Aperfeiçoamento do Algoritmo Digital Automático para Estimar Áreas Queimadas em Imagens de Média Resolução da Região do Jalapão
|
|
- Ayrton Quintanilha Braga
- 6 Há anos
- Visualizações:
Transcrição
1 Aperfeiçoamento do Algoritmo Digital Automático para Estimar Áreas Queimadas em Imagens de Média Resolução da Região do Jalapão Resultados Finais Agosto de
2 Arturo Emiliano Melchiori, Engo. Consultor APERFEIÇOAMENTO DO ALGORITMO DIGITAL AUTOMÁTICO PARA ESTIMAR ÁREAS QUEIMADAS EM IMAGENS DE MÉDIA RESOLUÇÃO DA REGIÃO DO JALAPÃO Descrição da versão melhorada do algoritmo para estimar automaticamente áreas queimadas na região do Jalapão a partir de imagens LANDSAT TM/OLI no período 2000 a 2013, contendo as atividades realizadas, os métodos desenvolvidos e os resultados obtidos com seus índices de acerto e confiabilidade, referentes ao adendo do termo de referência PN , contrato GIZ , desenvolvido no INPE. São José dos Campos, Agosto de
3 SUMÁRIO 1 INTRODUÇÃO DETECÇÃO DE NUVENS E SOMBRA DE NUVENS ANTECEDENTES BIBLIOGRÁFICOS Características das Nuvens Características espectrais dos alvos na superfície da terra PROCEDIMENTO DE CRESCIMENTO POR REGIÕES Máscara de nuvens - Sementes Crescimento Condição de saída Detecção das sombras das nuvens Requerimentos computacionais RESULTADOS Comparação das versões dos algoritmos 0.7 e Analise dos erros de omissão e comissão no ano Máscara de nuvens e sombra de nuvens CONCLUSÕES E COMENTÁRIOS FINAIS BIBLIOGRAFIA LISTA DE FIGURAS Figura 1. Cena Landsat 5/TM e perfis das bandas em diferentes alvos na área de estudo Figura 2. Alvos na região de estudo mostrando o conteúdo de areia no solo Figura 3. Vizinhança hipotética com os elementos básicos Figura 4. Elementos de uma vizinhança indicando distancias em uma métrica Figura 5. Vizinhança hipotética com a área de exploração para uma posição x,y Figura 6. Nuvem hipotética com as coordenadas superior esquerda e inferior direita Figura 7. Área de busca de sombra segundo o ângulo azimutal solar Figura 8. Identificação das nuvens e sombras de nuvens em uma cena TM/Landsat Figura 9. Diagramas de fluxo das metodologias de filtragem e mapeamento de áreas queimadas. 19 Figura 10. Partição de uma imagem de entrada para processamento paralelo das 4 sub-imagens. 20 Figura 11. Tempos de processamento para diferentes configurações de núcleos Figura 12. Média e desvio da área queimada para cada ano no período Figura 13. Média e desvio do Acerto de Queimadas para o período Figura 14. Média e desvios da Confiabilidade do Algoritmo para o período Figura 15. Área queimada da referência e da versão 0.9 para as datas do período Figura 16. Distribuição das áreas dos polígonos de erros de comissão em 23/jul/ Figura 17. Distribuição das áreas dos polígonos de erros de comissão em 08/ago/ Figura 18. Distribuição das áreas dos polígonos de erros de comissão em 24/ago/ Figura 19. Distribuição das áreas dos polígonos de erros de comissão em 09/set/ Figura 20. Distribuição das áreas dos polígonos de erros de omissão em 23/jul/ Figura 21. Distribuição das áreas dos polígonos de erros de omissão em 08/ago/ Figura 22. Distribuição das áreas dos polígonos de erros de omissão em 24/ago/ Figura 23. Distribuição das áreas dos polígonos de erros de omissão em 09/set/
4 LISTA DE TABELAS Tabela 1. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 2. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 3. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 4. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 5. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 6. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 7. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 8. Classes utilizadas na classificação dos erros de comissão e omissão Tabela 9. Erros de comissão e omissão da versão Tabela 10. Diferença dos erros de comissão e omissão entre as versões 0.7 e
5 1 INTRODUÇÃO O presente relatório refere-se a adendo do Termo de Referência PN , contrato GIZ vigente de 01 de Dezembro de 2013 a 31 de Julho de 2014, cujo objetivo é de dar continuidade à produção de dados de área queimada na região do Jalapão com a análise de imagens de média resolução (30 metros), apoiando os desenvolvimentos que o INPE está realizando no Projeto GIZ-MMA Prevenção, controle e monitoramento de queimadas e incêndios florestais no Cerrado. As fases do contrato em andamento para o desenvolvimento e implementação da versão inicial da etapa digital automática do mapeamento de cicatrizes de queima de vegetação no Jalapão e Cantão Araguaia em imagens de média resolução espacial (30 metros) se dividem em: 1) desenvolvimento e implementação de melhorias no algoritmo digital automático considerando a eliminação dos efeitos das nuvens; 2) relatório sucinto do trabalho e arquivos em formato vetorial no banco de dados. Foram previstos os seguintes passos: 1. Aquisição das imagens no banco de imagens Landsat-5/TM e Landsat-8/OLI ortorretificadas da USGS/NASA ou INPE, com variedade de cobertura de nuvens. 2. Agrupamento de bandas espectrais de cada cena. 3. Cálculo dos índices NDVI, NBR, e ΔNDVI e ΔNBR para cenas consecutivas. 4. Composição colorida digital dos índices espectrais. 5. Análise estatística dos índices e definição de limiares em cicatrizes de queima. 6. Definição de parâmetros para segmentação da composição colorida 7. Validação dos resultados por meio de análises e interpretações visuais para o período de 07/jul a 09/set/ Análise dos erros de comissão e omissão, tanto por totais de píxeis como por tamanho de polígonos de área queimada. 9. Melhoria do algoritmo existente com a eliminação automática do efeito de sombras de nuvens nas imagens de média resolução (30 m) usadas no mapeamento automático de áreas queimadas. 10. Análise dos erros de comissão e omissão, tanto por totais de píxeis como por tamanho de polígonos de área queimada. 11. Expansão dos produtos para Elaboração de documento final com descrição detalhada da metodologia utilizada e consolidação das informações geradas. 5
6 Este relatório corresponde à execução dos passos 1 a 12, levado a cabo pelo Consultor entre 1/Dezembro/2013 a 31/Julho/ DETECÇÃO DE NUVENS E SOMBRA DE NUVENS ANTECEDENTES BIBLIOGRÁFICOS A presença de nuvens em imagens de sensoriamento remoto representa um inconveniente no preparo de mapas de cobertura do solo, pois obstruem os alvos de interesse na superfície da terra. No presente estudo de identificação automática de superfícies queimadas, as nuvens e suas sombras nas imagens de sensoriamento remoto de média resolução espacial, representam uma fonte de erros no processo, um vez que as sombras confundem o algoritmo diferencial na versão atual. A detecção de nuvens e suas sombras em imagens de sensoriamento remoto com o objetivo de segmentar, extrair e estabelecer sua porcentagem de cobertura espacial é uma atividade complexa devido à alta variabilidade espectral das nuvens, suas sombras e das coberturas na superfície da terra [Zhu & Woodcock 2012]. Existem várias referências bibliográficas de processos de detecção e eliminação de nuvens e suas sombras, mas poucos se configuram como ferramenta operacional devido à necessidade da intervenção de um operador em algum determinado sub-processo ou decisão; outros foram desenvolvidos utilizando ferramentas que não permitem sua utilização de maneira operativa. O procedimento padrão para as imagens Landsat TM e ETM+ até o momento é o algoritmo ACCA (Automated Cloud Cover Assessment) [Irish 2000; Irish et al 2006], e que não é um método de geração de máscaras, e só é utilizado para a quantificação aproximada da cobertura de nuvens [Zhu & Woodcock 2012]. Existem outros enfoques como a análise multitemporal avaliando diferenças entre datas, ou entre séries temporais completas de imagens [Goodwin et al 2013, Hagolle et al 2010, Jin et al 2013], com procedimentos baseados em transformações de imagens como Tasseled Cap [Li et al, 2012], transformação HOT [Zhang et al, 2002], análise de componentes principais [Li et al, 2014], transformação de ondeleta [Wang et al, 1999], máscaras baseadas em limiares [Cucu-Dumitrescu 2014] e analise baseado em objetos [Zhu & Woodcock 2012], entre outros. O procedimento desenvolvido e implementado pelo Consultor em linguagem Python para o presente trabalho no INPE considera conceitos de alguns dos artigos mencionados, e os adapta aos 6
