Curso - Sensoriamento remoto - aplicado à geologia

Prévia do material em texto

18/11/2021
1
Rodrigo Amaral Lanfranchi
ELABORAÇÃO:
INTRODUÇÃO AO SENSORIAMENTO REMOTO
Aplicado à Mineração
Sensoriamento Remoto aplicado à Mineração
Apresentação
Plano de Capacitação Geo
Bibliografia
Objetivos
1. Conhecimento básico de Sensoriamento Remoto.
2. Reconhecer técnicas de sensoriamento remoto aplicado à mineração.
3. Reconhecer mapeamento mineral realizado por técnicas de processamento de imagens de satélite.
4. Discutir possíveis aplicações de sensoriamento remoto nas atividades de fiscalização da ANM.
Sensoriamento Remoto aplicado à Mineração
Conteúdo do curso:
1. Revisão teórica dos princípios do sensoriamento remoto
Princípios; Estrutura de uma imagem digital; Composições coloridas; Resoluções do SR; Tipos de Sensores, resoluções e objetivos; Download 
imagens de satélite
2. Espectroscopia e reflectância de minerais
Princípios; Comportamento espectral dos minerais; Avaliação do espectro mineral; Bibliotecas Espectrais, Métodos de Análise Espectral; Regiões 
do espectro para identificação de minerais
3. Processamento digital de imagens e mapeamento mineral
Requisitos para a escolha do sensor, Pré processamento, Histogramas e realce, Filtragem, Operações Aritméticas, Análise de Principais 
Componentes, Classificação.
4. Estudos de Casos
5. Tecnologias de sensoriamento remoto na mineração
Mapeamento Mineral; Mapeamento de Frente de Lavra; Leitura de logs de Sondagem; Análise Ambiental; Integração dos dados de sensoriamento 
remoto.
6. Detecção de mudanças
Consideração sobre o uso de imagens do Google; Detecção de Mudanças; Sistemas com Alertas
7. Possíveis aplicações nas atividades de fiscalização da ANM
Lavra ilegal e Guia de Utilização; Relatório de pesquisa; Lavra autorizada; Barragem.
Sensoriamento Remoto aplicado à Mineração
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto; 
1.2 Estrutura de uma imagem digital;
1.3 Composições coloridas; 
1.4 Resoluções do sensoriamento remoto;
1.5 Tipos de sensores, resoluções e objetivos;
1.6 Download imagens de satélite.
1 2
3 4
18/11/2021
2
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
O Sensoriamento Remoto visa a
obtenção de imagens da superfície
terrestre por meio da detecção e
medição quantitativa das respostas das
interações da radiação eletromagnética
com os materiais terrestres.
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
5 6
7 8
18/11/2021
3
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
Absorção Atmosférica
Janela Atmosférica
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
9 10
11 12
18/11/2021
4
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
Espalhamento Seletivo (Rayleigh)
1. Revisão Teórica
1.1 Princípios do sensoriamento remoto
A captura de energia
eletromagnética refletida por um
determinado objeto, pode ser
captada por um sensor, o qual
transmite às estações de base, que
os transforma em produtos
gráficos, tabelas e,
principalmente, imagens.
Sensoriamento Remoto aplicado à Mineração
1. Revisão Teórica
1.1 Princípios; 
1.2 Estrutura de uma imagem digital;
1.3 Composições coloridas; 
1.4 Resoluções do sensoriamento remoto;
1.5 Tipos de sensores, resoluções e objetivos;
1.6 Download imagens de satélite.
1. Revisão Teórica
1.2 Estrutura de uma imagem digital
Pixel é o menor elemento de uma imagem. Em uma imagem em escala de cinza de 8 bits (28 = 256), o
valor do pixel varia entre 0 e 255, correspondendo à intensidade dos fótons de luz que atingem aquele
ponto. Cada pixel armazena um valor proporcional à intensidade da luz naquele local específico.
13 14
15 16
18/11/2021
5
1. Revisão Teórica
1.2 Estrutura de uma imagem digital
1. Revisão Teórica
1.2 Estrutura de uma imagem digital
1. Revisão Teórica
1.2 Estrutura de uma imagem digital
Sensoriamento Remoto aplicado à Mineração
1. Revisão Teórica
1.1 Princípios; 
1.2 Estrutura de uma imagem digital;
1.3 Composições coloridas; 
1.4 Resoluções do sensoriamento remoto;
1.5 Tipos de sensores, resoluções e objetivos;
1.6 Download imagens de satélite.
17 18
19 20
18/11/2021
6
1. Revisão Teórica
1.3 Composições coloridas
1. Revisão Teórica
1.3 Composições coloridas
1. Revisão Teórica
1.3 Composições coloridas
Real (TM 3,2,1)
1. Revisão Teórica
1.3 Composições coloridas
NIR (TM 4,3,2)
21 22
23 24
18/11/2021
7
1. Revisão Teórica
1.3 Composições coloridas
SWIR (TM 7,4,2)
1. Revisão Teórica
1.3 Composições coloridas
SWIR (TM 4,5,7)SWIR (TM 6,5,7)
• água, cobertura do solo com contraste extremo
com vegetação e plantações.
• a vegetação é relativamente fria, tons vermelhos
sobre a vegetação e as plantações.
• áreas urbanas absorvem e emitem energia com
destaque, são mostradas em tons de vermelho
Sensoriamento Remoto aplicado à Mineração
1. Revisão Teórica
1.1 Princípios; 
1.2 Estrutura de uma imagem digital;
1.3 Composições coloridas; 
1.4 Resoluções do sensoriamento remoto;
1.5 Tipos de sensores, resoluções e objetivos;
1.6 Download imagens de satélite.
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
25 26
27 28
18/11/2021
8
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
Resolução Espacial
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
Resolução Espacial
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
Resolução Temporal
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
Resolução Temporal
29 30
31 32
18/11/2021
9
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
Resolução Radiométrica
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
Resolução Espectral
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
1. Revisão Teórica
1.4 Resoluções do sensoriamento remoto
33 34
35 36
18/11/2021
10
Sensoriamento Remoto aplicado à Mineração
1. Revisão Teórica
1.1 Princípios; 
1.2 Estrutura de uma imagem digital;
1.3 Composições coloridas; 
1.4 Resoluções do sensoriamento remoto;
1.5 Tipos de sensores, resoluções e objetivos;
1.6 Download imagens de satélite.
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
A observação da Terra por sensores remotos permite a análise e interpretação das
medições da REM refletida ou emitida por objetos que se encontram na terra, mar
ou atmosfera do nosso planeta, e adquiridas por sensores a bordo de aviões ou em
órbita (satélites).
Os sensores podem ser distinguidos e classificados de acordo com as suas
características de aquisição e registo da radiação eletromagnética, podendo ainda
apresentar diferentes tipos de resolução, consoante as características.
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Os sensores montados em satélites artificiais podem ser classificados de acordo com o tipo de órbita
percorrida, que pode ser alta (mais de 35.000 km de altitude), baixa (entre 180 e 2.000 km) ou intermédia
(cerca de 20.000 km de altitude).
As órbitas mais altas são utilizadas por satélites geoestacionários, que captam informação sempre no mesmo
local. São exemplos satélites com sensores meteorológicos e de telecomunicações.
Os satélites para GPS (Global Positioning System) ocupam órbitas intermédia, designando-se por órbitas
semi-síncronas.
A maioria dos satélites que transportam sensores para fins científicos percorrem órbitas circulares de baixa
altitude, variando a sua inclinação consoante o fim a que se destinam.
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Uma forma de distinguir os sensores entre si, diz respeito à fonte de energia que utilizam para registrar a
radiação eletromagnética.
37 38
39 40
18/11/2021
11
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Os sensores passivos utilizam a
energia do sol, não possuindo
nenhumafonte de energia própria,
limitando-se a receber a radiação.
Estes sensores estão desta forma
limitados a adquirir informação
durante o dia e a radiação recebida
no sensor pode ter sido emitida,
refletida ou difundida.
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Os sensores ativos, por outro lado, possuem uma fonte
própria de emissão de radiação. Estes sensores emitem
um pulso e medem o tempo entre a emissão do pulso e a
recepção do seu eco. A comparação entre os pulsos
permite obter informação sobre o objeto refletor. Estes
sensores não necessitam que haja luz solar, pelo que
podem adquirir informação independentemente de ser
dia ou noite.
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
41 42
43 44
18/11/2021
12
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Principais diferenças entre os sensores
• Fonte de energia
• Sistema de varredura
• Resoluções espacial do sensor
• Região do espectro eletromagnético
• Tempo de revisita
• Formato do dado produzido
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
45 46
47 48
18/11/2021
13
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
49 50
51 52
18/11/2021
14
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Sensor Multispectral Scanner (MSS) 80m resolução espacial, LANDSAT 1,2 e 3.
