disciplina de geoprocessamento práticas em idrisi:versão taiga

Transcrição

UNIVERSIDADE ESTADUAL PAULISTA
CAMPUS EXPERIMENTAL DE OURINHOS
CURSO DE GEOGRAFIA
DISCIPLINA DE GEOPROCESSAMENTO
PRÁTICAS EM IDRISI:VERSÃO TAIGA
PROF. DR. EDSON LUÍS PIROLI
Ourinhos, SP
Setembro / 2010
© Edson Luís Piroli
P671i Piroli, Edson Luís
Disciplina de geoprocessamento : práticas em Idrisi –
versão Taiga / Edson Luís Piroli. - Ourinhos
:Unesp/Campus Experimental de Ourinhos, 2010.
56 p. : ils.
ISBN 978-85-61775-04-9
1. Geoprocessamento 2.SIG (Sistema de informações
geográficas (SIG) – Idrisi 3. Sensoriamento remoto
4.Geografia.
I. Piroli, Edson Luís. II. Título.
CDD 550.285
Universidade Estadual Paulista, Campus Experimental de Ourinhos
19910-206 – Ourinhos – SP
Telefone: (14) 3302-5700
Fax: (14) 3302-5702
PROF. DR. EDSON LUÍS PIROLI
Responsável pelas disciplinas :
Graduação: Geoprocessamento, Sensoriamento Remoto, Interpretação de Fotografias Aéreas
Pós Graduação: Manejo de Microbacias Hidrográficas
[email protected]
Disciplina de Geoprocessamento - Práticas Em Idrisi:Versão Taiga
CEDIAP - Unesp -Ourinhos - 2010
SUMÁRIO
LISTA DE SIGLAS, ABREVIATURAS E SÍMBOLOS .................................................... 3
INTRODUÇÃO .................................................................................................................... 4
O IDRISI .............................................................................................................................. 5
Conhecendo o Idrisi .......................................................................................................... 5
Módulos do Idrisi .............................................................................................................. 6
USANDO O IDRISI TAIGA .............................................................................................. 19
Importação de arquivos (conversão de formatos) ........................................................... 19
GEORREFERENCIA DE IMAGENS .............................................................................. 21
COMPOSIÇÕES COLORIDAS (FALSA COR)............................................................... 26
VETORIZAÇÃO DE DADOS ........................................................................................... 27
CÁLCULO DE DISTÂNCIAS E ÁREAS ......................................................................... 28
CLASSIFICAÇÃO DE IMAGENS ................................................................................... 30
Classificação não supervisionada .................................................................................... 30
Classificação supervisionada .......................................................................................... 32
ÍNDICE KAPPA................................................................................................................. 41
MODELAGEM NUMÉRICA DE TERRENO (MNT) ..................................................... 44
Aquisição de dados de MNT ........................................................................................... 45
a) Dados amostrados através de pontos: ..................................................................... 45
b) Dados amostrados através de isolinhas:.................................................................. 46
c) Isolinhas de altimetria do terreno ............................................................................ 46
FUSÃO DE IMAGENS MULTIESPECTRAIS E PANCROMÁTICAS......................... 48
GERAÇÃO DE BUFFERS................................................................................................ 49
OPERAÇÕES COM BANCO DE DADOS ....................................................................... 50
REFERÊNCIAS E BIBLIOGRAFIA RECOMENDADA ............................................... 54
2
LISTA DE SIGLAS, ABREVIATURAS E SÍMBOLOS
ASCII – “American Standard Code for Information interchange”.
CAD – “Computer Aided Design”.
CCT – “Computer Compatible Tape”.
CD – ROM – “Compact Disc Read Only Memory”.
CPU – “Computer Processing Unit”.
CRT – “Catodic Ratio Tube”.
DN – “Digital Number”.
DSG – Diretoria do Serviço Geográfico do Exército.
DXF – “Drawing Exchange Format”.
GIF – “Graphical Interchange Format”.
GPS – “Global Positioning System”.
HRV – “High Resolution Visible”.
INPE – Instituto Nacional de Pesquisas Espaciais.
Mb – Megabyte.
MHz – Megahertz.
MSS – “MultiSpectral Scanner”.
PC – “Personal Computer”.
RMS – “Root Mean Square”.
SIG – Sistema de Informação Geográfica.
SQL – “Structured Query Language”.
SVGA – “Super Video Graphic Array”.
TIFF – “Tagged Image File Format”.
TM – “Thematic Mapper”.
UTM – “Universal Transversa de Mercator”.
3
INTRODUÇÃO
Este material foi desenvolvido com o objetivo de apresentar aos acadêmicos das
disciplinas de Geoprocessamento, Sensoriamento Remoto, Interpretação de Fotografias
aéreas e Imagens Orbitais, ministradas no Curso de Geografia do Campus da UNESP de
Ourinhos e aos alunos da disciplina de Manejo de microbacias Hidrográficas do Programa
de Pós-Graduação em Geografia da Faculdade de Ciências e Tecnologia da UNESP de
Presidente
Prudente,
algumas
das
principais
rotinas
desenvolvidas
para
o
geoprocessamento de informações geográficas com o aplicativo Idrisi, em sua versão
Taiga.
Cada tarefa é brevemente descrita e em seguida é apresentada a sequência a ser
trabalhada no Idrisi para que o resultado adequado seja alcançado.
Além disso, é apresentada uma lista com a descrição dos principais módulos e das
principais rotinas disponibilizadas pelo software.
É importante lembrar que conforme Eastman (1995), deve-se examinar cada
resultado (mesmo intermediário), usando o módulo de visualização (display launcher).
Caso não esteja correto, temos que parar e repensar o que foi feito. A análise geográfica
pode estar ligada a operações em cascata, cada qual dependendo da anterior. Desta forma,
os erros acumulam-se rapidamente. Para evitar isto, temos que pensar cuidadosamente
sobre o resultado esperado e então examinar cada produto para ver se ele preenche nossas
expectativas.
4
O IDRISI
O nome é uma homenagem ao cartógrafo e geógrafo Abu Abd Allah Muhammed
al-Idrisi, que nasceu no ano de 1099 d.C. na colônia espanhola de Ceuta, ao norte da
África (hoje Marrocos). Educado na Universidade de Córdoba na Espanha e muito viajado
pela Europa, norte da África e Ásia central e meridional, teve grande importância durante
a Idade Média. Incumbido pelo rei normando Rogério II, da Sicília, a fazer uma pesquisa
geográfica do mundo, al-Idrisi liderou por 15 anos o esforço colaborativo de sábios e
técnicos da corte normanda em Palermo. Baseados em trabalhos de campo e em fontes de
arquivo, os mapas e os textos que resultaram desta colaboração serviram como material de
referência durante mais de 500 anos. É a esse espírito de colaboração na investigação
geográfica que o Idrisi é dedicado (EASTMAN, 1995).
O Idrisi é um Sistema de Informações Geográficas que conta com um banco de
dados capaz de capturar (adquirir), armazenar, recuperar e manipular informações digitais,
georreferenciadas, provenientes de imagens, mapas e modelos numéricos do terreno e de
efetuar análises geográficas e gerar a saída de dados na forma de mapas, gráficos, tabelas,
