Sensoriamento Remoto em R

Sensoriamento
Remoto em R
Ângela Terumi Fushita
Vitor Vieira Vasconcelos
Introdução ao uso de dados espaciais para estudos ambientais
Programa de Pós-Graduação em Ciência e Tecnologia Ambiental
Universidade Federal do ABC
Março, 2019
Santo André - SP

Objetivo
Adquirir os conhecimentos e
habilidades básicas relacionados a
sensoriamento remoto no
ambiente R

Conteúdo
•Fontes de imagens de satélite
•Manipulação e visualização de imagens
•Índices espectrais e transformações
•Classificação espectral

Materiais de aula disponíveis em:
Baixar os dados em: D:/R_CTA/aula6/
https://yadi.sk/d/zy-M4wQdLs4RhQ

Livro de Referência
Wegmann, Martin, Benjamin Leutner, and
Stefan Dech, eds. Remote sensing and
GIS for ecologists: using open source
software. Pelagic Publishing Ltd, 2016.
●
PDF:
https://yadi.sk/d/Omaep6aBocRdwg
●
Site de apoio:
http://book.ecosens.org/
●
Conteúdo de referência:
– Vetorização (QGis)
– Álgebra de mapas (R)
– Sensoriamento remoto (R)
– Modelagem de distribuição de
espécies (R)

Tutoriais
https://www.rspatial.org/rs/index.html

Série Landsat
https://landsat.usgs.gov/landsat-missions-timeline

Thematic Mapper (TM)
https://landsat.usgs.gov/what-are-band-designations-landsat-satellites
Bandas Comprimento de
Onda (μm)
Resolução
(m)
1 – Azul 0.45-0.52 30
2 – Verde 0.52-0.60 30
3 - Vermelho 0.63-0.69 30
4 – Infravermelho
Próximo (NIR) 0.76-0.90 30
5 - Infravermelho de
ondas curtas (SWIR) 1 1.55-1.75 30
6 - Termal 10.40-12.50 120* (30)
Landsat 5Landsat 5
Resolução Radiométrica – 8 bits

Landsat 8Landsat 8
Onda (μm)
Resolução
(m)
1 - Ultra azul (costas/aerosol) 0.43 - 0.45 30
2 - Azul 0.45 - 0.51 30
3 – Verde 0.53 - 0.59 30
4 – Vermelho 0.64 - 0.67 30
5 – Infravermelho Próximo (NIR) 0.85 - 0.88 30
6 – Infravermelho de Ondas Curtas
(SWIR1)
1.57 - 1.65 30
7 – Infravermelho de Ondas Curtas
(SWIR2)
2.11 - 2.29 30
8 - Pancromático 0.50 - 0.68 15
9 - Cirrus 1.36 - 1.38 30
10 – Termal (TIRS) 1 10.60 - 11.19 100 * (30)
11 – Termal (TIRS) 2 11.50 - 12.51 100 * (30)
Resolução Radiométrica – 12 bitsOperational Land Imager (OLI)

A série LandsatA série Landsat
https://landsat.gsfc.nasa.gov/about/technical-information/

Imagens Landsat Gratuitas:Imagens Landsat Gratuitas:
Portal EarthExplorerPortal EarthExplorer
https://earthexplorer.usgs.gov/
Registro e Login

EarthEarth
ExplorerExplorer
Landsat Archive
Collection 1 Level-2:
Imagens ortorretificadas com
correção atmosférica
(ordem por e-mail)
●
Não inclui:

pancromática (15m)

termais (60m)
Collection 1 Level-1
Imagens ortorretificadas
(download direto)
L8 = Landsat 8 (OLI)
L4-5 = Landsat 4 e 5 (TM)

OrtorretificaçãoOrtorretificação
http://www.geoimage.com.au/services/imageprocessing
https://wiki.hexagongeospatial.com/index.php?title=Orthorectification

