Baixe o app para aproveitar ainda mais
Prévia do material em texto
24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 1/60 GEOPROCESSAMENTOGEOPROCESSAMENTO GEOPROCESSAMENTO EGEOPROCESSAMENTO E SENSORIAMENTO REMOTO:SENSORIAMENTO REMOTO: TÉCNICAS E APLICAÇÕESTÉCNICAS E APLICAÇÕES Autor: Me. Francieli Sant’ana Marcatto R e v i s o r : K e l l y C r i s t i n a d e M e l o I N I C I A R 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 2/60 introduçãoIntrodução A evolução tecnológica das últimas décadas e a obtenção de imagens de satélites e dados geográ�cos cada vez mais precisos enriqueceram a possibilidade de utilização das imagens de sensoriamento remoto (SR) e das técnicas de geoprocessamento, sendo crescente o seu uso no monitoramento socioambiental, no planejamento urbano e na gestão pública. Nesta unidade, conheceremos um pouco mais sobre algumas técnicas utilizadas no tratamento de imagens de sensoriamento remoto e de que maneira elas podem ser interpretadas e classi�cadas com a �nalidade de mapeamentos diversos. Além disso, estudaremos algumas aplicações do SR e das técnicas de geoprocessamento para a elaboração de mapas de uso e ocupação do solo, a obtenção dos dados de altimetria, a produção de mapas de declividade e a geração de per�s de elevação e curvas de nível. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 3/60 As imagens obtidas por meio dos sensores remotos precisam ser processadas para melhorar a sua qualidade espectral e espacial, para, posteriormente, serem analisadas. A necessidade do pré-processamento se dá em função de erros e defeitos que ocorrem no momento da coleta da imagem, seja por defeitos apresentados no sensor, pela instabilidade da plataforma onde o sensor se localiza ou por fontes externas, como a atmosfera. Pré-Processamento dePré-Processamento de Imagens: Correções dasImagens: Correções das DistorçõesDistorções 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 4/60 O pré-processamento das imagens busca reduzir tais erros, introduzindo correções nas imagens, entre elas a correção geométrica, que será estudada no item a seguir. Correção Geométrica de Imagens A correção geométrica das imagens de satélite de sensoriamento remoto é uma forma de remover os erros sistemáticos que ocorrem nas imagens. Essas correções são realizadas em duas fases distintas, segundo Meneses e Almeida (2012): Primeira fase: são corrigidas as distorções geométricas sistemáticas ocasionadas no momento da coleta de imagens. Essas distorções podem ser ocasionadas pela rotação, inclinação e curvatura da Terra ou pela instabilidade da plataforma. Como a correção geométrica exige o conhecimento das fontes de erro, no momento da aquisição da imagem, a sua correção é realizada pelos laboratórios de produção de imagens, e não pelo usuário, que não tem acesso a elas. Segunda fase: refere-se à correção das distorções ocasionadas pela visão cônica dos sensores. Essa fase é realizada pelo usuário e tem por objetivo inserir um sistema de projeções na imagem, para que o alvo possa ser localizado geogra�camente. Esse é o processo que chamamos de georreferenciamento de imagens, no qual ocorrem transformações geométricas que relacionam as coordenadas espaciais da imagem e as coordenadas geográ�cas de cartas topográ�cas. Reconhecidas as duas fases de correções de imagens de satélite, vamos conhecer um pouco mais sobre a correção geométrica. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 5/60 As distorções geométricas ocorrem quando há uma mudança de posição do pixel dentro da grade. O pixel representa uma amostragem do terreno (uma área unitária) onde foi medida a radiância dos alvos contidos, sendo que o valor digital do pixel é a medida da radiância, emitância ou retroespelhamento dos alvos (MENESES; ALMEIDA, 2012). Para compreender melhor, é necessário entender que uma imagem é formada por linhas sequenciais de pixels, dispostas umas sobre as outras, sucessivamente. De acordo com Meneses e Almeida (2012), como, geralmente, a resolução espacial de determinado terreno é quadrada, a formatação de uma imagem ocorre com o arranjo dos pixels em uma grade. Como vimos, as fontes de distorções geométricas têm origens diversas e as suas correções ocorrem a partir de modelos matemáticos que corrigem a localização do pixel. Como a correção do pixel exige conhecimento especí�co das fontes de distorção, abordaremos, nesta unidade, somente as correções por meio de coordenadas geográ�cas, que são realizadas pelo próprio usuário, sendo um procedimento de fácil execução e que não requer conhecimentos especí�cos acerca dos erros inerentes à obtenção da imagem. Georreferenciamento de Imagens Para realizar a correção geométrica por meio de coordenadas geográ�cas, o usuário seleciona pontos da área de estudo e associa cada um deles às coordenadas geográ�cas, em um determinado sistema de referência. Esse processo é denominado de georreferenciamento e, após a sua realização, os pixels terão coordenadas geográ�cas. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 6/60 Segundo Meneses e Almeida (2012), o georreferenciamento pode ser realizado de diversas formas, sendo que a mais comum consiste em relacionar a posição dos pixels de uma imagem às suas coordenadas correspondentes no terreno, feito com a utilização de cartas topográ�cas. Os pontos selecionados para essa relação são chamados de pontos de controle e devem ter feições claras e facilmente identi�cáveis nas imagens de satélite e nas cartas topográ�cas, como as curvas de uma estrada, as obras urbanas de engenharia e as feições agrícolas (Figura 3.1). É interessante que tenha um grande número de pontos de controle e que eles estejam bem distribuídos ao longo da imagem, para aumentar a con�abilidade do resultado. Após relacionar os pontos de controle na imagem e na carta topográ�ca, são estabelecidas relações matemáticas polinomiais entre os pontos de controle de ambas, gerando uma imagem geometricamente corrigida. O estabelecimento de relações entre os pontos de controle da carta e da imagem possuem erros associados à localização dos pontos, porque, ao localizar um ponto, em ambos os produtos, ela não é exatamente a mesma. Assim, é possível veri�car quais os pontos de controle se ajustam melhor no processo de transformação e possuem menor erro. Figura 3.1 - Seleção de pontos de controle na imagem e no mapa. Fonte: Meneses e Almeida (2012, p. 95). 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 7/60 Para isso, é calculado o erro quadrático médio (EQM), mais conhecido como RMS (root mean square), que calcula a distância de cada um dos pontos de controle em relação à curva polinomial. Meneses e Almeida (2012) a�rmam que o resultado é expresso em pixels, ou seja, o pixel transformado está a x pixels do de referência. Para resolver esse problema pode-se adicionar mais pontos de controle próximos ao local onde o valor RMS é elevado ou descartar o ponto de menor precisão, considerando que o número de pontos de controle realizados na imagem é su�ciente. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 8/60 A tolerância de erro RMS depende da resolução da imagem. De acordo com Meneses e Almeida (2012), para imagens ópticas com pixel de 30 m, o erro RMS deve ser ≤ 2 pixels (60 metros); para mapas na escala de reflitaRe�ita Após a realização do georreferenciamento de uma imagem e o cálculo do RMS total (de todos os pontos), você deve re�etir: qual o melhor caminho a tomar para resolver a imprecisão dos pontos? Se os valores RMS estiverem fora dos padrões tolerados, conformecitado acima, pode-se adicionar mais pontos de controle. Entretanto, é muito difícil um ajuste perfeito dos pontos de controle, assim, o recomendável é tolerar certa quantidade de erro. Fonte: Elaborado pela autora. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 9/60 1:25.000, a precisão deve ser de 20 m; no GPS deve ser de, aproximadamente, 10 m. praticarVamos Praticar A correção geométrica de imagens de sensoriamento remoto tem por objetivo principal a correção de erros sistemáticos associados à obtenção da imagem. Sobre esse tipo de correção, assinale a alternativa correta. a) Na correção geométrica, o usuário é o responsável por corrigir distorções causadas pela rotação, inclinação e curvatura da Terra. b) O georreferenciamento é o processo no qual são identi�cados os elementos presentes na imagem e são atribuídos signi�cados a eles. c) Os pontos de controle utilizados no georreferenciamento de uma imagem devem ser concentrados em uma única área, para minimizar erros. d) O georreferenciamento de uma imagem é um processo de grande exatidão e, após a sua realização, os erros de posição dos pixels é inexistente. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 10/60 e) O RMS é utilizado para avaliar o erro de localização dos pixels e o seu resultado é expresso em números de pixels. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 11/60 A interpretação de uma imagem de satélite requer conhecimentos especí�cos sobre o comportamento espectral do alvo e de elementos essenciais à interpretação, como as formas, a textura, a tonalidade, a cor, o padrão, entre outros. A partir da interpretação de uma imagem, parte-se para a sua classi�cação, atribuindo a cada objeto um signi�cado e inserindo-os em classes com as mesmas signi�cações. Princípios daPrincípios da Interpretação eInterpretação e Classi�cação de ImagensClassi�cação de Imagens 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 12/60 Interpretação de Imagens e Comportamento Espectral de Alvos As imagens de satélite contêm uma série de informações que, quando corretamente interpretadas, possuem utilidades diversas. Assim, os elementos contidos em uma imagem possuem signi�cados e, ao interpretar as imagens, são dados signi�cados aos elementos representados, gerando um mapa temático. Por exemplo, quando se reconhece, em uma imagem, uma cidade ou um determinado tipo de cultivo agrícola, signi�ca dizer que a imagem está sendo interpretada e, ao �nal, poderá ser elaborado um mapa de uso da terra. Segundo Florenzano (2011), a interpretação de imagens pode ocorrer em formato digital, utilizando um software de imagem e um SIG, em que os objetos são identi�cados diretamente no computador, ou feita à mão, colocando uma folha transparente sobre uma imagem impressa e fazendo os contornos dos elementos identi�cados sobre o papel. Entretanto, existem softwares que fazem a interpretação de imagens, gerando mapas automaticamente, mas é necessário que o usuário saiba interpretar uma imagem para avaliar a classi�cação automática. Para interpretar uma imagem, é necessário reconhecer alguns elementos essenciais à interpretação, como: textura, tonalidade, cor, tamanho, forma, sombra, localização e padrão. Esses elementos comportam-se de maneira distinta, dependendo do comportamento espectral do alvo. Vamos conhecer um pouco mais sobre cada um desses elementos, a seguir. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 13/60 Textura: segundo Florenzano (2011), percebemos a textura quando se associa ao aspecto liso ou rugoso dos objetos; e é muito utilizada para identi�car as formas de relevo. Por exemplo, um relevo dissecado resultará em uma imagem com textura rugosa, enquanto um relevo plano terá um aspecto liso. Também é possível identi�car as diferenças em relação à cobertura vegetal. Uma área de cultivo agrícola tem textura mais lisa do que uma área de mata, por exemplo. Tonalidade: segundo Florenzano (2011), a tonalidade é utilizada para a interpretação de imagens em preto e branco. Nesse produto, os objetos são representados por diferentes tons, que variam entre o branco e o preto. A tonalidade vai depender da quantidade de luz que o objeto vai re�etir (re�ectância), ou seja, quanto mais luz re�etir, mais próximo �cará do branco. Cor: é utilizada na interpretação de imagens coloridas. Assim, como a tonalidade, a cor depende da re�ectância do objeto e da mistura entre cores. Tamanho: o tamanho também é utilizado para distinguir os objetos, dependendo da escala da imagem. Por exemplo, é possível perceber a diferença entre uma casa e uma indústria ou entre uma cidade pequena e uma grande. Forma: segundo Florenzano (2011), a forma refere-se às distintas formas que os objetos possuem e que facilitam a sua identi�cação. As casas e indústrias possuem formas geométricas (quadrados ou retângulos) regulares, e os rios possuem formas lineares. Em geral, as formas regulares se associam a elementos humanos e as formas irregulares a elementos naturais. Sombra: é utilizada para estimar a altura de objetos. Localização: segundo Florenzano (2011), saber a localização geográ�ca dos objetos facilita a interpretação da imagem e torna possível interpretá-la com muito mais detalhes. É possível distinguir, por exemplo, uma área de vegetação de cerrado de uma área de vegetação de caatinga, visto que ocorrem em áreas geográ�cas distintas. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 14/60 Padrão: associa-se ao arranjo dos objetos. Em imagens de boa resolução espacial, é possível identi�car uma área ocupada por uma favela e uma área residencial de luxo, pois a organização das casas e das ruas possui padrões distintos. Como vimos, a identi�cação dos objetos em uma imagem de satélite depende muito do seu comportamento espectral. Os objetos re�etem diferentes quantidades de energia, dependendo das suas características físicas, químicas e biológicas, em determinadas faixas do espectro eletromagnético (azul, verde, vermelho e infravermelho próximo). Assim, conhecer o comportamento espectral dos alvos facilita a escolha das bandas a serem utilizadas para estudar um objeto. De acordo com Ponzoni e Shimabukuro (2009), a re�ectância refere-se à capacidade de re�exão da radiação eletromagnética de um determinado objeto. Ela é obtida a partir do cálculo de fatores de re�ectância, que consideram a intensidade de radiação re�etida e a intensidade de radiação incidente em determinada faixa do espectro eletromagnético. Para entender melhor, observe a Figura 3.2, que retrata o percentual de re�ectância de alvos em diferentes comprimentos de ondas. Ao analisar a areia, por exemplo, veri�ca-se que ela re�ete menos energia na faixa do vermelho (600 – 700 nm), com cerca de 25% comparados ao infravermelho próximo (700 – 900 nm), que chega a re�etir 35%. Se quisermos diferenciar um solo argiloso de um arenoso, sabemos que, na faixa do infravermelho próximo, o solo arenoso irá re�etir mais energia do que o solo argiloso. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 15/60 Além disso, ao comparar dois objetos em uma mesma faixa espectral, eles podem ter comportamentos iguais, mas, ao mudar a faixa espectral, podem re�etir quantidades de energia distintas, diferenciando-se na imagem. Dessa forma, reconhecer o comportamento espectral do objeto que deseja identi�car e mapear facilita a interpretação da imagem e a geração do mapa. Comportamento Espectral da Vegetação e os Índices de Vegetação Como vimos, cada objeto da superfície terrestre possui distintos comportamentos espectrais, e com avegetação não é diferente. Ela constitui-se em um dos alvos mais complexos analisados pelas técnicas de sensoriamento remoto. Parte dessa complexidade se dá pela estrutura interna das folhas e sua composição química, que respondem à indecência da radiação eletromagnética de formas distintas. Partindo dessa complexidade, os estudiosos da área buscaram propor índices de vegetação capazes de explorar as características espectrais da vegetação. Esses índices relacionam-se a parâmetros biofísicos da vegetação, como o índice de área foliar e a biomassa foliar, e buscam corrigir outros fatores que interferem sobre a re�ectância, como a declividade da superfície, a geometria da aquisição e os efeitos de iluminação da imagem (PONZONI; SHIMABUKURO, 2009). 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 16/60 Para Jensen (2009), é importante entender que os índices de vegetação são medidas radiométricas adimensionais que buscam avaliar as propriedades da vegetação, utilizando as regiões do vermelho e do infravermelho, em função da menor interferência atmosférica e da absorção da cloro�la nessas bandas. O seu desenvolvimento parte do princípio de que a vegetação responde de forma distinta nas bandas do vermelho e do infravermelho próximo, fazendo com que esses índices combinem as informações obtidas nessas duas regiões (PONZONI; SHIMABUKURO, 2009). São diversos os índices de vegetação disponíveis, sendo que os mais conhecidos e utilizados são: índice de vegetação da razão simples (SR); índice de vegetação da diferença normalizada (NDVI); índice de vegetação melhorado (EVI); índice global de monitoramento ambiental (GEMI), e índice de vegetação ajustado para o solo (SAVI). Conheceremos, a seguir, um pouco mais sobre cada um deles. Índice de vegetação da razão simples (SR): foi o primeiro índice de vegetação utilizado. Segundo Ponzoni e Shimabukuro (2009), esse índice é determinado pela divisão do fator de re�ectância bidirecional (FRB) na região do infravermelho próximo, pelo fator de re�ectância bidirecional na região do vermelho. É determinado por meio da seguinte equação: Sendo: IVP = re�ectância no infravermelho próximo V = re�ectância no vermelho SR = IV P V 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 17/60 Índice de vegetação da diferença normalizada (NDVI): foi proposto por Rouse et al. (1973) e é um dos índices mais utilizados, pois realiza a normalização da razão simples. É encontrado pela divisão entre a re�ectância da banda no infravermelho próximo pela re�ectância na região do vermelho, variando entre os intervalos de -1 e +1, sendo que, quanto maior o valor, mais densidade e vigor a vegetação apresentará. É determinado pela equação: Sendo: IVP = re�ectância no infravermelho próximo V = re�ectância no vermelho Índice de vegetação melhorado (EVI): segundo Ponzoni e Shimabukuro (2009), esse índice foi desenvolvido com o objetivo de melhorar o sinal da vegetação, aumentando a sensibilidade na detecção de regiões com maior densidade de biomassa. Além disso, buscou reduzir a in�uência da atmosfera e do solo na resposta do dossel. O cálculo do índice é determinado por: NDV I = (IV P V ) (IV P+V ) EV I = G (IV P V ) IV P + C1 ∗ V − C2 ∗ A + L 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 18/60 Sendo: G = fator de ganho, utiliza-se, geralmente, 2,5 IVP = re�ectância no infravermelho próximo V = re�ectância no vermelho C1 e C2 = coe�cientes de correção da atmosfera nas bandas do vermelho e do azul, respectivamente A = re�ectância no azul L = fator de ajuste do solo Os coe�cientes C1, C2 e L foram empiricamente determinados com valores iguais a: C1 = 6,0; C2 = 7,5 e L = 1,0 (JENSEN, 2009). Índice global de monitoramento ambiental (GEMI): foi criado a partir de estudos sobre a in�uência da atmosfera no NDVI e no SR e tem como objetivo reduzir essa in�uência no resultado �nal desse índice. Segundo Ponzoni e Shimabukuro (2009), esse índice tem como características: a transmissão (razão entre o índice de vegetação no topo da atmosfera e o seu valor na superfície terrestre) deve ser insensível aos diferentes valores do índice e às variações de espessura óptica da atmosfera; deve ter uma ampla faixa de variação e ser representativo empiricamente da cobertura vegetal, sendo comparável ao NDVI e ao SR. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 19/60 Sua equação é dada por: Sendo: IVP = re�ectância no infravermelho próximo V = re�ectância no vermelho Índice de vegetação ajustado para o solo (SAVI): buscou reduzir o efeito do solo sobre o resultado �nal do índice. Para isso, criou um fator de ajuste (L) que atuaria nessa correção. A equação para sua determinação é dada por: Sendo: IVP = re�ectância no infravermelho próximo V = re�ectância no vermelho GEMI = n (1 0, 25n) ∗ ( )(V − 0,125) (1 − V ) N = 2 ∗ (IV P − V ) + 2,5 IV P + 0,5 V (IV P + V + 0,5) SAV I = [ ] ∗ (1 + L)(IV P V ) (IV P + V + L) 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 20/60 L = fator de correção do solo, que varia entre 0 e 1. Segmentação e Classi�icação de Imagens A segmentação e classi�cação de imagens são processos que estão diretamente relacionados. De acordo com Costa (1998), muitos métodos utilizados na classi�cação de imagens usam a segmentação, e o mesmo ocorre em sentido contrário, isto é, a segmentação pode utilizar as técnicas de classi�cação. Segundo Florenzano (2011), a segmentação é realizada antes de classi�car uma imagem e tem por objetivo separá-la em regiões espectrais que tenham homogeneidade, ou seja, é realizada a junção dos pixels que tenham características semelhantes. A segmentação pode ocorrer manualmente ou de forma automática. A forma manual consiste em criar na imagem polígonos com regiões homogêneas, como é feita na fotointerpretação de imagens. Segundo Brites, Bias e Rosa (apud MENESES; ALMEIDA, 2012), em relação à forma automática, ela é realizada a partir de dados quantitativos e produz bons resultados, sendo a mais utilizada para processar uma imagem. Para realizar a segmentação é utilizado um algoritmo que de�ne regiões homogêneas na imagem e a prepara para ser classi�cada com base nas regiões, e não nos valores dos pixels. A partir da segmentação, a classi�cação pode gerar produtos com maior exatidão, pois utiliza as condições texturais da imagem, tornando-se mais qualitativa. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 21/60 Existem, atualmente, vários tipos de algoritmos que podem ser utilizados na segmentação de imagens, �cando a cargo do usuário a de�nição do tamanho dos polígonos gerados e do limiar de similaridade entre os pixels. É um processo que exige várias tentativas até que o resultado seja satisfatório, sendo que quanto mais heterogênea é a área, mais complexa se torna a classi�cação. Em relação à classi�cação de imagens, ela é feita a partir da associação de um pixel ou grupo de pixels a um tema, que descreve um objeto real, como a vegetação, o solo, os rios e as rochas. A de�nição dos temas é realizada a partir dos valores numéricos de cada pixel, determinados pela maior ou menor re�ectância do objeto. Segundo Crósta (2002), o resultado dessa classi�cação é obtido um mapa temático que mostra a localização e distribuição geográ�ca de um tema, como a urbanização, a vegetação ou os tipos de uso da terra. Existem diversos métodos de classi�cação que podem ser divididos por distintos critérios, como as classi�cações paramétricas e não paramétricas, a classi�cação supervisionada e não supervisionada e a classi�cação espectral e espacial (MENESES; SANO apud MENESES; ALMEIDA,2012). A maioria dos classi�cadores conhecidos hoje utiliza a classi�cação pixel a pixel, que se caracteriza por utilizar somente as características espectrais dos pixels e, a partir disso, de�nir áreas homogêneas. Existe, também, a classi�cação por regiões, que considera, além da informação espectral do pixel, a informação espacial e a relação com os vizinhos (MENESES; SANO apud MENESES; ALMEIDA, 2012; INPE, 2008). Conheceremos, nesta unidade, dois dos principais classi�cadores de imagens utilizados em softwares de processamento de imagem: a classi�cação supervisionada e a classi�cação não supervisionada. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 22/60 Classi�icação Supervisionada Nesse tipo de classi�cação, é o usuário que cria as amostras (áreas de treinamento) com as classes espectralmente representativas, identi�cando os pixels e associando-os aos temas (ou classes). Após a escolha, é o algoritmo de classi�cação que localiza os demais pixels e os classi�ca como pertencentes às classes prede�nidas (FLORENZANO, 2011). A área identi�cada como pertencente a uma determinada classe é denominada área de treinamento. Essas áreas são de�nidas pelo usuário a partir da delimitação na imagem, sendo que é possível delimitar várias áreas de treinamento para uma mesma classe, de modo a garantir que os pixels são representativos da classe (CRÓSTA, 2002). Na classi�cação supervisionada, podem-se utilizar distintos métodos de classi�cação, que se diferenciam pelas características estatísticas que atribuem às classes criadas a partir das áreas de treinamento. Os métodos mais utilizados são: paralelepípedo, distância mínima e máxima verossimilhança. Método do paralelepípedo: considera uma área próxima ao conjunto de treinamento, que possui a forma de um paralelepípedo ou quadrado, onde todos os pixels situados nessa área serão classi�cados na mesma classe (CRÓSTA, 2002). Para entender melhor, imagine que o classi�cador cria valores de pixels para cada uma das classes, determinando um limite superior e um inferior de valores, que serão as bordas do paralelepípedo. Quando for realizada a classi�cação, o pixel que que estiver entre o valor superior ou inferior (ou seja, dentro do polígono de uma classe) em todas as bandas que estão sendo classi�cadas, será destinado à determinada classe (MENESES; SANO apud MENESES; ALMEIDA, 2012). 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 23/60 Um dos problemas relacionados a esse classi�cador é que os pixels, muitas vezes, �cam fora dos limites dos paralelepípedos e, quando isso ocorre, eles não são classi�cados. Outra desvantagem citada por Meneses e Sano (apud MENESES; ALMEIDA, 2012) é que os paralelepípedos possuem “cantos”, e isso faz com que um pixel seja classi�cado em determinada classe, mesmo que tenha características espectrais distantes da média da classe. Um exemplo de classi�cação utilizando esse método está representado na Figura 3.3. Observe que, na imagem a, é feita a seleção das áreas de treinamento, com a criação de polígonos com cores distintas para cada classe. Já na imagem b, foi realizada a classi�cação utilizando como base as classes prede�nidas. Método da distância mínima: cria-se um valor médio para cada classe, partindo da sua assinatura espectral, sendo que os pixels serão classi�cados nas com base na proximidade que estão desse valor médio. Assim, eles serão destinados a uma ou outra classe, considerando a distância mínima que estão da média de um determinado agrupamento. A principal vantagem do método é que todos os pixels são classi�cados. As desvantagens são: os pixels que não possuem características espectrais próximas a nenhuma classe serão destinados a uma; não é 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 24/60 considerada a variabilidade espacial das classes (MENESES; SANO apud MENESES; ALMEIDA, 2012). Na Figura 3.4, a mesma imagem classi�cada pelo método do paralelepípedo (Figura 3.3) foi utilizada para a classi�cação utilizando o método da distância mínima. Note que a principal diferença é o aspecto de continuidade que esse classi�cador atribui à imagem, diferentemente do paralelepípedo, que torna as classes mais segmentadas. Método da máxima verossimilhança (MAX VER): utiliza parâmetros estatísticos para de�nir a ponderação das distâncias das médias. Para que tenha precisão, é necessária a escolha de um grande número de pixels para cada área de treinamento (CRÓSTA, 2002). Nesse método, cada pixel presente em uma imagem é designado para a classe que possui maior probabilidade de pertencer, considerando o diagrama de dispersão dos conjuntos de treinamento. Assim, para cada pixel são calculadas as probabilidades de pertencer a cada uma das classes, destinando-o à classe que possuir a máxima verossimilhança (MENESES; SANO apud MENESES; ALMEIDA, 2012). Classi�icação não Supervisionada 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 25/60 Nessa classi�cação, diferentemente da anterior, as classes não são determinadas pelo usuário, mas pelo algoritmo utilizado, ou seja, os tipos de classes e os pixels pertencentes a cada uma delas são de�nidos pelo computador, cabendo ao usuário a de�nição dos signi�cados de cada uma das classes identi�cadas (FLORENZANO, 2011). Não é um método tão preciso quanto a classi�cação supervisionada, sendo mais comumente utilizado quando se deseja conhecer as classes que podem ocorrer em uma determinada imagem. Os principais algoritmos utilizados na classi�cação não supervisionada são o ISODATA (Iterative Self- Organizing Data Analysis Technique) e o K-médias, que classi�cam as imagens a partir da semelhança entre os pixels. ISODATA: também conhecido como método clustering, utiliza a distância espectral para de�nir as classes. Para isso, inicialmente é feita uma classi�cação interativa dos pixels; depois, são rede�nidos os critérios utilizados em cada classe e, por último, a imagem é reclassi�cada até que apareçam os padrões de distância espectral. O número de iterações e o número mínimo e máximo de classes são de�nidos pelo usuário (MENESES; SANO apud MENESES; ALMEIDA, 2012). K-médias: o número de agrupamentos é de�nido a priori. O seu objetivo é diminuir a variabilidade interna de agrupamentos, feita a partir da soma das distâncias ao quadrado entre cada pixel e o centro do agrupamento ao qual ele é designado. Os demais processos são semelhantes aos do ISODATA, exceto pela junção e separação de clusters, considerando que é realizada uma prede�nição do número de agrupamentos (MENESES; SANO apud MENESES; ALMEIDA, 2012). 