Tratamento de Imagem

DSR/INPE Curso de Sensoriamento Remoto aplicado a estudos ambientais junho/2003
Tratamento de dados de satlites
Elaborado por Mauricio Alves Moreira Pesquisador do Instituto Nacional de Pesquisas Espaciais INPE mauricio@ltid.inpe.br
INPE Junho/2003 Mauricio A. Moreira
DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003
INTRODUO Continuando a dia de que nada surge por acaso, nesse tpico, sobre tratamento de dados de satlite, a idia mostrar que toda metodologia empregada emergiu da necessidade de extrair informaes das imagens de satlites, uma vez que elas tornaram-se disponveis para a comunidade. Alm disso, outro fator que deve ter contribudo, para que mtodos computacionais fossem desenvolvidos e aperfeioados, foi o acmulo de dados coletados, que tornou impraticvel o uso exclusivo da interpretao visual. Quando foi lanado o primeiro satlite de recursos naturais, o Landsat 1, o uso de fotografias areas j estava consolidado. Em outras palavras, toda metodologia de interpretao de foto area j havia sido definida e j vinha sendo usada com sucesso h um bom tempo. Como as imagens de satlites so produtos da energia que refletida e/ou emitida pelos alvos, pelo menos em parte so parecidas com o processo de obteno das fotografias areas. Evidentemente que h diferenas fundamentais conforme visto anteriormente. Por exemplo, enquanto as fotografias so obtidas em bandas largas do espectro eletromagntico e possuem altssima resoluo espacial (linhas por milmetro), as imagens de satlites so obtidas de forma multiespectral, isto , vrias imagens ao longo da faixa de atuao do sensor e possuem baixa resoluo especial. Dentro desse contexto, fica evidente que podemos empregar, com certa restrio, a metodologia utilizada para a fotointerpretao. Entretanto, preciso lembrar que numa imagem de satlite, de mdia e baixa resoluo, como as obtidas pelos sensores AVHRR ou ETM+, a definio dos alvos fica restrita ao tamanho do pixel. Isso que dizer que um alvo que perfeitamente individualizado numa foto area pode no ser individualizado nas imagens de satlites. Para exemplificar, imagine uma sede de uma propriedade rural. Nas fotografias areas perfeitamente possvel individualiz-la e perceber que se trata de uma residncia. J nas imagens de satlite o mximo que se pode perceber o local onde est localizada a sede. Logo, necessrio introduzir outros elementos fotointerpretativos que so desnecessrios para fotografias areas. Um desses elementos fotointerpretativos o comportamento espectral do alvo que fortemente explorado nas imagens de satlites. Com o passar do tempo, o homem viu diante de acumulo muito grande de imagens para serem interpretadas. Alguma coisa deveria ser feita. O caminho mais lgico seria desenvolver programas de computador que pudesse auxiliar nessa interpretao, uma vez que o procedimento computadorizado seria muito mais rpido do que a interpretao por meio do processo visual. Desses dois esforos nasceu dois procedimentos de interpretao de imagens de satlites: interpretao visual e tratamento dados digital. Com o passar do tempo, percebeu-se que os mtodos computacionais, embora muito mais rpidos do que o visual, os resultados da classificao deixavam a desejar, porque os programas desenvolvidos para a classificao eram fortemente embasados apenas no comportamento espectral. Assim, alvos diferentes, muitas vezes eram classificados como uma mesma classe temtica ou um mesmo alvo, por apresentar comportamento espectral diferente era classificado como classes temticas diferentes. Dessas observaes pode-
Mauricio A. Moreira
5.2
se concluir que embora o computador seja mais rpido a interpretao visual mais eficiente, porque os resultados obtidos so mais precisos. Diante dessa situao, o ideal seria criar uma metodologia que pudesse ser to precisa quanto a interpretao visual e to rpida quanto a classificao por computador. Assim, surgiu uma nova metodologia denominada hbrida, em que o computador realiza a maior parte da interpretao e o analista incube-se de refinar os resultados obtidos. Assim, percebe que no foi por acaso que surgiu toda metodologia de interpretao de dados de satlites, as quais sero descritas a seguir: 1. INTERPRETAO VISUALl A interpretao visual de imagens orbitais um procedimento muito semelhante a interpretao de fotografias areas. Devido a essa semelhana as vezes denominada de fotointerpretao. O procedimento consiste em extrair informaes de alvos da superfcie terrestre com base nas suas respostas espectrais. Alm disso, na interpretao visual ns baseamos em alguns dos elementos fotointerpretativos vistos para fotografias areas, tais como: textura, forma, tamanho, tonalidade ou cor, etc. Os produtos de satlites utilizados, para realizar a interpretao visual, podem ser na forma analgica, ou seja, em papel fotogrfico. Alm do comportamento espectral e do conhecimento dos elementos fotointerpretativos, o intrprete deve utilizar outros tipos de dados auxiliares (materiais colaterais) bem como, algumas regras bsicas no preparo do material que ir conter os resultados da interpretao, estabelecimento do mtodo de interpretao e, na medida do possvel, o uso de equipamentos especiais, tais como ampliadores (e.x. Lupas,o Procon, etc). Anlise do Material Colateral Material colateral tudo aquilo que pode contribuir direta ou indiretamente para melhorar os resultados da interpretao. O tipo de material colateral depende da rea de interesse do especialista. No caso de levantamento e inventrio de reas agrcolas, o material colateral pode ser agrupado em trs categorias: ambiental, agronmico e estatstico. Quanto aos fatores ambientais em geral o intrprete necessita obter informaes sobre: clima, tipo de solo, forma de relevo, vegetao, etc. O clima d uma idia do tipo de cultura agrcola da regio. Determinadas culturas, como a cana-de-acar e o caf so culturas tpicas de climas mais quentes. Geralmente, o tipo de solo d uma boa idia sobre sua contribuio no comportamento espectral de dossis agrcolas, principalmente, no incio do crescimento vegetativo das culturas e na fase de senescncia. Por exemplo, solos vermelhos com altos teores de xidos de ferro ou de matria orgnica, so solos que refletem pouca radiao na regio espectral do infravermelho prximo, enquanto que solos claros (mais arenosos) refletem muita radiao na regio do visvel do espectro eletromagntico. A forma do relevo outro parmetro importante e que deve ser levado em considerao, ao se fazer uma interpretao de imagens de satlite. O relevo, em grande parte, traduz as prticas agrcolas adotadas na regio. Evidentemente, que no s o relevo a causa da adoo ou no de uma Mauricio A. Moreira 5.3
determinada prtica de cultivo, todavia, um fator importante e pode, s vezes, ser limitante. A localizao de usinas e destilarias serve para auxiliar o intrprete a identificar reas prximas a estas unidades. Por exemplo, no inventrio de cana-de-acar, a presena de usinas e destilarias de lcool serve como parmetros de deciso na separabilidade desta cultura com outras que so cultivadas na regio. Geralmente, prximo s usinas o solo , predominantemente, ocupado com a cultura da cana-de-acar. Informaes sobre o calendrio agrcola da regio, um parmetro fundamental na escolha ou seleo das datas ideais para se fazer um inventrio agrcola. Por exemplo, para cultivos de vero, sabe-se que o perodo do ciclo das culturas vai de outubro a maro, na regio Centro-Sul do Pas. Entretanto, o preparo do solo e o plantio das culturas, na maioria das vezes, demandam um perodo de tempo muito longo, dentro de uma mesma regio, ou seja, no h uma data especfica para que todos agricultores preparem o solo e plantem suas culturas. Com isso, no existe tambm uma data ideal de passagem do satlite para que todas as culturas sejam espectralmente identificadas e individualizadas nas imagens. Essa uma das razes que contribui para que uma mesma cultura possa apresentar diferentes comportamentos espectrais nas imagens de satlites numa determinada data. Como no possvel obter uma data ideal para o mapeio de todas culturas agrcolas, numa dada regio, o calendrio agrcola auxilia muito a decidir na escolha da melhor data de passagem do satlite, onde se espera que a maioria das culturas plantadas possa ser identificada. A extenso dos talhes importante na deciso do tipo de produto que se deve utilizar no inventrio das culturas. De modo geral, esse um fator limitante no uso de dados de satlites, devido resoluo espacial do sistema sensor. Se na rea de interesse as culturas agrcolas forem cultivadas em talhes muito pequenos, com rea pouco mais do que o elemento de resoluo do sensor (pixel), certamente o erro de identificao e mapeamento dessas culturas ser muito alto, devido dificuldade de identificar e delimitar essas reas. Entretanto, vale lembrar que se os talhes so prximos uns dos outros, a identificao e delimitao tornam-se menos problemticas, porque o somatrio de todos eles resulta numa rea expressiva nas imagens do satlite. Note bem, nessa situao possvel mapear um conjunto de reas, sem no entanto pensar na individualizao de cada uma delas. Recentemente, com o lanamento de satlites com sistemas sensores de alta resoluo espacial, como o caso do IKONOS, a individualizao dessas reas torna-se muito mais fcil, porque o sensor tem uma resoluo espacial de 1m2. Por outro lado, na eventualidade da existncia de muitos talhes pequenos, porm com distribuio espacial dispersa aconselhvel fazer uma anlise de custobenefcio do uso de imagens de alta resoluo ou de fotografias areas. Outro tipo de informao muito til e que trar grandes contribuies no uso de imagens de satlites, para inventrio agrcola, so os dados estatsticos sobre as culturas na rea de estudo. Dados estatsticos como: rea plantada com determinada cultura, produtividade mdia da regio; nvel de manejo adotado na regio; produo das principais culturas agrcolas, so informaes relevantes porque servem como parmetro de tomada de deciso para o analista durante a interpretao. Mauricio A. Moreira 5.4
Para obter as informaes estatsticas o analista pode lanar mo de dados do censo agrcola, que realizado periodicamente pela Fundao Instituto Brasileiro de Geografia e Estatstica IBGE. Alm do censo, h outros tipos de estatsticas que so coletadas anualmente pelo IBGE, como o Levantamento Sistemtico da Produo Agrcola LSPA, Produo Agrcola Municipal PAM e cadastros, realizados pela Empresa de Assistncia Tcnicas (EMATER) estaduais, pela Coordenadoria de Assistncia Tcnica Integral (CATI), entre outras. importante ressaltar que estas informaes so um indicativo valioso que o analista utiliza como base para realizar a interpretao. A confiabilidade dos dados da interpretao depender de estudos estatsticos os quais veremos mais adiante, neste captulo. Uso dos elementos fotointerpretativos A metodologia empregada para interpretar fotos areas leva muito em conta os elementos fotointerpretativos, ou seja: padro fotogrfico, tonalidade e cor, forma e tamanho, textura, sombra, etc. Na interpretao de imagens de satlites esses elementos podem ser teis em muitos casos, para definir dois alvos que, aparentemente, so semelhantes. Por essa razo, importante ter o conhecimento de cada um deles antes de se pensar em fazer uma interpretao de imagens de satlite. A rigor, na interpretao de imagens de satlite, o interprete utiliza desses elementos fotointerpretativos sem que ele perceba, devido rotina do trabalho de interpretao. As principais caractersticas so: Padro O padro uma caracterstica muito importante utilizada na interpretao visual tanto em fotografias areas quanto em imagens de satlites. Em reas vegetadas, o padro refere-se distribuio espacial de algumas feies caractersticas de determinadas vegetaes, que pode variar de uma regio para outra. Por exemplo, a presena de carreadores no meio da rea um padro que serve para diferenciar reas plantadas com cana-deacar de reas de pastagem. Nas reas de pastagem a presena de carreadores no comum. Por outro lado, a presena de carreadores nem sempre significa reas ocupadas com a cultura da cana-de-acar, reas de reflorestamento tambm possuem carreadores. Nesta situao, a diferena entre estes dois alvos se d pela utilizao de outras caractersticas, tais como o tamanho das reas de cada talho entre carreadores, a textura fotogrfica, entre outros, conforme veremos mais adiante. Outro padro bastante caracterstico o da drenagem dos rios e crregos existentes na rea fotografada. Geralmente, o padro da drenagem, quando observados em fotografias areas, lembra a distribuio dos vasos sangneos do corpo humano, e est associado aos tipos de rochas e solos existentes na rea mapeada. Na Figura 1 mostrado o esquema de alguns tipos de drenagens.
