TCC_II___Ian_Henrique

Prévia do material em texto

UNIVERSIDADE FEDERAL DO CARIRI
CENTRO DE CIÊNCIAS E TECNOLOGIAS
CURSO DE GRADUAÇÃO EM ENGENHARIA CIVIL
IAN HENRIQUE TELES BRAGA
DETECÇÃO DE MUDANÇAS EM RIOS CAUSADAS PELA CONSTRUÇÃO DE
RESERVATÓRIOS A PARTIR DE IMAGENS SAR SINTÉTICAS
JUAZEIRO DO NORTE
2019
IAN HENRIQUE TELES BRAGA
DETECÇÃO DE MUDANÇAS EM RIOS CAUSADAS PELA CONSTRUÇÃO DE
RESERVATÓRIOS A PARTIR DE IMAGENS SAR SINTÉTICAS
Trabalho de Conclusão de Curso apresentado
ao Curso de Graduação em Engenharia Civil do
Centro de Ciências e Tecnologias da Universi-
dade Federal do Cariri, como requisito parcial à
obtenção do grau de Bacharel em Engenharia
Civil.
Orientador: Prof. Dr. Francisco Alixan-
dre Ávila Rodrigues
JUAZEIRO DO NORTE
2019
IAN HENRIQUE TELES BRAGA
DETECÇÃO DE MUDANÇAS EM RIOS CAUSADAS PELA CONSTRUÇÃO DE
RESERVATÓRIOS A PARTIR DE IMAGENS SAR SINTÉTICAS
Trabalho de Conclusão de Curso apresentado
ao Curso de Graduação em Engenharia Civil do
Centro de Ciências e Tecnologias da Universi-
dade Federal do Cariri, como requisito parcial à
obtenção do grau de Bacharel em Engenharia
Civil.
Aprovada em:
BANCA EXAMINADORA
Prof. Dr. Francisco Alixandre Ávila
Rodrigues (Orientador)
Universidade Federal do Cariri (UFCA)
Prof. Dr. Ary Ferreira da Silva
Universidade Federal do Cariri (UFCA)
Profa. Dra. Lígia Claudia Castro de Oliveira
Universidade Regional do Cariri (URCA)
Dedico este trabalho à minha Avó Lenira, à mi-
nhas duas mães Adriana e Raimunda e a meu
pai Wildon.
AGRADECIMENTOS
Agradeço a Deus pela presença iluminadora incondicional na minha vida. Ao
professor Alixandre Ávila pela sua dedicação para com os orientandos. À professora Celme
Torres, pela orientação na área de hidrologia. Ao professor Vinicius pela grande colaboração
neste trabalho. À Universidade Federal do Cariri pelo incentivo financeiro da bolsa de iniciação
científica.
“Sábio é o ser humano que tem coragem de ir
diante do espelho da sua alma para reconhecer
seus erros e fracassos e utilizá-los para plantar
as mais belas sementes no terreno de sua inteli-
gência.”
(Augusto Cury)
RESUMO
O grande número de reservatórios no Ceará garante o fornecimento de água para a população
e setor industrial. Estes, porém, ao longo do tempo podem causar mudanças na configuração
dos cursos barrados para acumulação de água. Uma forma que vem sendo bastante utilizada
para monitorar estas mudanças é a utilização de imagens de satélite. Porém, as imagens de
satélite convencionais (ópticas) possuem algumas limitações como a dependência da luz do
sol para a geração de imagens, a inoperância quando se tem cobertura de nuvens e condições
meteorológicas desfavoráveis, as quais impossibilitam seu uso de forma contínua para monitorar
processos dinâmicos na Terra. Como solução para este problema, o Radar de Abertura Sintética
se apresenta como ideal para monitoramento da superfície terrestre de forma confiável, contínua
e global, uma vez que possibilitam a geração de imagens com fonte de luz própria e com
resolução maior que os sistemas ópticos convencionais, além de possibilitarem sua operação
independentemente de condições climáticas. No entanto, a dificuldade de se trabalhar com
estas imagens centra-se na interpretação dos dados imageados, necessitando de processamentos
para extração de informações. Isto se deve à presença de um ruído de natureza estocástica que
degrada significativamente a imagem. Assim, a utilização de distribuições de probabilidade são
de fundamental importância na modelagem destes dados. Este trabalho está concentrado na
utilização prática de uma ferramenta que auxilia na detecção de mudanças na superfície da Terra
com as imagens SAR. Esta é a Matriz Indicadora de Mudanças, a qual, neste trabalho, é uma
função das distâncias estocásticas. Para ratificar a metodologia proposta, este trabalho será dado
pelo estudo de caso do Rio Jaguaribe e o reservatório do Castanhão a partir de imagens SAR
simuladas.
Palavras-chave: Imagens SAR. Matriz Indicadora de Mudnaças. Castanhão. Rio Jaguaribe.
Distâncias Estocásticas.
ABSTRACT
The large number of non-Ceará reservoirs guarantees the supply of water to the population and
industrial sector. These, however, over time can be altered in the configuration of the chapters for
water accumulation. One way that is widely used to control these changes is the use of satellite
images. However, since conventional satellite images have cloud cover and unfavorable weather
temperatures, which are impossible to use in any way. dynamics on Earth. As a solution to this
problem, the Synthetic Aperture Radar presents itself as ideal for the monitoring of the Earth’s
surface in a reliable, continuous and global way, since it allows a generation of images with its
own light source and higher resolution than optical systems , in addition to enabling its operation
with the possibility of forecasting. However, the difficulty of working with the images focuses
on the interpretation of the imagined data, necessitating processing for information extraction.
This must be present in a stochastic image mode that degrades a meaningful image. Thus, data
distribution functions are fundamental for data modeling. This work is already on the application
of the tool that assists in the detection of changes on the surface of the Earth with the SAR
images. This is a Change Indicator Matrix, a qualification in this paper is a function of stochastic
distances. To ratify the proposal, this is a study done by the case of the Jaguaribe River and the
Castanhão reservoir from simulated SAR images.
Keywords: SAR images. Change Indicator Matrix. Castanhão. Jaguaribe River. Stochastic
Distances.