etc. Este aplicativo é muito utilizado atualmente, tendo em vista sua relação custo
benefício, preço bastante acessível, fácil manipulação e interação com o usuário.
O Idrisi é um aplicativo criado na Universidade de Clark, Massachusetts, Estados
Unidos da América. Seu principal desenvolvedor é o Doutor J. Ronald Eastman. Sua
primeira versão surgiu em 1987, em uma parceria com a ONU. É um dos aplicativos SIG
de tipo raster mais empregados no mundo, sendo esta difusão devida as suas grandes
capacidades e seu baixo custo.
Conhecendo o Idrisi
Para iniciar o Idrisi Taiga, clicar duas vezes sobre o ícone do aplicativo, ou então
acessá-lo a partir do menu Iniciar. Com isso será carregado o SIG Idrisi Taiga. Note que
ele possui quatro componentes distintos. No topo, temos o menu principal, abaixo a barra
de ferramentas com ícones para acesso rápido aos módulos mais comuns, a seguir está a
área de trabalho principal, e mais abaixo, a barra de status que fornece informações sobre
os números de linhas e colunas e coordenadas dos pontos onde o mouse está posicionado.
5
A barra de ferramentas também fornece mensagens úteis sobre a operação e a
performance do sistema. A título de exemplo, posicione o mouse sobre seus ícones e
observe a informação que é apresentada abaixo.
Observe que alguns dos ícones aparecem em cor cinza. Isto ocorre porque estes só
podem ser usados em certas circunstâncias (tal como quando um mapa está sendo
visualizado ou durante vetorizações). Os mesmos aparecerão coloridos quando estiverem
ativos.
Módulos do Idrisi
Como a maioria dos SIGs (Sistemas de Informações Geográficas), o Idrisi é
formado por um conjunto de módulos (programas independentes). A seguir é apresentada
uma lista com os menus e seus módulos que serão utilizados em nosso trabalho, com uma
breve descrição. Esta descrição será feita apenas para aqueles módulos de uso mais
comuns em nossas atividades. Os demais podem ter sua descrição consultada na ajuda
(help) do Idrisi.
Menu File
Figura 1 – Tela de acesso ao menu file.
6
Idrisi Explorer
Semelhante ao Windows Explorer. Permite que façamos alterações de diretórios de
trabalho, modificações em arquivos e manutenção dos mesmos (copiar, renomear,
apagar...). Este módulo também pode ser acessado pelo ícone abaixo.
Ao clicarmos sobre o Idrisi Explorer, são apresentadas três opções:
- Projects – Nele definimos o diretório de trabalho, clicando em Default e abaixo,
no Editor, clicando duas vezes na linha de comando ao lado de Working Folder. Esta é
uma operação importante, pois os produtos de todas as tarefas realizadas serão
automaticamente salvas no diretório definido.
- Files – Nele podemos acessar as informações dos arquivos existentes no diretório,
bem como fazer as operações necessárias para sua manutenção.
- Filters – Onde definimos as extensões que trabalharemos em nosso projeto (estas
são automaticamente apresentadas e portanto, não precisam ser selecionadas para as
operações mais comuns).
Import e Export
Estes dois módulos permitem a importação de formatos diferentes ao trabalhado
pelo Idrisi e a exportação de dados gerados no Idrisi para outros formatos. Ao clicarmos
sobre o mesmo, nos é apresentada a lista dos formatos que o software faz intercâmbio.
As operações de importação e exportação são conversões que os SIGs realizam
para interpretarem dados gerados em outros softwares, que podem ser SIGs ou não.
7
Menu Display
Figura 2 – Tela de acesso ao menu display.
Display Launcher
Permite a visualização das informações armazenadas no banco de dados. É aqui
que visualizamos os arquivos raster, vetores e as composições de mapas. Também pode
ser acessado pelo ícone abaixo:
Composite
Permite a elaboração de composições falsa-cor, associando-se diferentes bandas de
imagens oriundas de sensores remotos. Também pode ser acessado pelo ícone abaixo.
8
Histo
Permite a elaboração de histogramas que apresentam a distribuição das freqüências
das imagens. Também pode ser acessado pelo ícone :
Strecht
Permite a aplicação de contrastes nas imagens.
Menu GIS Analysys
É um dos menus mais importantes, pois é nele que estão contidos a maioria dos
módulos de análises geográficas.
Figura 3 – Tela de acesso ao menu GIS Analysis.
Database Query
Oferece as operações de consulta ao banco de dados. Neste módulo podemos fazer
operações de reclassificação, operações matemáticas, tabulações cruzadas, edição,
atribuição de valores, extração de atributos, separação de classes, cálculos de área e
9
perímetro, consulta ao banco de dados, acesso à ferramenta de criação e manutenção de
banco de dados e à calculadora de imagens. Também pode ser acessado pelo ícone abaixo:
Mathematical Operators
Permite a realização de operações matemáticas com imagens.
Distance Operators
Módulo que possibilita a criação de buffers e a realização de análises relativas à
distâncias de determinadas entidades, como estabelecimento de zonas de interesse e o
estudo de caminhos de menor custo.
Context Operators
Neste módulo podemos fazer análises de superfícies, tais como criação de mapas
de declividades, operações de filtragens, agrupamentos, geração de microbacias e
localização de pontos de interesse.
Statistics
Módulo que permite análises estatísticas relacionadas à localização espacial das
informações.
Decision Support
Oferece acesso aos módulos de suporte à decisão. Estes permitem que sejam
realizadas análises que geram mapas de apoio à tomada de decisões baseados na
localização espacial das informações.
Change / Time Series
Permite o trabalho com séries de dados e a análise das mudanças ocorridas em uma
dada região em um período de tempo.
10
Surface Analysis
Aqui estão os módulos de interpolação, geoestatística, variáveis topográficas e
extração de feições.
Menu Modeling
Neste menu podem ser realizadas operações de modelamento de dados, de
classificação de imagens e de simulações.
Figura 4 – Tela de acesso ao menu Modelling.
Model Deployment Tools
Permite a realização de classificações de imagens pelos classificadores tradicionais
e utilizando a lógica fuzzy.
Empirical Model development Tools
Oferece módulos de classificação de imagens, regressões e multiregressões.
11
Environmental Simulation Models
Disponibiliza os módulos de simulação e avaliação de tendências e mudanças no
uso do solo, além de módulos para análises de equações de perda de solo.
Menu Image Processing
Este menu contém os módulos de processamento de imagens.
Figura 5 – Tela de acesso ao menu Image Processing.
Restoration
Permite a georreferência de imagens, elaboração de mosaicos, correções
atmosféricas de imagens, ajustes de radiância e composições NDVI.
Enhancement
Oferece acesso aos módulos de aplicação de contraste, elaboração de composições
falsa-cor, aplicação de filtros e fusão de imagens de diferentes resoluções.
12
Transformation
Permite a aplicação de transformações por componentes principais, análises de
Fourier, HLS para RGB e vice-versa, análises de textura, análises termais e de índices de
vegetação.
Signature Development
Este módulo permite a criação de assinaturas para classificações supervisionadas.
Hard Classifiers
Contém os módulos para as classificações por máxima verossimilhança,
paralelepípedo e mínimas distâncias, entre outros.
Segmentation Classifiers