7 requisitos e possibilidades concretas tendo como objetivo uma ferramenta operacional que trabalhe de maneira desatendida sob um banco de dados de imagens históricas, ou atuais na medida em que sejam geradas pelos sensores em órbita da terra. 2.1 Características das Nuvens As nuvens são agrupamentos de gotas d'agua ou cristais de gelo suspensos na atmosfera que, dependendo das características estruturais como altura da base, desenvolvimento vertical e horizontal e sua composição, podem ser brancas ou cinzas quando observadas visualmente. Os diferentes tipos de nuvens presentam características termais e refletivas distintas. De um modo geral, é possível classificar as nuvens por sua altitude a partir da superfície: nuvens altas, com bases acima de 6000 m, nuvens médias com base entre 2000 m e 4000 m, e finalmente as nuvens baixas com a base até 2000m. Devido às baixas temperaturas e pequenas quantidades de vapor d'agua em altitudes elevadas, todas as nuvens altas são finas e formadas por cristais de gelo. As nuvens médias e baixas tem maior disponibilidade de vapor d'agua, e por isso são mais densas. A temperatura de nuvens médias e baixas é normalmente mais elevada. Segundo a forma ou aspecto das nuvens podem ser classificadas em estratiformes, que têm desenvolvimento horizontal, estendidas como um manto uniforme e pouca espessura vertical, ou cumuliformes que tem desenvolvimento vertical, surgem isoladas e podem ser líquidas, sólidas ou mistas dependendo da altura final da nuvem. Independente da sua estrutura e composição, as duas principais características das nuvens no espectro eletromagnético são sua elevada refletividade diurna nas bandas visível e infravermelha-próxima, e a baixa temperatura devido à altura e a composição d'agua ou gelo em suspenção. A Figura 1 abaixo apresenta uma imagem do sensor Landsat 5/TM junto com os perfis das bandas para a linha-corte indicada com a cor vermelho. Pode-se observar que a zona superior da imagem, carente de nuvens, mas com areia na superfície, apresenta uma resposta espectral similar à zona coberta com nuvem nos canais visíveis e infravermelhos. A resposta térmica é marcadamente diferente na região coberta pela nuvem em relação a outras áreas. Na figura 1c) pode observar-se o decréscimo acentuado da temperatura na região ocupada pela nuvem. 7
8 Fig 1a) Cena TM/Landsat 5. Orbita/Ponto 221/067 composição data 21/junho/2005. Fig 1b) Perfil das bandas visíveis e infravermelhas do sensor TM na linha vermelha mostrada na Fig 1a) Fig 1c) Perfil da banda térmica do sensor TM na linha vermelha apresentada na Fig 1a) Figura 1. Cena Landsat 5/TM e perfis das bandas em diferentes alvos na área de estudo. 8
9 A radiação refletida pela nuvem é energia que não consegue completar o trajeto até a superfície da terra, gerando um local de obscurecimento conhecido como sombra. As nuvens projetam sombras sob o terreno abaixo quando a sua densidade é suficiente para configurar um bloqueio completo ou semi-completo da radiação solar incidente. Outras nuvens transparentes, de tipo cirrus, não geram sombras. 2.2 Características espectrais dos alvos na superfície da terra. Quando os alvos sob a superfície da terra possuem um alto contraste com as nuvens, como para a vegetação verde ou água, a detecção de certo tipo de nuvens pode ser realizada utilizando técnicas simples, mas quando os alvos possuem uma resposta espectral similar, o procedimento é mais complexo e requer técnicas mais avançadas de processamento. Na região do Jalapão, os solos possuem uma alta proporção de areia [Prado dos Santos et al, 2011], o que foi constatado na viagem de trabalho de campo realizada no mês de Julho/2014, e que pode ser observado na montagem apresentada a seguir. Figura 2. Alvos na região de estudo mostrando o conteúdo de areia no solo. 9
10 A areia presente na região, pode observar-se nas manchas brancas que aparecem nas fotográficas acima, apresenta valores altos de refletividade nas bandas 1 a 5, e 7, mostrando-se quase branca, semelhante às nuvens. A única diferença encontrada, em determinadas situações, para poder separar ambas as classes é a temperatura [Kokhanovsky et al 2011]. Existem eventos, quando uma nuvem de tipo cirrus, transparente, se situa em cima dessas manchas de areia, tornando praticamente impossível sua diferenciação. No caso de corpos d água, mesmo a temperatura sendo baixa como a de certas nuvens, a refletividade é sempre mínima nos canais visíveis e infravermelho-próximo devido à grande absorção da energia solar nesta faixa. A identificação e extração de nuvens nas imagens no Jalapão foram obtidas com procedimentos de classificação e segmentação do crescimento de regiões. 3 PROCEDIMENTO DE CRESCIMENTO POR REGIÕES. Um algoritmo de crescimento por regiões é um procedimento de classificação e segmentação progressiva [Adams & Bischoff 1994]. A classificação se refere a atribuir uma determinada classe aos elementos de uma imagem, enquanto que a segmentação é uma maneira de separar uma imagem em regiões simples com comportamento homogêneo [Haralick & Shapiro, 1985]. A classificação começa em áreas com uma alta certeza de pertinência a uma determinada classe de interesse e cresce para as outras áreas vizinhas segundo o nível de similitude que apresentem em relação às áreas originais. A qualidade e sucesso de um procedimento de crescimento por regiões dependem das condições de limitação do crescimento no algoritmo. A incorporação de um elemento vizinho na classe pode ser realizada mediante a avaliação e comparação de diferentes métricas entre as distintas componentes do conjunto: áreas-semente, borda, área exterior, e o elemento em ana=álise. A Figura 3 a seguir apresenta uma vizinhança hipotética e seus componentes: a borda da vizinhança, vizinhos com similaridade e vizinhos sem similaridade. 10
11 Figura 3. Vizinhança hipotética com os elementos básicos A Figura 4 representa uma situação teórica de 3 píxeis em uma vizinhança, o pixel da borda, o pixel vizinho 1 e o pixel vizinho 2. Também são representados o valor médio da semente e o valor médio da área exterior. As flechas em cada sentido representam o valor de uma métrica ou distância entre os elementos. Figura 4. Elementos de uma vizinhança indicando distancias em uma métrica Uma lógica do crescimento por regiões indicaria que a menor distância entre os elementos determina a associação por causa de uma maior similaridade. Isto é: se min(dms1,dpb1,dmae1) sim, o valor mínimo é dms1 ou dpb1, e o pixel vizinho 1 passará a formar parte do crescimento da região avaliada. Da mesma maneira acontece com o pixel vizinho 2. Outra lógica poderia prescindir dos píxeis-semente e exteriores, e indicar que a associação 11
