Aplicações do Sensoriamento

Remoto em áreas Urbanas.

Autores do seminário:
Henrique Shimada Lepore e
Vivian Martins de Souza

Uma aplicação do sensoriamento remoto

para a investigação de endemias urbanas.
Virginia Ragoni de Moraes Correia, Antônio Miguel Vieira Monteiro, Marilia Sá Carvalho e
Guilherme Loureiro Werneck

Disciplina: Sensoriamento Remoto

Prof. Roberto Wagner Lourenço
 1. Introdução
 Meio Físico-biótico: ambiental;
 Estudo Ecológico:
Caracterização Ambiental;
Padrões de ocorrências de doenças.
 Presença/Ausência de cobertura vegetal:
Manutenção do ciclo biológico de vetores e agentes
infecciosos;
Obs: mais utilizado, por apresentar uma resposta rápida
quando comparados a outros fatores ambientais –
temperatura, umidade, precipitação,entre outros.
Disciplina: Sensoriamento Remoto
Prof. Roberto Wagner Lourenço
 1. Introdução

 Relação entre características descritoras da

paisagem ambiental e ocorrências de doenças
endêmicas:

Estrutura demográfica da população;

Perfil sócio-econômico;

Suscetibilidade e possibilidades de contato da população com

vetores e reservatórios.
 1. Introdução

 Áreas rurais – pesquisas de sensoriamento remoto

associadas a ferramentas da saúde pública;

 Urbanização de diversas endemias:

Áreas urbanas e peri-urbanas:
o Uso de resoluções mais finas e algoritmos mais
especializados.
o Mosaico: dinâmica de interação entre hospedeiros, vetores e
agentes infecciosos.
 2. Objetivos

 Investigar endemias urbanas através de

ferramentas fornecidas pelo sensoriamento
remoto.

Disciplina: Sensoriamento Remoto

Prof. Roberto Wagner Lourenço
 3. Aplicação do S.R. Em áreas
urbanas
 Indicação prévia de um especialista;
Probabilidade de contato entra a população humana,
vetores e reservatórios;

 S.R. em áreas urbanas de média resolução e

classificadores – desafio;
Quantidade de detalhes que pretende observar.
 Classes temáticas desejadas no estudo e Limitações
impostas pelas resoluções, espaciais e espectrais
dos sensores.
 3. Aplicação do S.R. Em áreas
urbanas

 Desenvolvimento de algoritmos mais eficientes

para cada caso de complexidade existente;

 Classificadores de imagens de S.R. dois enfoques:

PRIMEIRO : CLASSIFICADOR - PIXEL ISODALAMENTE;
SEGUNDO: CLASSIFICADORES SÃO SUPERVISIONADOS – OS
PIXELS QUE FORMAM A IMAGEM;
 3. Aplicação do S.R. Em áreas
urbanas
 Na área de saúde, a dimensão de estudo:
 Casos da doença;
Contagem de casos por área.

 Sobreposição em um mesmo ambiente

computacional dados relativos aos setores e a
imagem – SIG.

 Etapas de restauração e fusão (degrada a imagem

porém realça os traços).
 4.Etapas envolvidas no
Processamento de Imagens
 Registro de imagem:
Ajuste de sistemas de coordenadas de duas imagens, tomando
uma das duas como referência;
Correção Geométrica – Transformação de uma imagem de S.R.
á escala de projeção de um mapa de referências;
É necessário para a imagem ser integrada ao SIG.
 Registro manual: necessário identificar pontos de
controle do terreno usando sistemas de
posicionamento global (GPS).
 Registro automático: utiliza algoritmos para detecção
de pontos de controle baseado na correlação entre as
duas imagens – sem interferência do usuário.
 4.Etapas envolvidas no
Processamento de Imagens

 Restauração:

Modelar o processo de degradação radiométrica a fim de

obter imagens com menos ruído e maior nível de
detalhes;

São utilizados filtros lineares, onde os pesos são obtidos a

partir das características do sensor e banda espectral.
 4.Etapas envolvidas no
Processamento de Imagens

 Fusão:
Integrar informações de diferentes sensores;
Imagem de melhor resolução espacial e espectral.