Correção AtmosféricaCorreção Atmosférica
Antes Depois
http://www.hkcoastalwaterquality.tk/Methodology.html https://www.mapbox.com/blog/atmospheric-correction-comparison/

Earth ExplorerEarth Explorer
Download
direto dos
dados de
nível 1

SRTM – 30 metros
Máscara de água

Satélite MODIS
com correção atmosférica
●
Resolução temporal:

Diário

Composto de 8 dias
●
Resolução espacial:

250m (2 bandas)

500m (7 bandas)

1km (3 bandas termais)
●
Produtos derivados

Uso e cobertura da terra

Índices de Vegetação
Terra
Aqua

Satélite MODIS
com correção atmosférica
●
Combinação Terra + Aqua
●
Resolução temporal: diário
●
Resolução Espacial

500m (7 bandas)

1km (12 bandas)

Satélites Sentinel
●
Sentinel 1 – Radar
– A partir de 2014
– GRD – Ground Range Detected
– Resoluções: 9m (SM), 20m (IW) e 50m (EW)
●
Sentinel 2 – Passivo
– A partir de 2015
– S2MSI2A e S2MSI2Ap
– Ortorretificação
– Correção atmosférica

Usos do Radar
●
Imagens em dias com nuvens
http://www.riice.org/how-riice-works/earth-observation-data-collection/

Usos do Radar
Imagens em dias com nuvens
Sentinel 1 Landsat 8
Sumatra (Indonésia), 2015
https://blog.conservation.org/2016/03/cloud-piercing-satellites-unleash-torrent-of-new-data-new-insights-into-planet-earth/

Usos do Radar
●
Detecção de áreas alagadas
– Espelho d’água reflete sinal
http://www.un-spider.org/book/export/html/7322
Imagemantes
dainundação
Imagemdurante
ainundação

Usos do Radar
Detecção de movimentos na superfície
Terremotos Movimentos de massa
Perugia (Itália), 30 out. 2016 Maoxian (China), 2014-2017
Intrieri, E.,et al.., 2018. The Maoxian landslide as seen from space: detecting precursors of failure with Sentinel-1 data. Landslides, 15(1), pp.123-133.
Polcari, M., et al. 2017. Using multi-band InSAR data for detecting local deformation phenomena induced by the 2016–2017 Central Italy seismic sequence
Remote Sensing of Environment, 201, pp.234-242.

Usos do Radar
Detecção de movimentos na superfície
Cabral-Cano, E., Dixon, T.H., Miralles-Wilhelm, F., Díaz-Molina, O., Sánchez-Zamora, O. and Carande, R.E., 2008. Space geodetic
imaging of rapid ground subsidence in Mexico City. Geological Society of America Bulletin, 120(11-12), pp.1556-1566.
Taxa de subidência na Cidade do México

Usos do Radar
●
Características geométricas e físicas dos
objetos
– Estruturas de folhas e galhos
– Altura e biomassa de florestas
Fernandez-Ordonez, Y., Soria-Ruiz, J. and Leblon, B., 2009. Forest inventory using optica
and radar remote sensing. In Advances in Geoscience and Remote Sensing. InTech.

Usos do Radar
●
Características geométricas e físicas dos
objetos
https://www.nasa.gov/topics/earth/features/forest20120217.html

Sentinel 2 – Resolução Espacial

https://landsat.gsfc.nasa.gov/sentinel-2a-launches-our-compliments-our-complements/
Comparação Sentinel-2 e Landsat

https://twitter.com/usgslandsat/status/773939936755982336
Comparação Sentinel-2,
Landsat e MODIS

https://scihub.copernicus.eu/
Copernicus Open Access Hub

Selecionar área e interesse
Arrastar
Desenhar

Conteúdo
•Fontes de imagens de satélite
•Manipulação e visualização de imagens
•Índices espectrais
•Classificação espectral

●
Criar um novo script de
programação
●
Abrir o script aula6.R

●
Configurar o diretório de trabalho
●
Exemplo de código:
setwd("D:/R_CTA/aula6")
●
Confirmando o diretório de trabalho
getwd()