12 se cumpre no caso de que a distância entre o ponto em análise não supere certo limiar de distância com respeito ao pixel na borda. Isto é: dbp < limbpv, onde o limiar dependerá do valor no pixel na borda. Em ambos os casos, as distâncias ou outras métricas são avaliadas sob as bandas componentes das imagens, ou sob outros planos de informação, como de índices de vegetação. Após esta noção geral dos algoritmos de crescimento apresentada acima, em seguida são descritas as duas metodologias implementadas na versão atual do algoritmo de mapeamento de queimadas para a identificação de nuvens e sombras de nuvens. A primeira é baseada em limares de distâncias entre os píxeis vizinhos e os píxeis nas bordas dos objetos, e a segunda, no mínimo de distancias entre os vários componentes de uma vizinhança. 3.1 Máscara de nuvens - Sementes O primeiro passo na criação de uma máscara de nuvens utilizando um procedimento de crescimento por regiões é obter as sementes para iniciar a classificação. A criação das sementes iniciais foi realizada considerando as características distintivas e exclusivas das nuvens na região alvo. Essas características são: baixa temperatura comparada com as áreas com céu aberto, e alta ou muito alta refletividade nas bandas do espectro visível e do infravermelho-próximo. Os métodos globais de detecção de nuvens têm de considerar diferentes cenários que dificultam a tarefa de identificação de classes, como neve, gelo, ou altitudes elevadas do terreno. Nesse caso, diferentes perspectivas e índices espectrais são utilizados para eliminar as potenciais fontes de ruído e confusão [Irish et al 2006, Zhu & Woodcock 2012]. A região-alvo do presente estudo carece dessas características, simplificando a tarefa de identificação. Para a criação das primeiras sementes, foram avaliados dois índices espectrais, sendo o primeiro o MVISIR, que é o produto das bandas 1, 2, 3, 4, 5 e 7 do sensor TM/Landsat 5, utilizando um limiar que excluí valores baixos na refletividade das bandas. MVISIR = (Bi tbi) i=1 5,7 No caso do sensor satélite OLI/Landsat 8, as bandas utilizadas são 2, 3, 4, 5, 6 e 7, e não existe na bibliografia uma referência ao índice acima descrito. O mesmo foi concebido como uma maneira de agrupar as características refletivas das nuvens em uma operação só. Os limiares utilizados pelas sementes são: tb 1 =0.12, tb 2 =0.12, tb 3 =0.12, tb 4 =0.2, tb 5 =0.2 e tb 7 = Os 12
13 limiares foram obtidos de maneira empírica a partir do comportamento das nuvens nas cenas observadas. O índice MVISIR e uma adaptação do Whiteness Test [Zhu & Woodcock 2012], onde são utilizadas as bandas 1, 2 e 3 do sensor TM para ter uma medida da brancura das nuvens. A relação da banda 4 com a banda 5 é utilizada para separar nuvens do solo exposto, ou rochas. [Irish et al 2006, Zhu & Woodcock 2012]. A relação é geralmente maior que a unidade para as nuvens. Nos trabalho mencionados acima, o limiar pela separação de nuvens, solo exposto e rochas é de Em nosso caso, o limiar foi o valor de 0.9, o que resultou em melhores capacidades de separação. No caso do sensor OLI, as bandas utilizadas são a 5 e 6. RB 4 B 5 = B 4 B 5 > 0.9 A contribuição da temperatura no filtro é mediante um limiar para a separação da temperatura de superfície. Considerando que as nuvens são mais frias que o solo, a vegetação, ou outras classes de cobertura com céu aberto acima, a temperatura da semente inicial foi estabelecida em 20 C. TM. TSN= B 6 > 20 C No caso do satélite TIRS/Landsat 8, a banda 10 foi utilizada no lugar da banda 6 do sensor Desta maneira, todos os píxeis que atendem aos critérios MVISIR > 0, RB 4 B 5 > 0 e TSN > 0 são considerados sementes iniciais do processo de crescimento para a identificação das nuvens. SemInit = MVISIR RB 4 B 5 TSN + TSN O termo aditivo de TSN foi incorporado para identificar nuvens de tipo cirros, que em decorrência de sua transparência só podem ser detectadas na banda térmica do sensor TM. A distribuição espacial das sementes pode ser uniforme ou concentrada em uma área específica segundo o tipo de nuvens presentes na imagem. Esta informação poderia ser utilizada em versões futuras do filtro de nuvens para classificar o tipo de nuvens presentes nas imagens. Todas as nuvens presentes nas imagens possuem áreas que não são detectadas inicialmente por causa dos limiares conservativos na geração das sementes. Os menores valores de refletividades, assim como os maiores valores de temperatura, encontram-se nessas áreas devido a uma menor densidade de vapor d'agua ou gelo nas bordas. O objetivo do procedimento de 13
14 crescimento é a incorporação dessas áreas. O número de píxeis da máscara inicial é determinado, e caso esse seja zero, não existem píxeis sementes na máscara de nuvens e os processos posteriores são evitados. Nesta condição a máscara de nuvens e a máscara de sombras de nuvens resultam em imagens vazias. Caso o número de píxeis na máscara seja próximo ao número total de píxeis disponíveis na imagem, a máscara é total. E finalmente, se o número de píxeis é maior que 0 e menor do 80% do total de píxeis da imagem de entrada o processo de crescimento de regiões é iniciado a continuação. 3.2 Crescimento. Os processos de crescimento se iniciam a partir de certa área e continuam na direção das bordas dos objetos. Mediante uma rotina de identificação da borda (measure.find_contours) é possível obter a coordenada x, y de cada um dos píxeis externos de cada semente. Para cada um desses píxeis nas bordas, é criada uma vizinhança de 5x5 píxeis, com o pixel da borda no centro da vizinhança. Os píxeis da vizinhança que são sementes são excluídos da análise já que sua classificação é confirmada com anterioridade. A Figura 5 apresenta a mesma vizinhança hipotética mostrada acima, com a área de 5x5 para exploração dos píxeis vizinhos às sementes. Figura 5. Vizinhança hipotética com a área de exploração para uma posição x,y 14
15 Uma vizinhança de 3x3 é habitual no crescimento por regiões, mas uma maior amplitude da vizinhança foi utilizada para evitar sucessivas passagens do algoritmo de crescimento. Devido aos comportamentos diferenciados das bandas da imagem TM/Landsat 5 foram utilizadas duas perspectivas lineares diferentes para obter as regras de crescimento das regiões. Uma utilizou as bandas do espectro visível e infravermelho, e a outra, a banda termal. A diferença entre as duas perspectivas é a função que descreve a regra de associação. Para as bandas 1 a 5 e 7, o limiar de corte é dado pela seguinte equação. ThreshB 1 5,7 = B 1 5,7 (x, y) Nenhum pixel com valor de refletividade abaixo de 0.1 é aceito pelo filtro. O limiar de incorporação na banda térmica foi estabelecido com tolerância de 25% relativo ao valor de temperatura do pixel na borda. ThreshB 6 = B 6 (x, y) 1.25 Isso significa que o valor de temperatura dos píxeis na vizinhança de um píxel XY pode ser até um 25% mais quente que o valor do pixel na borda para serem incluídos na máscara existente. Nenhum píxel com temperatura acima de 23 C é aceito na máscara de nuvens. 3.3 Condição de saída Após a análise de todos os píxeis nas bordas de todas as sementes, o número total de píxeis da máscara de nuvens é avaliado e comparado com a contagem anterior. No caso em que são iguais os números de píxeis de dois passos do algoritmo de crescimento sejam iguais, o algoritmo é interrompido. O passo a seguir é a delimitação da sombra das nuvens. Nenhum pixel da máscara pode ter um valor de refletância acima de Detecção das sombras das nuvens. Para determinar o espaço de busca das sombras, foram estabelecidas caixas exteriores (bounding box) correspondentes a cada nuvem. Cada caixa exterior é determinada por duas coordenadas, a superior esquerda (X 0 Y 0 ) e a inferior direita (X 1 Y 1, e a Figura 6 apresenta o esquema de uma nuvem com a sua caixa exterior. 15
