A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Universidade Federal de Alagoas Centro de Tecnologia - CTEC ArcToolbox Carlos Ruberto Fragoso Júnior www.ctec.ufal.br/professor/crfj 1.

Apresentações semelhantes


Apresentação em tema: "Universidade Federal de Alagoas Centro de Tecnologia - CTEC ArcToolbox Carlos Ruberto Fragoso Júnior www.ctec.ufal.br/professor/crfj 1."— Transcrição da apresentação:

1 Universidade Federal de Alagoas Centro de Tecnologia - CTEC ArcToolbox Carlos Ruberto Fragoso Júnior 1

2 Sumário Cases Precipitação média anual (polígonos de Thiessen); ٧ Interpolação; ٧ Composição colorida; ٧ Criação de mosaicos a partir de planos de informações; ٧ Georeferenciamento de mapas e imagens; Operações com vetores e matrizes; Classificação de imagens; Cálculo de áreas e distâncias; Criação de perfil topográfico

3 Georeferenciamento de Mapas e Imagens

4 Definir sistema de referência do Data frame

5 Importe imagem no Add data

6 Ative o toolbar Georeferencing

7 Faça a marcação dos pontos em Add control points

8 Use o zoom para ser preciso!

9 Com o botão direto do mouse defina as coordenadas

10 Entre com as coordenadas

11 Confira os pontos marcados usando View Link Table

12 Verifique o erro residual

13 Atualize o Georeferenciamento

14 Operação com vetores e Rasters

15 Operação com vetores Foram vistos algumas funções que operam vetores: União Estatísticas Join Intersecção Etc..

16 Operação com rasters Use Spatial Analyst Tools

17 Classificação de Imagens

18 Classificação Tradicionalmente a classificação de imagens era realizada a partir da interpretação visual. Interpretação visual é muito poderosa. (cor, textura, geometria, vizinhança, conhecimento da região)

19 Classificação automática Embora a interpretação visual seja poderosa, a velocidade e a capacidade de repetição da classificação automática no computador é muito atraente e hoje em dia a maior parte das atividades de classificação conta com a classificação automática guiada por interpretação humana.

20 Metodologia básica de classificação automática Tomar valores de um mesmo pixel nas n bandas e decidir a qual classe pertence.

21 Resposta espectral de alvos

22 Imagem multiespectral

23 Classificação Utilizar diferenças de assinatura espectral de diferentes alvos para classificar automaticamente a cobertura vegetal e o uso do solo. Vai depender de: Diferenças na assinatura espectral dos alvos Capacidade de distinguir estas diferenças.

24 Tipos de classificação Supervisionada Usuário fornece pistas para a classificação. Não supervisionada Usuário não fornece pistas para a classificação. A classificação é realizada de forma completamente automática e deve ser verificada depois. Análise estatística de clusters ou amontoados ou grupos. Exemplo em histograma.

25 Exemplo classificação não supervisionada

26 b1 b2 b3 b4 b5 b7 reflectancia

27 Clusters (muitos pixels) Banda 3 Banda 4

28 Classificação supervisionada Definir classes em que se deseja classificar a imagem. Delimitar regiões em que estas classes se manifestam (áreas de treinamento). Analisar as estatísticas de cada uma das classes com base na amostra obtida das áreas de treinamento. Classificar as imagens com base num algoritmo que decide a qual classe pertence cada pixel, com base na sua semelhança espectral com as amostras das classes. Desenho no quadro

29 Definir classes Quais são as classes que interessam? Quais são as classes que eu posso diferenciar com base nas informações (bandas) que eu tenho?

30 Delimitar regiões em que as classes se manifestam Criar uma composição colorida e interpretar visualmente, criando polígonos sobre a as áreas. ou No caso de uma imagem recente, ir a campo e delimitar áreas com classes típicas usando GPS.

31 Composição 3 4 5

32

33 1 2

34 Classes Solo nu Floresta Água Queimada Pastagem

35 No ArcMap, adicione a imagem

36 Digitalize polígonos identificando possíveis classes em sua imagem

37 Crie as assinaturas Spatial Analyst Tools > Multivariate > Create Signatures

38 Classificação Spatial Analyst Tools > Multivariate > Maximum Likelihood

39


Carregar ppt "Universidade Federal de Alagoas Centro de Tecnologia - CTEC ArcToolbox Carlos Ruberto Fragoso Júnior www.ctec.ufal.br/professor/crfj 1."

Apresentações semelhantes


Anúncios Google