100
PTR 5003 S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa Profa. Mariana A. Giannotti LGP – Laboratório de Geoprocessamento da EPUSP

S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

  • Upload
    others

  • View
    2

  • Download
    0

Embed Size (px)

Citation preview

Page 1: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

Pré-processamentosCorreção Radiométrica

• Eliminação de ruídos

• Restauração

• Correção Atmosférica

Page 3: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

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

Seleção de atributos

A

B

C

100 200 255 (DN)

Page 6: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

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

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

Subtração

Adição

Multiplicação

Divisão (ou Razão)

NDVI(Normalized Difference Vegetation Index )

Operações Aritméticas

Page 10: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

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

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

• 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

• 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

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

• 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

• 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

• 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

• 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

• Crescimento por regiões

• Detecção de bordas

Segmentação

Fonte: LGP / EPUSP

Page 21: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

• Limiar de área

• Limiar de similaridade

Segmentação

Fonte: LGP / EPUSP

Page 22: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

Parâmetro de escala: 10Fonte: LGP / EPUSP

Page 24: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Parâmetro de escala: 35Fonte: LGP / EPUSP

Page 25: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Parâmetro de escala: 110Fonte: LGP / EPUSP

Page 26: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

• 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

• 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

• 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

• 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

• 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

Adaptado de Clevers, 1999

Classificação: Supervisionada

Mínima Distância

Page 32: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

Adaptado de Clevers, 1999

Classificação: Supervisionada

Máxima Verossimilhança

Page 34: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Classificação: Máxima Verossimilhança

Fonte: Crósta, 1993

Page 35: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

• 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

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

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

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

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

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

GEOBIA – Premissas

Fonte: Alessandra Knopick, SENAC, 2011

Page 43: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

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

GEOBIA – Segmentação Multiresolução

Fonte: Alessandra Knopick, SENAC, 2011

Page 46: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

GEOBIA – Segmentação Multiresolução

Fonte: Alessandra Knopick, SENAC, 2011

Page 47: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

GEOBIA – Rede Hierárquica

Fonte: Alessandra Knopick, SENAC, 2011

Page 48: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

GEOBIA – Regras de classificação

Fonte: Alessandra Knopick, SENAC, 2011

Page 49: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

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

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

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

GEOBIA – Classificação

Fonte: Alessandra Knopick, SENAC, 2011

Page 54: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

• 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

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

Crescimento Urbano

EUA Europa (UK) Brasil

Fonte: adaptado de Gilberto Câmara, INPE

Page 57: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

Classificação baseada em objeto

Aplicação: desastres (RMSP)

Fonte: Luiz Augusto Manfré, EPUSP, 2012

Page 59: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

Aplicação: Guarapiranga

Fonte: Aline Salim, SMA, 2013

Page 61: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Aplicação: Guarapiranga

Fonte: Aline Salim, SMA, 2013

Page 62: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Aplicação: Guarapiranga

Fonte: Aline Salim, SMA, 2013

Page 63: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Aplicação: Guarapiranga

Fonte: Aline Salim, SMA, 2013

Page 64: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Segmentação

Aplicação: Guarapiranga

Fonte: Aline Salim, SMA, 2013

Page 65: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Aplicação: Guarapiranga

Fonte: Aline Salim, SMA, 2013

Page 66: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

34 setores

Aplicação: Guarapiranga

Fonte: Aline Salim, SMA, 2013

Page 67: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

• 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

• 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

27 megacidades do mundo

Aplicação: Megacidades

Page 71: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Aplicação: Megacidades

Page 72: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Landsat

Aplicação: Megacidades

Page 73: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Terra SAR-X

Aplicação: Megacidades

Page 74: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Aplicação: Megacidades

Page 75: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Aplicação: Megacidades

Page 76: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

• 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

Aplicação: Megacidades

Page 78: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

• 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

• 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

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

Hannover, Alemanha

Fonte: Rodrigo Nóbrega, UFMG

3D: Lidar

Page 82: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Modelo Digital de Superfície, de Terreno e Edificações+Vegetação

3D: Lidar

Page 83: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

3D: Lidar

Page 84: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

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

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

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

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

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

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

RONDÔNIA DESMATAMENTO

Nós Mapeamos o Passado

Fonte: DPI / INPE

Page 92: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Como Prever o Futuro?

Amazônia em 2020?

Fonte: DPI / INPE

Page 93: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

O Território

Page 94: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

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

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

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

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

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

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.

Page 100: S.R.: OBIA, Modelagem Dinâmica e Perspectivas de Pesquisa

Obrigada!!!

[email protected]