Mauricio A. Moreira
5.5
Figura 1 Imagem do Landsat e esquemas de padres de drenagens: radial,paralela, dendridica e retangular . O padro dendritico, quando apresenta um espaamento entre tributrios e rios principais menos de de polegada, na escala 1: 20.000, um indicador de alto nvel de escoamento superficial runoff, sugerindo a presena de rochas e/ou solo de textura fina de baixa permeabilidade (Travaglia, 1990). Quando o espaamento dos rios e tributrios for de mdia intensidade (entre a 2 polegadas), indica a presena de solos e rochas de textura nem fina e nem grosseira mas, sim, uma mistura de partculas de diferentes tamanhos. Por outro lado, se a drenagem apresenta uma intensidade de rios e tributrios maior que 2 polegadas, uma forte indicao de tipos de solos permeveis, resistentes, com material rochoso permevel de textura grosseira. O padro radial geralmente est associado a um material resistente ou a situaes do relevo, como topo de morro, etc. O padro de drenagem paralelo est relacionado a solos homogneos, com declividade uniforme, como por exemplo, solos oriundos de grandes derramamentos baslticos. Tonalidade e Cor Os diferentes alvos sobre a superfcie terrestre refletem a energia solar de maneira diferenciada. Por exemplo, um telhado de alumnio pode ser visto de longe porque reflete muita energia que chega at ele. Por outro lado, um pano preto reflete muito pouca luz por que absorve muito. Assim, se ns observarmos a natureza perceberemos que cada alvo reflete de uma maneira diferente do outro. Quando os alvos so semelhantes entre si, as energias refletidas por eles so muito parecidas, o caso de uma rea plantada com Mauricio A. Moreira 5.6
arroz e outra com trigo, ambas com a mesma porcentagem de cobertura do solo. Numa imagem de satlite, estas diferentes quantidades de energia refletida pelos alvos so associadas a valores de nveis de cinza (chamado de tons de cinza), ou seja, quando o objeto reflete muita energia, em determinados comprimentos de onda, a quantidade que chega ao sensor grande. Neste caso, associa-se a esta quantidade de energia um nvel de cinza claro. Por outro lado, se o objeto reflete pouco, a quantidade de energia que chegar no sensor tambm pouca. Logo, o nvel de cinza associado ao objeto ser mais escuro. Na Figura 2 mostrada uma parte de uma imagem de satlite, em preto e branco, contendo diferentes tonalidades de cinza, para representar os alvos na rea imageada.
Figura 2 Imagem do ETM+, banda 3, para mostrar diferentes tons de cinza. A tonalidade um parmetro qualitativo, ou seja, indica a presena de alvos com reflectncias diferentes. A cor muito empregada no lugar da tonalidade, porque nossos olhos esto mais habituados a enxergar objetos coloridos do que objetos em tons de cinza. Na interpretao a cor usada como parmetro para discernir tipos diferentes de vegetao ou estdio de desenvolvimento de uma determinada espcie, principalmente quando se trata de reas agrcolas. Com dados de satlite podemos gerar imagens coloridas, em que um alvo pode assumir diferentes cores, dependendo da associao da cor primria banda do sensor. Nas Figuras 3 e 4 so mostradas duas imagens coloridas, obtidas de combinaes diferentes, conseqentemente, um mesmo alvo representado por duas cores.
Mauricio A. Moreira
5.7
Figura 3 Imagem colorida normal, resultante da combinao das bandas 3(B), 4(G) e 5(R), para mostrar reas de mata de galeria em verde e reas de solo exposto que varia de branco a vermelho-marron.
Figura 4 Imagem colorida falsa-cor, resultante da combinao das bandas 3(B), 4(R) e 5(G). Mauricio A. Moreira 5.8
Nessa situao a vegetao quanto mais forte for o magenta maior a quantidade de fitomassa e, conseqentemente, maior o ndice de rea foliar. Forma e Tamanho O conhecimento da forma que um objeto apresenta no mundo real, muito importante para auxiliar o intrprete na sua identificao, quando este for observado numa imagem de satlite. Entretanto, preciso ter em mente que s a forma do objeto, muitas vezes no suficiente para identific-lo, porque outros alvos da superfcie tambm podem apresentar formas semelhantes. Em outras palavras, a forma muito importante, desde que esteja associada a outras caractersticas. Ainda sobre este aspecto, podemos citar o caso de duas reas planas, sendo uma plantada com reflorestamento e outra com caf. A principal distino entre elas diz respeito a forma de plantio e tamanho dos talhes. Geralmente, reas reflorestadas apresentam uniformidade no tamanho dos talhes, o que no acontece com as reas de caf. Alm disso, nas reas ocupadas com caf facilmente percebe-se a presena do plantio em nvel. Outro exemplo que enfatiza bastante a questo da forma o das reas irrigadas por piv central. Quando vistas em imagens de satlites, apresentam formas circulares denotando a presena de irrigao por asperso, conforme mostrado na Figura 5.
Figura 5 Imagem colorida, resultante da combinao das bandas TM3(B), TM4(R) e TM5(G), para mostrar reas irrigadas por piv central. Textura A textura nas imagens de satlite produzida pelo agregamento de vrios alvos que na sua individualidade, no podem ser detectados. De modo geral os alvos contidos numa rea imageada apresentam tamanhos, volumes e arquiteturas diferenciadas uns dos outros. Mauricio A. Moreira 5.9
Foi dito que cada alvo reflete ou emite uma certa quantidade de energia. Alm disso sabe-se que o pixel o menor elemento de resoluo de uma imagem e que resulta de uma energia mdia de todos os alvos dentro do IFOV (Instanneous Field of View) campo de visada instantneo do sensor. Assim, podemos afirmar que a testura depende muito da resoluo espacial de cada sensor e da escala de trabalho. Em outras palavras um alvo pode ter uma textura rugosa numa dada imagem de um determinado satlite e apresentar textura lisa em outra. Em geral, a textura varia de lisa a rugosa, dependendo das caractersticas dos alvos, resoluo espacial e escala. A textura pode ser influenciada pelo efeito de sombreamento, como ocorre em reas com mata natural. As matas naturais possuem dossis irregulares, devido s diferenas nos tamanhos das rvores. As rvores maiores incidem sombreamento nas copas das rvores menores e, consequentemente, a reflectncia menor (menor intensidade de luz que sai do dossel). Para exemplificar duas situaes em que temos uma textura lisa e uma rugosa A Figura 6 contm duas imagens de satlites para exemplificar uma rea de textura lisa e outra rugosa.
Figura 6 Imagem do ETM+, resultante da combinao das bandas 3(B). 4(R) e 5(G). Sombra A sombra outra caracterstica importante que deve ser levada em considerao, durante a fase de fotointerpretao, principalmente, no caso de interpretao de imagens de satlites. A sombra, na maioria das vezes, dificulta a fotointerpretao, por que geralmente omite a informao do tipo de ocupao do solo na regio onde ela est sendo projetada. s vezes, a sombra Mauricio A. Moreira 5.10
deixa de ser um fator negativo e passa a ser positivo no auxilio para separar diferentes tipos de vegetao, como o caso ilustrado na Figura 7.
Figura 7 Esquema para simular o efeito de sombreamento provocado pelo relevo.
Estabelecimento do Mtodo de Interpretao Uma vez feita a anlise do material colateral a etapa seguinte consiste em delimitar, sobre o overlay, os diferentes padres espectrais observados nas imagens, quer sejam produtos analgicos, ou resultantes de plotagem dos dados digitais em papel. Essa delimitao nada mais do que o agrupamento das feies da imagem com mesmas caractersticas espectrais. O resultado final desta interpretao preliminar um mapa contendo a distribuio espacial dos diferentes alvos, em funo das diferentes respostas espectrais, apresentadas em tons de cinza ou cores nas imagens de satlites. Esse produto denominado de mapa temtico, porque no foi associada classe temtica ao tipo de uso e ocupao do solo. Feita esta interpretao preliminar, alguns polgonos do mapa temtico devem ser selecionados para serem identificados no campo, quanto ao uso e ocupao do solo. Essa informao servir como treinamento para o intrprete associar, aos demais polgonos, a uma classe de uso e ocupao do solo. Por essa razo, a escolha desses polgonos deve ser feita criteriosamente, para que eles representem todas as classes temticas contidas no mapa preliminar. Aps a realizao do trabalho de campo feita uma r-interpretao das imagens, para rotular cada padro espectral a um tipo de ocupao do solo, com base no conhecimento de campo. Note-se que esta abordagem de interpretao assume-se o total desconhecimento dos alvos no campo. O resultado final um mapa temtico que poder ser empregado para clculo de rea ou outras finalidades. Quando o trabalho de interpretao realizado por uma equipe de intrpretes heterognea, quanto ao conhecimento das tcnicas de sensoriamento remoto, aconselhvel estabelecer um procedimento metodolgico de interpretao que possa ser utilizado por todos os elementos da equipe, de maneira a padronizar os resultados obtidos. Nesta situao, pode-se adotar dois procedimentos ou mtodos de interpretao, ou seja: mtodo comparativo e mtodo sistemtico. Mauricio A. Moreira 5.11
O mtodo comparativo consiste em uma interpretao dos dados de satlite feita com base numa chave de interpretao, elaborada em funo dos diferentes nveis de cinza ou cores (imagens coloridas), observados nas imagens. Essas chaves de interpretao podem ser do tipo seletiva ou eliminatria. Chave de Interpretao pelo Mtodo Seletivo A chave de interpretao do tipo seletiva aquela na qual os alvos de ocupao do solo, que no interessam ao intrprete, no so individualizados na interpretao, isto , agrupam-se todas as feies contidas na imagem que apresentam nveis de cinza ou cores diferentes da classe de interesse em uma nica classe temtica. Geralmente, a classe resultante desse agrupamento recebe a denominao de outros. Por exemplo, se o interesse do intrprete obter um mapa contendo a distribuio espacial das reas de pastagem e de culturas agrcolas numa determinada regio, as outras classes de ocupao do solo como: matas, represas e lagos, cidades, etc, constituiro de uma nica classe de ocupao do solo. No final o mapa ter informaes de apenas trs classes de ocupao do solo, ou seja, a classe outros e das classes de pastagem e culturas agrcolas. a) Chave de Interpretao pelo Mtodo Eliminatrio Esse procedimento adotado quando dois alvos da cena apresentam respostas espectrais semelhantes numa determinada data de passagem do satlite, emprega-se o critrio temporal, que consiste em usar outras imagens de pocas em que esses dois alvos so distintos. Por exemplo, imagine uma situao na qual pretende mapear reas irrigadas por inundao em locais onde h presena de reas alagadas. Como as reas alagadas e as reas irrigadas apresentam o mesmo comportamento espectral devido a presena da gua na lavoura, deve-se elaborar uma chave de interpretao levando em conta o critrio multitemporal, em que as reas alagadas so interpretadas num perodo antes do preparo do solo. O uso do mtodo das chaves de interpretao apresenta vantagens e desvantagens, indicadas a seguir: - VANTAGEM Permite ao intrprete iniciante organizar as informaes presentes na imagem de modo a melhorar a eficincia do mapeamento. Esta chave de interpretao pode ser adaptada para sensores de diferentes satlites. - DESVANTAGENS 1) Suprime o esforo criativo levando o intrprete atividade repetitiva, isto , realizar a interpretao baseada apenas em tons de cinza ou cores. 2) No tem aplicabilidade ampla, isto , uma chave que desenvolvida para uma regio pode no ser adequada para outra.
Mauricio A. Moreira
5.12
