S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa
Transcript of S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa
![Page 1: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/1.jpg)
PTR 5003S.R.: OBIA, Modelagem
Dinâmica e Perspectivas de Pesquisa
Profa. Mariana A. Giannotti
LGP – Laboratório de Geoprocessamento da EPUSP
![Page 2: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/2.jpg)
Pré-processamentosCorreção Radiométrica
• Eliminação de ruídos
• Restauração
• Correção Atmosférica
![Page 3: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/3.jpg)
Imagem de Satélite
45
50
56
32
1
2
3
4
45
50
56
32
Vetor padrão do pixel (1,1)
Fonte: LGP / EPUSP
![Page 4: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/4.jpg)
Espaço de Atributos
“O gráfico contendo as frequências de distribuição de intensidades de duas ou mais bandas de uma imagem multiespectral “
(Crósta 1989)
![Page 5: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/5.jpg)
Seleção de atributos
A
B
C
100 200 255 (DN)
![Page 6: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/6.jpg)
Seleção de atributos
A
B
C
100 200 255 (DN)
(DN)
100
200
255
Banda 2
Banda 1
![Page 7: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/7.jpg)
100 200 255 (DN)
(DN)
100
200
255
C
Banda 2
Seleção de atributos
Banda 1
![Page 8: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/8.jpg)
Seleção de atributos
100 200 255 (DN)
(DN)
100
200
255
C
Banda 3
Banda 2
![Page 9: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/9.jpg)
Subtração
Adição
Multiplicação
Divisão (ou Razão)
NDVI(Normalized Difference Vegetation Index )
Operações Aritméticas
![Page 10: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/10.jpg)
NDVI
O NDVI é obtido através do seguinte algoritmo:
NDVI = (NIR - RED)
(NIR + RED)
onde:
NIR = Região do Infravermelho Próximo
RED = Região do Vermelho
![Page 11: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/11.jpg)
Classificação de Imagens
Associação de pixels aos temas (classes).
Geração de um
Mapa Temático
![Page 12: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/12.jpg)
Obtenção de Mapas Temáticos
• Interpretação visual
– Tonalidade, cor, textura, tamanho, forma, sombra, padrão,
localização geográfica e data de aquisição da imagem
(FLORENZANO, 2002)
• Classificação de imagens
– Procedimentos computacionais para a análise de imagens
Fonte: LGP / EPUSP
![Page 13: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/13.jpg)
• Imagens multiespectrais
• Componentes principais
• Espaço de atributos
• Classificação
• Segmentação
Classificação de Imagens Multiespectrais
Fonte: LGP / EPUSP
![Page 14: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/14.jpg)
• Objetivos da classificação:
– definir classes de objetos semelhantes, segundo algum critério de
parecença ou homogeneidade
– incluir novos elementos (alocar de maneira ótima) nas classes pré-
definidas, segundo alguma regra de decisão
Classificação de Imagens Multiespectrais
Fonte: LGP / EPUSP
![Page 15: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/15.jpg)
Agrupar pixels em classes
Gerar mapas
Fonte de dados para o SIG
Classificação de Imagens Multiespectrais
![Page 16: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/16.jpg)
• Quanto ao elemento de análise
• Baseada em Pixel
• Baseada em Regiões
• Baseada em Objeto
• Hard ou Fuzzy...
• Quanto a interação do usuário
• Supervisionada
• Não Supervisionada
• Quanto às regras de decisão
• Paramétrico (estatístico)
• Não paramétrico (geométrico)
Classificação de Imagens Multiespectrais
![Page 17: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/17.jpg)
• Suposições/condições desta abordagem:
– pixels de uma mesma classe são semelhantes
– diferentes alvos tem diferentes comportamentos espectrais
Classificação de Imagens Multiespectrais
Fonte: LGP / EPUSP
![Page 18: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/18.jpg)
• Classificação não supervisionada
– segmentação (ou não)
– escolha do algoritmo de classificação
–interpretação das classes geradas
– avaliação da classificação e possível reprocessamento
Classificação de Imagens Multiespectrais
![Page 19: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/19.jpg)
• Segmentação: dividir a imagem em regiões.
• Regiões: conjunto de pixels contíguos, cujas características de atributos são semelhantes.