Sensor Thematic Mapper (TM) de 30m resolução espacial, LANDSAT-5
Sensor Enhanced Thematic Mapper Plus (ETM +) de 15 a 30 m de resolução, LANDSAT-7
Sensor OLI (Operational Terra Imager) e TIRS (Thermal Infrared Sensor) 15 a 30 m, LANDSAT-8
Landsat
O Programa Landsat
é uma série de
satélites de
observação da Terra
co-gerenciados pelo
USGS e NASA, e
oferece o mais longo
registro contínuo da
Terra existente.
1970 1975 1995 2000 2005 2010 20151980 1985 1990
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Landsat 8
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Landsat 9
O satélite Landsat 9 substituirá o satélite Landsat 7 e funcionará
em conjunto com o Landsat 8, a dupla fará imagens da Terra a
cada oito dias.
O Landsat 9 traz dois instrumentos científicos, com sensores de
resolução espacial moderada (15 m, 30 m e 100 m) e resolução
radiométrica mais alta do que o Landsat 8 (14 bits vs. 12 bits).
53 54
55 56
18/11/2021
15
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Sentinel/MSI
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
• 13 bandas espectrais
• Altas resoluções espaciais (10 a 60 m),
temporais (5 dias) e radiométricas (12 bits).
Sentinel-2
57 58
59 60
18/11/2021
16
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
WorldView-3
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
WorldView-3
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
CBERS (China-Brazil Earth Resources Satellite)
61 62
63 64
18/11/2021
17
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
CBERS (China-Brazil Earth Resources Satellite)
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
O Amazonia-1 é o terceiro satélite brasileiro de sensoriamento remoto em operação junto ao CBERS-
4 e ao CBERS-4A. O Amazonia-1 é um satélite de órbita Sol síncrona (polar) que irá gerar imagens do
planeta a cada 5 dias. Possui um imageador óptico de visada larga (3 bandas no espectro visível VIS e
1 banda do infravermelho NIR) capaz de observar uma faixa de 850 km com 64 metros de resolução.
Sua órbita foi projetada para proporcionar uma alta taxa de revisita (5 dias). Sob demanda, o
Amazonia-1 poderá fornecer dados em dois dias. Esta característica é para aplicações como alerta de
desmatamento na Amazônia.
AMAZONIA 1
O Amazonia-1 é o primeiro satélite de observação da Terra
completamente projetado, integrado, testado e operado pelo
Brasil. Em 28 de janeiro de 2021, foi lançado da base de
Sriharikota Range (SHAR), junto à agência espacial do país,
Indian Space Research Organisation (ISRO).
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
65 66
67 68
18/11/2021
18
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Mar/2020:
Communications: 1 832 satellites
Earth observation: 906 satellites.
Technology development/demonstration: 350 satellites.
Navigation/positioning: 150 satellites.
Space science/observation: 104 satellites.
Earth science: 20 satellites.
Other purposes – 10 satellites.
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Smallsats
São satélites em miniatura que podem ser operados na
forma de constelações, expandindo a forma de
imageamento da superfície da Terra.
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Smallsats
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Planet
69 70
71 72
18/11/2021
19
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
A constelação Planet opera mais de 200
satélites que, juntos, fornecem um
conjunto de imagens da Terra. Com uma
combinação de cobertura, frequência e
resolução, o Planet possibilita observações
geoespaciais, ajudando a obter a
compreensão das mudanças nas
condições do uso e ocupação do solo.
Planet
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
1. Revisão Teórica
1.5 Tipos de Sensores, resoluções e objetivos
Níveis de Informação Espectral
73 74
75 76
18/11/2021
20
Sensoriamento Remoto aplicado à Mineração
1. Revisão Teórica
1.1 Princípios; 
1.2 Estrutura de uma imagem digital;
1.3 Composições coloridas; 
1.4 Resoluções do sensoriamento remoto;
1.5 Tipos de sensores, resoluções e objetivos;
1.6 Download imagens de satélite.
1. Revisão Teórica
1.6 Download imagens de satélite
Imagens gratuitas
- http://www.dgi.inpe.br/CDSR/
- http://www2.dgi.inpe.br/catalogo/explore
- https://earthexplorer.usgs.gov/
- https://scihub.copernicus.eu/dhus/#/home
1. Revisão Teórica
1.6 Download imagens de satélite
1. Revisão Teórica
1.6 Download imagens de satélite
77 78
79 80
18/11/2021
21
1. Revisão Teórica
1.6 Download imagens de satélite
Níveis de processamento das imagens
1. Revisão Teórica
1.6 Download imagens de satélite
Níveis de processamento das imagens
1. Revisão Teórica
1.6 Download imagens de satélite
Níveis de processamento das imagens
Sensoriamento Remoto aplicado à Mineração
Ementa: 
Revisão teórica dos princípios do sensoriamento remoto;
Espectroscopia e reflectância de minerais;
Processamento digital de imagens e o mapeamento mineral; 
Estudos de Casos
Tecnologias de sensoriamento remoto na mineração
Detecção de mudanças
Possíveis aplicações nas atividades de fiscalização da ANM
81 82
83 84
18/11/2021
22
Sensoriamento Remoto aplicado à Mineração
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2.2 Comportamento espectral dos minerais
2.3 Avaliação do espectro mineral
2.4 Bibliotecas Espectrais
2.5 Métodos de Análise Espectral
2.6 Regiões do espectro para identificação de minerais
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2. Espectroscopia e reflectânciade minerais
2.1 Princípios
85 86
87 88
18/11/2021
23
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2. Espectroscopia e reflectância de minerais
2.1 Princípios
Espectroscopia ou
Sensoriamento Remoto Espectral.
89 90
91 92
18/11/2021
24
2. Espectroscopia e reflectância de minerais
2.1 Princípios
A Espectrometria de Reflectância é uma técnica que tem a função de medir em diferentes comprimentos de
onda a energia eletromagnética refletida da superfície dos materiais e representá-la na forma de um gráfico
que se denomina de curva de reflectância espectral.
2. Espectroscopia e reflectância de minerais
2.1 Princípios
Espectrômetro ou Espectrorradiômetro
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2. Espectroscopia e reflectância de minerais
2.1 Princípios
93 94
95 96
18/11/2021
25
2. Espectroscopia e reflectância de minerais
2.1 Princípios
Sensoriamento Remoto aplicado à Mineração
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2.2 Comportamento espectral dos minerais
2.3 Avaliação do espectro mineral
2.4 Bibliotecas Espectrais
2.5 Métodos de Análise Espectral
2.6 Regiões do espectro para identificação de minerais
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
97 98
99 100
18/11/2021
26
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Fenômenos Responsáveis pelo Comportamento Espectral dos Minerais e Rochas
2. Espectroscopia e reflectância de minerais
2.1 Princípios
101 102
103 104
18/11/2021
27
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Transições Eletrônicas (UV/VIS/NIR)
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Transições Vibracionais (SWIR)
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
105 106
107 108
18/11/2021
28
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis VNIR
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis SWIR
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis SWIR
Significado Geológico dos Minerais Contendo Hidroxila (OH)
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis SWIR
109 110
111 112
18/11/2021
29
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis SWIR
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis SWIR
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis TIR
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis TIR
113 114
115 116
18/11/2021
30
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis TIR
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Minerais Identificáveis TIR
2. Espectroscopia e reflectância de minerais
2.2 Comportamento espectral dos minerais
Sensoriamento Remoto aplicado à Mineração
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2.2 Comportamento espectral dos minerais
2.3 Avaliação do espectro mineral
2.4 Bibliotecas Espectrais
2.5 Métodos de Análise Espectral
2.6 Regiões do espectro para identificação de minerais
117 118
119 120
18/11/2021
31
2. Espectroscopia e reflectância de minerais
2.3 Avaliação do espectro mineral
Fatores que Determinam a Assinatura Espectral dos Minerais
2. Espectroscopia e reflectância de minerais
2.3 Avaliação do espectro mineral
Composição química
2. Espectroscopia e reflectância de minerais
2.3 Avaliação do espectro mineral
Cristalinidade de minerais
2. Espectroscopia e reflectância de minerais
2.3 Avaliação do espectro mineral
121 122
123 124
18/11/2021
32
Efeito do teor de umidade
2. Espectroscopia e reflectância de minerais
2.3 Avaliação do espectro mineral
Efeito do tamanho dos grãos
2. Espectroscopia e reflectância de minerais
2.3 Avaliação do espectro mineral
Misturas de minerais
2. Espectroscopia e reflectância de minerais
2.3 Avaliação do espectro mineral
Misturas de minerais
2. Espectroscopia e reflectância de minerais
2.3 Avaliação do espectro mineral
125 126
127 128
18/11/2021
33
Sensoriamento Remoto aplicado à Mineração
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2.2 Comportamento espectral dos minerais
2.3 Avaliação do espectro mineral
2.4 Bibliotecas Espectrais
2.5 Métodos de Análise Espectral
2.6 Regiões do espectro para identificação de minerais
2. Espectroscopia e reflectância de minerais
2.4 Bibliotecas Espectrais
2. Espectroscopia e reflectância de minerais
2.4 Bibliotecas Espectrais
2. Espectroscopia e reflectância de minerais
2.4 Bibliotecas Espectrais
129 130
131 132
18/11/2021
34
Sensoriamento Remoto aplicado à Mineração
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2.2 Comportamento espectral dos minerais
2.3 Avaliação do espectro mineral
2.4 Bibliotecas Espectrais
2.5 Métodos de Análise Espectral
2.6 Regiões do espectro para identificação de minerais
2. Espectroscopia e reflectância de minerais
2.5 Métodos de Análise Espectral
2. Espectroscopia e reflectância de minerais
2.5 Métodos de Análise Espectral
Sensoriamento Remoto aplicado à Mineração
2. Espectroscopia e reflectância de minerais
2.1 Princípios
2.2 Comportamento espectral dos minerais
2.3 Avaliação do espectro mineral
2.4 Bibliotecas Espectrais
2.5 Métodos de Análise Espectral
2.6 Regiões do espectro para identificação de minerais
133 134
135 136
18/11/2021
35
2. Espectroscopia e reflectância de minerais
2.6 Regiões do espectro para identificação de minerais
Implicação da identificação de minerais e rochas
2. Espectroscopia e reflectância de minerais
2.6 Regiões do espectro para identificação de minerais
2. Espectroscopia e reflectância de minerais
2.6 Regiões do espectro para identificação de minerais
Sensoriamento Remoto aplicado à Mineração
Ementa: 
Revisão teórica dos princípios do sensoriamento remoto;
Espectroscopia e reflectância de minerais;
Processamento digital de imagens e o mapeamento mineral; 
Estudos de Casos;
Tecnologias de sensoriamento remoto na mineração;
Detecção de mudanças;
Possíveis aplicações nas atividades de fiscalização da ANM.