3) Pode ocorrer erro de identificao quando alvos diferentes apresentam mesma estrutura e/ou forma muito semelhante. b) Interpretao pelo Mtodo Sistemtico A interpretao visual de dados de satlite, atravs do mtodo sistemtico, consiste em aplicar uma metodologia numa seqncia lgica de etapa de interpretao isto : leitura, anlise e interpretao da imagem, comumente aplicado nas fotografias areas. Alm disso, pode-se adotar alguns processos durante a interpretao que podem auxiliar o interprete a obter um mapa temtico de ocupao da terra com melhor preciso e exatido de mapeamento. Assim, a interpretao pode ser caracterizada como: a) Metdica interpretar um tema de cada vez. Por exemplo, toda rea ocupada com pastagem. b) Do geral para o particular neste caso, cada classe pode conter vrias subclasses. Por exemplo, a classe cana de acar pode ser composta das subclasses cana adulta, cana colhida e cana nova. c) Do conhecido para o desconhecido faz o mapeamento das classes conhecidas, como mata ciliar, cidades, barragens, estradas, mata natural, pastagem, etc. d) Convergncia de evidncias - neste caso, a interpretao visual feita com base em certos critrios que evidenciam a presena do alvo que estamos investigando. Por exemplo, se o alvo apresenta um tom de cinza escuro na regio do vermelho e claro no infravermelho prximo, o alvo certamente ser uma vegetao, uma vez que esse tipo de comportamento espectral caracterstico de vegetao. Se o talho apresenta forma regular, com presena de carreadores, pode ser canade-acar ou reflorestamento. A diferena bsica entre os dois temas est na regularidade dos tamanhos dos talhes. Se os talhes no apresentam certa regularidade em termos de rea (talhes grandes e pequenos), associados ainda presena de curvas de nveis e localizados prximos a uma destilaria de lcool, estes talhes tm tudo para ser de cana-de-acar. Nota-se que, neste caso, a identificao do tema cana-de-acar foi baseada em certas evidncias. No exemplo da Figura 8 mostrada uma parte de uma imagem em composio colorida, obtida com o sensor TM do Landsat-5, contendo reas irrigadas por piv central e reas no irrigadas, no Distrito Federal. As reas irrigadas pelo sistema de piv central so facilmente identificadas porque apresentam formas circulares. Em outras palavras, as evidncias do formato circular e do tamanho (80 a 120 ha) levam a identific-las como sendo reas irrigadas por piv central.
Mauricio A. Moreira
5.13
Figura 8 Imagem do sensor TM, em composio colorida, para mostrar reas irrigadas por piv central e reas preparadas para plantio de sequeiro. Na Figura 9 mostrado reas agrcolas, com presena de curva de nveis e reas de mata ciliares ao longo dos rios.
Figura 9 Imagem colorida do ETM+, bandas 3(B), 4(G) e 5(R), para mostrar reas agrcolas com a presena de curvas de nvel.
Mauricio A. Moreira
5.14
Interpretao Propriamente Dita A interpretao de uma imagem de satlite pode ser feita adotando-se dois critrios diferentes. sem conhecimento de campo e com conhecimento de campo. No primeiro caso, feita a individualizao das reas que apresentam diferentes padres espectrais. Esses polgonos devem ser numerados, por argorismo arbicos ou qualquer outra simbologia. importante que polgonos que apresentam mesmo padro espectral receba a mesma identificao. Realizada a etapa de interpretao feito um trabalho de campo, para reconhecimento in locu do tipo de ocupao do solo em cada uma das feies mapeadas. Nesta etapa, geralmente, so visitadas algumas reas (talhes) de cada classe temtica obtida no mapa e, com base neste conhecimento, extrapola-se para os demais polgonos que apresentam caractersticas semelhantes as reas visitadas no campo. Note bem, para realizar o trabalho de campo, importante que se faa uma anlise criteriosa de todos os alvos que sero visitados no campo, pois o retorno na rea de estudo, para eliminar algumas dvidas durante a interpretao, s vezes invivel. Aps a interpretao feito o mapa final contendo a distribuio espacial dos diferentes alvos de ocupao do solo. Este mapa pode ser utilizado para diversos fins, at mesmo como referncia em estudos envolvendo a classificao de dados digitais. Seja qual for o seu destino, o mapa deve possuir uma confiabilidade estatstica aceitvel pelo usurio, sobre a qual falaremos a seguir. O mapa obtido desta interpretao pode passar por um acabamento mais refinado de desenho ou ser digitalizado no computador, para criar um arquivo digital onde , ento, calculada a rea de cada tema fotointerpretado. Clculo de rea O clculo de rea pode ser feito por diferentes mtodos conforme descrito a seguir: a) Mtodo de contagem Por este mtodo, a rea calculada com o auxlio de um papel vegetal milimetrado, transparente, sobreposto ao mapa temtico. No papel milimetrado feita a contagem do nmero de quadrculas contidas dentro dos polgonos, de cada classe temtica individualizada na rea de estudo. Sabendo-se quanto vale a rea de cada quadrcula (funo da escala), a rea da classe temtica resulta da soma das quadrculas multiplicada pelo valor da rea da quadrcula. No caso de quadrculas parcialmente inseridas no polgono, uma abordagem utilizada para a contagem refere-se ao critrio da compensao, ou seja, somam-se os pedaos das quadrculas dentro do polgono at que se obtenha uma quadrcula inteira. Na Figura 10 ilustrado o clculo da rea para um talho hipottico extrado de um mapa temtico.
Mauricio A. Moreira
5.15
Figura 10 Esquema para mostrar a utilizao da malha milimetrada para clculo de rea.
Sendo: n igual ao nmero de quadrculas parciais, dentro da rea delimitada. Neste exemplo, cada n mais ou menos a metade de N (quadrcula com o nmero 1). Para saber quantos N equivale os n pequenos, s multiplicar por 0,5. N = n x 0,5 = 28 x 0,5 = 14 Para o talho temos N (total) = 54 + 14 = 68. N x (De)2 A = ------------------1.000.000 em que: De o denominador da escala fotogrfica. b) Uso de computador Com o desenvolvimento da informtica e dos sistemas de geoprocessamento, surgiram diversos programas que permitem calcular a rea de polgonos regulares e irregulares. Neste caso, os limites das reas so introduzidos no computador, por meio de uma mesa digitalizadora devidamente acoplada ao sistema. Aps digitalizar os polgonos feito o clculo da rea. Este procedimento bastante fcil e minimiza muitos erros de omisso e de incluso de reas, os quais so cometidos nos outros processos discutidos acima. Alm disso, outras vantagens do uso do computador so: a) possibilita armazenar grande nmero de informaes; b) permite fazer cruzamento dos dados armazenados; c) permite editar mapas em quaisquer escalas e d) permite sobrepor as informaes temticas com dados obtidos por outros sensores. Fatores que Contribuem para o xito na Anlise de Imagens de Satlites Os fatores que contribuem no xito da anlise de dados de satlites so basicamente cinco: a) poca de obteno das imagens de satlite; b) tipo de Mauricio A. Moreira 5.16
(1)
produto; c) bandas espectrais; d) escala das imagens e e) experincia do intrprete. a) poca de Obteno das Imagens de Satlite Embora parea desnecessrio comentar sobre a poca de aquisio das imagens de satlite, este fator influencia muito no sucesso ou no do analista em obter resultados sobre os alvos na superfcie terrestre. Para ilustrar este fato, imaginemos uma situao em que se pretende mapear reas ocupadas com a cultura da soja, numa determinada regio, por exemplo, do Estado de So Paulo. A soja cultura de vero (cultivada no perodo de maior precipitao pluviomtrica outubro a maro). Entretanto, nessa mesma poca so cultivadas, tambm, outras culturas de vero como o milho, arroz, feijo, etc. Diante dessa situao, a pergunta : qual seria a melhor data, dentro desse perodo, para adquirir uma imagem de satlite, para identificar e mapear a soja? Para obtermos a resposta necessrio que faamos algumas consideraes a respeito da prtica agrcola da cultura e das restries impostas por parte dos dados nas imagens do satlite. Quanto cultura da soja, sabemos que aps o plantio haver a emergncia e o crescimento da planta, at atingir o seu completo desenvolvimento vegetativo, que coincide com o incio da fase de florao. At esta fase, a resposta espectral da cultura muito influenciada pela resposta espectral do solo, que ser maior ou menor dependendo do estdio de desenvolvimento da cultura. O sinal registrado nas imagens do satlite ser uma mistura da resposta espectral da cultura e do solo. Por esse motivo, comum o uso da expresso pixel misturado. Inicialmente, o pixel misturado ter maior contribuio da resposta espectral do solo, que vai diminuindo medida que a cultura da soja vai cobrindo o solo e passa, ento, a influenciar mais no comportamento espectral do que o solo, pelo fato de aumentar a cobertura do solo. Por outro lado, aps a fecundao e enchimento dos gros, a cultura entra numa fase de declnio (senescncia), voltando o solo a exercer influncia no comportamento espectral do dossel da cultura. Estas situaes deixam claro que a melhor poca de seleo de imagens de satlites, para identificar e mapear reas dessa cultura, no perodo que vai do incio da florao at o enchimento de gro, perodo este em que a cultura est completamente desenvolvida e com intensidade mxima de atividade fotossinttica. Da a razo da escolha de uma data ideal para realizar a interpretao das imagens, seja de forma visual ou digital. Ainda dentro deste contexto, outra pergunta seria: possvel obter imagens no perodo em que a cultura da soja est na fase de florescimento e enchimento de gros? Para elucidar esta dvida devemos analisar as restries tcnicas, impostas pelos sensores orbitais, e pelo meio ambiente. sabido que, devido faixa espectral de atuao dos principais sensores ticos, a presena de nuvens sobre a rea de interesse o fator que limita na escolha da melhor data de passagem do satlite para obter imagens. As nuvens impedem que a energia refletida pelos alvos da superfcie terrestre, na regio do visvel e do Mauricio A. Moreira 5.17
infravermelho prximo, chegue at o sensor. Desta forma, nem sempre h disponibilidade de imagens, livres de cobertura de nuvens, no perodo de florao e enchimento de gro. A restrio neste caso, condicionada s condies meteorolgicas e as faixas de atuao dos sensores. Para contornar este problema, empregam-se imagens de duas ou mais passagens do satlite dentro do ciclo da cultura. Assim, se numa poca possvel mapear rea preparada para o plantio (lembrando que podem ser plantadas varias culturas ao mesmo tempo), na outra bem provvel que seja possvel separar reas plantadas com soja, daquelas ocupadas com outras culturas de vero, mesmo no sendo uma imagem de uma poca ideal. Neste caso, assume-se que culturas diferentes apresentam ciclos de crescimento e desenvolvimento, tambm diferentes. Para algumas culturas, principalmente, aquelas de ciclo perene ou semiperene, como a cana-de-acar, o caf, citrus, etc, a poca de seleo de imagens de satlites no um problema srio, porque se pode utilizar imagens de pocas com menor ndice de precipitao pluviomtrica aumentando, assim, a probabilidade de adquirir imagens livres de cobertura de nuvens. Uma maneira de facilitar muito esta etapa de seleo fazer o calendrio agrcola de todas as culturas da regio. Nas Figuras 11A e 11B, podem ser vistas duas imagens do Landsat-TM obtidas em datas diferentes, ou seja, uma obtida numa poca ideal para o mapeamento da cultura da soja (29/01/1996) e a outra num perodo em que a cultura j havia sido colhida (04/05/1996).
Figura 11 Composies coloridas [TM3 (azul), TM4(verde), TM5 (vermelho)] de uma rea de no Tringulo Mineiro, com cultura de vero, obtidas em 29/01/1996 (A) e 04/05/1996 (B). Observe na Figura 11A que a cultura da soja, neste perodo, apresentou uma resposta espectral bastante distinta dos demais alvos na regio (amareloMauricio A. Moreira 5.18
esverdeado). Nesta poca, a cultura estava no incio da florao. Por outro lado, na Figura 11B nota-se que toda soja j havia sido colhida, pois a resposta espectral das reas de soja passou de amarelo-esvedeado para uma colorao vemelha-rosa, semelhante a do solo exposto na primeira data. No caso de se utilizar passagem da data de 04/05/1996 para fazer o mapeamento da cultura da soja, nesta regio, para este ano agrcola, o trabalho seria muito exaustivo porque teria que visitar todos os talhes de solo exposto para saber quais deles foram plantados com a cultura da soja e ainda assim seria muito difcil estabelecer os limites fsicos das lavouras de soja. b) Tipo de Produto No incio da era de sensores orbitais o custo das imagens em papel fotogrfico, dependia do tipo de produto (colorido ou em preto e branco). Em geral os produtos coloridos era de trs a quatro vezes o preo de uma imagem preto e branca. Assim, muitos estudos foram desenvolvidos, no sentido de otimizar o uso dessas imagens e tornar o custo final do projeto menor. Com essa finalidade possvel encontrar trabalhos, cujos autores recomendam o uso de uma dada banda do sensor para mapear certas feies da superfcie da Terra. Um exemplo disso a recomendao do uso da imagem na banda 4 (infravermelho prximo) para delimitar o permetro de corpos d`gua. Atualmente, na Brasil, o custo das imagens do satlite Landsat dado em funo do custo para acessar o satlite (taxa de acesso) e custo operacional. Como esses dados vm gravados em CDs o interprete pode produzir imagens coloridas, com diferentes combinaes e escala de trabalho. Esse fato, acabou com a diferena que existia entre tipos de produtos. Hoje recomenda-se o uso de imagens coloridas e, se preciso for, preto e branca. c) Bandas Espectrais A escolha das bandas espectrais outro fator muito importante no sucesso de uma interpretao de imagens de satlite, quer seja de produtos analgicos (fotogrficos) ou digitais. A seleo das bandas espectrais vai depender dos objetivos em que estamos interessados. Na Tabela1 so mostradas algumas aplicaes em funo da faixa espectral que opera o sensor TM do Landsat.