LISTA DE FIGURAS
Figura 1 – Bacia do Rio Jaguaribe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Figura 2 – Representação do retroespalhamento em alvos com rugosidades variadas . . 17
Figura 3 – Formação do Speckle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Figura 4 – Fluxograma da Metodologia proposta . . . . . . . . . . . . . . . . . . . . . 23
Figura 5 – Imagens Binárias com sua respectiva imagem SAR simulada em intensidade 26
Figura 6 – Imagem multi-temporal óptica de satélite. . . . . . . . . . . . . . . . . . . 27
Figura 7 – Imagens Vetorizadas com o software AutoCAD version 2018. . . . . . . . . 28
Figura 8 – Imagens Binárias obtidas com a metodologia detalhada em 3.2 . . . . . . . 29
Figura 9 – Imagens SAR Simuladas a partir das imagens binárias do rio Jaguaribe, com
L= 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Figura 10 – Imagem SAR real com sua respectiva imagem óptica de satélite . . . . . . . 30
Figura 11 – Definição empírica do parâmetro de Escala . . . . . . . . . . . . . . . . . . 31
Figura 12 – Definição empírica do parâmetro de Escala . . . . . . . . . . . . . . . . . . 31
Figura 13 – Matriz indicadora de Mudanças . . . . . . . . . . . . . . . . . . . . . . . . 32
Figura 14 – Exemplo de MIM segmentada com limiar = 0,5 . . . . . . . . . . . . . . . 35
Figura 15 – Imagens SAR multi-temporal real . . . . . . . . . . . . . . . . . . . . . . . 35
Figura 16 – Imagens SAR reais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
LISTA DE TABELAS
Tabela 1 – Parâmetros da distribuição G0I usados para a simulação dos dados SAR . . . 30
Tabela 2 – Média e desvio-padrão de EoS para segmentações realizadas . . . . . . . . 34
LISTA DE ABREVIATURAS E SIGLAS
EoS Erro de segmentação
DSmod Dificuldade de segmentação Modificada
DS Dificuldade de Segmentação
MIM Matriz Indicadora de Mudanças
MLC Método do log-cumulantes
LISTA DE SÍMBOLOS
α Parâmetro de Rugosidade
γ Parâmetro de Escala
L Número de Looks
Γ(.) Função gammaZ Variável aleatória
z Amostra de Z
f (z) Função densidade de probabilidade
DET (Z1,Z2) Distância triangular entre duas variáveis aleatórias Z1 e Z2
G0I Distribuição G-intensidade zero
θ = (α,γ,L) Vetor de parâmetros da distribuição G0I
φz(s) Transformada de Mellin
exp(.) Função exponencial
ϒ−1 Função de distribuição inversa da distribuição F-Snedecor
U Variável aleatória uniforme
s Número complexo de norma unitária
SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 Objetivo geral e específicos . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . . 15
2.1 Fundamentos de Hidrologia Aplicados . . . . . . . . . . . . . . . . . . . 15
2.1.1 O Rio Jaguaribe e o Castanhão . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.2 Mudanças Causadas a Jusante de Grandes Barragens . . . . . . . . . . . 15
2.2 Fundamentos de Imagens SAR . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Modelagem Estatística de Dados SAR em Intensidade . . . . . . . . . . 19
2.3.1 Distribuição G0I para dados SAR em intensidade . . . . . . . . . . . . . . 19
2.3.2 Estimação dos Parâmetros da distribuição G0I . . . . . . . . . . . . . . . . 20
2.3.3 Distância Estocástica Triangular . . . . . . . . . . . . . . . . . . . . . . . 21
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1 Metodologia para Construção da Matriz Indicadora de Mudanças . . . 23
3.1.1 A Dificuldade de Segmentação Modificada . . . . . . . . . . . . . . . . . 24
3.2 Metodologia para Simulação de Dados SAR Multitemporais em Intensi-
dade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.1 Obtenção de Imagens Ópticas de Satélite . . . . . . . . . . . . . . . . . . 25
3.2.2 Vetorização e Ajuste da Escala . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.3 Simulação de dados SAR usando a Distribuição G0I . . . . . . . . . . . . . 26
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1 Simulação de Imagens SAR da Bacia do Rio Jaguaribe . . . . . . . . . . 27
4.1.1 Obtenção da imagem multi-temporal . . . . . . . . . . . . . . . . . . . . . 27
4.1.2 Simulação de Dados SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.3 Matriz Indicadora de Mudanças . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.4 Segmentação da Matriz Indicadora de Mudanças . . . . . . . . . . . . . . 33
4.2 MIM para imagens SAR reais . . . . . . . . . . . . . . . . . . . . . . . . 34
5 CONCLUSÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.1 Trabalhos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
13
1 INTRODUÇÃO
Os períodos de estiagem no Ceará sempre foram obstáculos ao desenvolvimento
desse Estado brasileiro e o seu processo de desenvolvimento guarda uma correlação com
as políticas de combate a esses períodos prolongados sem chuvas (CAMPOS, 2006). Estas
intervenções conduziram à construções de vários reservatórios no Estado, totalizando cerca de 18
bilhões de m3 armazenados. Dentre eles, o reservatório do Castanhão se destaca com mais de 6,7
bilhões de m3. No entanto, a construção de reservatórios de grandes dimensões causam muitas
mudanças ao meio ao qual foi construído. O monitoramento no entorno dessas construções
é uma tarefa que se justifica pela importância e pelo grande número destes reservatórios que
promovem o desenvolvimento do Estado do Ceará.
Nesse contexto, as técnicas de sensoriamento remoto são fundamentais para monito-
rar fenômenos dinâmicos na Terra (NASCIMENTO, 2008). Nas últimas décadas, o Radar de
Abertura Sintética (SAR, do inglês Synthetic Aperture Radar) tem se destacado por conseguir ge-
rar imagens bidimensionais de alta resolução que independem de fontes de luz natural, cobertura
de nuvens e condições climáticas. Assim, essas imagens se apresentam como uma ótima solução
para o monitoramento da superfície da Terra de forma confiável, contínua e global (MOREIRA
et al., 2013).
Entretanto, as imagens formadas por este sistema trazem consigo uma complicação
em termos de processamento, o ruído speckle. Abordagens estatísticas são geralmente necessárias
para lidar com o speckle. Por isso, a escolha de uma distribuição de probabilidade para descrever
dados SAR é de fundamental importância para o processamento dessas imagens. A distribuição
G0I apresenta-se como uma boa alternativa para essa tarefa, uma vez que possibilita a modelagem
precisa de regiões homogêneas, heterogêneas e extremamente heterogêneas de dados SAR
(FRERY et al., 1997).
A partir da distribuição de probabiliade G0I , é possível construir metodologias que
possibilitem a detecção de mudanças em cenários multi-temporais de imagens SAR. As distâncias
estocásticas, descritas no trabalho de Nascimento et al. (2010), são ferramentas que podem
auxiliar nessa tarefa. A medida para avaliação de contrastes em imagens SAR proposto por
Marques et al. (2012), denominada de dificuldade de segmentação, é uma ferramenta que utiliza
distâncias estocásticas e permite auxiliar na avaliação de diferenças entre duas regiões.
Porém, essa medida apresenta algumas limitações que fazem com que seu uso seja
restrito em alguns casos particulares. Este trabalho, apresenta uma versão aprimorada desta
14
medida, a qual foi utilizada para construir uma matriz auxiliar que, além de possibilitar identificar
possíveis mudanças em imagens SAR multi-temporais, permite julgar se as mudanças podem ser
consideradas significativas.
A metodologia proposta foi aplicada para verificação de mudanças ocorridas no
Rio Jaguaribe advindas da construção do reservatório do Castanhão. Os experimentos com
imagens da região do Castanhão foram realizados com imagens SAR simuladas, uma vez que
a aquisição de imagens SAR reais do local de estudo não foi possível. Vale ressaltar que a
utilização de imagens SAR simuladas não inviabiliza as conclusões desse trabalho, uma vez
que as simulações de imagens SAR foram conduzidas por metodologias confiáveis e já bem
estabelecidas na literatura. Entretanto, a fim de validar a metodologia proposta, foi realizado um
experimento com imagens SAR multi-temporais reais para detectar o surgimento de mancha de
óleo no oceano.