137 138
139 140
18/11/2021
36
Sensoriamento Remoto aplicado à Mineração
3. Processamento digital de imagens no mapeamento mineral
3.1 Requisitos para a escolha do sensor
3.2 Pré processamento
3.3 Histogramas e realce
3.4 Filtragem
3.5 Operações Aritméticas
3.6 Análise de Principais Componentes
3.7 Classificação
Sensoriamento Remoto aplicado à Mineração
Requisitos para a escolha do sensor
• Definir a aplicação a ser desenvolvida
• Delimitar a área de interesse e o nível de detalhamento desejado
• Definir o período de interesse
• Definir as especificações técnicas das imagens
3. Processamento digital de imagens no mapeamento mineral
3.1 Escolha do sensor
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
141 142
143 144
18/11/2021
37
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolhado sensor
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
145 146
147 148
18/11/2021
38
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
149 150
151 152
18/11/2021
39
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
3. Processamento digital de imagens no mapeamento mineral
3.3 Escolha do sensor
Sensoriamento Remoto aplicado à Mineração
3. Processamento digital de imagens no mapeamento mineral
3.1 Requisitos para a escolha do sensor
3.2 Pré processamento
3.3 Histogramas e realce
3.4 Filtragem
3.5 Operações Aritméticas
3.6 Análise de Principais Componentes
3.7 Classificação
3. Processamento digital de imagens no mapeamento mineral
3.2 Pré processamento
A interpretação de imagens de sensores remotos fundamenta-se na análise do comportamento
da reflectância espectral dos materiais.
O processamento digital de imagens consiste na execução de operações matemáticas dos dados,
visando as suas transformações em imagens de melhores qualidades espectrais, espaciais e que
sejam mais apropriadas para uma determinada aplicação.
O que significa que o processamento de imagens de sensoriamento remoto é orientado para cada
tipo de problema.
153 154
155 156
18/11/2021
40
3. Processamento digital de imagens no mapeamento mineral
3.2 Pré processamento
O formato matricial das imagens facilita operações
matemáticas e estatísticas para se analisar o
grande volume de dados que possuem as imagens
de sensoriamento remoto.
3. Processamento digital de imagens no mapeamento mineral
3.2 Pré processamento
Praticamente, todos os softwares especializados em
processamento de imagens de sensoriamento remoto
dividem as técnicas de processamento digital em dois
tipos básicos: realce e classificação, às quais antecede
uma fase de pré-processamento, cujo objetivo é
corrigir preliminarmente os erros que os dados
originais possam apresentar.
Meneses & Almeida, 2012
3. Processamento digital de imagens no mapeamento mineral
3.2 Pré processamento
As técnicas de pré-processamento são
funções operacionais para remover ou
corrigir os erros e as distorções,
introduzidos nas imagens pelos sistemas
sensores devidos a erros instrumentais
(ruídos espúrios), às interferências da
atmosfera (erros radiométricos) e à
geometria de imageamento (distorções
geométricas).
3. Processamento digital de imagens no mapeamento mineral
3.2 Pré processamento
Correção de Ruído
157 158
159 160
18/11/2021
41
3. Processamento digital de imagens no mapeamento mineral
3.2 Pré processamento
Correção geométrica
3. Processamento digital de imagens no mapeamento mineral
3.2 Pré processamento
Correção Atmosférica
• a atmosfera afeta a radiância que é efetivamente medida pelo sensor orbital pelos fenômenos de
espalhamento, absorção e refração da REM;
• absorção: transformação de energia;
• espalhamento: radiação tem trajetória modificada.
3. Processamento digital de imagens no mapeamento mineral
3.2 Pré processamento
Correção Atmosférica
Sensoriamento Remoto aplicado à Mineração
3. Processamento digital de imagens no mapeamento mineral
3.1 Requisitos para a escolha do sensor
3.2 Pré processamento
3.3 Histogramas e realce
3.4 Filtragem
3.5 Operações Aritméticas
3.6 Análise de Principais Componentes
3.7 Classificação
161 162
163 164
18/11/2021
42
3. Processamento digital de imagens no mapeamento mineral
3.3 Histogramas e realce
Meneses & Almeida, 2012
3. Processamento digital de imagens no mapeamento mineral
3.3 Histogramas e realce
Histogramas e Estatística de Imagens
O histograma apresenta a frequência do
brilho (intensidade de energia registrada)
3. Processamento digital de imagens no mapeamento mineral
3.3 Histogramas e realce
Histogramas e Estatística de
Imagens
3. Processamento digital de imagens no mapeamento mineral
3.3 Histogramas e realce
Histogramas e Estatística de
Imagens
165 166
167 168
18/11/2021
43
3. Processamento digital de imagens no mapeamento mineral
3.3 Histogramas e realce
3. Processamento digital de imagens no mapeamento mineral
3.3 Histogramas e realce
Contraste
3. Processamento digital de imagens no mapeamento mineral
3.3 Histogramas e realce
Realce
Contraste
3. Processamento digital de imagens no mapeamento mineral
3.3 Histogramas e realce
Realce
Máscara
169 170
171 172
18/11/2021
44
Sensoriamento Remoto aplicado à Mineração
3. Processamento digital de imagens no mapeamento mineral
3.1 Requisitos para a escolha do sensor
3.2 Pré processamento
3.3 Histogramas e realce
3.4 Filtragem
3.5 Operações Aritméticas
3.6 Análise de Principais Componentes
3.7 Classificação
3. Processamento digital de imagens no mapeamento mineral
3.4 Filtragem
Filtros
As imagens são filtradas por vários motivos, principalmente para remover ruídos ou para aprimorar
informações úteis. Todas as imagens possuem limites entre áreas com mudanças bruscas de respostas
de radiância. Estes limites ou “bordas” podem ser realçados ou amenizados utilizando o
processamento por filtragem. Usualmente utilizamos os filtros de convolução e que podem ser
subdivididos em três tipos: (i) passa baixa, (ii) passa alta e (iii) direcional.
i. Filtros Passa Baixas
O filtro passa-baixas preserva as baixas freqüências na imagem, provocando um efeito de suavização
("smoothing"). A maior utilização é na remoção de ruídos, comuns em imagens de satélite,
principalmente radar.