Mauricio A. Moreira
5.19
Tabela 1 Principais caractersticas e aplicaes da radiao eletromagntica, correspondente as bandas do sensor TM do Landsat-5.
Banda Faixa espectral (? m) Principais aplicaes das bandas "TM do Landsat Apresenta grande penetrao em corpos dgua, com elevada transparncia, permitindo estudos batimtricos. Sofre absoro pela clorofila e outros pigmentos da planta. Apresenta sensibilidade pluma de fumaa oriundas de queimadas ou outra atividade industrial. Pode apresentar atenuao atmosfrica. Aplicao: Oceanografia, Agricultura, etc. Apresenta grande sensibilidade presena de sedimentos em suspenso, possibilitando sua anlise em termos de quantidade e qualidade de gua. Boa penetrao em corpos dgua. Regio de forte absoro pela vegetao verde. Permite bom contraste entre reas ocupadas com vegetao e aquelas sem vegetao (solo exposto, estradas e reas urbanas). Permite anlise da variao litolgica em locais com pouca vegetao. Apresenta bom contraste entre diferentes tipos de cobertura vegetal (exemplo: campo, cerrado e floresta). Permite o mapeamento da rede de drenagem atravs da visualizao da mata de galeria e entalhamento dos cursos dos rios em regies com pouca cobertura vegetal. a banda mais utilizada para delimitar a mancha urbana. Permite o mapeamento de corpos dgua, pela forte absoro da energia nesta regio pela gua. A vegetao verde, densa e uniforme, reflete muito a energia, aparecendo em tom de cinza claro nas imagens. Apresenta sensibilidade morfologia do terreno, permitindo a obteno de informaes sobre a geomorfologia, solos e geologia. Serve para separar reas ocupadas com vegetao que foram queimadas. Apresenta sensibilidade ao teor de umidade das plantas, servindo para observar estresse na vegetao, causado por deficincia hdrica. Esta banda sofre perturbaes em caso de ocorrncia de chuvas antes da obteno da imagem pelo satlite. Apresenta sensibilidade aos fenmenos relativos aos contrastes trmicos, servindo para detectar propriedades temais de rochas, solos, vegetao e gua. Apresenta sensibilidade morfologia do terreno, permitindo obter informaes sobre geomorfologia, solos e geologia. Esta banda serve para identificar minerais com ons hidroxilas. Potencialmente favorvel discriminao de produtos de alterao hidrotermal.
(0,45 0,52)
(0,52 0,60)
(0,63 0,69)
(0,76 0,90)
(1,55 1,75)
(10,4 12,5)
(2,08 2,35)
FONTE: Tabela utilizada pela Diviso de Gerao de Imagem (DGI) do INPE.
Mauricio A. Moreira
5.20
d) Escala de Trabalho A escala de trabalho outra caracterstica que deve ficar bastante clara para o intrprete, principalmente, quando se trata de dados coletados por sensores orbitais. sabido que a resoluo espacial est relacionada com os diferentes sensores. sabido tambm que a resoluo espacial diz respeito rea mnima que representada por um nico sinal na imagem, ou seja, o sinal resultante da mdia de todas as respostas espectrais provenientes dos diferentes alvos na rea, dentro do pixel. Isto quer dizer que dentro desta rea mnima no possvel distinguir os diferentes alvos de ocupao do solo por estarem representados por uma nica resposta espectral mdia. O tamanho desta rea depende do sensor utilizado. Por exemplo, o sensor ETM+ do Landsat-7 tem uma resoluo espacial de 30m x 30m (900m2), para as bandas ETM 1,2,3,4,5 e 7, de 80 m x 80 m para a banda TM6 e de 15m x 15 m para a PAN. A pergunta que se pode fazer : como a resoluo espacial reciona-se com a escala? A escala de trabalho nada mais do que uma ampliao ou reduo da imagem sem modificar o seu contedo radiomtrico, ou seja, o fato de fazer uma ampliao numa rea de estudo, por exemplo da escala 1: 250.000 para 1:100.000, no quer dizer que alvos que antes no eram individualizadas dentro do pixel, passam a ser distintos na nova escala. A vantagem na utilizao de uma escala maior de trabalho, para fazer interpretao visual de imagens, reside na maior facilidade que o intrprete ter para delimitar os diferentes alvos contidos na cena, consequentemente, menor erro de rea. Alm disso, a ampliao da escala facilita, a visualizao de reas com respostas espectrais diferentes que, numa escala menor, essa diferenciao era imperceptvel. A seguir mostrada na Figura 12 parte de uma rea contida numa cena registrada pelo sensor TM do Landsat-5, que foram geradas no computador nas escalas de trabalho de 1:500.000 (A), 1:250.000 (B) e 1:100.000 (C).
Figura 12 Imagens coloridas, obtidas pelo sensor TM do Landsat em diferentes nas escala de trabalho.
Mauricio A. Moreira
5.21
Na Figura 12 so mostrados exemplos de reas de soja com diferentes respostas espectrais dentro do talho, que no so perceptveis na Figura 12A e que passam a ser perceptveis com o aumento da escala de trabalho (Figura 13B). Observa-se, ainda, que a soja apresenta reas com diferentes respostas espectrais. Entretanto, bom ressaltar, que neste caso no houve modificaes radiomtricas nos pixels. O que houve com a ampliao de escala foi uma melhor acuidade visual.
Figura 13 Composies coloridas das bandas TM3(B), TM4(G) e TM5(R), geradas no computador nas escalas 1:500.000 e 1: 100.000, para mostrar detalhes da resposta espectral no interior dos talhes. e) Uso de Imagens Multitemporais Para muitos dos objetivos, em que se utilizam as tcnicas de sensoriamento remoto, o emprego de imagens de satlites coletadas em duas ou mais datas de passagem inevitvel. Por exemplo, nos estudos de expanso de reas urbanas, no acompanhamento da taxa de desmatamento da Amaznia, na expanso de reas agrcolas, ou at mesmo no caso de no se dispor de imagens de satlites livres de cobertura de nuvem na poca apropriada e para o mapeamento de culturas agrcolas. Nas regies de clima tropical, como a maior parte do Brasil, dificilmente dispe-se de imagens, livres de cobertura de nuvens, na data ideal para se fazer inventrio de grandes reas, como o caso da agricultura brasileira de vero. Uma das alternativas que se pode lanar mo, para contornar, em parte, esse problema o uso de imagens de duas ou mais passagens ou de dois ou mais sensores orbitais, como o sensor TM do Landsat-5, o ETM+ do Landsat-7, o CCD do CBERS e o HRV do SPOT, que coletam informaes de uma determinada rea em perodos de tempo diferentes. A seguir sero mostrados, nas Figuras 14 e 15, dois exemplos de aplicao de dados multitemporais, no estudo de expanso de reas agrcolas.
Mauricio A. Moreira
5.22
Figura 14 imagens do sensor TM do Landsat, banda 5, para mostrar o incremento de reas agrcolas (cinza claro a mdio) numa regio do Mato Grosso do Sul, nos anos de 1984 e 1985.
Figura 15 Imagens do sensor TM do Landsat, na banda TM3, para mostrar a expanso da fronteira agrcola numa regio do Mato Grosso, no perodo de 1973 a 1983. f) Experincia do Intrprete A experincia do intrprete um fator primordial em qualquer trabalho envolvendo o emprego de imagens de satlites. Entende-se por experincia do intrprete, o conhecimento tanto das tcnicas de sensoriamento remoto quanto a rea de especialidade na qual o ele est realizando um determinado estudo. Mauricio A. Moreira 5.23
Em outras palavras, fundamental o especialista ter o conhecimento no s das tcnicas de sensoriamento remoto mas tambm da rea de aplicao. Por esta razo, a experincia do intrprete deve estar relacionada a trs parmetros bsicos: conhecimento do problema, conhecimento da tcnica e conhecimento da regio. O conhecimento do problema consiste em levantar a importncia que a varivel investigada desempenha na sociedade, todos os possveis mtodos de estimativa desta varivel, no caso da agricultura, como cultivada, onde cultivada, etc. Finalmente, onde o sensoriamento remoto poder auxiliar na obteno de resultados mais satisfatrios e a menor custo. Exemplo desta situao poderia ser o caso de se fazer o levantamento de reas desmatadas na Amaznia Legal ou de reas cafeeiras no Brasil. O conhecimento da tcnica de sensoriamento remoto , sem dvida, o principal fator de sucesso ou fracasso nos trabalhos de levantamentos de recursos naturais, atravs do sensoriamento remoto. Se o especialista no tem conhecimento, por exemplo, do comportamento espectral dos alvos na superfcie terrestre e como estes alvos se manifestam nas imagens coletadas pelos sensores orbitais, por mais conhecedor que seja do assunto sobre o alvo, o fracasso na obteno de qualquer resultado grande. O conhecimento da regio que se pretende fazer qualquer tipo de estudo ou levantamento muito importante para o intrprete, durante as etapas de interpretao. Por exemplo, na agricultura o intrprete deve adquirir o conhecimento sobre: tamanho das lavouras (relacionado com a resoluo espacial), fases do desenvolvimento vegetativo da cultura (calendrio agrcola), topografia da regio, densidade de cultura (densidade mdia de plantio na regio), incidncia de pragas e doenas na regio, nvel tecnolgico adotado pela maioria dos agricultores, tipos de solos, etc. Para finalizar pode-se dizer que trabalhar com produtos de sensoriamento remoto requer o conhecimento de alguns princpios bsicos que so inerentes da regio, do tipo de alvo, do sensor e dos mtodos existentes para extrair qualquer tipo de informaes das imagens de satlite.
Mauricio A. Moreira
5.24
2. TRATAMENTO DE DADOS DIGITAIS No sensoriamento remoto orbital, os usurios de dados de satlites tm disposio dois tipos de produtos, para extrair informaes sobre os alvos da superfcie terrestre, ou seja, os produtos analgicos, no formato de foto, e os digitais. O tratamento de dados digitais tem os mesmos objetivos da interpretao visual, ou seja, extrair informaes sobre alvos da superfcie terrestre, atravs de automatizao da anlise de dados coletados por sensores remotos, visando substituir os procedimentos de interpretao visual. Para este fim, foram criados aplicativos softwares e implementados em computadores e estaes de trabalho workstations. Embora o tratamento (classificao) de imagens digitais seja parte componente da maioria dos SIGs, optou-se em discutir, em separado, as abordagens metodolgicas empregadas no processo de classificao de imagens por meio de computadores. O motivo desta opo reside no fato de ser a classificao o objetivo final de qualquer usurio porque atravs dela que se obtm as informaes desejadas, quando se usa o computador para esta finalidade. Num processo de classificao, s vezes, necessrio introduzir outros dados alm das imagens de satlites, tais como: rede de drenagem, rede virias, dados cadastrais, etc. Para esse fim, utilizam-se aplicativos especficos, os Sistemas de Informaes geogrficas (SIGs). Do ponto de vista de classificao, essas informaes so complementares, contribuindo apenas para melhorar os resultados obtidos nas imagens de satlites. Em geral, essas informaes so extradas de cartas topogrficas, cadastros e mapas temticos pr-existentes. Tratamento de imagem O tratamento de imagens digitais pode ser entendido como todo procedimento aplicado numa imagem de satlite, com o intuito de obter informaes sobre uso e ocupao do solo. Neste contexto, inclui a classificao de imagem, que nada mais do que a rotulao (identificao) automtica de todos os pixels, contidos numa determinada cena, em classes temticas, segundo a ocupao do solo. Em outras palavras, definir que tipo de alvo corresponde a informao espectral contida em cada um dos pixels da cena. Para Mascarenhas e Velasco (1984), o tratamento de imagens digitais nada mais do que a anlise e a manipulao de imagens atravs de tcnicas computacionais, com a finalidade de: ? Identificar e extrair informaes da imagem sobre fenmenos ou objetos do mundo real. ? Transformar a imagem de tal modo que as informaes radiomtricas contidas nelas sejam mais facilmente discriminveis pelo analista. As tcnicas computacionais tentam simular a capacidade do sistema visual humano em reconhecer padres espectrais nos dados remotamente sensoriados. A grande vantagem do uso do computador no reconhecimento de padres, em relao interpretao visual, reside no fato de que eles so
