Catalogo SERFA 10

4º Encontro de Usuários de
Sensoriamento Remoto das
Forças Armadas
São José dos Campos - SP
2010
SERFA 2010
Índice
Identificação de Alvos Militares com Radar Imageador SAR ..................... 1
Algoritmo para Medir Automaticamente Embarcações em Imagens
SAR .............................................................................................................. 3
Identificação de Embarcações em Imagens SAR na Área Marítima
do Brasil........................................................................................................ 5
Estudo das Possibilidades de Monitoramento e Detecção de
Objetivos de Interesse de Defesa Utilizando Imagens CBERS .................... 7
Análise do Potencial de Interação das Organizações Militares da
Amazônia (APIOMA) .................................................................................. 9
Integração de Dados de Sensores Táticos de Veículos Aéreos Não
Tripulados (VANT’s) com Sistemas Geo-espaciais Estratégicos:
Possibilidades e Perspectivas...................................................................... 11
Análise da Vulnerabilidade do Terreno em um Trecho de
Implantação do Trem de Alta Velocidade Entre Rio de Janeiro e São
Paulo: Identificação de Tálus por MDE e Imagens CBERS 2B ................. 13
Imagens de Satélites Meteorológicos a Bordo dos Navios da
Marinha do Brasil ....................................................................................... 15
Aplicações do Sistema de Informação Geográfica em Treinamento
Militares ...................................................................................................... 17
Aplicação de Técnicas de Sensoriamento Remoto e Navegação em
Tempo Real para Subsidiar Ações de Fiscalização e Controle
Ambiental ................................................................................................... 19
Vantagens da segmentação baseada em objetos para a identificação
de alvos em imagens de sensores remotos.................................................. 21
Altimetria Multi-Satélite, Flutuadores ARGO e Perfis de Velocidade
do Som: Avanços Recentes na Capacidade Militar Naval Submarina ....... 23
Mapeamento Planimétrico na Escala 1/100.000 Utilizando Imagens
ALOS/AVNIR-2 ......................................................................................... 25
Deteção Automática de Frentes Oceânicas................................................. 27
Classificador por Regiões de Imagens SAR com Base em Distâncias
Estocásticas Derivadas da Densidade de Probabilidade do Par de
Intensidades Multi-look .............................................................................. 29
SERFA 2010
Proposta de Integração de Técnicas de Inteligência Computacional,
Baseadas em Conhecimento, para o Reconhecimento de Padrões em
Imagens Multiespectrais ............................................................................. 31
Aplicação de Árvores de Decisão para Classificação de Uso e
Cobertura da Terra sobre Imagens LANDSAT TM e PolInSAR ............... 33
Utilização de Imagens Interferométricas SAR no Mapeamento
Topográfico de Áreas de Floresta Tropical Densa ..................................... 35
Segmentação de imagens SAR polarimétricas usando teste estatístico
de igualdade de matrizes de covariância .................................................... 37
Descrição do Algoritmo de Ortorretificação das Imagens SAR/R-99 ........ 39
Caracterização Radiométrica de Instrumentos para Suporte em
Trabalho de Campo .................................................................................... 41
Uso de Sensoriamento Remoto Orbital SAR no auxílio de atividades
de Busca Salvamento – Estudo de caso ...................................................... 43
Wavelets e Árvore de Decisão para a detecção de alvos na superfície
do mar em imagens Cosmo-Skymed .......................................................... 45
Monitoramento de Satélites para Identificação de Janelas Temporais
para Operações Militares ............................................................................ 47
Registro Automático de Imagens SAR Interferométricas .......................... 49
Avaliação da Qualidade Planialtimétrica dos Produtos Extraídos de
Dados SAR Interferométricos nas Bandas X e P do OrbiSAR................... 51
O Projeto SIG do Exército Brasileiro ......................................................... 53
Banco de Dados Geográficos ..................................................................... 55
Descrição do Processamento SAR/R-99 .................................................... 57
Processamento de Imagens Aéreas em tempo-real em Sistemas
Embarcados ................................................................................................ 59
Monitoramento do Antropismo através do ProAE (Programa de
Monitoramento de Áreas Especiais) em Terras Indígenas nos estados
do Pará e Amapá ......................................................................................... 61
SERFA 2010
1
Identificação de Alvos Militares com Radar Imageador
SAR
Edinelson F Sena1,2, Antonio N C S Rosa2
1
Comando-Geral de Operações Aéreas - COMGAR
2
Universidade de Brasília - UnB
{senaf, nunos}@unb.br
Palavras-Chave: radar de abertura sintética, processamento digital de imagens e
inteligência de imagens.
Resumo:
Os Estados necessitam de informações ágeis e confiáveis para a tomada de
decisão em uma ampla gama de atividades – política, econômica, tecnológica e
militar [1] Se a decisão for militar e envolver planejamento, execução e controle de
operações ou treinamentos, os meios disponíveis do Estado devem ser empregados
na geração de dados e produção de informações. Entretanto, se houver necessidade
de análise de imagens, a iluminação solar e as condições atmosféricas não podem
ser dificuldades para aquisição de dados.
Em virtude desse tipo de deficiência, o Governo Brasileiro lançou o
Programa do Sistema de Proteção da Amazônia (SIPAM) e, em 2002, a
Aeronáutica adquiriu e passou a operar as aeronaves de sensoriamento remoto, R99, equipadas com sensores óticos, hiperespectrais e com antenas do Radar de
Abertura Sintética.
Inicialmente, a mão de obra da FAB foi utilizada, somente, para captação
de dados, porém, em virtude da necessidade de conhecer do Comando-Geral de
Operações Aéreas (COMGAR), os Técnicos de Informações e Reconhecimento
(TIR), especialistas em análise de imagens, foram treinados a extrair informações e
gerar relatórios com os produtos do SAR.
Nesse sentido, este trabalho objetiva estudar a aplicação de imagens de
RADAR para identificação e descrição de alvos militares. Com os resultados
obtidos, espera-se utilizar os procedimentos descritos para execução de diversos
outros trabalhos de sensoriamento remoto, voltados à inteligência de imagens.
Os materiais utilizados são produtos do sensor SAR do SIVAM, coletados
no território nacional. Os dados foram processados no software ENVI 4.5 e, para
composição do Sistema de Informação Geográfica (SIG), utilizou-se o Arc GIS 9.0,
ambos licenciados para o COMGAR. Além desses, fez-se uso de ambiente
computacional do MatLab para trabalho com o filtro MAPGamma.
A metodologia envolve o processamento digital de imagens com correção
do padrão de antena, redução do ruído Speckle, na qual se utilizaram os filtros de
SERFA 2010
2
Frost e MAPGamma, alterado por Menezes e Santa Rosa [2], e outras técnicas de
geoprocessamento e manipulação de imagens.
Os resultados iniciais indicam que as imagens do SAR/R-99 podem e
devem ser utilizadas como complemento das imagens óticas na extração de
informações e no reconhecimento de alvos terrestres.
A figura 1 é um produto de aplicação da imagem SAR em um alvo militar.
Nela, os círculos na cor verde e numeração ao centro, caracterizam o processo de
identificação.
Figura 1 – Exemplo de identificação de instalação militar com o uso do SAR do
R-99 – Banda L, polarização HH, com 6m de resolução espacial.
Referências
[1] Brasil. Política de Sensoriamento Remoto da Aeronáutica. DCA 510-1. 11
NOV 1999. p.7-9
[2] Santa Rosa A. N. C. & Meneses P. R.. Performance of MAP filters to reduce
speckle in RADARSAT images. In: GLOBESAR. Buenos Aires. Proceedings.
CONAE, v. 1, p. 876-880.1999.
SERFA 2010
3
Algoritmo para Medir Automaticamente Embarcações
em Imagens SAR
Sérgio R H Gamba
Grupo de Inteligência Aérea - GIA/COMGAR
[email protected]
Palavras-chave: Sensoriamento Remoto, Imagens SAR, Embarcações.
Resumo
O transporte marítimo representa mais de 95% do comércio exterior
brasileiro. O Brasil é também dependente do tráfego marítimo em relação aos
fretes. Anualmente, é gasto cerca de US$ 7 bilhões, sendo que apenas 3% desse
total são transportados por navios de bandeira brasileira. Todo este comércio se dá
por 75 portos marítimos existentes ao longo do litoral brasileiro [2].
Aviação de Patrulha é um importante meio do Poder Naval. A FAB e a
Marinha do Brasil são responsáveis, em conjunto, pelas operações de vigilância do
mar. Atualmente a FAB está em processo de aquisição de aeronaves P-3. Isto
elevará o nível de capacidade operacional compatível com as características
geográficas do país, com o teatro marítimo no Atlântico Sul e com a posição que o
Brasil desfruta entre as demais nações [1]. O objetivo deste artigo é distinguir
embarcações entre si em imagens SAR, utilizando-se um algoritmo.
Considerando a importância da área marítima do Brasil, principalmente as
200 milhas marítimas, optou-se em coletar 12 embarcações em imagens Synthetic
Aperture Radar (SAR) e MultiSpectral Scanner (MSS) próximas ao porto de
Tubarão, com o objetivo de validar as medições feitas nas imagens SAR. Durante o
imageamento SAR do R99, foi possível também realizar o imageamemto com o
sensor MSS.
Os elementos de interpretação possíveis de serem observados nas imagens
SAR são a tonalidade, a forma e o tamanho. Na fase avançada de interpretação, a
dedução, após aplicar a metodologia de interpretação de alvos em imagens SAR
(realce 50-200, filtro abertura, classificador SVM ou transformador SCI), dará uma
idéia inicial se a embarcação é militar ou mercante. Contudo, a comprovação de que
se trata de militar ou mercante, bem como saber que tipo de embarcação militar ou
mercante está sendo analisada, será definida por um algoritmo de medição
automática. O objetivo deste trabalho é propor um algoritmo capaz de medir o
comprimento da embarcação e comparar o valor calculado com um banco de dados
contendo o comprimento de 434 embarcações (fragata, petroleiro, corveta, etc...).
A metodologia aplicada nas imagens seguiu quatro fases. Na primeira fase,
foi considerado o sensor MSS com 31 canais, resolução espacial de 2,45 metros,
utilizando a banda 8, comparada com a imagem SAR LHH,LVV e LVH, resolução
SERFA 2010
4
espacial de 3 metros, ambas imagens com projeção geográfica Lat/Long, Datum
WGS 84, para localizar a posição (latitude/longitude) e verificar o comprimento
real e o tipo de embarcação.
Na segunda fase, após medições manuais feitas em 12 embarcações em
imagens SAR, no aplicativo ENVI, verificou-se que um pixel equivale em média a
2,46 metros. O limite de corte foi estabelecido após vários testes no programa, o
que irá definir o tamanho do pixel no algoritimo. São 256 níveis digitais nas
imagens SAR sendo analisados em uma área contendo água do mar e uma
embarcação.
Na terceira fase, adotou-se a linguagem de programação científica Matrix
Laboratory (MATLAB), a fim de criar um algoritmo de medição. Inicialmente a
imagem SAR deve ser salva no formato American Standard Code for Information
Interchange (ASCII) [3]. O algoritmo de medição executa os comandos em
seqüência, conforme o diagrama de bloco da Figura 1.
Na última fase, o comprimento obtido é confrontado com um banco de
dados com 14 tabelas, cada tabela contendo 31 comprimentos de embarcações. O
objetivo é verificar se a embarcação é mercante ou militar. Por fim, também definir
o tipo de embarcação mercante/militar.
Os resultados foram satisfatórios, onde o comprimento obtido foi de 90%
do comprimento real da embarcação. Consegue-se média de 7 metros, desvio
padrão de 16 metros, valor mínimo -27 e valor máximo +27 metros. Nestes
resultados, desconsideraram-se os valores extremos de -55 e de +55 metros, que
representam 16% de todas as variações em metros.
Figura 1: Fluxograma que representa o processo para calcular de forma automática
o comprimento de embarcações em imagens SAR.
Referências
[1] ASSOCIAÇÃO Brasileira de Equipagens da Aviação de Patrulha. Rio de
Janeiro, 2006. Disponível em: <http://www.abrapat.org.br>. Acesso 30 jan. 2010.
[2] BRASIL. Ministério da Educação. Secretária de Educação Básica. A
Importância do Mar na História do Brasil. Brasília, DF: [s.n.], 2006.
[3] TONINI, A. M.; SCHETTINO, D. N. MATLAB para Engenharia. Centro
Universitário de Belo Horizonte, 1ª Edição. Belo Horizonte, MG. 2002.
SERFA 2010
5
Identificação de Embarcações em Imagens SAR na Área
Marítima do Brasil
Sérgio R H Gamba
Grupo de Inteligência Aérea - GIA/COMGAR
[email protected]
Palavras-chave: Sensoriamento Remoto, Imagens SAR, Embarcações.
Resumo
O potencial do mar brasileiro é imenso e vital para o desenvolvimento e a
sobrevivência da nação. São 4,5 milhões de quilômetros quadrados de área a ser
vigiada. Ações de patrulha naval e aérea realizadas pela Marinha do Brasil e pela
FAB visam a evitar os ilícitos e combater infratores nas águas jurisdicionais
brasileiras. A história nos ensina que toda riqueza desperta a cobiça, cabendo ao seu
detentor o ônus da proteção [1]. O principal ponto a ser considerado é a vigilância
de embarcações militares e mercantes na Área Marítima feita pela FAB. Deve-se
considerar que o transporte marítimo representa mais de 95% do comércio exterior
brasileiro.
A fim de estabelecer uma metodologia de interpretação de embarcações
em imagens SAR, estabeleceram-se dois objetivos: identificar os métodos de
geoprocessamento, o tipo de realce de contraste, o filtro morfológico, o
classificador e o transformador que permitem melhor identificação de alvos,
gerando um mapa temático [2], e relacionar os elementos de interpretação com as
fases da interpretação, bandas, polarizações, filtro morfológico, classificador e
transformador, a fim de determinar os elementos de interpretação [3].
Foram obtidas imagens SAR da aeronave R-99, cinco bandas/polarizações
(XHH, LHH, LHV, LVV e LVH), dos Portos de Santos e de Tubarão e da Baía de
Guanabara, totalizando 15 imagens. As imagens foram obtidas com resolução
espacial de 3m, em formato TIF, georreferenciadas em sistema de coordenadas
geográficas (lat e long) e datum WGS-84.
A metodologia foi dividida em duas fases. A pesquisa foi de natureza
exploratória, bibliográfica e experimental, com uso de fontes primárias e
secundárias. Na primeira fase, os 256 níveis digitais das cinco imagens das três
áreas de estudo (Porto de Tubarão, de Santos e Baía de Guanabara) foram
exportados do ENVI 4.5 para o Excel, SPSS e MINITAB para serem analisados
estatisticamente (análise de médias, desvio-padrão, correlação de Pearson,
correlação múltipla, Análise de Variância, coeficiente Kappa e matriz de
autovetores) [4]. Nesta fase, as imagens foram processadas em diferentes realces
(linear 2%, gaussiano, equalização, raiz quadrada e contraste de 50 a 200), filtros
morfológicos (dilatação, erosão, abertura e fechamento), classificadores não-
SERFA 2010
6
supervisionados (isodata e K-médias), classificadores supervisionados
(paralelepípedo,
distância
mínima,
distância
Mahalanobis,
máxima
verossimilhança, mapa de ângulo espectral, divergência de informação espectral,
codificação binária e máquina de vetor suporte) e transformadores (realce por
decorrelação, de saturação e imagem colorida sintética) [2]. Na segunda fase, os
resultados da primeira fase serviram de base para confrontar elementos e fases da
interpretação com bandas/polarizações, definindo os principais elementos de
interpretação [3].
Após a metodologia empregada, chegaram-se as seguintes conclusões:
Realizar composição de imagem LHH LVV LVH ou LHH LVV LHV, aplicar realce de
contraste de 50-200, filtro morfológico abertura, classificador máquina de vetor
suporte ou transformador imagem colorida sintética (Figura 1). Concernente aos
elementos de interpretação (forma, tamanho, sombra, tonalidade ou cor e fatores
associados) e as fases da interpretação (detecção, reconhecimento, análise, dedução
e classificação), pode-se concluir que nos níveis da detecção e do reconhecimento, é
cabível visualizar uma embarcação com o auxílio da forma, tamanho e tonalidade.
Porém, não se pode diferenciar uma embarcação militar de uma mercante. Na fase
de análise, é possível conhecer se é uma embarcação militar ou mercante com ajuda
da forma e do tamanho. Na etapa da dedução, é cabível distinguir as embarcações
militares das mercantes com a ajuda da forma, do tamanho e da tonalidade. No
nível da classificação, nenhum elemento de interpretação é aceitável para
diferenciar embarcações.
Figura 1: Imagem SAR LHH com filtro abertura, Imagem SAR LHH LVV LVH com
classificador máquina de vetor suporte e Imagem SAR LHH LVV LVH com
transformador imagem colorida sintética. Porto de Tubarão, Brasil.
Referências
[1] BRASIL. Ministério da Educação. Secretária de Educação Básica. A
Importância do Mar na História do Brasil. Brasília, DF: [s.n.], 2006.
[2] RICHARDS, J. A.; JIA, X. Remote Sensing Digital Image Analysis. New
York: [s.n.], Springer, 2006.
[3] JENSEN, J.R. Sensoriamento Remoto do Ambiente. Uma Perspectiva
em Recursos Terrestres. Upper Saddle River: Prentice Hall, 2ª ed., 2009.
[4] DAVIS, J. C. Statistics and Data Analysis in Geology. 2nd Ed. Canada, 1973.
SERFA 2010
7
Estudo das Possibilidades de Monitoramento e Detecção
de Objetivos de Interesse de Defesa Utilizando Imagens
CBERS
João R C C Lopes
Escola de Comando e Estado-Maior do Exército - ECEME
[email protected]
Palavras-chave: Sensoriamento Remoto, Detecção, Monitoramento, Defesa.
Resumo
O surgimento das imagens de satélite possibilitou, além da criação de um
nível de percepção mais global, complementar as fotografias aéreas, os
levantamentos de campo e a obtenção de informações de grandes extensões da
superfície terrestre.
Para o Ministério da Defesa, o desenvolvimento das atividades
relacionadas com Sensoriamento Remoto [1] aperfeiçoa o Sistema de Inteligência
de Defesa [2], proporcionando condições para se obter eficácia na produção de
conhecimentos de Inteligência [3], mediante adequada integração das fontes
humanas, de sinais e de imagens.
A capacidade de revisita do sistema CBERS [4] aliado aos seus sensores
com resolução de 20m e 2,7 m proporciona o monitoramento territorial das regiões
brasileiras de difícil acesso ou das regiões caracterizadas por grandes vazios
demográficos e/ou cartográficos como a Amazônia.
Este estudo iniciou em 2003. Em 2005, após lançamento do CBERS-2B
com resolução de 2,5m, foi atualizado.