Permite a realização de classificações de imagens por segmentação.
Hyperespectral Image Analysis
Possibilita análises de imagens hiperespectrais.
Accuracy Assessment
Oferece os módulos de avaliação da qualidade das classificações elaboradas.
Menu Reformat
Este menu oferece módulos que permitem a mudança de formato de dados e
modificações na estrutura de imagens e vetores, assim como transformações de linha para
ponto ou polígono e vice-versa.
13
Figura 6 – Tela de acesso ao menu Reformat.
Convert
Permite a conversão de formatos de dados, como por exemplo, de rst para ascii.
Project
Possibilita a mudança de sistemas de projeção e de coordenadas e ainda mudanças
de datuns em imagens georreferenciadas.
Resample
Neste módulo realizamos a georreferência ou a correção geométrica de imagens.
Window
Este módulo permite o recorte de partes de imagens contendo regiões de interesse.
Expand e Contract
Módulos que permitem estender ou reduzir imagens, modificando suas resoluções.
14
Concat
Permite a concatenação de imagens ou vetores, para elaboração de mosaicos.
Transpose
Permite a transposição de imagens, mudando suas orientações.
Rastervector
Permite a transformação de arquivos raster em vetor e vice-versa.
Menu Data Entry
Este menu oferece a possibilidade de entradas de dados através da edição e da
criação e manutenção de banco de dados. Oferece ainda a ferramenta de interpolação de
dados
Figura 7 – Tela de acesso ao menu Data Entry.
15
Carta Linx
Editor de vetores. Para sua operação é necessário que o módulo seja adquirido
separadamente e instalado. O Idrisi no entanto, oferece a possibilidade de edição de
vetores através do ícone Digitize (vetorizador na tela).
Edit
Editor de textos do Idrisi. Muito usado para ajustes nos arquivos de documentação
das imagens e vetores, ou para criação destes arquivos. Permite alterações nos dados
armazenados. Também pode ser acessado pelo ícone abaixo:
Assign
Permite modificações e atribuições de valores de atributos em imagens e vetores.
Initial
Permite a cópia de padrões de imagens e substituição dos valores dos seus pixels.
UTMRef
Permite a geração de arquivos com o sistema de referência UTM.
Surface Interpolation
Oferece o módulo de interpolação de superfícies, possibilitando a realização de
interpolações por contorno, rede irregular de triângulos e krigagem.
Database Workshop
Permite acesso ao banco de dados e a todas as suas operações. Também pode ser
acessado pelo ícone abaixo:
16
Ícones de atalho importantes
A seguir são apresentados alguns ícones de atalho que facilitam as atividades com
o Idrisi Taiga.
Ícone destinado ao acesso à área de criação de tabelas de cores e formatação imagens e
vetores.
Ícones de aumento e diminuição de zoom. Esta tarefa também pode ser realizada
utilizando-se as teclar Page down e Page up.
Ícone de seleção e ampliação de áreas da imagem. Recomenda-se que a seleção seja feita
no formato da tela do computador, pois assim, otimiza-se o espaço de visualização.
Ícones de ampliação ou redução da área de visualização na tela do computador.
Ícone de consulta de informações.
Ícone que permite a realização de medidas lineares de comprimento.
17
Ícone que permite a realização de medidas de zonas a partir de um ponto.
Ícones de vetorização de informações. A mira tem como função vetorizar as características
de interesse (pontos, linhas e polígonos), a seta curva salva as informações vetorizadas e o
X permite que vetores sejam apagados.
Ícone de acesso à calculadora de imagens.
Ícone de acesso ao módulo de reclassificação de imagens e vetores.
Ícone de atalho para o overlay. Módulo que permite operações matemáticas entre imagens.
18
USANDO O IDRISI TAIGA
A primeira tarefa a ser executada quando se trabalha com o Idrisi, é a definição do
diretório de trabalho.
Esta é feita na seguinte sequência:
1. File;
2. Idrisi Explorer;
3. Projects.
A seguir, clica-se duas vezes em Working folder e escolhe-se o diretório. A partir
deste momento, todos os produtos gerados serão armazenados no diretório definido. Os
arquivos que forem copiados de outros locais devem ser colocados neste diretório.
Importação de arquivos (conversão de formatos)
Uma das primeiras operações a ser feita com o SIG é a importação de imagens, que
normalmente são a base de nossos projetos. Esta tarefa é feita com o objetivo de trazer um
arquivo que esteja em outro formato para o formato .rst - formato este, reconhecido e
usado pelo Idrisi Taiga. A estas imagens são associados arquivos documento, com
informações da formatação dos arquivos, denominados .rdc (estes são criados
automaticamente durante a operação). Os formatos de imagem comumente trabalhados
pelo Idrisi são o .tiff, o .bmp e o .jpg. No entanto, é possível fazer a conversão de outros
formatos de imagens, como .png, psd, etc, usando outros aplicativos, principalmente os de
tratamento e processamento de imagens, como o Adobe Photoshop e o Corel Draw. Além
disso, o Idrisi faz a conversão de inúmeros formatos de dados de agências de geração de
imagens, e de outros aplicativos. Faz também a importação de arquivos vetoriais, como .
dxf, .shp entre outros.
Os passos para importação de um arquivo são os seguintes:
1. Copiar a imagem de interesse para dentro do diretório de trabalho;
19
2. No Idrisi, acessar o diretório de trabalho da maneira descrita anteriormente. Se este
já tiver sido definido, esta operação é desnecessária);
3. Clicar sobre file e, em seguida sobre import, como na figura abaixo;
4. Definir o formato da imagem de origem, que pode ser de formatos gerais ou
específicos. No exemplo, trabalhamos com uma imagem no formato .tiff;
5. Informar o nome do arquivo a importar e um nome para o arquivo .rst a ser criado.
O arquivo documento será criado automaticamente.
Figura 8 - Tela para importação de imagens.
* Importante lembrar que o Idrisi importa dados em 24 bits e permite sua visualização. No
entanto, algumas operações somente são realizadas com imagens em 8 bits. Se houver a
necessidade destas operações, deve-se converter a imagem para 8 bits (256 níveis de
cinza) antes de sua importação. Esta operação pode ser feita em qualquer software de
tratamento de imagens digitais, como o Adobe Photoshop, o Corel Draw, o Paint, entre
outros.
20
GEORREFERENCIA DE IMAGENS
A georreferência (também chamada de registro ou correção geométrica) é um
procedimento para registrar espacialmente uma imagem à sua posição real no terreno. Esse
procedimento é usado para associar uma imagem a um sistema de coordenadas
universalmente reconhecido, como Lat./Long. ou Universal Transversa de Mercator
(UTM). Se uma imagem já está georreferenciada, mas necessita ser transformada para
outro sistema de referencia, ela pode ser novamente reamostrada (no Idrisi esta tarefa é
feita no menu Reformat, módulo Project).
Para a georreferência de uma imagem é necessário o conhecimento das
coordenadas de pontos que sejam visíveis na imagem a ser georreferenciada, e em cartas
topográficas, outras imagens já georreferenciadas, ou facilmente localizáveis no terreno de
onde serão coletadas.
É necessário um número mínimo de pontos de controle (conforme a função de
mapeamento a ser utilizada), a fim de que o aplicativo possa efetuar as operações
matemáticas para a georreferência.