●
É sempre recomendável verificar
atualizações nos pacotes instalados antes
de começar a trabalhar
Comando:
update.packages(ask=FALSE)

Interpretação de
Imagens de Satélite
Estes, J.E., Hajic, E.J. and Tinney, L.R., 1983. Fundamentals of image analysis: Analysis of visible
and thermal infrared data. Manual of remote sensing, 1, pp.987-1124.
Elementos Básicos Primário
Secundário
Terciário
Superior
Tom/Cor
Tamanho Forma Textura
Padrão Elevação Sombra
Local Associação
Arranjo espacial
dos tons/cores
Grau de
complexidade

Importar bandas Landsat 8 de 2018
## ultra azul
b1 <- raster('landsat_2018_abc/LC08_L1TP_219076_20180830_20180911_01_T1_sr_band1.tif')
## azul
## verde
## vermelho
## infravermelho proximo
## infravermelho de ondas curtas 1

Visualizar o infravermelho próximo
plot(b5, col = gray(0:100 / 100))

Criando um RasterStack
landsat_2018_abc <- stack(b1,b2,b3,b4,b5,b6,b7)
landsat_2018_abc

Sistema Aditivo
RGB
Aplicado para sistemas
que trabalham com
emissão de luz

RGB no Sensoriamento RemotoVermelhoVerdeAzul
Combinação RGB
Campus da UFABC SBC

https://www.esri.com/arcgis-blog/products/product/imagery/band-combinations-for-landsat-8/
Combinações para visualização
Finalidade R G B
Cor natural vermelho verde azul
Vegetação
infravermelho
próximo
vermelho verde
Urbano
infravermelho de
ondas curtas 2
infravermelho de
ondas curtas 1
infravermelho
próximo
Agricultura
infravermelho de
ondas curtas 1
infravermelho
próximo
vermelho

Visualização RGB
●
Cor natural
plotRGB(landsat_2018_abc, r=4, g=3, b=2, axes=TRUE, stretch="lin")
Ajuste linear
do histograma
Bandas
1 - Ultra azul (costas/aerosol)
2 - Azul
3 – Verde
4 – Vermelho
5 – Infravermelho Próximo (NIR)
6 – Infravermelho de Ondas Curtas (SWIR1)
7 – Infravermelho de Ondas Curtas (SWIR2)
8 - Pancromático
9 - Cirrus
10 – Termal (TIRS) 1
11 – Termal (TIRS) 2
Bandas
visualizadas

Visualização RGB
●
Cor natural
Ajuste linear
do histograma
Bandas
visualizadas

https://www.esri.com/arcgis-blog/products/product/imagery/band-combinations-for-landsat-8/
Exercício 1: visualizar as imagens nas combinações
para vegetação, urbano e agricultura
Finalidade R G B
Cor natural vermelho verde azul
Vegetação
infravermelho
próximo
vermelho verde
Urbano
infravermelho de
ondas curtas 2
infravermelho de
ondas curtas 1
infravermelho
próximo
Agricultura
infravermelho de
ondas curtas 1
infravermelho
próximo
vermelho

Exercício 2: Importar as imagens Landsat 5 de 1986 e
visualizar em RGB de cor natural
Onda (μm)
Resolução
(m)
1 – Azul 0.45-0.52 30
2 – Verde 0.52-0.60 30
3 - Vermelho 0.63-0.69 30
4 – Infravermelho
Próximo (NIR) 0.76-0.90 30
6 - Termal 10.40-12.50 120* (30)

Importar e visualizar a área de interesse
mun_abc <- read_sf("mun_abc.shp")
st_crs(mun_abc)
crs(landsat_2018_abc)
wgs84utm <-as.character(crs(landsat_2018_abc))
mun_abc_wgs84 <- st_transform(mun_abc, wgs84utm)
st_crs(mun_abc_wgs84)