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 26/60 praticarVamos Praticar O processo de classi�cação de uma imagem é muito utilizado para a produção de mapas temáticos. Existem diversas técnicas que podem ser usadas nesse processo, entretanto, as mais comuns são a classi�cação supervisionada e a não supervisionada. Sobre elas, assinale a alternativa correta. a) O K-média e o ISODATA são os algoritmos mais utilizados na classi�cação supervisionada e realizam a classi�cação da imagem pela semelhança entre os pixels. b) A classi�cação supervisionada é mais utilizada quando se deseja fazer um reconhecimento exploratório de uma área, sendo menos precisa do que a não supervisionada. c) No método do paralelepípedo, os pixels são classi�cados na classe que o seu valor espectral mais se aproximar da média obtida para toda a classe. d) O MAX VER é o método que calcula a probabilidade que cada pixel possui de pertencer a uma determinada classe, sendo destinado à classe que possuir a máxima verossimilhança. e) A grande vantagem de utilização do método do paralelepípedo na classi�cação supervisionada é quetodos os pixels da imagem são classi�cados em uma determinada classe. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 27/60 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 28/60 O tratamento de uma imagem e a produção de dados para a posterior geração de produtos cartográ�cos requer a utilização de diversas técnicas durante o processo. Dentre essas técnicas temos a interpolação espacial e a análise multicritérios, que serão objeto de estudo neste item. Instrumentalização deInstrumentalização de Técnicas doTécnicas do GeoprocessamentoGeoprocessamento 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 29/60 Interpolação Espacial A interpolação é um método matemático que busca estimar os valores de determinada localização, baseado em valores conhecidos de regiões vizinhas. Assim, a interpolação espacial cria estimativas de valores nas áreas que não possuem pontos amostrais. A interpolação espacial busca mapear o comportamento dos dados no espaço geográ�co, por meio do desvio-padrão. Miranda (2005) a�rma que isso pode ocorrer em duas etapas: na primeira, são estabelecidos os pontos vizinhos mais apropriados; na segunda, são de�nidos os métodos que serão utilizados no cálculo dos valores desconhecidos. Ainda segundo Miranda (2005), o processo de interpolação parte da ideia de que, em média, os valores de amostras mais próximas são provavelmente mais parecidos do que valores de amostras distantes umas das outras. A qualidade da interpolação dependerá da precisão, do número de pontos de distribuição, e do quanto a função matemática modelará corretamente o fenômeno. Os interpoladores possuem abordagens distintas, sendo que as mais comuns são as locais e as globais. Nos métodos locais, os pontos da superfície são estimados pela interpolação das amostras que estão mais próximas, concentrando-se em pequenas regiões. Para o método global, considera-se que há uma variação em larga escala do fenômeno em estudo, utilizando todos os dados simultaneamente (CAMARGO; FUCKS; CÂMARA apud CÂMARA, 2003). 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 30/60 Existem inúmeras técnicas para interpolar dados espaciais. A seguir, conheceremos as que são mais comumente utilizadas, como os interpoladores por vizinho mais próximo, o inverso da potência da distância, as superfícies de tendência e a krigagem. Vizinho mais próximo: é feito a partir da escolha de uma única amostra vizinha para cada ponto. É mais utilizado quando se deseja manter os valores de cotas, sem a produção de valores intermediários. A principal desvantagem desse interpolador é que tende a produzir superfícies com variações abruptas (CAMARGO; FUCKS; CÂMARA apud CÂMARA, 2003). Inverso da potência da distância: os valores estimados para um local não amostrado são feitos pela média dos valores dos dados da vizinhança. Para isso, utiliza uma média ponderada, que depende da distância entre o ponto a ser interpolado e os seus vizinhos, sendo que a in�uência dos vizinhos depende dessa distância (MIRANDA, 2005). É um interpolador que atua na suavização e pode ser falho ao reproduzir os pontos mais altos e baixos de uma superfície, entretanto, sua facilidade e determinação o tornam um dos mais utilizados (MIRANDA, 2005). Superfícies de tendência: são interpoladores globais, em que uma superfície contínua é ajustada utilizando como critério a regressão múltipla entre os valores do atributo e sua localização. A principal vantagem desse método é a facilidade de calcular, e a desvantagem é que o modelo tende a desconsiderar a variabilidade local, tornando-se pouco realista sobre a maioria dos fenômenos naturais. Krigagem: a precisão de um valor estimado é maior no local onde foi amostrado e se torna menos preciso à medida que se distancia dos pontos interpolados. Para interpolar, é necessário seguir alguns passos, como: a realização de uma estatística univariada da variável ambiental; a geração e 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 31/60 o ajuste de um semivariograma experimental; validação do modelo teórico e aplicação do interpolador de Krige (MIRANDA, 2005). A principal diferença entre a krigagem e os outros métodos é que ela estima uma matriz de covariância espacial, na qual são determinados os pesos para as diferentes amostras, o tratamento de redundância de dados, o erro do valor estimado e qual a vizinhança a ser considerada na inferência dos dados (CAMARGO; FUCKS; CÂMARA apud CÂMARA, 2003). A determinação dos dados por esse interpolador é feita por uma série de cálculos geoestatísticos, que não serão discutidos nesta unidade. As técnicas de interpolação aqui descritas são ferramentas promissoras para compreender e estimar a distribuição espacial de fenômenos naturais e antrópicos e podem ser aplicadas em diversas áreas, como na saúde, no planejamento urbano e na análise de dados ambientais (geologia, solos e climatologia). A interpolação espacial pode ser realizada pelos softwares SIGs, que dispõem de uma grande variedade de métodos, cabendo ao usuário conhecer as especi�cidades de cada um deles para melhor representar o fenômeno que deseja estudar. Análise Multicritérios: a Técnica AHP O processo hierárquico analítico, traduzido do inglês Analytic Hierarchy Process (AHP), é uma ferramenta utilizada para auxiliar na tomada de decisões e que tem se difundido em geoprocessamento. A AHP foi desenvolvida para solucionar problemas com múltiplos critérios, criando uma estrutura hierárquica. Nessa estrutura, nos níveis mais altos se localiza a descrição geral (foco principal do trabalho), 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 32/60 nos níveis mais baixos estão os critérios que deverão ser considerados para solucionar o problema e, nos últimos