APLICAÇÃO PRATICA DE PDI EM ERDAS

Universidade Federal de Santa Maria

Colégio Politécnico da UFSM

Curso Superior de Tecnologia em Geoprocessamento

Trabalho final de aplicação de conceitos usando o software

ERDAS 9.0®

Acadêmico Jonatas Giovani Silva Aimon

Santa Maria, Fevereiro de 2013.

LISTA DE FIGURAS

Figura 1- Criação do algoritmo para o calculo da reflectância .................................................... 5

Figura 2- Calculo da temperatura de brilho ................................................................................ 5

Figura 3- Layout final do algoritmo do calculo da temperatura ................................................... 6

Figura 4- Imagem de saída após o calculo da temperatura ........................................................ 7

Figura 5- Região em detalhe após o calculo da temperatura ..................................................... 7

Figura 6- Georreferenciamento da imagem Landsat 5 TM ......................................................... 9

Figura 7- Localização dos pontos georreferenciados ............................................................... 10

Figura 8- Tabela de informações ............................................................................................. 10

Figura 9- Coeficientes do polinômio de grau 1 ......................................................................... 11

Figura 10- Tabela de informações 2 ........................................................................................ 11

Figura 11- Coeficientes do polinômio de grau 2 ....................................................................... 12

Figura 12- Imagem de saída método de convolução cúbica polinômio de 1°grau ..................... 12

Figura 13- Região em destaque .............................................................................................. 13

Figura 14- Imagem gerada pelo método de vizinho mais próximo polinômio de 1°grau ............ 13

Figura 15- Região em destaque .............................................................................................. 14

Figura 16- Imagem gerada pelo método de convolução cúbica polinômio de 2°grau ................ 14

Figura 17- Região em destaque .............................................................................................. 15

Figura 18- Imagem gerada pelo método de vizinho mais próximo polinômio de 2°grau ............ 15

Figura 19- Região em destaque .............................................................................................. 16

Figura 20- Imagem fucionada .................................................................................................. 17

Figura 21- Região em detalhe ................................................................................................. 18

Figura 22- Layout do algoritmo para o calculo da correlação entre bandas .............................. 18

Figura 23- Calculo da correlação ............................................................................................. 19

Figura 24- SESSION LOG do software ERDAS 9.0® .............................................................. 20

Figura 25- Imagem de saída após análise dos componentes principais ................................... 20

Figura 26- Região em destaque .............................................................................................. 21

Figura 27- Imagem de saída da transformação TASSELEB CAP ............................................ 22

Figura 28- Região em destaque .............................................................................................. 23

Figura 29- Layout do algoritmo do NDVI .................................................................................. 24

Figura 30- Imagem gerada após o calculo do NDVI ................................................................. 25

Figura 31- Região em detalhe ................................................................................................. 25

Figura 32- Layout do algoritmo do TVI..................................................................................... 26

Figura 33- Imagem gerada após o calculo do TVI .................................................................... 27

Figura 34- Região em detalhe ................................................................................................. 27

Figura 35- Imagem obtida através da conversão do RGB para IHS ......................................... 31

Figura 36- Região em detalhe ................................................................................................. 31

LISTA DE TABELAS

Tabela 1- Matriz de correlação de Pearson ............................................................................. 29

Tabela 2- Informações estatísticas .......................................................................................... 29

Tabela 3- Combinações das principais bandas e o índice IOF ................................................. 30

SUMÁRIO

INTRODUÇÃO .......................................................................................................................... 4

1. Cálculo da temperatura de brilho ....................................................................................... 5

2. Georreferenciamento da imagem com base em uma carta topográfica .............................. 9

3. Imagem formada pelos três componentes principais ........................................................ 17

4. Transformação Tasseled Cap da imagem Landsat TM 5 ................................................. 22

5. Cálculo do índice de vegetação da diferença normalizada (NDVI) e do índice de vegetação

transformado (TVI) .................................................................................................................. 24

5.1 NDVI ....................................................................................................................... 24

5.2 TVI .......................................................................................................................... 26

6. Calculo do IOF e transformação do sistema de projeção das cores RGB pra IHS ............ 29

6.1 Calculo do IOF ......................................................................................................... 29

6.2 Transformação do sistema RGB para IHS................................................................ 30

CONSIDERAÇÕES FINAIS .................................................................................................... 33

REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................................ 34

INTRODUÇÃO

O seguinte trabalho tem por objetivo aplicar os conhecimentos adquiridos em

durante a realização da disciplina Processamento Digital da Imagem. Desenvolvida

durante o 4° semestre do curso de Geoprocessamento.