3. Processamento digital de imagens no mapeamento mineral
3.4 Filtragem
ii. Filtros Passa Altas
O filtro passa-altas elimina as baixas freqüências espaciais na imagem, deixando apenas as altas
freqüências, normalmente expressas por bordas ou limites entre áreas de diferentes valores de níveis
de cinza. Aumenta o contraste de uma imagem produzindo, por vezes, bordas artificiais que podem
confundir o interprete.
iii. Filtro Direcional
Este filtro é um tipo especial de passa-alta e representa, na verdade, uma combinação de filtragem
passa-alta e limiarização de níveis de cinza. Ele realça bordas em direções determinadas pelo analista.
No entanto, tal como ocorre nos filtros passa altas, ele pode criar bordas artificiais que podem
confundir o intérprete.
3. Processamento digital de imagens no mapeamento mineral
3.4 Filtragem
As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que não dependem apenas
do nível de cinza de um determinado "pixel", mas também do valor dos níveis de cinza dos "pixels"
vizinhos, na imagem original. O processo de filtragem é feito utilizando-se matrizes denominadas
máscaras, as quais são aplicadas sobre a imagem.
A máscara é movida sobre a imagem, linha por linha, coluna por coluna, e os valores dos pixels da
área da imagem sob o filtro são multiplicados pelos correspondentes pesos dos pixels do filtro. A
média da soma deste produto será o novo valor de brilho do pixel situado na posição central da área
da imagem sob o filtro. Este valor é salvo e o processo continua.
173 174
175 176
18/11/2021
45
3. Processamento digital de imagens no mapeamento mineral
3.4 Filtragem
3. Processamento digital de imagens no mapeamento mineral
3.4 Filtragem
O filtro pode realçar bordas entre diferentes
áreas, como também aguçar as variações de
brilho da imagem.
3. Processamento digital de imagens no mapeamento mineral
3.4 Filtragem
Realce
Filtros
Sensoriamento Remoto aplicado à Mineração
3. Processamento digital de imagens no mapeamento mineral
3.1 Requisitos para a escolha do sensor
3.2 Pré processamento
3.3 Histogramas e realce
3.4 Filtragem
3.5 OperaçõesAritméticas
3.6 Análise de Principais Componentes
3.7 Classificação
177 178
179 180
18/11/2021
46
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
Principais Técnicas de
Processamento de Imagens para
Mapeamento de Minerais
Operações Artiméticas
Subtração de bandas
Razão de bandas
Índices de bandas
Análise de Principais Componentes
Classificação
Não supervisionada
Supervisionada
Espectral
Rede Neural
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
Reamostragem dos espectros minerais
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
Subtrações de banda são usadas para aumentar o contraste espectral entre um par de bandas de
sensores multiespectrais.
Usando curvas espectrais de minerais de interesse, um par de bandas é identificado com alto
contraste entre um mínimo de absorção e um máximo de refletância. Uma subtração simples é
então aplicada ao par de bandas.
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
181 182
183 184
18/11/2021
47
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
Exemplo: Subtração da banda Landsat-TM para
realçar os minerais contendo óxidos e hidróxidos
de Fe3+.
Os óxidos / hidróxidos de Fe3+ apresentam alto e
característico contraste espectral no espectro do
visível, entre as regiões azul e vermelha,
correspondendo às bandas TM 1 e 3,
respectivamente.
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
A imagem resultante da
subtração (TM3 - TM1)
mostrará, em valores
brilhantes, todos os
pixels contendo minerais
contendo Fe3+.
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
A razão de bandas é uma das técnicas mais utilizadas para
mapeamento mineral em aplicações de sensoriamento remoto
na exploração mineral.
Uma operação simples de proporção é então realizada entre as
2 bandas.
Da mesma forma que a subtração de banda, as razões de banda
são usadas para aumentar o contraste espectral entre um par
de bandas.
Usando espectros minerais, um par de bandas é identificado,
com um alto contraste entre um mínimo de absorção e um
máximo de refletância.
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
185 186
187 188
18/11/2021
48
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
A combinação de operações algébricas em bandas pré-estabelecidas conduz à definição de índices
que permitem realçar determinada informação (água, vegetação, alguns tipos de solo, minerais de
argila, etc.).
Os índices espectrais resultam de combinações entre duas ou mais bandas espectrais que
representam a abundância relativa de determinados elementos de interesse, sendo o NDVI
(Normalized Difference Vegetation Index) o mais conhecido método de derivação de índices,
utilizado para realçar e distinguir vegetação de diferentes tipos.
NDVI = NIR–VIS / NIR+VIS
https://www.indexdatabase.de
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
Índices de bandas - NDVI
Índice da Vegetação da Diferença
Normalizada (NDVI) na Sub-bacia
Hidrográfica do Rio Gurguéia, Piauí -
Brasil: Análise do Efeito da Expansão
Agrícola (Oliveira & Aquino, 2020)
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
Índices minerais - Aster
3. Processamento digital de imagens no mapeamento mineral
3.5 Operações Aritméticas
Índices minerais –
Sentinel-2
Van der Werff &
van der Meer, 2016
189 190
191 192
18/11/2021
49
Sensoriamento Remoto aplicado à Mineração
3. Processamento digital de imagens no mapeamento mineral
3.1 Requisitos para a escolha do sensor
3.2 Pré processamento
3.3 Histogramas e realce
3.4 Filtragem
3.5 Operações Aritméticas
3.6 Análise de Principais Componentes
3.7 Classificação
3. Processamento digital de imagens no mapeamento mineral
3.6 Análise de Principais Componentes
Análise por Principais Componentes (APC)
O grau de correlação existente entre a informação espectral
representada em cada banda de sensores multiespectrais é
geralmente alto. A função da APC é a de determinar esse grau
de correlação e, através de uma função matemática
apropriada, removê-la.
APC é uma transformação linear que rotaciona os eixos da
imagem original para corresponder às direções que explicam a
variação máxima dos pontos.
A base conceitual da APC é: ”se existe uma porcentagem
redundante de informação em imagens multiespectrais, por
que não extrair essa informação comum, concentrando-a em
uma única imagem, ao invés de replicá-la várias vezes?”
3. Processamento digital de imagens no mapeamento mineral
3.6 Análise de Principais Componentes
Após rotacionar os eixos da imagem original as características gerais do novo conjunto serão: a PC1 irá
conter a informação que é comum a todas as bandas (concentra o albedo, por exemplo, e feições de luz
e sombra, sendo bastante útil para interpretação estrutural). A PC2 irá conter a feição espectral mais
significante do conjunto e assim sucessivamente, de forma que as últimas irão conter as feições
espectrais menos significativas e ruídos.
Para o cálculo da APC com todas as bandas, é feita uma análise das estatísticas dos eigen-vetores,
comparando-os com as curvas espectrais dos minerais de interesse; por meio dessa comparação, é
possível identificar quais PCs conterão as informações espectrais do mineral desejado.
Duas de quatro bandas devem cobrir as posições de comprimentos de onda das características de
absorção diagnóstica para o mineral desejado, enquanto as outras duas devem coincidir com os picos de
reflexão para o mesmo mineral.
Duas de quatro bandas devem cobrir as
posições de comprimentos de onda das
características de absorção diagnóstica para o
mineral desejado, enquanto as outras duas
devem coincidir com os picos de reflexão para
o mesmo mineral.
3. Processamento digital de imagens no mapeamento mineral
3.6 Análise de Principais Componentes
193 194
195 196
18/11/2021
50
3. Processamento digital de imagens no mapeamento mineral
3.6 Análise de Principais Componentes
Integração de dados aerogeofísicos e do sensor ASTER no mapeamento geológico e seleção de alvos
para prospecção mineral na região de Itapecerica, MG (Zacchi et al. 2007)
3. Processamento digital de imagens no mapeamento mineral
3.6 Análise de Principais Componentes
3. Processamento digital de imagens no mapeamento mineral
3.6 Análise de Principais Componentes
Sensoriamento Remoto aplicado à Mineração
3. Processamento digital de imagens no mapeamento mineral
3.1 Requisitos para a escolha do sensor
3.2 Pré processamento
3.3 Histogramas e realce
3.4 Filtragem
3.5 Operações Aritméticas
3.6 Análise de Principais Componentes
3.7 Classificação
197 198
199 200
18/11/2021
51
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Classificação
Não supervisionada
Supervisionada
Hiperespectral
Machine Learning
Classificação Não supervisionada
São classificadores que requerem pouca ou nenhuma participação do
analista no processo de classificação da imagem. Há duas situações em
que isso pode acontecer: uma é quando não se tem suficientes
conhecimentos acerca do número/natureza das classes de alvos que
estão presentes numa área. Outra é quando se deseja fazer uma
classificação exploratória da imagem, para saber as possíveis classes de
alvos que podem ter na imagem.
Há dois principais algoritmos de classificação não-supervisionada de
amplo uso em sensoriamento remoto: ISODATA e K-means. Ambos se
baseiam no agrupamento de pixels por suas similaridades, usando
técnicas de distância mínima. Por isso, também chamada de clustering.