1.1 Objetivo geral e específicos
O objetivo geral deste trabalho foi propor uma metodologia para obtenção de Matriz
Indicadora de Mudanças (MIM) para imagens SAR multi-temporais utilizando a Dificuldade de
segmentação Modificada (DSmod). Alguns objetivos específicos podem ser destacados:
• Aplicar a metodologia para detecção de mudanças no rio Jaguaribe advindas da construção
do Castanhão a partir de imagens SAR simuladas;
• Segmentar a MIM a partir de um limiar que permita a análise das regiões que apresentaram
mudanças;
• Avaliar a acurácia da segmentação da MIM a partir do Erro de segmentação (EoS);
• Aplicar a metodologia para imagens SAR multi-temporais reais.
15
2 FUNDAMENTAÇÃO TEÓRICA
2.1 Fundamentos de Hidrologia Aplicados
Nessa seção será apresentado alguns fundamentos de hidrologia que foram usados
como base para a construção deste trabalho.
2.1.1 O Rio Jaguaribe e o Castanhão
Representando um dos principais rios do Ceará, o Rio Jaguaribe, antes da pereni-
zação, já foi considerado o maior rio seco do mundo. Sua bacia hidrográfica engloba cerca de
50% do Estado do Ceará, possui cerca de 610Km de extensão e 74000km2 de bacia (CAMPOS,
2006).
Todavia, este se encontra fortemente regularizado por um grande número de re-
servatórios de pequeno, médio e grande porte no qual o Castanhão (6,7 bilhões de m3), em
funcionamentodesde 2002, se destaca como a maior garantia de água para o Estado (CAVAL-
CANTE; CUNHA, 2012).
A Figura 1 mostra a bacia hidrográfica do Rio Jaguaribe com 74000 Km2, além disso,
é ampliada a região deste rio a qual foi construída a barragem do Castanhão, alvo de estudo desta
monografia. A Figura 1 ainda mostra alguns aspectos hidrossedimentológicos, a divisão dos
trechos e estações de monitoramento ao longo do rio Jaguaribe e passagens molhadas.
2.1.2 Mudanças Causadas a Jusante de Grandes Barragens
A construção de grandes obras de engenharia, como as barragens de acumulação de
água, são fundamentais para o abastecimento de populações de cidades localizadas em regiões
com baixa incidência de chuva.
Essas obras, porém, geram uma série de efeitos em cadeia que, dependendo da
magnitude e área de abrangência, podem ser irreparáveis para o curso d’água que foi instalado
(COELHO, 2008).
No trabalho de Coelho (2008) foram apresentados efeitos geomorfológicos que
ocorrem de forma interdependentes a jusante das grandes barragens, a seguir são citados alguns
deles:
• Erosões marginais nos canais fluviais;
16
Figura 1 – Bacia do Rio Jaguaribe
Fonte: retirado e modificado de Cavancante e Cunha (CAVALCANTE; CUNHA, 2012)
• Mudanças nos processos fluviais;
• Mudanças na declividade / perfil longitudinal;
• Reflexos nos tributários a partir das alterações no canal principal;
• Transferência de sedimentos do continente para o oceano;
• Mudanças de seção transversal;
• Mudanças na configuração em planta (planforn);
• Mudanças na forma do leito.
Neste trabalho, a detecção de mudanças no rio Jaguaribe, ocasionadas pela construção
do Castanhão, são simuladas uma vez que foram usadas imagens SAR sintéticas a partir de
imagens ópticas de satélite do local. Este estudo, entretanto, é importante para mostrar a
viabilidade de se utilizar as imagens SAR para o monitoramento de rios.
2.2 Fundamentos de Imagens SAR
O radar de abertura sintética tem sido bastante utilizado na geração de imagens da
superfície terrestre. Sua procura se deve a capacidade única de geração de imagens, que consegue
17
operar independentemente da luz do dia, da cobertura de nuvens e de condições meteorológias,
tornando-o ideal para monitorar processos dinâmicos na superfície da Terra de forma confiável,
contínua e global (MOREIRA et al., 2013).
Sistemas SAR são embarcados em satélites ou aerotransportados e seu princípio de
geração de imagens tem como base o uso de ondas eletromagnéticas na faixa de microondas
(MARQUES, 2011). Essas ondas incidem na superfície imageada, e a geração das imagens
depende da posterior captação da radiação refletida (retroespalhamento).
O sinal de retorno depende das propriedades físicas (por exemplo, geometria e
rugosidade) e das propriedades elétricas (por exemplo, permissividade) do objeto imageado
(MOREIRA et al., 2013). Além disso, o comprimento de onda influencia na capacidade de
penetração das microondas e na interação destas com a superfície imageada. Superfícies pouco
rugosas, como lagos e rios, não geram retorno, uma vez que toda radiação incidente não é
refletida na direção da antena, formando regiões escuras na imagem. Em contrapartida, regiões
urbanas e em alvos pontuais como navios, tanques e plataformas petrolíferas podem apresentar
pontos de alto retroespalhamento o que causa a formação de regiões mais claras na imagem
(MARQUES, 2011). A Figura 2 ilustra o efeito do retroespalhamento do sinal em diferentes
tipos de superfícies.
Figura 2 – Representação do retroespalhamento em alvos com rugosidades variadas
Fonte: retirada e modificada de Pianto (PIANTO, 2008)
Um efeito particular a ser observado em imagens SAR é o ruído speckle. Esse
fenômeno se deve ao fato de que os radares usam energia eletromagnética coerente, que resulta em
interferência construtiva e destrutiva quando a energia transmitida interage com as características
presentes na superfície da Terra (KASISCHKE et al., 1997). Em outras palavras, o ruído
specke se forma quando a rugosidade da superfície imageada é da mesma ordem de grandeza
18
do comprimento de onda emitido. Este efeito provoca uma variação nas intensidades dos pixels
causando na imagem um padrão granular (LEE; POTTIER, 2009).
A intensidade de cada pixel de uma imagem SAR é formada pelo sinal retornado
dentro de uma célula de resolução, como mostrado à esquerda da Figura 3. O sinal consiste
nas ondas refletidas de vários refletores elementares, ou melhor dizendo, na soma dos sinais
refletidos dentro da célula de resolução (RODRIGUES, 2017).
Figura 3 – Formação do Speckle
Fonte: retirada e modificada de Lee e Pottier (LEE; POTTIER, 2009)
Na Figura 3 tem-se a ilustração de um exemplo de célula de resolução (lado esquerdo)
e os sinais refletidos (lado direito). O sinal de retorno é o vetor resultante (soma) dos sinais
refletidos dentro de cada célula de resolução. Este vetor, é uma representação de número
complexo dado por:
S= Re(S)+ i(lm(S)) , (2.1)
em que Re é a parte real de S, lm a parte imaginária e i=
√−1. Esse sinal complexo pode ser
tranformado em amplitude (A), que é expresso como (RODRIGUES, 2017):
A=
√
Re(S)2+ lm(S)2. (2.2)
19
É possível também utilizar a intensidade (I) do vetor S, que é definida como o quadrado da
amplitude, assim:
I = Re(S)2+ lm(S)2. (2.3)
Tanto A quanto I podem ser considerados aleatórios (LEE; POTTIER, 2009). Nas
próximas seções será detalhado alguns métodos que possibilitam a modelagem de dados SAR.