Passos para a georreferência:
1. Clicar em Reformat;
2. Clicar em Resample;
3. Escolher a forma de execução da georreferência, que pode ser especificando-se um
arquivo e digitando-se as coordenadas ou então abrindo-se duas imagens, sendo
uma da área de interesse já georreferenciada, e associando-se os pontos de controle
das duas imagens;
Neste primeiro exercício utilizaremos o segundo procedimento:
4. Em Ground Control Points, clicar em input reference e escolher a imagem a ser
georreferenciada;
5. Clicar em output reference e selecionar a imagem já georreferenciada;
6. Com as duas imagens abertas, clica-se em input. O Idrisi insere um ponto de
controle na imagem a ser georreferenciada. Arraste o até o local da imagem onde
quer efetuar a georreferência (ponto de controle – normalmente, cruzamento de
21
estradas, ferrovias, pontes, esquinas de ruas, etc). Em seguida, clica-se em output
para inserir o ponto de controle na imagem já georreferenciada. Após, basta apenas
ajustar os dois em sua posição. Quanto mais exato for este ajuste, melhor será a
qualidade da georreferência. A partir da definição do quarto ponto, o Idrisi passa a
informar o erro médio quadrático de cada ponto (residual) e total (Total RMS);
Figura 9 – Tela de preenchimento das informações para georreferência.
7. Em seguida, deve-se escolher a equação adequada (Mapping function), pois o Idrisi
Taiga empregará esta equação que descreverá a relação entre os dois sistemas de
coordenadas. Usando essa equação, o aplicativo, converte o arquivo para o novo
sistema de referência;
8. Em seguida, define-se o tipo de reamostragem (nearest neighbor ou bilinear). Após,
clica-se em output reference parameters e define-se os parâmetros de referência.
As coordenadas mínimas x e y e as coordenadas máximas x e y devem ser definidas
em função da área de recorte espacial da imagem georreferenciada;
O número de colunas deve ser definido a partir da seguinte equação:
22
A resolução é definida a partir do tamanho do espaço representado por cada pixel
da nova imagem. Por exemplo, no caso de imagens de satélite, normalmente usa-se a
sua resolução espacial, já para a georreferência de cartas topográficas, deve-se definir
a resolução em função de sua escala.
O número de linhas é calculado com a mesma equação, substituindo-se o x pelo y.
Após, define-se o sistema de referência e a unidade de referência e clica-se em ok.
Na figura abaixo pode-se visualizar os parâmetros de referência preenchidos
exemplarmente e o sistema de referência escolhido. Neste caso, deve-se sempre ajustar
este sistema ao local onde o trabalho está sendo executado e ao datum de interesse.
Figura 10 – Tela de escolha dos parâmetros de referência.
Deve-se distribuir os pontos de controle ao longo de toda a imagem, uma vez que a
equação que descreve o ajuste espacial entre os dois sistemas de referência é desenvolvida
a partir desses pontos. Se os pontos de controle estão agrupados em alguma área da
imagem, a equação descreverá somente o ajuste espacial dessa pequena área, sendo que o
resto da imagem não estará adequadamente posicionada durante a transformação para o
novo sistema de referência. Uma boa sugestão é encontrar pontos ao longo da borda da
imagem. Se, entretanto, houver interesse somente numa parte da imagem, pode-se
23
concentrar todos os pontos nessa área e então desprezar o resto da imagem após a
reamostragem.
A função de mapeamento linear é comumente usada com imagens menores, já
funções de mapeamento de ordem maior (quadrática ou cúbicas), são usadas com imagens
maiores (ex. uma cena inteira de uma imagem de satélite). Um número mínimo de pontos
é necessário para cada função de mapeamento (4 para linear, seis para quadrática e dez
para cúbica).
Após a definição dos pontos de controle, deve-se observar o erro médio quadrático,
(RMS) e o resíduo de erro individual de cada ponto de controle. Esses resíduos expressam
quanto cada ponto de controle se desvia da equação de melhor ajuste. Novamente, a
equação de melhor ajuste descreve a relação entre o sistema de referencia arbitrário da
imagem e o novo sistema de referência ao qual ela está sendo reamostrada. Essa relação é
calculada a partir dos pontos de controle. Um ponto com resíduo alto sugere que as
coordenadas de ponto foram mal escolhidas, no antigo sistema, no novo ou em ambos.
Neste caso, pode-se excluir aqueles pontos com maior erro, evitando-se no entanto, a
exclusão de pontos que sejam únicos em uma determinada região.
O RMS total descreve o erro de posicionamento de todos os pontos de controle em
relação à equação. Ele descreve a probabilidade de uma posição mapeada variar com
relação à sua localização real. De acordo com Eastman (1995) o RMS da imagem deve ser
menor que metade da resolução da imagem georreferenciada.
É sempre importante identificar um número de pontos de controle maior do que o
mínimo, para termos a opção de eliminar aqueles com maiores erros.
Em seguida, define-se o sistema e a unidade de referência e clica-se em ok. A
imagem será georreferenciada.
Agora passaremos à segunda maneira de georreferenciar uma imagem pelo Idrisi
Taiga.
A sequência deve ser a seguinte:
1. Abrir a imagem, carta ou mapa a ser georreferenciada;
2. Clicar em Reformat;
3. Clicar em Resample;
24
4. Aproximar os locais de interesse, que contenham pontos de controle identificáveis
no mapa a ser georreferenciado e em um mapa, carta ou imagem já
georreferenciado;
5. Preencher a tabela com as coordenadas de tela (input x e y) e georreferenciadas
(output x e y). O número mínimo de pontos de controle deve ser 4. Verificar O erro
residual de cada ponto e o erro médio quadrático (RMS). Este erro deve ser menor
que a metade da resolução dos pixels georreferenciados;
6. Em Input image seleciona a imagem a ser georreferenciada e em Output image
informa o nome de saída da imagem georreferenciada. A Figura 11 mostra a tela de
dados para a georreferência;
Figura 11 – Tela para georreferência, informando as coordenadas dos pontos de controle.
7. Clicar em output reference parameters e definir os parâmetros de referência, como
já explicado na página 23. Em seguida basta definir a função de mapeamento e o
tipo de reamostragem e clicar em ok.
25
COMPOSIÇÕES COLORIDAS (FALSA COR)
Composições em falsa cor são imagens coloridas produzidas a partir de três
imagens independentes em tons de cinza. São chamadas de composições em falsa cor
sempre que contiverem informação espectral fora do intervalo sensível ao olho humano.
É elaborada, associando 3 bandas de imagem, cada uma a uma das três cores
básicas da luz: vermelho, verde e azul. O aplicativo sobrepõe as bandas às suas respectivas
cores, obtendo-se assim, uma imagem colorida (normalmente falsa-cor). Os diferentes
níveis de cada cor variam de 0 a 255 tons (para imagens de 8 bits), onde 0,0,0 corresponde
ao preto e 255,255,255 corresponde ao branco. O sistema de cruzamento destas cores, é
representado pela Figura abaixo. Note-se nesta figura, que ao juntar as cores verde e
vermelho obtêm-se diferentes tons de amarelo, o verde e o azul juntos geram o ciânico e o
vermelho ao ser misturado com o azul dá origem ao magenta. Se juntar as três cores no
seu mais alto valor (255) visualizar-se-á o branco. Assim, diferentes composições podem