Um algoritmo clustering usa frequentemente todos os pixels da imagem
de entrada para iniciar a análise.
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Classificação Não supervisionadaIsodata
K-means
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Classificação Supervisionada
Ao contrário da classificação não-supervisionada, a classificação supervisionada requer
conhecimentos prévios das classes de alvos, a fim de classificar a imagem nas classes de interesse
pré-fixadas pelo analista. O algoritmo necessita ser treinado para poder distinguir as classes uma das
outras.
O treinamento supervisionado é controlado de perto pelo analista. Nesse processo o analista
escolhe pequenas áreas de amostras na imagem, contendo poucas centenas de pixels que sejam
bem representativo espectralmente, de padrões ou feições dos alvos por ele reconhecidos, ou que
podem ser identificados com a ajuda de outras fontes, tais como dados coletados no campo ou de
mapas.
Há vários métodos de classificação supervisionada: paralelepípedo, distância mínima, distância de
Mahalanobis e máxima verossimilhança...
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Classificação 
Supervisionada
201 202
203 204
18/11/2021
52
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Endmember e pixel puro
Endmembers são espectros escolhidos para representar materiais puros
de superfície em uma imagem espectral
Mistura espectral
Linear
Non-linear
Etapas para encontrar endmembers
• Minimum noise fraction (MNF)
• Pixel Purity Index (PPI)
• n-Dimensional Visualization (nDV)
• Spectral Analyst (SA)
Classificação Hiperespectral
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Endmember e pixel puro
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Na maioria dos casos, a mistura não linear é um efeito de segunda ordem. Muitos materiais de
superfície se misturam de maneiras não lineares, mas as técnicas de desmistura linear, embora, na
melhor das hipóteses, sejam uma aproximação, parecem funcionar bem em muitas circunstâncias.
A mistura espacial de materiais na área representada por um único pixel resulta em sinais
refletidos espectralmente misturados.
Mistura espectral Linear e Não-linear
O modelo linear não assume nenhuma interação entre os
materiais. Se cada fóton vê apenas um material, esses sinais se
somam (um processo linear). A dispersão múltipla envolvendo
vários materiais pode ser considerada como multiplicações em
cascata (um processo não linear).
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Etapas para o processamento com técnicas hiperespectrais
205 206
207 208
18/11/2021
53
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
O MNF é usado para determinar a dimensionalidade
inerente dos dados da imagem, para separar o ruído e para
reduzir os requisitos computacionais para o processamento
subsequente.
PPI é um meio de encontrar os pixels mais “espectralmente
puros” ou extremos em imagens múltiplas e hiperespectrais.
Na imagem PPI, os pixels mais brilhantes representam
achados mais extremos espectralmente (puros). Pixels mais
escuros são menos puros espectralmente.
Os espectros podem ser considerados como pontos em um
gráfico de dispersão n-D, onde n é o número de bandas. Os
pixels mais puros selecionados do PPI serão usados no
gráfico para você pegar (ou pintar) os endmemebrs.
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Métodos especiais de classificação e desmistura
Método por pixel
Métodos de análise por pixel tentam determinar se um ou mais materiais alvo são abundantes dentro
de cada pixel em uma imagem hiperespectral/multiespectral com base na similaridade espectral entre
o pixel de treinamento (referência) e os espectros alvo (desconhecido).
• Mapeador de ângulo espectral SAM
• Ajuste de recurso spectral SFF
Método de subpixel (fuzzy)
As ferramentas por pixel incluem classificadores supervisionados padrão, bem como ferramentas
desenvolvidas especificamente para imagens hiperespectrais.
• Desmistura espectral linear completa,
• Filtragem combinada,
• Filtragem combinada ajustada para mistura (MTMF)
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Spectral Angule Mapper (SAM)O mapeador ângular espectral (SAM), é uma
classificação espectral que avalia a similaridade entre
os espectros de imagem e do endmember, calculando
o ângulo entre eles. Os espectros de referência
podem ser de laboratório ou de campo ou extraídos
da imagem.
O algoritmo determina a similaridade espectral entre
dois espectros calculando o "ângulo" entre os dois
espectros, tratando-os como vetores em um espaço
com dimensionalidade igual ao número de bandas.
Ângulos menores representam correspondências
mais próximas do espectro de referência. O resultado
é uma imagem de classificação e uma imagem de
regra para cada endmember.
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Mixture Tuned Matched Filtering (MTMF)
A filtragem combinada ajustada de mistura - MTMF é
uma abordagem apropriada para misturas espectrais
a nível de subpixel, permitindo estimar a abundância
de um determinado endmember de um único alvo
em pixels misturados.
Esse método é importante para eliminar falsos
positivos, pois também gera uma imagem de
inviabilidade, quanto maior o erro, menor a
correspondência com o endmember.
209 210
211 212
18/11/2021
54
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
D
uc
ar
t,
20
04
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Machine learning ou aprendizagem de máquina é
uma representação que tem como objetivo criar um
modelo a partir de dados históricos, identificando os
relacionamentos existentes para generalizar decisões.
Existem diversos algoritmos que podem ser utilizados
em machine learning. Normalmente, são agrupados
em duas categorias:
1. Tipo de aprendizagem: supervisionada, não
supervisionada e outros.
2. Categorias de problemas: classificação, regressão,
agrupamento, entre outros.
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Airborne hyperspectral characterisation of hydrothermal alteration in a regolith-dominated
terrain, southern Gawler Ranges, South Australia (Caruso et al. 2020).
3. Processamento digital de imagens no mapeamento mineral
3.7 Classificação
Ducart, 2004
213 214
215 216
18/11/2021
55
Sensoriamento Remoto aplicado à Mineração
Ementa: 
Revisão teórica dos princípios do sensoriamento remoto;
Espectroscopia e reflectância de minerais;
Processamento digital de imagens e o mapeamento mineral; 
Estudos de Casos;
Tecnologias de sensoriamento remoto na mineração;
Detecção de mudanças;
Possíveis aplicações nas atividades de fiscalização da ANM.
Sensoriamento Remoto aplicado à Mineração
4. Estudos de Casos
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
4.2 Application of remote sensing and reflectance spectroscopy to explore iron-
enriched domains 
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
DUCART, D.F.; SILVA, A.M.;
TOLEDO, C.L.B.; ASSIS, L.M.
Mapping iron oxides with
Landsat-8/OLI and EO-
1/Hyperion imagery from
the Serra Norte iron
deposits in the Carajás
Mineral Province, Brazil.
Brazilian Journal of Geology,
46(3): 331-349, September
2016.
Composição colorida RGB-432 do Landsat-8/OLI
Introdução
Métodos de mapeamento para óxidos de ferro e argilas, aplicados em imagens Landsat-8/Operational Land
Imager (OLI) e Earth Observing 1 (EO-1)/Hyperion e integrados com dados aerogeofísicos, foram testados nos
depósitos de ferro de N4, N5 e N4WS, Serra Norte, Carajás, Brasil.
Razões de banda foram aplicadas à imagem Landsat-8/OLI, identificando os principais minerais dos depósitos
de ferro de N4 e N5.
Extração de feições espectrais e o método de classificação hiperespectral Spectral Angle Mapper foram
aplicados na imagem EO-1/Hyperion.
Uma classificação não supervisionada foi aplicada a dados de 74 bandasdo visível e infravermelho próximo do
EO-1/Hyperion, índice NDVI derivado do Landsat-8/OLI, MDT derivado do LIDAR e dados aerogeofísicos
(gamaespectrometria e gravimetria).
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
217 218
219 220
18/11/2021
56
Dados Utilizados
Sensores Remotos
Landsat 8/OLI (1T sem nuvens),
imagem de fev/13 (estação seca)
Hyperion EO-1 (1R sem nuvens),
imagem de jul/09 (estação seca)
LIDAR da Vale de 2009
Geofisica
FTG (espectroscopia de raio gama
e gravimetria gradiométrica)
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
Método
Pré processamento dos dados de sensoriamento remoto
O pré-processamento aplicado às imagens Landsat-8 / OLI consistiu nas seguintes etapas:
1. conversão do formato original GeoTIFF para o formato Envi padrão;
2. conversão para radiância usando o software Envi 5.3;
3. correção atmosférica usando o FLAASH.
Um modelo atmosférico tropical foi utilizado para a correção atmosférica.
O pré-processamento da imagem EO-1 / Hyperion incluiu:
1. conversão do formato de dados HDF original para o formato ENVI;
2. conversão ao brilho;
3. correção das células de detecção defeituosa;
4. destriping da coluna;
5. correção atmosférica;
6. polimento espectral;
7. Identificação e mascaramento de outliers espectrais.
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
Os espectros de materiais principais encontrados na área de estudo foram obtidos da biblioteca espectral do
USGS.