Importar e visualizar a área de interesse
plot(st_geometry(mun_abc_wgs84), add=TRUE, border="yellow")

Zoom para a área de interesse
plotRGB(landsat_2018_abc, r=4, g=3, b=2, axes=TRUE,
stretch="lin", ext=extent(mun_abc_wgs84))

Recortar a extensão para a área de interesse
landsat_2018_abc_crop <- crop(landsat_2018_abc, mun_abc_wgs84)
plotRGB(landsat_2018_abc_crop, r=4, g=3, b=2, stretch="lin")

Mascarar pixels fora da área de interesse
landsat_2018_abc_mask <- mask(landsat_2018_abc_crop, mun_abc_wgs84)
object.size(landsat_2018_abc_crop)
object.size(landsat_2018_abc_mask)
writeRaster(landsat_2018_abc_mask, "landsat_2018_abc_mask.tif")
landsat_2018_abc_mask2 <- stack("landsat_2018_abc_mask.tif")
object.size(landsat_2018_abc_mask2)
rm(landsat_2018_abc_mask)
Boa prática de remover arquivos intermediários da memória
RasterBrick
RasterStack

Visualizar área mascarada
plotRGB(landsat_2018_abc_mask2, r=4, g=3, b=2, stretch="lin")

Importar e mascarar a banda
pancromática (15m)
b8 <- raster('landsat_2018_abc/LC08_L1TP_219076_20180830_20180911_01_T1_B8.TIF')
b8_crop <- crop(b8, mun_abc_wgs84)
b8_mask <- mask(b8_crop, mun_abc_wgs84)
writeRaster(b8_mask, "b8_mask.tif")
b8_mask2 <- raster("b8_mask.tif")
rm(b8_mask) # boa pratica de apagar arquivos temporario muito grandes
plot(b8_mask2, col=gray(0:100 / 100))

Importar e mascarar a banda
pancromática (15m)
install.packages("RStoolbox")
library(RStoolbox)
ggR(b8_mask2, stretch="lin")

Exercício 3
Recortar e mascarar a imagem de 1986,
e gravar a visualização da imagem em RGB em
cor natural

Índices Espectrais
●
Combinações de bandas para aplicações
específicas
●
NDVI - Normalised Difference Vegetation Index
Rouse, J.W. Jr., R.H. Haas, D.W. Deering, J.A. Schell, and J.C. Harlan,1974. Monitoring the Vernal
Advancement and Retrogradation (GreenWave Effect) of Natural Vegetation, NASA/GSFC Type III, Greenbelt,
MD., 371p.
(Infravermelho próximo – Vermelho)
(Infravermelho próximo + Vermelho)

install.packages("RStoolbox")
library(RStoolbox)
ndvi <- spectralIndices(landsat_2018_abc_mask2, red=4, nir=5, indices="NDVI")
dev.new()
plot(ndvi)
Bandas
NDVI - Normalised Difference Vegetation Index
Índice

indices <- spectralIndices(landsat_2018_abc_mask2, green = 3, red = 4,
nir = 5, swir2 = 6, swir3=7, scaleFactor = 0.0001)
plot(indices)

Difference Vegetation Index Normalised Difference Water Index 2
Diferença Interna da Vegetação
Richardson, A.J., and C.L. Wiegand, 1977. Distinguishing Vegetation From Soil Background Information, Photogramnetric
Engineeringand Remote Sensing, 43(12):1541-1552
Gao, B. C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space.
Remote sensing of environment, 58(3), 257-266.
plot(indices,c("DVI", "NDWI2","MNDWI","NBRI"))

Modified Normalised Difference Water Index Normalised Burn Ratio Index
Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely
sensed imagery. International journal of remote sensing, 27(14), 3025-3033.
Lopez-Garcia, M. & Caselles, V. (1991). Mapping burns and natural reforestation using
853 Thematic Mapper data. Geocarto International, 6, 31-37
Mapeamento de extensão e
profundidade do espelho d’água Monitoramento de queimadas

