Post on 11-Feb-2016
description
Universidade Federal de AlagoasCentro de Tecnologia - CTEC
ArcToolbox
Carlos Ruberto Fragoso Júniorwww.ctec.ufal.br/professor/crfj
Sumário
Cases• Precipitação média anual (polígonos de Thiessen); ٧• Interpolação; ٧• Composição colorida; ٧• Criação de mosaicos a partir de planos de informações; ٧• Georeferenciamento de mapas e imagens;
• Operações com vetores e matrizes;
• Classificação de imagens;
• Cálculo de áreas e distâncias;
• Criação de perfil topográfico
Georeferenciamento de Mapas e Imagens
Definir sistema de referência do Data frame
Importe imagem no “Add data”
Ative o toolbar “Georeferencing”
Faça a marcação dos pontos em “Add control points”
Use o zoom para ser preciso!
Com o botão direto do mouse defina as coordenadas
Entre com as coordenadas
Confira os pontos marcados usando “View Link Table”
Verifique o erro residual
Atualize o Georeferenciamento
Operação com vetores e Rasters
Operação com vetores
Foram vistos algumas funções que operam vetores:• União
• Estatísticas
• Join
• Intersecção
• Etc..
Operação com rasters
Use Spatial Analyst Tools
Classificação de Imagens
Classificação
Tradicionalmente a classificação de imagens era realizada a partir da interpretação visual.
Interpretação visual é muito poderosa.
(cor, textura, geometria, vizinhança, conhecimento da região)
Classificação automática
Embora a interpretação visual seja poderosa, a velocidade e a capacidade de repetição da classificação automática no computador é muito atraente e hoje em dia a maior parte das atividades de classificação conta com a classificação automática guiada por interpretação humana.
Metodologia básica de classificação automática
Tomar valores de um mesmo pixel nas n bandas e decidir a qual classe pertence.
Resposta espectral de alvos
Imagem multiespectral
Classificação
Utilizar diferenças de “assinatura espectral” de diferentes alvos para classificar automaticamente a cobertura vegetal e o uso do solo.
Vai depender de:• Diferenças na assinatura espectral dos alvos
• Capacidade de distinguir estas diferenças.
Tipos de classificação
Supervisionada• Usuário fornece “pistas” para a classificação.
Não supervisionada• Usuário não fornece “pistas” para a classificação. A
classificação é realizada de forma completamente automática e deve ser verificada depois.
• Análise estatística de clusters ou “amontoados” ou grupos.
• Exemplo em histograma.
Exemplo classificação não supervisionada
b1 b2 b3 b4 b5 b7
refle
ctan
cia
Clusters (muitos pixels)
Banda 3
Banda 4
Classificação supervisionada
Definir classes em que se deseja classificar a imagem.Delimitar regiões em que estas classes se manifestam (áreas de
treinamento).Analisar as estatísticas de cada uma das classes com base na amostra
obtida das áreas de treinamento. Classificar as imagens com base num algoritmo que decide a qual classe
pertence cada pixel, com base na sua semelhança espectral com as amostras das classes.
Desenho no quadro
Definir classes
Quais são as classes que interessam?
Quais são as classes que eu posso diferenciar com base nas informações (bandas) que eu tenho?
Delimitar regiões em que as classes se manifestam
Criar uma composição colorida e interpretar visualmente, criando polígonos sobre a as áreas.
ou
No caso de uma imagem recente, ir a campo e delimitar áreas com classes típicas usando GPS.
Composição 3 4 5
1
2
Classes
Solo nu
Floresta
Água
Queimada
Pastagem
No ArcMap, adicione a imagem
Digitalize polígonos identificando possíveis classes em sua imagem
Crie as assinaturasSpatial Analyst Tools > Multivariate > Create Signatures
ClassificaçãoSpatial Analyst Tools > Multivariate > Maximum Likelihood
ClassificaçãoSpatial Analyst Tools > Multivariate > Maximum Likelihood