2.3 Modelagem Estatística de Dados SAR em Intensidade
A seguir será apresentado as principais referências para modelagem de dados SAR
em intensidade que foram úteis para a construção deste trabalho.
2.3.1 Distribuição G0I para dados SAR em intensidade
O conhecimento preciso das propriedades estatísticas dos dados SAR desempenham
um papel central no processamento e entendimento desse tipo de imagem (FRERY et al., 1997).
Nesse sentido, a escolha de uma distribuição de probabilidade para modelar tais dados é uma
tarefa fundamental. Frery et al (1997) proporam a distribuição G0I , a qual se destaca na literatura
por apresentar relevantes contribuições e apresentar bom desempenho onde os modelos clássicos
falham (MARQUES et al., 2012). Tal distribuição, é indicada para modelar dados SAR em
intensidade, cuja função densidade de probabilidade (fdp) é dada por:
fG0I (z,α,γ,L) =
LLΓ(L−α)
γαΓ(−α)Γ(L)z
L−1(γ+Lz)α−L, (2.4)
onde Γ(.) se refere a função Gamma, L≥ 1 é o número de looks, −α,γ , z> 0 são, respectiva-
mente, os parâmetros de rugosidade e escala e o retorno. O r-ésimo momento não central é dado
pela equação a seguir:
EG0I [Z
r] =
( γ
L
)rΓ(−α− r)Γ(L+ r)
Γ(−α)Γ(L) ,α <−r. (2.5)
Na próxima seção será apresentado o método de log-cumulantes, o qual pode ser
usado para estimar os parâmetros da distribuição G0I .
20
2.3.2 Estimação dos Parâmetros da distribuição G0I
Para estimar os parâmetros da distribuição de probabilidade G0I , foi utilizado o
Método do log-cumulantes (MLC) proposto por Nicolas (2002). Este tem sido utilizado com
resultados satisfatórios em processamentos de imagens SAR, especialmente para pequenas
amostras que é um problema crítico em várias aplicações (KRYLOV et al., 2013). Um aspecto
importante desse método é que o histograma dos parâmetros de rugosidade estimados indica
claramente o número de regiões presentes nas imagens, padrão altamente desejável para aplicar
métodos de segmentação de imagem com base em limiares (RODRIGUES et al., 2016). A seguir
é apresentado o MLC.
Seja Z uma variável aleatória contínua com função densidade de probabilidade
fZ(z,θ) definida em R+, com θ sendo vetor de parâmetros de f . O método de log-cumulantes é
baseado na transformada de Mellin que é definidacomo (KRYLOV et al., 2013):
φz(s) =
∫ ∞
0
us−1 fz(u,θ)du= E[Zs−1], (2.6)
com s sendo um número complexo com norma unitária e E[Zs−1] o momento de ordem s−1 da
variável aleatória Z.
Existem dois conceitos importantes para a construção do MLC. Os log-momentos e
log-cumulantes de ordem v. É possível obtermos expressões analíticas para os log-momentos e
log-cumulantes de ordem v por simples derivações de φz(s), avaliadas em s= 1. O log-momento
de ordem v pode ser definido como:
m˜v =
dvφz(s)
dsv
∣∣∣
s=1
,v ∈ N∗. (2.7)
Baseado no logaritmo natural de φz(s), pode-se obter o log-cumulante de ordem v:
k˜v =
dvψz(s)
dsv
∣∣∣∣
s=1
,v ∈ N∗, (2.8)
com ψz(s) = ln(φ(s)).
A estratégia do método de log-cumulantes para estimar o vetor de parâmetros θ se
baseia na relação entre k˜v e m˜v dada por (RODRIGUES, 2017):
k˜v = m˜v−
v−1
∑
i=1
 r−1
i−1
 k˜im˜v−i (2.9)
.
21
Como exemplo, destaca-se os log-momentos e log-cumulantes de ordem 1,2 e 3 como tendo a
seguinte relação:

k˜1 = m˜1
k˜2 = m˜2− m˜21
k˜3 = m˜3−3m˜1m˜2+2m˜31
(2.10)
.
Para a distribuição de probabilidade G0I , a função φZ(s) pode ser obtida aplicando as
Equações (2.6) e (2.5) para obter E[Zs−1], e portanto, temos (RODRIGUES, 2017):
φG0I (s) =
( γ
L
)s−1 Γ(1− s−α)Γ(L+ s−1)
Γ(−α)(L) (2.11)
com α < −s+ 1. Utilizando as Equações 2.8 e 2.11, podemos obter o seguinte sistema de
equações:

k˜1 = log(
γ
L)+ψ
0(L)−Ψ0(−α)
k˜2 =Ψ1(L)−Ψ1(−α)
k˜3 =Ψ2(L)−Ψ2(−α)
(2.12)
em que Ψ0(.),Ψ1(.),Ψ2(.) representam, respectivamente, as funções digama, trigama e quadri-
gama.
A estimativa dos parâmetros α,γ e L se dá pela resolução do sistema de equações
não-lineares (2.12), usando o sistema de equações (2.10) substituindo m˜v pelo seu respectivo
log-momento amostral, dado por (NICOLAS, 2002):
ˆ˜mv =
1
n
n
∑
i=1
logziv. (2.13)
A partir deste método foi possível estimar os parâmetros da distribuição G0I , os quais
foram usados para o cálculo da distância estocástica utilizada nesse trabalho.
2.3.3 Distância Estocástica Triangular
Distâncias estocásticas são utilizadas para comparar e analisar distribuições de
probabilidade definidas no mesmo espaço de probabilidades e mesmo suporte. Em outras
22
palavras, as distâncias estocásticas são úteis para investigar se duas amostras aleatórias podem
ser consideradas realizações de uma mesma distribuição de probabilidade (RODRIGUES, 2017).
No trabalho de Nascimento et al (2010) são apresentadas oito distâncias estocás-
ticas, são elas: distância de Kullback–Leibler, de Rényi, de Hellinger, de Bhattacharyya, de
Jensen–Shannon, arimética–geometrica, triangular e da média harmônica. Neste trabalho, foi
utilizada a distância triangular na proposta do método de detecção de mudanças em imagens SAR
multi-temporais em intensidade. Escolheu-se a distância triangular, pois segundo Nascimento
et al. (2010) esta medida é a melhor escolha para diversas aplicações em processamento de
imagens SAR como, por exemplo, seleção de características, classificação de imagens, detecção
de bordas e identificação de alvos. Além disso, os autores reportam que a implementação desta
medida não impõem uma carga computacional muito alta. A seguir é apresentada a distância
estocástica triangular.
Sejam Z1 e Z2 variáveis aleatórias contínuas definidas no mesmo espaço de probabili-
dades, com funções densidades de probabilidade fz1(z;θ1) e fz2(z;θ2) com θ1 e θ2 os respectivos
vetores de parâmetros. Assumindo que ambas as densidades compartilham um suporte comum,
a distância triangular entre fz1(z;θ1) e fz2(z;θ2) é dada por (NASCIMENTO et al., 2010):
DET (Z1,Z2) =
∫
( fz1(z;θ1)− fz2(z;θ2))2
fz1(z;θ1)+ fz2(z;θ2)
dz. (2.14)
A integral (2.14) assume valores compreendidos no intervalo [0,+∞), além disso, em
geral não apresenta solução analítica e, portanto, deve ser solucionada por métodos numéricos.