níveis, estão as alternativas que serão analisadas. A AHP possui como base conhecimentos matemáticos e busca organizar e avaliar a importância dos critérios, medindo a consistência do julgamento. Partindo de um modelo hierárquico, cria um processo de comparação pareada, baseada na importância, preferência ou probabilidade entre critérios, em relação ao critério que se encontra no nível superior. Realizada a comparação, são feitas ponderações dos critérios e subcritérios e calcula-se a razão de consistência, com valores entre 0 e 1, sendo que 0 indica completa consistência (MOREIRA et al. apud CÂMARA; DAVIS; MONTEIRO, 2001). As análises multicritérios desenvolvem uma estrutura analítica de decisão que pode ser muito útil ao gerenciamento ambiental. O seu objetivo não é apresentar a decisão correta, mas auxiliar no entendimento do problema, facilitando a tomada de decisão, considerando os riscos, critérios e os interesses con�itantes (KIKER et al., 2005). Para isso, são atribuídos pesos aos critérios, construindo-se uma matriz na qual é de�nida a importância relativa de cada um dos critérios. Quando se consideram números de 1 a 9, por exemplo, o 1 representa o mesmo valor entre os critérios, e o 9 indica a preferência de um critério em relação a outro. A escala de valores AHP com a comparação pareada pode ser consultada no Quadro 3.1. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 33/60 Quadro 3.1 - Escala de comparação pareada dos valores AHP Fonte: Adaptada de Moreira et al. apud Câmara, Davis e Monteiro (2001, p. 29). A aplicação da AHP, em conjunção com os SIGs, tem por objetivo criar alternativas para resolver um problema por meio da análise de multicritérios. Essa análise tem sido cada vez mais aplicada no planejamento ambiental, como a avaliação de potencialidades e vulnerabilidade dedeterminada área. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 34/60 Entre as aplicações da AHP utilizando as geotecnologias, pode-se destacar a sua utilização para diversos �ns, como: de�nição de áreas industriais ou loteamento urbanos; avaliação de impacto ambiental; avaliação de vulnerabilidade à erosão de uma área; planejamento de uso da terra; conservação de estradas sem pavimentação; de�nição de áreas prioritárias para melhoria do espaço urbano voltada a pedestres; áreas para implantação de aterro sanitário, entre outros. Para entender melhor como essa técnica pode ser aplicada, estudaremos um exemplo retirado de Moreira et al. (apud CÂMARA; DAVIS; MONTEIRO, 2001), que aplicou a AHP na de�nição de áreas favoráveis à ocorrência de minerais radioativos. A área de estudo é um maciço alcalino localizado na região de Poços de Caldas, que é conhecida pela presença de minerais radioativos. Para aplicar a análise multicritérios, foram levantadas as informações prévias da área, como as formações geológicas e suas características estruturais e dados de radiometria gama, com a radioatividade. Posterior a isso, foram criados bancos de dados com o levantamento de todas as informações disponíveis para a área. Para cada uma das informações, foram de�nidos pesos partindo da técnica AHP, criando um banco de dados que demonstrava a importância relativa de cada uma das evidências. A partir das informações disponíveis e dos pesos a elas atribuídos, foi criado um mapa delimitando graus de favorabilidade à ocorrência de minerais com radioatividade, com classes entre o muito baixo e o muito alto (MOREIRA et al. apud CÂMARA; DAVIS; MONTEIRO, 2001). 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 35/60 praticarVamos Praticar A interpolação espacial é muito utilizada para mapear a distribuição de um determinado fenômeno no espaço geográ�co, projetando dados desconhecidos a partir de valores conhecidos. Sobre a interpolação e as diferentes técnicas utilizadas, assinale a alternativa correta. a) A interpolação de dados espaciais é tanto mais precisa, quanto maior for o número de pontos e se a sua distribuição for concentrada. b) O interpolador por vizinho mais próximo utiliza os valores médios dos dados próximos para de�nir o valor de um determinado ponto. c) As superfícies de tendência são interpoladores locais que calculam o valor de um determinado ponto a partir da média de dois pontos vizinhos. d) Todos os métodos utilizados na interpolação consideram os valores dos pontos mais distantes para projetar o valor de um determinado ponto. e) O interpolador inverso da potência da distância é determinado pela média dos valores dos dados vizinhos, considerando no cálculo a distância entre os pontos. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 36/60 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 37/60 Aplicações de TécnicasAplicações de Técnicas de Geoprocessamentode Geoprocessamento para a Representação depara a Representação de Fenômenos e ModelosFenômenos e Modelos AmbientaisAmbientais 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 38/60 São inúmeras as técnicas de geoprocessamento utilizadas para a obtenção de dados e produção de mapeamentos temáticos. Neste item, conheceremos os princípios utilizados para a elaboração de mapas de uso e ocupação do solo, a obtenção de dados de altimetria para a geração de mapas de declividade e a geração de curvas de nível e per�s de elevação. Elaboração de Mapas de Uso e Ocupação do Solo O sensoriamento e os Sistemas de Informação Geográ�ca são ferramentas muito e�cientes no reconhecimento e monitoramento de variáveis socioambientais. A sua utilização possibilita a elaboração de mapeamentos temáticos, realizados a partir da interpretação e classi�cação de imagens de satélite. Como vimos ao longo desta unidade, a interpretação e classi�cação de imagens exige o conhecimento de técnicas, que depende do tipo de produto que se deseja obter. Entre esses produtos estão os mapas temáticos de uso e ocupação do solo, produzidos a partir de imagens de sensoriamento remoto, em que os objetos são identi�cados e classi�cados, criando um produto especializado com as informações referentes à ocupação de determinada área. A elaboração de mapas de uso e ocupação dos solos permite identi�car aspectos relacionados ao ambiente rural e urbano. No ambiente rural, é possível localizar os tipos de cultivo agrícola, matas, cursos d’água e o comportamento da vegetação a partir da sua resposta espectral, identi�cando se a vegetação está sadia ou 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 39/60 se sofreu algum tipo agressão inerente a fatores ambientais ou biológicos, como secas, geadas e o ataques de pragas. No ambiente urbano, esse tipo de mapeamento identi�ca a organização urbana, como as áreas onde ocorrem mais prédios, a frente de expansão de uma cidade, os parques urbanos, as áreas industriais e as áreas verdes. Em ambos os casos, a elaboração desse tipo de mapeamento se torna uma importante ferramenta ao gestor municipal, para estabelecer estratégias de planejamento. Nesse tipo de mapeamento, é fundamental considerar a resolução espacial e espectral dos sensores utilizados na captação da imagem, sendo que, quanto melhor a resolução, maior será o nível de informação retirado da imagem. Por exemplo, quando se deseja mapear a variedade de elementos presentes em