ser usadas para diferentes objetivos de trabalho, por exemplo, na composição 3,4,5 as
bandas são associadas respectivamente ao azul, ao verde e ao vermelho, sendo esta muito
utilizada para extração de informações relativas às classes de uso do solo.
magenta
ver
me
lho
branco
255,255,255
azul
255
255
amarelo
ciânico
preto
0,0,0
255
verde
Figura 12 – Cubo de cores
26
Passos para elaboração de uma composição falsa cor:
1. Acessar o módulo Image processing/ Enhancement/Composit. Também pode-se
acessar o módulo a partir do ícone:
2. Informar o nome dos arquivos que contém as informações referentes aos
comprimentos de onda de interesse, em nosso caso, as bandas de imagem de satélite a
serem associadas às cores vermelha, verde e azul;
3. Definir um nome de saída para a composição, escolher o tipo de contraste a ser
aplicado na elaboração da composição, o tipo de dados de saída e o percentual de
saturação das bandas em tons de cinza.
Figura 13 - Tela para elaboração de composição falsa-cor.
VETORIZAÇÃO DE DADOS
O termo vetorização, refere-se a um dispositivo que codifica os dados gráficos
vetoriais (localização de pontos) em coordenadas planas. O IDRISI traz um módulo que
permite a vetorização de polígonos, linhas e pontos na tela.
27
Para esta tarefa é necessário clicar sobre o ícone digitize (vetorização na tela),
informar o nome do arquivo vetor a ser criado e um identificador. O acesso a este módulo
também pode ser feito pelo ícone:
A vetorização é efetuada clicando-se na mira. O salvamento dos dados é feito na
flecha curva e caso seja necessário apagar algum vetor, clica-se sobre o x.
A Figura a seguir mostra a tela inicial para realização desta tarefa.
Figura 14 – Tela para vetorização.
CÁLCULO DE DISTÂNCIAS E ÁREAS
No Idrisi pode-se calcular distâncias a partir do ícone:
O cálculo de áreas de polígonos deve ser feito rasterizando-se os mesmos sobre
uma imagem com fundo zero (todos os píxels com valor zero).
Para esta tarefa é necessário seguir o procedimento:
28
1. Criar imagem base para cálculo das áreas, no Data Entry - Initial. Informar o nome da
imagem a ser gerada, a imagem a copiar os parâmetros e o valor a inicializar a imagem
(normalmente zero);
2. Rasterizar o arquivo vetor de interesse sobre a imagem base criada, a partir do
"reformat" - "raster-vector”, informando-se o nome do arquivo com o vetor polígono e
a imagem a ser atualizada. Esta imagem é a que foi criada no Initial.
Pode-se também rasterizar diversos polígonos, caso queiramos calcular várias áreas ao
mesmo tempo.
Figura 15 – Tela para inicialização de imagens com valores únicos.
29
Figura 16 – Tela para conversão de arquivos vetor para raster ou vice-versa.
Após a rasterização dos polígonos, acessa-se o módulo de cálculo de áreas contido
no menu GIS Analysis, Database Query, Area. A Figura 16 mostra a tela de acesso a este
módulo.
CLASSIFICAÇÃO DE IMAGENS
Classificação não supervisionada
A classificação não supervisionada é uma técnica de classificação de imagens na
qual os padrões de resposta espectral dominantes em uma imagem são extraídos buscandose a identificação dos diferentes agrupamentos de dados. As classes de informações
obtidas neste método de classificação devem ser identificadas posteriormente e
confirmadas a campo. O módulo que realiza esta classificação no Idrisi é o Cluster. Ele faz
a seleção pelo pico do histograma, onde busca os picos como se eles estivessem em um
histograma unidimensional. Um pico é definido como sendo o valor de maior freqüência
com relação aos seus vizinhos. Depois da identificação dos picos todos os valores passam
30
a ser associados ao pico mais próximo. Desta forma, as divisões entre as classes tendem a
cair no ponto médio entre os picos.
Figura 17 – Tela para cálculos de áreas.
Para a elaboração da classificação não supervisionada de uma imagem, é
necessário termos uma composição colorida com três bandas. Estas, devem estar no
mesmo sistema de coordenadas, ter o mesmo tamanho e documentos com as mesmas
informações.
Os seguintes passos são necessários para a classificação não supervisionada de
imagens utilizando o módulo Cluster:
1 – No menu Image Processing, acessa-se o módulo hard classifiers e escolhe-se
Cluster;
31
Figura 18 – Tela para elaboração de classificação não supervisionada.
2 – Define-se a porcentagem de saturação e o grau de generalização;
3 – Pode-se optar pela eliminação dos clusters (grupos) menos significativos,
definir um número máximo de grupos, ou classificar todos os grupos. Em seguida, clica-se
em ok.
Classificação supervisionada
Na classificação supervisionada, coberturas do solo são identificadas e
diferenciadas umas das outras pelo seu padrão de resposta espectral. Nesta classificação
define-se as assinaturas espectrais das categorias de uso conhecidas, e o aplicativo associa
cada píxel da imagem à assinatura mais similar. Para que o software efetue este
procedimento, necessita-se da definição de áreas de treinamento contendo os padrões que
se deseja classificar.
As áreas de treinamento são delimitadas por polígonos desenhados sobre cada uso
do solo na imagem. Estes polígonos devem ter o mesmo identificador para cada classe de
uso. Por exemplo, as áreas cobertas por floresta, que podem ser amostradas em vários
32
pontos, serão associadas ao identificador 1, áreas com solo exposto ao identificador 2, e
assim por diante.
Os passos para a classificação supervisionada são os seguintes:
1 – Abrir a imagem que será classificada;
2 - Localizar exemplos representativos de cada uso do solo na imagem;
3 – Criar um arquivo vetorial que conterá os polígonos com as áreas de
treinamento;
4 – Vetorizar os polígonos das áreas de treinamento. Para cada tipo de cobertura do
solo, será atribuído um único identificador inteiro sendo que cada tipo de cobertura terá
uma ou mais áreas de treinamento (o ideal é que as áreas de treinamento cubram pelo
menos 10% da área total de cada uso). Deve-se anotar a seqüência dos identificadores para
associá-los ao nome do uso, no passo seguinte;
Figura 19 – Tela mostrando polígonos vetorizados.
5 – Na sequência é feita a criação das assinaturas espectrais de cada uso, através do
módulo Makesig, desde o menu Image Processing / Signature development. Nele, escolhese vetor como o tipo de arquivo criado no passo anterior, informa-se o nome deste arquivo
33
vetor e em seguida, informa-se o nome dos arquivos de assinatura, a partir dos seus
identificadores. Cada píxel na área de estudo tem um determinado valor em cada uma das
bandas utilizadas para a classificação. Estes valores formam uma única assinatura que
pode ser comparada com cada um dos arquivos de assinatura recém criados. Desta forma,
na classificação, é atribuído a cada píxel o tipo de cobertura com assinatura mais parecida.
Existem diversos métodos estatísticos de classificação de imagens (classificadores) no
Idrisi, sendo que os mais comumente usados são: classificador de distâncias mínimas às
médias, Mindist, por paralelepípedos Piped e por máxima verossimilhança Maxver. Para
efeito de treinamento, usaremos o classificador por máxima verossimilhança. Nele, os
valores de reflectância de uma área de treinamento são descritos por uma função de
densidade de probabilidade, baseada na estatística Bayesiana. Este classificador verifica a