Mauricio A. Moreira
5.25
capazes de processarem um grande volume de informaes presentes na imagem, tarefa, esta, limitada ao ser humano. Em relao ao tratamento de imagens digitais, isto , classificao, interessante esclarecer que, por falta de uma terminologia apropriada na literatura so encontradas vrias expresses sobre esse procedimento de anlise, tais como: classificao automtica, classificao digital, anlise digital, interpretao digital, tratamento digital, etc. Na Figura 16 mostrada a configurao bsica de um sistema de tratamento de dados digitais.
Figura 16 Configurao bsica para anlise de dados de satlite no formato digital. O tratamento de dados digitais envolve etapas distintas uma das outras. Essas etapas so procedimentos que aplicamos nos dados para facilitar e, ao mesmo tempo, obtermos resultados mais confiveis. Assim, pode-se dizer que basicamente existem quatro fases durante um procedimento de classificao, ou seja, o pr-processamento, a transformao de dados digitais, a classificao propriamente dita e o ps-processamento. importante deixar claro que na literatura existem outras formas de dividir o procedimento de classificao. Entretanto, todas levam ao mesmo objetivo, que detalhar os passos de uma classificao de imagens digitais. Pr-processamento A fase de pr-processamento comea desde o momento que a imagem processada no laboratrio de gerao de imagem, no caso do Brasil, a Diviso de Gerao de Imagem (DGI), em cachoeira Paulista. Nesse laboratrio feito os processamentos de rotina, para corrigir erros referentes a geometria da imagem, que surgem devido a curvatura da Terra, variaes de atitude, altitude e velocidade da plataforma do satlite e anomalias nos sensores. Nessa etapa feita a correo geomtrica. Mauricio A. Moreira 5.26
a) Realce de imagem Os dados de satlites, uma vez processados, podem conter um contraste espectral de baixa qualidade visual. O realce de imagens digitais consiste num conjunto de procedimentos aplicados para melhorar a qualidade visual da mesma. Neste caso, o tipo de realce mais empregado ampliar o contraste de feies existentes na cena, ou seja, os nveis de cinza mais baixos so arrastados para prximos de zero (tonalidade mais escura) e os mais altos para prximos de 255 (cinza claro), conforme ilustrado nas Figuras 17, 18 e 19.
Figura 17 Esquema para mostrar uma ampliao de contraste nos valores dos nveis de cinza de uma imagem de satlite.
Figura 18 Imagem do sensor TM4 do Landsat, para mostrar o efeito de contraste. Mauricio A. Moreira 5.27
Figura 19 Composio colorida nas bandas TM3 (B), TM4(G) e TM5(R) , para mostrar o efeito de contraste. b) Georreferenciamento ou registro de imagem De acordo com Richards (1995), no se deve confundir georreferenciamento com correo geomtrica. Enquanto a correo geomtrica aplicada para eliminar as distores sistemticas introduzidas na etapa de formao das imagens, o georreferenciamento empregado para estabelecer um mapeamento entre as coordenadas da imagem e as de um sistema de referncia. Em outras palavras, associar cada pixel de uma imagem a uma coordenada geogrfica (latitude e longitude). O georreferenciamento pode ser feito por meio da correlao de pontos entre dois sistemas de coordenadas, isto , de cartas topogrficas, na projeo Universal Transversa de Mercator (UTM) e da imagem. Esse relacionamento executado por uma equao de mapeamento polinomial de 1 ou 2o grau, utilizando-se vrios pontos de controle. Todavia, pode-se fazer georreferenciamento, por meio de coordenadas obtidas pelo GPS. Quando se usam cartas topogrficas, o procedimento consiste em obter as coordenadas de pontos devidamente identificados, tanto na imagem quanto na carta topogrfica, para que o sistema possa rotular geograficamente o restante dos pontos da rea, ou seja, os pixels da imagem contidos na rea de interesse. O nmero de pontos que se deve tomar para fazer o registro depende do nvel de correo da imagem. No Laboratrio de Cachoeira Paulista-SP, os dados digitais so processados no nvel de correo 4. Para imagens com nvel 4 de correo, so necessrios seis pontos de controle no mnimo. Para as imagens com nvel de correo 5 e 6 basta um ou dois pontos de controle. O registro, quando feito de uma imagem para outra tambm denominado imagem-imagem, utiliza a denominao retificao geomtrica, cujo procedimento semelhante ao que se faz para imagem-carta.
Mauricio A. Moreira
5.28
c) Reduo da dimensionalidade Muitas vezes a rea de estudo de determinado projeto uma regio ou um municpio. Nesse caso, a rea de interesse menor do que uma imagem de satlite. Imagine o caso do sensor TM do Landsat, cuja rea imageada de aproximadamente 35.000 km2 (185 km x 185 km). s vezes, a rea de estudo restringe-se a um municpio com dimenses pouco mais de 200 km2. Para reduzir o tamanho do arquivo aconselhvel isolar da imagem a rea de estudo. Isso se faz por meio do procedimento de reduo de dimensionalidade. Com isso, reduzimos o tempo de processamento computacional. Na Figura 20 mostrado um exemplo de reduo da dimensionalidade no estudo de uso do solo do municpio de Trs Pontas, MG.
Figura 20 Composio colorida das bandas TM3(B), TM4(R) e TM5(G) para exemplificar uma reduo do dimensionamento da rea de estudo. d) Correo Radiomtrica Os procedimentos de correo radiomtrica de imagens incluem tanto as operaes puramente cosmticas dos dados, que visam apenas melhorar sua visualizao, como aquelas que visam normalizar os dados radiometricamente, seja de modo absoluto ou relativo. As operaes cosmticas visam, por exemplo, eliminar rudo ou correes de defeitos nas imagens, conhecido por striping, cuja origem est associada a um lapso de reao de resposta dos detetores quando recobrem reas de baixa radincia, aps terem passado por reas de alta radincia. O striping se caracteriza pela presena de pixels com tonalidades claras atravessando regies sabidamente escuras da cena. Em outras palavras, o aparecimento de pixels claros no meio de pixels com tons de cinza escuros. Mauricio A. Moreira 5.29
A correo radiomtrica para normalizao dos dados inclui mtodos de calibrao absoluta dos dados, de modo que se possam obter medidas quantitativas sobre as propriedades dos alvos que compem a cena. Segundo Slater (1980), esta abordagem nunca foi adequadamente equacionada. A alternativa calibrao absoluta o emprego da calibrao relativa, tambm denominada retificao radiomtrica. A retificao radiomtrica nada mais do que o ajuste das radincias contidas nas imagens, obtidas em diferentes datas de passagem do satlite, para similares condies atmosfricas, tendo como referncia uma dessas passagens. Esse procedimento assegura que as mudanas observadas no comportamento espectral, no tempo e no espao, esto estritamente ligadas interao da radiao eletromagntica com o alvo, eliminando assim, quaisquer contribuies do ambiente na reflectncia do alvo que foi registrada pelo sensor. Entretanto, a retificao radiomtrica no um procedimento rotineiro nos trabalhos envolvendo anlise de dados orbitais. Aplica-se a retificao radiomtrica nos caso em que se pretende fazer estudos da trajetria espectral de alvos terrestres, em diferentes datas de passagem do satlite. Por exemplo, quando se pretende estudar a evoluo do comportamento espectral de uma cultura agrcola, ao longo do seu ciclo de crescimento e desenvolvimento, ou quando se pretende comparar as informaes espectrais de alvos imageados por diferentes sensores e em momentos diferentes Para normalizar os dados atravs da retificao radiomtrica, o procedimento feito em duas etapas. A primeira etapa consiste na converso dos nmeros digitais (ND) para valores de reflectncia aparente. Para tal, pode-se utilizar as relaes propostas por Markham e Barker (1986), ou seja, inicialmente converte-se os nmeros digitais (ND) em valores de radincia, por meio da Equao 1. Nas imagens coletadas pelo Landsat-5, as variveis da Equao 1 so substitudas pelos valores de calibrao do TM, contidos na Tabela 2. (Lmax? - Lmin? ) RAD(?) = Lmin ? + -------------------------- ND (1) 255 sendo: RAD (? ) a radincia espectral, em mWcm-2 sr-1? m-1 Lmin? a radincia espectral correspondente ao ND mnimo Lmax? a radincia espectral ND a nmero digital do pixel considerado TABELA 2 Valores de reescalonamento dos ND para as bandas do sensor TM do Landsat-5 (mWcm-2 sr-1? m-1). Banda TM Lmax Lmin 1 15,21 - 0,15 2 29,68 - 0,28 3 20,43 - 0,12 4 20,62 - 0,15 5 2,72 - 0,04 7 1,35 - 0,01 FONTE: Markham e Barker (1986, p.4)
Mauricio A. Moreira
5.30
Hoje em dia, com o lanamento do Landsat-7, esses valores de reescalonamento dos ND, contidos na Tabela 1, podem ser obtidos em tempo real, para cada data de passagem e para cada rbita/ponto. Isto , j vm gravados junto com os dados digitais em formato texto, no head da imagem. Os valores de radincia obtidos nesta transformao so convertidos em reflectncia aparente pela Equao 2. ? L ? d2 ? = --------------------ESol ? cos?s
(2)
em que: ? a reflectncia exo-atmosfrica L? aradincia espectral no detetor, mWcm-2 sr-1? m-1 D a distncia Terra-Sol, em unidades astronmicas (aproximadamente =1) Esol? a irradincia solar exo-atmosfrica mdia, W cm-2? m-1 ?s o ngulo zenital solar, em graus. Os ngulos zenitais solar so obtidos a partir dos dados dos arquivos em formato texto que acompanham as imagens. As novas imagens de reflectncia aparente, geradas a partir do procedimento acima, no constituem os dados de reflectncia real dos alvos, pois no clculo das novas imagens foram utilizados valores da irradincia no topo da atmosfera (ESol). Entretanto, Godoy Jr. e Novo (1989) observaram que, numa determinada cena, os valores de reflectncia aparente variam linearmente com os de reflectncia real dos alvos. A segunda etapa do processo a retificao radiomtrica propriamente dita. Este procedimento consiste numa normalizao dos valores radiomtricos das imagens reflectncia em relao a uma imagem escolhida como referncia. Dentre os mtodos utilizados para se fazer a retificao radiomtrica destacase o mtodo de Hall et al. (1991). Atravs deste mtodo feita a transformao linear dos nveis digitais, de uma dada imagem, a partir dos nveis digitais de um conjunto de alvos de comportamento radiomtrico constante. No mtodo de Hall et al. (1991), o critrio de seleo dos pixels de controle, a ser utilizado na retificao, consiste em submeter os dados originais a uma transformao linear conhecida pelo nome de Tasselled Cap. Atravs desta transformao definido um novo sistema de coordenadas, de tal modo que os dados das diferentes bandas espectrais passem a ocupar novos eixos, associados s propriedades biofsicas dos alvos. Os eixos relevantes para a seleo dos pixels de controle para realizar a retificao so o Brightness (Brilho) e o Greeness (Verdor). O eixo Brigthness associado s variaes de reflectncia do solo, enquanto que o eixo de Greenness associado s variaes de reflectncia em funo do vigor da vegetao verde. Segundo Hall et al. (1991), a partir da anlise do diagrama de disperso dos nveis de Greeness (Gr) e Brigthness (Br) possvel identificar um conjunto de pixels, claros e escuros. Esses pixels claros e escuros, em geral, esto associados a alvos estveis em relao reflectncia de uma cena para outra. Para obter os valores radiomtricos mdios, utilizados na retificao, empregase esse conjunto de pixels como dado de entrada no sistema. As mdias dos Mauricio A. Moreira 5.31
valores radiomrticos devem ser extradas tanto das imagens que se deseja fazer a retificao quanto da imagem de referncia. Em geral, o conjunto de pontos est relacionado reas no vegetadas com insignificante ou nenhuma mudana ao longo do tempo e, portanto, com pouca ou nenhuma diferena nos seus valores de reflectncia. Esta afirmao verdadeira se as diferenas na calibrao dos sensores e as condies atmosfricas entre imagens introduzem apenas diferenas lineares nas radincias dos pontos selecionados para controle. Para obter a reflectncia mdia dos pontos de controle utiliza-se o fatiamento das imagens Br e Gr de cada data, escolhendo para os pontos claros os intervalos de valores mais altos e para os escuros os mais baixos. O fatiamento nada mais do que operaes feitas para realar os pixels cujas intensidades se situam dentro de um intervalo especfico (a fatia), isto , entre um mximo e um mnimo. O fatiamento pode ser realizado de trs maneiras distintas: normal, eqidistante e arco-ris. Nas Figuras 21 e 22 so mostradas duas imagens Greeness e as mscaras com os pontos (reas) claros e escuros.
Figura 21 Imagem Grenness e as mascaras com pontos (reas) claros e escuros (corresponde a reas de colorao vermelha)