um ambiente urbano em uma escala de maior detalhe, a utilização do IKONOS 2 (resolução de 1 m) seria uma escolha que enriqueceria esse tipo de mapeamento, pois é capaz de fornecer informações detalhadas das construções. Para a realização de um mapa de uso e ocupação do solo, deve-se seguir alguns procedimentos que foram trabalhados ao longo desta unidade, como a correção geométrica, o mosaico, a interpretação e a classi�cação de imagens. A partir da de�nição do sensor (considerando a sua resolução espacial) e das bandas, o usuário deve escolher o programa de sistema de informação geográ�ca a ser utilizado, visto que existem inúmeros softwares disponíveis no mercado (SPRING, ArcGis, gvSIG). Realizada a escolha das bandas e da resolução, é necessária a correção geométrica da imagem (georreferenciamento), a criação de um mosaico (caso tenha mais de uma imagem), o recorte da área e a sua classi�cação. A interpretação e classi�cação da imagem podem ser realizadas de forma supervisionada ou não supervisionada, dependendo do objetivo do mapeamento. Se o mapeamento a ser realizado necessita de 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 40/60 mais precisão e detalhamento, recomenda-se a escolha de uma imagem com alta resolução espacial e a utilização da classi�cação supervisionada, atribuindo signi�cados aos pixels presentes nas imagens e criando classes de informações. Caso o mapeamento seja apenas exploratório, em que o usuário deseja conhecer genericamente uma determinada área, não é necessária a utilização de sensores de alta resolução, podendo- se aplicar a classi�cação não supervisionada, que torna o processo mais rápido e de fácil execução. Conhecer a área na qual se deseja elaborar um mapeamento desse tipo torna o produto �nal mais próximo do real, considerando que, no momento da classi�cação, o usuário é capaz de reconhecer os objetos e de�nir áreas de treinamento baseadas em informações obtidas em campo. Manipulação de Dados de Altimetria para Declividade Os dados de altimetria são utilizados para representar o desnível topográ�co da superfície terrestre. A partir desses dados, é possível gerar uma variedade de produtos,dentre os quais estão as curvas de nível, os mapas de declividade, os per�s de elevação e os modelos tridimensionais. A obtenção dos dados de altimetria pode ter origens diversas, seja por GPS, estação total, fotogrametria, cartas topográ�cas, imagens de radar como SRTM ou de sensores como o LIDAR. A obtenção de dados altimétricos por imagens é uma das formas mais utilizadas, como os dados obtidos a partir da SRTM. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 41/60 A SRTM (Shuttle Radar Topographic Mission) foi uma missão espacial realizada no ano 2000, que teve por objetivo coletar dados topográ�cos da superfície terrestre. Nessa missão, foram coletados dados por radares acoplados em um ônibus espacial, utilizando a técnica de interferometria. A partir dessas imagens, utilizando os softwares SIGs, foram gerados os modelos digitais de elevação (MDE) para várias áreas do globo, entre elas a América do Sul. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 42/60 Um dos principais produtos gerados a partir da obtenção dos dados altimétricos são os mapas de declividade. Esses mapas podem ser utilizados para �ns diversos, tendo aplicações diretas ou indiretas, como a de�nição de áreas mais suscetíveis à erosão e deslizamentos, áreas de risco para a ocupação humana, orientação das vertentes, estudos de uso e ocupação do solo, entre outros. saiba maisSaiba mais As imagens da SRTM são amplamente utilizadas para conhecer a topogra�a da superfície terrestre. Para entender um pouco mais sobre as suas aplicações e acurácia, principalmente relacionado à produção dos modelos digitais de elevação no Brasil, leia a bibliogra�a sugerida. ACESSAR http://aneel.gov.br/documents/656835/14876412/DISSERTA%C3%87%C3%83O+Alex+Gois+Orlandi+2016.pdf/fa952da0-9d77-63ab-5982-b52578866b88 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 43/60 A produção de um mapa de declividade pode utilizar como base diversos produtos e, além da escolha da base, é necessário de�nir o software SIG que se deseja utilizar para a produção do mapa, sendo que cada um possui procedimentos distintos para a geração dos produtos. Em geral, a geração de um mapa de declividade requer a de�nição prévia das classes de declividade. Existem órgãos como a Empresa Brasileira de Pesquisa Agropecuária (Embrapa) e o Instituto Nacional de Colonização e Reforma Agrária (Incra), que disponibilizam as classes, seguindo seus critérios. As classes de�nidas pela Embrapa, segundo Santos et al. (2018), estão entre as mais utilizadas e podem ser consultadas no Quadro 3.2. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 44/60 Quadro 3.2 - Classes de declividade e cores-padrão para mapa de declividade Fonte: Adaptada de Santos et al. (2018, p. 414). Para cada uma das classes selecionadas, são atribuídas cores que devem seguir um padrão, com tons mais claros (geralmente o verde) nas áreas mais suaves e tons mais escuros (vermelho) para os relevos mais movimentados. Realizado esse processo, os demais procedimentos serão gerados pelo software escolhido, dependendo de suas características especí�cas e da base de dados de onde foram retiradas as informações de altimetria. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 45/60 Geração de Curvas de Nível e Per�is Como vimos no item anterior, os dados de altimetria são utilizados para �ns diversos, entre os quais estão a geração de curvas de nível e de per�s de elevação. A coleta dos dados de altimetria também pode ser realizada de diversas formas, desde o levantamento de dados com GPS ou clinômetro diretamente no terreno, ou por meio de drones, satélites e aerofotogrametria. Dependendo da fonte dos dados, os procedimentos para geração das curvas de nível serão distintos. Para gerar as curvas de nível a partir de dados coletados com GPS, é necessário importar os dados para o programa que deseja utilizar e gerar um modelo digital de elevação (MDE), que interpola os valores planialtimétricos. A partir do MDE, é possível extrair as curvas de nível e realizar os per�s topográ�cos. O mesmo ocorre com os levantamentos realizados pelos drones, em que são selecionados os pontos da área que se deseja gerar as curvas de nível, cria-se um modelo digital de elevação e, a partir dele, são extraídas as curvas de nível. Em relação à utilização das imagens do SRTM, a grande vantagem é que os MDEs já foram gerados, assim, é necessário somente o processamento do modelo e a extração das curvas de nível. Mas é importante notar que a principal diferença entre dados coletados diretamente sobre o terreno ou em imagens de alta resolução e a utilização dos MDEs advindos do SRTM estão na precisão do resultado. Para estudos detalhados de uma área, é recomendada a utilização de levantamentos planialtimétricos de alto detalhamento, pois isso possibilita a geração de curvas de nível com até 1 m de equidistância e reduz consideravelmente o erro. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 46/60 Os per�s de elevação são derivados das cotas altimétricas das curvas de nível, montados a partir do traçado de uma linha onde se deseja obter as formas do terreno. Assim como as curvas de nível, os per�s podem ser gerados por diversos softwares SIGs e a sua importância reside na fácil interpretação da �siogra�a do relevo, possibilitando, a partir dele, uma série de interpretações da área. Por exemplo, a construção de per�s topográ�cos auxilia na visualização das formas de relevo de um determinado terreno, possibilitando ao engenheiro responsável pela construção de uma obra fazer o nivelamento do terreno com a de�nição das áreas de aterro. A geração de per�s pode ser realizada de forma mais simpli�cada, no software Google Earth, que disponibiliza informações planialtimétricas para a geração desses produtos. Na Figura 3.5 está representado um per�l de elevação realizado no Google Earth Pro, para a cidade de São Paulo. Note que o eixo X apresenta a distância e, o eixo Y, a altimetria, sendo exibida, ainda, a inclinação do relevo ao longo do caminho. Assim, a produção das curvas de nível e dos per�s topográ�cos pode ser realizada por bases de dados distintas e processadas por softwares distintos, cada qual com as suas peculiaridades, resultando em produtos �nais com nível de detalhes e informações associados à base de dados e disponibilizados para �ns diversos. Figura 3.5 - Captura do Google Earth Pro - Per�l de elevação de um trecho da cidade de São Paulo Fonte: Elaborada pela autora. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 47/60 praticarVamos Praticar A obtenção de dados de altimetria para a geração de curvas de nível, per�s de elevação ou mapas de declividade podem ter origens diversas, dependendo de qual utilização será dada ao produto. Sobre as distintas formas de obtenção de dados de altimetria e os produtos que podem ser gerados, assinale a alternativa correta. a) A obtenção de dados altimétricos para a produção de um mapa de declividade utiliza como base, exclusivamente, os MDEs produzidos a partir de imagens da SRTM. b) A utilização dos MDEs gerados a partir da SRTM ou obtidos a partir de imagens de alta resolução produzem resultados com a mesma precisão. c) A SRTM foi uma missão espacial que teve por objetivo coletar dados altimétricos da superfície terrestre de várias áreas do globo. d) Na elaboração de um mapa de declividade, as cores mais claras representam as classes de maior declividade. e) O principal �m de um per�l de elevação é veri�car a maior cota altimétrica de uma determinada área. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller48/60 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 49/60 indicações Material Complementar 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 50/60 L I V R O Sensoriamento remoto no estudo da vegetação Flávio Jorge Ponzoni e Yosio Edemir Shimabukuro Editora: Parêntese ISBN: 978-85-60507-02-3 Comentário: O livro retrata o comportamento espectral da vegetação, mostrando como ocorre a interação eletromagnética entre folhas isoladas e dosséis vegetais. Traz ainda, diversos conceitos e aplicações das imagens de sensoriamento remoto para o estudo da vegetação, como os índices de vegetação. Em seu último capítulo, a obra mostra a elaboração de produtos cartográ�cos a partir das informações obtidas pelas imagens e índices aplicados. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 51/60 W E B Ciência sem limites: sensoriamento remoto Ano: 2017 Comentário: O vídeo traz uma entrevista com a professora Maria de Lourdes Bueno Trindade Galo e o seu grupo de pesquisa, que retratam a importância do sensoriamento remoto nos estudos de monitoramento ambiental e mostram algumas pesquisas que estão sendo realizadas utilizando essas técnicas. Para conhecer mais, acesse o vídeo disponível em: A C E S S A R https://www.youtube.com/watch?v=c0j-7I_OlzQ 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 52/60 conclusão Conclusão Nesta unidade, conhecemos um pouco mais sobre a importância das imagens de sensoriamento remoto e das técnicas utilizadas pelo geoprocessamento para representar os fenômenos socioambientais. Conhecemos as técnicas utilizadas para corrigir, interpretar e classi�car imagens de satélite, aprendemos sobre a interpolação de dados espaciais e sobre a utilização das análises multicritérios. Além das técnicas, vimos como elas podem ser utilizadas na elaboração de mapas de uso e ocupação dos solos, na produção de mapas de declividade e na geração de curvas de nível e per�s de elevação. Diante do vasto campo de aplicação das técnicas de geoprocessamento, conhecê-las torna-se fundamental para o pro�ssional que deseja se inserir no mercado de trabalho, pois é uma ferramenta essencial ao estudo de variáveis ambientais e sociais e ao planejamento e ordenamento territorial. 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 53/60 referências Referências Bibliográ�cas CÂMARA, G. (org.). Análise espacial de dados geográ�cos. São Paulo: INPE, 2003. CÂMARA, G.; DAVIS, C.; MONTEIRO, A. M. V. (org.). Introdução à ciência da geoinformação. São José dos Campos: INPE, 2001. COSTA, C. A. R. Introdução a processamento digital de imagens: uma abordagem voltada para o sensoriamento remoto e funcionalidades do sistema SPRING. Campinas: Embrapa, 1998. CRÓSTA, A. P. Processamento digital de imagens de sensoriamento remoto. 4 ed. Campinas: IG/UNICAMP, 2002. FLORENZANO, T. G. Iniciação em sensoriamento remoto. 3 ed. São Paulo: O�cina de Textos, 2011. INPE - INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Manuais: tutorial de geoprocessamento SPRING. 2008. Disponível em: http://www.dpi.inpe.br/spring/portugues/tutorial/classi�c.html. Acesso em: 7 http://www.dpi.inpe.br/spring/portugues/tutorial/classific.html 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 54/60 dez. 2019. JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos Campos: Parêntese, 2009. KIKER, G. A. et al. Application of multicriteria decision analysis in environmental decision making. Integrated Environmental Assessment and Management, v.1, n.2, 2005. MENESES, P. R.; ALMEIDA, T. (org.). Introdução ao processamento de imagens de sensoriamento remoto. Brasília: UNB, 2012. Disponível em: http://www.cnpq.br/documents/10157/56b578c4-0fd5-4b9f-b82a- e9693e4f69d8. Acesso em: 18 dez. 2019. MIRANDA, J. I. Fundamentos de sistemas de informações geográ�cas. Brasília: Embrapa, 2005. PONZONI, F. J.; SHIMABUKURO, Y. E. Sensoriamento remoto no estudo da vegetação. São José dos Campos: Parêntese, 2009. ROUSE, J.W.; SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems in the great plains with ERTS. Earth Resources Techonology Satellite-1 Symposium, 3, 1973. Proceedings. Washington, v.1, p.309-317, 1973. SANTOS, H. G. et al. Sistema brasileiro de classi�cação dos solos. Brasília: Embrapa, 2018. http://www.cnpq.br/documents/10157/56b578c4-0fd5-4b9f-b82a-e9693e4f69d8 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 55/60 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 56/60 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 57/60 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 58/60 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 59/60 24/10/2020 Ead.br https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 60/60
Compartilhar