16 Figura 6. Nuvem hipotética com as coordenadas superior esquerda e inferior direita A distância da nuvem à sua sombra está determinada pela elevação solar no momento da aquisição da imagem. A direção em que a sombra é encontrada é dada pelo ângulo azimutal solar [Inomata et al, 1996]. Utilizando uma distancia fixa (d) de 80 píxeis, e para o caso em que o ângulo azimutal seja menor que 90, foram determinadas as novas coordenadas da área de busca segundo as equações. X 0p = d (1.1) + X 0 Y 1p = d (1.1) + Y 1 A área de busca da sombra é dada pelas coordenadas (X 0p Y o, X 1 Y 1p ). Quando o angulo azimutal é maior que 90, a área de busca da sombra é dada pelas coordenadas (X 0p Y 0p, X 1 Y 1 ) onde as novas coordenadas da área de equações: busca são dadas pelas X 0p = d (1.1) + X 0 Y 0p = d (1.1) + Y 0 A figura a continuação apresenta os esquemas das áreas de busca hipotéticas para os dois casos mencionados. 16
17 a) Área de sombra para Ângulo azimutal solar entre 0 e 90 b) área de sombra para ângulo azimutal solar entre 90 e 180 Figura 7. Área de busca de sombra segundo o ângulo azimutal solar A refletividade na área da sombra da nuvem é diminuída devido ao baixo nível de radiação incidente, resultante da obstrução produzida pela nuvem. Considerando somente a área de busca, os seguintes limiares são avaliados procurando-se determinar a área da sombra. B 7 < 0.1 ndvi < 0.3 No caso do sensor OLI, a banda 6 é utilizada em lugar da banda 7 do sensor TM. O valor limiar do NDVI é diminuído a 0.2 devido a diferenças nos comprimentos de onda nas bandas dos sensores. Todos os píxeis na área de busca que atendem essas condições são classificados como sementes das sombras das nuvens. A segunda metodologia de crescimento de regiões é utilizada pela ampliação da classe sombra de nuvem na banda 7 para avaliar as distancias entre as classes. A Figura 8 apresenta um exemplo do resultado da classificação de nuvens e de sombras de nuvens em uma imagem TM/Landsat 5. As nuvens presentes, de tipo cumulus, são as que obtiveram melhores resultados na classificação devido a seu aspecto compacto, elevada refletividade e baixa temperatura respeito das áreas abertas. 17
18 a) Imagem TM/Landsat 5 na região do Jalapão b) Resultado do filtro de nuvens e sombras sob a mesma imagem Figura 8. Identificação das nuvens e sombras de nuvens em uma cena TM/Landsat Requerimentos computacionais. Os processos de crescimento de regiões são intensivos e computacionalmente exigentes quando as imagens de entrada são extensas, devido a que para cada elemento da classe em analise sua vizinhança é explorada. A versão inicial do processamento descrito foi implementada de maneira sequencial, utilizando um só núcleo de processamento em uma máquina com processador i7 de 3.6 GHz e 8 GB de memoria RAM. O processamento de uma serie de 11 imagens demorou mais de 10 horas, e portanto inadequado em termos operativos. Em uma iniciativa para diminuir o tempo de processamento, e para fazer uso das estruturas multi-núcleo dos computadores modernos, foram elaborados procedimentos de processamento paralelo. As possibilidades da linguagem Python tornam a implementação dessas rotinas uma tarefa relativamente simples. A Figura 9 apresenta o processo, baseado em um só núcleo de processamento, e sua alternativa análoga com N sub-processos. 18
19 a) Diagrama de fluxo do processamento sequencial das imagens b) Diagrama de fluxo do processamento paralelo das imagens Figura 9. Diagramas de fluxo das metodologias de filtragem e mapeamento de áreas queimadas O procedimento desenvolvido consiste em dividir as imagens de entrada em tantas partes possíveis quanto sejam os núcleos de processamento disponíveis, e criar sub-processos para implementar as rotinas de classificação e segmentação em cada uma dessas partes [Abrahart & See 2014, Singh et al, 2013]. A Figura abaixo apresenta o exemplo de divisão de uma imagem de entrada em 4 partes. 19
20 Figura 10. Partição de uma imagem de entrada para processamento paralelo das 4 sub-imagens Pode-se notar que existe certa superposição entre as sub-imagens consecutivas. A superposição foi considerada para abranger a totalidade dos objetos presentes em cada subimagem. Desta forma, os objetos próximos a bordas não são considerados pelo algoritmo de crescimento, pois não têm espaço para crescer. A área de superposição foi estabelecida em 160 píxeis. Para comparar e avaliar a efetividade do processamento paralelo, foram implementadas rotinas com 4, 8 e 16 núcleos de processamento. Cada sub-processo realiza a classificação e segmentação das nuvens e sombras das nuvens disponíveis na sua parte da imagem e escreve os resultados dos processos em arquivos temporais. O processo principal, onde foram criados os subprocessos, carrega esses arquivos temporais e gera uma imagem resultante pela união das diferentes partes. As imagens de entrada possuem 7 bandas e 6125 x 6625 píxeis de resolução em cada banda. Segundo a partição escolhida as sub-imagens possuem diferente quantidade de píxeis. Considerando a partição em 4 sub-imagens, as dimensões das 4 sub-imagens resultantes são: 7 x 1611 x 6625, 7 x 1612 x 6625 e duas de 7 x 1692 x 6625 píxeis. Na partição em 8 sub-imagens, as dimensões resultantes são: 7 x 845 x 6625, 7 x 846 x 6625 e seis de 7 x 926 x 6625 píxeis e 20
21 finalmente, na partição em 16 sub-imagens, as dimensões resultantes são: 7 x 462 x 6625, 7 x 463 x 6625, e catorze de 7 x 543 x A Figura 11 apresenta a comparação dos tempos de processamento de uma mesma série de arquivos para diferentes configurações de processamento. Figura 11. Tempos de processamento para diferentes configurações de núcleos O melhor desempenho da partição e processamento das imagens é o que coincide com a quantidade de processadores disponíveis [Singh et al, 2013]. 4 RESULTADOS. 4.1 Comparação das versões dos algoritmos 0.7 e 0.9 Os resultados obtidos com a versão inicial do algoritmo de mapeamento de queimadas foram comparados com a versão atual do algoritmo utilizando o filtro desenvolvido no objetivo desta etapa do trabalho. A Tabela 1 abaixo apresenta a comparação dos resultados obtidos no período comparando os erros de comissão e omissão, assim como os dados de acerto de queimadas (AQ) e de confiabilidade do algoritmo (CA). 21
22 Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 02/Jun ,1 84, ,7 83,3 04//Jul ,0 88, ,5 86,6 20/Jul ,7 91, ,6 90,2 05/Ago ,0 95, ,1 94,2 06/Set ,2 92, ,9 91,7 TOT. [ha] MED. [ha] ,8% 90,4% ,8% 89,2% STD.DEV % 4,36% 2,84% 1,7% 4,3% Tabela 1. Resultados das versões 0.7 e 0.9 do algoritmo no ano Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 23/Jul ,4 95, ,3 95,2 08/Ago ,3 92, ,3 92,0 24/Ago ,6 97, ,9 96,8 09/Set ,0 97, ,5 96,3 TOT., [ha] MED., [ha] ,3% 95,6% ,3% 95,1% STD.DEV% 2,37% 1,76% 0,68% 2,16% Tabela 2. Resultados das versões 0.7 e 0.9 do algoritmo no ano Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 08/Jun ,7 86, ,8 86,0 24/Jun ,6 79, ,4 88,3 26/Jul ,7 89, ,9 89,3 11/Ago ,2 92, ,5 92,9 27/Set ,2 95, ,2 95,0 TOT., [ha] MED., [ha] ,5% 88,8% ,6% 90,3% STD.DEV% 6,42% 3,15% 2,61% 3,62% Tabela 3. Resultados das versões 0.7 e 0.9 do algoritmo no ano