Mauricio A. Moreira
5.32
Figura 22 - Imagem Brightness e as mascaras com pontos (reas) claros e escuros. importante ressaltar aqui que o fatiamento muito usado para outras finalidades alm do objetivo de retificao radiomtrica. Por exemplo, ele pode ser usado para determinar diferentes temperaturas das guas ocenicas, atravs de classificao de dados do NOAA. Tendo feito o fatiamento , ento, gerado uma mscara para o conjunto de pontos claros na imagem Gr de uma determinada data que cruzada com a mscara de pontos claros na imagem Br dessa mesma data. Esse cruzamento d origem a uma nova mscara, referente aos pontos claros da imagem. O mesmo procedimento deve ser realizado para os pontos escuros. Posteriormente, essas mscaras so superpostas s imagens de reflectncia e extraem-se delas as mdias dos valores de reflectncia dos alvos claros e escuros para todas a bandas de interesse. Esse procedimento ilustrado no fluxograma da Figura 23.
Mauricio A. Moreira
5.33
Figura 23 Fluxograma para mostrar a seqncia de obteno do conjunto de pontos de controle radiomtrico, claros e escuros, a partir das imagens Greeness e Brightness. FONTE: Souza (1997, p.63). Os valores mdios da reflectncia, obtidos para todas as bandas de interesse e para todas as datas de passagem do satlite, so utilizados na Equao 3, proposta por Hall et al. (1991) para retificar as imagens: Ti = mixi + bi sendo: Ti a reflectncia da imagem retificada mi = (Bri - Dri) / (Bsi - Dsi) Bri a mdia do conjunto de referncia claro Dri a mdia do conjunto de referncia escuro Bsi a mdia do conjunto claro a ser retificado Dsi a mdia do conjunto escuro a ser retificado i a banda do sensor em questo. Transformaes de Imagens Digitais Transformaes de imagens so procedimentos aplicados s imagens com o objetivo de gerar outros produtos que, em certos casos, pode ser mais indicado para realizar uma classificao. Dentre os mtodos existentes para fazer a transformao de dados de satlites, os mais utilizados so: a rotao espectral, a restaurao, imagem NDVI e o modelo linear de mistura espectral. (3)
Mauricio A. Moreira
5.34
a) Rotao Espectral O objetivo das tcnicas de rotao espectral realizar transformaes lineares nas imagens, envolvendo processamentos que combinam as informaes espectrais coletadas nas vrias bandas do sensor, para gerar novas imagens contendo informaes espectrais mais contrastadas do que nas bandas originais. Essas transformaes so realizadas pixel a pixel e no dependem da localizao espacial dos dados. Para realizar a rotao espectral h dois tipos de transformaes: componentes principais e anlise cannica. No entanto, a transformao por componentes principais a de maior uso. O uso de componentes principais visa, geralmente, reduzir a dimensionalidade dos dados. Em outras palavras, visa condensar as informaes espectrais dos alvos, contidas em vrias bandas do espectro eletromagntico, num nmero reduzido de bandas transformadas, sem perda de informaes. Este procedimento foi muito interessante no incio do desenvolvimento dos sistemas de classificao, devido as limitaes dos sistemas que, geralmente, limitava o uso de apenas trs imagens para uma classificao. Por outro lado, estudo de correlao do teor de informaes entre as bandas do satlite, constatou-se que existia uma alta correlao entre as informaes espectrais contidas nas bandas 4 e 5 (regio do visvel) e nas bandas 6 e 7 (infravermelho prximo) do MSS do Landsat. Essa correlao existe tambm nos dados espectrais contidos nas diferentes bandas do sensor TM do Landsat-5 e do ETM+ do Landsat-7.. Neste caso, fica evidente que o analista pode utilizar um nmero menor de bandas espectrais, conseqentemente, menor tempo de computao. Alm disso, pode eliminar certas bandas espectrais como a banda do azul que muito espalhado na atmosfera. O esquema da Figura 23 sintetiza o procedimento de transformao atravs das componentes principais.
Figura 23 Esquema para ilustrar o processo de componentes principais b) Restaurao Normalmente as degradaes ocasionadas pelos sensores (interferncia eletrnica, mau funcionamento do detector, falha intermitente na captao do sinal) tem efeito de um filtro passa-baixa, o qual reduz os nveis de detalhes dos alvos na cena. Para corrigir esse efeito, que comum em imagens obtidas Mauricio A. Moreira 5.35
por sensores com um certo tempo de operao, aplica-se o procedimento de restaurao de imagens. Assim, a restaurao pode ser entendida como o procedimento aplicado nas imagens para eliminar essas degradaes inerentes ao desgaste do sensor ao longo do tempo e gerar uma nova imagem da melhor forma possvel. Em outras palavras, a restaurao tem o efeito inverso, isto , diminui o borramento e aumenta o realce da imagem. Alm disso, a restaurao pode ser tambm empregada para gerar uma nova imagem, com aumento da resoluo espacial. (Fonseca, 1988; Schowengerdt, 1997; Lillessand e Kiefer, 1999; Mather, 1999). c) imagem NDVI A assinatura espectral caracterstica de uma vegetao verde e sadia mostra um evidente contraste entre a regio do visvel, especificamente no vermelho, e do infravermelho prximo. Em geral, pode-se considerar que quanto maior for o contraste entre as assinaturas espectrais na regio do vermelho e infravermelho prximo, maior vigor vegetativo da vegetao na rea imageada. Este o princpio em que se baseiam os ndices de vegetao que combinam a informao espectral nestas duas bandas do espectro eletromagntico, (Shimabukuro et al., 1999). Segundo ainda Ippoliti-Ramilo (1999), os ndices de vegetao foram concebidos para ressaltar o comportamento espectral da vegetao em relao aos solos. De acordo com Shimabukuro et al. (1999), o contraste da informao espectral do solo na regio do vermelho e do infravermelho prximo no to marcante como a vegetao. No sensoriamento remoto orbital, o ndice de vegetao mais empregado, na avaliao do vigor da cobertura vegetal, o ndice de Vegetao Diferena Normalizada (NDVI), obtido pela seguinte expresso: (IVP Ver) NDVI = ----------------(IVP + Ver)
(4)
em que: IVP a energia refletida na regio do infravermelho prximo e Ver a energia refletida na regio do vermelho do espectro eletromagntico, respectivamente. Para grandes reas da superfcie da Terra emprega-se, com muita freqncia, dados obtidos com o sistema sensor AVHRR do NOAA. Um dos objetivos do emprego dos dados do sensor AVHRR estudar os fenmenos climticos sobre grandes reas. Para este tipo de estudo muitas vezes utilizase o NDVI. Na Figura 24 esto contidas duas imagens NDVI obtidas com dados AVHRR do satlite NOAA para o Estado do Mato Grasso, em duas pocas diferentes.
Mauricio A. Moreira
5.36
Figura 24 Imagens NDVI obtidas atravs de dados do AVHRR do satlite NOAA para o estado do Mato Grosso. FONTE: Shimabukuro et al. (1999) Ao analisar as imagens contidas na Figura 24, observa que houve expanso de reas desflorestadas no perodo de 1989 a 1993. Este exemplo mostra que as imagens NDVI so muito prticas para se fazer um acompanhamento da ao antrpica, quer seja desmatamento ou reas agrcolas. Entretanto, deve-se ter em mente que os dados do AVHRR so muito pobres quanto resoluo espacial. Assim, para estudos com maior preciso de rea deve-se utilizar dados do sensor TM ou de outros satlites que possuem resoluo espacial mais refinada. d) Modelo Linear de Mistura Espectral Devido resoluo espacial dos sensores orbitais, em geral, a resposta espectral contida no pixel uma mistura de trs componentes: solo, vegetao e sombra (ou gua). O modelo linear de mistura espectral foi desenvolvido para decompor a imagem original em trs componentes, segundo o uso do solo em cada pixel da imagem. A Equao utilizada na decomposio da imagem descrita abaixo: ri = a* vegei + b* soloi + c* sombrai + ei (5)
sendo: ri a resposta espectral do pixel na banda i; a, b e c as propores de vegetao, solo e sombra (ou gua), respectivamente, vegei, soloi e sombrai as respostas espectrais dos componentes vegetao, solo e sombra respectivamente, e ei o erro na banda i, onde o subscrito i a banda considerada. O resultado da decomposio linear a gerao de trs novos componentes, sendo que cada um deles contem informaes de um dos trs Mauricio A. Moreira 5.37
componentes do pixel, ou seja, sombra, solo e vegetao. Na Figura 25 podese ver uma imagem colorida do sensor TM do Landsat-5 e as trs componentes, solo sombra e vegetao, obtidas com o modelo linear de mistura espectral.
Figura 25 Imagem colorida do Landsat-TM, das bandas TM3(B), TM4(G) e TM5(R) e os trs componentes, solo, sombra e vegetao. Aps a decomposio dos dados originais nos componentes, solo, vegetao e sombra so, ento, aplicados os procedimentos de classificao, conforme ser discutido no prximo item. CLASSIFICAO DE IMAGENS DIGITAIS Durante a classificao de dados digitais os objetos do universo real recebem a denominao genrica de classes ou classes temticas. Em outras palavras, na classificao procura-se rotular cada pixel da imagem segundo a ocupao do solo. Para tal, utilizam-se programas apropriados, tambm denominados algoritmos de classificao ou simplesmente classificadores. A categorizao (rotulao) dos valores dos nveis de cinza feita por meio de algoritmos estatsticos (programas computacionais) de reconhecimento de padres espectrais. De acordo com o algoritmo utilizado a classificao dita supervisionada ou no-supervisionada. Conforme o processo de classificao empregado, os classificadores podem ser divididos em classificadores pixel a pixel e classificadores por regies. Classificadores pixel a pixel - utilizam apenas a informao espectral, isoladamente, de cada pixel para achar regies homogneas. Estes Mauricio A. Moreira 5.38
classificadores podem ser ainda separados em mtodos estatsticos (que utilizam regras da teoria de probabilidade) e determinsticos , baseado apenas nos valores de nveis de cinza ou de reflectncia, conforme veremos adiante. Classificadores por regies - utilizam, alm de informao espectral de cada pixel, a informao espacial que envolve a relao entre os pixels e seus vizinhos. Estes classificadores procuram simular o comportamento de um foto-intrprete, ao reconhecer reas homogneas de imagens, baseados nas propriedades espectrais e espaciais de imagens. A informao de borda utilizada inicialmente para separar as regies e as propriedades espaciais e espectrais que iro unir reas com mesma textura. O procedimento de classificao envolve duas fases distintas: treinamento e classificao propriamente dita. O treinamento a fase que precede a classificao, isto , a etapa em que so fornecidas ao computador informaes dos parmetros espectrais dos diferentes alvos da cena. Em outras palavras, o reconhecimento da assinatura espectral de cada uma das classes de uso do solo na rea imageada. A forma de realizar o treinamento, defini a abordagem de classificao. Se o treinamento feito por meio da participao do analista, ou seja, fornecimento de parmetros espectrais de reas conhecidas, para que o computador possa obter o pacote de treinamento, a classificao dita supervisionada. Quando o classificador obtm esse pacote de treinamento com a mnima participao do analista, a classificao dita no-supervisionada. Para um treinamento supervisionado o usurio deve identificar na imagem uma rea representativa de cada classe. importante que a rea de treinamento seja uma amostra homognea da classe respectiva, mas ao mesmo tempo deve-se incluir toda a variabilidade dos nveis de cinza do tema em questo. Para a obteno de classes estatisticamente confiveis, so necessrios de 10 a 100 pixels de treinamento por classe. O nmero de pixels de treinamento necessrio para a preciso do reconhecimento de uma classe aumenta com o aumento da variabilidade entre as classes. a) CLASSIFICADORES PIXEL a PIXEL O SPRING dispe de trs classificadores do tipo pixel a pixel, o MAXVER, o MAXVER-ICM e a distncia Euclidiana. No entanto, ser discutido tambm o mtodo do paraleleppedo por ser um dos primeiros classificadores desenvolvidos para este fim. Na classificao pixel a pixel aps criar o conjunto de treinamento (caractersticas espectrais de cada uma das classes de ocupao do solo), o classificador procura associar um determinado pixel da imagem a uma das classes contidas no pacote de treinamento. Nesta situao, considera o pixel como uma entidade isolada e independente dos pixels que compem o restante da cena. Por outro lado, os classificadores por regies utilizam, alm da informao espectral do pixel, a informao espacial desse pixel e de seus vizinhos. Na Mauricio A. Moreira 5.39