probabilidade que um píxel tem de pertencer a uma determinada classe e o classifica na
categoria que tiver maior probabilidade;
Figura 20 – Tela de acesso para elaboração das assinaturas.
Abaixo é apresentada a sequência da tela de criação das assinaturas.
34
Figura 21 – Exemplo da elaboração de arquivos de assinatura.
A seguir, define-se o número de bandas de imagem que serão processadas e
informa-se o nome destas bandas nas caixas de diálogo que aparecerão;
Figura 22 – Tela para definição de quantas e quais bandas serão usadas na classificação.
35
6 – Em seguida define-se o classificador, que neste caso é o de máxima
verossimilhança. Insere-se o grupo de assinaturas criado no passo anterior, define-se a
probabilidade para ocorrência de cada assinatura e informa-se um nome de saída para a
imagem classificada. Define-se ainda o valor mínimo para classificação (entre 0 e 1 –
normalmente, utiliza-se o 0,0) e clica-se em ok.
Figura 23 – Tela de acesso para definição do classificador a ser utilizado.
Neste momento, tem-se a área classificada, e a partir dela, pode-se gerar o mapa de
uso do solo. Importante avaliar com cuidado a qualidade da classificação. Caso não seja a
esperada, deve-se refazer o trabalho, escolhendo-se mais áreas de treinamento ou então
dividindo-se os usos que tem diferenças de reflectância em mais de uma classe. Um
exemplo disso, pode ser dado para a classe solo exposto. Esta, dependendo do tipo de solo,
da umidade, da exposição ou de restos de culturas, pode aparecer com tonalidades muito
distintas. Sana-se este problema criando-se várias sub-classes com identificadores
diferentes. Após a classificação, basta reclassificar a imagem e juntar as sub-classes em
uma só classe de solo exposto.
36
Figura 24 – Tela apresentando o resultado da classificação supervisionada.
Para calcular as áreas dos usos, basta clicar com o botão direito do mouse sobre
qualquer um dos nomes dos usos na legenda e selecionar calculate áreas. A Figura 25
apresenta o resultado desta operação.
A elaboração do mapa dos usos do solo pode ser feita, clicando-se com o botão
direito sobre a legenda e escolhendo-se Map properties. Após, podemos escolher a
legenda, georreferência, grade de coordenadas, norte, escala, inserção de textos, de figuras
ou gráficos e título. A Figura 26 apresenta um exemplo de mapa elaborado a partir de uma
classificação supervisionada.
37
Figura 25 – Resultado do cálculo de áreas.
Figura 26 – Mapa elaborado a partir da classificação supervisionada. Observe-se que o
mesmo apresenta alguns problemas e pode ser melhorado.
38
Caso haja a necessidade, pode-se aplicar um filtro sobre a classificação, visando
seu refinamento.
Este pode ser acessado a partir do módulo filter, seguindo o caminho apresentado
na Figura abaixo.
Figura 27 – Tela para aplicação de filtro sobre imagem classificada.
Aqui define-se a imagem a ser filtrada e um novo nome para a mesma. Escolhe-se
o tipo de filtro a ser aplicado e o seu tamanho, e em seguida, clica-se em ok.
Caso queiramos mudar as cores da legenda, devemos seguir o procedimento:
1 – Display;
2 – Symbol Workshop;
3 – File;
4 – New / palette (se forem vetores ou textos, escolhe-se estes).
39
Figura 28 – Tela para elaboração de palheta de cores.
Informa o nome para nossa palheta de cores e clica em ok.
Figura 29 – Tela para definição do tipo de palheta de cores.
40
Em seguida, escolhe-se as cores de acordo com os identificadores da imagem
classificada.
Figura 30 – Tela demonstrativa da escolha das cores para cada identificador do mapa.
ÍNDICE KAPPA
Geralmente, a última etapa de uma classificação envolve a avaliação da exatidão
do mapeamento. Tal avaliação pode ser feita através da geração de pontos aleatórios no
mapa para serem verificados no campo.
No Idrisi, o primeiro passo desta análise consiste na geração de pontos de
amostragem aleatoriamente estratificados, através do módulo Sample, acessado pelo menu
GIS Analysis / decision support. Estes são verificados (através de informações de campo)
para confirmação do tipo de uso. Em seguida, cria-se um arquivo de valores relacionando
os pontos amostrais à verdade terrestre através do sistema de gerenciamento de banco de
dados ou pelo edit. O arquivo de valores é então exportado e cria-se uma imagem raster
41
dos pontos amostrais com a verdade terrestre. No módulo Errmat analisa-se
estatisticamente a classificação supervisionada, onde a mesma é confrontada com os
pontos de campo, fornecendo uma matriz de erros e o índice Kappa geral e por categoria.
Na matriz de erro, o erro de omissão indica a probabilidade de uma unidade
amostral de referência estar corretamente classificada e o erro de inclusão representa a
probabilidade que um pixel classificado no mapa, represente a categoria no terreno. Erros
de inclusão ocorrem quando um ponto é identificado como de uma classe, quando na
realidade pertence a outra classe, enquanto que os erros de omissão ocorrem quando um
ponto é identificado como pertencente a outra categoria, quando, na realidade, é membro
de uma determinada classe.
A tabela a seguir apresenta a qualidade da classificação associada aos valores da
estatística Kappa (LANDIS & KOCH, 1977)
Valor de Kappa
<0,00
0,00 – 0,20
0,20 – 0,40
0,40 – 0,60
0,60 – 0,80
0,80 – 1,00
Qualidade da classificação
Péssima
Ruim
Razoável
Boa
Muito boa
Excelente
Os passos para a avaliação da acurácia de uma classificação com o índice kappa são os
seguintes:
1. Abrir a imagem original e aplicar sobre ela uma matriz de pontos utilizando o módulo
GIS Analysis/Decision Support/sample;
42
Figura 31 – Tela de apresentação do sample.
2. Identificar o uso da terra no píxel pertencente àquele ponto e anotar seu identificador;
3. No módulo data entry/edit, abre o arquivo criado no sample e informa os
identificadores de cada ponto. Pode –se também criar um arquivo novo e salvar com a
extensão avl (arquivo de valores). Neste caso, coloca-se na primeira linha do arquivo o
número total de pontos e nas demais linhas edita-se o par de pontos: n° do ponto;
identificador do uso real;
4. No módulo GIS analysis/data base query/assign, insere o arquivo vetor dos pontos
criados no sample, informa um nome de saída e define como arquivo de valores de
atributos (atribute values file), o arquivo criado acima com os pontos e seus
identificadores;
43
Figura 32 – Tela para análise do índice kappa.
5. Salvar o arquivo acima, e em seguida converte-lo para inteiro;
6. Inicializa-se uma imagem com valores zero, copiando parâmetros da imagem
classificada;
7. Rasteriza-se o arquivo vetor sobre esta imagem.
No módulo GIS analysis/decision support/errmat informa os arquivos com a verdade
terrestre (criado acima) e o mapa de categorias (imagem classificada). O programa roda
estas informações e fornece os resultados estatísticos, que poderão ser comparados com a
tabela de qualidade de classificação acima.
MODELAGEM NUMÉRICA DE TERRENO (MNT)
Modelo numérico de terreno (MNT), em inglês, (DTM- Digital Terrain Model), é a
representação matemática da distribuição espacial de uma determinada característica
vinculada a uma superfície real. Normalmente a superfície é contínua e representada por
um fenômeno variado. Dentre alguns usos do modelo numérico do terreno pode-se citar