A pesquisa possuiu como objetivo verificar se os conhecimentos
produzidos através da fonte do tipo imagem, processados segundo uma metodologia
específica [3,5,6,7] possibilitam o reconhecimento oportuno e preciso de objetivos
de interesse militar. Também é objetivo verificar se a resolução temporal existente
possibilita um monitoramento eficiente da faixa de fronteira. Levantamento de
dados para o Sistema Integrado de Monitoramento de Fronteira (SISFRON).
Neste trabalho imagens das cidades de Formosa – GO, Guaratinguetá –
SP, Resende – RJ, Angra dos Reis – RJ e Rio de Janeiro – RJ foram obtidas com os
sensores SAR, CCD e HRC, servindo de base para pesquisa da capacidade de
reconhecimento, aliada à comparação com alvos de controle pré-selecionados. Cada
imagem gerada foi avaliada segundo critérios de resolução espacial e temporal. A
avaliação de reconhecimento foi realizada através de uma avaliação visual e a
avaliação espacial, para isto utilizou-se o software AEROGRAF-INT.
SERFA 2010
8
No estudo da resolução temporal foram verificadas as oportunidades de
“janelas” de cobertura, bem como estimada o tempo de difusão do conhecimento
através da identificação dos tempos de pronta resposta e cobertura temporal do
CBERS.
Na última fase, ainda em atualização, por existir uma cobertura de 255
cenas CCD, ou 6375 cenas HRC para a faixa de fronteira, está sendo estudada uma
metodologia semiautomática para execução do monitoramento.
Figura 1: Fase de avaliação geométrica das imagens com o AEROGRAF-INT.
Referências
[1] NOVO, E. M.L.M. Sensoriamento Remoto – Princípios e aplicações. Ed. 1, pg
12, São José dos Campos, 1995.
[2] BRASIL. Ministério da Defesa. Doutrina de Inteligência de Defesa – MD 52-N01, Brasília, DF, 2005.
[3] BRASIL. Exército. Estado-Maior. IP 30-1 (1ª Parte): Atividade de Inteligência
Militar. 2. ed. Brasília, DF, 2003
[4] Câmeras Imageadoras do CBERS-1, 2 e 2B. [on line].
<http://www.cbers.inpe.br/?content=cameras1e2e2b>. Jul, 18. 2007
[5] CRÓSTA, Álvaro P. Processamento Digital de Imagens de Sensoriamento
Remoto. Ed. rev. Campinas, SP: IG/UNICAMP, 1993, 1992.
[6] DPI/INPE, Manual de Processamento Digital de Imagens. São José dos
Campos: Instituto Nacional de Pesquisas Espaciais (INPE), 2000. 99 p.
[7] LOPES, João R. C. C. Sensoriamento Remoto aplicado à Inteligência.
Brasília: Estado Maior do Exército (EME), 2003. 313 p.
SERFA 2010
9
Análise do Potencial de Interação das Organizações
Militares da Amazônia (APIOMA)
João R C C Lopes
Escola de Comando e Estado-Maior do Exército - ECEME
[email protected]
Palavras-chave: Sensoriamento Remoto, Integração.
Resumo
O surgimento das geotecnologias possibilitou, além da criação de um nível
de percepção mais global, complementar a obtenção de informações de grandes
extensões da superfície terrestre, integração de sistemas e melhores análises
geoestratégicas.
Com a Estratégia Nacional de Defesa [1], o trinômio Monitoramento
/Controle, mobilidade e presença trouxe para o Exército Brasileiro a necessidade de
atualização de seus planejamentos para Amazônia, culminando na estratégia Braço
Forte [2]. Nesta estratégia, o programa Amazônia Protegida contempla a instalação
de 03 (três) novas Brigadas de Selva em Belém, Manaus e Rio Branco, bem como,
a articulação do Sistema Integrado de Monitoramento de Fronteiras (SISFRON).
Tanto para a implantação do SISFRON como para instalação das futuras
unidades a decisão estratégica para implantação do sistema foi amparada por uma
análise apoiada em geotecnologias. Contudo, a articulação ainda será realizada.
Neste trabalho, a região de pesquisa compreende a área determinada para a
primeira fase do projeto SISFRON, ou seja, toda a faixa de fronteira terrestre
(150 km) desde o norte do Amapá até a divisa entre os Estados de MS e PR.
Para tanto, a pesquisa está sendo executada em três fases: levantados todos
os atributos de vias de acesso e facilidades de todas as Organizações Militares (EB,
MB e FAB), de Comando Militar até Destacamento Especial de Fronteira,
compreendidas pelo Comando Militar da Amazônia para posterior inserção nos
softwares ArcGIS e SPRING; Análise de potencial de interação [3] pelo algoritmo
PI do CEGEOp da UFRJ e plotagem por polígonos de voronoi [3] dos pesos de
cada OM, isso representará a real capacidade de execução de defesa na região e
arredores, integrando a feição geográfica do problema; e análise dos vazios de
defesa para cruzamento com as áreas de monitoramento do SISFRON e
SIVAM/SIPAM.
Na primeira fase os dados referentes à massa da entidade são a resultante
da avaliação do poder de combate e acesso. O Acesso é a resultante da análise da
trafegabilidade, transitabilidade e meios disponíveis para cada OM. Todos os dados,
após a inserção, são plotados para avaliação das distâncias entre os pontos, dado
fundamental do algoritmo.
SERFA 2010
10
Na última fase também será avaliada a interoperabilidade dos sistemas
SIVAM e CBERS para com o SISFRON. Em uma primeira etapa, a análise terá por
base as áreas com vazios de defesa e serão avaliadas as capacidades dos sistemas
em monitorar estas áreas continuamente. Em uma segunda etapa, será levantada a
compatibilidade dos dados para integração com o SISFRON. Esta análise será
realizada através da avaliação de capacidade de transmissão e de tipo de formato
dos dados mais aptos (tamanho de imagem e mensagem), para serem trafegados
pelos sistemas de comunicações do Exército e compatibilizados entre os sistemas e
o SISFRON.
A pesquisa encontra-se na fase de análise do PI para posterior plotagem
dos polígonos de voronoi e identificação dos vazios de efetiva defesa.
Figura 1: Slide da primeira fase do projeto SISFRON e indicação do reposicionamento de tropas (Fonte: Min Def)
Figura 2: Exemplo de análise de interação pelo PI e idt vazios de defesa.
Referências
[1] BRASIL. Decreto-lei nº 6.703, de 18 de dezembro de 2008. Aprova a
Estratégia Nacional de Defesa e dá outras providências. Diário Oficial [da]
República Federativa do Brasil, Brasília, DF, 19/12/2008, P. 4.
[2] BRASIL. Exército. Estado-Maior. Estratégia Braço Forte. Brasília, DF, 2010.
[3] UFRJ. Estruturas lógicas de análise e integração. Rio de Janeiro: CEGEOP
UFRJ, 2001. Unidade 93.
[5] LOPES, João R. C. C. Sensoriamento Remoto aplicado à Inteligência.
Brasília: Estado Maior do Exército (EME), 2003. 313 p.
SERFA 2010
11
Integração de Dados de Sensores Táticos de Veículos
Aéreos Não Tripulados (VANT’s) com Sistemas Geoespaciais Estratégicos: Possibilidades e Perspectivas
Eristelma T J B Silva1,2, Frederico N Almeida3
1
Centro Gestor e Operacional do Sistema de Proteção da Amazônia,CENSIPAM
2
Universidade de Brasília, Instituto de Geociências
3
Departamento de Polícia Federal, Projeto VANT
[email protected]; [email protected]
Palavras-chave: Vant’s, Sensores Táticos, Sistemas Geoespaciais, Anotações em
vídeo
Resumo
A busca por informações geoespaciais continuamente atualizadas,
detalhadas e espacialmente precisas tem aumentado consideravelmente,
principalmente no âmbito governamental, como função dos crescentes desafios no
combate a ilícitos de diversas naturezas, do aumento da demanda por apoio
governamental emergencial em casos de catástrofes naturais, além da necessidade
de monitoramento de atividades terroristas em escala mundial. Atualmente, os
sistemas de sensoriamento remoto são projetados para fornecer cobertura global da
superfície terrestre; entretanto, os satélites de mapeamento frequentemente estão
utilizando órbita terrestre baixa (OTB) e, portanto, são incapazes de fornecer uma
cobertura contínua para uma área específica. A melhoria no monitoramento pode
ser feita por meio da integração de dados de todos os satélites que cobrem uma
determinada área com dados de sensores a bordo de veículos aéreos não tripulados
ou tripulados. Porém, esse processo exige a definição de um sistema adequado para
lidar com a integração imediata de todas as informações multisensores/multifontes
disponibilizadas. Recentes avanços no desenvolvimento desses sistemas apontam as
tendências mundiais relacionadas ao processamento de imagens de sensores
remotos na área de inteligência e defesa.
O desenvolvimento de sistemas avançados de imageamento de radar e
vídeo a bordo de veículos aéreos tripulados ou não tripulados, aliado à melhoria da
capacidade de comunicação (data link), tem se tornado a melhor fonte de dados
para obtenção de imagens atualizadas, de alta resolução para atender a situações
emergenciais [1]. Entretanto, a maioria desses sistemas foram designados para
prover dados dinâmicos de longo alcance, mas com baixa qualidade das
informações de geoposicionamento. Dessa forma, a integração desses dados com
outras camadas de informações geoespaciais pode ser problemática e exige um
fluxo de trabalho voltado ao melhoramento do geoposicionamento dos dados, além
SERFA 2010
12
de novas formas de gerenciamento de informações e emissão de relatórios quando
integradas informações de vídeo.
Considerando esse contexto, este trabalho tem como objetivo mostrar as
atuais tendências de processamento de imagens para a área de inteligência,
incluindo alternativas avançadas de processamento para integrar informações não
espaciais com diversas fontes de dados geoespaciais. Mais especificamente, o
objetivo é demonstrar como técnicas de integração de imagens aéreas de vídeo com
informações obtidas de satélites clássicos e outras informações geoespaciais podem
contribuir para o esforço contínuo de se obter múltiplas camadas de informações
atualizadas e detalhadas. Para isto, processamentos como mosaico de imagens em
tempo real, georreferenciamento automático de mosaico, anotações
georreferenciadas em imagens de vídeo e outras ferramentas avançadas de análise
foram testadas em dados de sensores à bordo de vant’s, como ilustrado na Figura 1.
(A)
(B)
(C)
Figura 1. Exemplo de atualização de dados de imagens de satélites a partir de
mosaico de vídeos de sensor VANT. Verifica-se a geração automática de mosaico
de vídeo da área destacada em (A) para atualização da imagem SAR em segundo
plano (B) e (C).
Entre as principais vantagens observadas como resultado da aplicação das
técnicas de processamento analisadas destacam-se: a) O mosaico e
georreferenciamento automáticos possibilitam imediata sobreposição dos dados de
vídeo sobre as imagens/ortofotos da área de interesse; b) A imagem de satélite de
período anterior pode ser imediatamente comparada à imagem atualizada por meio
de imagens de sensores de câmeras de vídeo ou SAR (Spot Strip), obtidas em tempo
real a bordo de Vant’s; c) Geoanotações feitas no vídeo possibilitam imediata
transferência das detecções de ilícitos para o banco de dados de inteligência
geoespacial; d) O armazenamento de todos os dados GMTI (Ground Moving Target
Indicator) em dado intervalo de tempo pode permitir a construção de uma base de
dados de rotas/caminhos que quando comparados a malha viária já existente, pode
permitir a geração de camadas atualizados e a identificação de novos caminhos
ilegais da área de interesse. O processamento e armazenamento de dados de Vant’s
obtidos em tempo real podem se tornar uma fonte essencial de informação
Geoespacial, multiplicando os benefícios desse sistema em regiões críticas para
monitoramento como a região Amazônica e áreas de fronteira.
Referencia
[1] Longhitano, G.A.; Quintanilha, J.B. Vants para Sensoriamento Remoto aplicado
aos Desastres Ambientais.USP,São Paulo, 2009
SERFA 2010
13
Análise da Vulnerabilidade do Terreno em um Trecho
de Implantação do Trem de Alta Velocidade Entre Rio
de Janeiro e São Paulo: Identificação de Tálus por MDE
e Imagens CBERS 2B
Fausto B Mendonça¹, Noris C Diniz², Gustavo M M Baptista²
¹ Comando-Geral de Operações Aéreas – GIA/COMGAR
² Instituto de Geociências – IG/UnB
[email protected], [email protected], [email protected]
Palavras-chave: Sensoriamento Remoto, Mapeamento geológico-geotécnico.
Resumo
Ações antrópicas e escoamento superficial podem gerar movimentos
gravitacionais de massa que comprometem a utilização das edificações existentes
nas proximidades. Corte em corpos de tálus pode desencadear um movimento
gravitacional conhecido como “creeping” ou rastejo que desloca a encosta de
forma lenta à medida que o seu peso aumenta pelo acúmulo de materiais e água.
Isto ocorre pela ausência de coesão entre os materiais que compõem o solo. O
levantamento litológico é uma recomendação importante para que os movimentos
de massa possam ser previstos e evitados [1]. Como fruto deste levantamento temse, por exemplo, o mapa geotécnico, que é um modelo ilustrativo do ambiente
geológico servindo a diversas finalidades [2].
Imagens de MDE oriundo de dados do SRTM3 e imagens CBERS 2B do
sensor CCD, foram utilizadas na identificação das direções preferenciais de
escoamentos de águas superficiais na região de estudo. Filtros direcionais Sobel [3]
foram aplicados nestas imagens, e assim foi possível ilustrar as direções de
escoamento na encosta do tálus. Os mapas geológico-geotécnicos gerados na fase
de viabilidade do projeto do Trem da Alta Velocidade (TAV) confirmam a direção
de deslocamento do depósito de tálus com aquela verificada nas análises das
imagens de sensoriamento remoto, que em geral, acompanha a direção do
escoamento superficial.
A proximidade da rodovia, da ferrovia e da represa confere àquela região
uma importância maior, ver Figura 1, pois ali se observam que os sistemas devem
ser protegidos por se tornarem fáceis e vulneráveis a armamentos de grande
impacto, pela baixa coesão do solo. A escolha de um ponto de impacto neste trecho
da ferrovia traria uma dificuldade extrema na sua recuperação, podendo tronar-se
inviável em períodos de conflito.
As imagens de sensoriamento remoto apresentaram uma potencialidade na
análise de trechos do terreno mais vulneráveis a ataques aéreos, que poderão
SERFA 2010
14
conferir um tempo maior de recuperação. As técnicas de processamento digital de
imagens se mostraram eficientes nessa análise, ver Figura 2.
Figura 1: Área de estudo (Cena CBERS 2B CCD, Composição colorida R3 G4 B2)
(a)
(b)
Figura 2: (a) Filtro direcional E-W
W no MDE e (b) na imagem CBERS 2B CCD Pan.
Os filtros nas direções E-W
W foram mais eficazes que nas outras direções.
Observa-se
se que a direção preferencial de escoamento na encosta do tálus é quase
perpendicular à direção desses filtros. Trata-se
se de uma área vulnerável a qualquer
força que venha desestabilizar
estabilizar a encosta e assim impedir a utilização das vias de
comunicação existentes no local.
Referências
[1] Varnes D. J. 1984. Landslide Hazard Zonation: A Review of Principles and
Practice, Paris, United Nations Educational Scientific and Cultural Organization, p.:
10-26.
[2] Diniz, N. C. 1998. Automação da cartografia geotécnica: uma ferramenta de
estudos e projetos para avaliação ambiental. Tese de Doutorado, Escola Politécnica
da Universidade de São Paulo, Departamento de Transportes, 267p.
[3] Introdução
ntrodução ao processamento digital de imagens. IBGE. Manuais técnicos em
geociências nº9 – RJ. 1999, p.: 67-68.
SERFA 2010
15
Imagens de Satélites Meteorológicos a Bordo dos
Navios da Marinha do Brasil
Paulo P O Matos 1, Andre Salvagnini 2, Renato F Rocha 1,
Márcio B Ferreira 1
1
Centro de Hidrografia da Marinha - CHM/MB
2
Emiter Technologies
[email protected], [email protected], [email protected],
má[email protected]
Palavras-chave: Sensoriamento Remoto, Marinha do Brasil.
Resumo
A recepção de dados que possibilitem a avaliação da situação
meteorológica local é um desafio que se coloca aos meios navais brasileiros. A
vastidão da Amazônia Azul, com seus 4,4 milhões de quilômetros quadrados,
proporciona grandes áreas sem cobertura de sinais-rádio, fazendo com que os meios
navais brasileiros, por vezes, não consigam acompanhar a evolução da situação
meteorológica sinótica.
Uma possível solução para isto é a instalação de sistemas de recepção de
imagens de satélites meteorológicos de órbita polar a bordo dos meios navais. Estes
sistemas, capazes de receber dados em quaisquer situações ambientais, apresentamse como uma fonte adicional de dados meteorológicos de baixo custo de instalação
e manutenção.
Desenvolvido pela empresa EMITER Technologies, um sistema de
recepção de imagens de satélites meteorológicos de órbita polar foi instalado a
bordo do Navio Hidroceanográfico Cruzeiro do Sul. O sistema consiste de uma
antena quadrifilar, um receptor de sinais, um decodificador e um computador
portátil, ocupando uma pequena área do passadiço do navio (Figura 1).
Figura 1: à esquerda, sistema instalado no passadiço do NHo Cruzeiro do Sul. À
direita, antena quadrifilar instalada no tijupá do navio.
O NHo Cruzeiro do Sul foi escolhido em virtude de estar indicado para
realizar uma comissão transoceânica de 60 dias, com escalas na Cidade do Cabo
SERFA 2010
16
(África do Sul) e Walvis Bay (Namíbia). Este longo afastamento seria um excelente
período de testes para o equipamento, possibilitando verificar a sua robustez,
precisão e adequação às instalações de bordo.
Os sinais de áudio recebidos pelo sistema são convertidos em imagens
meteorológicas através do processamento realizado automaticamente por um
software (WxtoIMG), com a finalidade de apresentar uma imagem meteorológica
de fácil interpretação pelos usuários finais, muitas vezes navegantes inexperientes.
Os usuários finais podem, através de alterações simples na configuração deste
software, aplicar diferentes filtros, gerar diferentes produtos, realçar o contraste ou
mexer no histograma da imagem.
Neste trabalho, são mostradas as imagens obtidas através deste sistema,
nas comissões Transatlântico I (Figura 2), CBO (Rio Grande) e MCT I (Recife,
Fortaleza e Fernando de Noronha), obtidas pelo referido sistema e processadas
através do software WxtoImg (professional edition), desenvolvido pela empresa
neozelandesa Central North Publishing Limited. Este software converte os sinais de
áudio recebidos, nos canais de recepção dos satélites de órbita polar, e os converte
em imagens meteorológicas.