23 Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 27/Jun ,5 92, ,7 93,2 13/Jul ,7 95, ,2 95,8 29/Jul ,1 94, ,8 94,8 14/Ago ,1 95, ,9 95,5 30/Ago ,1 95, ,0 95,2 TOT., [ha] MED., [ha] ,3% 94,9% ,9% 94,9% STD.DEV% 1,24% 2,41% 1,95% 1,02% Tabela 4. Resultados das versões 0.7 e 0.9 do algoritmo no ano Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 15/Jul ,0 93, ,4 95,8 31/Ago ,1 75, ,3 95,6 16/Ago ,4 94, ,8 97,7 17/Set ,3 96, ,0 97,3 TOT., [ha] MED., [ha] ,0% 90,0% ,1% 96,6% STD.DEV% 9,52% 2,57% 3,31% 1,06% Tabela 5. Resultados das versões 0.7 e 0.9 do algoritmo no ano Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 19/Ago ,0 97, ,8 98,1 TOT., [ha] MED., [ha] ,0 97, ,8 98,1 Tabela 6. Resultados das versões 0.7 e 0.9 do algoritmo no ano
24 Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 19/Jun ,8 81, ,9 88,2 05/Jul ,1 91, ,2 92,6 06/Ago ,4 89, ,0 89,6 22/Ago ,9 93, ,8 94,7 07/Set ,8 93, ,7 92,8 23/Set ,1 95, ,2 96,3 TOT., [ha] MED., [ha] ,0% 90,8% ,5% 92,4% STD.DEV% 4,84% 1,58% 1,7% 3,04% Tabela 7. Resultados das versões 0.7 e 0.9 do algoritmo no ano A média do Acerto de Queimadas e da Confiabilidade do Algoritmo para a versão 0.7 do algoritmo foi de 88,6% e 91,9% respectivamente, sendo que na versão 0.9 os valores foram de 90,4% e 93,0% respectivamente. Estes valores significam um aumento efetivo de 1,8% para o Acerto de Queimadas, e de 1,2% na Confiabilidade do Algoritmo, considerando os mesmos arquivos de referência. O desvio padrão para o Acerto de Queimadas e da Confiabilidade do Algoritmo da versão 0.7 foi 4,12% e 5,47% respectivamente, enquanto que na versão 0.9 os valores foram 4,56% e 3,80% respectivamente. A Figura 12 apresenta a média e desvio da área queimada segundo a versão 0.9 do algoritmo de mapeamento automático. Algoritmo. Figura 12. Média e desvio da área queimada para cada ano no período As Figuras 13 e 14 apresentam a média e desvio do Acerto de Queimadas e Confiabilidade do 24
25 Figura 13. Média e desvio do Acerto de Queimadas para o período Figura 14. Média e desvios da Confiabilidade do Algoritmo para o período A Figura 15 apresenta as áreas queimadas no período segundo a referência e o algoritmo na versão 0.9. Figura 15. Área queimada da referência e da versão 0.9 para as datas do período
26 4.2 Analise dos erros de omissão e comissão no ano 2005 Da mesma forma que na versão 0.7, foram analisados os erros de comissão e omissão no ano de Foram utilizadas as mesmas classes para caracterizar a contribuição dos diferentes tamanhos dos polígonos no total das áreas dos erros. As classes utilizadas são apresentadas na Tabela 8. Classe Área mínima, ha Área máxima, ha Pixels contidos C1 0 0,091 1 C2 0,091 0,181 2 C3 0,181 0,271 3 C4 0,271 0,361 4 C5 0,361 0,451 5 C6 0,451 0,541 6 C7 0,541 0,631 7 C8 0,631 0,721 8 C9 0,721 0,811 9 C10 0,811 0, C11 0,911 Max N Tabela 8. Classes utilizadas na classificação dos erros de comissão e omissão. Os erros máximos de comissão e omissão obtidos utilizando a versão 0.9 do algoritmo são apresentados na Tabela 9 a seguir. Data 07/07 23/07 23/07 08/08 08/08 24/08 24/08 09/09 Área Máxima Comissão 86 ha 139 ha 109 ha 79,3 ha Píxeis Área Máxima Omissão 50,5 ha 43,9 ha 106 ha 91,83 ha Píxeis Tabela 9. Erros de comissão e omissão da versão 0.9. Em relação à versão anterior, as variações nos erros são apresentadas na Tabela 10. Data 07/07 23/07 23/07 08/08 08/08 24/08 24/08 09/09 Diferencia Comissão 4,19 ha -63,14 ha -4,04 ha -17 Área Máxima Omissão -0,81 ha -4,97 ha 52,09 ha 16,6 ha Tabela 10. Diferença dos erros de comissão e omissão entre as versões 0.7 e 0.9. A contribuição das classes de tamanho nas áreas totais dos erros de comissão e omissão é apresentada nas seguintes figuras 16 a
27 Figura 16. Distribuição das áreas dos polígonos de erros de comissão em 23/jul/2005. Figura 17. Distribuição das áreas dos polígonos de erros de comissão em 08/ago/2005 Figura 18. Distribuição das áreas dos polígonos de erros de comissão em 24/ago/
28 Figura 19. Distribuição das áreas dos polígonos de erros de comissão em 09/set/2005. Figura 20. Distribuição das áreas dos polígonos de erros de omissão em 23/jul/2005. Figura 21. Distribuição das áreas dos polígonos de erros de omissão em 08/ago/
29 Figura 22. Distribuição das áreas dos polígonos de erros de omissão em 24/ago/2005. Figura 23. Distribuição das áreas dos polígonos de erros de omissão em 09/set/2005 Observa-se nas figuras apresentadas que a maior parte das áreas dos erros encontra-se classificadas nas classes 1, 2 e 3 e 11. Esta última classe agrupa uma grande diversidade de tamanhos de polígonos, desde 1 ha até o tamanho máximo encontrado. 4.3 Máscara de nuvens e sombra de nuvens As máscaras de nuvens criadas pelo filtro desenvolvido são apresentadas nos anexos 1, 2 e 3, que acompanham este documento. Do lado esquerdo das figuras está a imagem sem máscara na composição 5-4-3, e do lado direito da figura, a composição com a máscara de nuvens e sombra de nuvens superposta. É necessário mencionar que as imagens utilizadas na criação das 29
30 máscaras, em sua maioria não constaram no cálculo de área queimada produzidos nos relatórios anteriores, excetuando-se aquelas com um conteúdo de nuvens que atendia o requisito dos 10% de cobertura, presente nos contratos anteriores. O filtro desenvolvido possui como objetivo permitir o uso de uma serie completa de imagens sem interrupções temporais devido ao conteúdo de nuvens. 5 CONCLUSÕES E COMENTÁRIOS FINAIS. Foi apresentada uma evolução do algoritmo para automação da extração de cicatrizes de queimadas em imagens de média resolução espacial obtidas em sequência e com intervalo máximo de 32 dias. Dentro das principais diferenças em relação à versão anterior do algoritmo, destaca-se o cálculo e utilização dos valores de refletividade no topo de atmosfera para gerar os índices de vegetação e criação da máscara de nuvens. Os níveis de Confiabilidade do Algoritmo e Acerto de Queimadas foram comparados com os resultados obtidos anteriormente utilizando-se a mesma referência no período e 2013, obtendo-se melhorias da ordem de 2% sobre a versão anterior, e indicando, portanto uma melhoria significativa ao se considerar que os níveis de Acerto de Queimadas e Confiabilidade ficam agora acima dos 90%. Observou-se diminuição sistemática dos erros de comissão, mas com um aumento dos erros de omissão quase na mesma ordem de magnitude. Os máximos erros de comissão e omissão são associados a áreas agrícolas na região. A limitação da detecção e quantificação do conteúdo de nuvens foi eliminada parcialmente em relação à versão anterior do algoritmo, mediante a criação de uma máscara de nuvens e de sombra de nuvens, representando uma melhoria significativa em termos operativos. A capacidade de extrair nuvens e sombras de nuvens foi verificada também mediante análise visual, indicando uma capacidade aceitável de extração em determinadas condições, porém, demostrando que o algoritmo ainda precisa de ajustes finos, já que em determinadas oportunidades os erros de omissão ou comissão foram excessivos. 30