(Burrough, 1989):
44
-
a) Armazenamento de dados de altimetria para gerar mapas topográficos;
-
b) Análises de corte-aterro para projeto de estradas e barragens;
-
c) Elaboração de mapas de declividade e exposição para apoio a análise de
geomorfologia e erodibilidade;
-
d) Apresentação tridimensional (em combinação com outras variáveis).
Aquisição de dados de MNT
Para representação dos dados do modelo numérico do terreno, devemos representálos através das coordenadas x,y,z, onde z caracteriza o parâmetro a ser modelado, sendo
z=f(x,y). Normalmente adquirimos estes dados segundo uma distribuição irregular no
plano x y, ou seja não existem relações topológicas definidas entre as posições dos pontos
amostrados, ou ao longo de linhas com mesmo valor de z ou mesmo com um espaçamento
regular.
Assim, a aquisição destes dados é geralmente efetivada através de levantamentos
de campo, digitalização de mapas, medidas fotogramétricas a partir de modelos
estereoscópicos e dados altimétricos adquiridos de GPSs, aviões e satélites. Portanto os
produtos e as aplicações do MNT não são elaborados sobre os dados amostrados, mas sim
dos modelos gerados no formato de grades. Tais formatos simplificam a implementação
dos algoritmos de aplicação e os tornam mais rápidos computacionalmente.
Desta forma, podemos adquirir os dados através de pontos amostrados com
espaçamento irregular e regular bem como por mapas de isolinhas.
a) Dados amostrados através de pontos:
A qualidade do produto final de uma aplicação sobre o modelo, está diretamente
ligada à escolha dos pontos e a qualidade destes dados amostrados. Em aplicações onde é
requerido um grau de realismo superior, a quantidade de pontos amostrados, bem como o
cuidado na escolha desses pontos, é decisiva. Assim, temos como regra que quanto maior
a quantidade de pontos representantes da superfície real, maior será o esforço
computacional para que estes sejam armazenados, recuperados e processados, e melhor
será o produto final.
45
b) Dados amostrados através de isolinhas:
A representação de qualquer superfície por meio de curvas de isovalor, é
denominada de mapa de isolinhas, assim temos como exemplo mais comum as cartas
topográficas. As isolinhas são curvas que unem entre si pontos da superfície que tenham o
mesmo valor de cota.
O significado do valor da cota depende da magnitude física da superfície que se
pretende modelar. Dessa forma, temos para uma superfície que representa a altimetria do
terreno, as curvas de nível; a temperatura se obtém das isotermas; para previsão
atmosférica, as isóbaras; etc. A Figura abaixo apresenta um exemplo de isolinhas em uma
carta topográfica.
Figura 33 – Carta topográfica mostrando suas isolinhas.
c) Isolinhas de altimetria do terreno
As isolinhas podem ser visualizadas como sendo a projeção do plano (x,y) das
intersecções entre a superfície e uma família de planos horizontais eqüidistantes. As
isolinhas de cota z, obtidas pela projeção do plano x,y, possuem algumas características
importantes, entre elas: Todas são fechadas, a menos que interceptem as fronteiras de
definição do mapa e nunca se cruzam.
A aquisição das isolinhas pode ser efetuada através de diversas formas:
46
•
Vetorização manual, através do uso de mesa digitalizadora;
•
Vetorização manual, através da tela do computador;
•
Processo automático por meio de scanner.
A vetorização manual consiste na operação de identificação de uma isolinha com
um valor de cota (ex. 120m), e na aquisição pelo operador por um processo onde segue-se
a linha ao longo do mapa.
Na vetorização com scanner, é obtida uma matriz de pontos onde pode-se
identificar as isolinhas e os valores de cota. Estes processos de vetorização que seguem
uma isolinha, transformam-na em uma seqüência de pontos com coordenadas x,y de
mesmo valor em z, para cada isolinha.
A vetorização na tela do computador é feita seguindo-se as linhas de cota com o
vetorizador.
A seqüência para a montagem de um modelo digital do terreno no Idrisi é a
seguinte:
1 – Vetoriza-se as curvas de nível (ou de pontos) através de um dos três métodos;
2 – No Data Entry / Surface Interpolation/TIN interpolation/TIN, define o formato
dos dados, se linhas ou pontos, o tipo de triangulação, o nome do arquivo a ser
interpolado, um nome de saída, preenche os demais dados e clica em ok. Caso queiramos
que o aplicativo já crie uma imagem raster desta interpolação, devemos selecionar a opção
create raster surface e informar um nome de saída.
47
Figura 34 – Tela para geração do modelo numérico do terreno.
FUSÃO DE IMAGENS MULTIESPECTRAIS E PANCROMÁTICAS
A fusão de imagens de satélites pode ser empregada para melhorar a resolução
(espacial e espectral) das imagens, facilitando a identificação de alvos. Essa técnica de
processamento pode ser empregada para melhorar a classificação de imagens, uma vez que
a heterogeneidade espectral de áreas em sensoriamento remoto pode conduzir a erros em
sua classificação. Normalmente uma fusão é feita utilizando-se uma imagem pancromática
de alta resolução espacial, e bandas de imagem multiespectral com menor resolução
espacial. Deste modo, a resolução espectral pode ser preservada, enquanto a melhor
resolução espacial é incorporada com o intuito de captar o conteúdo de informação das
imagens com maior detalhamento.
Nesta tarefa utiliza-se normalmente o método HLS que é a sigla para: hue,
lightness e saturation, que significam, respectivamente, matiz, brilho e saturação (este
método também é chamado de IHS). Este é um espaço de cor mais uniforme que o espaço
RGB e que separa a cromaticidade da luminância. A transformação RGB-HLS separa a
informação acromática (valor) e cromática (matiz e saturação) de uma imagem RGB.
48
Neste método, três bandas espectrais de menor resolução espacial são transformadas do
espaço RGB de cores para o espaço HLS. A componente L é substituída pela imagem
PAN, sendo na seqüência efetuada a operação inversa, retornando para o espaço RGB.
A sequência para elaboração da fusão é apresentada a seguir. Basta informar as
bandas associadas a cada uma das cores do espaço RGB e a banda pancromática de melhor
resolução. Deve-se observar que as duas imagens devem ter os mesmos limites mínimos e
máximos de coordenadas.
Figura 35 – Tela para elaboração de fusão de imagens.
GERAÇÃO DE BUFFERS
No Idrisi, o buffer é delimitado a partir do vetor base rasterizado sobre uma
imagem com valores zero.
Os passos para esta operação são os seguintes:
1 – Vetoriza-se o ponto, a linha ou o polígono;
2 – Gera-se uma imagem incializada com fundo zero, pelo módulo Initial;
3 – Rasteriza-se o vetor sobre a imagem com valor zero;
49
4 – No módulo GIS Analysis, acessa-se Distance operators e escolhe-se Buffer, como na
Figura 36;
Figura 36 – Tela para geração de buffers.
5 – Preenche os campos com as informações solicitadas e clica em ok. Agora esta criada a
imagem com o buffer. Caso queira transformá-la em vetor, efetua-se a conversão pelo
módulo Rastervector, contido no menu Reformat.
OPERAÇÕES COM BANCO DE DADOS
Primeiramente, será feita uma breve descrição do que é um banco de dados:
Um banco de dados é formado por um conjunto de dados estruturado de maneira
adequada de forma que pode ser utilizado com eficiência para uma diversidade de
