ALUNO: ALBERT JULIO LOPES

CURSO TÉCNICO EM AGRIMENSURA

PROFESSORA: JORGIANA KAMILA TEIXEIRA DO CRATO
MATERIA: SENSORIAMENTO REMOTO

Relatório do Passo a Passo das Analises de Composições Espectrais do

Landsat 8 .

COMPOSIÇÕES FALSA COR

Para dar inicio ao Trabalho foi baixado as imagens de Satélite usando o
Site: https://earthexplorer.usgs.gov . O satélite usado foi Landsat 8 com
imagens do ano de 2020, para download delas foi utilizado os critérios de
Localização no caso cidade, data, foi escolhido qual satélite e assim
baixando as respectivas imagens que foram buscadas de acordo com os
critérios indicados. O próximo passo é usando o Software QGIS, foi
iniciado um novo projeto onde foi adicionado os arquivos do tipo Raster
das 7 Bandas do Satélite Landsat . Usando a Ferramenta de miscelânia da
propriedade Raster para composição de Falsa cor das imagens que são
RGB, Infravermelho próximo e infravermelho médio, para realização desse
passo foi selecionado as bandas (RGB = B2, B3, B4), (INF. VERM.
PROX. = B3, B4, B5), (INF. VERM. MED = B4, B5, B6); logo após foi
marcado as duas caixas de opções , e foi executado assim gerando as
composições RGB, INFRA VERMELHO PROXIMO E INFRA
VERMELHO MÉDIO.
 CLASSIFICAÇÃO SUPERVISIONADA

Próximo passo utilizado foi a entrada de dados Vetoriais utilizando opção

Gerenciador de Fonte de Dados – Vetor, foi selecionado um arquivo em
Shapefile contendo os municípios de Minas Gerais, logo após foi feito a
troca da projeção de vetores, na barra superior em Vetor – Gerenciar Dados
– Reprojetar Camada, foi definida a camada de entrada no caso os
Munícipios de MG e também o SRC de Destino o qual foi escolhido
EPSG:3857 - WGS 84 e assim reprojetado!
Utilizando novamente a Ferramenta na aba superior Vetor -
Geoprocessamento - Recortar, selecionado a camada de entrada no qual
onde será extraído os dados, a camada de sobreposição e o local de saída do
arquivo e selecionar todas as caixas de opção fazendo isto para as 3
composições, recortando-as.
Trocando as projeções das Imagens na Barra superior em Raster –
Projeções- Reprojeção de Coordenadas, selecionado a imagem a ser
trocada a Projeção foi definido o SRC de origem (projeção inicial do
arquivo); o SRC de destino (projeção há ser usada no arquivo); local de
saída do arquivo.
Recortando os Arquivos de Imagem na Barra superior em Raster- Extrair-
Recortar Raster pela Camada de Máscara, selecionando a camada de
entrada (camada /imagem de onde será extraído o dado); a camada mascara
(camada de contorno a ser cortado); selecionando todas as caixas de opção,
escolher local de saída do arquivo e executar fazendo isso para as 3
composições reprojetadas. Logo apos foi instalado um complemento na
Opção Complementos – Gerenciador de complementos - Não instalados;
localizando o complemento a ser instalado chamado Semi-Automatic
Classification Plugin (SCP) o instalando.

Para dar inicio na Classificação foi usado a Ferramenta Semi-Automatic

Classification Plugin , selecionando a opção Multband Image List e
também definido o peso da banda que é o Landsat 8, agora na função
Training Input foi criado um arquivo chamado Treino; logo após em MC
NAME foi definido o Nome da Classe a ser feita , no caso serão 5 classes
denominadas: Área Urbana, Água, Solo Exposto, Vegetação e Agricultura.
Próximo passo foi usar a Ferramenta Create a Roi Polygon para desenhar
as amostras de cada classe assim desenhando 10 polígonos para as 5
Classes.
Para cada imagem de RGB será uma cor diferente, cada uma das 5 classes
terá uma cor especifica que à representa na Imagem como por exemplo na
imagem de RGB a Classe de agricultura é representada por um Branco
mais Forte ,área urbana é representada por imagem mais quadriculada com
tons de marrom e branco misturado, já a área mais esverdeada mais lisa
representa Vegetação e a água é representada nessa imagem de RGB por
cor amarronzada com formas de leitos, cursos, bacias.