• Crescimento por regiões
• Detecção de bordas
Segmentação
![Page 20: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/20.jpg)
• Crescimento por regiões
• Detecção de bordas
Segmentação
Fonte: LGP / EPUSP
![Page 21: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/21.jpg)
• Limiar de área
• Limiar de similaridade
Segmentação
Fonte: LGP / EPUSP
![Page 22: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/22.jpg)
O parâmetro de escala influencia em qual objeto descreve melhor as feições de interesse
Fonte: LGP / EPUSP
![Page 23: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/23.jpg)
Parâmetro de escala: 10Fonte: LGP / EPUSP
![Page 24: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/24.jpg)
Parâmetro de escala: 35Fonte: LGP / EPUSP
![Page 25: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/25.jpg)
Parâmetro de escala: 110Fonte: LGP / EPUSP
![Page 26: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/26.jpg)
• Baseada no conhecimento prévio da área em análise.
• Amostras de treinamento.
• Classes definidas a priori: processo de classificação visa a enquadrar cada pixel a uma classe.
Classificação: Supervisionada
Fonte: LGP / EPUSP
![Page 27: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/27.jpg)
• Baseada no conhecimento prévio da área em análise.
– “Verdade” de campo
– Fotografia aérea
– Imagem de melhor resolução
Classificação: Supervisionada
Fonte: LGP / EPUSP
![Page 28: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/28.jpg)
• Amostras de treinamento
– conjunto de pixels representativos
– parâmetros estatísticos das classes
– padrão de comportamento espectral
Classificação: Supervisionada
Fonte: LGP / EPUSP
![Page 29: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/29.jpg)
• Coletar amostras para cada classe
• “Treinar” o algoritmo
• Maior exatidão e representatividade das amostras, melhores resultados
Classificação: Supervisionada
Fonte: LGP / EPUSP
![Page 30: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/30.jpg)
• Classes definidas a priori: processo de classificação visa a alocar cada pixel a uma classe (exceto quando é usada lógica fuzzy).
– diferentes métodos para “alocar” pixel a uma classe:
• Paralelepípedo
• Mínima distância
• Vizinho mais próximo
• Máxima verossimilhança (Maxver)
• ...
Classificação: Supervisionada
![Page 31: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/31.jpg)
Adaptado de Clevers, 1999
Classificação: Supervisionada
Mínima Distância
![Page 32: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/32.jpg)
Adaptado de Clevers, 1999
DN banda 4
DN
banda 3
água
telha cerâmica
solo exposto
grama
floresta
asfalto
Classificação: Supervisionada
Paralelepípedo
![Page 33: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/33.jpg)
Adaptado de Clevers, 1999
Classificação: Supervisionada
Máxima Verossimilhança
![Page 34: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/34.jpg)
Classificação: Máxima Verossimilhança
Fonte: Crósta, 1993
![Page 35: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/35.jpg)
Classificação
Supervisionada
Imagem CBERS, São Paulo, 2008
Classificação Maxver
Vegetação densa
Vegetação rasteira
Água
Área urbana
Asfalto, amianto
![Page 36: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/36.jpg)
• Matriz de erro ou confusão:
– Verdade de campo x classificação;
– Índices de desempenho geral e por classe:• Erro de omissão;
• Erro de comissão;
– Coeficiente Kappa.
Classificação: Avaliação
Fonte: LGP / EPUSP
![Page 37: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/37.jpg)
Classificada
Ref
erên
cia
C1 C2 C3 C4 C5 C6 Total
C1 897 308 75 65 17 33 1395
C2 65 347 141 105 0 26 684
C3 0 7 110 131 3 71 322
C4 0 0 18 117 32 49 216
C5 2 0 101 127 294 127 651
C6 0 0 3 12 0 325 340
Total 964 662 448 557 346 631 3608
Acurácia % Omissão % Comissão %
C1 64.3 35.7 6.9
C2 50.7 49.2 47.5
C3 34.1 65.8 75.4
C4 54.1 45.8 78.9
C5 45.8 54.8 15
C6 95.5 4.4 48.4
Acurácia total da classificação
( Total de acertos / Total) * 100%
(2090/3608) * 100% = 57,9%
Erro de comissão (C1) = (67/964) * 100% = 6.9%
Classificação: Matriz de erros
Qual é o erro que eu admito?
Erro de omissão (C1) = (498/1395) * 100% = 35,7%
![Page 38: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/38.jpg)
GEOBIA - Definição
• Desenvolvimento de métodos automatizadospara particionar as imagens de sensoriamentoremoto em objetos geográficos com semânticaavaliando suas características espectrais,espaciais e temporais.
• Identificação de objetos que têm uma existênciaconcreta no mundo real e que expressamcaracterísticas de cor, forma, textura, padrão econtexto na imagem analisada.