Análise de Componentes Principais
●
Resume a informação de várias bandas
landsat_2018_pca <- rasterPCA(landsat_2018_abc_mask2)
screeplot(landsat_2018_pca$model)

Análise de Componentes Principais
summary(landsat_2018_pca$model)
plotRGB(landsat_2018_pca$map, r=1, g=2, b=3, stretch="lin")

Tasseled Cap
●
Resume a informação de 6 bandas em 3
indicadores de vegetação:
– Brilho
– Grau de verde (vegetação fotossinteticamente ativa)
– Grau de amarelo (umidade do solo + matéria seca)
https://slideplayer.com/slide/9808448/

Tasseled Cap
landsat_2018_2_7 <- subset(landsat_2018_abc_mask2, 2:7)
landsat_2018_tcap <- tasseledCap(landsat_2018_2_7, sat="Landsat8OLI")
plot(landsat_2018_tcap, col="gray"(0:100 / 100))

Tasseled Cap
plotRGB(landsat_2018_tcap, r=1, g=2, b=3, stretch="lin")

Comparação dos modos de
visualização RGB
Método de
visualização
RGB
Informação
Interpretação
física
Comparação
temporal
Bandas
separadas
3 bandas Direta Melhor
Análise de
componentes
principais
Máxima
(todas as
bandas)
Não permite Pior
Tasseled Cap
Alta
(6 bandas)
Indireta Boa
Vasconcelos, V. V., Hadad, R. M., & Junior, P. P. M. (2014). Mapeamento e análise da dinâmica de ocupação na
bacia de Entre-Ribeiros–MG, nos anos de 1975, 1989 e 2008. Revista Equador, 2(2), 131-152.

Análise de Textura com Filtros Focais
MADDEN, M. 2009. Manual of Geographic Information Systems, American Society for Photogrammetry, Bethesda, Maryland, USA
Também chamados de: Moving Window, Sieve

Janela circular de 500 metros
Não rodar! Demora muito!
janela = focalWeight(b8_mask2, 500, type = "circle")
textura <- focal(b8_mask2, w=janela, fun = var)
plot(textura)
Função de variância
dentro da janela

Filtro Focal
Janela circular de 50 metros

Pan-sharpening
http://www.geosage.com/highview/imagefusion.html
Banda pancromática
de alta resolução
Bandas espectrais de
baixa resolução
Pan-sharpening

pan2018 <- panSharpen(img = landsat_2018_abc_mask2,
pan = b8_mask2, method = "ihs", r=4, g=3, b=2)
plotRGB(pan2018, r=3, g=2, b=1, stretch="lin")
●
Métodos:

3 bandas
- IHS: melhor visualização
- brovey: alternativa ao IHS

Todas a bandas
- pca: pior visualização

par(mfrow=c(1,2))
plotRGB(landsat_2018_abc_mask2, r=4, g=3, b=2, stretch="lin", ext = zoom)
plotRGB(pan2018, r=3, g=2, b=1, stretch="lin", ext = zoom)
par(mfrow=c(1,1))
Original Pan-sharpening

Correção de Iluminação Topográfica
Imagem Original Modelo de Elevação Digital
Imagem com correção de
iluminação topográfica
Shepherd, J. D., & Dymond, J. R. (2003). Correcting
satellite imagery for the variance of reflectance and
illumination with topography. International Journal of
Remote Sensing, 24(17), 3503-3514.