Figura 2: à esquerda, imagem recebida a bordo do NHo Cruzeiro do Sul durante a
comissão Transatlântico I. À direita, o NHo Cruzeiro do Sul, atracado na Cidade do
Cabo (África do Sul).
O sistema apresentou excelente desempenho durante as comissões
realizadas pelo Navio, representando uma contribuição à segurança do meio e
proporcionando uma fonte adicional de dados para o planejamento e condução das
derrotas. É uma aplicação direta do SR visando a segurança da navegação, útil
mesmo para navegantes com pouca experiência em meteorologia.
Planeja-se a instalação de sistemas similares nos demais meios
subordinados à Diretoria de Hidrografia e Navegação.
SERFA 2010
17
Aplicações do Sistema de Informação Geográfica em
Treinamento Militares
Edinelson F Sena1,2, Flávio T Fernandes1
1
Comando-Geral de Operações Aéreas – COMGAR
2
Universidade de Brasília - UnB
[email protected] e [email protected]
Palavras-Chave: sistema de informação geográfica, sensoriamento remoto e
Teatro de Operações.
Resumo
Em uma guerra aérea, simulada ou não, a abstração da visualização
espacial do posicionamento do inimigo e amigo é essencial para o planejamento dos
próximos passos do conflito. Essa necessidade fez com que o Comando-Geral de
Operações Aéreas (COMGAR) passasse a produzir e disponibilizar mapas
temáticos on-line, no qual fosse possível visualizar o movimento das tropas, a
localização de alvos, além dos meios aéreos, terrestre e navais do exercício.
Sabe-se que decisão envolve planejamento e este se relaciona com
objetivos, estratégias e ações para alcançá-los [1]. Em uma operação militar, os
objetivos são denominados alvos e as ações para eliminá-los ou imobilizá-los,
mesmo que parcialmente, irão depender das informações disponíveis ao decisor.
Um Sistema de Informação Geográfica (SIG) oferece mecanismos para
combinar várias informações através de algoritmos de manipulação e análise,
consulta, recuperação, visualização e plotagem de dados em uma base
georreferenciada [2].
Um SIG bem elaborado pode fornecer ao estrategista condições de
vislumbrar a abrangência do contexto da guerra e o conscientiza da eficácia das
ações que porventura sejam tomadas
Neste contexto, este trabalho tem o objetivo principal apresentar o mapa de
situação on-line como uma ferramenta de apoio ao processo de decisão do
comandante de um Teatro de Operações (TO).
Para composição dessa ferramenta, fez-se o uso do SIG e do sensoriamento
remoto como etapas essenciais para montagens de áreas de treinamento que
envolvem os exercícios militares do COMGAR. A aplicação do embasamento
teórico se fez no estudo de um cenário de guerra fictício, utilizado na Operação
ATLÂNTICO-II. Nele, destacou-se o processo de coleta de dados, a análise de
inteligência, o planejamento com uso de informações geográficas do conflito, a
aplicação de imagens de satélite na produção de alvos e a montagem e atualização,
em tempo real, do mapa de situação on-line, apresentado na figura 1.
SERFA 2010
18
A demanda para este tipo de trabalho é oriunda dos exercícios e Operações
combinadas administrados pelo COMGAR.
A abordagem prática do tema envolve o uso de SIG nas atividades do
COMGAR para fornecer informações ágeis e confiáveis ao decisor.
Figura. 1 – Mapa de situação on-line utilizado na Operação Atlântico II
Finalmente, espera-se que o uso dessa ferramenta seja rotina nos
treinamentos do COMGAR.
Referências
[1] Oliveira, D. P. R. Planejamento Estratégico: conceitos, metodologias e
práticas. 18. ed. - São Paulo. Atlas. P.45.2002.
[2] Moreira, M. A. Fundamentos do sensoriamento remoto e metodologias de
aplicação. 2.ed. – Viçosa: UFV. 2004.
.
SERFA 2010
19
Aplicação de Técnicas de Sensoriamento Remoto e
Navegação em Tempo Real para Subsidiar Ações de
Fiscalização e Controle Ambiental
Gustavo F Cardoso, Jamer A Costa, Jakeline S Viana,
Nicola S Tancredi
Sistema de Proteção da Amazônia - SIPAM/CR Belém
{gustavo.cardoso, jamer.costa, jakeline.viana, nicola.tancredi}@sipam.gov.br
Palavras-chave: Modelo de Mistura Espectral, Mapeamento, Desflorestamento.
Resumo
O Programa de Monitoramento de Áreas Especiais (ProAE) do Centro
Gestor e Operacional do Sistema de Proteção da Amazônia (CENSIPAM) utiliza
técnicas de sensoriamento remoto para monitorar e identificar atividades de
antropismo e ilícitos em Unidades de Conservação e Terras Indígenas na Amazônia
Legal. Com intuito de reconhecer e validar essas feições no campo, assim como
consolidar a parceria junto ao Instituto Chico Mendes de Conservação da
Biodiversidade (ICMBio), o CENSIPAM, através do uso de ferramentas
geotecnológicas, participou das ações de planejamento de uma operação de
fiscalização ambiental na Reserva Extrativista (Resex) Renascer, localizada no
município de Prainha, no Estado do Pará. Participaram desta operação outros
órgãos como Ibama, Polícia Federal, Força Nacional e a Secretaria do Meio
Ambiente do Estado do Pará (SEMA/PA). O presente trabalho buscou validar in
loco as análises de antropismo levantadas nas imagens Landsat TM5, e subsidiar a
equipe do ICMBio na identificação de potenciais áreas de exploração madeireira
irregular aos Planos de Manejo Florestal Sustentável (PMFS).
Os processamentos das imagens e as análises de degradação florestal
foram baseados nas imagens Landsat TM5, órbitas/ponto 226/062 (02/07/2008 e
25/10/2009), 227/061 (27/09/2008 e 12/07/2009) e 227/062 (12/07/2009),
fornecidas pelo INPE. Estas imagens foram geométrica e radiometricamente
corrigidas, e um modelo linear de mistura espectral (MLME) foi aplicado para
melhor realçar a feição de degradação florestal na Resex. O MLME seguiu a
metodologia segundo Souza Jr. [1] e derivaram as imagens fração Vegetação, Solo
e Vegetação Não Fotossinteticamente Ativa. O classificador supervisionado
Spectral Angle Mapper (SAM) foi usado para mapear as áreas antropizadas. O
SAM é um método de classificação que permite um rápido mapeamento através do
cálculo da similaridade espectral entre a imagem espectro e o espectro de referência
[2]. Após a etapa de classificação e mapeamento das áreas antropizadas, efetuou-se
uma interpretação visual e edição vetorial dos polígonos para corrigir possíveis
SERFA 2010
20
erros de classificação. Uma avaliação da acurácia das análises de antropismo foi
feita a partir de 100 (cem) pontos aleatórios gerados nos centróides dos polígonos
de desmatamento em toda a extensão da Resex.
A operação de fiscalização teve auxílio de helicópteros, embarcações e
veículos tracionados. A localização das áreas de interesse foi possível através da
utilização das imagens processadas e georreferenciadas, e de técnicas de navegação
em tempo real. Para tanto, utilizou-se o aparelho GPS e-Trex Vista HCx, um
software para navegação, e o programa EasyGPS, para espacialização dos registros
fotográficos. As informações de rotas e localização dos alvos de reconhecimento
(Figura1) foram previamente levantadas para definir o plano de voo.
Os resultados mostraram que antes da criação, a Resex havia sofrido um
desflorestamento de 19.574 ha (9,24%) e, após a criação da unidade, detectou-se
um incremento de 6.418 ha, equivalente a 33% da área total desflorestada em 2008
e 3% em relação à área da unidade. A estimativa da acurácia do mapeamento de
antropismo foi de 94,59 % na Resex. Para as atividades de fiscalização ambiental o
uso das técnicas de processamento de imagem e de navegação em tempo real
utilizadas neste trabalho foi fundamental na identificação de áreas de exploração
irregular da madeira, e os reconhecimentos feitos por sobrevoos nestas áreas
culminaram na descoberta de uma das maiores apreensões de madeira ilegal no
Brasil.
Figura 1: À esquerda, imagem fração na composição Solo. A linha amarela
representa a rota de sobrevôo do helicóptero, e em laranja, a área de manejo
florestal. À direita, foto aérea identificando pátio de estocagem de madeira
irregular.
Referências
[1] Souza Jr., C.M.; Roberts, D.A.; Cochrane, M.A. Combining spectral and spatial
information to map canopy damage from selective logging and forest fires. Remote
Sensing of Environmental, v. 98, p. 329–343. 2005.
[2] Kruse, F. A.; Lefkoff, A. B.; Boardman, J. W.; Heidebrecht, K. B.; Shapiro, A.
T.; Barloon, P. J. and Goetz, A. F. H. The spectral image processing system (SIPS)
– Interactive Visualization and Analysis of Imaging Spectrometer Data. Remote
Sensing of Environment, v. 44, p. 145-163. 1993.
SERFA 2010
21
Vantagens da segmentação baseada em objetos para a
identificação de alvos em imagens de sensores remotos
Carlos F S Volotão 1,2, Luciano V Dutra 2,
Guaraci J Erthal 2, Rafael D C Santos 2
1
Instituto Militar de Engenharia - IME
Instituto Nacional de Pesquisas Espaciais - INPE
{volotao, dutra, gaia}@dpi.inpe.br; [email protected]
2
Palavras-chave: Segmentação de Imagens, OBIA, Função Tangente Acumulada
Resumo
A segmentação de imagens identifica regiões homogêneas e separa regiões
heterogêneas, por algum critério, uma operação de baixo nível semântico que
produz imagens a partir de outras imagens [1]. Diferentes segmentos adjacentes
unidos constituem os objetos que podem ser visualmente identificados nas imagens.
Seria desejável que cada região uniforme que compõe o objeto fosse uma
combinação de segmentos que pertencesse a um só objeto, sem extrapolar os seus
limites. Colocado desta forma um objeto sempre estaria restrito a um conjunto de
segmentos unidos. O surgimento da análise de imagens baseada em objetos
(OBIA), discutida em [2], introduz esse conceito de complexidade do objeto. Após
identificar as partes de um objeto, isto é, os segmentos, a segmentação clássica
termina e a abordagem por objetos torna-se possível, permitindo um refinamento do
contorno, com base na imagem, permitindo modificações significativas ou um
ajuste fino no resultado da segmentação inicial, de modo que um objeto identificado
tenha seus limites alterados em detrimento do que se considera um segundo plano
em relação ao objeto. Isso torna teoricamente possível a identificação e correção de
diversos efeitos, como oclusão e sombra, pois torna-se possível admitir o fenômeno
de interseção de objetos.
Em imagens de sensoriamento remoto objetos se sobrepõem devido à
geometria da projeção, estando presentes sombras, árvores e nuvens, o que pode ser
prejudicial à segmentação tradicional. Uma área de sombra que compreenda mais
de um objeto, dependendo do algoritmo e parâmetros de segmentação clássica,
pode produzir, por exemplo, um único segmento, o que não ocorreria na
segmentação baseada (orientada) em objetos. O mesmo efeito ocorre com nuvens,
que encobrem informações do terreno que se deseja obter, tornando o resultado
clássico impreciso ou incorreto.
Para resolver essas questões da segmentação clássica, baseada em regiões
ou bordas, que se limita à identificação e separação de áreas homogêneas por algum
critério, já que deixa falhas por não identificar os objetos, duas classes básicas de
SERFA 2010
22
soluções são a adição do conhecimento especialista ao critério de detecção e o
desenvolvimento de novas técnicas baseadas em modelos [3]. É o prévio
conhecimento dos alvos que torna possível o estabelecimento de regras e modelos
com base em atributos extraídos de bibliotecas de objetos ou de suas partes, de
modo que o objeto passa a poder ser reconhecido e extraído com maior precisão,
visto que se conhece o comportamento esperado e a imagem está disponível.
Vantagens dessa abordagem e uma proposta baseada em objetos com o uso da
função tangente acumulada são apresentadas em [4], onde é utilizada a função
tangente como transformação e é apresentado um procedimento para manipular
formas de objetos a partir de regras.
Figura 1: Função tangente acumulada discretizada (cinza) do objeto
formado por diferentes círculos (preto) [5].
A partir da adoção dessa nova abordagem baseada em objetos surge uma
série de possibilidades com uma série de vantagens, apresentadas em [5,6], de onde
se destaca a remoção automática de ruídos, a identificação de arcos e retas e a
possibilidade de realizar modificações no espaço transformado, dando uma nova
visão do problema (Fig. 1), buscando-se o objeto e mantendo-se fiel às informações
da imagem.
Referências
[1] Zhang, Y.G. Image Engineering: Processing, Analysis and Understanding.
Cengage Learning, pp. 714. 2009.
[2] Blaschke, T.; Lang S.; Hay, G.J. Object-Based Image Analysis: Spatial
Concepts for Knowledge-Driven Remote Sensing Applications. Springer, 2008.
[3] Gamanya, R.; Maeyer, P.; Dapper, M. An automated satellite image
classification design using object-oriented segmentation algorithms: a move
towards standardization. Expert Systems and Applications, 32, 616-624, 2007.
[4] Volotão, C.F.S.; Santos, R.D.C.; Dutra, L.V. Proposta de segmentação de
imagens baseada em objetos e uso de função de desvios para modelar formas. In:
XII Encontro de Modelagem Computacional, Rio de Janeiro, 2009.
[5] Volotão, C.F.S.; Santos, R.D.C.; Erthal, G.J.; Dutra, L.V. Shape characterization
with turning functions. In: 17th International Conference on Systems, Signals and
Image Processing, Rio de Janeiro, 2010.
[6] Volotão, C.F.S.; Santos, R.D.C.; Dutra, L.V.; Erthal, G.J. Using turning
functions to refine shapes, In: Barneva et al. (Eds), Object Modeling, Algorithms
and Applications, Research Publishing, pp. 31-44, 2010.
SERFA 2010
23
Altimetria Multi-Satélite, Flutuadores ARGO e Perfis
de Velocidade do Som: Avanços Recentes na Capacidade
Militar Naval Submarina
Viviane V Menezes1, Marcio L Vianna2
1
Instituto de Estudos do Mar Almirante Paulo Moreira (IEAPM) – Marinha do
Brasil
2
VM Oceânica Ltda
[email protected], [email protected]
Palavras-chave: Altimetria por Satélite, ARGO, Velocidade do Som
Resumo
Um dos pré-requisitos mais importantes para a aplicação de sistemas
navais de detecção de alvos submarinos e especificação de sistemas de vigilância
acústica é o conhecimento das características dinâmicas do meio oceânico
correspondentes ao teatro de operações [1,3,6]. A velocidade do som (VS) na água
do mar depende da temperatura (T), salinidade (S) e da pressão submarina (P). Em
geral, a VS é mais influenciada por T e P do que por S [5], e varia entre 1400 m/s e
1600 m/s. O perfil vertical de VS é caracterizado por um máximo na camada
superficial do oceano, conhecido como sonic layer (SL), e um mínimo próximo a
1000 m conhecido como canal SOFAR (Sound Fixing and Ranging). A
profundidade da SL (SLD) é um parâmetro importante para operações navais
porque caracteriza os dutos acústicos de superfície. Como o oceano apresenta
variações verticais de densidade (estratificação) e horizontais (frentes e vórtices) em
várias escalas de tempo, as estimativas climatológicas de T e S nem sempre são
adequadas para caracterizar os ambientes acústicos de forma útil para as operações
supracitadas, especialmente em regiões com alta atividade de mesoescala [3,4,6]. O
desenvolvimento de técnicas de análise nesta especialidade, já sem classificação de
confidencialidade e disponibilizadas para domínio público por centros de pesquisa
de várias Marinhas, como a US Navy [2,3,4,6], coloca em destaque a aplicação de
modernas técnicas que correlacionam observações de satélites, principalmente
altimétricos (T/P, ERS-1,2, GFO, Jason-1,2, Envisat) com dados de perfis verticais
obtidos in situ de maneira rotineira, como é o caso dos flutuadores ARGO. O
flutuador ARGO tipicamente coleta dados de T e S nos primeiros 2000 metros do
oceano sendo programado para a cada 10 dias emergir na superfície para telemetrar
os dados via satélite [7]. Com estas duas bases de dados (altimétricos e ARGO), e
com auxílio adicional de dados de temperatura da superfície do mar, obtida por
radiômetros orbitais de micro-ondas torna-se possível estudar como a variabilidade
oceânica impacta o ambiente acústico [1]. Tendo em vista que o Atlântico Sudoeste
SERFA 2010
24
é dominado por variabilidade de mesoescala [9] (vórtices e frentes, com escala
superior a 150 km e 15 dias), estamos conduzindo um estudo sobre como esta
variabilidade impacta o cenário acústico nesta importante região, baseado em dados
altimétricos multi-satélite de alta resolução (1/8o x 1/8o), SST e perfis ARGO. O
estudo cobre o período entre 2003 (quando os flutuadores ARGO começaram a ser
lançados na região) e 2009. Os dados altimétricos brutos colineares foram
disponibilizados pela US Navy, os dados ARGO pelo Coriolis/França, e os de SST
pela REMSS. Os dados altimétricos passaram por um rígido Controle de Qualidade
(CQ) e foram interpolados diariamente em grade por mapeamento objetivo espaçotemporal, utilizando o software SMART, desenvolvido pela VM. Os perfis T-S
ARGO também passaram por um CQ automático, a partir do qual as VS e SLD
foram calculadas. Apresentamos aqui os resultados preliminares deste estudo.
Vórtices de núcleo quente (WCRs) apresentam VS superiores aos de núcleo frio
(CCR) ao longo de todo o perfil. Para um caso analisado em 13/10/04 com 2
vórtices, um WCR e outro CCR , o r.m.s da diferença no perfil 5-500m foi de 1.6
m/s com máxima diferença de 7.25 m/s. No WCR, a SLD estava localizada nos 120
m (1525m/s), enquanto no CCR nos 45m(1521m/s).
Referências
[1] Barron, C.N.; Helber, R.W.; Jacobs, G.A.; Gunduz, M.; Spence, P. Acoustic
Impact of Short-term Ocean Variability in the Okinawa Trough. Ocean 2009,
MTS/IEEE Biloxi-Marine Technology for Our Future Global and Local Challenge,
Oct 26-29 2009, 1-7, 2009.
[2] Barron, C. N.; Helber, R. W. MLD-Modified Synthetic Ocean Profiles. United
States Patent Application Publication. Pub no: US2010/0082264A1, 23p., 2010.
[3] Chu, P. C.; Mancini, S.; Gottshall, E.L.; Cwalina, D.S.; Barron, C. N. Sensitivy
of Satellite Altimetry Data Assimilation on a Weapon Acoustic Preset. IEEE
Journal of Oceanic Engineering, 32, 2, 453-468, 2007.
