Mapeamento do uso do solo para manejo de propriedades rurais

Transcrição

1 1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli

2 2/28 Conteúdo programático: Capitulo 1: Conceitos básicos de cartografia e SIG; Capitulo 2: Fundamento de Sensoriamento Remoto; Capitulo 3: Aquisição de imagens e processamento de dados; Capitulo 4: e processamento digital; Capiutlo 5: Mapeamento do uso do solo para o manejo de propriedades rurais; Capitulo 6: Validação, extração de informações e estimativas de produção.

3 3/28 Tópicos abordado neste capitulo: Conceitos básicos sobre classificação de imagens; Técnicas de classificação não supervisionada; Técnicas de classificação supervisionada; Técnica de classificação manual.

4 4/28 O que é a classificação de imagens? É o processo de extração de informação em imagens para reconhecer padrões e alvos homogêneos, sendo utilizado em Sensoriamento Remoto para mapear áreas da superfície terrestre que correspondem aos temas de interesse. Utiliza atributos espectrais das imagens (p.ex. o ND ou o valor de radiância); Associa a cada elemento de imagem um rótulo ; Produto final mapa com os temas de interesse.

5 5/28 Atributos Espectrais São atributos associados a cada pixel ou região da imagem que variam em função do comprimento de onda (banda) Exemplo de atributos espectrais: ND, reflectância, radiância; Alvos distintos apresentam feições espectrais que os distinguem dos demais alvos na imagem.

6 6/28 Qual a sua finalidade? Utilizada na maioria dos casos para fins de mapeamento em geral; Análise multi temporal de alvos; Possibilidade de extração de informações adicionais: calculo de áreas, estimativas de produção, detecção de mudanças ao longo do tempo...

7 7/28 Subdividido em duas categorias classificadores pixel a pixel e classificadores por regiões (objetos); pixel a pixel : utilizam apenas a informação espectral de cada pixel; Regiões: além da informação espectral, utilizam informação de relação com os pixels vizinho; Podem ser unidimensionais (1 única banda) ou multi espectrais (mais de uma banda).

8 8/28 Classificação: 1 Segmentador Imagem Segmentada Atributos de Região Classificador Bandas 2 Classificador Imagem Classificada

9 9/28 Etapas da classificação Definição dos objetivos; Seleção do classificador; Treinamento; Classificação; Pós classificação (opcional); Avaliação do resultado.

10 10/28 Definição dos objetivos e seleção do classificador Qual pergunta se busca responder? Qual o nível de detalhamento necessário (escala)? Qual a precisão do estudo? Quais recursos financeiros disponíeis? Qual imagem irei utilizar? Qual software irei utilizar?

11 11/28 Treinamento do classificador (1) Supervisionado e (2) não Supervisionado; (1) Método Supervisionado: - Necessidade de conhecimento prévio de áreas utilizadas no treinamento; - Coleta da assinatura espectral nas imagens áreas de treinamento; - Classificação de toda a imagem.

12 12/28 (1) Método Supervisionado: - Treinamento: são identificadas áreas de treinamento onde há uma descrição dos atributos espectrais de cada tipo de cobertura de interesse na imagem; - Classificação: cada pixel é classificado em função de seus atributos espectrais (similaridade); - Resultado: mapas temáticos, tabelas com dados estatísticos para as várias classes de cobertura de solo e dados para posterior utilização em geoprocessamento.

13 13/28 (1) Método Supervisionado Técnicas utilizadas: (A) Máxima Verossimilhança (MAXVER): - Este método avalia quantitativamente a variância e covariância dos padrões espectrais de cada pixel; - Supõe que os dados de treinamento possuem distribuição de probabilidade normal Gaussiana ; - Padrões de resposta: vetor de médias e uma matriz de covariância; - Calculo da probabilidade de um pixel pertencer a uma dada classe.

14 14/28 (1) Método Supervisionado Técnicas utilizadas: (A) Máxima Verossimilhança (MAXVER): - A distribuição de probabilidade para cada classe é definida com base nos valores das amostras de treinamento; Limite de decisão - Limite de decisão: indica a % de "pixels" da distribuição de probabilidade de uma classe que será classificada como pertencente a esta classe; Probabilidade A B C - Para diminuir a confusão entre as classes aconselha-se a aquisição de amostras significativas de alvos distintos. Valor ND

15 15/28

16 16/28 (1) Método Supervisionado Técnicas utilizadas: (A) Máxima Verossimilhança (MAXVER) Vantagens e Limitações: - Método mais preciso dentre os classificadores pixel a pixel ; - Leva em consideração a variância das classes; - Custoso computacionalmente.

17 17/28 1 Método Supervisionado Técnicas utilizadas: (A) Distância Mínima: - Uma das estratégia mais simples de classificação de imagens caso particular do MAXVER; - Determina-se para cada banda da imagem e para cada classe de interesse a média dos valores nas áreas de treinamento; - Pixels desconhecidos são classificados em função da distância em relação ao valor médio da classe; - Diferentes métricas de distância podem ser utilizadas.

18 18/28

19 19/28 (A) Distância Mínima: Exemplo para um caso utilizando 2 bandas

20 20/28 (1) Método Supervisionado Técnicas utilizadas: (A) Distância Mínima Vantagens e Limitações: - Computacionalmente mais simples (baixo custo computacional); - Insensibilidade aos diferentes graus de variância dos dados; - Não aconselhado para mapear classes que possuem comportamento espectral semelhante.

21 21/28 EXEMPLOS: MAXVER Distância mínima

22 22/28 (2) Método não Supervisionado: - Este método assume que os níveis de cinza (ou o valor de qualquer outro atributo espectral) de uma imagem formam uma série de agrupamentos ou clusters ; - Clusters comportamento homogêneo; - 3 processos principais: - Seleção de variáveis - Seleção de critério de distância; - Seleção de critério de agrupamento.

23 23/28

24 24/28 (2) Método não Supervisionado: - Critérios de agrupamento K-médias: 1 - Estabelecimento de centros de grupos iniciais; 2 - Distribuição dos pixels entre os grupos usando a distância Euclidiana; 3 - Calculo dos centros de grupos existentes média dos pixels do grupo; 4 Os passo 2 e 3 são repetidos até que não haja mais trocas nos centros de grupos ou que se atinja o número máximo de iterações.

25 25/28 (2) Método não Supervisionado: Inicio - Critérios de agrupamento K-médias: Parâmetros: Inicializa centros de grupos - Número de Clusters (classes); - % de mudança; Determina rótulos de grupos para todos os pixels - Número de iterações. Calculo dos novos centros Saída

26 26/28 (2) Método não Supervisionado: K-médias Vantagens e Limitações: - Independência de limiares fornecidos pelo usuário; - Depende de uma boa estimativa para o número de grupos presentes na imagem;

27 27/28 (3) Método Manual: - Método simples; - Acurácia geralmente maior do que métodos automatizados; - Depende da habilidade do especialista em distinguir visualmente os alvos na imagem; - Mais demorado que os métodos automatizados; - Geralmente utilizada na pós classificação; - Inviável para grandes áreas.

28 28/28 Próxima aula... Aula prática com o aplicativo ArcGIS; Favor instalarem a versão trial (ver tutorial).