23
3 METODOLOGIA
A metodologia deste trabalho é dada em duas partes. A primeira delas centra-se na
obtenção de uma matriz que expresse mudanças ocorridas em imagem SAR multi-temporais,
esta matriz é denominada de MIM. A segunda delas diz respeito a simulação de dados SAR a
partir da distribuição G0I . A metodologia para cada uma delas é apresentada na sequência.
3.1 Metodologia para Construção da Matriz Indicadora de Mudanças
A Figura 4 esboça um resumo da metodologia proposta para a obtenção da MIM.
Figura 4 – Fluxograma da Metodologia proposta
Fonte: elaborada pelo autor (2019).
Inicialmente, tem-se uma imagem SAR multi-temporal, isto é, duas imagens que ex-
pressam uma determinada mudança ocorrida no tempo em um local selecionado. No fluxograma,
temos uma imagem SAR de mar aberto e outra semelhante, mas com uma mancha de óleo no
centro, para exemplificar a metodologia.
A primeira etapa para a construção da MIM centra-se na estimação pixel a pixel dos
parâmetros de rugosidade, escala e número de looks da imagem multi-temporal, gerando-se as
matrizes de parâmetros, mostradas em escala reduzida no segundo quadro do fluxograma.
Depois, calcula-se, também pixel a pixel, a matriz de distâncias estocásticas a partir
das matrizes de parâmetros estimadas no passo anterior. A matriz de distâncias estocásticas, por
si só, já poderia ser considerada como uma matriz indicadora de mudanças conforme mostrado
no trabalho de Rodrigues (2017).
Ao final, calcula-se a matriz de DSmod a partir da informação de distância estocástica
calculada anteriormente, obtendo-se a MIM proposta. A escolha desta medida para compor esta
matriz, centra-se na sua capacidade de expressar, por meio de probabilidades, um significado
mais racional para cada pixel da MIM. Dessa forma, pixels mais claros expressam grande
probabilidade de regiões sem mudanças, ao passo que regiões mais escuras revelam o oposto, as
mudanças ocorridas nas cenas.
24
Vale ressaltar que a metodologia proposta não se aplica apenas para dados SAR em
intensidade, mas para quaisquer tipo de dado SAR multi-temporal.
3.1.1 A Dificuldade de Segmentação Modificada
A ideia de dificuldade de segmentação é apresentada por Marques et al (2012).
Segundo os autores esta medida quantifica a dificuldade de segmentar duas regiões, ou seja,
ela avalia se há um alto ou um baixo contraste entre estas. Assim, quando o contraste entre
as regiões é pequeno, implica em pequenos valores da distância estocástica entre as regiões
e consequentemente uma maior dificuldade em segmentá-las (MARQUES et al., 2012). A
Dificuldade de Segmentação (DS) é expressa por:
DS=
1
DE
, (3.1)
onde DE ≥ 0 é a distância estocástica.
Uma das limitações de uso da DS é que ela não é definida quando DE = 0, ou seja,
quando se tem duas regiões idênticas. Outro aspecto que dificulta o uso da DS é a dificuldade
de encontrarmos um limiar facilmente que defina bem regiões de alto e baixo contraste, pois
DS> 0. Usando o operador exponencial, propomos a seguinte mudança na DS:
DSmod =
1
exp(DE)
. (3.2)
Com essa modificação, as limitações encontradas na DS foram extintas. Pois DSmod
é definida quando DE = 0 e é limitada no intervalo [0,1], facilitando a escolha de um limiar. Isso
pode ser verificado com os limites
lim
DE→0+
DSmod = 1 (3.3)
e
lim
DE→+∞
DSmod = 0. (3.4)
Este fato permite interpretar DSmod como a estimativa da probabilidade de dois
vetores pertencerem a mesma distribuição. Pode-se usar este fato, por exemplo, para guiar
métodos de segmentação e classificação de imagens SAR.
25
3.2 Metodologia para Simulação de Dados SAR Multitemporais em Intensidade
A metodologia a seguir foi desenvolvida para a simulação dados SAR em intensidade.
Em resumo, ela começa com a obtenção de imagens ópticas de satélite do local de interesse,
seguindocom a vetorização e ajuste da escala das imagens obtidas. Em seguida, faz-se imagens
binárias com a imagem vetorizada obtida. Por fim, realiza-se a simulação de dados SAR na
imagem binária obtida no passo anterior. As estapas desta metodologia são detalhadas a seguir.
3.2.1 Obtenção de Imagens Ópticas de Satélite
Com o intuito de simular imagens SAR semelhantes às obtidas com os radares de
abertura sintética é interessante usar como referência uma imagem de satélite tirada do mesmo
local da desejada, uma vez que estas são de fácil obtenção através da internet ou de softwares
gratuitos, como o Google Earth Pro.
Nesse sentido, a primeira etapa desta metodologia é centrada na obtenção de uma
imagem óptica multi-temporal, isto é, duas imagens iguais em relação a geometria e local de
obtenção, diferindo entre si apenas pela data de obtenção das mesmas.
3.2.2 Vetorização e Ajuste da Escala
Após obtenção das imagens de satélite, estas devem ser ajustadas quanto a escala
para serem editadas como imagens SAR. Este procedimento pode ser executado em um software
de desenho técnico, por exemplo, como o AutoCAD, o qual foi utilizado neste trabalho. Na
versão 2018 deste programa, o ajuste da escala da imagem é realizado com o auxílio da função
scale, a qual possibilita uma precisão razoável para esta tarefa.
Após este procedimento, vetoriza-se cuidadosamente as feições presentes na imagem
com a função line, ou seja, é realizado o contorno, com linhas virtuais, dos objetos e regiões de
interesse na imagem óptica.
Ainda em relação ao software supracitado, a obtenção da imagem vetorizada é suce-
dida com o uso da função plot, selecionando-se a impressora virtual "PublishToWebPNG.pc3"
ou "PublishToWebJPG.pc3", dependendo de qual formato se deseja a imagem vetorizada, em
PNG ou em JPG (respectivamente). Em seguida, em: properties - Custom paper Size - add,
ajusta-se a resolução da imagem para a desejada. É necessário ainda que a imagem seja impressa
selecionando-se a opção "monochrome.ctb", isso garante que a imagem seja formada em tons de
26
cinza.
Ao final, realizando todas as tarefas já mensionadas anteriormente, é necessário
preencher internamente toda a região vetorizada, com a cor preta, para que se possa ter uma
imagem digital do tipo binária, ou seja, com apenas duas cores, preta (representada pelo número
zero) e branca (número um).
3.2.3 Simulação de dados SAR usando a Distribuição G0I
Após a obtenção das imagens binárias, tem-se a simulação de dados SAR propria-
mente dita. Ela acontece substituindo os pixels com valores iguais a zero por dados SAR com
características pré-definidas e os pixels com valores iguais a um com dados SAR com outro
padrão desejado. A Figura 5 exibe exemplos de imagens binárias e suas respectivas simulações
com dados SAR em intensidade ao lado.