Marine Technology Society Journal, 38, 1, 11-22, 2004.
[4] Fox, D. N.; Teague, W. J.; Barron, C. N.; Carnes, M. R.; Lee, C. M. The
Modular Ocean Data Assimilation System (MODAS). Journal of Atmospheric
and Oceanic Technology, 19, 240-252, 2002.
[5] Helber, R. W.; Barron, C. N.; Carnes, M. R.; Zingarelli, R. A. Evaluating the
Sonic Mixed Layer to the Mixed Layer Depth. Journal of Geophysical Research,
113, C07033, 2008.
[6] Perry, M. D. Value aided Satellite Altimetry Data for Weapon Presets. Msc
Thesis. Naval Postgraduate School, 72p, 2003.
[7] Roemmich, D.; Gilson, J. The 2004-2008 mean and annual cycle of
temperature, salinity and steric height in the global ocean from the Argo Program,
Progress in Oceanography, 82, 81-100, 2009.
[9] Vianna, M.L.; Menezes, V.V. Double-celled subtropical gyre in the South
Atlantic Ocean: Means, trends and interannual changes. Journal of Geophysical
Research, 2010, Accepted.
SERFA 2010
25
Mapeamento Planimétrico na Escala 1/100.000
Utilizando Imagens ALOS/AVNIR-2
Marcelo R A Maranhão, Marilea F Melo, Aline L Coelho,
Alexandre J Almeida, Leonardo S L Silva
Instituto Brasileiro de Geografia e Estatística – IBGE, Diretoria de
Geociências/Coordenação de Cartografia/Gerência de Imageamento
{marcelo.maranhao,marilea.melo,aline.lopes,alexandre.teixeira,leonardo.l.silva}
@ibge.gov.br
Palavras-chave: Imageamento, Mapeamento Sistemático, Carta Imagem.
Resumo
O Instituto Brasileiro de Geografia e Estatística – IBGE, orgão integrante
do Ministério de Planejamento, Orçamento e Gestão, tem suas atividades definidas
pela Lei n° 5878, de 11 de maio de 1973, que estabelece como seu objetivo básico
“assegurar informações e estudos de natureza estatística, geográfica, cartográfica e
demográfica, necessários ao conhecimento da realidade física, econômica e social
do País, visando, especialmente o planejamento econômico e social...”.
Em cumprimento a suas atribuições o IBGE vem promovendo um projeto
com o objetivo de gerar ortoimagens compatíveis com a escala de 1/100.000
visando cobrir os estados de MS, GO, TO, MA, PI, CE, PB, PE e AL. Serão
utilizadas as imagens AVNIR-2 [2] do satélite japonês ALOS. Este satélite foi
lançado em 24 de janeiro de 2006 pela JAXA (Agência Espacial Japonesa), visando
a aquisição de imagens de todo o planeta para o monitoramento de desastres
ambientais, levantamento de recursos naturais e suporte à cartografia. O ALOS
possui 3 sensores a bordo: PRISM (Panchromatic Remote-sensing Instrument for
Stereo Mapping), AVNIR-2 (Advanced Visible and Near-Infrared Radiometer –
Type 2) e PALSAR (Phased Array L-band Synthetic Aperture Radar). PRISM e
AVNIR-2 são sensores ópticos e o PALSAR é um radar imageador. Em função do
preço inferior às imagens existentes com as mesmas características e da qualidade
esperada para as imagens, o interesse pelas imagens ALOS tem sido intenso por
uma grande parcela da comunidade de imageamento, incluindo o próprio IBGE. As
imagens AVNIR-2 apresentam grande potencial de uso para mapeamento
topográfico e para mapeamento temático devido a sua capacidade multiespectral e a
resolução espacial de 10 metros.
Quanto ao nível de correção, foi adotado o nível 1B2 [3] em que as
imagens são calibradas radiométrica e geometricamente. No nível 1B2R a imagem
apresenta seus pixels alinhados em relação à trajetória do satélite e possui
coordenadas na projeção UTM. Toda a correção geométrica aplicada no nível 1B2 é
SERFA 2010
26
efetuada utilizando os dados obtidos pelos instrumentos do Sistema de Controle da
Órbita e Atitude da plataforma ALOS (AOC[1]), o que significa que o usuário não
necessita fornecer pontos de controle medidos no terreno para obter uma imagem
georreferenciada. Entretanto a qualidade geométrica desta imagem georreferenciada
está vinculada à qualidade do sistema AOC e ao processamento do sinal que o
transforma em imagem, além de desconsiderar o efeito do deslocamento devido ao
relevo.
O IBGE começou este projeto em 2009/2010 mapeando uma região no estado de
GO, correspondendo a 15 folhas na escala 1/100.000, conforme a figura 1.
Figura 1: Esquema mostrando a distribuição das ortoimagens 1/100.000 no estado
de GO.
Referências
[1] EORC/JAXA. ALOS user handbook. 2007. Disponível em:
<http://www.eorc.jaxa.jp/ALOS/doc/alos_userhb_en.pdf>. Acesso em: 21 jul 2008.
[2] IBGE. Imagens do satélite ALOS. Disponível em
<http://www.ibge.gov.br/alos/default.php>.Acesso em: 22 jul. 2008.
[3] IBGE. Imagens do satélite ALOS: opções de processamento. Disponível em
<http://www.ibge.gov.br/alos/especificacoes.php>. Acesso em: 25 maio 2009
SERFA 2010
27
Deteção Automática de Frentes Oceânicas
Eduardo N Oliveira, Leando Calado, Ricardo Domingues,
Wandrey B Watanabe
Instituto de Estudos do Mar Almirante Paulo Moreirea – IEAPM – Div.Projetos
Marinhos
{negri, lcalado, rdomingues, wandrey}@ieapm.mar.mil.br
Palavras-chave: Ressurgência,
Sensoriamento Remoto
Frentes
Oceânicas,
Algoritmos,
Acústica,
Resumo
O ambiente marinho costeiro é caracterizado por complexas interações
entre a interface oceano-atmosfera. Nesse meio, desencadeiam processos com
resoluções espaciais e temporais que vão de metros a quilômetros e de segundos a
dias e que modulam a dinâmica superficial. Processos de mesoescala tais como
vórtices, frentes de correntes e os fenômenos de ressurgência de quebra de
plataforma e costeiras, são importantes para determinação e previsão da dinâmica
oceânica. Estas feições podem ser identificadas por dados orbitais e com sua
delimitação superficial é possível determinar, através de modelos paramétricos [2],
sua estrutura vertical. Isto possibilita o conhecimento do campo de densidade local
e, consequentemente, a caracterização do ambiente acústico submarino, permitindo
assim a assimilação do campo acústico em algorítimos de identificação de alvos
submarinos, de determinação de perda na transmissão do sinal acústico, entre outras
aplicações.
Imagens termais (IR) e visíveis (VIS) são atualmente as maiores fontes de
observação oceanográfica. Nesse contexto, a detecção e mapeamento das feições de
mesoescala na plataforma continental brasileira tem sido considerado de
fundamental importância em estudos precedentes [4,5]. Entretanto, esses estudos
envolvem uma análise extensiva de conjuntos de imagens de IR e VIS por meio de
interpretações manuais que demandam muito trabalho e tempo, além do caráter
subjetivo estabelecido pelo intérprete [4,5]. Portanto, é desejável substituir a
interpretação manual por meio de ferramentas automáticas para extração e
delimitação das feições oceanográficas.
Há diversos algoritmos para detecção automática de frentes oceânicas.
Esses algoritmos variam desde simples técnicas estatísticas para caracterizar o
gradiente até técnicas mais complexas que utilizam agrupamento ou cluster,
análises de semivariograma e análise de histograma [3]. Um estudo comparativo
entre a técnica de cluster e a técnica de histograma proposta por Cayula &
Cornillon [3], esta última também denominada de SIED (Single Image Edge
Detection), demonstrou melhor desempenho da técnica SIED [6]. Desde meados da
SERFA 2010
28
década de 90, o algorítimo SIED tem sido largamente usado por vários grupos de
pesquisas e é considerado como um dos mais robustos algorítimos
para
mapeamento de frentes oceânicas a partir de sensores ópticos e termais [1, 6].
O algoritmo SIED consiste basicamente de três etapas principais. Numa
primeira etapa, o algoritmo é aplicado em cada uma das imagens (IR ou VIS) que
compõe a série temporal de imagens (no caso de uma análise temporal de imagens).
O algoritmo opera em três níveis: imagem, janela (ou window), e pixel. O nível
imagem diz respeito ao mascaramento de nuvens e não é discutido no presente
trabalho. No nível janela, a análise do histograma é efetuada sobre uma janela
quadrada (32 x 32, ou, 64 x 64 pixeis) que desloca-se ao longo de toda a imagem.
Quando o histograma da janela for considerado bimodal, pixeis localizados entre os
dois picos do histograma são candidatos à frentes oceânicas. No nível pixel, uma
função de seguimento de contorno é aplicada para conectar os pixeis avaliados e
confirmados como pixeis localizados em regiões de frentes.
O presente trabalho busca mapear as frentes oceânicas da plataforma
continental sudeste brasileira por meio de séries temporais de imagens termais
utilizando o algoritmo SIED. As delimitações dos padrões sazonais das frentes são
passíveis de ser incorporadas a modelos oceânicos e acústicos de previsibilidades.
Dentro desse contexto, o trabalho encontra-se no estágio de seleção e
processamento das imagens de satélites. Também, testes operacionais estão sendo
conduzidos para aprimorar e ajustar os parâmetros de entrada do algoritmo SIED,
buscando incorporar as particularidades das frentes oceânicas mais persistentes
localizadas na plataforma continental sudeste brasileira.
Referências
[1] Belkin, I.M.; Cornillon, P.C.; Sherman, K. (2009). Fronts in Large Marine
Ecosystems. Progress in Oceanography, v.81, pp.223-236.
[2] Calado,L.; Gangopadhyay, A.; Silveira, I.C.A. (2008). Feature-oriented regional
modeling and simulations (FORMS) for the western south Atlantic: Southeastern
Brazil region. Ocean Modelling, v.25, pp.48-64.
[3] Cayula, J. -F., & Cornillon, P. C. (1992). Edge detection algorithm for SST
images. Journal of Oceanic Technology, 9, 67−80.
[4] Mello, W.L.F. (2006). Observação de Feições Oceanográficas de Superfície na
Costa Sudeste Brasileira Através de Imagens Termais do Sensor AVHRR/NOAA.
Dissertação em Sensoriamento Remoto. Instituto Nacional de Pesquisas
Espaciais-INPE. São José dos Campos/SP.
[5] Neto, A.S.; Soares, V.P.; Lima, J.A.M.; Ribeiro, C.A.A.S.; Griffith, J.J. (2005).
Análise de imagens termais AVHRR utilizando transformada de Fourier para
determinação de padrões em vórtices e meandros. Anais XII SBSR, Goiânia,
Brasil, 16-21 abril 2005, INPE, p. 3671-3678.
[6] Wall, C.C.; Muller-Karger, F.E.; Roffer, M.A.; Hu, Chuanmin; Yao, W.; Luther,
M.E. (2008). Satellite remote sensing of surface oceanic fronts in coastal waters off
west-central Florida. Remote Sensing of Environment, v.112, pp.223-236.
SERFA 2010
29
Classificador por Regiões de Imagens SAR com Base em
Distâncias Estocásticas Derivadas da Densidade de
Probabilidade do Par de Intensidades Multi-look
Wagner B Silva 1, 2, Corina C Freitas1, Rogerio G Negri 1,
Sidnei J S Sant'Anna1
1
Instituto Nacional de Pesquisas Espaciais - INPE
2
Diretoria de Serviço Geográfico - DSG
{wbarreto, corina, rogerio, sidnei}@dpi.inpe.br
Palavras-chave: SAR, Classificação por Regiões, Distâncias Estocásticas.
Resumo
O desenvolvimento de técnicas de classificação de imagens de radares de
abertura sintetica (SAR) vem avançando significativamente com vistas à extração
de informações a respeito da cobertura do solo. Esse avanço torna-se evidente nas
abordagens por decomposição polarimétrica e por modelagem estatística. Esta
última abordagem, via de regra, adota o modelo multiplicativo, que leva em conta
separadamente a contribuição do backscatter e do ruído speckle, característico em
imagens formadas por iluminação coerente. Importantes resultados foram obtidos
utilizando-se classificadores por modelagem estatística pontuais para imagens SAR
com utilização das técnicas da Máxima Verossimilhança (MaxVer) e contextual das
Modas Condicionais Iterativas (ICM) [1].
A utilização de duas imagens em intensidade, uma com polarização
paralela (HH ou VV) e outra com polarização cruzada (HV ou VH) mostrou-se
eficiente na identificação de alvos de cobertura do solo em áreas de floresta
tropical [2].
A classificação de imagens SAR baseada em regiões, que ainda é pouco
explorada, pode trazer melhorias aos resultados. A utilização da abordagem de
distâncias estocásticas, que medem a separação entre distribuições de probabilidade
pode representar uma boa solução para a classificação de regiões delimitadas sobre
as imagens. Este tipo de classificação pode se configurar como uma importante
ferramenta na metodologia de produção cartográfica no contexto do Projeto
Cartografia da Amazônia [3], do qual faz parte o Exército Brasileiro.
Neste trabalho, foi desenvolvido um classificador por regiões para pares de
imagens SAR em intensidade baseado na distância estocástica de Bhattacharyya.
Os dados utilizados são duas imagens em intensidade multipolarizados (HH e HV),
da região de Tapajós – PA, e podem ser modelados estatisticamente pela
distribuição par de intensidades multilook [4]. O cálculo da distância segue a
metodologia descrita em [5] para obtenção das divergências e distâncias da classe
SERFA 2010
30
(h-φ). A distância é calculada numericamente, e o classificador foi implementado
em Interactive Data Language (IDL) 7.1. A classificação foi realizada sobre uma
imagem segmentada pelo software SPRING 5.1.5 com similaridade 20 e área
mínima 300 pixels.
A classificação resultante obteve para o coeficiente de determinação kappa
o valor de 0,95 contra 0,51 da classificação Max Ver e 0,89 da classificação
contextual ICM, concluindo-se que o mesmo apresenta bom potencial de
identificação das classes de cobertura na área de estudo (Figura1).
a
Legenda:
b
c
d
Floresta primária, degradada e regeneração
Solo exposto
Pasto
Agricultura 2
Agricultura 1
Figura 1: a) composição RGB com duas imagens em intensidade (HH, HV e HH);
b) classificação MaxVer; c) ICM; d) por regiões e distância de Bhattacharrya.
Referências
[1] Correia, A. H. Projeto, desenvolvimento e avaliação de classicadores estatísticos
pontuais e contextuais para imagens SAR polarimétricas. 271p. Dissertação
(Mestrado em Sensoriamento Remoto)- INPE, São José dos Campos, 1998.
[2] Negri, R. G. Avaliação de dados polarimétricos do sensor Alos PALSAR para
classificação da cobertura da terra da Amazônia. 170p. Dissertação (Mestrado em
Sensoriamento Remoto) - INPE, São José dos Campos, 2009.
[3] BRASIL. Projeto Cartografiaa da Amazônia: Documento de referência. Brasília:
Presidência da República, Casa Civil, Centro Gestor e Operacional do Sistema de
Proteção da Amazônia, setembro 2008.
[4] Lee, J.S.; Hoppel, K.W.; Mango, S.A.; Miller, A.R. Intensity and phase statistics
of multilook polarimetric and interferometric SAR imagery. IEEE Transactions on
Geoscience and Remote Sensing, v. 32, n. 5, p. 1017-1028, Sep 1994.
[5] Nascimento, A.D.C.; Cintra, R.J.; Frery, A.C. Hypothesis Testing in Speckled
Data With Stochastic Distances. IEEE Transactions on Geoscience and Remote
Sensing, v. 48, n.1, p.373-385, Jan 2010.
SERFA 2010
31
Proposta de Integração de Técnicas de Inteligência
Computacional, Baseadas em Conhecimento, para o
Reconhecimento de Padrões em Imagens
Multiespectrais
Karla S Teixeira 1,2, Liane M A Dornelles 2, Luiz B Neto 2
1
Instituto de Pesquisas da Marinha – IPqM
Universidade do Estado do Rio de Janeiro – UERJ
[email protected], [email protected]
[email protected], [email protected]
2
Palavras-chave: Reconhecimento de Padrões, Inteligência Computacional,
Classificação de Imagens, Assinatura Espectral Digital, Conhecimento.
Resumo
Atualmente os sistemas de Sensoriamento Remoto (SR) instalados em
plataformas orbitais estão se tornando equipamentos estratégicos imprescindíveis,
principalmente no que tange à aquisição de dados da superfície terrestre de áreas de
difícil acesso ou inóspita, com escalas tanto global como local, bem como com
cobertura repetitiva.
Os sensores multiespectrais (até seis dezenas de bandas) e hiperespectrais
(acima de seis dezenas de bandas), instalados em tais plataformas, permitem a
possibilidade de ampliação do poder discriminatório e da caracterização de alvos,
padrões, objetos ou classes de interesse [1,2]. Ocorre que tal ampliação não é
verificada na medida em que todas estas bandas não são plenamente utilizadas pelos
principais sistemas comerciais ora em uso [3,4].
Propõe-se uma integração que compreende dois princípios básicos: a
utilização de todas as bandas do sensor utilizado – tais quais os expertos em análise
visual de imagens, adquiridas via Sensoriamento Remoto, fazem – na forma de
assinaturas espectrais digitais dos alvos de interesse, baseadas na amostragem
espectral do sensor em uso; e a incorporação dos conhecimentos adquiridos por
estes mesmos expertos em um sistema computacional, por meio de Inteligência
Computacional, de forma a este sistema simular o trabalho destes expertos.
As técnicas de Inteligência Computacional que serão utilizadas são as
Redes Neurais Artificiais (RNA) e a Lógica Nebulosa (Fuzzy). Dentre a grande
variedade de arquiteturas disponíveis dentre estas técnicas, escolheu-se o Mapa
Auto-Organizável de Kohonen (SOM – Self-Organizing Map) e a ANFIS (Artificial
Neuro-Fuzzy Inference Systems) para teste da proposta, devido as diversas
aplicações, com sucesso, destas duas técnicas em classificação de imagens
multiespectrais.
SERFA 2010
32
Para teste inicial da proposta foram estabelecidas quatro classes de
interesse, de acordo com a resolução espacial de 30m do sensor utilizado (o
LANDSAT-5), a saber: água, vegetação primária e secundária (florestal), mangue e
área urbanizada ou construída. Ao final do teste da proposta as classes de interesse
serão aumentadas para sete classes (água não particulada, água particulada, área
urbanizada ou construída, vegetação primária e secundária (florestal), mangue,
campo limpo ou pastagem e areia).