Fonte: Alessandra Knopick, SENAC, 2011
![Page 39: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/39.jpg)
GEOBIA - Premissas• Simulação do conhecimento do intérprete de forma a
automatizar, completamente ou em parte, o processode análise e imagens e extração de informações.
Fonte: Alessandra Knopick, SENAC, 2011
![Page 40: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/40.jpg)
GEOBIA - Premissas
• Um problema é representado por umacoleção de objetos que interagem entre si(Rumbaugh et al., 1994).
• A informação semântica necessária para ainterpretação da imagem não está presenteno pixel, e sim em objetos de imagem e nasrelações entre eles.
Fonte: Alessandra Knopick, SENAC, 2011
![Page 41: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/41.jpg)
GEOBIA – Premissas
• Os objetos com características em comum são agrupados em CLASSES.
• As características são organizadas em forma de REDE HIERÁRQUICA, onde as classes de um nível inferior (subclasses) herdam as características da classe do nível superior (superclasse).
Fonte: Alessandra Knopick, SENAC, 2011
![Page 42: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/42.jpg)
GEOBIA – Premissas
Fonte: Alessandra Knopick, SENAC, 2011
![Page 43: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/43.jpg)
Segmentação
Rede Hierárquica
Regras de Classificação
Imagem Classificada
GEOBIA – Etapas
Fonte: Alessandra Knopick, SENAC, 2011
![Page 44: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/44.jpg)
GEOBIA – Segmentação Multiresolução
• Segmentação:
– Divisão de uma imagem em regiões que melhor representam os objetos de interesse numa cena.
• Segmentação Multiresolução:
– Geração dos objetos da imagem em diferentes escalas de detalhamento.
Fonte: Alessandra Knopick, SENAC, 2011
![Page 45: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/45.jpg)
GEOBIA – Segmentação Multiresolução
Fonte: Alessandra Knopick, SENAC, 2011
![Page 46: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/46.jpg)
GEOBIA – Segmentação Multiresolução
Fonte: Alessandra Knopick, SENAC, 2011
![Page 47: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/47.jpg)
GEOBIA – Rede Hierárquica
Fonte: Alessandra Knopick, SENAC, 2011
![Page 48: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/48.jpg)
GEOBIA – Regras de classificação
Fonte: Alessandra Knopick, SENAC, 2011
![Page 49: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/49.jpg)
Gráfico de dispersão das classes áreas naturais (verde) e tecido urbano (rosa). Os pontos correspondem aos objetos classificados, enquanto as bolinhas
correspondem às amostras selecionadas
GEOBIA – Regras de classificação
Fonte: Alessandra Knopick, SENAC, 2011
![Page 50: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/50.jpg)
Espaço de Atributos
“O gráfico contendo as frequências de distribuição de intensidades de duas ou mais bandas de uma imagem multiespectral “
(Crósta 1989)
![Page 51: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/51.jpg)
Gráfico de dispersão das classes áreas naturais (verde) e tecido urbano (rosa). Os pontos correspondem aos objetos classificados, enquanto as bolinhas
correspondem às amostras selecionadas
GEOBIA – Regras de classificação
Fonte: Alessandra Knopick, SENAC, 2011
![Page 52: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/52.jpg)
Histogramas de média dos objetos da banda 1, 2, 3 e 4 e Brilho para as classes Sombra (em preto) e Concreto/ Amianto Escuro (em Azul).
GEOBIA – Regras de classificação
Fonte: Alessandra Knopick, SENAC, 2011
![Page 53: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/53.jpg)
GEOBIA – Classificação
Fonte: Alessandra Knopick, SENAC, 2011
![Page 54: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/54.jpg)
• Comercial
– E-Cognition
– ENVI – EX
– IMAGINE Objective (ERDAS)
• OpenSource
– Interimage (PUC-RJ)
GEOBIA – Software
Fonte: Alessandra Knopick, SENAC, 2011
![Page 55: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/55.jpg)
Fonte: R7 Notícias
Fonte: R7 Notícias
Fonte: Nova Centelha
Aplicação: desastres
Fonte: Luiz Augusto Manfré, EPUSP, 2012
![Page 56: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/56.jpg)
Crescimento Urbano
EUA Europa (UK) Brasil
Fonte: adaptado de Gilberto Câmara, INPE
![Page 57: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/57.jpg)
Muitas informações
Processamentos
Obtenção de muitos dados
Planejamento Preventivo
Contingência de
Emergências
Aplicação: desastres
Fonte: Luiz Augusto Manfré, EPUSP, 2012
![Page 58: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/58.jpg)
Classificação baseada em objeto
Aplicação: desastres (RMSP)
Fonte: Luiz Augusto Manfré, EPUSP, 2012
![Page 59: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/59.jpg)
Aplicação: Guarapiranga
Identificar os diferentes padrões de ocupação doespaço urbano do entorno do reservatório doGuarapiranga – RMSP a partir de dados de coberturada terra e dados socioeconômicos do Censo do IBGE
Inferências a respeito da caracterizaçãosocioeconômica da população.
