Catalogo SERFA 10
Transcrição
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