Foram aplicados na realização dos exercícios índices de vegetação (TVI,

NDVI), Tasseled Cap, conversão do sistema RGB para IHS, Calculo da temperatura

de brilho e ainda um georreferenciamento de uma imagem Landsat 5 com base uma

carta topográfica.

1. Cálculo da temperatura de brilho

Para a realização do calculo da temperatura foi confeccionado no ambiente do

ERDAS o algoritmo com base do método de QUIN conforme segue abaixo.

Figura 1- Criação do algoritmo para o calculo da reflectância

Figura 2- Calculo da temperatura de brilho

Figura 3- Layout final do algoritmo do calculo da temperatura

Basicamente o calculo da temperatura de brilho consiste em converter

primeiramente os níveis digitais da banda 6 do sensor Landsat 5 TM em radiância,

posteriormente estimar a temperatura de brilho com base na inversão da equação de

Planck.

Figura 4- Imagem de saída após o calculo da temperatura

Figura 5- Região em detalhe após o calculo da temperatura

Como se pode notar na imagem as partes mais brancas possuem maiores

temperaturas e naturalmente as regiões mais escuras possuem uma temperatura

mínima. Com base na análise desta temperatura é possível fazer análises temporais

detectando mudanças nas países pois a temperatura e radiância são grandezas que

podem ser comparadas ao longo tempo, desde que se tenha conhecimento das

características dos alvos, bem como período da estação, entre outros fatores que

influenciam no registro da imagem pelo sensor.

2. Georreferenciamento da imagem com base em uma carta

topográfica

O objetivo principal desta atividade foi aplicar uma correção geométrica não

paramétrica, tendo como base no processo de atribuição das coordenadas uma

imagem já georreferenciada para atribuir coordenadas a nova imagem. Para a

realização desta atividade foi utilizada como base (fonte de coordenadas) a carta

topográfica de MORRETES e como imagem a ser corrigida uma cena do sensor

Landsat 5 TM, esta imagem foi recortada dando uma maior ênfase na mesma região

contida na carta topográfica.

Figura 6- Georreferenciamento da imagem Landsat 5 TM

Durante o processo de atribuição de coordenadas buscou-se atribuir pontos

semelhantes entre duas imagens que possuíam uma melhor diferenciação

radiométrica próxima ao ponto aferido, como: cruzamento de estradas, próximo

ferrovias, alvos urbanos que possuíam uma geometria bem definida como a pista de

aeroporto, também trechos dos cursos d’água que notavelmente sofreram pouca

alteração.

Figura 7- Localização dos pontos georreferenciados

Figura 8- Tabela de informações

Figura 9- Coeficientes do polinômio de grau 1

Figura 10- Tabela de informações 2

Figura 11- Coeficientes do polinômio de grau 2

Figura 12- Imagem de saída método de convolução cúbica polinômio de 1°grau

Figura 13- Região em destaque

Figura 14- Imagem gerada pelo método de vizinho mais próximo polinômio de 1°grau

Figura 15- Região em destaque

Figura 16- Imagem gerada pelo método de convolução cúbica polinômio de 2°grau

Figura 17- Região em destaque

Figura 18- Imagem gerada pelo método de vizinho mais próximo polinômio de 2°grau

Figura 19- Região em destaque

Todas as imagens geradas sofreram em geral distorção o que é bem notado

quando observa-se estradas e cursos d’águas onde visualmente o braço do rio ou

porção da estrada não se encaixam formando linhas continuas, também é possível

ainda notar que quanto maior o grau do polinômio menor torna-se o erro médio

quadrático (de 0,697 para 0,530) o que aumenta as distorções ainda mais em certas

regiões.

3. Imagem formada pelos três componentes principais

Inicialmente para a execução da analise dos componentes principais

confeccionou-se uma imagem funcionada contendo as seis bandas principais do

sensor Landsat 5 TM (Banda 1, Banda 2, Banda 3, Banda 4, Banda 5 e Banda 7).

