: - QUANTIFICAR OS ERROS COMETIDOS NA CLASSIFICAÇÃO - MEDIR A QUALIDADE DO TRABALHO FINAL - AVALIAR A APLICABILIDADE OPERACIONAL DA CLASSIFICAÇÃO Fontes de erro das classificações temáticas Os
Leia maisCORREÇÕES RADIOMÉTRICAS
Termo genérico, que designa aquelas técnicas que modificam os ND originais das imagens de Sensoriamento Remoto com o objetivo de aproximá-los daqueles que estariam presentes na imagem caso a recepção das
Leia maisEstatística Aplicada ao Serviço Social
Estatística Aplicada ao Serviço Social Módulo 7: Correlação e Regressão Linear Simples Introdução Coeficientes de Correlação entre duas Variáveis Coeficiente de Correlação Linear Introdução. Regressão
Leia maisBacharelado em Engenharia Agronômica AGROMETEOROLOGIA E CLIMATOLOGIA. Prof. Samuel Silva. Radiação Solar. IFAL/Piranhas
Bacharelado em Engenharia Agronômica AGROMETEOROLOGIA E CLIMATOLOGIA Prof. Samuel Silva Radiação Solar IFAL/Piranhas Diâmetro Sol: 1.392.684 km Terra: 12.742 km Estratificação da Atmosfera Terrestre
Leia maisP4 de Álgebra Linear I
P4 de Álgebra Linear I 2008.2 Data: 28 de Novembro de 2008. Gabarito. 1) (Enunciado da prova tipo A) a) Considere o plano π: x + 2 y + z = 0. Determine a equação cartesiana de um plano ρ tal que a distância
Leia mais8. Análise em Componentes Principais - ACP
8. Análise em Componentes Principais - ACP 8.1 Introdução O propósito principal da ACP é substituir as variáveis originais por um número menor de variáveis que são função das variáveis originais. A ACP
Leia maisReconhecimento de Padrões. Principal Component Analysis (PCA) Análise dos Componentes Principais
Universidade Federal de Ouro Preto (UFOP) Programa de Pós-Graduação em Ciência da Computação (PPGCC) Reconhecimento de Padrões Principal Component Analysis (PCA) Análise dos Componentes Principais David
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 maisComputação Gráfica. Engenharia de Computação. CEFET/RJ campus Petrópolis. Prof. Luis Retondaro. Aula 3. Transformações Geométricas
Computação Gráfica Engenharia de Computação CEFET/RJ campus Petrópolis Prof. Luis Retondaro Aula 3 Transformações Geométricas no plano e no espaço Introdução (Geometria) 2 Pontos, Vetores e Matrizes Dado
Leia mais29 e 30 de julho de 2013
Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 2 - Conteúdo 1 2 3 Dados multivariados Estrutura: n observações tomadas de p variáveis resposta.
Leia maisTécnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisMétodos Empíricos de Pesquisa I. } Análise Bidimensional
Métodos Empíricos de Pesquisa I } Análise Bidimensional 1 Aula de hoje } Temas } Associação entre variáveis } Qualitativas e Quantitativas } Covariância: conceitos e propriedades } Coeficiente de correlação
Leia maisChamamos de grandezas coisas que podem ser medidas. Por exemplo, tempo, área, volume, temperatura, velocidade, aceleração, força, etc..