A Figura 1a apresenta uma composição falsa-cor RGB321 da área-teste,
situada no Estado do Rio de Janeiro. A Figura 1b exibe a respectiva classificação
preliminar desta área-teste utilizando a técnica ANFIS, que foi implementada
segundo regras adquiridas da experiência do experto em análise de imagens de SR e
com as seis bandas do sensor (a banda termal foi desprezada pois possui resolução
de 60m). Os pixels pretos representam classes que não são as de interesse. Os
resultados encontrados para os pixels corretamente classificados (em comparação
com a verdade terrestre) foram de 88% para a vegetação primária e secundária, 84%
para a área urbanizada, 95% para a água e 69% para o mangue.
(a)
(b)
Figura 1: (a) Composição RGB321 da área-teste, e (b) Classificação da área-teste
segundo a implementação de regras advindas do conhecimento do experto na
técnica ANFIS.
Referências
[1] Lillesand, T. M.; Kiefer, R. W. Remote Sensing and Image Interpretation, 3rd
ed., USA: John Wiley & Sons, 1994..
[2] Schowengerdt, Robert A. Remote Sensing: Models and Methods for Image
Processing. 2nd ed., USA: Academic Press NY, 1997.
[3] Teixeira, K dos S. Estudo da Viabilidade da Classificação Automática de
Imagens baseada em Registros Digitais e em Inteligência Artificial, Rio de Janeiro.
Universidade do Estado do Rio de Janeiro (UERJ). Mestrado em Engenharia da
Computação – Geomática. Faculdade de Engenharia; 2004.
[4] Kux, H.; Blaschke, T. Sensoriamento Remoto e SIG avançados: Novos Sistemas
Sensores, Métodos Inovadores. São Paulo: Oficina dos Textos, 2007.
SERFA 2010
33
Aplicação de Árvores de Decisão para Classificação de
Uso e Cobertura da Terra sobre Imagens LANDSAT
TM e PolInSAR
Carlos A P Castro Filho 1,2
1
Diretoria de Serviço Geográfico - DSG
2 Instituto Nacional de Pesquisas Espaciais - INPE
[email protected]
Palavras-chave: Classificação, Seleção de Atributos, Árvore de decisão
Resumo
A dinâmica do mundo moderno contribui com o aumento diário de dados e
informações disponíveis na sociedade humana. Como exemplo, o desenvolvimento
tecnológico e a necessidades de conhecimento do terreno para defesa, dentre outras
aplicações, geram um crescimento exponencial de sensores remotos que produzem
imensas quantidades de dados. Além de sensores ópticos, como os existentes em
satélites do projeto LANDSAT, outros sensores que atuam na faixa de microondas
do espectro eletromagnético estão se tornando cada vez mais comuns.
No Brasil, entre os projetos em execução que visam obter dados de
sensores remotos para produção de conhecimento geo espacial, encontra-se em
destaque o de Cartografia da Amazônia. Neste projeto será recoberta uma área de
aproximadamente 770.000 km2 da região amazônica visando a futura confecção de
cartas na escala 1:50.000 pela Diretoria de Serviço Geográfico (DSG) do Exército
Brasileiro. Para tal, será utilizada a tecnologia de Radares de Abertura Sintética
Interferométricos e Polarimétricos – PolInSAR – aerotransportados, o que irá gerar
diversos dados na faixa de microondas, mais especificamente nas bandas X e P
polarimétricas, além de modelos digitais do terreno e de superfície e de bandas de
coerência interferométrica.
Dados geo espaciais podem ser bastante beneficiados com técnicas de
mineração de dados que são capazes de automatizar a análise de grandes volumes
de dados, utilizando-se para isto métodos de seleção de atributos e de classificação.
De acordo com Quinlan [1], o método de classificação por árvore de decisões tem
como vantagem o fato de possuir natureza e propriedades não-paramétricas,
podendo classificar imagens com distribuições estatísticas diferentes da gaussiana,
heterogêneas e possuidoras de ruídos. Além disto, este método possui em sua
própria natureza o processo de selecionar os atributos mais adequados a serem
utilizados durante o processo de classificação.
SERFA 2010
34
Neste cenário, o objetivo deste trabalho é de comparar os resultados
obtidos através da classificação por árvores de decisão aplicadas sobre dados
LANDSAT TM e sobre dados PolInSAR.
A área de trabalho selecionada foi a de uma região imageada em 30 de
março de 2009, próxima a cidade de Barcelos – AM, com coordenadas variando
entre de 63o00’ e 63o15’w/ 0o44’ e 0o58’s, no sistema geodésico WGS-84, e com
área de cerca de 800km2. As classes a serem identificadas foram definidas
utilizando-se mapas fitoecológicos do Projeto RADAMBRASIL: água,
campinarana arbórea, campinarana arbustiva, florestas primárias alagadas e
florestas primárias de solo firme. Além destas classes foi também trabalhada a de
região antropizada.
Após o pré-processamento das imagens de sensoriamento remoto
(georreferenciamentos, reamostragens e filtragem) foram extraídos novos atributos
das bandas LANDSAT TM (NDVI, NDWI e WWI) e das bandas PolInSAR (altura
interferométrica, Rp, Rc, PotSpan, BMI, CSI, VSI). Sobre as bandas, ou atributos,
disponíveis foram feitas três classificações utilizando o algoritmo de árvore de
decisão J4.8 do Waikato Environment for Knowledge – Weka [2]: sobre todas as
bandas disponíveis LANDSAT TM e PolInSAR; somente sobre bandas originais e
extraídas do LANDSAT TM; e somente sobre bandas originais e extraídas do
sensor PolInSAR.
Os resultados encontram-se na Tabela 1 onde estão apresentados os
tamanhos das árvores de decisão construídas para cada caso (em função da
quantidade de nós) e as acurácias globais e índices Kappa, entre parênteses, obtidos
nas etapas de treinamento e de avaliação da classificação. Conclui-se que as bandas
referentes aos dados PolInSAR se mostraram mais adequadas na identificação das
classes de uso do solo em trabalho. Além de obterem melhor acurácia global e
índice Kappa, os dados PolInSAR foram capazes de gerar uma árvore de decisão de
menor tamanho, o que diminui o custo computacional.
Tamanho
Treinamento
Avaliação
da Árvore
Landsat + SAR
27
87,44% (0,849) 85,67 % (0,828)
Landsat
67
63,33 % (0,548) 39,46% (0,273)
SAR
27
89,01% (0,868) 86,67 % (0,840)
Tabela 1: Resultados obtidos nas classificações por árvore de decisão.
Dados \ Avaliações
Referências
[1] Quinlan. J. R. C4.5: Programs for Machine Lerning. Morgan Kaufmann.
California, 1993.
[2] WEKA - Waikato Environment for Knowledge. [on line].
<http://www.cs.waikato.ac.nz/ml/weka/>. Fev, 11. 2010.
SERFA 2010
35
Utilização de Imagens Interferométricas SAR no
Mapeamento Topográfico de Áreas de Floresta Tropical
Densa
Pierre Moura, Antonio H Correia, Fabiano C Almeida
Diretoria de Serviço Geográfico – DSG
[email protected], [email protected]; [email protected]
Palavras-chave: Radar, Abertura Sintética, Amazônia, Mapeamento Topográfico
Resumo
A Amazônia Legal possui uma área total de 5,2 milhões de km2, dos quais
cerca de 1,8 milhão de km2 não possuem, até hoje, informações cartográficas
terrestres adequadas, sendo conhecida como região do “vazio cartográfico”. Todos
os documentos cartográficos disponíveis da Amazônia Legal não representam as
feições planialtimétricas no nível do solo, e sim no nível da copa das árvores, em
virtude da inexistência de tecnologia de aerolevantamento viável para extensas
regiões de floresta tropical densa, no final da década de 70 e no início dos anos 80,
período que foi executado o aludido mapeamento.
Os resultados alcançados nos últimos anos com a tecnologia de radares
interferométricos, na banda X [1], e especialmente na banda P, que possibilita a
penetração no dossel da floresta e a interação da onda com a superfície do terreno,
aliado ao grande interesse no mapeamento da Amazônia, foram decisivos para a
aprovação do Subprojeto Cartografia Terrestre, também conhecido como Projeto
Radiografia da Amazônia. O referido subprojeto, sob a responsabilidade de
execução da Diretoria de Serviço Geográfico (DSG), com apoio da Força Aérea
Brasileira (FAB), integra o Projeto Cartografia da Amazônia, que é coordenado
pelo Centro Gestor e Operacional do Sistema de Proteção da Amazônia [2]
O Projeto Radiografia da Amazônia tem por objetivo a elaboração de
cartas topográficas, arquivos digitais de estratificação vegetal, ortoimagens SAR,
MDS e MDT nas escalas de 1:100.000 e de 1:50.000 da região do vazio
cartográfico da Amazônia Legal, podendo ser dividido nas seguintes etapas:
Aquisição de dados brutos
A fase de aquisição de dados brutos pode ser dividida em cinco etapas:
a) Reconhecimento aéreo: destina-se à escolha dos prováveis locais, sem
cobertura vegetal, para instalação dos refletores de canto triédricos, que são
empregados na fase de pré-sinalização do vôo radar;
b) Determinação de estações de referência: destina-se à determinação de
alta precisão por medição DGPS das coordenadas geodésicas dos pontos de apoio
(estações de referência) ao vôo radar;
SERFA 2010
36
c) Pré-sinalização do vôo por radar: consiste da medição DGPS das
coordenadas geodésicas de pontos de controle, onde são instalados os refletores de
canto empregados na pré-sinalização do vôo radar;
d) Aerolevantamento SAR: Aquisição de dados em áreas de floresta
tropical densa, executado pela empresa Orbisat da Amazônia S/A empregando-se
sensor SAR aerotransportado interferométrico e polarimétrico, nas bandas P e X;
e) Transcrição dos dados brutos de radar: é executada imediatamente após
a fase de aerolevantamento SAR, com a finalidade de validação da qualidade dos
dados de radar obtidos, sendo os dados transcritos, remetidos para o processamento
em Brasília.
Processamento dos dados e geração de produtos cartográficos
A fase de processamento dos dados brutos consiste no tratamento das
imagens complexas e geração dos produtos interferométricos.
Nesta fase são geradas as de imagens do tipo single-look complex (SLC)
monopolarizadas, na banda X (polarização HH), e multipolarizadas, na banda P
(HH, HV, VV e VH), além das amplitudes, modelos altimétricos e imagens
coerência.
Com base nas imagens geradas são extraídos os dados para confecção das
ortoimagens-carta (escalas 1:50.000 e 1:100.000), cartas topográficas (1:100.000)
Reambulação e coleta de dados de vegetação
Fase posterior a geração das imagens e dos produtos cartográficos. Com
base nas imagens geradas serão verificados os nomes das localidades e acidentes
naturais ou artificiais identificados na fase anterior, bem como os demais dados
necessários para completar o mapeamento. Também serão coletadas informações
sobre as espécies vegetais (tipo, altura, diâmetro, dentre outras informações).
Compilação dos dados de estratificação vegetal
A fase de elaboração do inventário florestal será baseada na metodologia
proposta por LEDUC [3], com os seguintes objetivos específicos: análise estrutural
das espécies que ocorrem na área inventariada; estimação da importância de cada
morfoespécie dentro da comunidade florestal, por meio de estimativas de
abundância, frequência, dominância relativa e índice de valor de importância; e
quantificação do número de indivíduos, área basal, volume comercial com casca e
biomassa fresca acima do solo.
Referências
[1] DSG, 2000. Relatório Técnico do Teste de Aerolevantamento Radar nas Bandas
"P" e "X", em Santarém-PA. Disponível em <http://www.concar.ibge.
gov.br/Plano/pcn10.htm>.
[2] CENSIPAM, 2008. Subprojeto Cartografia Terrestre, Documento de Referência
do Acordo de Cooperação Técnica no 03/2008, de 26 de fevereiro de 2008,
celebrado entre o CENSIPAM, o Comando do Exército, o Comando da Marinha, o
Comando da Aeronáutica, e o Serviço Geológico do Brasil.
[3] LEDUC, R. Proposta de plano de trabalho para a elaboração e execução de
inventário florestal no município de Paragominas/PA. 2007. 16 p.
SERFA 2010
37
Segmentação de Imagens SAR Polarimétricas Usando
Teste Estatístico de Igualdade de Matrizes de
Covariância
Marcus F S Saldanha1,2, Corina C Freitas2, Sidnei J S Sant’Anna2
1
Diretoria de Serviço Geográfico do Exército Brasileiro - DSG/EB
2
Instituto Nacional de Pesquisas Espaciais - INPE
{marcus, corina, sidnei}@dpi.inpe.br
Palavras-chave: SAR polarimétrico, segmentação, distribuição de Wishart
Resumo
Dentre os sensores ativos usados nas atividades de sensoriamento remoto,
o SAR polarimétrico ou simplesmente PolSAR (Polarimetric Synthetic Aperture
Radar) vem se destacando dos demais. Isto se deve pelo fato das informações
polarimétricas complexas (amplitude e fase), oriunda de tal sensor, permitir a
decomposição e a identificação de diferentes mecanismos elementares de
espalhamento contidos nos alvos da superfície terrestre [1].
Recentemente tem havido uma crescente disponibilidade de imagens SAR
polarimétricas. Situação, que associada ao seu potencial de uso, tem motivado o
desenvolvimento de técnicas de processamento automáticas para extração e análise
de feições. Uma destas técnicas é a segmentação, operação de baixo nível, na qual a
imagem é dividida em regiões distintas e disjuntas (segmentos). Estes segmentos
podem fornecer informações relevantes de natureza estrutural e temática, as quais
podem ser usadas por algoritmos que executam operações de alto-nível (algoritmos
de classificação) na identificação de alvos civis ou militares.
Por ser uma operação de baixo-nível é fundamental que o algoritmo
responsável pela segmentação esteja adequadamente adaptado para lidar com o
modelo estatístico associado a imagem. Diversos algoritmos de segmentação para
imagens SAR, podem ser encontrados na literatura [2]. A maioria destes usam no
processamento somente as informações de intensidade ou amplitude dos dados
polarimétricos. A abordagem adotada por estes algoritmos para o processamento
utilizam geralmente canais individuais, enquanto alguns adotam uma abordagem
multi-canal. Como a maioria dos algoritmos de segmentação existente não está
preparada para lidar com informações polarimétricas complexas já começam a
surgir no meio científico alguns estudos voltados para suprir tal necessidade [3,4].
Em [5], por exemplo, é feita a descrição conceitual e desenvolvimento parcial de
um segmentador para dados SAR polarimétricos complexos. O algoritmo
mencionado é baseado na distribuição de Wishart e em testes estatísticos de
igualdade entre matrizes de covariância.
SERFA 2010
38
Dentro desse contexto, este trabalho tem como objetivo apresentar os
resultados parciais obtidos com o segmentador em desenvolvimento. Para tanto,
uma imagem SAR polarimétrica foi segmentada usando-se o algoritmo SegSAR,
(desenvolvido em [5]), e os módulos de segmentação e agrupamento de regiões
com o teste estatístico para dados polarimétricos. Tal imagem, do município de
Paulínea, estado de São Paulo, foi adquirida pelo sistema aerotransportado R99-B
(SIVAM-CENSIPAM) em outubro de 2005. A Figura 1 apresenta a imagem e os
resultados dos processamentos.
(b)
(a)
(c)
Figura 1: Imagens: (a) original; (b) segmentada com o SegSAR; e, (c) segmentada
com o algoritmo em desenvolvimento.
O resultado do experimento executado mostra que o teste estatístico usado
como critério de decisão para a segmentação e agrupamento de regiões foi capaz de
gerar resultados satisfatórios, demonstrando a potencialidade do algoritmo em
desenvolvimento. Espera-se que com a conclusão deste, o mesmo possa ser usado
em projetos de mapeamento sistemático com dados SAR polarimétricos na
Diretoria de Serviço Geográfico do Exército Brasileiro (DSG/EB).
Referências
[1] Correia, A. H. Método automático para calibração polarimétrica de imagens
SAR. Tese 307 p. (INPE-16349-TDI/1557). 2009.
[2] Souza Júnior, M. A. Segmentação multi-níveis e multi-modelos para imagens de
radar e ópticas. Tese 131 p. (INPE-14466-TDI/1147). 2005.
[3] Hänsch, R.; Jäger, M.; Hellwich, O. Clustering by deterministic annealing and
Wishart based distance measures for fully-polarimetric SAR-data. Proceedings...
EUSAR'08: 7th European Conference on Synthetic Aperture Radar, 02-05 June p.
419-422. 2008.
[4] Yang, J.; Ran, Y.; Li, S.; S., Y. S.; Q., Q. A Novel Edge-Detection Based
Segmentation Algorithm for Polarimetric SAR Images. Proceedings of
Commission VII... ISPRS: Congress Beijing 2008, 3-11 July. p. 141-144. 2008.
[5] Saldanha, M. F. S.; Freitas C. C.; Sant’Anna, S. J. S. Desenvolvimento de
algoritmo para segmentação de imagens SAR polarimétricas. Anais... X WorCAP:
Workshop dos Cursos de Computação Aplicada do INPE. 2010.
SERFA 2010
39
Descrição do Algoritmo de Ortorretificação das
Imagens SAR/R-99
Marcelo J P Monteiro 1, Marcus V T Monteiro 1,
Júlio M A Maranhão 1, Ricardo Q Veiga 2
1
Instituto de Estudos Avançados – IEAv
Estado-Maior da Aeronáutica – EMAER
{marcelo.monteiro, monteiro, julio}@ieav.cta.br, [email protected]
2
Palavras-chave: Algoritmo, interferometria, GSP, ortorretificação, SAR/R-99
Resumo
Graças à sua largura de faixa de imageamento (até 120 km), o radar de
abertura sintética que equipa as aeronaves R-99 da Força Aérea Brasileira (SAR/R99) é um sensor interessante do ponto de vista da utilização em mapeamento.
Nesse sentido, para a extração de ortoimagens durante o processo de
validação cartográfica do SAR/R-99, foi necessário o desenvolvimento de um
algoritmo de ortorretificação, objetivo principal deste trabalho.
Na metodologia em questão, os pontos de controle para a execução da
ortorretificação são dispensados, porque se recorre à geometria de aquisição de
dados e à informação de elevação do terreno, gerada pelo próprio SAR/R-99
(RDEM) ou por outra fonte de dados altimétricos, como segunda opção [1].
O algoritmo descrito emprega o método backward de ortorretificação [2],
ou seja, foi adotado o método reverso de mapeamento dos pixels da ortoimagem, no
qual a correção geométrica aplicada às imagens geradas depende do conhecimento
da posição tridimensional de cada um dos pixels do terreno, em relação à imagem
ortorretificada. Essa correção permite calcular a distância de cada ponto em relação
à trajetória do radar e, a partir dela, determinar o pixel correspondente na imagem
de origem (Figura 1).
