Identificação e mapeamento de áreas de deslizamentos associadas_v6 (2)

Identificação e mapeamento de áreas de deslizamentos associadas a rodovias utilizando imagens de sensoriamento remoto

Candidato: Luiz Augusto ManfréOrientador: Prof. Livre-Docente José Alberto QuintanilhaCo-orientador: Prof. Dr. Rodrigo A. A. Nóbrega

Apresentação e justificativa Deslizamentos Grande aplicabilidade de ferramentas

de geoinformação Sensoriamento Remoto e Geoprocessamento (Thomas; Eturĝay; Kemeç,

2007)

Alternativa às tradicionais análises in situ

Análise geoespaciais integradas e resulta em produtos que se subdisiam a tomada de decisão (Tralli et al., 2005)

Rodovias são agentes causadores de deslizamentos (Dai; Lee, 2001; Jaiswal; Van Westen; Jetten, 2011; Penna et al., 2013)

Apresentação e justificativa Desafios do Mapeamento de deslizamentos

Equipes de monitoramento pequenas Áreas vastas (Guzzetti et al., 2012)

Processamentos de imagens de SR grandes regiões (Tofani; Hong; Singhroy, 2014)

Imagens de sensoriamento

remoto

Técnicas de Processament

o Digital de Imagem

Cicatrizes de deslizamento

Apresentação e justificativa

Relevo Informações detalhadas sobre as principais

componentes do relevo facilitam o processo (Chen et al., 2011; De Sy et al., 2013; Tarolli et al., 2013)

(ONUMA; ALI; HAMADA, 2012; CARVALHO JUNIOR et al., 2014)

Modelos Digitais de Elevação

Técnicas de Processamento

Digital de Imagem

Síntese das Características

do Relevo

Apresentação e justificativa

Fundamental para aumentar a capacidade dos órgãos responsáveis de definir planos de gestão e monitoramento de riscos

AvaliaçãoIntegrada

Síntese do Relevo

Cobertura do Solo

PotenciaisCicatrizes

Pergunta

Existem técnicas de processamento digital de imagens de SR com resultados confiáveis para alimentar modelos de identificação de cicatrizes de deslizamentos?

Hipóteses

1. É possível utilizar dados derivados da missão SRTM para a identificação de feições do relevo mais susceptíveis à deslizamentos

2. O índice de vegetação NDVI contém informação suficiente para identificação de cicatriz de deslizamento em imagem LANDSAT

3. A combinação de diferentes classificações produz resultado com acurácia superior à classificações isoladas

Estratégia metodológica

Seleção dos dados mais adequados

Aquisição de dados

LANDSAT

SRTM e TOPODATA

Avaliação das estratégias de classificação

Seleção da área de estudo

NDVI + SVM

SMC

Avaliação dos resultados

Avaliação das estratégias de

compartimentação

Definição metodológica

Intersecção de

informações

Potenciais cicatrizes de

deslizamentos

Dados LANDSATResolução espacial suficiente

Histórico adequado a área

Dados SRTM e TOPODATAResolução espacial adequada

Alta confiabilidade

Revisão Bibliográfica

Identificação soluções metodológicas em processamento digital de imagens

Avaliação de procedimentos de classificação para identificar cicatrizes de

deslizamentos

Melhores Indicadores de Acurácia

Revisão bibliográfica

Procedimento para sintetizar informações do relevo que favorecem a

ocorrência de deslizamentos

Validação com relação a descrições geomorfológicas

Avaliação das áreas classificadas como cicatrizes de acordo com o contexto

geomorfológico

Identificação das áreas de maior potencial de deslizamento

Deslizamento de grande porte próximo a uma rodovia

Área de EstudoRegião da Serra do Mar – Evento severo em Dezembro de 1999Entre São Bernardo do Campo e São Vicente – Rodovia Anchieta Km 42

230 mm de precipitação em 4 dias

Escorregamento remontante de grande porte, com avalanche de detritos,

afetando aproximadamente 700 metros da rodovia Anchieta (OGURA, 2006)

Relevo da Serra do Mar - Condições ideais para a ocorrência de grandes

deslizamentos (GUIMARÃES et al., 2009)

Fonte: Adaptado de Ogura 2006

Compartimentação do relevo

Abordagens automatizadas para síntese das feições e classificação do relevo em unidades homogêneas (SAADAT et al., 2008; DRAGUT; EISANK, 2012; CAMARGO et al., 2012)

SRTM - Shuttle Radar Topography Mission, ou outros Modelo Digital de Elevação

Metodologias analíticas OBIA – Object Based Image Analysis

▪ Agrupamento de pixels semelhantes – Objetos▪ Características espectrais, tamanho, forma, textura,

contexto, vizinhança, etc.