Fonte: Aline Salim, SMA, 2013
![Page 60: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/60.jpg)
Aplicação: Guarapiranga
Fonte: Aline Salim, SMA, 2013
![Page 61: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/61.jpg)
Aplicação: Guarapiranga
Fonte: Aline Salim, SMA, 2013
![Page 62: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/62.jpg)
Aplicação: Guarapiranga
Fonte: Aline Salim, SMA, 2013
![Page 63: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/63.jpg)
Aplicação: Guarapiranga
Fonte: Aline Salim, SMA, 2013
![Page 64: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/64.jpg)
Segmentação
Aplicação: Guarapiranga
Fonte: Aline Salim, SMA, 2013
![Page 65: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/65.jpg)
Aplicação: Guarapiranga
Fonte: Aline Salim, SMA, 2013
![Page 66: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/66.jpg)
34 setores
Aplicação: Guarapiranga
Fonte: Aline Salim, SMA, 2013
![Page 67: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/67.jpg)
Porcentagem da classe de cobertura por setor
Aplicação: Guarapiranga
Fonte: Aline Salim, SMA, 2013
![Page 68: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/68.jpg)
• Abordagem multitemporal de dados de sensoriamento remoto para monitoramento sistemático da dinâmica espaço-temporal das megacidades do mundo.
GIGANTES URBANOS
Crescimento Populacional+
Processos Migratórios
Aplicação: Megacidades
![Page 69: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/69.jpg)
• Objetivo: Definir as áreas urbanizadas das megacidades e detectar as mudanças ao longo do tempo (replicar e comparar). Estudos com séries multitemporais – monitoramento sistemático.
• Dados:Imagens do satélite Landsat de 1975, 1990 e 2000, com resolução espacial de 80 metros (sensor MSS), 30 metros (sensor TM), e 15 metros (sensor ETM), no pancromático, totalizando 114 cenas;
Imagens do RADAR Terra SAR-X de 2010, com 3 metros de resolução espacial, totalizando 98 cenas.
Aplicação: Megacidades
![Page 70: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/70.jpg)
27 megacidades do mundo
Aplicação: Megacidades
![Page 71: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/71.jpg)
Aplicação: Megacidades
![Page 72: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/72.jpg)
Landsat
Aplicação: Megacidades
![Page 73: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/73.jpg)
Terra SAR-X
Aplicação: Megacidades
![Page 74: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/74.jpg)
Aplicação: Megacidades
![Page 75: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/75.jpg)
Aplicação: Megacidades
![Page 76: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/76.jpg)
• O processo de urbanização é mais intenso nos países em desenvolvimento.
• A abrangência das áreas urbanizadas nos países em desenvolvimento é maior.
Aplicação: Megacidades
![Page 77: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/77.jpg)
Aplicação: Megacidades
![Page 78: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/78.jpg)
• O SR possibilita:
– Delinear, identificar, medir, definir, localizar e quantificar áreas urbanizadas e o crescimento urbano espacial ao longo do tempo;
– Encontrar padrões espaço-temporais.
Aplicação: Megacidades
![Page 79: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/79.jpg)
• Apenas a expansão urbana 2D é mapeada, não havendo dados suficientes (com imagens de média resolução espacial) para mapeamento da expansão urbana 3D (verticalização).
Aplicação: Megacidades
![Page 80: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/80.jpg)
Varredura de feixe luminoso
Pulsos de luz laser (1040 a 1060nm) são direcionados ao terreno por um espelho.
Medição do tempo que o pulso leva do transmissor ao alvo e volta ao receptor.
3D: Lidar
Fonte: Rodrigo Nóbrega, UFMG
![Page 81: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/81.jpg)
Hannover, Alemanha
Fonte: Rodrigo Nóbrega, UFMG
3D: Lidar
![Page 82: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/82.jpg)
Modelo Digital de Superfície, de Terreno e Edificações+Vegetação
3D: Lidar
![Page 83: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/83.jpg)
3D: Lidar
![Page 84: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/84.jpg)
Modelos Dinâmicos
Fonte : Adaptado de Gilberto Câmara / Miller and Page 2005?