Figura 5 – Imagens Binárias com sua respectiva imagem SAR simulada em intensidade
Fonte: elaborada pelo autor (2019).
Para gerar imagens SAR em intensidade, utiliza-se o método da transformação
inversa (MARQUES et al., 2012). Este método utiliza a seguinte expressão para geração de
amostras da variável aleatória ZI , com distribuição G0I (RODRIGUES, 2017):
ZI =− γαϒ
−1
2L;−2α(U), (3.5)
em que ϒ−12L;−2α é a função inversa da distribuição F-Snedecor com 2L e −2α sendo os graus
de liberdade, a qual foi utilizada como aproximação para FG0I
−1(z), e U uma variável aleatória
com distribuição uniforme sobre [0,1].
27
4 RESULTADOS
4.1 Simulação de Imagens SAR da Bacia do Rio Jaguaribe
A simulação dos dados SAR seguiram conforme discutido em 3.2, simulando-se
dados SAR em intensidade referentes a bacia do rio Jaguaribe.
4.1.1 Obtenção da imagem multi-temporal
Para o desenvolvimento deste trabalho o primeiro passo foi selecionar as imagens
disponíveis gratuitamente na internet pela plataforma do Google Earth escolhendo as que melhor
demonstrassem as transformações da área a ser estudada e ajustando-as a uma escala de 6000
metros. A imagem multi-temporal é apresentada na Figura 6.
Figura 6 – Imagem multi-temporal óptica de satélite.
(a) Dezembro de 1993 (b) Dezembro de 2016
Fonte: disponível em <https://earth.google.com/web/>. Acesso em 4 de Março de 2019 (MAPAS, 2019).
As imagens são referentes ao município de Alto Santo-CE, destaque para o rio
Jaguaribe apresentado no centro das imagens presentes na Figura 6. Propositalmente, as imagens
foram obtidas de maneira que se foi possível identificar o surgimento da barragem do Castanhão,
o qual teve suas obras iniciadas em 1995 e concluídas em 2003. Essas imagens são referentes
aos anos de 1993 e 2016, respectivamente da esquerda para direita, ambas obtidas no mês de
dezembro.
Inspirado em (CORRÊA et al., 2017) realizou-se o processo de ajuste da escala
28
(1:600000) no AutoCAD, a partir da função scale e a vetorização manual das cenas, conforme
discutido em 3.2.2, com este programa a partir do uso da função line. A imagem vetorizada é
mostrada na Figura 7.
Figura 7 – Imagens Vetorizadas com o software AutoCAD version 2018.
(a) 1993 (b) 2016
Fonte: elaborada pelo autor (2019).
Em seguida, com o auxílio do software paint, do windows 10, preencheu-se toda
região de água, delimitada pela vetorização manual, com a cor preta. Este preenchimento foi
executado facilmente a partir da ferramenta "preencher com cor"do programa citado. Assim,
obteve-se duas imagens binárias conforme a Figura 8. Uma imagem binária digital possui apenas
duas possibilidades de valores para seus pixels (1 ou 0), por isso elas são monocromáticas (zero
representa a cor preta e o número um representa a cor branca). Assim, a região do Rio Jaguaribe
e do açude do Castanhão foram preenchidas com a cor preta e as outras áreas permaneceram em
branco.
4.1.2 Simulação de Dados SAR
A partir das imagens binárias obtidas, Figura 8, fez-se a simulação de dados SAR
em intensidade pelo método da transformação inversa, discutido em 3.2.3. Para auxiliar nesta
tarefa, utilizou-se o software R, version 3.4.3. Os dados são simulados em função dos parâmetros
da distribuição G0I , selecionados de forma estratégica para retratar o cenário sob estudo.
Uma amostra de imagens simuladas são apresentadas na Figura 9 e as características
29
Figura 8 – Imagens Binárias obtidas com a metodologia detalhada em 3.2
(a) 1993 (b) 2016
Fonte: elaborada pelo autor (2019).
Figura 9 – Imagens SAR Simuladas a partir das imagens binárias do rio Jaguaribe, com L= 8
(a) 1993 (b) 2016
Fonte: elaborada pelo autor (2019).
delas expostas na Tabela 1. Para a definição das características de rugosidade das imagens, tomou-
se valores típicos constantes na literatura para regiões homogêneas como a água, αR =−8, e
para regiões heterogêneas como vegetações, αV =−3 (FRERY et al., 2004).
Em relação ao parâmetro de escala, ele foi definido de forma empírica a partir
da comparação de um recorte 40x40 pixels na imagem SAR real exposta na Figura 10(a).
Esta imagem possui 1 look, e foi adquirida com polarização HH, a mesma é disponibilizada
30
gratuitamente no site do Instituto de Engenheiros Eletricistas e Eletrônicos (IEEE), nela temos
uma ponte com duas estradas atravessando um rio com vegetação nas duas margens, a imagem
óptica do mesmo local em que foi obtida a imagem SAR é exposta na Figura 10(b).
Os recortes da Figura 10(a) foram realizados na área em que se tinha rio (recorte R)
e na região de vegetação (recorte V). Nesse sentido, foram simuladas matrizes 40x40 pixels com
dados SAR em intensidade, a fim de se obter as mesmas características visuais dos recortes, uma
vez que o parâmetro de escala está relacionado com os tons de cinza das imagens SAR.
Os recortes R e V são mostrados nas Figuras 11(a) e 12(a), respectivamente. A
esquerda de cadauma delas tem-se a matriz simulada com o parâmetro γ que mais se assemelha
a imagem SAR real.
Tabela 1 – Parâmetros da distribuição G0I
usados para a simulação dos da-
dos SAR
Cenário retratado L α γ
Água (foreground) 1, 5 e 8 -8 1
Vegetação (background) 1, 5 e 8 -3 3
Fonte: elaborada pelo autor (2019).
Figura 10 – Imagem SAR real com sua respectiva imagem óptica de satélite
(a) Imagem SAR real (b) Imagem óptica
Fonte: disponível em <https://ieee-dataport.org/competitions/grss-sarpolsar-database>. Acesso em 23 de Junho de
2019 (A.S., 2017).
Assim, os parâmetros da distribuição G0I escolhidos para a simulação de dados SAR
31
Figura 11 – Definição empírica do parâmetro de Escala
(a) Recorte R (40x40) da Figura 10(a) (b) Região de Rio simulado com γ = 1
Fonte: elaborada pelo autor (2019).
Figura 12 – Definição empírica do parâmetro de Escala
(a) Recorte V (40x40) da Figura 10(a) (b) Região de Vegetação simulada com com γ = 3
Fonte: elaborada pelo autor (2019).
em intensidade são mostrados na Tabela 1.
4.1.3 Matriz Indicadora de Mudanças
A construção da matriz indicadora de mudanças foi feita utilizando a metodologia
exposta em 3.1.