Figura 20- Imagem fucionada

Figura 21- Região em detalhe

Posteriormente laçou-se uso mais uma da ferramenta de criação de algoritmos

do ambiente ERDAS para efetuar o calculo da matriz de PEARSON que evidencia as

bandas relacionadas com maior e menor correlação entre si.

Figura 22- Layout do algoritmo para o calculo da correlação entre bandas

Figura 23- Calculo da correlação

Como este cálculo das correlações fica disponível no SESSION LOG da

plataforma ERDAS, este valores fornecidos foram extraídos tratados no EXCEL (as

tabelas de base seguem no item 6) calculando-se o OIF (Optimum Index Factor). Este

demonstra através dos valores mais elevados a melhor combinação de bandas que

possuem uma maior variância, ou seja um maior número de informações.

Figura 24- SESSION LOG do software ERDAS 9.0®

Figura 25- Imagem de saída após análise dos componentes principais

Figura 26- Região em destaque

Com base no calculo do IOF chegou-se a conclusão que a combinação de

bandas que melhor fornece informações para posterior interpretação da imagem seria

a combinação das bandas 7-3-1, em que é possível ressaltar as diferentes vegetações

em tons de verde e identificar claramente a localização da cidade na cena em

magenta.

4. Transformação Tasseled Cap da imagem Landsat TM 5

A transformação do Tasseled Cap da imagem Landsat TM 5 visa observar e

depreender informações sobre o ciclo natural da vegetação em que é possível

visualizar através de evolução temporal os estados de emergência, maturez vegetativa

e senescencia.

Figura 27- Imagem de saída da transformação TASSELEB CAP

Figura 28- Região em destaque

Imagem resultante da transformação do Tassaled Cap é produto muito

importante para tratamento e classificação da imagem através da análise visual. Nela

fica muito clara a vegetação vigorosa e potencialmente ativa em porções próximas ao

leito dos rios e região várzea bem como as culturas implantadas no perímetro rural do

município em cores claras próximas ao amarelo e verde.

5. Cálculo do índice de vegetação da diferença normalizada

(NDVI) e do índice de vegetação transformado (TVI)

5.1 NDVI

Para o calculo do índice de vegetação normalizado (NDVI), foi utilizando o

ambiente da plataforma ERDAS para criação de algoritmos, o NDVI é razão entre

a soma do infravermelho próximo sobre a diferença do infravermelho próximo.

Expressa o verdor da vegetação, varia de -1 (não vegetação) a 1 (vegetação

extremamente vigorosa). Este índice e amplamente utilizado na agricultura como

recurso de acompanhamento no crescimento das culturas bem como para

detecção de áreas com estresse hídrico ou sobre ataque de pragas.

Figura 29- Layout do algoritmo do NDVI

1

2

3

Figura 30- Imagem gerada após o calculo do NDVI

Figura 31- Região em detalhe

A imagem produzida pela aplicação do NDVI demonstra bem a realidade da

paisagem, é possível identificar na porção norte da cidade área de maior altitude

regiões extremamente claras o que evidencia a abundancia e o vigor da vegetação

das áreas protegidas pelas encostas e vales que dificilmente sofrem alteração. Sobre

a imagem também é possível notar a alta diferença no valor digital dos alvos urbanos

como as estradas e vegetação próxima (não há zonas de transições as feições são

bem definidas).

5.2 TVI

Para o calculo do índice de vegetação transformado (TVI) utilizou-se o

ambiente da plataforma ERDAS para criação do algoritmo, o TVI busca aumentar

a possibilidade de o usuário de diferenciar através do comportamento espectral a

disposição na imagem de solo e a vegetação, é expresso pela raiz do modulo

entre a soma do NDVI Ao valor de 0,5.

Figura 32- Layout do algoritmo do TVI

1

2

1

2

Figura 33- Imagem gerada após o calculo do TVI

Figura 34- Região em detalhe

Através de uma analise visual da imagem gerada pelo calculo do TVI, fica

evidente as áreas mais próximas dos rios com maior presença de vegetação e outras

áreas próximas a cidade com baixa contração de vegetação ou solo exposto, também

é possível notar pelo padrão e disposição no terreno porções onde são destinadas a

produção agrícola aonde o cultivo apresenta um estagio inicial da cultura ou em que

possível houve recentemente a colheita do cultivo.