F(S)
f(s)
Tempo t Tempo t + 1
Mundo
Modelo
E(S) E(S)
S
s
![Page 85: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/85.jpg)
f(s)
?1997 2007
Mundo
Modelo
S
??
Modelos Dinâmicos
Fonte : Adaptado de Gilberto Câmara / Miller and Page 2005?
![Page 86: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/86.jpg)
f ( It+n )
. . FF
f (It) f (It+1) f (It+2)
“Um modelo dinâmico espacial é uma representaçãocomputacional de processos do mundo real em que umlocal na superfície da terra muda em resposta à variaçõesdinâmicas internas e externas " (Peter Burrough)
Modelos Espaciais Dinâmicos
Fonte: adaptado de Claudia Almeida / Gilberto Câmara, INPE
![Page 87: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/87.jpg)
Autômatos Celulares
• Grade de células
• Vizinhança
• Conjunto finito de estados discretos
• Conjunto finito de regras de transição
• Estado inicial
• Tempo discreto
Fonte: adaptado de Gilberto Câmara, INPE
Tempo é discreto e o estado de cada célula em um tempo t é função do estado de seus vizinhos no tempo time t-1.
![Page 88: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/88.jpg)
Vizinhança
• A vizinhança representa a relação de proximidade de uma célula.
Von Neumann MooreFonte: adaptado de Gilberto Câmara, INPE
![Page 89: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/89.jpg)
Vizinhança e Regras
RegrasVizinhança
Estados
Espaço e tempo
t
t1
Cada célula é autônoma e muda seu estado de acordo com seu estado corrente e o estado de seus vizinhos.
Fonte: adaptado de Gilberto Câmara, INPE
![Page 90: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/90.jpg)
tp - 20 tp - 10
tp
calibração calibração tp + 10
Previsão
Modelos Espaciais Dinâmicos
Fonte: Claudia Almeida, INPE
![Page 91: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/91.jpg)
RONDÔNIA DESMATAMENTO
Nós Mapeamos o Passado
Fonte: DPI / INPE
![Page 92: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/92.jpg)
Como Prever o Futuro?
Amazônia em 2020?
Fonte: DPI / INPE
![Page 93: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/93.jpg)
O Território
![Page 94: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/94.jpg)
Dados livres e GRANDES volumes (Big Data)graphics: NASA
Sentinels + CBERS + LANDSAT + …: > 10Tb/diaFonte: Gilberto Câmara / INPE
![Page 95: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/95.jpg)
Espaço primeiro, tempo depois ou tempo primeiro e espaço depois?
Espaço primeiro: classificarImagens separadamenteComparar resultados no tempo
Tempo primeiro: classificar as series temporais separadamente .Juntar os resultados para ter osmapas Fonte: slide de Gilberto Câmara / INPE
![Page 96: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/96.jpg)
Mineração de series temporais
Encontrar sequências em series temporais
Complexidade computacional altaPadrões são idealizados, dados são
“noisy”
Esling & Agon (2012)
Fonte: slide Gilberto Câmara / INPE
![Page 97: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/97.jpg)
Como usar da melhor forma as informações do “big data”?
Big data: novas visões e conceitos
Image source: Geoscience Australia Fonte: slide de Gilberto Câmara / INPE
![Page 98: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/98.jpg)
Multidimensional
X
yt
g = f (<x,y,z> [a1, ….an])
Fonte: slide de Gilberto Câmara / INPE
![Page 99: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa](https://reader030.fdocumentos.tips/reader030/viewer/2022012015/6159f0d6d01e9102c621864e/html5/thumbnails/99.jpg)
Sugestão de Bibliografia
MORAES NOVO, Evlyn L.M. Sensoriamento Remoto: Princípios e Aplicações. 3ª Edição. São Paulo: Blucher, 2008.
CRÓSTA, A. P. Processamento digital de imagens de sensoriamento remoto. Edição revisada. Campinas. IG/UNICAMP, 1993.
JENSEN, John R. Sensoriamento Remoto do Ambiente – Uma Perspectiva em Recursos Terrestres. 2ª Edição. São José dos Campos: Parêntese, 2009.
LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J. W. Remote sensing and image interpretation. 5. ed. New York: John Wiley & Sons, 2004. 763 p.