Figura 1: Ortorretificação SAR
SERFA 2010
40
A imagem SAR/R-99 contém informações sobre as coordenadas
geográficas (latitude, longitude) dos seus vértices e sobre os pontos iniciais e finais
da trajetória do radar utilizados no seu processamento. As coordenadas dos quatro
vértices da imagem são utilizadas para determinar a grade regular em coordenadas
geográficas sobre a qual a ortoimagem é construída [3].
O espaçamento entre os pontos da grade é o menor espaçamento
geográfico da imagem original, para não haver perda da informação espacial. Uma
vez que a posição geográfica desses pontos é conhecida, a informação de altitude
pode ser obtida do RDEM ou de outro modelo de elevação.
Para as ortoimagens geradas a partir de coletas distintas, com a mesma
direção de iluminação, foi possível construir mosaicos ortorretifcados sem que
apresentassem deslocamento relativo entre os pixels, ou seja, sem descasamento
entre as feições.
Nas coletas efetuadas com visadas opostas, as ortoimagens resultantes
apresentam um descasamento relativo das feições predominantemente na direção do
alcance do radar. O reprocessamento das imagens, com uma mesma correção de
altitude de trajetória para as coletas, possibilitou reduzir o descasamento das feições
de referência. Mesmo assim, outras partes da cena continuaram apresentando
descasamento na direção do alcance. Os resultados atingidos sugerem a utilização
de um ponto de controle no solo, para a correção do erro altimétrico e a melhoraria
da qualidade das ortoimagens produzidas.
Como conclusão, verifica-se que o algoritmo desenvolvido permite realizar
a ortorretificação das imagens SAR, produzidas pelo processador de solo do SAR
(Ground SAR Processor – GSP), porém são necessárias a pesquisa, a caracterização
e a correção dos erros de aquisição, que causam desvios de posicionamento, e os
erros de altimetria do modelo digital de elevação relativo (RDEM). Com o estudo
desses erros, será possível determinar a melhor metodologia de levantamento SAR
para mapeamentos.
Como o algoritmo permite a utilização de modelos de elevação gerados
por outra fonte, ele também pode ser aplicado para os outros modos de
imageamento do SAR/R-99, incluindo os modos de média e baixa resolução.
Referências
[1] Mercer, J.B.; Allan, J.; Glass, N.; Rasmussen, J.; Wollersheim, M.
Orthorectification of Satellite Images Using External DEMS from IFSAR. In.: Joint
ISPRS Workshop “High Resolution Mapping from Space 2003”, Hannover,
Germany, 2003.
[2] Okeke, F.I. Review of Digital Image Orthorectification Techniques. [on line].
<http://www.gisdevelopment.net/magazine/years/2006/july/36_1.htm>. Set, 30. 2010.
[3] Veiga, R.Q.; Monteiro, M.J.P.; Monteiro, M.V.T.; Zaloti, O.D.J. Descrição do
Processo de Ortorretificação das Imagens SAR/R-99. In.: XXIV Congresso
Brasileiro de Cartografia, Aracaju-SE, 2010. Anais.
SERFA 2010
41
Caracterização Radiométrica de Instrumentos para
Suporte em Trabalho de Campo
Cibele T Pinto 1,2, Ruy M Castro 2,3, Flávio J Ponzoni 1
1
Instituto Nacional de Pesquisas Espaciais - INPE
2
Instituto de Estudos Avançados - IEAv
3
Universidade de Taubaté - UNITAU
{cibele, rmcastro}@ieav.cta.br; [email protected]
Palavras-chave: Caracterização, espectrorradiômetro, placa de referência
Resumo
A aplicação de técnicas de sensoriamento remoto destinadas à extração de
informações quantitativas de dados coletados por sensores ópticos (aeroembarcados
ou a bordo de satélites) inclui o conhecimento sobre a calibração absoluta destes
sensores. O método mais difundido de calibração absoluta realizado após o
lançamento do sensor é aquele fundamentado na utilização de uma superfície de
referência localizada em algum ponto da superfície terrestre. Uma das etapas mais
críticas na execução desse método é a caracterização dessa superfície de referência
que deve apresentar características específicas como: valores de reflectância
elevados; isotropia ao longo de uma faixa espectral de atuação do sensor a ser
calibrado; uniformidade espectral, entre outras características [1]. Portanto, para a
caracterização de uma superfície de referência é necessário realizar uma série de
medições radiométricas, cuja confiabilidade deve ser quantificada por meio da sua
incerteza. Segundo Thome et al [2], as principais fontes de incerteza relacionadas às
medições de reflectância da superfície de referência estão relacionadas aos
instrumentos adotados e às correções relacionadas à luz difusa.
Assim, em trabalhos de campo destinados à caracterização espectral de
superfícies de referência, são realizadas medições radiométricas com o objetivo de
determinar valores de Fator de Reflectância Bidirecional (FRB), que podem ser
obtidas por meio de medições diretas ou por meio da razão entre a radiância da
superfície e a radiância de uma superfície lambertiana ideal (placa de referência),
ambas medidas sob mesmas condições de iluminação e visada.
A fim de analisar as condições dos instrumentos e as suas respectivas
contribuições para a incerteza final das medições, foram realizados experimentos,
no Laboratório de Radiometria e Caracterização de Sensores Eletroópticos (LaRaC)
do Instituto de Estudos Avançados (IEAv), antes e depois do trabalho de campo.
Nos experimentos realizados no LaRaC, três placas de referência de
Spectralon da Labsphere e os dois espectrorradiômetros da ASD (Analytical
Spectral Devices) FieldSpec, utilizados em campo, foram avaliados em relação a
SERFA 2010
42
equipamentos similares, pertencentes ao LaRaC, que foram recentemente
caracterizados junto ao fabricante, sendo considerados como padrões.
Em um dos experimentos realizados foi determinada a FRB das placas de
referência. Para tanto, foi elaborado um arranjo experimental onde cada placa de
referência (posicionada horizontalmente), foi iluminada por uma lâmpada halógena
de tungstênio com um ângulo de 25° em relação a normal. Finalmente um
espectrorradiômetro foi posicionado ao nadir em relação ao centro geométrico das
placas. Tendo como padrão uma placa de Spectralon do LaRaC, foram realizadas
dez medições de reflectância de cada placa de referência. A partir dos dados obtidos
verificou-se o comportamento da FRB das placas apresentam um comportamento
semelhante. Entretanto os valores absolutos são distintos, provavelmente devido a
sua idade e o seu manuseio ao longo do tempo.
Em outro experimento realizado foi avaliada a resposta radiométrica dos
FieldSpecs. Para este experimento foi utilizado um arranjo envolvendo, como
padrão radiométrico, uma esfera integradora (EI) da LabSphere, que permite a
utilização de até 4 lâmpadas halógenas de tungstênio. Com isto, os três
espectrorradiômetros (os dois utilizados em campo mais o do LaRaC) foram
posicionados no centro da abertura da EI e realizadas medições da radiância para
três combinações de lâmpadas. Com este experimento pode-se verificar que o
comportamento obtido é semelhante para os três equipamentos. Entretanto, para um
dos FieldSpec houve uma maior variação no valor absoluto.
Por meio dos experimentos realizados em laboratório é possível concluir
que a caracterização das placas de referência com uma placa padrão é uma etapa
importante, pois assim as medições realizadas com diversos equipamentos podem
ser comparadas adequadamente. As incertezas obtidas para a reflectância de cada
uma das placas foram da ordem de 0,01%. O resultado obtido na comparação dos
espectrorradiômetros revelou, nos vários equipamentos, a existência de “estruturas”
ao longo da faixa de medições, que devem ser compensadas. Novamente as
incertezas foram muito pequenas, da ordem de 0,03% a 0,08%. Como isto, pode-se
concluir que a maior incerteza na caracterização de superfície, deve ser a da sua
própria homogeneidade.
Agradecimentos
Os autores gostariam de agradecer a CAPES pela bolsa da Sra. Cibele T. Pinto.
Referências
[1] Ponzoni, F. J.; Zullo Jr., J.; Lamparelli, R. A. C. In-flight absolute calibration of
the CBERS-2 CCD sensor data. Anais da Academia Brasileira de Ciências, v. 80,
n. 2, p. 373-380, 2008.
[2] Thome, K. J. Absolute radiometric calibration of Landsat-7 ETM+ using the
reflectance-based method. Remote Sensing of Environment, v. 78, n.1-2, p.27-38,
2001.
SERFA 2010
43
Uso de Sensoriamento Remoto Orbital SAR no auxílio
de atividades de Busca Salvamento – Estudo de caso
Rafael L Paes, Monica M De Marchi, Maria J P Lamosa,
Marcus V T Monteiro, Marcelo J P Monteiro
Instituto de Estudos Avançados - IEAv
{rlpaes; monica; maju; monteiro; marcelo.monteiro}@ieav.cta.br
Palavras-chave: vigilância, SAR, sensoriamento remoto, busca e salvamento,
constelação de satélites, Cosmo-Skymed.
Resumo
A aeronave da Air France, vôo 447, colidiu com o mar na madrugada do
dia primeiro de junho de 2009, mais de 500km da costa brasileira. Este acidente
causou comoção mundial e demandou recursos das forças de Busca e Salvamento
jamais empregados anteriormente no Brasil. Entretanto, tal ocasião foi oportuna
para demonstrar a capacidade que uma constelação de satélites imageadores com
tecnologia SAR (Synthetic Aperture Radar) tem para prover informações
fundamentais às equipes de busca. O objetivo deste trabalho é trazer à comunidade
científica e aos tomadores de decisão a abordagem técnica e conceitual que ora se
conduz nesta linha de pesquisa, através de tal estudo de caso.
A constelação italiana de satélites imageadores SAR Cosmo-Skymed
possui previsão para o quarto lançamento neste ano. O seu modo ScanSAR,
multilook, possui resolução espacial variando de 30m (swath de 100x100km –
modo WideRegion) a 100m (swath de 200x200km – modo HugeRegion), possuindo
as polarizações HH, VV, VH e HV. A disposição orbital de suas unidades permite
uma alta capacidade de revisita, variando conforme a latitude, porém para a região
costeira do Brasil as aquisições foram em menos de 6 horas. Esta característica é
altamente desejável para fins de atividades de inteligência, vigilância,
acompanhamento e reconhecimento.
Após as primeiras notícias do acidente, ainda na manhã do dia primeiro de
junho (aproximadamente às 10h30), e com a ciência do ponto geográfico inicial de
onde seriam as buscas solicitou-se uma sequência de imagens Cosmo-Skymed em
caráter emergencial. Aproximadamente às 3h da manhã do dia 02 foi realizado o
primeiro imageamento, disponibilizado para download por volta das 7h30 da manhã
do mesmo dia. Nos três dias seguintes foram feitos novos imageamentos com
tempo de resposta semelhante.
A fim de evidenciar a capacidade de tal tecnologia espacial como auxílio
às buscas, destaca-se que enquanto as equipes de busca restringiam-se às
velocidades de seus vetores, o satélite foi capaz de cobrir em apenas 1 (um) minuto
SERFA 2010
44
uma área de 100x500km e o mau tempo presente e a ausência de luz solar não
interferiram no imageamento SAR.
Considerando a natureza aleatória de acidentes e desastres naturais, por
mais esperados, haverá sempre uma tendência reativa das forças de S.a.R. e de
defesa civil. Logo, dada a disponibilidade de uma constelação satelital,
estabelecemos alguns questionamentos: qual a melhor configuração de
imageamento para a primeira aquisição? Como gerenciar as próximas passagens? O
processamento destas informações está suprindo satisfatoriamente os tomadores de
decisão? Como gerenciar o excesso de dados gerados em tempo útil?
Para responder a tais perguntas, o presente estudo tem duas abordagens: a
técnica, a qual busca avaliar diferentes métodos e técnicas a fim de estabelecer
aquela(s) de melhor desempenho em diversas situações; e a estratégica, que baseada
na evolução da primeira abordagem tenta estabelecer uma ligação entre as
necessidades reais do evento S.a.R. e a maximização da qualidade e pertinência das
informações extraídas automaticamente. Pertinência, aqui, pode ser entendida como
a correspondência precisa com a realidade e como a rapidez que as informações
chegam aos tomadores de decisão.
Atualmente, comparam-se diferentes técnicas para a detecção de pequenos
objetos metálicos na superfície marinha [1-3]. Com base no estudo deste caso e as
conclusões obtidas para ambientes altamente dinâmicos, como o oceano, não faz
sentido iniciar uma varredura orbital com um feixe estreito, focando-se na alta
resolução. Na sequência inicial de 100x500km de área coberta (30m res.) foi
possível notar embarcações com suas esteiras de turbulência, feições oceânicas
naturais e outras supostamente não-naturais, com características de manchas de
óleo. As aquisições subseqüentes foram programadas para uma resolução de 5
metros, cobrindo uma área de 30x30km. Todavia, em virtude da movimentação
oceânica, os alvos esperados em tais posições imageadas não foram conduzidos
pela corrente marítima. Analisou-se que a decisão de estreitar a área de busca pelo
satélite foi ligeiramente prematura, pois algumas horas depois os primeiros focos de
destroços foram encontrados e, então, haveria a necessidade de focar as atenções
em região mais limitada.
Por fim, ratifica-se que a compreensão das características ambientais
permitirá que os algoritmos de detecção sejam mais eficientes, bem como
contribuirá para a decisão de como evoluir com as buscas orbitais.
Referências
[1] Gambardella, A., Nunziata, F., Migliaccio, M. A Physical Full-Resolution SAR Ship
Detection Filter. Geoscience and Remote Sensing Letters, IEEE., v. 5, n. 4, out, 2008.
[2] Paes, R. L., Lorenzzetti, J. A., Gherardi, D. F. M. Ship Detection Using TerraSAR-X
Images in the Campos Basin (Brazil). Geoscience and Remote Sensing Letters, IEEE. Pg.
545-548, v. 7, n. 3, 2010.
[3] Tello, M.; Lopez-Martinez, C.; Mallorqui, J.J.; A novel approach for the automatic
detection of punctual isolated targets in a noisy background in SAR imagery. Radar
Conference, 2005. EURAD 2005. European. p. 41-44. Paris, 2005.
SERFA 2010
45
Wavelets e Árvore de Decisão para a detecção de alvos
na superfície do mar em imagens Cosmo-Skymed
Rafael L Paes
Instituto de Estudos Avançados - IEAv
[email protected]
Palavras-chave: wavelets, árvore de decisão, SAR, sensoriamento remoto,
detecção de alvos, Cosmo-Skymed.
Resumo
As Wavelets e as Árvores de Decisão são técnicas bastante exploradas na
literatura científica, porém a combinação da capacidade da primeira em extrair
atributos com a flexibilidade da segunda em processar conjuntamente dados de
diversas naturezas para a classificação de alvos e de feições oceânicas.
O objetivo deste trabalho é mostrar os resultados iniciais desta abordagem
metodológica para a detecção de alvos na superfície do mar, a qual faz uso de uma
Árvore de Decisão Oblíqua [1] e de uma Overcomplete Wavelet Transform
(OCWT) [2].
As imagens, amplitude, utilizadas são do satélite italiano Cosmo-Skymed
adquiridas sobre a Bacia de Campos – RJ. O conjunto de dados contempla
resoluções espaciais de 30 a 100m, com polarizações HH e VV, nos modos
ScanSAR Wide e ScanSAR Huge. As verdades de campo foram providas pelo
Cenpes PETROBRAS e pela Marinha do Brasil (MB), através do sistema
Automatic Information System (AIS).
Os coeficientes wavelets, Equação 1, detectam padrões de descontinuidade
[2] através da iteração entre imagens de detalhes de alta e de baixa freqüência,
Equação 2, incrementando o vetor de atributos que será inserido na árvore de
decisão. Na Figura 1 é possível observar o esquema da OCWT.
(2)
SERFA 2010
46
Figura 1: Diagrama de bloco mostrando o resultado de uma iteração da OCWT.
Fonte: [2].
O modelo de árvore de decisão oblíqua foi utilizado, conforme [3], onde
uma pré-poda é estabelecida, de modo que se um nó-filho atender aos critérios de
pureza pré-estabelecidos, então não haverá necessidade da geração de nós-filhos
para este, classificando-o com um padrão. O processo decisório tem seu núcleo na
discriminante de Fischer para a divisão dos hiperplanos.
Os primeiros resultados foram obtidos, conforme visto na Figura 2. No
entanto, continuam as análises sobre as combinações de wavelets com os critérios
de divisão do espaço de atributos necessários para também evidenciar padrões de
feições oceânicas e de esteira de turbulência dos navios.
Figura 2: Imagem original à esquerda e resultado da detecção após o processamento
(plotes em preto), à direita.
Referências
[1] Yildiz, O. T.; Alpaydin, E. Linear discriminant trees. International Journal of
Pattern Recognition and Artificial Intelligence. Vol 19, No. 3. 2005.
[2] Tello, M.; Lopez-Martinez, C.; Mallorqui, J.J.; A novel approach for the
automatic detection of punctual isolated targets in a noisy background in SAR
imagery. Radar Conference, 2005. EURAD 2005. European. p. 41-44. Paris, 2005.
[3] Castro Filho, C.A.P, Medeiros, I.P. Árvore de Decisão Oblíqua. São José dos
Campos: INPE, 2009. 59 p. Relatório Técnico – Instituto Nacional de Pesquisas
Espaciais , São José dos Campos, 2009.
SERFA 2010
47
Monitoramento de Satélites para Identificação de
Janelas Temporais para Operações Militares
João R C C Lopes
Escola de Comando e Estado-Maior do Exército - ECEME
[email protected]
Palavras-chave: Monitoramento, Operações, Inteligência.
Resumo
O desenvolvimento atual alcançado pelos satélites influencia em vários
aspectos as operações militares, o desenvolvimento de um país e até o nosso próprio
dia-a-dia.
Dentro da grande variedade de satélites existentes, aqueles com finalidade
militar e os comerciais que tem capacidade de apoiar uma ação militar, possibilitam
uma vantagem ao sistema de tomada de decisão [1], além de inverterem a balança
do poder de combate caso sejam perdidos (armamento antisatélite).
O presente estudo é a primeira de três fases que procurou levantar as
possibilidades de identificação de “janelas” de não monitoramento/vigilância [2].
Ou seja, livre de IMINT, SIGINT e ELINT de satélites não nacionais, a fim de
possibilitar uma livre movimentação dos meios militares no território nacional, no
caso em estudo, meios do Exército Brasileiro. Este estudo também é parte de
análise do Sistema Integrado de Monitoramento de Fronteiras (SISFRON).
A pesquisa estabeleceu o seguinte caso hipotético: colocar uma tropa de
Goiânia (01 DOFEsp), apoiada por FAmv (01 Esqd Av) e meios terrestre de
Brasília (01 Cia GE) em operação na região da ponte rodo-ferroviária (
05°18'49.32"S - 49° 4'41.22"O) de Marabá-PA.