6. Calculo do IOF e transformação do sistema de projeção

das cores RGB pra IHS

6.1 Calculo do IOF

Para o calculo OIF (Optimum Index Factor) fez uso dos dados anteriormente

cálculos com o algoritmo de obtenção da correlação, os resultados que foram

dispostos no SESSION LOG da plataforma ERDAS aqui aparecem nas tabelas que

seguem, alguns destes dados foram calculados anteriormente aplicando-se os

conceitos adquiridos no transcorrer da disciplina. Quanto maior o valor obtido no

calculo do índice maior a variância entre bandas bem como menor a correlação entre

elas.

Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 7

Banda 1 1 - - - - -

Banda 2 0.8784 1 - - - -

Banda 3 0.8903 0.9125 1 - - -

Banda 4 0.0828 0.3304 0.0732 1 - -

Banda 5 0.5926 0.6912 0.6244 0.5885 1 -

Banda 7 0.7243 0.7761 0.7852 0.3704 0.9213 1

Tabela 1- Matriz de correlação de Pearson

DESV. PADRÃO MÉDIA MÍN MÁX MODA MEDIANA

6.0920 72.5230 1 255 73 72

4.0550 31.9870 1 255 32 32

6.8560 30.5870 1 255 30 30

14.5850 67.1900 1 255 68 68

23.2200 86.0550 1 255 93 89

33.8070 11.4340 1 255 35 34

Tabela 2- Informações estatísticas

Combinação IOF Combinação IOF

123 6.1411 234 19.3724

124 19.1476 235 15.3177

125 15.4317 237 13.7968

127 18.4769 245 25.9980

134 26.3161 247 35.5113

137 19.4834 257 25.5714

135 17.1634 345 34.7257

145 34.7319 347 44.9634

147 46.2710 357 27.4065

157 28.2008 457 38.0867

Tabela 3- Combinações das principais bandas e o índice IOF

O calculo do IOF busca auxiliar o usuário na busca da melhor composição de

bandas, evidenciado a combinações que apresentam as menores correlações entre si,

o que leva a um maior volume de informação para estudos posteriores com base na

interpretação de imagens.

Após o calculo do IOF verificou-se que a melhor combinação de bandas seriam

a composição 1-4-7 ou 3-4-7 sendo estas as que demonstraram um maior valor para o

índice.

6.2 Transformação do sistema RGB para IHS

O sistema de projeção de IHS é baseado em três principais parâmetros:

Intensidade, responsável pela sensação de brilho, Matiz que define a cor do objeto e

Saturação que define a pureza que posteriormente enxergamos. A transformação do

sistema de projeção RGB para IHS busca auxiliar o interprete da imagem a classificar

certos alvos e feições topográficas uma vez que o sistema IHS descreve a formação

das cores de uma maneira muito mais próxima a aquela pela qual o sistema visual

humano as percebe, levando uma certa vantagem quanto a escolha em relação ao

sistema usual do RGB.

Figura 35- Imagem obtida através da conversão do RGB para IHS

Figura 36- Região em detalhe

Quanto a imagem gerada pela transformação do sistema RGB para o IHS é

possível notar uma maior riqueza de detalhes na imagem produzida, detalhes na

superfície topográfica parte mais rugosas com vegetação, também uma cor de maior

saliência da parte urbana, destacar também áreas de alague e úmidas com tom

próximo ao ciano.

CONSIDERAÇÕES FINAIS

A realização das atividades propostas foi muito importante para consolidação

dos conteúdo apresentados durante a realização da disciplina.

A visualização dos produtos gerados das aplicações dos índices contribuiu

para incentivar uma posterior classificação das imagens com base no conhecimento

das assinaturas espectrais dos diferentes elementos presentes nas imagens orbitais.

REFERÊNCIAS BIBLIOGRÁFICAS

JENSEN, JOHN R. Sensoriamento do Ambiente: Uma Perspectiva em

recursos terrestres. São José dos Campos:Parêntese, 2009.

NOVO, E.M.L.M.Sensoriamento remoto: princípios e aplicações. São

Paulo:Blücher, 2008. 61p.

PONZONI, F. J. Shimabukuro, Yosio Edemir. Sensoriamento Remoto no

Estudo da Vegetação. São José dos Campos: Parêntese, 2010.