Feito o desenho dos polígonos para cada uma das 5 classes de cada uma
das imagens o próximo passo é o processamento do projeto, clicando em
Semi-Automatic Classification Plugin , na opção Band Processing ,
Classificação, marcando as opções Use Mac ID pois ele é a classe a ser
processada, Algorithm , escolhendo também a opção de Minimum Distance
, escolher onde salvar o resultado e apertando o RUN ! Resultando em
cores diferentes da iniciais na imagem separando as classes geradas. E
repetindo este passo de criar os polígonos para as 5 classes para as Imagens
de Infra Vermelho Médio e Infra Vermelho Próximo.
Próximo passo foi gerar um relatório a partir da Matriz de confusão, usando
a ferramenta Semi-Automatic Classification Plugin, na opção
Postprocessing, Accuracy, logo após selecionar os dados a serem Gerados a
Acurácia, escolhendo a amostra a conferir e selecionando a Amostra por
MC_ID e dar RUN, esta mesmo irá gerar uma tabela mostrando o quanto
de erro tem em cada Classe , que será representada por OVERALL
ACCURACY que representará em porcentagem a confiabilidade do projeto
por exemplo:
Overall Accuracy: 88.75% , este valor é um resultado mediano o bom seria
estra entre 97% , 98% que representa um valor de maior confiabilidade .
Agora para gerar o calculo final das áreas, ainda na usando a ferramenta
Semi-Automatic Classification Plugin, na opção Postprocessing,
Classification Report, foi selecionado a classificação na qual foi a ultima
que gerou a Acurácia , selecionando-a e depois repetindo esses 2 ultimos
passos de gerar os relatórios para as outras duas classificações de imagens ,
selecionado a classificação a ser gerada só apertar em RUN, logo após será
gerado uma tabela da soma de Pixels por áreas dentro de cada classe, a
porcentagem que a classe ocupa em relação a área total e a área em metros
quadrados que a classe ocupa.

Tabela 1- RGB, IVP e IVM

Agricultur Área Vegetação
Classes Água Solo
a Urbana Nativa
0.034 0.000
Água 0.0000 0.0000 0.0000
6 0
0.000 0.001
Agricultura 0.0881 0.0002 0.0041
0 3
0.000 0.003
Área Urbana 0.0036 0.0076 0.0000
0 5
0.000 0.056
Solo 0.0263 0.0028 0.0010
0 5
Vegetação 0.000 0.001
0.0153 0.0000 0.7536
Nativa 0 3
0.034 0.062
Total 0.1334 0.0107 0.7588
6 6

Tabela 2 - RGB, IVP e IVM

Agricultur Área Vegetação
Classes Água Solo
a Urbana Nativa
0.671 0.000
Água 0.0003 0.0009 0.0009
8 0
0.000 0.000
Agricultura 0.0670 0.0006 0.0089
1 0
0.000 0.007
Área Urbana 0.0876 0.0754 0.0017
7 0
0.000 0.003
Solo 0.0010 0.0210 0.0098
6 2
Vegetação 0.069 0.008
0.0005 0.1076 0.0987
Nativa 1 0
0.632 0.009
Total 0.0765 0.1987 0.0908
1 3
 APÊNDICE A – COMPOSIÇÃO ... CLASSIFICADA

CONCLUSÃO As ferramentas disponíveis no QGIS se mostraram eficazes

na classificação e análise da vegetação e mapeamento do solo. Em relação
a classificação supervisionada, o resultado se mostrou satisfatório, apesar
do algoritmo classificar algumas áreas erroneamente, principalmente em
relação a área urbana, que apresenta uma enorme diversidade de valores
espectrais.
Fontes: https://earthexplorer.usgs.gov

https://www.castela.com.br/rc/disciplinas/
d_3c2b6f076293b4b5f6fa4d0f7168ce91e2cb1757/0269f2ade2ca6d609bccbe7a
ad164c3087ab6c48.pdf