Inicialmente foram levantados os dados de passagem de 56 (cinquenta e
seis) satélites militares [3] e não militares lançados do ano 2000 até 2010. Nesta
amostra encontram-se catalogados satélites de IMINT, SIGINT, ELINT e
comerciais com resolução igual ou menor que a 02 (dois) metros. As bases de dados
foram coletadas em sites como o NORAD, AGI, IAI e N2yo. O software utilizado
foi o “Orbitron” (figura 1), pois é livre e de interface amigável. As fases 02 e 03
serão executadas com o módulo “Orbit Determination” do STK – AGI.
A previsão realizada conteve o lapso temporal de 72 horas, iluminação
requerida e não requerida (possibilidade de utilização de SAR) e as localizações dos
pontos de Goiânia (figura 2), Brasília, Palmas e final Marabá (figura 3).
Foram realizados os cálculos de deslocamento Amv de Goiânia até
Marabá, com reabastecimento em Brasília e Palmas. E os cálculos de deslocamento
rodoviário de Brasília para Marabá em um lanço direto e em dois lanços com
pernoite em Palmas.
SERFA 2010
48
Os resultados obtidos foram: 1475 passagens de satélites sobre as três
cidades no período considerado; 30 (trinta) possibilidades de monitoramento de
nossos meios; satélites de 05 (cinco) países diferentes; e tempo médio de
observação de 1 hora e 17 minutos.
As conclusões obtidas para esta primeira fase foram: a monitoração de
satélites para deslocamento de tropas pode fazer parte do método de solução de
problemas militares seja para Op Def/Ofs, Op GLO, Op Intlg ou para medidas
passivas de defesa em Op Conjuntas; Grande parte dos satélites é de IMINT; e Há
um grande espaço temporal entre às 1300hs e 1700hs, indicando a Pssb de
deslocamento/Op diurno.
Como este estudo tomou por base fontes abertas, nesta primeira fase não
foram analisados os satélites que possuem a capacidade de mudança de órbita.
Figura 1: Tela do software de monitoramento.
Figura 2 e 3: Localização do alvo base Goiânia e Marabá.
Referências
[1] BRASIL. Exército. Estado-Maior. IP 30-1 (1ª Parte): Atividade de Inteligência
Militar. 2. ed. Brasília, DF, 2003
[2] BRASIL. Exército. Estado-Maior. IP 30-1 (2ª Parte): Atividade de Inteligência
Militar em Operações. 2. ed. Brasília, DF, 2003
[3] LOPES, João R. C. C. Sensoriamento Remoto aplicado à Inteligência.
Brasília: Estado Maior do Exército (EME), 2003. 313 p.
SERFA 2010
49
Registro Automático de Imagens SAR Interferométricas
Roberto N Salles 1,2, José C Mura 2, Leila M G Fonseca 2
1
Instituto de Estudos Avançados - IEAv/CTA
Instituto Nacional de Pesquisas Espaciais - INPE
[email protected], [email protected], [email protected]
2
Palavras-chave: Sensoriamento Remoto, Interferometria, Registro sub-pixel, DFT
Resumo
A Interferometria de Radares de Abertura Sintética (InSAR) é uma técnica
comprovada e estabelecida de obtenção de informações através da diferença de fase
de duas imagens complexas[1]. A obtenção do par de imagens é feita por sensor
aerotransportado ou orbital. O sensor pode ser composto de uma única antena ou
por um par de antenas, o que caracteriza, respectivamente, a interferometria por
duas passagens ou de uma única passagem. Existe também a operação em tandem,
onde dois sensores distintos se aproximam da configuração de um único sensor com
duas antenas. Em todos os casos, as antenas estão separadas por uma distância
chamada baseline, definida pelo comprimento de onda do radar. No caso de duas
passagens, a aquisição é feita através de rotas idealmente paralelas.
A interferometria permite a obtenção de imagens topográficas em grandes
áreas. No entanto, para que o interferograma tenha a máxima qualidade, é preciso
que o par de imagens complexas single-look esteja registrado com a melhor
precisão possível. Quando o registro é impreciso, assume-se que cenas diferentes
compõem os mesmos pixels, causando descorrelação e consequente perda da
diferença de fase, impossibilitando a geração de um interferograma. Vários fatores
que causam descorrelação entre o par de imagens complexas podem ser tratados ou
minimizados. Fatores que geram erros de fase são: relação sinal ruído, número de
looks, descorrelação por baseline e pixels registrados incorretamente[2], sendo o
último fator o foco deste trabalho.
Para a Força Aérea, o interesse operacional está numa solução que exija o
mínimo de intervenção de um operador. Este trabalho propõe o registro preciso em
duas etapas. A primeira etapa, conhecida como registro grosseiro, utiliza o método
de registro global da correlação de fase. A segunda etapa, conhecida como registro
fino, produz uma solução baseada em polinômios cujos parâmetros são obtidos
também pelo método da correlação de fase, desta vez aplicado localmente em
pequenas janelas distribuídas uniformemente.
O registro de duas imagens pode ser dividido em quatro etapas gerais [3]:
(i) identificação de feições; (ii) casamento de feições; (iii) transformações espaciais;
e (iv) interpolação. O registro grosseiro utiliza o método global conhecido como
correlação de fase e por isso não possui identificação de feições, fazendo o
SERFA 2010
50
casamento do par de imagens no domínio da frequência. Sendo f1 e f2 as magnitudes
do par de imagens interferométricas e F1 e F2 suas respectivas transformadas de
Fourier, a correlação de fase é dada na equação (1),
C( ξ, η) =
F1 ( ξ, η) F2∗ ( ξ, η)
F1 ( ξ, η) F2∗ ( ξ, η)
(1)
onde * representa o complexo conjugado. Aplica-se por fim a transformada inversa
de Fourier a C(ξ,η). A imagem resultante aproxima-se de um impulso, isto é, uma
função aproximadamente zero em toda sua extensão, exceto na posição que
representa o deslocamento necessário para registrar o par de imagens f1 e f2. Pode-se
utilizar uma transformação intermediária em coordenadas log-polar para a obtenção
de escala e rotação. O registro fino é executado após o par de imagens ter sido
registrado grosseiramente. Seleciona-se uma grade de pequenas janelas em torno do
par de imagens interferométricas. Estas pequenas janelas são expandidas e usa-se
novamente a correlação de fase para calcular os respectivos deslocamentos. O
conjunto de deslocamentos permite a obtenção de polinômios de deformação que
ajustam o par com a resolução sub-pixel final. São usados apenas os deslocamentos
de pares de janelas que possuam alta coerência.
O algoritmo está sendo desenvolvido em linguagem IDL e será testado em
imagens orbitais SIR-C, ALOS e adquiridas pela aeronave R-99 da Força Aérea. A
eficácia do registro fino será medida de forma quantitativa através da contagem de
resíduos antes e após sua execução. Espera-se que o algoritmo seja robusto ao
registrar imagens de poucas feições como da região da floresta amazônica, além de
flexível para futura implementação em ambientes distribuídos e paralelos.
Referências
[1] Rosen, P. A.; Hensley, S.; Joughin, I.R.; Li, F.K.; Madsen, S. N.; Rodríguez, E.;
Goldstein, R. M. Synthetic Aperture Radar Interferometry. Proceedings of the
IEEE, v. 88, n. 3, p. 333-382, 2000.
[2] Li, F.K.; Goldstein, R. M. Studies of Multibaseline Spacebourne Interferometric
Synthetic Aperture Radars. IEEE Transactions on Geoscience and Remote
Sensing, v. 28, n. 1, p. 88-97, 1990.
[3] Fonseca, L. M. G.; Manjunath, B. S. Registration Techniques for Multisensor
Remotely Sensed Imagery. Photogrammetric Engineering and Remote Sensing,
American Society for Photogrammetry and Remote Sensing, v. 62, n. 9, p.
1049-1056, 1996.
SERFA 2010
51
Avaliação da Qualidade Planialtimétrica dos Produtos
Extraídos de Dados SAR Interferométricos nas
Bandas X e P do OrbiSAR
Carlos A Stelle1,2, Corina C Freitas2, Sidnei J S Sant’Anna2
1
Diretoria de Serviço Geográfico do Exército Brasileiro – DSG/EB
2
Instituto Nacional de Pesquisas Espaciais - INPE
[email protected]; {corina, sidnei}@dpi.inpe.br
Palavras-chave: sensor OrbiSAR, modelo digital do terreno, interferometria SAR
Resumo
A cartografia advém da necessidade do homem conhecer detalhadamente o
mundo onde vive. Logo, documentos cartográficos em diferentes escalas são
ferramentas fundamentais ao conhecimento do meio ambiente em escalas locais,
regionais e globais [1]. Entretanto a situação atual da cartografia mundial indica não
haver documentos que forneçam informação com qualidade adequada para muitas
regiões do planeta, particularmente na região amazônica. Nesse contexto o Exército
Brasileiro em parceria com Centro Gestor e Operacional do Sistema de Proteção da
Amazônia (CENSIPAM), Marinha do Brasil, Força Aérea Brasileira e Serviço
Geológico do Brasil, participa ativamente do Projeto Cartografia da Amazônia com
o objetivo de elaborar produtos cartográficos (planialtimétricos) nas escalas
1:100.000 e 1:50.000.
Para a consecução de tais objetivos, contratou-se a empresa OrbiSat da
Amazônia Ind. e Aerolevantamento S.A., para o aerolevantamento com o radar
interferométrico de abertura sintética que opera nas bandas X e P e possui
resoluções geométricas de 0,5m e 1,5m respectivamente. Segundo [2] a Banda X
fornece dados para os Modelos Digitais de Superfícies (MDS) com alta precisão,
alcançando até 25 cm em altura e 50 cm em resolução espacial. Os dados InSAR na
banda P permitem gerar os Modelos Digitais de Terreno (MDT) possibilitando o
mapeamento de terrenos cobertos por vegetação, como os das florestas tropicais.
Face a isso, é grande a importância de uma avaliação dos produtos gerados
na região amazônica considerando-se diversos fatores que possam vir a influenciar
a qualidade dos modelos obtidos por interferometria como relevo (gradiente de
declividade) e uso e cobertura do solo. Alguns trabalhos semelhantes podem ser
encontrados na literatura como em [3].
Nesse contexto, tendo por área de estudo o Município de São Gabriel da
Cachoeira localizado no extremo noroeste do Amazonas, o objetivo desse trabalho
consiste em avaliar a qualidade planimétrica das imagens nas bandas X e P, e
altimétrica dos Modelos Digitais do Terreno e de Superfície, gerados por [2]. Para
SERFA 2010
52
tal, serão utilizados dados de referência de amostras coletadas em campo com o uso
de receptores GPS [4] e de estação
ação total. A coleta de amostras será efetuada em
regiões de características homogêneas com relação ao relevo e uso do solo,
denominadas estratos (ver Figura 1). Posteriormente será realizada uma análise
estatística sobre os resultados obtidos nos diversos estratos, para então classificar
esses produtos em conformidade com o Padrão de Exatidão Cartográfica (PEC)
vigente no Brasil de modo a permitir seu uso em projetos de mapeamento
sistemático na Diretoria de Serviço Geográfico do Exército Brasileiro.
(a)
(b)
Legenda:
Figura 1: Imagens: (a) área de trabalho e (b) mapa de estratos.
Referências
[1] Estes, J.E.; Mooneyhan, D.W., Of maps and myths. Photogrammetric
Engineering and Remote Sensing, 60, p. 517-524, 1994.
[2] OrbiSAT. A Tecnologia OrbiSAR RFP [on line].
<http://www.orbisat.com.br/novo/pages/sensoriamento_aplica.php>. 20 out 2010.
[3] Zaloti Junior, O. D.,Freitas, C. C., Sant’Anna, S. J. S., Andrade, R. A. M.,
Avaliação do Modelo Digital do Terreno Extraído de Dados do SRTM – Uma
Abordagem Baseada na Declividade, Aspecto e Uso/Cobertura do Solo. In.:
Simpósio Brasileiro de Sensoriamento Remoto – SBSR, 13., Florianópolis, 2007.
Anais.
[4] Galo, M.; Camargo, P. O. Utilização do
o GPS no controle de qualidade de cartas.
In: Congresso Brasileiro de Cadastro Técnico Multifinalitário, 1., 1994,
Florianópolis. Anais.
SERFA 2010
53
O Projeto SIG do Exército Brasileiro
Roberto P D Estrada, Wladimir S Meyer, Vitor H P Draeger
Diretoria de Serviço Geográfico - DSG
[email protected], [email protected], [email protected]
Palavras-chave: SIG, web, desktop, dados e metadados.
Resumo
O presente trabalho tem por finalidade apresentar os software de Sistemas
de Informações Geográficas (SIG) do Projeto SIG, atualmente em desenvolvimento
pelo Departamento de Ciência e Tecnologia (DCT) do Exército Brasileiro (EB), por
intermédio da Diretoria de Serviço Geográfico (DSG) em parceria com a Fundação
de Ciência, Aplicações e Tecnologia Espaciais (FUNCATE) do Instituto Nacional
de Pesquisas Espaciais (INPE). O Projeto SIG, que tem por finalidade desenvolver
os software de SIG para ambientes web e desktop, denominados SIG Web e SIG
Desktop, além de ser um projeto institucional da área de Ciência e Tecnologia do
EB, está totalmente alinhado com a Estratégia Nacional de Defesa, elaborada pelo
Ministério da Defesa (MD), que de uma maneira geral estabelece como diretriz o
emprego de tecnologias sob domínio nacional para o atendimento das necessidades
das Forças Armadas [1], que, no Projeto SIG, se traduz pela utilização da biblioteca
TerraLib, que se trata de uma biblioteca de classes C++ para desenvolvimento de
software de SIG, desenvolvida pelo INPE [2].
Segundo Burrough e McDonnell [3], um SIG é um conjunto poderoso de
ferramentas para coleta, armazenamento, recuperação, transformação e visualização
de dados geoespaciais provenientes do mundo real.
Um SIG para ambiente web é definido em Ribeiro e Câmara [4] como um
SIG de 3ª Geração, caracterizado como um banco de dados geográfico
compartilhado por um conjunto de instituições, acessível remotamente, por meio da
internet, capaz de armazenar, além dos dados geoespaciais, as descrições acerca dos
dados (metadados) e documentos multimídia associados (texto, fotos, áudio e
vídeo).
O SIG Web é baseado em uma arquitetura de bancos de dados geográficos
distribuídos, destinado à disseminação de dados geoespaciais matriciais e vetoriais
e seus respectivos metadados. Dentre as suas principais funcionalidades, destacamse o suporte a diferentes formatos de dados, consulta a metadados, consulta a dados
vetoriais, navegação visual 2D, download de dados matriciais e vetoriais e
compatibilidade com os padrões de web services do Open Geospatial Consortium
(OGC), também conhecido como Consórcio Open GIS. Neste ano, o SIG Web
entrou em uma nova etapa, com o início do desenvolvimento de funcionalidades
voltadas para o controle da produção cartográfica e do estoque em mapoteca de
SERFA 2010
54
cartas topográficas impressas.
Há pelo menos três grandes visões a respeito da utilização de um SIG [4]:
a. ferramenta para produção de mapas;
b. suporte para análise espacial; e
c. banco de dados geográficos, para armazenamento e recuperação de
informação espacial.
O SIG Desktop é destinado à manipulação e ao processamento de dados
geoespaciais matriciais e vetoriais, tendo como principais funcionalidades o suporte
a diferentes formatos de dados, consultas a dados vetoriais, navegação visual 2D e
3D, aquisição e edição de dados vetoriais, processamento digital de imagens e
diagramação e impressão de mapas/cartas topográficas. Neste ano, o SIG Desktop
entrou em uma nova etapa, com o início do desenvolvimento de funcionalidades
voltadas para a produção cartográfica, contemplando as fases de
aerotriangulação/restituição fotogramétrica, vetorização semi-automática de
originais cartográficos, atualização cartográfica e validação topológica.
O Projeto SIG surgiu em função de demandas de SIG nas áreas de
Comando e Controle, Inteligência de Imagens e Simulação do Combate do EB, seu
código é aberto e pode ser fornecido, caso haja interesse, para órgãos públicos
militares e civis, bem como para a sociedade brasileira em geral. Os software SIG
Web e SIG Desktop representam a visão estratégica e de futuro do DCT em relação
ao domínio das geotecnologias no âmbito do EB e do Ministério da Defesa (MD),
tendo sido lançados oficialmente, na versão 1.0, em março de 2009, estando
atualmente o SIG Web na versão 2.0, lançada em maio de 2010 e o SIG Desktop na
versão 2.1.0, lançada em outubro de 2010.
Referências
[1] Brasil. Decreto N° 6.703 de 18 de dezembro de 2008. Estratégia Nacional de
Defesa. Diário Oficial da União, Brasília, DF, 19 de dezembro de 2008.
[2] Vinhas, L. e K. R. Ferreira, 2005. Descrição da TerraLib In Bancos de Dados
Geográficos,
Disponível
em:
<http://www.dpi.inpe.br/gilberto/
livro/bdados/cap12.pdf>. Acesso em: Abr 2010.
[3] Burrough, P. A. e R. A. McDonnell, 1998. Principles of Geographical
Information Systems,: Oxford University Press, Oxford, Inglaterra, 333 páginas.
[4] Ribeiro, G. e G. Câmara, 2003. Arquitetura de Sistemas de Informação
Geográfica In Introdução à Ciência da Geoinformação. Disponível em:
<http://www.dpi.inpe.br/gilberto/livro/introd/cap3-arquitetura.pdf>. Acesso em: Abr
2010.
SERFA 2010
55
Banco de Dados Geográficos
Fábio C B Pereira, Orlando D Zaloti Junior, Rafael L Paes,
Marcelo J P Monteiro
Instituto de Estudos Avançados - IEAv/CTA
{fabiocox, zaloti, rlpaes, marcelo.monteiro}@ieav.cta.br
Palavras-chave: Cartografia; Geoprocessamento; Banco de Dados Geográficos;
Sistemas de Informação Geográfica (SIG)
Resumo
A Cartografia tem como função principal gerar produtos de mapeamento
que dêem suporte a decisões de planejamento e a ações na execução de projetos que
estejam relacionadas ao espaço geográfico. O Geoprocessamento, desenvolvido a
partir da informatização da Cartografia, veio proporcionar um notável aumento de
eficiência na análise, manipulação, transmissão e gerenciamento de dados
geográficos.
Neste contexto é que a Subdivisão de Sensoriamento Remoto do IEAv
(EGI-S) detectou uma demanda por uma base de dados geográficos para seus
projetos e, em função disto, está desenvolvendo uma metodologia específica para a
composição de um banco de dados geográficos que dê suporte às suas atividades de
pesquisa e desenvolvimento.
Bancos de dados geográficos são o componente central dos Sistemas de
Informação Geográfica (SIG) e possibilitam uma grande variedade de serviços
sejam de armazenamento, análise, representação, intercâmbio ou disseminação de
dados geográficos [1].