verdade, esses classificadores procuram simular o comportamento de um intrprete ao reconhecer reas homogneas dentro de uma imagem. 1. Mtodo do Paraleleppedo O mtodo do paraleleppedo, tambm chamado de single cell, foi um dos primeiros classificadores desenvolvidos para reconhecimento de padres espectrais em dados de satlites no formato digital. Para categorizar (classificar) um determinado pixel da imagem como pertencente a uma determinada classe, no mtodo do paraleleppedo a abordagem de classificao deterministica. Neste caso, dados uma rea de treinamento, devidamente identificada pelo analista, em que o classificador adquire o valor mnimo e mximo de nveis de cinza contidos na rea de treinamento. Com isso, gera-se um intervalo de nveis de cinza, que servir para anlise dos demais pixels contidos na rea de estudo. A classificao feita pela associao de um dado pixel a uma dada classe temtica. O principio de funcionamento tem como base a anlise do valor de cinza ou da reflectncia de um dado pixel, em relao ao pacote de treinamento obtido anteriormente, ou seja, quando os valores dos nveis de cinza do pixel, em cada banda do sensor que se est sendo classificada estiverem contidos nos intervalos de nveis de cinza determinados no treinamento, o pixel associado a classe estipulada. Em outras palavras, suponha que o analista deseje classificar as reas de pastagens dentro de um municpio utilizando dados orbitais. Com o cursor o analista adquire uma rea de treinamento, dentro de uma rea na imagem da qual ele tem certeza ser uma pastagem. O classificador obtm, desta rea de treinamento, o range de variao de nveis de cinza (valor mnimo e mximo), para cada banda espectral utilizada na classificao. Em seguida, comea a analisar os demais pixels da rea de estudo em relao ao pacote de treinamento. Se os valores dos nveis de cinza do pixel satisfizerem a condio de pertencer a cada um dos intervalos estabelecidos no treinamento para a classe pastagem, ento, o pixel rotulado como sendo pastagem. Caso contrrio, ele no classificado. Supondo que o analista queira classificar reas da cultura da soja numa dada regio. Sobre um talho que seja bem representativo da cultura da soja ele obtm uma amostra de rea. A partir desta amostra, o classificador determina o maior e o menor nvel de cinza existente dentro da rea amostrada, ou seja, determina o intervalo de nveis de cinza, em cada uma das bandas espectrais utilizadas na classificao. Obtidos os intervalos de nveis de cinza, o passo seguinte analisar um determinado pixel em relao ao pacote de treinamento. A regra de deciso, neste caso, pode ser entendida com base na teoria de conjunto, conforme mostrado no exemplo da Figura 26, que contm uma imagem em composio colorida, e as trs bandas que deram origem a esta composio. Os dados utilizados no exemplo da Figura 26 foram obtidos pelo sensor TM do Landsat.
Mauricio A. Moreira
5.40
Figura 26 Esquema para mostrar a fase de treinamento do classificador paraleleppedo. O conjunto de todos os pixels, que contm a cultura da soja, foi denominado de ConjA. A amostra de rea utilizada para o treinamento do classificador, selecionada sobre um talho de soja no conjunto A, deu origem a trs subconjuntos de pixels correspondentes as trs bandas espectrais. Logo temos: ? Conj.A = ?valores dos nveis de cinza de todos os pixels da cultura da soja na cena do satlite, universo populacional? ? SubConj B = ?Valores dos nveis de cinza dos pixels da cultura da soja contidos na amostra de rea, na banda TM3? ? SubConj C = ?Valores dos nveis de cinza dos pixels da cultura da soja contidos na amostra de rea, na banda TM4? ? SubConj D = ?Valores dos nveis de cinza dos pixels da cultura da soja contidos na amostra de rea, na banda TM5?. Assim, ConjA ? SubconjB; SubconjC e o SubconjD onde; ? = contm e ? = est contido Um determinado pixel(X) da imagem ser classificado como sendo soja (pertencente ao conjunto A), se o valor do nvel de cinza dele satisfizer as seguintes condies matemticas:
Mauricio A. Moreira
5.41
Se X ? SubConjB; X ? SubConjC; X ? SubconjD ?
X ? Conj A
Nesta situao o pixel ser classificado como sendo de soja. importante salientar que o valor do nvel de cinza do pixel tem que estar contido dentro dos trs subconjuntos B,C e D. 2. Mxima verossimilhana - MAXVER Segundo Velasco et al. (1978), o problema da classificao de padres o de decidir a qual classe um determinado objeto (alvo) pertence. Um mtodo usado para resolver este problema o de determinar diversas caractersticas (atributos) quantificveis dos objetos que possam diferenciar as vrias classes. O passo seguinte consiste em tomar pontos, pertencentes s classes, e medilos nas diversas caractersticas ou atributos espectrais. A partir destas medidas inferem-se as caractersticas do objeto a ser classificado com as caractersticas das diversas classes. MAXVER , vem do mtodo estatstico de Mxima Verossimilhana, e o mtodo de classificao pixel a pixel mais comum. Considera a ponderao das distncias entre mdias dos nveis digitais das classes, utilizando parmetros estatsticos. Os conjuntos de treinamento definem o diagrama de disperso das classes e suas distribuies de probabilidade, considerando a distribuio de probabilidade normal para cada classe do treinamento. Na formulao estatstica do problema assume-se uma densidade de probabilidade condicional P (x/wj), em que x o conjunto de valores, nas diversas caractersticas, e wj representa a j-sima classe. Esta densidade de probabilidade condicional define a caracterstica da classe. Dado um objeto Xo, uma possvel regra de deciso atribuir Xo classe wj, cuja probabilidade condicional P(Wj/Xo) seja mxima. Segundo a regra de Bayes tem-se: P(x/wj)P(wj) P(wj/x) = ------------------P(x)
(6)
Onde; P(x/wj) e P(x) so funes de densidade de probabilidade dos valores das caractersticas condicional e incondicional, respectivamente, referidas a wj; P(wj/x) e P(wj) so as probabilidades da classe wj condicionada e incondicionada aos valores das caractersticas, respectivamente. O clculo de P(wj/x) pode ser simplificado calculando-se somente P(x/wj)P(wj), pois P(x) o denominador de todas as classes. A quantidade P(x/wj), que uma probabilidade, chamada verossimilhana (likelihood) de wj em relao a X. Uma regra de deciso simplificada classificar o objeto Xo como pertencente classe wj de maior valor de P(xo/wj), ou seja, de mxima verossimilhana( maximum likelihood). No MAXVER, a distribuio espectral, das classes de uso do solo, considerada como tendo uma distribuio normal, ou seja, gaussianas. Em outras palavras, num talho, por exemplo de milho, a variao na resposta Mauricio A. Moreira 5.42
espectral tem um comportamento gaussiano, isto , muitas plantas de milho apresentar uma resposta espectral mdia. Para outras a resposta espectral ser abaixo da mdia e para outras, ainda, a resposta espectral ser acima da mdia. Assim, a densidade de probabilidade da distribuio normal multidimensional : 1 P(X) = ---------------------- EXP (-1/2 (x m)t C-1 ( x m )) (7) 1/2 (2? )n/2 ? C ? em que: x um vetor n-dimensional, m o vetor mdia (tambm n-dimensional), C uma matriz quadrada n x n, chamada matriz de covarincia, ? o C? determinante de C e C-1 e sua inversa. Uma distribuio normal multivarivel estar completamente especificada se forem determinados: o vetor mdia m e a matriz de covarincia C. Estes dois parmetros podem ser estimados a partir de pontos X1, X2 ..., Xn, da amostra de treinamento, atravs das frmulas: m = 1/n ? Xi C = 1/n ? (xi m) ( xi m ) t (8) (9)
A fase de treinamento consiste em fornecer ao sistema um conjunto de pixels, representativos de cada alvo de ocupao do solo, existentes na imagem a ser classificada. Esse conjunto de pixels adquirido atravs de um cursor de rea que pode assumir formas retangular ou quadrtica, de diferentes tamanhos, conforme mostrado na Figura 27.
Figura 27 Imagem colorida das bandas TM3 (B), TM4(G) e TM5(R), para mostrar as reas de treinamento obtidas para cada classe de ocupao do solo. Observe na Figura 27 que a cultura da soja apresenta dois comportamentos espectrais distintos (soja 1 e soja 2). Por esta razo, durante o treinamento deve-se criar duas subclasses de soja para que o sistema tenha maior opo em associar um determinado pixel a uma das classes contidas no pacote de treinamento. A mesma situao pode ocorrer para quaisquer outros alvos contidos na rea imageada. Mauricio A. Moreira 5.43
A partir desse pacote de treinamento, o classificador define o diagrama de disperso das classes em torno de uma mdia e suas distribuies de probabilidades, considerando a distribuio normal. O grande problema que se observa nesta fase da classificao obter amostras de pixels puros, representativos de cada classe espectral. Como se sabe, a resposta espectral de um alvo contido numa rea no terreno nunca homognea e exclusivamente daquele alvo. Geralmente, ela mascarada pela resposta espectral proveniente da superfcie de fundo ou de outros alvos dentro da rea. Alm disso, um mesmo tipo de alvo, principalmente, a vegetao, pode apresentar mais de um comportamento espectral em funo de ataque de pragas e doenas, pocas de plantio, manchas de solo com deficincia de nutrientes, etc, provocando mudanas na quantidade de energia refletida. Outro problema bastante comum, com respeito a reas vegetadas, a existncia de vegetaes diferentes, porm com comportamentos espectrais semelhantes. Ciente destes problemas, o que o analista procura, no momento de adquirir o conjunto de pixels, tentar selecionar amostras de reas que sejam as mais representativas possveis da classe em questo. Entretanto, devido similaridade de respostas espectrais entre duas ou mais classes, embora tomando todas as precaues, pode acontecer que o conjunto de pontos (pixels) obtidos para uma classe, gere uma curva de distribuio de freqncia que cruza com outra curva determinada para outra classe, conforme ilustrado na Figura 28.
Figura 28 Esquema para mostrar a distribuio normal das classes 1 e 2. O limiar de aceitao indica a % de pixels da distribuio de probabilidade de uma classe que ser classificada como pertencente esta classe. Um limite de 99%, por exemplo, engloba 99% dos pixels, sendo que 1% sero ignorados (os de menor probabilidade), compensando a possibilidade de alguns pixels terem sido introduzidos no treinamento por engano, nesta classe, ou estarem no limite entre duas classes. Um limiar de 100% resultar em uma imagem classificada sem rejeio, ou seja, todos os pixels sero classificados. Observe que as curvas de distribuio de freqncia das classes 1 e 2 possuem uma certa quantidade de pixel (rea achurada), cujas caractersticas espectrais so similares. Esses pixels podem ser classificados tanto como Mauricio A. Moreira 5.44
pertencentes classe 1 como pertencentes classe 2. Esta situao ocorre com freqncia devido aos desvios do comportamento espectral da classe em relao a uma mdia. Esse tipo de ocorrncia comumente chamado de confuso de resposta espectral entre classes. Existem duas possibilidades que o analista pode lanar mo para tentar resolver ou diminuir essa confuso entre classes. A primeira possibilidade consiste em fazer uma anlise das amostras, de uma determinada classe em relao s demais classes, e eliminar aquelas amostras que apresentarem maiores erros de confuso (maior similaridade de resposta espectral), conforme mostrado na Tabela 3. TABELA 3 anlise das amostras de reas de florestas em relao As classes cerrado, rio e desmatamento. Classes Floresta Cerrado Rio Desmatamento 1 90 5 5 0 Amostra 2 50 50 0 0 3 87 0 0 13
Analisando os valores contidos na Tabela 2 percebe-se que a amostra 1 contm 90% dos pixels corretamente rotulados na classe floresta. Desses pixels, 5% possuem caractersticas espectrais semelhantes aos pixels que foram rotulados como sendo cerrado, e 5 % aos pixels rotulados como rio. Por outro lado, 50% dos pixels da amostra 2 so similares aos pixels que foram rotulados como sendo cerrado e 13 % da amostra 3 so semelhantes aos da classe desmatamento. Nesta situao, a primeira tentativa do analista seria eliminar a amostra 2 e redefinir as posies das amostras 1 e 3. Evidentemente que o analista poderia adquirir mais amostras de floresta. Feita esta tentativa, se o problema persistir, h ainda a possibilidade de aumentar o limiar de aceitao do classificador, ou seja, o limite de deciso. O limiar de aceitao corresponde a uma restrio imposta pelo analista ao sistema de classificao, ou seja, indica a porcentagem de pixels da distribuio de probabilidade de uma classe que ser classificada como pertencente a esta classe. Por exemplo, um limiar de 99 % indica que, de todos os pixels da classe, 1% ser ignorado (os de menor probabilidade). No caso da Figura 28 todos os pixels da classe 2 que estiverem na rea achurada, mesmo pertencendo classe 2, sero classificados como sendo da classe 1. Este procedimento deve ser feito com certa cautela, pois se o limiar for muito grande o erro de classificao poder ser expressivo. A seguir, na Figura 29 mostrada a seqncia de classificao utilizando o classificador MAXVER.