Os espectros do USGS foram convertidos para a resolução espectral de Landsat-8 / OLI.
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
Alguns espectros de
reflectância extraídos das
áreas da mina e florestas dos
dados de reflectância Landsat-
8 / OLI.
O espectro 1 (canga de
minério) representa uma
mistura entre vegetação e
óxido de ferro. Os espectro 2 e
3, minério de alto teor, de
dentro da mina. O espectro 5
com menor teor de ferro. O
espectro 4 é típico da
vegetação.
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
221 222
223 224
18/11/2021
57
Espectro 1 representa uma mistura entre vegetação e óxido de ferro.
Espectro 2 e 3, minério de alto teor, de dentro da mina.
Espectro 5 com menor teor de ferro.
Espectro 4 é típico da vegetação.
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
Aplicação da razão de banda Landsat-8/OLI. Testadas para
destacar as zonas de ferro férrico:
1. Razão 4/2;
2. Razão ((4 + 6) / 5).
Razão (6/7)/(5/4) (argilas + óxido de ferro).
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
Razão de Bandas aplicada ao Landsat-8
A imagem NDVI colorida mostra a
floresta densa em vermelho e laranja, a
mistura de óxidos de ferro e vegetais
em amarelo e amarelo claro, o solo
exposto, afloramento de minério de
ferro e open pit em azul claro, e a água
em azul escuro.
A) Abundância de caulinita
utilizando a técnica SAM
B) Espectro do ponto P.1
obtido do sensor EO-
1/Hyperion comparado
com a biblioteca do
espectral do USGS.
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
225 226
227 228
18/11/2021
58
A) Abundância de óxido
de ferro resultante da
extração de
profundidade de
absorção de 0,90 μm
B) Razão hematita-
goethita resultante da
extração de absorção
de 0,90 μm.
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
A classificação ISODATA produziu sete classes sobre os principais
depósitos de ferro (3, 4, 6, 7, 13, 14 e 15) e seis classes sobre a
floresta densa (5, 8, 9, 10, 11 e 12).
As classes 1 e 2 correspondem a pequenos corpos aquáticos. As
classes 3, 4 e 15 estão relacionadas a áreas de minério de ferro de
alto teor.
A classe 6 também está relacionada a áreas de ferro de alto teor,
mas em áreas de platô.
A classe 7 discrimina principalmente a vegetação do campo rupestre
sobre a cobertura laterítica relacionada às rochas máficas nos
planaltos.
Os saprolitos maficos foram discriminados nas Classes 13 e 14
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
Discussão e Conclusão
As imagens Landsat-8/OLI mostraram um bom desempenho para a exploração de óxido de ferro e/ou
minerais de argila, mesmo em áreas vegetadas.
Especificamente, a razão de banda (4 + 6)/5 mostrou os melhores resultados para o mapeamento de
minério de ferro de alto teor. A razão de banda 4/2 destaca corretamente os óxidos de ferro, principalmente
relacionados aos saprólitos máficos, e também óxidos de ferro sob cobertura vegetal.
O resultado para o Landsat-8/OLI da razão de banda 6/7 dividido pela razão 5/4 produziu um índice
adequado para a detecção de minerais de argila.
A extração de características e o método SAM aplicados nas imagens EO-1/Hyperion produziram resultados
aceitáveis para o mapeamento de óxidos de ferro de alto teor, relação hematita-goethita e minerais de
argila. No entanto, a detecção remota de óxidos de ferro tornou-se difícil em áreas de vegetação pesada ou
escassa, porque a vegetação obscurece as características de reflectância do substrato subjacente.
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
229 230
231 232
18/11/2021
59
Discussão e Conclusão
Os resultados obtidos pelo processamento de dados hiperspectrais de EO-1/Hyperion para mapear óxidos
de ferro e argilas foram comparáveis com os do Landsat-8/OLI.
As imagens EO-1/Hyperion revelaram-se uma excelente ferramenta para um rápido mapeamento mineral
remoto em áreas de mina a céu aberto, bem como para o monitoramento ambiental dos depósitos de
minas. A imagem Landsat-8/OLI mostrou uma performance sólida para a exploração de óxido de ferro,
mesmo em áreas com vegetação.
A integração de sensoriamento remoto com dados geofísicos em uma classificação não supervisionada
provou ser uma alternativa adequada ao mapeamento de óxidos de ferro em áreas com vegetação.
4. Estudos de Caso
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
Sensoriamento Remoto aplicado à Mineração
4. Estudos de Casos
4.1 Mapping iron oxides with Landsat-8/OLI and EO-1/Hyperion imagery 
4.2 Application of remote sensing and reflectance spectroscopy to explore iron-
enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
Lanfranchi, R.A.; Cruz, S.C.P.; Rocha,
W.F. Application of remote sensing
and reflectance spectroscopy to
explore iron-enriched domains in the
north region of the intracontinental
sector of the Araçuaí West Congo
Orogen. ORE GEOLOGY REVIEWS, v.
128, p. 103916, 2021.
5. Estudos de Caso
5.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
No setor são conhecidas áreas mineralizadas em hematita,
localizadas em regiões pontuais das sequências
metavulcanossedimentares arqueanas/paleoproterozoicas ou
em unidades proterozoicas dos supergrupos Espinhaço e São
Francisco, que foram truncadas por zonas de cisalhamentos
transpressionais.
Essas sequências se estendem por grandes áreas e as
ocorrências de jazidas de minério de ferro pontuais podem
indicar a existências de outras ocorrências econômicas.
233 234
235 236
18/11/2021
60
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
Objetivos
Geral
Contribuir com o estudo espectral de minério de ferro como ferramenta para pesquisa mineral
em terrenos pré-cambrianos.
Específicos
a) Identificar assinaturas espectrais dos minérios de ferro (hematita e goethita) em duas áreas
selecionadas e que já são minas;b) correlacionar as assinaturas espectrais desses locais com outras regiões da área de estudo;
c) através de uso de imagens de satélite e espectroscopia de reflectância, propor um método
para definir alvos para prospecção de minério de ferro no setor intracontinental do Orógeno
Araçuaí-Oeste Congo.
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
Método
- Geração de acervo de dados espaciais para integração dos dados no ArcGis;
- Trabalhos de campo visando reconhecimento das unidades mineralizadas e a coleta de amostras;
- Estudos petrográficos;
- Caracterização geoquímica;
- Caracterização espectral das amostras;
- Processamento digital das imagens utilizando o sensor SENTINEL 2.
Caracterização espectral das amostras 
Espectroscopia de Reflectância
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
Sentinel 2 – MSI
A feição de absorção no entorno de 900 nm
é atribuída à presença de óxidos de ferro
(Hunt et al, 1971).
O MSI foi projetado com oito bandas
espectrais nos comprimentos de onda
visível e infravermelho próximo - VNIR, que
são viáveis para a pesquisa de óxidos de
ferro.
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
237 238
239 240
18/11/2021
61
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
i. itabirito rico
ii. itabirito pobre
iii. hematitito compacto
iv. hematitito friável
v. brecha hematítica
vi. brecha goethítica
vii. canga hematítica
viii. canga goethítica
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
241 242
243 244
18/11/2021
62
goethita
goethita
hematita
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
Foram selecionados os espectros dos pixels
da imagem, no local de coleta das
amostras. Os espectros medidos em
laboratório foram reamostrados para as
resoluções do Sentinel-2. Por fim, se
confrontou os espectros da imagem com os
respectivos espectros medidos em
laboratório reamostrados, permitindo a
análise da similaridade entre ambos
espectros.
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
245 246
247 248
18/11/2021
63
Resolução 20m Resolução 60m
Algoritmo SAM
Resolução 20m Resolução 60m
Algoritmo MTMF
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
Resolução 20m Resolução 60m
Algoritmo SAM
Resolução 20m Resolução 60m
Algoritmo MTMF
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
249 250
251 252
18/11/2021
64
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
Conclusão
Os resultados do estudo nas áreas dos Alvos Caetité e Piatã utilizando dados Sentinel-2 conjugado com a
espectroscopia de reflectância, como uma ferramenta para mapeamento de óxidos de ferro e exploração
de minério de ferro, revelou que:
(i) as rochas das duas áreas analisadas ao microscópio ótico mostraram diferenças entre os minérios de
alto teor de ferro. A principal diferença é que no Alvo Piatã o minério de alto teor é composto por
hematita e no Alvo Caetité hematita e goethita. Também os hematititos das duas áreas apresentam
diferenças em composição e microestruturas.