aplicações dentro de uma organização.
Um banco de dados relacional utiliza a relação matemática como unidade básica.
Para tanto, utiliza a teoria dos conjuntos como a base formal para a descrição de modelos
de dados.
50
Podemos dividir a formação dos bancos de dados, simplificadamente, através de 3
estruturas: Tabelas, Campos e Registros.
Tabelas: Uma tabela é uma coleção de dados sobre um tópico específico. Usar uma tabela
separada para cada tópico significa que você armazena aquele dado apenas uma vez, o que
torna seu banco de dados mais eficiente e reduz erros de entrada de dados. Tabelas
organizam os dados em colunas (chamadas campos) e linhas (chamadas registros). Na
manutenção destas tabelas podemos adicionar, editar ou visualizar seus dados, verificar
ortografias, filtrar ou classificar os registros, alterar a aparência e fazer a impressão de
informações.
Campos: (Data item or field), correspondem a um conjunto de informações organizadas
em uma coluna.
Registro: (record), Um registro consiste num conjunto de itens de dados e/ou grupos de
dados, reunidos de forma a caracterizar uma ocorrência de um conjunto de atributos, de
uma determinada entidade. São as informações contidas nas linhas do banco de dados.
No Idrisi o banco de dados pode ser acessado pelo ícone
, ou seguindo o
caminho:
1 – GIS Analysis / Database Query / Database workshop, conforme a Figura 37;
Com o banco de dados aberto, podemos iniciar sua operação. Primeiramente
criamos o novo banco de dados, clicando em File / New.
Após a criação do banco de dados, podemos criar a (s) tabela (s). Basta clicar em
Edit / Create Table.
Com a tabela criada, podemos adicionar os campos. Basta clicar em Edit / Add
Field. Ali define o formato dos dados do campo e o tamanho do mesmo (Figura 38).
Após termos criado todos os campos de interesse, definimos o número das linhas e
seus identificadores. Esta é uma operação importante pois é com os identificadores que o
aplicativo faz a ligação do banco de dados com as informações e também com os mapas,
caso tenhamos este interesse.
51
Após o preenchimento do banco de dados, podemos liga-lo (linka-lo com um
mapa). Para isto precisamos ter o mapa com os mesmos identificadores do banco de dados
e fazer sua ligação.
Esta tarefa é realizada através da sequência:
1 – Query / Establish Display Link, conforme a Figura 39;
A partir de então, pode-se visualizar o banco de dados ligado com seu mapa, onde
podemos efetuar as consultas pelo identificador, ou clicando-se sobre o mapa. A Figura 40
apresenta um exemplo desta operação, que foi realizada com dados baixados do site do
IBGE em formato .shp.
Figura 37 – Tela de acesso ao módulo do banco de dados.
52
Figura 38 – Tela de criação dos campos na tabela do banco de dados.
Figura 39 – Tela para efetuar ligação do banco de dados com o mapa.
53
Figura 40 – Exemplo de consulta efetuada sobre o banco de dados. Note-se que ao clicar
sobre o banco de dados, o município de Ourinhos é destacado no mapa
(círculo branco no do Brasil e área marrom na aproximação.
O Idrisi prevê a administração de banco de dados relacional, através de sistemas
integrados com seus arquivos, não havendo necessidade de utilizar um sistema de banco
de dados independente. Proporciona as mais diversas atividades dentro de seu banco de
dados.
REFERÊNCIAS E BIBLIOGRAFIA RECOMENDADA
ASSAD, E.D., SANO, E.E. Sistema de informações geográficas aplicações na
agricultura. 2 ed. Brasília: Embrapa, 1998.
BURROUGH, P.A; McDONNELL, R.A.. Principles of geographical information systems.
Oxford: University Press, 2004.
54
BUZAI, G.D.; DURÁN, D. Enseñar e investigar com sistemas de información geográfica
(S.I.G.) Buenos Aires: Traquel, 1997. 192p.
CALIJURI, M.L., RÖHM, S.A. Sistemas de Informações Geográficas. CCET/DEC Universidade Federal de Viçosa. Imprensa Universitária: Viçosa, 1994. 34p.
CÂMARA, C, & DAVIS, C. (1996). Fundamentos de Geoprocessamento. Livro online:www.dpi.inpe.br
CÂMARA, G. & MEDEIROS, J. S. (1998). GIS para Meio Ambiente. São José dos
Campos: INPE.
CÂMARA, G. MEDEIROS, J.S.de. Princípios básicos em geoprocessamento. In: ASSAD,
E.D., SANO, E.E. Sistema de informações geográficas aplicações na agricultura. 2 ed.
Brasília: Embrapa, 1998. p. 3 – 11.
SOCIEDADE BRASILEIRA DE ENGENHARIA AGRÍCOLA. Cartografia,
sensoriamento remoto e geoprocessamento. In: CONGRESSO BRASILEIRO DE
ENGENHARIA AGRÍCOLA, 27, Poços de Caldas, MG. 1998. 226p.
CROSTA, A.P. Processamento digital de imagens de sensoriamento remoto. Campinas:
IG/UNICAMP. 1992. 170p.
EASTMAN, J. R. Idrisi for Windows - Manual do usuário: introdução e exercícios
tutoriais. Editores da versão em português, Heinrich Hasenack e Eliseu Weber. Porto
Alegre, UFRGS Centro de Recursos Idrisi, 1998. 240 p.
EASTMAN, J. R. IDRISI32. Guide to GIS and image processing. Massachusettes, Clark
University. V. 2, 1999. 169p.
EASTMAN, J. R., Idrisi - User’s Guide Version 1.0. Clark University: Worcester, USA.
may 1995.
FITZ, P.R. Geoprocessamento sem complicação. São Paulo: Oficina de Textos, 2008.
LANDIS, J.R., KOCH, G.G. The measurement of observer agreement for categorical data.
Biometrics, v. 33, n.1, p. 159 – 174, 1977.
55
MEDEIROS, J.S. de; TOMÁS, D.D.; SIMÕES,M. Introdução aos sistemas de informação
geográfica. Sociedade Brasileira de Cartografia, XVII CONGRESSO BRASILEIRO DE
CARTOGRAFIA. 1995, 66p.
MONICO, J. F. G. Posicionamento pelo NAVSTAR-GPS: Descrição, Fundamentos e
Aplicações. São Paulo: Ed. UNESP, 2000.
NASA - The Landsat Program and Landsat Science. Texto disponível na Internet:
http://geo.arc.nasa.gov/sge/landsat/lswg.html
NOVO, E.M.L. Sensoriamento Remoto, princípios e aplicações. São Paulo: Blucher,
1992. 308p.
PEREIRA, R.S., MADRUGA, P.R. de A., HASENACK, H. Geoprocessamento aplicado
ao planejamento de uso de recursos naturais - Curso. UFSM-CCR-FATEC, Santa Maria,
RS. 1995. 40p.
ROCHA, C.H.B. Geoprocessamento: tecnologia transdisciplinar. Juiz de Fora: Ed. do
Autor, 2000.
ROSA, R. Introdução ao sensoriamento remoto. Uberlândia: Edufu, 1995. 117p.
SENDRA, J.B., MARTÍNEZ, F.J.E., HERNÁNDEZ,E.G., GARCÍA M.J.S. Sistemas de
Información Geográfica: prácticas con PC ARC/INFO e Idrisi. Madrid: RA-MA, 1994.
SILVA, A.de B. Sistemas de informações geo-referenciadas. Campinas: Editora Unicamp,
2003.
TEIXEIRA, A.L.A.; CHRISTOFOLETTI, A. Sistemas de Informação Geográfica:
Dicionário ilustrado, São Paulo: Hucitec, 1997.
TEIXEIRA, A.L.A.; MORETTI, E.; CHRISTOFOLETTI, A. Introdução aos Sistemas de
Informação Geográfica, Rio Claro-SP, 1992.
TOMLIN, C.D. Geographic information systems and cartographic modeling. Prentice
Hall, Englewood, 1990, 243 p.
XAVIER DA SILVA, J. Geoprocessamento para análise ambiental. Rio de Janeiro: Ed.
Do Autor, 2001.
56

disciplina de geoprocessamento práticas em idrisi:versão taiga

Transcrição

Documentos relacionados

lista - artigos selecionados para apresentação no formato banner no

Alejandra Van Schaik

Sem título-9 - Brasil Sustentável Editora

1º Semestre

SERVIÇO PÚBLICO FEDERAL UNIVERSIDADE - IPTSP

2007. Iniciativa divulga função do mangue - Jornal Unesp.

Questões de Matemática da 2° fase UNESP

08 - Trabalhadores da Unesp/Araraquara

Workshop on Higher-Spin and Higher-Curvature Gravity

Brasileira é convidada para conhecer a Universidade de Illinóis