Mauricio A. Moreira
5.45
Figura 29 Seqncia de classificao pixel a pixel atravs do classificador MAXVER. 3. MAXVER-ICM (contextural) Enquanto o classificador MAXVER associa classes considerando pontos individuais da imagem, o classificador MAXVER-ICM (Interated Conditional Modes) considera tambm a dependncia espacial na classificao. Em uma primeira fase, a imagem classificada pelo algortmo MAXVER atribuindo classes aos pixels, considerando os valores de nveis digitais. Na fase seguinte, leva-se em conta a informao contextual da imagem, ou seja, a classe atribuda depende tanto do valor observado nesse pixel, quanto das classes atribudas aos seus vizinhos. O algortmo atribui classes a um determinado pixel , considerando a vizinhana interativamente. Este processo finalizado quando a '%' de mudana (porcentagem de pixel reclassificados), definida pelo usurio satisfeita. O SPRING fornece ao usurio as opes de 5%, 1% e 0.5% para valores de porcentagem de mudanas. Um valor 5% significa que a reatribuio de classes aos pixel interrompida quando apenas 5% ou menos do total de pixel da imagem foi alterado. 4. Distncia Euclidiana O mtodo de classificao por distncia Euclidiana um procedimento de classificao supervisionada que utiliza esta distncia para associar o valor do nvel de cinza ou da reflectncia (no caso de imagem reflectncia) um pixel a uma determinada classe temtica. Mauricio A. Moreira 5.46
No treinamento supervisionado, definem-se os agrupamentos que representam as classes. Na classificao, cada pixel ser incorporado a um agrupamento, atravs da anlise da medida de similaridade de distncia Euclidiana, que dada por: d (x,m) = (x2 - m2) 1/2 sendo:
? ? ? ?
x = pixel que est sendo testado m = mdia de um agrupamento N = nmero de bandas espectrais O classificador compara a distncia Euclidiana do pixel mdia de cada agrupamento. O pixel ser incorporado ao agrupamento que apresenta a menor distncia Euclidiana. Este procedimento repetido at que toda a imagem seja classificada.
b) CLASSIFICAO POR REGIES. Na abordagem de classificadores por regio, o treinamento do computador pode ser supervisionado ou no-supervisionado. Depende do classificador utilizado. Entretanto, nessa abordagem de classificao fundamental realizar uma segmentao nos dados para agrupar classes espectrais homogneas. A partir da imagem segmentada a classificao pode ser supervisionada ou no-supervisionada. Como classificador por regio de abordagem supervisionada tem-se o classificador BHATTACHARRYA e, nosupervisionada o ISOSEG.
Segmentao de Imagem
A segmentao de imagem um procedimento adotado antes da fase de classificao, que tenta solucionar o que foi dito no pargrafo anterior, sobre a subjetividade na aquisio do pacote de treinamento. Atravs desse procedimento, a imagem dividida em regies espectralmente homogneas, na qual, algumas dessas reas so utilizadas como treinamento do classificador. Os processos utilizados para dividir a imagem, em regies espectralmente homogneas, implementados no SPRING so trs: a) crescimento de regies; b) deteco de bordas e 3) combinao destes dois (INPE, 2000). Para reas agrcolas e reas de vegetao natural, como na regio amaznica, o segmentador utilizado no INPE, o de crescimento por regies, que tem mostrado bom desempenho na segmentao. Por essa razo, neste captulo foi discutido apenas este segmentador. Maiores informaes sobre os outros procedimentos de segmentao podem ser encontradas em INPE (2000). A segmentao por crescimento de regies uma tcnica em que somente as regies espacialmente adjacentes so agrupadas segundo algum critrio de similaridade (INPE, 2000). No incio do processo de segmentao a regio pode ser um pixel ou um conjunto de pixels. Segundo INPE (2000), para cada regio o segmentador calcula os seguintes atributos espectrais: mdia, varincia e textura. A Mauricio A. Moreira 5.47
agregao das regies feita segundo os critrios de similaridade e de rea, que so fornecidos pelo analista. O limiar de similaridade o valor mnimo abaixo do qual duas classes so consideradas similares e agrupadas em uma nica regio, enquanto que o limiar de rea defini o nmero mnimo de pixels necessrios para que uma rea seja individualizada. O resultado dessa segmentao expresso por uma matriz de N polgonos, conforme mostrado na Figura 30.
Figura 30 Imagem em composio colorida sem segmentao (a esquerda) e a imagem segmentada a direita. 1. BHATTACHARRYA (abordagem supervisionada). O Bhattacharrya usa as amostras de treinamento para estimar a funo densidade de probabilidade para as classes apontadas no treinamento. Em seguida, avalia, para cada regio, a distncia de Battacharrya entre as classes (Equao 10). A classe que apresentar a menor distncia ser atribuda regio avaliada. ? ? (mi mj)? B (pi,pj) = 1/2 (m1 m2) ? (mi mj) + ln ---------------------? i? ? j? ? 1/2 ? 1/2
T
(10)
em que: mi a mdia da classe i; mj a mdia da classe j; T a matriz transposta; ln o logaritmo neperiano; i e j so as classes dentro do contexto. 2.Classificador ISOSEG O classificador ISOSEG um algoritmo de agrupamento de dados nosupervisionado, aplicado sobre o conjunto de regies que foram caracterizadas por seus atributos estatsticos (mdia e matriz de covarincia), na fase de extrao de regies. Em outras palavras, uma tcnica para classificao que procura agrupar regies, a partir de uma medida de similaridade entre elas. A medida de similaridade utilizada consiste na distncia de Mahalanobis Mauricio A. Moreira 5.48
(Equao 11) entre a classe e as regies candidatas relao de pertinncia com esta classe. D = 1/2 (X Mi)T Ci-1 (X Mi) (11)
Sendo; T a matriz transposta; Ci a matriz de covarincia; Mi o vetor mdia da classe i; X a regio que est sendo analisada. O ISOSEG utiliza a matriz de covarincia e o vetor mdia do nvel de cinza, para estimar o valor central de cada classe. Em outras palavras, um algoritmo de clustering, como o caso do ISOSEG ou o Bhattacharrya, no assume nenhum conhecimento prvio da distribuio de densidade de probabilidade dos temas, como ocorre no algoritmo de mxima verossimilhana. uma tcnica para classificao que procura agrupar regies, a partir de uma medida de similaridade entre elas. No ISOSEG, a medida de similaridade utilizada consiste na distncia de Mahalanobis entre a classe e as regies candidatas a relao de pertinncia com esta classe Este algoritmo resume-se em trs etapas: definio do limiar; deteco das classes e competio entre classes. ? Definio do limiar: o usurio define um limiar de aceitao, dado em percentagem. Este limiar por sua vez define uma distncia de Mahalanobis, de forma que todas as regies pertencentes a uma dada classe estejam distantes da classe por uma distncia inferior a esta. Quanto maior o limiar, maior esta distncia e, consequentemente, maior ser o nmero de classes detectadas pelo algoritmo. Deteco das classes: Nesta fase, as regies so ordenadas em ordem decrescente de rea e inicia-se o procedimento para agrup-las em classes. Sero tomados como parmetros estatsticos de uma classe (mdia e matriz de covarincia), os parmetros estatsticos da regio de maior rea que ainda no tenha sido associada classe alguma. Em seguida, associam-se a esta classe todas as regies cuja distncia de Mahalanobis for inferior distncia definida pelo limiar de aceitao.
Assim, a primeira classe ter como parmetros estatsticos aquelas regies com maior rea. As classes seguintes tero parmetros estatsticos de mdia das regies de maior rea, que no tenham sido associadas a nenhuma das classes previamente detectadas. Esta fase repete-se at que todas as regies tenham sido associadas a alguma classe. ? Competio entre classes: as regies so reclassificadas, considerando-se os novos parmetros estatsticos das classes, definidos na etapa anterior. O parmetro estatstico (mdia de cada classe) ento recalculado. O processo repete-se at que a mdia das classes no se altere (convergncia). Portanto o usurio deve seguir os seguintes passos para gerar uma classificao a partir de uma imagem segmentada, observe que os passos de 2 a 8 foram descritos anteriormente:
Mauricio A. Moreira
5.49
1. Criar uma imagem segmentada - gerar uma imagem, separada em regies com base na anlise dos nveis de cinza. 2. Criar o arquivo de Contexto - este arquivo armazena quais as bandas faro parte do processo de classificao por regies. 3. Analisar as amostras - permite verificar a validade das amostras coletadas; 4. Extrao de regies: neste procedimento o algoritmo extrai as informaes estatsticas de mdia e varivel de cada regio, considerando as bandas indicadas no contexto; 5. Classificao - para a realizar a classificao de uma imagem segmentada deve-se usar o classificador por regies; 6. Executar a Classificao - de posse da amostras e das bandas escolhidas a imagem classificada; 7. Executar uma Ps-classificao - processo de extrao de pixels isolados em funo de um limiar e um peso fornecidos pelo usurio; 8. Executar o Mapeamento para Classes - permite transformar a imagem classificada (categoria Imagem) para um mapa temtico raster (categoria Temtico). Ao trmino, todas as regies estaro associadas a uma classe definida pelo algoritmo. O usurio dever ento associar estas classes (denominadas temas, no SPRING) s classes por ele definidas no banco de dados, na opo Arquivo-Esquema Conceitual. Na Figura 31 mostrado o resultado de uma classificao realizada atravs do ISOSEG, para mapeamento de uso do solo na regio da Amaznia.
Figura 31 Resultados de classificao do uso do solo, realizado atravs do ISOSEG. Mauricio A. Moreira 5.50
Blibiogrficas recomendadas
Hall, F.G.; Strebel, D.E.; Nickeson, J.E.; Goetz, S.J. Radiometric rectification: toward a common radiometric response among multidate, multisensor images. Remote Sensing of Environment, v.35,n.1,p.11-27, 1991 Ipoliti-Ramilo, G.A. Imagens TM/Landsat-5 da poca de pr-plantio para a previso da rea de culturas de vero. So Jos dos Campos. 183p. (INPE7116-TDI/688). Dissertao (Mestrado em Sensoriamento Remoto) Instituto Nacional de Pesquisas Espaciais, 1999. Markham, B.L.; Barker, J.L. Landsat MSS and TM postcalibration on dynamic ranges of exoatmospheric reflectances and at satellite temperatures. Lanham:EOSAT, 1986. 21p. (Landsat Technical Notes n 1). Richards, J.T. Remote sensing digital image analysis: na introdution. 3 ed. Berlin: Springer-Verlag, 1995. 340p. Slater, N. P. The interaction of electromagnetic radiation with the Earths surface. In:Slater, N.P., ed. Remote Sensing Optics ; Optical System. Massachusetts: Addison-Wesley Publishing Companyo, 1980, cap. 9, p 22686 Souza, C.L. Uso de imagens-ndices e de imagens proporo para avaliar a quantidade de madeira em povoamentos de Pinus ssp. So Jos dos Campos. 111p. (INPE-6398-TDI/614). Dissertao (Mestrado em Sensoriamento Remoto)- Instituto Nacional de Pesquisas Espaciais, 1997. Shimabukuro, Y. E.; Mello, E. M. K.; Moreira, J. C.; Duarte, V. Segmentao e classificao da imagem sombra do modelo de mistura para mapear desflorestamento na Amaznia. So Jos dos Campos: INPE, 1997. 14 p. (INPE6147-PUD/029 Velasco, F. R. D.; Prado, L. O. C.; Souza, R. C. M. Sistema MAXVER: Manual do usurio. So Jos dos Campos:INPE, 1978, 72p. (INPE-1315-NTI/110).
Mauricio A. Moreira
5.51

Tratamento de Imagem

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tratamento de Imagem

Enviado por

Direitos autorais:

Formatos disponíveis

DSR/INPE Curso de Sensoriamento Remoto aplicado a estudos ambientais junho/2003

Tratamento de dados de satlites

INPE Junho/2003 Mauricio A. Moreira

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

Figura 7 Esquema para simular o efeito de sombreamento provocado pelo relevo.

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

FONTE: Tabela utilizada pela Diviso de Gerao de Imagem (DGI) do INPE.

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

Se X ? SubConjB; X ? SubConjC; X ? SubconjD ?

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

DSR/INPE Curso de Sensoriamento Remoto aplicado ao estudo ambiental junho/2003

Você também pode gostar