Introdução a vetor Professor Fiore O que são grandezas? Chamamos de grandezas coisas que podem ser medidas. Por exemplo, tempo, área, volume, temperatura, velocidade, aceleração, força, etc.. O que são
Leia maisÁlgebra Linear I - Aula 22
Álgebra Linear I - Aula 1. Bases Ortonormais.. Matrizes Ortogonais. 3. Exemplos. 1 Bases Ortonormais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia maisMatrizes hermitianas e unitárias
Matrizes hermitianas e unitárias Amit Bhaya, Programa de Engenharia Elétrica COPPE/UFRJ Universidade Federal do Rio de Janeiro amit@nacad.ufrj.br http://www.nacad.ufrj.br/ amit Matrizes complexas O produto
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda
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 maisÁlgebra Linear I - Aula Forma diagonal de uma matriz diagonalizável
Álgebra Linear I - Aula 18 1 Forma diagonal de uma matriz diagonalizável 2 Matrizes ortogonais Roteiro 1 Forma diagonal de uma matriz diagonalizável Sejam A uma transformação linear diagonalizável, β =
Leia mais. (1) Se S é o espaço vetorial gerado pelos vetores 1 e,0,1
QUESTÕES ANPEC ÁLGEBRA LINEAR QUESTÃO 0 Assinale V (verdadeiro) ou F (falso): (0) Os vetores (,, ) (,,) e (, 0,) formam uma base de,, o espaço vetorial gerado por,, e,, passa pela origem na direção de,,
Leia maisCM005 Álgebra Linear Lista 3
CM005 Álgebra Linear Lista 3 Alberto Ramos Seja T : V V uma transformação linear. Se temos que T v = λv, v 0, para λ K. Dizemos que λ é um autovalor de T e v autovetor de T associado a λ. Observe que λ
Leia maisCOMPORTAMENTO ESPECTRAL DE ALVOS
COMPORTAMENTO ESPECTRAL O que é? DE ALVOS É o estudo da Reflectância espectral de alvos (objetos) como a vegetação, solos, minerais e rochas, água Ou seja: É o estudo do da interação da REM com as substâncias
Leia mais5. Seja R : R 3 R 3 uma rotação em torno do eixo gerado por (0, 0, 1). Suponha que R mande o vetor
Universidade Federal do Rio de Janeiro Instituto de Matemática Disciplina: Álgebra Linear II Professor: Bruno Costa, Cesar Niche, Francesco Noseda, Luiz Carlos Guimarães, Mário de Oliveira, Milton Ramirez,
Leia maisEstatística Aplicada I. } Análise Bidimensional
Estatística Aplicada I } Análise Bidimensional 1 Aula de hoje } Temas } Associação entre variáveis } Qualitativas e Quantitativas } Covariância: conceitos e propriedades } Coeficiente de correlação } Observações
Leia maisÁlgebra Linear I - Aula 11. Roteiro. 1 Dependência e independência linear de vetores
Álgebra Linear I - Aula 11 1. Dependência e independência linear. 2. Bases. 3. Coordenadas. 4. Bases de R 3 e produto misto. Roteiro 1 Dependência e independência linear de vetores Definição 1 (Dependência
Leia maisColégio Politécnico da UFSM DPADP0024 : Processamento Digital de Imagens (Prof. Dr. Elódio Sebem)
A filtragem digital é uma transformação da imagem mediante operações locais. Na imagem filtrada o ND de cada pixel está em função do NDs dos pixels do seu entorno na imagem inicial, sem modificações de
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br 1 / 20 Uma imagem
Leia maisÁlgebra Linear I - Aula 20
Álgebra Linear I - Aula 20 1 Matrizes diagonalizáveis Exemplos 2 Forma diagonal de uma matriz diagonalizável 1 Matrizes diagonalizáveis Exemplos Lembramos que matriz quadrada a 1,1 a 1,2 a 1,n a 2,1 a
Leia mais4 Resultados Exemplo 1 Reprodução da Opacidade 2D
Resultados 47 4 Resultados Neste capítulo serão apresentados os testes feitos com a opacidade 3D. Nestes testes reproduzimos, inicialmente, os resultados obtidos pela opacidade 2D em Silva[30]. Serão apresentados
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 maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda,
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisAvaliação do desempenho de dois Índices de Vegetação (NDVI e SAVI) por meio de Índice de Qualidade de Imagens
Avaliação do desempenho de dois Índices de Vegetação ( e ) por meio de Índice de Qualidade de Imagens Thalita Scharr Rodrigues 1 Selma Regina Aranha Ribeiro 1 Maria Salete Marcon Gomes Vaz 1 Universidade
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 maisFormas Quádricas Cônicas hlcs
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORE Formas Quádricas Cônicas hlcs Álgebra Linear A equação mais geral de uma cônica é a seguinte: Q(,)= a + b + c +d + e +f =,...() onde a,b,c,d,e,f são números reais
Leia maisEstudo da variabilidade de índices de vegetação através de imagens do ETM+/LANDSAT 7
Estudo da variabilidade de índices de vegetação através de imagens do ETM+/LANDSAT 7 Luís Gonçalves Longo de Oliveira 1 Leonardo Marini Pereira 1 Gabriel Pereira 1 Elisabete Caria Moraes 1 Eduardo Eiji
Leia mais(b) A não será diagonalizável sobre C e A será diagonalizável sobre R se, e
Q1. Sejam A M 6 (R) uma matriz real e T : R 6 R 6 o operador linear tal que [T ] can = A, em que can denota a base canônica de R 6. Se o polinômio característico de T for então poderemos afirmar que: p
Leia maisDETEÇÃO REMOTA 2011/2012 Frequência 23 de Novembro de 2011
DETEÇÃO REMOTA 2011/2012 Frequência 23 de Novembro de 2011 1 Na figura ao lado encontra-se representada a fração de luz dispersa em função do comprimento de onda. Note que, no eixo dos xx, se encontram
Leia maisEFEITOS DA FUMAÇA SOBRE A DETERMINAÇÃO DO NDVI MARCELO LIMA DE MOURA LÊNIO SOARES GALVÃO
EFEITOS DA FUMAÇA SOBRE A DETERMINAÇÃO DO NDVI MARCELO LIMA DE MOURA LÊNIO SOARES GALVÃO INPE - Instituto Nacional de Pesquisas Espaciais Caixa Postal 515-12245-970 - São José dos Campos - SP, Brasil {moura,lenio}@ltid.inpe.br
Leia maisÍNDICES ESPETRAIS. Um índice espetral é o resultado de operações matemáticas entre valores numéricos de pixels das bandas de uma imagem.