31 Constatou-se que a presença de nuvens de tipo cirrus (altas, transparentes e muito frias) gera uma máscara de nuvens que poderia ser evitada descartada em determinadas oportunidades, quando os alvos na superfície ainda são visíveis. Na configuração atua, despreza-se uma fração das imagens que poderia ser utilizada no cálculo das áreas queimadas. A causa da classificação atual é o alto peso que o processo de geração da mascara outorga ao canal térmico da imagem. Observou-se dificuldade na detecção de nuvens quentes e baixas, com temperatura acima dos 25 C, pois as mesmas possuem características espectrais similares às zonas com areia na região alvo. Um maior esforço é requerido nesta direção para diminuir os erros de omissão e comissão. Existem também limitações dos dados do sensor TIRS/ Landsat 8. A conversão de radiância em temperatura de brilho apresenta valores anormalmente altos para diferentes alvos em comparação com a serie TM. Um processo de calibração do sensor esta sendo desenvolvido pela agencia responsável [USGS, 2014] para compensar esta falha do sensor. Na máscara de sombras também é necessário um ajuste, pois em determinadas ocasiões os erros de omissão são muito altos. Uma perspectiva baseada na forma das nuvens e sua correlação com a sombra poderia ser considerada. Na versão atual, a máscara de sombras utiliza um filtro passa-baixos no índice NDVI. As nuvens do tipo stratus, que são semi-transparentes não representam um bloqueio total na radiação incidente evitando a ação do filtro. Uma mudança da perspectiva é necessária para evitar estas omissões. O processamento paralelo das imagens também representa uma melhoria importante em termos operacionais considerando que a metodologia aproveita o potencial dos computadores atuais permitindo a exploração de series completas de dados em tempos razoáveis. Os arquivos digitais deste trabalho, incluindo as imagens Landsat/TM e OLI e os produtos de área queimada encontram-se na máquina tairo.cptec.inpe.br/images, e serão incluídas para consulta pública no site que o INPE está criando para apresentar os resultados do Projeto Cerrado Jalapão GIZ-MMA 31
32 6 BIBLIOGRAFIA Abrahart, R.J.; See, L.M. GeoComputation, Second Edition. Chapter 3: Parallel Computing in Geography. CRC Press ebook ISBN: Cucu-Dumitrescu, C. A Simple Mehod of Determining Cloud-Masks and Cloud-Shadow- Masks From Satellite Imagery. IEEE Geoscience and Remote Sensing Letters Vol 11. N 1: Goodwin, N.R.; Collett, L.J.;Denham, R.J.; Flood, N. Tindall, D. Cloud and cloud shadow screening across Queensland, Australia. An automated method for Landsat Tm/ETM+ time series. Remote Sensing of Environment : Hagolle, O.; Huc, M.; Villa Pascual, D.; Dedieu, G. A multi-temporal mehod for cloud detection, applied to FORMOSAT-2, VENμS, LANDSAT and SENTINEL-2 images. Remote Sensing of Environment : Haralick, R; Shapiro, L. Image Segmentation Techniques. Applications of Artificial Intelligence II :2-9. Inomata, Y.; Feind, R.E.; Welch, R.M. Estimation of Cirrud and Stratus Clouyd Heights Using Landsat Imageery. Journal of Applied Meteorology Vol. 35. N 3. Irish, R.R. Landsat 7 automatic cloud cover assessment. Algorithm for multispectral, hyperspectral and ultraspectral imagery. Proceedings of SPIE Vol. 4049: Irish, R.R.; Barker, J.L.; Goward, S.N.; Arvidson, T. Characterization of the Landsat-7 ETM+ Automated Cloud Cover Assessment (ACCA) Algorithm. Photogrammetrix Engineering & Remote Sensing : Jin, S.; Homer, C.. Yang, L.; Xian, G.; Fry, J.;Danielson, P.; Townsend, P.A. Automated cloud and shadow detection and filling using two-date Landsat imagery in the USA. International Journal of Remote Sensing Vol. 34. N 5: Kokhanovsky, A.A.; Platnick. S; King, M.D. The Remote Sensing of Tropospheric Composition from Space. Chapter 5. Remote Sensing of Terrestrial Clouds from Space using backscattering and Thermal Emission Techniques. Pp (2011). ISBN
33 Li, D. & Tang P. A Sensor Specific Mathod Based on Spectral Transformation for Masking Cloud in Landsat Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing Vol. 6. N 3: Li, H.; Zhang, L.; Shen, H. A Principal Component Based Haze Masking Method for Visible Images. IEEE Geoscience and Remote Sensing Letters Vol 11: Prado dos Santos, R.; Crema, A.; Szmuchrowski, M.A.; Asado, K. Kawaguchi, M. Atlas do Corredor Ecológico da Região do Jalapão Instituto Chico Mendes de Conservação de Biodiversidade. Versão Digital. Singh, N. ;Browne, L.M; Butler, R. Parallel astronomical data processing with Python: Recipes for multicore machines. Astronomy and Computing N 2:1-10. USGS 2014 United States Geological Survey. Landsat Missions. < Wang, B.; Ono, A.; Muramatsu, K. Fujiwara, N. Automated Detection and Removal of Clouds and Their Shadows from Landsat TM Images. IEICE Transactions on Informatics and Systems Vol. E82-D. N 2. Zhang, Y.; Guindon, B.; Cihlar, J. An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images. Remote Sensing of Environment : Zhu, Z. & Woodcock, C.E. Object-based and cloud shadow detection in Landsat imagery. Remote Sensing of Environment :
Algoritmo Digital Automático para Estimar Áreas Queimadas em Imagens de Média Resolução da Região do Jalapão
Algoritmo Digital Automático para Estimar Áreas Queimadas em Imagens de Média Resolução da Região do Jalapão Resultados Preliminares Janeiro de 2014 1 Arturo Emiliano Melchiori, Engo. Consultor ALGORITMO
Leia maisMonitoramento de Queimadas e Incêndios na Região do Parque Estadual do Jalapão em 2007, 2008 e 2009
Monitoramento de Queimadas e Incêndios na Região do Parque Estadual do Jalapão em 2007, 2008 e 2009 Resultados Preliminares Dezembro de 2013 PIETRO DE ALMEIDA CÂNDIDO MAPAS DAS CICATRIZES DE QUEIMADAS
Leia maisMonitoramento de Queimadas e Incêndios na Região do Parque Estadual do Jalapão em 2011, 2012 e 2013
Monitoramento de Queimadas e Incêndios na Região do Parque Estadual do Jalapão em 2011, 2012 e 2013 Resultados Preliminares Abril de 2014 PIETRO DE ALMEIDA CÂNDIDO MAPAS DAS CICATRIZES DE QUEIMADAS E INCÊNDIOS
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 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 maisGEOPROCESSAMENTO. Sensoriamento Remoto. Prof. Luiz Rotta
1 GEOPROCESSAMENTO Sensoriamento Remoto Prof. Luiz Rotta SENSORIAMENTO REMOTO - DEFINIÇÕES Utilização de sensores para a aquisição de informações sobre objetos ou fenômenos sem que haja contato direto
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 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 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 maisVinícius Emmel Martins 2, Dieison Morozoli Da Silva 3, Sidnei Luís Bohn Gass 4
CORREÇÃO ATMOSFÉRICA DE IMAGENS DE SATÉLITE PARA FINS DE MAPEAMENTO TEMPORAL DE USO E COBERTURA DO SOLO 1 ATMOSFERIC CORRECTION OF SATELLITE IMAGES FOR MAPPING TEMPORAL LAND USE AND LAND COVER Vinícius
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 maisUSO DE IMAGENS TM LANDSAT 5 PARA ANÁLISE DO ALBEDO E SALDO DE RADIAÇÃO NA BACIA HIDROGRÁFICA DO CAMARAGIBE: DESTAQUE PARA SÃO LUIZ DO QUITUNDE-AL
USO DE IMAGENS TM LANDSAT 5 PARA ANÁLISE DO ALBEDO E SALDO DE RADIAÇÃO NA BACIA HIDROGRÁFICA DO CAMARAGIBE: DESTAQUE PARA SÃO LUIZ DO QUITUNDE-AL Laurizio Emanuel Ribeiro Alves 1 ; Heliofábio Barros Gomes
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 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 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 maisSISTEMA DE DETECÇÃO DE DESMATAMENTO E ALTERAÇÕES TEMPO QUASE REAL
SISTEMA DE DETECÇÃO DE DESMATAMENTO E ALTERAÇÕES NA COBERTURA VEGETAL EM TEMPO QUASE REAL Brasília, 5 de maio de 2016 DETER-B Motivação 2ª Revisão do PPCDAm: É necessário melhorar a resolução do sistema
Leia maisFACULDADE DE ENGENHARIA DE MINAS GERAIS SENSORIAMENTO REMOTO E AEROFOTOGRAMETRIA REVISÃO DE CONTEÚDO. Prof. Marckleuber
FACULDADE DE ENGENHARIA DE MINAS GERAIS SENSORIAMENTO REMOTO E AEROFOTOGRAMETRIA - 2011 REVISÃO DE CONTEÚDO Prof. Marckleuber -Diferença: Imagem de satélite X fotografia aérea -Satélite X Sensor X Radar
Leia maisFigura 1 - Abrangência espacial do Bioma Cerrado. Fonte: Adaptado de Scariot et al. (2005).