Compartimentação do relevo Método proposto por Dragut e Eisank (2012)

Aplicação global

Detecção automática do fator de escala

Delimitação de compartimentações do relevo de acordo

com caraterísticas estatísticas dos objetos

Adaptação da metodologia proposta em escala

global

Escala regional – Estado de São Paulo

Escala local – Cidade de São Paulo


Dragut e Eisank (2012) Metodologia considera média e desvio-padrão da área delimitada

Aplicação local ou regional

▪ A definição das feições varia de acordo com a área de estudo delimitada

Definição de limiares mais abrangente para permitir a

aplicação direta da metodologia Utilização de Densidade de Drenagem, Declividade, Elevação,

Curvatura Vertical e Horizontal para a Segmentação

Limiares de declividade e curvatura vertical e horizontal

o Dinâmicas de acúmulo e dispersão de água nas vertentes

Compartimentação do relevoCompartimentação e mapa de formas do relevo

Fonte: Environmental Earth Science. Online


o Pouco detalhamentoo Incongruência

o Corresponde a descrições do relevo

o Maior detalhamento

Fonte: Environmental Earth Science. Online


Feições do relevo na

região do Rio Pilões

Deslizamento do Rio Pilões

Fonte: Elaboração Própria


A cicatriz do deslizamento corresponde a uma vertente côncavaFonte: Environmental Earth Science. Online

Identificação de cicatrizes de deslizamentos

Imagem LANDSAT 5 de junho de 2000 Estratégias de classificação

Classificador SVM▪ Boa performance e ampla aplicabilidade a desastres▪ Permite o uso de apenas uma variável – Índice de

Vegetação Sistema de Múltiplos Classificadores

▪ Agrega diversidade e potencializa o resultado final Avaliação dos indicadores de acurácia

Percentual de acerto na classe Erros de omissão e comissão


A cicatriz em questão se localiza sob as sombras do relevo Difícil identificação em composições de

bandas do LANDSAT 5 Confusão com outros alvos Díficil separabilidade da classe



MODIS Banda 5 (1230-1250 nm) NDVI


Avaliação da acurácia SVM-NDVI Percentual de Acerto (deslizamento) 78.57% Erros de comissão 31.25% Erros de omissão 21.43%

Identificação de cicatrizes de deslizamentos Aplicação apenas ao NDVI

Fonte: Geociências, v. 33, n. 1, p.172-180 , 2014


Diversos classificadores Diferentes estratégias Grande variabilidade

de resultados Alguns possuem maior sensibilidade para

determinados objetivos

Redes Neurais Máxima Verossimilhança Paralelepípedo

SAM

SVM

Fonte: Net Maker Fonte: geo-informatie Fonte: geo-informatiec

Fonte: Kim 1997

Fonte: StackOverFlow


• A – Binary Encoding• B – Árvore de Decisão• C – Mahalanobis

Distance • D – Mínima Distancia • E – Máxima

Verossimilhança• F – Redes Neurais• G – Paralelepípedo• H – SAM• I – SID• J – SVM.


10 9 8 7 6 5 4 3 20.84

0.86

0.88

0.9

0.92

0.94

0.96

0.98

1Índice Kappa

Análise do ContextoRedes Neurais

10 9 8 7 6 5 4 3 247

49

51

53

55

57

59

61

63

Erros de Comissão


10 9 8 7 6 5 4 3 28

1114172023262932353841

Erros de Omissão

Análise do ContextoSupport Vector Machine

10 9 8 7 6 5 4 3 260

65

70

75

80

85

90

95% Acerto

Análise do ContextoSupport Vector Machine

10 9 8 7 6 5 4 3 292

93

94

95

96

97

98

99

100Acurácia Geral



SVM + RN + MV

SVM + RN + MV +MD+MHDSVM + RN + MV +MD + MHD

SVM + RN + MV +MD + MHD

SVM + RN + MV


Nº algoritmos

%


• Combinação de 3 Algoritmos• SVM, RN e MV• Erros de Comissão 50,59%• Erros de Omissão 9,52%• % Acerto 90.48


Integração dos resultados


Conclusões

Os dados SRTM e suas derivações permitiram a definição de regiões que sintetizam informações do relevo importantes para deslizamentos

Conclusões

NDVI permitiu a identificação da cicatriz do Rio Pilões

Combinação de algoritmos com boa acurácia produz um resultado superior

Inclusão de diversidade deve ser avaliada criteriosamente

Conclusões

A combinação do mapa de feições do relevo com o resultado da classificação melhora o resultado final e facilita a busca por cicatrizes de deslizamentos

As técnicas de processamento digital de imagens apresentadas produzem resultados adequados para alimentar modelos de identificação de cicatrizes de deslizamentos Os dados utilizados devem ser compatível com o problema em

questão

Considerações Finais

O procedimento de compartimentação possui diversas aplicabilidades e permite diversos desdobramentos e análises Unidade Básica de Análise para dinâmicas e

fenômenos que se relacionam com o relevo A replicação dos procedimentos propostos deve

considerar especificidades da área de estudo Outras análises relacionadas à eventos

extremos podem derivar dos produtos gerados neste trabalho

Agradecimentos

Aos membros da banca Prof. Livre-Docente José Alberto

Quintanilha Prof. Dr. Rodrigo Nóbrega Laboratório de Geoprocessamento FAPESP CNPq Família e amigos

Obrigado!

[email protected]

Documents

Identificação e mapeamento de áreas de deslizamentos associadas_v6 (2)