ÍNDICES ESPETRAIS Um índice espetral é o resultado de operações matemáticas entre valores numéricos de pixels das bandas de uma imagem. Índice de vegetação da diferença normalizada (ROUSE et al., 1974)
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 mais- identificar operadores ortogonais e unitários e conhecer as suas propriedades;
DISCIPLINA: ELEMENTOS DE MATEMÁTICA AVANÇADA UNIDADE 3: ÁLGEBRA LINEAR. OPERADORES OBJETIVOS: Ao final desta unidade você deverá: - identificar operadores ortogonais e unitários e conhecer as suas propriedades;
Leia maisMatrizes Semelhantes e Matrizes Diagonalizáveis
Diagonalização Matrizes Semelhantes e Matrizes Diagonalizáveis Nosso objetivo neste capítulo é estudar aquelas transformações lineares de R n para as quais existe pelo menos uma base em que elas são representadas
Leia maisCOMPARAÇÃO ENTRE OS MÉTODOS DE FUSÃO IHS, PRINCIPAL COMPONENTS
112 COMPARAÇÃO ENTRE OS MÉTODOS DE FUSÃO IHS, PRINCIPAL COMPONENTS E GRAM-SCHMIDT APLICADOS À IMAGEM DO SATÉLITE LANDSAT 8 SENSOR OLI. Introdução LIMA, Daniel de PEREIRA, Gabriela Kostrzewycz RIBEIRO,
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 7 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Relações de interdependência entre variáveis quantitativas: A Análise Factorial Análise Factorial: técnica
Leia maisStela Adami Vayego DEST/UFPR
Resumo 5 - Análise Bivariada (Bidimensional) 5.1. Introdução O principal objetivo das análises nessa situação é explorar relações (similaridades) entre duas variáveis. A distribuição conjunta das freqüências
Leia mais(x 1, y 1 ) (x 2, y 2 ) = (x 1 x 2, y 1 y 2 ); e α (x, y) = (x α, y α ), α R.
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO MAT-2457 Álgebra Linear para Engenharia I Terceira Lista de Exercícios - Professor: Equipe da Disciplina EXERCÍCIOS 1. Considere as retas
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisGAAL - Exame Especial - 12/julho/2013. Questão 1: Considere os pontos A = (1, 2, 3), B = (2, 3, 1), C = (3, 1, 2) e D = (2, 2, 1).
GAAL - Exame Especial - /julho/3 SOLUÇÕES Questão : Considere os pontos A = (,, 3), B = (, 3, ), C = (3,, ) e D = (,, ) (a) Chame de α o plano que passa pelos pontos A, B e C e de β o plano que passa pelos
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 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 maisEstudo dirigido de Análise Multivariada
Estudo dirigido de Análise Multivariada Conceitos Iniciais De um modo geral, os métodos estatísticos de análise multivariada são aplicados para analisar múltiplas medidas sobre cada indivíduo ou objeto
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 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 maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisAutovalores e Autovetores
Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos
Leia maisFUNDAMENTOS DE SISTEMAS LINEARES PARTE 1
FUNDAMENTOS DE SISTEMAS LINEARES PARTE 1 Prof. Iury V. de Bessa Departamento de Eletricidade Faculdade de Tecnologia Universidade Federal do Amazonas Revisão O que é um corpo (campo)? O que é um espaço
Leia maisQ1. Considere um sistema de coordenadas Σ = (O, E) em E 3, em que E é uma base ortonormal de V 3. Sejam π 1 e π 2 os planos dados pelas equações
Q1. Considere um sistema de coordenadas Σ = (O, E) em E 3, em que E é uma base ortonormal de V 3. Sejam π 1 e π 2 os planos dados pelas equações π 1 : x 2y + 3z = 1 e π 2 : x + z = 2 no sistema de coordenadas
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia mais