IDENTIFICAÇÃO DE ÁREAS DESMATADAS ATRAVÉS DE SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS DO MODELO LINEAR DE MISTURA ESPECTRAL APLICADO A DADOS DO SENSOR LANDSAT 5/TM, NO MUNICÍPIO DE SAPEZAL-MT. Bruno Rodrigues
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 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 maisDefinição de sensoriamento remoto. Professor: Enoque Pereira da Silva
Definição de sensoriamento remoto Professor: Enoque Pereira da Silva Definição de sensoriamento remoto Sensoriamento remoto é um termo utilizado na área das ciências aplicadas que se refere à obtenção
Leia maisDETERMINAÇÃO DO ÍNDICE DE VEGETAÇÃO ATRAVÉS DE IMAGENS METEOSAT-8
DETERMINAÇÃO DO ÍNDICE DE VEGETAÇÃO ATRAVÉS DE IMAGENS METEOSAT-8 BARBOSA, H. A. 1 ; ACCIOLY FILHO, J. B. P. 2 ; MELCÍADES, W. L. B. 3 ; MELLO, N. G. S. 4 ; SOUZA, J. M. DE 5 RESUMO: Neste trabalho, o
Leia maisInterpretação Visual de Produtos de Sensoriamento Remoto
UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS Interpretação Visual de Produtos de Sensoriamento Remoto Prof. Dr. Richarde Marques IMAGENS DE SENSORIAMENTO
Leia maisBrasília, 5 de maio de 2016 SISTEMA DE DETECÇÃO DE DESMATAMENTO E ALTERAÇÕES NA COBERTURA FLORESTAL EM TEMPO QUASE REAL
Brasília, 5 de maio de 2016 SISTEMA DE DETECÇÃO DE DESMATAMENTO E ALTERAÇÕES NA COBERTURA FLORESTAL EM TEMPO QUASE REAL DETER-B Motivação 2ª Revisão do PPCDAm: É necessário melhorar a resolução do sistema
Leia maisDETER JANEIRO de 2015 RELATÓRIO DE AVALIAÇÃO
Os objetivos da qualificação dos dados do DETER são: DETER JANEIRO de 2015 RELATÓRIO DE AVALIAÇÃO A) Qualificar o alerta emitido pelo DETER em relação aos processos de alteração na cobertura florestal,
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 maisCAPÍTULO 5 RESULTADOS. São apresentados neste Capítulo os resultados obtidos através do programa Classific, para
CAPÍTULO 5 RESULTADOS São apresentados neste Capítulo os resultados obtidos através do programa Classific, para as imagens coletadas no verão II, período iniciado em 18/01 e finalizado em 01/03 de 1999,
Leia maisDETER JULHO de RELATÓRIO DE AVALIAÇÃO
DETER JULHO de 2010 - RELATÓRIO DE AVALIAÇÃO Os objetivos da qualificação dos dados do DETER são: A) Qualificar o alerta emitido pelo DETER em relação aos processos de desmatamento, confrontrando os polígonos
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisDetecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
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 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 maisProduto 1. Mapas e figuras georreferenciadas contendo cicatrizes de queimadas para as regiões de interesse no Cerrado
Produto 1. Mapas e figuras georreferenciadas contendo cicatrizes de queimadas para as regiões de interesse no Cerrado Outubro de 2014 0 ARTURO EMILIANO MELCHIORI MAPAS E FIGURAS GEORREFERENCIADOS CONTENDO
Leia maisSensoriamento Remoto: introdução ao Processamento Digital de Imagens. Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho.
Sensoriamento Remoto: introdução ao Processamento Digital de Imagens Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho. Organização de uma imagem As imagens de sensoriamento remoto são
Leia maisUso de Imagens de Satélite para o Estudo do Uso da Terra e Sua Dinâmica
2 Uso de Imagens de Satélite para o Estudo do Uso da Terra e Sua Dinâmica Elaine Cristina Cardoso Fidalgo, Maurício Rizzato Coelho, Fabiano de Oliveira Araújo, Humberto Gonçalves dos Santos, Maria de Lourdes
Leia maisMETODOLOGIA PARA ESTIMATIVA DA COBERTURA DE NUVENS ATRAVÉS DE IMAGEM DE SATÉLITE
METODOLOGIA PARA ESTIMATIVA DA COBERTURA DE NUVENS ATRAVÉS DE IMAGEM DE SATÉLITE Alice dos S. MACEDO 1,2, Jefferson G. de SOUZA 1, Fernando R. MARTINS 1, Enio B. PEREIRA 1 ¹CCST/INPE - São José dos Campos
Leia mais3 Fundamentos de sensoriamento remoto
3 Fundamentos de sensoriamento remoto O presente capítulo apresenta uma descrição sucinta dos principais fundamentos do sensoriamento remoto e tem exclusivamente o objetivo de facilitar a compreensão deste
Leia maisClassificação e Exemplos de Sistemas Sensores. Disciplina: Sensoriamento Remoto Prof. Dr. Raoni W. D. Bosquilia
Classificação e Exemplos de Sistemas Sensores Disciplina: Sensoriamento Remoto Prof. Dr. Raoni W. D. Bosquilia Plataformas e Sistemas Sensores Sistema sensor: são dispositivos capazes de detectar e registrar
Leia maisCAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR
CAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR Segundo Gonzales e Wintz (1987), um dos primeiros passos do processo de análise de uma imagem digital consiste em particioná-la em seus elementos constituintes. O
Leia maisAvaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS
http://dx.doi.org/10.12702/viii.simposfloresta.2014.131-592-1 Avaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS Juliana Tramontina 1, Elisiane
Leia maisMultiplicação e Adição de Imagens Landsat no Realce de Feições da Paisagem
Multiplicação e Adição de Imagens Landsat no Realce de Feições da Paisagem Teresa Gallotti Florenzano Stélio Soares Tavares Júnior Rodrigo Borrego Lorena Danilo Heitor Caires Tinoco Bisneto Melo INPE Instituto
Leia maisDetecção automática de nuvens e sombras em imagens LISS-III no TerraAmazon
Detecção automática de nuvens e sombras em imagens LISS-III no TerraAmazon Flora da Silva Ramos Vieira Martins 1 Clotilde Pinheiro Ferri dos Santos 1 Adriana dos Santos Siqueira Scolastrici 1 Eric Silva
Leia maisAlterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e DOMINIQUE PIRES SILVA
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e 2010. DOMINIQUE PIRES SILVA Universidade Federal Rural do Rio de Janeiro E-mail: nique_rhcp@hotmail.com
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 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 maisESTIMATIVA DO ALBEDO E TEMPERATURA DE SUPERFÍCIE UTILIZANDO IMAGENS ORBITAIS PARA O MUNICÍPIO DE BARRA BONITA SP
ESTIMATIVA DO ALBEDO E TEMPERATURA DE SUPERFÍCIE UTILIZANDO IMAGENS ORBITAIS PARA O MUNICÍPIO DE BARRA BONITA SP Laurizio Emanuel Ribeiro Alves 1 ; Heliofábio Barros Gomes 1 ; Sandro Correia de Holanda
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 3 Aquisição de imagens e processamento de dados Neste
Leia maisIMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Leia maisSensoriamento remoto 1. Prof. Dr. Jorge Antonio Silva Centeno Universidade Federal do Paraná 2016
Sensoriamento remoto 1 Prof. Dr. Jorge Antonio Silva Centeno Universidade Federal do Paraná 2016 Súmula princípios e leis da radiação eletromagnética radiação solar conceito de corpo negro REM e sensoriamento
Leia maisFundamentos de Sensoriamento Remoto
UNIVERSIDADE DO ESTADO DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL DISCIPLINA: Geoprocessamento para aplicações ambientais e cadastrais Fundamentos de Sensoriamento Remoto Profª. Adriana
Leia maisFILTROS PARA EXTRAÇÃO DE BORDAS: UM ESTUDO PRELIMINAR PARA A ÁREA DO RESERVATÓRIO DE ITAPARICA
FILTROS PARA EXTRAÇÃO DE BORDAS: UM ESTUDO PRELIMINAR PARA A ÁREA DO RESERVATÓRIO DE ITAPARICA Alexandre Normande Guillou 1, João Rodrigues Tavares Júnior 2, Ana Lúcia Bezerra Candeias 3 1 Eng. Agrimensor,
Leia maisCONCEITOS RADIOMÉTRICOS
CONCEITOS RADIOMÉTRICOS Irradiância: intensidade do fluxo radiante, proveniente de todas as direções, que atinge uma dada superfície. EXCITÂNCIA fluxo deixando a superfície em todas as direções CONCEITO
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 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 Informes! 1) Data da prova #1: 09/05/2016 1) Conteúdo? até a aula anterior
Leia maisARTIGO COM APRESENTAÇÃO BANNER - MONITORAMENTO AMBIENTAL
ARTIGO COM APRESENTAÇÃO BANNER - MONITORAMENTO AMBIENTAL ANÁLISE MULTITEMPORAL DA COBERTURA VEGETAL NO MUNICIPIO DE SÃO MIGUEL DO GUAMÁ, ESTADO DO PARÁ. RAYSSA CHAVES BRAGA, LAIS VIEIRA DE CARVALHO, MERILENE
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisTRATAMENTO DOS DADOS DE SATÉLITES
TRATAMENTO DOS DADOS DE SATÉLITES Fonte de radiação SISTEMA DE COLETA Trajetória ria PRODUTOS INTERAÇÃO SISTEMA TRATAMENTO AÇÕES Produto final Tratamento de imagem Consiste em aplicar determinadas técnicas