A estimação dos parâmetros foi feita a partir do método de log-cumulantes, com
32
janelas de 5x5 pixels e a distância estocástica utilizada foi a triangular. O cálculo pixel a pixel da
dificuldade de segmentação modificada expressa a MIM. A matriz indicadora de mudanças para
as imagens SAR simuladas, expostas na Figura 9, está mostrada na Figura 13.
Figura 13 – Matriz indicadora de Mudanças
Fonte: elaborada pelo autor (2019).
As região mais escuras revelam áreas com maior probablidade de mudanças, ao
passo que as regiões mais claras são regiões que provavelmente se mantiveram sem grandes
mudanças de um cenário para o outro.
A análise da Figura 13, mostra algumas mudanças no curso d’água. Obviamente, a
principal mudança deveu-se pelo lago a montante da barragem do Castanhão. Todavia, algumas
mudanças a jusante do reservatório merecem destaque. Dentre elas, podemos correlacionar
com os efeitos geomorfológicos que ocorrem de forma interdependentes a jusante das grandes
barragens mostrados no trabalho de Coelho (2008), são eles: Mudança na configuração em
planta, mudança na forma do leito (aparentemente se tornou mais largo em algumas localidades),
mudanças na seção transversal.
Estas mudanças evidentemente ocorreram devido a construção do reservatório, o
qual é o maior do Ceará. É interessante ressaltar que outras mudanças também poderiam vir a
ser apresentadas, como deposição de sedimentos na calha do rio, porém na simulação de dados
SAR que foi realizada se deu ênfase apenas no curso d’água, generalizando-se todo o resto como
uma região com um parâmetro de rugosidade semelhante. Nesse sentido, a utilização de imagens
SAR reais do local poderiam fornecer uma MIM mais informativa.
Além disso, vale ressaltar que a Figura 13 não evidencia mudanças reais no rio
33
Jaguaribe, uma vez que se tratam de mudanças evidenciadas com a utilização de imagens SAR
multi-temporais simuladas, ou seja, não retratam fidedignamente a real situação deste trecho do
Rio Jaguaribe.
4.1.4 Segmentação da Matriz Indicadora de Mudanças
A proposta de matriz indicadora de mudanças presente nesse trabalho contém uma
característica singular, como mencionada na seção 3.1.1, cada pixel dela traz consigo a proba-
bilidade de se haver semelhança entre as cenas analisadas. Dessa forma, é possível segmentar
a MIM de forma a destacar os valores para os quais temos mudanças mais prováveis. Nesse
sentido, a partir de testes realizados no R para o caso em questão, foi possível constatar que
valores da MIM maiores do que 0,5 não demonstram mudanças entre as cenas. Em contrapartida,
valores iguais ou abaixo de 0,5 revelam as mudanças mais prováveis entre as cenas.
Portanto, segmentou-se a MIM utilizando como limiar o valor de DSmod = 0,5,
ou seja, para pixels com intensidade DSmod > 0,5 atribuiu-se o valor 1 e para aqueles com
intensidade DSmod ≤ 0,5 atribuiu-se o valor 0, resultando na Figura 14.
Com o intuito de investigar a adequação da metodologia proposta na segmenta-
ção da MIM, foram conduzidos experimentos de segmentação com MIM de imagens multi-
temporais sintéticas com dados SAR em intensidade com duas regiões de diferentes padrões
cada, mimetizando-se a região do rio Jaguaribe a partir das imagens binárias presentes na Figura
8.
Realizou-se, portanto, experimentos de Monte Carlo com 300 imagens multi-temporais
simuladas em intensidade (ZI), com o método da transformação inversa, com parâmetros distintos
de rugosidade e escala para background, retratando uma região de vegetação ( (αb;γb) = (−3;3))
e para foreground, retratando região de rio ((α f ;γ f ) = (−8;1)).
Os resultados da média do Erro de Segmentação (EoS) e seus respectivos desvios-
padrões variando-se o número de looks das imagens (100 imagens para cada valor de L) são
mostrados na Tabela 2. Esses resultados confirmam que o método de segmentação evidenciou
com precisão as regiões impactadas pela barragem do Castanhão.
Além disso, é possivel verificar, a partir dos desvios-padrões de EoS, que não
houveram grandes dispersões nos valores de EoS calculados. Por fim, ainda pode-se concluir
que EoS diminui ao passo que se aumenta o número de looks das simulações, isso pode ser
explicado pelo fato de haver uma diminuição do ruído speckle quando se aumenta L.
34
Tabela 2 – Média e desvio-padrão de EoS
para segmentações realizadas
Número de Looks Média Desvio-Padrão
L = 1 0,0293 ±0,00072
L = 5 0,0122 ±0,00019
L = 8 0,0116 ±0,00017
Fonte: elaborada pelo autor (2019).
4.2 MIM para imagens SAR reais
A metodologia proposta neste trabalho é aplicada tanto para imagens SAR simuladas
quanto para reais. Nesse sentido, selecionou-se uma imagem SAR multi-temporal real em
intensidade para aplicar a proposta de MIM. A figura 15 mostra a imagem referida.
As figuras 15(a) e 15(b) possuem 4 looks, e foram adquiridas com polarização HH.
Nelas, temos a costa do Nordeste brasileiro, obtidas pelo sensor RADARSAT, evidenciando uma
mancha de óleo no Oceano Atlântico.
Calculou-se, pixel a pixel, a matriz de distâncias estocásticas a apartir da estimação
dos parâmetros das imagens com janelas 9x9, via método de log-cumulantes. A MIM resultante
é exposta na Figura 16(a).
A Figura 16(a) evidencia a mancha de óleo como a principal mudança entre os
cenários. Aplicamos a segmentação por limiarização, semelhante ao realizado com as imagens
simuladas, com o limiar também igual a 0,5, o resultado da segmentação é mostrado na Figura
16(b).
Na Figura 16(b) temos que a mancha de óleo foi evidenciada pelos pixels pretos,
mostrando que a aplicação da metodologia conseguiu detectar as mudanças entre as imagens.
35
Figura 14 – Exemplo de MIM segmentada
com limiar = 0,5
Fonte: elaborada pelo autor (2019).
Figura 15 – Imagens SAR multi-temporal real
(a) Mar (b) Mar e óleo
Fonte: cedida por Rodrigues et al (2016).
36
Figura 16 – Imagens SAR reais
(a) MIM (b) MIM segmentada com Limiar = 0,5
Fonte: elaborada pelo autor (2019).
37
5 CONCLUSÕES
Neste trabalho, apresentou-se uma metodologia para detecção de mudanças em
dados SAR. A vantagem desta metodologia quando comparada com outras existentes, centra-se
na determinação de uma matriz a qual cada pixel possui uma informação bem definida graças a
utilização da medida de dificuldade de segmentação modificada que expressa a probabilidade de
duas regiões serem iguais.
Com esta medida, pôde-se simular as mudanças que ocorreram no rio Jaguaribe após
a construção da barragem do Castanhão do ano de 1993 até o ano de 2016. Com isso, estas
mudanças foram comparadas com as constantesna literatura, utilizando-se como base o trabalho
de Coelho (2008), o qual compilou os principais efeitos causados em um rio pela construção de
um barramento num curso d’água. A comparação evidenciou alguns dos efeitos nas imagens
simuladas.