Utilizada quando o sensor é rico em características

espectrais e possui banda pancromática - como os
sensores do Landsat ETM-7 , o SPOT e o Ikonos.
*mais comum transformação no espaço de cores IHS 6,14.
 4.Etapas envolvidas no
Processamento de Imagens
 Segmentação:
Operação que divide a imagem em regiões compostas por
conjuntos de pixels que apresentam propriedades
semelhantes.
 Classificação supervisionada – usuário define
características do objeto a ser mapeado;
 Limitada pelas características espaciais/espectrais do sensor.
 Maxver: classificação pontual - valor radiométrico do pixel e
nos parâmetros da distribuição Gaussiana de cada uma das
classes de treinamento.
 Bhattacharya: calcula média e matriz de covariância de cada
classe.
 4.Etapas envolvidas no
Processamento de Imagens

 Classificação não-supervisionada – as classes não

são definidas, exigindo posterior rotulação;

Isogeg: agrupamento de regiões similares , caracterizada

pela média e pela matriz de covariância;

K-médias: o espaço de atributos da imagem é distribuído

em k grupos, cada pixel é alocado ao centro mais próximo
segundo a distância euclidiana.
 4.Etapas envolvidas no
Processamento de Imagens

 Estatística Kappa:
Utilizada para dados categóricos;
Definida como a proporção de concordância observada
não decorrente do acaso , em relação a a máxima
concordância não devida ao acaso;
Os valores possíveis variam de -1 a +1.
 Coeficiente de Correlação Intraclasse (ICC):
Estima a proporção da variabilidade total devida à
variação entre os classificadores;
Os valores possíveis variam de -1 a +1.
 5. Metodologia
Materiais e Métodos: Área de Estudo
 Teresina;
Capital do Estado do Piauí;
Localizada: 5°5’ de Latitude Sul e na Longitude Oeste de 42°48’.
Clima Tropical;
Temperatura média anual: 27ªC;
Precipitação Pluviométrica anual: 1300 mm;
Vegetação predominante: árvores esparsas e arbustos;
o Periferia da cidade, pastagens, floresta tropical.
Uso do Solo: predominantemente urbano residencial,
comercial e industrial.
Disciplina: Sensoriamento Remoto
Prof. Roberto Wagner Lourenço
 5. Metodologia

 Região de estudo: área urbana da cidade, e envolve

a malha de setores censitários de 1991.

 Leishmaniose visceral – problema de saúde pública;

 Epidemia urbana – 1980 e 1990;

 Último registrou maior que 1.200;
 5. Metodologia

Materiais e Métodos: Imagens de S.R. utilizadas

 Utilizou-se imagens:
 Landsat-TM5, de 17 de agosto de 1990;
 Landsat-ETM7, de 6 de julho de 2001;
o Órbita 219, ponto 64, projeção UTM.

 Imagem de 1990 escolhida por similaridade com o

censo;

 Imagem de 2001 escolhida apresentar uma banda

pancromática com 15m de resolução.
 5. Metodologia

 Foram utilizadas bandas 3 (vermelho), 4

(infravermelho próximo) e 5 (infravermelho
médio);

 Período escolhido: épocas de seca

Facilitar a visibilidade da região de interesse.
 5. Metodologia
Materiais e Métodos: Processamento e Análise
* Imagem de 1990 – utilizada para a classificação visando
posterior análise de casos da doença entre 1993 e 1996;
* A imagem de 2001 – com banda pancromatica, foi
tratado por metodos de restauração e fusão, obtendo-
se uma imagem colorida com 5m de resolução.
* Cruzamentos de ruas das imagens foram utilizadas
para os ajustes.
* Um programa chamado LEGAL foi desenvolvido para
calcular a proporção de cada classe no setor censitário,
para cada um dos classificadores.
 6. Resultados e Discussão
Resultados
 Classificador Maxver 71,68% acurácia
 Sendo alta para água, solo e vegetação densa e
moderada para diversas classes residenciais.
 40% classes residenciais com vegetação abundante ou
moderada e esparsa muito verde.
 Problemas na classificação vegetação esparsa muito
verde/vegetação densa e agricultura.