(ii) A Espectroscopia de Reflectância demonstrou o seu potencial como uma ferramenta para o
mapeamento de domínios ricos em ferro, na medida em que permitiu a discriminação de minerais e
associações químicas distintas, discriminando as de maior teor.
(iv) A utilização de imagens de resolução espacial 20 m foram suficiente para discriminar tipos diferentes
de óxidos de ferro. As resoluções superiores não se mostraram tão eficientes.
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
253 254
255 256
18/11/2021
65
Conclusão
(v) A análise dos algoritmos aplicados na classificação espectral, MTMF e SAM, mostrou que ambos têm
grande capacidade de identificar zonas de óxidos de ferro para mapeamento nas escalas regional e local,
utilizando imagens Sentinel-2.
(vi) Entre os dois métodos de classificação aplicados às imagens Sentinel-2, o algoritmo SAM foi o que
demonstrou maior eficácia e precisão no mapeamento dos endmembers utilizados.
Os dados do Sentinel-2 podem ser usados para o mapeamento espectral de diferentes litotipos
compostos por óxidos de ferro. As correlações espaciais entre o mapeamento litológico da mina a céu
aberto do Alvo Caetité e os mapas abundância minerais produzidos neste trabalho demonstrou plausível.
O mapa de classificação gerado com SAM para o sensor Sentinel-2, que permitiu mapear uma variedade
de minerais de minérios de ferro de alto teor, mostrou que esse método pode ser efetivamente usado
para mapeamento geológico e potencialmente usado para exploração de minério de ferro em terrenos
pré-cambrianos
4. Estudos de Caso
4.2 Application of remote sensing and reflectance spectroscopy 
to explore iron-enriched domains 
Sensoriamento Remoto aplicado à Mineração
Ementa: 
Revisão teórica dos princípios do sensoriamento remoto;
Espectroscopia e reflectância de minerais;
Processamento digital de imagens e o mapeamento mineral; 
Estudos de Casos;
Tecnologias de sensoriamento remoto na mineração;
Detecção de mudanças;
Possíveis aplicações nas atividades de fiscalização da ANM.
Sensoriamento Remoto aplicado à Mineração
5. Tecnologias de sensoriamento na Mineração
5.1 Mapeamento Mineral; 
5.2 Mapeamento de Frente de Lavra;
5.3 Leitura de logs de sondagem;
5.4 Análise Ambiental; 
5.5 Integração dos dados de sensoriamento remoto
Sensoriamento Remoto aplicado à Mineração
257 258
259 260
18/11/2021
66
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
261 262
263 264
18/11/2021
67
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Razão de Bandas
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Medina et al. 2021
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Medina et al. 2021
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Medina et al. 2021
265 266
267 268
18/11/2021
68
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Razão de 
Bandas
5. Tecnologiasde sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
APC
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
269 270
271 272
18/11/2021
69
APC
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
SAM
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Razão de Bandas
MNF
SAM
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Introducing au potential areas, using remote sensing and
geochemical data processing using fractal methods in
Chartagh, western Azerbijan – Iran
Mansouri & Feizi, 2016.
273 274
275 276
18/11/2021
70
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Introducing au potential areas, using remote sensing and
geochemical data processing using fractal methods in
Chartagh, western Azerbijan – Iran (Mansouri & Feizi, 2016).
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
277 278
279 280
18/11/2021
71
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
Tetracorder
http://speclab.cr.usgs.gov/tetracorder.html
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.1 Mapeamento Mineral
281 282
283 284
18/11/2021
72
Sensoriamento Remoto aplicado à Mineração
5. Aplicações sensoriamento remoto em Mineração
5.1 Mapeamento Mineral; 
5.2 Mapeamento de Frente de Lavra;
5.3 Leitura de logs de sondagem;
5.4 Análise Ambiental; 
5.5 Integração dos dados de sensoriamento remoto
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.2 Mapeamento de Frente de Lavra
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.2 Mapeamento de Frente de Lavra
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.2 Mapeamento de Frente de Lavra
285 286
287 288
18/11/2021
73
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.2 Mapeamento de Frente de Lavra
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.2 Mapeamento de Frente de Lavra
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.2 Mapeamento de Frente de Lavra
Sensoriamento Remoto aplicado à Mineração
5. Aplicações sensoriamento remoto em Mineração
5.1 Mapeamento Mineral; 
5.2 Mapeamento de Frente de Lavra;
5.3 Leitura de logs de sondagem;
5.4 Análise Ambiental; 
5.5 Integração dos dados de sensoriamento remoto
289 290
291 292
18/11/2021
74
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.3 Leitura de logs de sondagem
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.3 Leitura de logs de sondagem
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.3 Leitura de logs de sondagem
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.3 Leitura de logs de sondagem
293 294
295 296
18/11/2021
75
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.3 Leitura de logs de sondagem
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.3 Leitura de logs de sondagem
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.3 Leitura de logs de sondagem
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.3 Leitura de logs de sondagem
297 298
299 300
18/11/2021
76
Sensoriamento Remoto aplicado à Mineração
5. Aplicações sensoriamento remoto em Mineração
5.1 Mapeamento Mineral; 
5.2 Mapeamento de Frente de Lavra;
5.3 Leitura de logs de sondagem;
5.4 Análise Ambiental; 
5.5 Integração dos dados de sensoriamento remoto
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.4 Análise Ambiental
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.4 Análise Ambiental
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.4 Análise Ambiental
301 302
303 304
18/11/2021
77
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.4 Análise Ambiental
O sensoriamento remoto é utilizado para monitorar a qualidade da água, estimando parâmetros: concentração
de sedimentos em suspensão, concentração de clorofila (indicação de algas), matéria orgânica dissolvida,
salinidade e temperatura da água. A poluição por metais pesados na água geralmente não pode ser detectada por
sensoriamento remoto diretamente. A combinação de medições de campo com análise de sensoriamento remoto
pode fornecer uma estimativa da distribuição espacial da poluição e as mudanças ao longo do tempo.
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.4 Análise Ambiental
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.4 Análise Ambiental
Sensoriamento Remoto aplicado à Mineração
5. Aplicações sensoriamento remoto em Mineração
5.1 Mapeamento Mineral; 
5.2 Mapeamento de Frente de Lavra;
5.3 Leitura de logs de sondagem;
5.4 Análise Ambiental; 
5.5 Integração dos dados de sensoriamento remoto
305 306
307 308
18/11/2021
78
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.5 Integração dos dados de sensoriamento remoto
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.5 Integração dos dados de sensoriamento remoto
5. Tecnologias de sensoriamento remoto utilizadas na 
mineração
5.5 Integração dos dados de sensoriamento remoto
Sensoriamento Remoto aplicado à Mineração
Ementa: 
Revisão teórica dos princípios do sensoriamento remoto;
Espectroscopia e reflectância de minerais;
Processamento digital de imagens e o mapeamento mineral; 
Estudos de Casos;
Tecnologias de sensoriamento remoto na mineração;
Detecção de mudanças;
Possíveis aplicações nas atividades de fiscalização da ANM.
309 310
311 312
18/11/2021
79
Sensoriamento Remoto aplicado à Mineração
6. Detecção de Mudanças 
6.1 Consideração sobre o uso de imagens do Google;
6.2 Detecção de mudanças;
6.3 Sistemas com Alertas.
6. Aplicação nas atividades de fiscalização da ANM
6.1 Consideração sobre o uso de imagens do Google
Uso de imagens do Google Earth:
1. Não é permitido o uso comercial;
2. Não são imagens de Satélite;
3. Datas das imagens;
4. Distorção das áreas;
5. Precisão posicional.
6. Aplicação nas atividades de fiscalização da ANM
6.1 Consideração sobre o uso de imagens do Google
6. Aplicação nas atividades de fiscalização da ANM
6.1 Consideração sobre o uso de imagens do Google
313 314
315 316
18/11/2021
80
6. Aplicação nas atividades de fiscalização da ANM
6.1 Consideração sobre o uso de imagens do Google
Trabalhos mostram que na análise de tendência foi constatado que nas imagens do Google Earth
existem deslocamentos “constantes” na direção E e N. Também apresentam problemas na construção
de mosaicos, que surgem no processo de superposição de uma mesma cena, fazendo que os pontos
correspondentes nas imagens não sejam coincidentes.
Imagens do Google, quando copiadas da tela
• Não são georreferenciadas e ortorretificadas,
• São imagens apenas no formato JPG sem bandas espectrais separadas
É interessante saber dos limites de precisão e das aplicações possíveis, uma vez que por trás de uma
alta resolução espacial podem conter erros ocultos, que estão sendo desprezados pelos usuários em
geral, podendo trazer consequências nas decisões apoiadas sobre estas imagens.