Leia maisProcessamento Digital de Imagens - PDI
Processamento Digital de Imagens - PDI x Definição: x Manipulação da imagem por computador x Área Multidisciplinar: x Ótica x Engenharia Elétrica x Colorimetria x Neurofisiologia x Ciência da Computação
Leia maisAVALIAÇÃO DOS DADOS DE DESMATAMENTO DO MUNICÍPIO DE PARAGOMINAS/PA DETER Detecção do Desmatamento em Tempo Real
AVALIAÇÃO DOS DADOS DE DESMATAMENTO DO MUNICÍPIO DE PARAGOMINAS/PA DETER Detecção do Desmatamento em Tempo Real Agosto de 2008 a Julho de 2009 INPE COORDENAÇÃO GERAL DE OBSERVAÇÃO DA TERRA SÃO JOSÉ DOS
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 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 maisSENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE FEIRA DE SANTANA-BA
Revista do CERES Volume 1, Número 2 2015 http://www.cerescaico.ufrn.br/ceres/ SENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE
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 maisAplicações à superfície e ao oceano: Gelo Marinho
Universidade de Aveiro Departamento de Física Detecção Remota Aplicações à superfície e ao oceano: Gelo Marinho Soraia Romão nº50402 Porquê usar a percepção remota do gelo marinho? A necessidade de dados
Leia maisII Semana de Geografia UNESP / Ourinhos 29 de Maio a 02 de Junho de 2006
USO E OCUPAÇÃO DO SOLO NA MICROBACIA CÓRREGO DO PORTO-TRÊS LAGOAS MS SILVA, Laís C.N. Universidade Federal de Mato Grosso do Sul- UFMS lais_cns@yahoo.com.br DELGADO, Valeria P. Universidade Federal de
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 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 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 maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
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 TRIMESTRAL
Leia maisDETECÇÃO AUTOMÁTICA DE NUVEM E SOMBRA DE NUVEM EM IMAGENS DE SENSORIAMENTO REMOTO
BCG - Boletim de Ciências Geodésicas - On-Line version, ISSN 1982-2170 http://dx.doi.org/10.1590/s1982-21702016000200021 Artigo DETECÇÃO AUTOMÁTICA DE NUVEM E SOMBRA DE NUVEM EM IMAGENS DE SENSORIAMENTO
Leia maisAnálise Fractal de Textura Usando um Operador de Hurst em uma Imagem TM/Landsat-5
Análise Fractal de Textura Usando um Operador de Hurst em uma Imagem TM/Landsat-5 Marcos Cicarini Hott 1 Vicente Paulo Soares 2 Carlos Antônio Álvares Soares Ribeiro 2 James Jackson Griffith 2 RESUMO O
Leia maisXX Seminário Nacional de Distribuição de Energia Elétrica SENDI a 26 de outubro Rio de Janeiro - RJ - Brasil
XX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2012-22 a 26 de outubro Rio de Janeiro - RJ - Brasil Viviane Olive Leonardo Souza SYNAPSIS BRASIL LTDA SYNAPSIS BRASIL LTDA volive@synapsis-it.com
Leia mais3 - AQUISIÇÃO DE IMAGENS DE SATÉLITE
3 - AQUISIÇÃO DE IMAGENS DE SATÉLITE A Figura 1 ilustra o espectro eletromagnético e as respectivas bandas espectrais do sensor TM e ETM do satélite Landsat. O Quadro 1 indica os intervalos espectrais
Leia maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia maisIntrodução a Análise de Imagens Digitais
Introdução a Análise de Imagens Digitais Uma imagem digital é uma representação de uma cena por meio de um conjunto de elementos discretos e de tamanhos finitos, chamados de pixels, colocados em um arranjo
Leia maisInterpretação de Imagens
Interpretação de Imagens Meteorologia por Satélite 2012 Profa. Marcia Yamasoe Intervalos espectrais Medições em comprimentos de onda específicos: uso de filtros Intervalo espectral: canais ou bandas Grande
Leia maisCAPÍTULO 6 CONCLUSÕES E SUGESTÕES
CAPÍTULO 6 CONCLUSÕES E SUGESTÕES O objetivo deste trabalho consistiu em analisar o balanço de radiação na área de policultivo do Projeto SHIFT na Amazônia, durante a estação seca, comparando-o com área
Leia maisOS INCÊNDIOS DE 2010 NOS PARQUES NACIONAIS DO CERRADO
1 OS INCÊNDIOS DE 2010 NOS PARQUES NACIONAIS DO CERRADO Dra. Helena França Centro de Engenharia e Ciências Sociais Aplicadas Universidade Federal do ABC email: helena.franca@ufabc.edu.br Este relatório
Leia maisRadiação visível - iluminação
Iluminação Radiação visível - iluminação É a faixa do espectro eletromagnético capaz de ser detectada pelo olho humano. A sensibilidade do olho a esta região visível varia, dependendo do comprimento de
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 maisSensoriamento Remoto e Qualidade da Água
Sensoriamento Remoto e Qualidade da Água Fabricio Imamura Isabella Perri Brito Melissa Pegoraro Paola Martinelli AVALIAÇÃO DA QUALIDADE DA ÁGUA DO RESERVATÓRIO DE MANSO ATRAVÉS DO SENSORIAMENTO REMOTO
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 maisFundamentos de Sensoriamento Remoto. Elisabete Caria Moraes
Fundamentos de Sensoriamento Remoto Elisabete Caria Moraes bete@dsr.inpe.br Login: guestuser Senha: 5554DZ9M Sensoriamento Remoto Adquirir informações a distância Sensoriamento Remoto Sensoriamento
Leia maisAvaliação do Processo de Desertificação em Ouricuri-PE Através de Estimativas de Tendência de Séries Temporais
Avaliação do Processo de Desertificação em Ouricuri-PE Através de Estimativas de Tendência de Séries Temporais Autores: Willamys Rangel Nunes de Sousa (IFPI) Mailson Sousa Couto (IF Sertão) Angélica Félix
Leia mais5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Leia maisCompressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA. Utilizando JAVA. TCC - Monografia
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA TCC - Monografia Wanderson Câmara dos Santos Orientador : Prof. Dr. Luiz Felipe de Queiroz Silveira 1 Departamento
Leia maisGERAÇÃO DE IMAGEM SINTÉTICA COM MENOR PROPORÇÃO DE NUVENS A PARTIR DE IMAGENS MULTITEMPORAIS
V Colóquio Brasileiro de Ciências Geodésicas ISSN 1981-6251, p. 837-842 GERAÇÃO DE IMAGEM SINTÉTICA COM MENOR PROPORÇÃO DE NUVENS A PARTIR DE IMAGENS MULTITEMPORAIS ANA LÚCIA BEZERRA CANDEIAS ALISON GALDINO
Leia maisSensoriamento Remoto Aplicado à Geografia Características das Imagens
Sensoriamento Remoto Aplicado à Geografia Características das Imagens Prof. Dr. Reinaldo Paul Pérez Machado Remote Sensing Raster (Matrix) Data Format Jensen, 2004 Nível de Cinza Tipos de Resolução resolução
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
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 maisFundamentos do Sensoriamento Remoto. Disciplina: Sensoriamento Remoto Prof. Dr. Raoni W. D. Bosquilia
Fundamentos do Sensoriamento Remoto Disciplina: Sensoriamento Remoto Prof. Dr. Raoni W. D. Bosquilia Fundamentos do Sensoriamento Remoto Procedimentos destinados a obtenção de imagens mediante o registro
Leia maisSensoriamento Remoto: Imagens orbitais e resoluções. Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho.
Sensoriamento Remoto: Imagens orbitais e resoluções Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho. Fases de aquisição de uma cena Captação; Estação de processamento, arquivamento, distribuição.
Leia maisExercício Área - SPRING
Exercício Área - SPRING Figura 01 - Visualização dos dados contidos no projeto ativo. Comentários - Nesta etapa foi aberto o banco de dados, neste caso denominado São Paulo e foi definido o projeto, também
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 maisCAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO
182 CAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO Neste trabalho foi proposta uma metodologia para a automação da resseção espacial de imagens digitais baseada no uso hipóteses
Leia maisARTIGO COM APRESENTAÇÃO ORAL - GEOPROCESSAMENTO
ARTIGO COM APRESENTAÇÃO ORAL - GEOPROCESSAMENTO ANÁLISE DA DINÂMICA TEMPORAL DE USO DO SOLO NO MUNICÍPIO DE BONITO PA UTILIZANDO O MÉTODO DE CLASSIFICAÇÃO MAXVER. SAMYA UCHÔA BORDALLO, EDSON JOSÉ NEVES
Leia maisAgricultura. Integra um grande número de formatos de imagens aéreas, satélite, radar ou térmicas;
Aplicações O software ENVI é usado por inúmeras organizações e instituições em todo o mundo. Abaixo apresentamos alguns exemplos das diferentes aplicações. Verifique a sua área de interesse! Agricultura
Leia mais