Disciplina: Sensoriamento Remoto

Prof. Roberto Wagner Lourenço
6. Resultados e Discussão
* Causadificuldade em
distribuir as classes
nessa resolução espacial
e a mistura de vários
elementos com
diferentes proporções.
* Maxver supõe uma
distribuição Gaussiana
para as classes e,
algumas amostras
obtidas apontavam para
uma distribuição
bimodal.
6. Resultados e Discussão
 6. Resultados e Discussão

Outros Classificadores
 Classificador Bhattacharya classifica um conjunto de
pixels (áreas mais contínuas/mínimo 50 pixels).
 Classificador Isoseg gerou 19 classes (semelhante ao
Bhattacharya)
Rotulaçãobusca intersecções entre as classes
encontradas e as amostras (processo lento e
complexo).
6. Resultados e Discussão

 Algorítimos K-médias 6
classes (rotuladas)/ 11
classes geradas
Causa Tamanho da área
(Limitação similar a do
Isoseg).
 6. Resultados e Discussão
 . As classes “residencial esparsa muito verde” e a
“residencial com vegetação moderada” não foram
detectadas pelo Isoseg.
 6. Resultados e Discussão
Discussão
 Para sobrepor a malha do setor censitário à imagem,
dispusemos, além do registro vetorial, de
ferramentas de restauração e fusão de imagens,
sendo possível localizar ruas e cruzamentos,
facilitando a aquisição de pontos de controle para o
registro.
 O resultado global do desempenho dos
classificadores mostra grande potencial, mesmo sem
a etapa de trabalho de campo.
 6. Resultados e Discussão

 Restrições quanto ao uso de classificadores baseados

nas informações espectrais de sensores de média
resolução em áreas urbanas.
 Dificuldade em discriminar padrões importantes para
a leihsmaniose (diversos tipos de solo).
 Melhor desempenho dos classificadoresaumentar o
número de amostras de qualidade das classes.
 Dependência de tecnologia aberta e com pouco
impacto na inserção de serviços.
 6. Resultados e Discussão
 Dentre os classificadores avaliados, os mais
apropriados seriam os supervisionados:
Bhattacharya, com uma segmentação utilizando os
limiares 12-50 e o Maxver, que demonstrou um bom
desempenho para este caso, mesmo sendo um
classificar pontual. O K-médias apresentou o pior
desempenho neste contexto e o Isoseg teria tido um
bom desempenho sem as restrições da rotulação.

Disciplina: Sensoriamento Remoto

Prof. Roberto Wagner Lourenço
 7. Conclusões

 Os resultados obtidos demonstram que mesmo

dispondo-se de recursos limitados, imagens de baixo
custo, ampla disponibilidade e média resolução,
sistemas abertos e livres para processamento e
integração das informações, é possível a obtenção de
parâmetros para compor estudos prospectivos de
fatores de risco ambientais para a ocorrência de
endemias urbanas.
 8. Referências Bibliográficas

 http://www.scielo.br/pdf/csp/v23n5/04.pdf, acessada em
junho de 2015.
 Boggione GA, Fonseca LMG. Restoration of Landsar-7 images.
 <http:www.dpi.inpe.br/~leila/publications/Restoration_of_Lan
dsat-7_images.pdf>acessado em Junho de 2015.

Disciplina: Sensoriamento Remoto

Prof. Roberto Wagner Lourenço
 Considerações do Grupo sobre a
importância do trabalho

 O importante desse trabalho e falar que é bom ter

um espaço amostral para comparar as doenças e
mostrar o funciomento de 4 diferentes
classificadores.

Disciplina: Sensoriamento Remoto

Prof. Roberto Wagner Lourenço