Baixe o app para aproveitar ainda mais
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
Compartilhar