Uso de Imagens de Satélite

4.4 - Extração de Informações

layers de um SIG

A extração de informações reune todo o conhecimento adquirido nas rotinas vistas anteriormente, para o objetivo final do estudo, que é obter as informações ambientais disponíveis nas imagens, para as metas a que nos propusemos no início. O manuseio apropriado das bandas espectrais e das rotinas de processamento digital dos dados contidos nas imagens de satélite, propicia ao usuário a obtenção ou extração de uma gama infindável de informações ambientais.

Este é o conceito de análise utilizado pelos Sistemas de Informações Geográficas - SIG. A figura ao lado mostra a superposição de 4 camadas ou layers (não confundir com bandas) sendo "fundidas" para a geração de um único plano de informações em um SIG, para destacar a importância desta ferramenta, juntamente com o SR, nos estudos ambientais.

Mais do que o uso de rotinas digitais, os resultados da interpretação de uma imagem de satélite, requerem conhecimento científico dos temas abordados (desmatamento, assoreamento, etc.) e, mais do que isso, experiência anterior nesse tipo de serviço. Do contrário, de que adiantaria uma imagem bonita na tela do seu computador ? Seria como que um burro olhando para o palácio.

Integração dos dados

Envolve a combinação ou fusão de dados digitais de múltiplas fontes, num esforço para a extração de informações, em quantidade e qualidade. Isto pode envolver tipos de dados que são multitemporais, multiresoluções, multisensores e mesmo multidados. Veja alguns exemplos.

a) Dados Multitemporais
Uso de imagens com datas diferentes, usando-se a técnica da subtração aritimética, para monitorar as alterações na paisagem, p.ex.

b) Dados Multiresoluções
Uso de imagens com resolução espacial diferentes, usando-se a técnica da adição aritimética. Somando-se imagem de maior resolução espacial com outra de menor resolução, podemos destacar detalhes e melhorar a discriminação visual dos objetos sobre o terreno. Dados do SPOT se enquadram bem neste processo, já que seus dados pancromáticos com resolução espacial de 10m, podem facilmente ser fundidos com os da banda espectral de 20m. Além disso, os dados multiespectrais servem para reter uma boa resolução espectral, enquanto os dados pancromáticos favorecem uma melhor resolução espacial.

multisensores

c) Dados Multisensores
Uso de imagens captadas em diferentes sensores do mesmo satélite, usando a técnica da adição aritimética. Um ótimo exemplo desta técnica, é a combinação de dados óticos multiespectrais com imagem de radar (foto ao lado). Os dados óticos fornecem informação espectral detalhada, útil para diferenciar os vários tipos de alvos terrestres; enquanto que a imagem de radar, realça os detalhes estruturais da imagem, relevo principalmente.

d) Multidados
Imagens obtidas com diferentes tipos de dados, ou seja, o uso da técnica que combina dados de características diferentes, tais como:
-- raster x vector (atualização de rede hidrográfica, p.ex.)
-- dados de elevação do terreno x SR
-- mapas digitais x tipos de solos
-- classes de cobertura do terreno
-- espécies florestais
-- rede viária e
-- outros tipos (dependendo da aplicação).

Classificação dos dados

classificação

São operações digitais utilizadas para identificar e classificar pixels nos dados da imagem. A classificação é usada, em geral, em mais de uma imagem (conhecidas como rasteres e multi-canais --- representadas por A na figura ao lado). Este processo associa cada pixel da imagem a uma classe particular ou tema (polígonos coloridos mostrados na parte B da figura), com base em características estatísticas dos tons de cinza do pixel. Há uma série de parâmetros a configurar na Classificação digital.

As abordagens mais usadas são:
a) Classificação Supervisionada; e
b) Classificação Não-supervisionada.

Ao falar de classes, precisamos distinguir entre classes de informação e classes espectrais. Classes de informação são aquelas categorias de interesse que o analista tenta identificar na imagem de satélite, tais como: diferentes tipos de cultivo, diferentes tipos florestais ou espécies de árvores, diferentes unidades geológicas ou tipos de rochas, etc. As classes espectrais são grupos de pixels que são uniformes (ou parecidos) com relação aos seus valores de brilho, nos diferentes canais espectrais dos dados da imagem.

O objetivo é comparar as classes espectrais dos dados com as classes de informação que interessam aos nossos estudos.

CLASSIFICAÇÃO SUPERVISIONADA

classificação supervisionada
Nesta rotina, o analista identifica na imagem, amostras homogêneas representativas dos diferentes tipos de cobertura (classes de informação) que interessam ao estudo. Essas amostras (água, agricultura e rocha na figura colorida ao lado) são chamadas áreas de treinamento, são "supervisionadas" (escolhidas pelo analista) e servem para "treinar" o computador a reconhecer áreas espectrais similares na imagem, para cada classe. Usando algorítmos especiais, o computador determina as "assinaturas" numéricas para cada classe de treinamento. Deste modo, cada pixel da imagem é comparado com essas assinaturas e rotuladas como a classe com que ele mais se "parece" digitalmente. Assim, na Classificação supervisionada, nós primeiro identificamos as classes de informação, que serão usadas posteriormente para delimitar as classes espectrais que as representam. O resultado é um MAPA TEMÁTICO ou Plano de Informação, na linguagem dos SIGs.

CLASSIFICAÇÃO NÃO-SUPERVISIONADA

classificação não-supervisionada
Nesta rotina, inverte-se o processo da classificação supervisionada. As classes espectrais são inicialmente grupadas, com base apenas na informação numérica dos seus dados e, então, comparadas pelo analista com as classes de informação (se possível). Algorítmos de grupamento (clustering) são utilizados para "juntar" os grupamentos (estatísticos) naturais ou estrutura dos dados. Em geral o analista especifica quantos grupos são necessários para formar as classes, a distância de separação entre eles e as variações dentro deles. Como vemos, a Classificação não-supervisionada, ao contrário do que possa sugerir o seu nome, não é uma rotina automática e, embora seja bem menos trabalhosa do que a Supervisionada, requer também a participação do analista, para selecionar os parâmetros a serem incluídos no algor´tmo. O resto, o computador faz.


SIGa-me (jviana@openlink.com.br)

voltar Menu próximo