6. Aplicação nas atividades de fiscalização da ANM
6.1 Consideração sobre o uso de imagens do Google
6. Aplicação nas atividades de fiscalização da ANM6.1 Consideração sobre o uso de imagens do Google
Conclusões do trabalho realizado pela empresa Esteio Eng. e Aerolevantamentos intitulado 
“Os limites posicionais do Google Earth”
6. Aplicação nas atividades de fiscalização da ANM
6.1 Consideração sobre o uso de imagens do Google
https://earthengine.google.com/
Google Earth Engine
317 318
319 320
18/11/2021
81
6. Aplicação nas atividades de fiscalização da ANM
6.1 Consideração sobre o uso de imagens do Google
Sensoriamento Remoto aplicado à Mineração
6. Detecção de Mudanças 
6.1 Consideração sobre o uso de imagens do Google;
6.2 Detecção de mudanças;
6.3 Sistemas com Alertas.
6. Aplicação nas atividades de fiscalização da ANM
6.2 Detecção de Mudanças
Tendências tecnológicas
Na forma de aquisição de dados com sensoriamento remoto podemos destacar o advento e
intensificação do uso dos smallsats. Um caso de sucesso é o da empresa Planet, que opera mais de 150
smallsats organizados em diferentes constelações e fornece dados e produtos com a combinação de alta
resolução espacial e frequência de imageamento.
Em relação ao armazenamento e processamento de dados podemos destacar a disponibilização das
principais coleções de imagens de satélite em serviços de armazenamento e processamento em nuvem
como Google Earth Engine.
As vantagens das soluções de monitoramento baseadas neste tipo de tecnologia incluem a facilidade de
manipulação de grandes volumes de dados sem a necessidade de download, a capacidade de realizar
processamento em computação em nuvem e a possibilidade de desenvolver algoritmos de uso
amplamente utilizado plataformas de machine learning e deep learning.
6. Aplicação nas atividades de fiscalização da ANM
6.2 Detecção de Mudanças
Detecção de mudanças
Detectar mudanças no uso e cobertura da terra é um dos usos mais fundamentais e comuns da análise
de imagens de sensoriamento remoto. A detecção de mudanças é um processo de identificação de
diferenças no estado de um objeto ou fenômeno, observando-o em momentos diferentes.
Uma das formas mais rudimentares de detecção de mudanças é a comparação visual de duas imagens
por um intérprete treinado. Outra forma é gerar mapas de uso e cobertura da terra a partir da
classificação de imagens que podem ser comparados, indicando mudanças em classes específicas, ao
longo do tempo. O procedimento básico para detecção de mudanças é encontrar um conjunto de pixels
ou regiões que são diferentes em um par de imagens.
321 322
323 324
18/11/2021
82
6. Aplicação nas atividades de fiscalização da ANM
6.2 Detecção de Mudanças
Utilização do NDVI na análise da vegetação após ocorrência de incêndio (Leal et al. 2019).
𝑁𝐷𝑉𝐼𝑑𝑒𝑡𝑒𝑐cã𝑜 = 𝑁𝐷𝑉𝐼2 − 𝑁𝐷𝑉𝐼1
6. Aplicação nas atividades de fiscalização da ANM
6.2 Detecção de Mudanças
Detecção de mudanças
Embora o conceito seja relativamente simples, na prática, há um grande número de fatores que devem
ser monitorados e controlados para alcançar resultados válidos de detecção de mudanças. Imagens
adquiridas em diferentes datas podem sofrer influências radiométricas e de registro. Em outras
palavras, é necessária a minimização das influências pelo movimento da câmera, variação de iluminação
e variações atmosféricas para aproximar as características das imagens.
Algoritmos de detecção de mudanças visam destacar variações entre imagens, de tal maneira a
diferenciar os alvos de outros sinais provenientes de ruídos, clustter (ecos resultantes do ambiente de
aquisição de dados), utilizando de inteligência artificial e análise preditiva (Alertas).
6. Aplicação nas atividades de fiscalização da ANM
6.2 Detecção de Mudanças
Segundo Campbell e Wynne (2011), as imagens devem atender aos
seguintes critérios:
• Ser adquiridas a partir do mesmo sensor.
• Ser adquiridas à mesma hora do dia, usando o mesmo campo e
ângulo de visão.
• Se obtidas em anos distintos, devem ser da mesma estação para
minimizar diferenças devidas aos ciclos de vida das plantas.
• Ter precisão de registro com até dois décimos de um pixel ou
menos;
• Ser livres de nuvens.
• Ter sido submetidas à correção de efeitos atmosféricos
Aquino & Padovani, 2005
Sensoriamento Remoto aplicado à Mineração
6. Detecção de Mudanças 
6.1 Consideração sobre o uso de imagens do Google;
6.2 Detecção de mudanças;
6.3 Sistemas com Alertas.
325 326
327 328
18/11/2021
83
6. Aplicação nas atividades de fiscalização da ANM
6.3 Sistemas com Alertas
Principais sistemas que utilizam inteligência artificial em imagens satélite para análise
preditiva na detecção de mudanças:
• GLAD - Global Land Analysis and Discovery
• SAD – Sistema de Aletas de Desmatamento
• Deter
• Mapbiomas
• Brasil Mais
6. Aplicação nas atividades de fiscalização da ANM
6.3 Sistemas com Alertas
GLAD/Univ. Maryland
O laboratório Global Land Analysis and Discovery
(GLAD) da Univ. de Maryland investiga métodos,
causas e impactos da mudança global da superfície da
terra. Imagens de satélites são a principal fonte de
dados, extensão e as mudanças da cobertura da terra
são o principal tópico de interesse.
O Landsat Analysis Ready Data (ARD) desenvolvido
pela equipe do GLAD, fornece dados espacial e
temporalmente consistentes para o mapeamento da
cobertura do solo e detecção de mudanças. Os dados
estão disponíveis online, sem custos de acesso e sem
restrições à redistribuição ou uso subsequente, desde
que a citação adequada.
https://glad.umd.edu/
6. Aplicação nas atividades de fiscalização da ANM
6.3 Sistemas com Alertas
SAD/IMAZON
O objetivo geral do programa é detectar,
quantificar e monitorar, por meio de
imagens de satélite, o desmatamento, a
degradação florestal, a exploração
madeireira, as estradas não oficiais e
outras formas de pressão humana na
Amazônia Legal. Os resultados do
monitoramento são combinados com
diversos mapas digitais, por meio de
Sistemas de Informações Geográficas
(SIG), para a qualificação dos problemas
ambientais e planejamento regional.
https://imazon.org.br/
6. Aplicação nas atividades de fiscalização da ANM
6.3 Sistemas com Alertas
DETER INTENSO
O DETER é um levantamento rápido de alertas de evidências de alteração da cobertura florestal na
Amazônia, feito pelo INPE. No final de 2019, o IBAMA e órgãos de fiscalização estaduais demandaram
uma forma mais ágil e precisa de fornecimento de alertas de desmatamento para áreas consideradas
críticas em termo de desmatamento.
Essa nova versão resultou da integração das imagens óticas dos satélites CBERS-4 (WFI e MUX), Landsat
8 (OLI), Sentinel 2 (MSI) e Sentinel 1 (banda C) para a detecção das alterações da cobertura florestal em
áreas específicas da Amazônia Legal, permitindo detecção de alertas maiores que um hectare.
O DETER intenso está baseado em uma plataforma webgis, Forest Monitor, que permite o acesso,
visualização e o mapeamento das imagens disponibilizadas em ambiente de computação em nuvem
diretamente na plataforma, sem necessidade de download das imagens e/ou utilização de sistemas de
informações geográficas específicos.
Além dos alertas, foi desenvolvido um algoritmo para priorização de fiscalização pelo IBAMA e extração
sistemática de dados sobre as propriedades rurais a partir do Cadastro Ambiental Rural (CAR).
329 330
331 332
18/11/2021
84
6. Aplicação nas atividades de fiscalização da ANM
6.3 Sistemas com Alertas
http://terrabrasilis.dpi.inpe.br/
6. Aplicação nas atividades de fiscalização da ANM
6.3 Sistemas com Alertas
O Projeto de Mapeamento Anual do Uso e Cobertura da Terra no Brasil é uma iniciativa que envolve
uma rede colaborativa com especialistas nos biomas, usos da terra, sensoriamento remoto, SIG e ciência
da computação que utiliza processamento em nuvem e classificadores automatizados desenvolvidos e
operados a partir da plataforma Google Earth Engine para gerar uma série histórica de mapas anuais de
uso e cobertura da terra do Brasil.
https://plataforma.brasil.mapbiomas.org/
6. Aplicação nas atividades de fiscalização da ANM
6.3 Sistemas com Alertas
Fonte: RedeMAIS