Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouFilipe Pinheiro Alterado mais de 10 anos atrás
1
Universidade Federal de Alagoas Centro de Tecnologia - CTEC ArcToolbox Carlos Ruberto Fragoso Júnior www.ctec.ufal.br/professor/crfj 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
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
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.