A metodologia aplicada neste projeto apóia-se na complementaridade entre
os diversos dados geográficos (cartas digitais, imagens de sensores remotos,
modelos numéricos do terreno, fotografias aéreas, levantamentos de campo) com o
objetivo de armazenar e disponibilizar todos os dados geográficos sob
responsabilidade da EGI-S aos usuários internos do IEAv.
As atividades estão sendo desenvolvidas no Laboratório de Geomática
(LabGeo) da EGI-S; a base de dados é composta por cartas digitais e por imagens
de sensores diversos. O banco de dados geográficos será construído usando o
sistema PostGreSQL [2], um Sistema Gerenciador de Bando Dados (SGBD) de
código aberto, que possui uma extensão espacial, o PostGIS [3], responsável pelo
gerenciamento, armazenamento e tratamento dos dados geográficos.
O PostGreSQL é uma ferramenta de geoprocessamento que suporta
arquivos com grande quantidade de informações, com desempenho de alta
performance e que permite o intercâmbio de dados com outros SIG’s.
SERFA 2010
56
O Sistema Gerenciador de Bando Dados (SGBD), ou seja, um conjunto de
softwares que gerencia a estrutura e os controles de acesso aos dados armazenados
em um banco de dados [4], será utilizado em associação a um SIG.
O SIG, por sua vez, é uma ferramenta de fundamental importância para o
suporte ao planejamento e gestão de projetos, que tenham atividades relacionadas à
localização espacial na superfície terrestre. O emprego de um SIG agiliza o
gerenciamento do banco de dados geográficos, apóia a tomada de decisões,
proporciona simulações eficientes e facilita as atividades multidisciplinares.
As atividades estão em fase inicial, priorizando a capacitação de pessoal e
a coleta de dados.
Figura 1: Arquitetura de sistemas de informação geográfica[1]
Referências
[1]
Instituto
Nacional
de
Pesquisas
Espaciais.
[on
line].
<http://www.dpi.inpe.br/livros/bdados/>. Out, 06. 2010.
[2] PostgreSQL. [on line]. <http://www.postgresql.org/>. Out, 07. 2010.
[3] Refractions Research. [on line]. <http://refractions.net/>. Out,07. 2010.
[4] Rigaux, P., Scoll, M; Voisard, A. Spatial Databases. (Ed) Morgan Kaufmann
Publishers, San Francisco, USA, 2002.
SERFA 2010
57
Descrição do Processamento SAR/R-99
Marcelo J P Monteiro, Marcus V T Monteiro, Júlio M A Maranhão
Instituto de Estudos Avançados - IEAv/CTA
{marcelo.monteiro, monteiro, julio}@ieav.cta.br
Palavras-chave: Aquisição, GSP, mapeamento, processador, resolução, SAR/R-99
Resumo
O radar de abertura sintética que equipa as aeronaves R-99 da Força Aérea
Brasileira (SAR/R-99) tem seu emprego militar em reconhecimento e sua aplicação
civil é voltada para o controle de áreas de desflorestamentos e queimadas, além do
monitoramento da mancha urbana [1].
O SAR/R-99 possui um modo interferométrico capaz de produzir imagens
da banda L e banda X e modelos de elevação do terreno a partir de uma única
coleta, facilitando o processo de registro das imagens com o modelo do terreno [2].
O processamento dos dados provenientes do SAR/R-99 é realizado pelo
processador de solo do SAR (Ground SAR Processor – GSP).
Existem seis formas de aquisição dos dados no modo de mapeamento do
SAR/R-99, nos três tipos de resolução disponíveis, sendo que duas dessas
armazenam as informações interferométricas apenas em alta resolução.
Durante a realização do levantamento aéreo, os dados são armazenados em
discos rígidos, que após o vôo são descarregados em unidade física, controlada pelo
GSP. O GSP, então, decodifica esses dados separando-os em arquivos banda X,
banda L e interferométricos (Figura 1).
Figura 1: Fluxo do Processamento SAR
Os produtos obtidos na banda X são imagens multilook com 3, 6 e 18
metros de resolução geométrica, com uma polarização (HH) e largura de faixa
máxima de 20, 40 e 120 km, respectivamente.
Na banda L são originadas imagens multilook, nas quatro polarizações,
com as mesmas resoluções e larguras de faixa das imagens na banda X.
O SAR/R-99 no modo de mapeamento, ainda, gera um par
interferométrico na banda X (InSAR), que processado pelo GSP, dá origem ao
SERFA 2010
58
modelo digital de elevação relativo (RDEM), com 5 metros de resolução
geométrica.
No RDEM as informações de altura são relativas, pois o SAR, por si só,
não é capaz de determinar a altitude absoluta dos pontos do terreno [3].
Todos os produtos gerados pelo GSP contêm informações sobre os
parâmetros de operação do radar, da trajetória de coleta e o registro geográfico da
imagem.
Graças à velocidade de coleta de dados, em torno de 650 km/h, associada
às larguras de faixa, o SAR/R-99 realiza um imageamento de 215 km²/min até
1300 km²/min. Essa elevada capacidade de obtenção de dados em curto espaço de
tempo gera um grande volume de informações a ser processado, o que torna o GSP
uma ferramenta de suma importância. Composições entre os produtos do GSP
podem ser feitas, possibilitando o reconhecimento, mapeamento e monitoramento
de grandes áreas (Figura 2).
Figura 2: Composição colorida de imagens SAR/R-99
de baixa resolução (R[Lhv], G[X], B[Lhh])
Referências
[1] Monteiro, M.J.P.; Zaloti, O.D.J. Avaliação cartográfica da ortoimagem
SAR/R-99, da banda X, com o emprego do RDEM – área de pesquisa:
Formosa-GO. In.: X Workshop Anual de Pesquisa e Desenvolvimento do IEAv,
São José dos Campos-SP, 2010.
[2] Leung, S. In.: SIVAM Airborne SAR System Operations Manual. (Ed)
MacDonald Detwiller Associates, Richmond, Canadá, 2000.
[3] Veiga, R.Q.; Monteiro, M.J.P.; Monteiro, M.V.T.; Zaloti, O.D.J. Descrição do
Processo de Ortorretificação das Imagens SAR/R-99. In.: XXIV Congresso
Brasileiro de Cartografia, Aracaju-SE, 2010. Anais.
SERFA 2010
59
Processamento de Imagens Aéreas em tempo-real em
Sistemas Embarcados
Elcio H Shiguemori, Felipe L L Medeiros, Daniel Roos,
Marco A P Domiciano
Instituto de Estudos Avançados - IEAv/CTA
{elcio, felipe, droos, pizani}@ieav.cta.br
Palavras-chave: Navegação autônoma, VANT, processamento de imagens.
Resumo
Na maioria das aplicações de sensoriamento remoto, o processamento dos
dados em tempo-real e embarcado pode trazer diversas vantagens, entre elas,
aumento de captura de dados de uma área de interesse e economia de recursos.
Grande parte das análises de dados de sensoriamente remoto é dividida em quatro
fases, que são realizadas separadamente, a de captura, a de armazenamento, a de
processamento dos dados e da análise das informações, sendo o processamento e a
análise feitos a posteriori. É evidente que estes dois processos realizados juntamente
com os processos de captura, executados em tempo-real e embarcado, propicia
tomadas de decisões que podem aumentar a eficiência da aplicação. Um exemplo,
pode ser no monitoramento de fronteiras com uso de Veículos Aéreos NãoTripulados (VANT). Durante o vôo, processar imagens e identificar
automaticamente informações destas imagens pode propiciar a decisão de se alterar
uma missão pré-planejada a fim de se dar mais ênfase em uma zona suspeita. Um
outro exemplo, seria no monitoramento agrícola com uso de VANTs. Durante o
vôo, partes de uma plantação com algum tipo de problema poderiam ser
identificadas e obter dados detalhados da parte afetada.
Neste trabalho apresenta-se um sistema embarcável para o processamento
de imagens em tempo real aplicado à navegação autônoma de VANTs. Alguns
estudos sobre navegação autônoma por imagens têm sido apresentados [1-3],
mostrando que os conceitos podem ser aplicados em situações reais. Tanto os
algoritmos de cálculo de trajetória [4] e visão computacional [3] foram
considerados.
A implementação foi realizada em dois diferentes arquiteturas de
hardware, uma PC104 e um Core 2 Duo. Foram utilizados os sistemas operacionais
Linux e Windows, com comunicação via TCP-IP. Os testes foram realizados
utilizando-se o simulador de vôo, onde foram consideradas condições reais de vôo,
como turbulências e condições climáticas. A técnica de visão computacional testada
foi gradiente conjugado e informação mútua [3], os algoritmos de navegação
considerados foram os apresentados em [4]. A Figura 1, ilustra os hardwares
SERFA 2010
60
considerados neste trabalho, Figura 1 (a) a PC-104
104 e a Figura 1 (b) a arquitetura
com processador Core2Duo.
(a)
(b)
Figura 1: (a) PC104 e (b) Core 2 duo.
se estes sistemas em laboratório,
Os resultados foram obtidos testando-se
sendo considerados os hardwares em diferentes condições de vôo e imagens de
diferentes sensores. Tanto técnicas de planejamento automático de rotas e
processamento de imagens foram consideradas.
ideradas. O trabalho mostra a viabilidade de
processamento sem tempo-real
real e embarcado, que pode ser aplicado nas mais
diversas aplicações de sensoriamento remoto, entre elas, na navegação autônoma de
VANTs baseada em imagens.
Referências
[1] Shiguemori, E.. H., Monteiro, M.V.T., Martins, M.P. Landmarks recognition for
autonomous aerial navigation by neural networks and Gabor transform Anais:
IS&T/SPIE 19th Annual Symposium Eletronic Imaging Science and Technology,
2007, San Jose, CA, USA. Image Processing: Algorithms and Systems V., 2007.
v.6497.
[2] A. Canhoto, E. H. Shiguemori, M. A. P. Domiciano, Image Sequence
Processing Applied to Autonomous Aerial Navigation, Anais: IEEE International
Conference on Signal and Image Processing Applications (ICSIPA), Kuala
Kua
Lumpur. vol. 1, Nov. 2009.
[3] Monteiro, M.V.T., Shiguemori, E. H., Martins, M.P., Medeiros, F.L.L.,
Domiciano, M.A.P. Ikonos and Video Image Registration Using Gradient
Correlation, Mutual Information and Combined Mutual and Gradient Information
Anais: SIBGRAPI - Simpósio Brasileiro de Computação Gráfica, Processamento
de Imagens e Visão Computacional, Manaus, 2006.
[4] Medeiros, F.L.L., Shiguemori, E. H., Monteiro, M.V.T., Domiciano, M.A.P.,
Martins, M.P. Verificação Automática de Situações de Colisão na Navegação de
Veículos Aéreos Não Tripulados Anais: ENIA - VI Encontro Nacional de
Inteligência Artificial, Rio de Janeiro, 2007.
SERFA 2010
61
Monitoramento do Antropismo através do ProAE
(Programa de Monitoramento de Áreas Especiais) em
Terras Indígenas nos estados do Pará e Amapá
Nicola S Tancredi, Jamer A Costa, Jakeline S Viana,
Gustavo F Cardoso
Sistema de Proteção da Amazônia - SIPAM/CR Belém
{nicola.tancredi, jamer.costa, jakeline.viana, gustavo.cardoso}@sipam.gov.br
Palavras-chave: Terras Indígenas, Antropismo, ProAE.
Resumo
O Programa de Monitoramento de Áreas Especiais (ProAE) do Centro
Gestor e Operacional do Sistema de Proteção da Amazônia (CENSIPAM)
utiliza técnicas de sensoriamento remoto para monitorar e identificar atividades de
antropismo e indícios de ilícitos em Unidades de Conservação e Terras Indígenas
(TI). Neste trabalho, será discutida a evolução do antropismo das Terras Indígenas
pertencentes aos estados do Pará e Amapá, sob jurisdição do Centro Regional de
Belém (SIPAM/CR-BE), tais valores foram obtidos no âmbito do ProAE para os
anos de 2007, 2008 e 2009. A área de estudo é composta por 47 TI, sendo 5
situadas no estado do Amapá, possuindo extensão de cerca de 4.196.819 hectares, e
42 no Pará, com área de 28.455.588 hectares, perfazendo um total de 32.652.407
hectares. Foram selecionadas as imagens TM Landsat 5 dos anos 2007, 2008 e 2009
que recobrem as TI, que apresentaram menor cobertura de nuvens.
A correção geométrica das imagens de 2007 foi realizada através do
método polinomial de 1ª ordem e interpolação pelo método do vizinho mais
próximo, usando como referência as imagens Geocover. As imagens de 2007 foram
utilizadas para fornecer os dados iniciais da análise (ano base). Em seguida
realizou-se classificação automática supervisionada para o cálculo do antropismo
acumulado até o ano 2007, utilizando o método MAXVER (Máxima
Verossimilhança). A imagem matricial resultante da classificação foi editada e em
seguida vetorizada, cujo resultado foi o arquivo de antropismo acumulado até 2007.
As imagens TM Landsat 5 com ano de aquisição em 2008 e 2009 foram
georreferenciadas a partir das imagens 2007. Todos os processamentos de
georreferênciamento, classificação e edição matricial foram realizados no software
ENVI 4.6. A partir do arquivo vetorial de antropismo acumulado até 2007, foram
feitos acréscimos do antropismo 2008 e 2009 no software ArcGIS 9.3.
As 5 Terras Indígenas do estado do Amapá apresentaram 9.238,11 hectares
de antropismo até o ano de 2007 (0,22%), com incremento de 871,59 hectares em
2008 (9,43% em relação ao valor de 2007) e 177,92 hectares em 2009 (1,76% em
SERFA 2010
62
relação ao valor do antropismo acumulado até 2008). Em relação às 42 TI situados
no estado do Pará, têm-se 341.487,33 hectares de antropismo até o ano de 2007
(1,20%), incremento de 56.011,34 hectares em 2008 (16,4% em relação ao valor de
2007) e 43.890,89 hectares em 2009 (11,04% em relação ao valor do antropismo
acumulado até 2008). No ranking das 10 Terras Indígenas com maiores índices de
antropismo até o ano de 2009, todas estão situadas no estado do Pará, conforme
tabela abaixo [1].
Tabela 1 – Listagem das Terras Indígenas mais antropizadas no Amapá e Pará
Antropismo
1°
2°
3°
4°
5°
6°
7°
8°
9°
10°
Terra Indígena
ALTO RIO GUAMA
APYTEREWA
CACHOEIRA SECA
ANDIRA-MARAU
KAYAPO
KAYABI
MUNDURUKU
NHAMUNDA-MAPUERA
XICRIM DO CATETE
SARAUA
Área
Hectares
Antropismo
2007 (ha)
282287
773470
751479
789943
3303730
1053170
2386624
1048588
439150
18636
44827
65039
40877
45083
22482
29858
10025
9421
7865
7241
Incremento 2008
(ha)
14337
6536
4019
339
19648
861
456
48
1048
373
Incremento 2009
(ha)
17782
1851
15402
1246
620
106
173
119
31
1071
Antropismo Total
76946
73426
60298
46668
42750
30825
10654
9588
8943
8684
%
Antropismo
Acumulado
27,2
9,5
8,0
5,9
1,3
2,9
0,4
0,9
2,0
46,6
Através da produção de notas de alerta e utilização de ferramentas de
sensoriamento remoto, levantou-se os tipos de impactos ambientais existentes nas
áreas mais antropizadas, com objetivo de otimizar o monitoramento ambiental e
auxiliar as ações dos órgãos de fiscalização e proteção e controle ambiental. A
Terra Indígena Sarauá apresenta em quase toda a sua extensão a presença de
exploração seletiva de madeira (Figura 1).
Figura 1 – Carta-Imagem TI Sarauá com Extração Seletiva de Madeira
Na Terra Indígena Cachoeira Seca constatou-se um incremento na taxa de
antropismo em aproximadamente 383,27%, com 15402,93 hectares, no período
monitorado entre 2008 e 2009, tal antropismo está principalmente relacionado à
atividade de expansão agropecuária, com desmatamento em corte raso.
As análises de sensoriamento remoto possibilitam detectar as atividades
antrópicas em menor intervalo de tempo entre a ocorrência do impacto ambiental,
gerando dados mais dinâmicos e atualizados para atuação dos órgãos parceiros nas
Áreas Especiais que estão sob forte pressão antrópica.
Referência
[1] SIPAM. Sistema de Proteção da Amazônia. 2009. Centro Regional de
Belém/PA. Programa de Monitoramento de Áreas Especiais.
SERFA 2010
63
Índice de Autores
Alexandre J Almeida
25
Liane M A Dornelles
Aline L Coelho
25
Luciano V Dutra
21
Andre Salvagnini
15
Luiz B Neto
31
Antonio H Correia
35
Marcelo J P Monteiro
Antonio N C S Rosa
1
31
39, 43, 55, 57
Marcelo R A Maranhão
25
15
Carlos A P Castro Filho
33
Márcio B Ferreira
Carlos A Stelle
51
Marcio L Vianna
23
Carlos F S Volotão
21
Marco A P Domiciano
59
41
Marcus F S Saldanha
37
29, 37, 51
Marcus V T Monteiro
39, 43, 57
Cibele T Pinto
Corina C Freitas
Daniel Roos
Edinelson F Sena
59
1, 17
Maria J P Lamosa
43
Marilea F Melo
25
Eduardo N Oliveira
27
Monica M De Marchi
Elcio H Shiguemori
59
Nicola S Tancredi
Eristelma T J B Silva
11
Noris C Diniz
13
Fabiano C Almeida
35
Orlando D Zaloti Jr
55
Fábio C B Pereira
55
Paulo P O Matos
15
Fausto B Mendonça
13
Pierre Moura
35
Felipe L L Medeiros
59
Rafael L Paes
43, 45, 55
Flávio J Ponzoni
41
Rafael D C Santos
21
Flávio T Fernandes
17
Renato F Rocha
15
Frederico N Almeida
11
Ricardo Domingues
27
Guaraci J Erthal
21
Ricardo Q Veiga
57
19, 61
Roberto N Salles
49
Gustavo F Cardoso
Gustavo M M Baptista
13
43
19, 61
Roberto P D Estrada
53
Jakeline S Viana
19, 61
Rogerio G Negri
29
Jamer A Costa
19, 61
Ruy M Castro
41
João R C C Lopes
José C Mura
Júlio M A Maranhão
7, 9, 47
49
39, 57
Sérgio R H Gamba
Sidnei J S Sant’Anna
3, 5
29, 37, 51
Vitor H P Draeger
53
Karla S Teixeira
31
Viviane V Menezes
23
Leando Calado
27
Wagner B Silva
29
Leila M G Fonseca
49
Wandrey B Watanabe
27
Leonardo S L Silva
25
Wladimir S Meyer
53