Com este trabalho, pôde-se ratificar o poder que as imagens SAR têm no moni-
toramento de mudanças na superfície da Terra, uma vez que a aplicação destas imagens não
se limitam apenas a bacias hidrográficas. Além disso, a aplicação desta mostra-se como uma
ferramenta poderosa para o controle e o monitoramento dos principais reservatórios do Nordeste,
os quais, na maioria das vezes, são a única alternativa para o abastecimento humano em diversas
cidades, haja vista a escassez dos recursos hídricos nesta região do Brasil.
Por fim, deixa-se claro a importância em se mapear e controlar impactos que um
reservatório de grandes proporções, como o Castanhão, trazem para um rio.
5.1 Trabalhos futuros
A partir da pesquisa desenvolvida nessa monografia, outras aplicações podem ser
feitas com a MIM a fim de monitorar processos dinâmicos na Terra, a seguir cita-se algumas:
• Medir a intensidade e extensão da evolução de impactos ambientais;
• Quantificação e monitoramento do desmatamento da floresta amazônica;
• Localização de destroços de embarcações e aviões perdidos no mar;
38
REFERÊNCIAS
A.S., N. R. H. R. F. A. A. R. R. M. F. F. R. E. A. B. GRSS SAR/PolSAR DATABASE. IEEE
Dataport, 2017. Disponível em: <http://dx.doi.org/10.21227/H28W2J>.
CAMPOS, J. N. A gestão das águas e o desenvolvimento do estado do ceará: Uma perspectiva
histórica. T&C Amazônia, Ano IV, n. 9, 2006.
CAVALCANTE, A. A.; CUNHA, S. B. da. Morfodinâmica fluvial em áreas semiáridas:
discutindo o vale do rio jaguaribe-ce-brasil. Revista Brasileira de Geomorfologia, v. 13, n. 1,
2012.
COELHO, A. L. N. Geomorfologia fluvial de rios impactados por barragens-fluvial
geomorphology of rivers impacted from dams. Caminhos de Geografia, v. 9, n. 26, 2008.
CORRÊA, I. C. A.; ABREU, W. W. N.; PANTOJA, L. M. Utilização de imagens do google
earth para análise de mudanças no território com a criação do shopping bosque grão-para em
belem-pa. Anais do XXVII Congresso Brasileiro de Cartografia e XXVI Exposicarta, p.
870–872, novembro 2017.
FRERY, A. C.; CRIBARI-NETO, F.; SOUZA, M. O. D. Analysis of minute features in speckled
imagery with maximum likelihood estimation. EURASIP Journal on Advances in Signal
Processing, Springer, v. 2004, n. 16, p. 375370, 2004.
FRERY, A. C.; MULLER, H.-J.; YANASSE, C. d. C. F.; SANT’ANNA, S. J. S. A model for
extremely heterogeneous clutter. IEEE transactions on geoscience and remote sensing, IEEE,
v. 35, n. 3, p. 648–659, 1997.
KASISCHKE, E. S.; MELACK, J. M.; DOBSON, M. C. The use of imaging radars for
ecological applications—a review. Remote sensing of environment, Elsevier, v. 59, n. 2, p.
141–156, 1997.
KRYLOV, V. A.; MOSER, G.; SERPICO, S. B.; ZERUBIA, J. On the method of logarithmic
cumulants for parametric probability density function estimation. IEEE Transactions on
Image Processing, IEEE, v. 22, n. 10, p. 3791–3806, 2013.
LEE, J.-S.; POTTIER, E. Polarimetric radar imaging: from basics to applications. [S.l.]:
CRC press, 2009.
MAPAS, G. E. Castanhão, Alto Santo - CE. 2019. Disponível em: <https://earth.google.com/
web/>. Acesso em: 04 Mar. 2019.
MARQUES, R. C. P. Caracterização de regiões em imagens da radar de abertura sintética
com aplicações por segmentação por Level Set. Tese (Doutorado) — Federal University of
Ceará, 2011.
MARQUES, R. C. P.; MEDEIROS, F. N.; NOBRE, J. S. SAR image segmentation based on
level set approach and G0A model. IEEE Transactions on Pattern Analysis and Machine
Intelligence, v. 34, n. 10, p. 2046–2057, Oct 2012.
MOREIRA, A.; PRATS-IRAOLA, P.; YOUNIS, M.; KRIEGER, G.; HAJNSEK, I.;
PAPATHANASSIOU, K. P. A tutorial on synthetic aperture radar. IEEE Geoscience and
remote sensing magazine, IEEE, v. 1, n. 1, p. 6–43, 2013.
39
NASCIMENTO, A. D.; CINTRA, R. J.; FRERY, A. C. Hypothesis testing in speckled data with
stochastic distances. IEEE Transactions on Geoscience and Remote Sensing, IEEE, v. 48,
n. 1, p. 373–385, 2010.
NASCIMENTO, A. D. C. D. Contrast measures and stochastic distances in a model for
speckled data. Tese (Doutorado) — Federal University of Pernambuco, 2008.
NICOLAS, J.-M. Introduction aux statistiques de deuxième espèce: Applications des
logs-moments et des logs-cumulants à l’analyse des lois d’images radar. TS. Traitement du
signal, Lavoisier, v. 19, n. 3, p. 139–167, 2002.
PIANTO, D. M. Modeling synthetic aperture radar image data. Universidade Federal de
Pernambuco, 2008.
RODRIGUES, F. Á.; NETO, J. R.; MARQUES, R. P.; MEDEIROS, F. S. de; NOBRE, J. S. Sar
image segmentation using the roughness information. IEEE Geoscience and Remote Sensing
Letters, IEEE, v. 13, n. 2, p. 132–136, 2016.
RODRIGUES, F. A. Á. Método de log-cumulantes em processamento de imagens SAR.
Tese (Doutorado) — Federal University of Ceará, Fortaleza, Brazil, 2017.
	Folha de rosto
	Agradecimentos
	Resumo
	Abstract
	Lista de Símbolos
	Sumário
	Introdução
	Objetivo geral e específicos
	FUNDAMENTAÇÃO TEÓRICA
	Fundamentos de Hidrologia Aplicados
	O Rio Jaguaribe e o Castanhão
	Mudanças Causadas a Jusante de Grandes Barragens
	Fundamentos de Imagens SAR
	Modelagem Estatística de Dados SAR em Intensidade
	Distribuição GI0 para dados SAR em intensidade
	Estimação dos Parâmetros da distribuição GI0
	Distância Estocástica Triangular
	Metodologia
	Metodologia para Construção da Matriz Indicadora de Mudanças
	A Dificuldade de Segmentação Modificada
	Metodologia para Simulação de Dados SAR Multitemporais em Intensidade
	Obtenção de Imagens Ópticas de Satélite
	Vetorização e Ajuste da Escala
	Simulação de dados SAR usando a Distribuição GI0
	Resultados
	Simulação de Imagens SAR da Bacia do Rio Jaguaribe
	Obtenção da imagem multi-temporal
	Simulação de Dados SAR
	Matriz Indicadora de Mudanças
	Segmentação da Matriz Indicadora de Mudanças
	MIM para imagens SAR reais
	Conclusões
	Trabalhos futuros
	REFERÊNCIAS
	APÊNDICES
	ANEXOS