Correção de iluminação topográfica
srtm_abc <- raster("srtm_abc.tif")
crs(srtm_abc)
crs(landsat_2018_abc_mask2)
●
Importando e configurando o modelo de elevação digital
srtm_abc_utm <- projectRaster(srtm_abc, crs = crs(landsat_2018_abc_mask2))
srtm_abc_resampled <- resample(srtm_abc_utm, landsat_2018_abc_mask2)
plot(srtm_abc_resampled)

meta_2018 <- readMeta('landsat_2018_abc/LC08_L1TP_219076_20180830_20180911_01_T1_MTL.txt')
summary(meta_2018)
Scene: LC82190762018242LGN00
Satellite: LANDSAT8
Sensor: OLI_TIRS
Date: 2018-08-30
Path/Row: 219/76
Projection: +proj=utm +zone=23 +units=m +datum=WGS84 +ellps=WGS84 +towgs84=0,0,0
Data:
FILES QUANTITY CATEGORY
B1_dn LC08_L1TP_219076_20180830_20180911_01_T1_B1.TIF dn image
B8_dn LC08_L1TP_219076_20180830_20180911_01_T1_B8.TIF dn pan
QA_dn LC08_L1TP_219076_20180830_20180911_01_T1_BQA.TIF dn qa
Available calibration parameters (gain and offset):
dn -> radiance (toa)
dn -> reflectance (toa)
dn -> brightness temperature (toa)

landsat_2018_abc_topcor <- topCor(landsat_2018_abc_mask2,
dem = srtm_abc_resampled, metaData = meta_2018, method="C")
plotRGB(landsat_2018_abc_topcor, r=3, g=2, b=1, stretch="lin")
Método C costuma
apresentar os melhores
resultados na literatura
Riano et al. (2003) Assessment of different topographic
correction in Landsat-TM data for mapping vegetation
types. IEEE Transactions on Geoscience and Remote
Sensing.

Original
Correção de iluminação
topográfica

Histogram Matching
https://blog.mapbox.com/color-balancing-imagery-with-histogram-matching-be1b38c28509

Histogram Matching para Mosaico
https://trac.osgeo.org/ossim/wiki/histogram_operations
Mosaico sem Histogram Matching Mosaico com Histogram Matching

●
Abrir as bandas da baixada santista de 2018
## ultra azul
d1 <- raster('landsat_2018_baixada/LC08_L1TP_219077_20180510_20180517_01_T1_sr_band1.tif')
## azul
## verde
## vermelho
#ajunta as camadas em um arquivo
landsat_2018_baixada <- stack(d1,d2,d3,d4,d5,d6,d7)
plotRGB(landsat_2018_baixada, r=3, g=2, b=1, axes=TRUE, stretch="lin")

plotRGB(landsat_2018_abc, r=3, g=2, b=1, stretch="lin", add=TRUE)
Sobreposição

landsat_2018_baixada_hm <-histMatch(landsat_2018_baixada, landsat_2018_abc)
par(mfrow=c(1,2))
plotRGB(landsat_2018_baixada, r=3, g=2, b=1, stretch="lin")
plotRGB(landsat_2018_baixada_hm, r=3, g=2, b=1, stretch="lin")
par(mfrow=c(1,1))

landsat_2018_merge <- merge(landsat_2018_baixada, landsat_2018_abc)
plotRGB(landsat_2018_merge, r=3, g=2, b=1, stretch="lin")
A 2ª imagem
sobrepõe a 1ª

Exercício 4
A – Importar, recortar e mascarar a imagem de 1985
da baixada santista para o ABC
B - Fazer ajuste de histograma e mosaicagem das
duas imagens de satélite de 1985 e 1986
C - Gerar um índice NDVI para a imagem mosaicada
de 1985/6
D - Fazer a subtração entre o NDVI de 1985/6 e 2018

A – Importar, recortar e mascarar a imagem de
1985 da baixada santista para o ABC
# Abrir bandas landsat
## azul
e1 <- raster('landsat_1985_baixada/LT05_L1TP_219077_19850616_20170219_01_T1_sr_band1.tif')
## verde
## vermelho
# ajunta as camadas em um arquivo
landsat_1985_baixada <- stack(e1,e2,e3,e4,e5,e7)

plotRGB(landsat_1985_baixada, r=3, g=2, b=1, axes=TRUE, stretch="lin")

landsat_1985_baixada_crop <- crop(landsat_1985_baixada, mun_abc_wgs84)
landsat_1985_baixada_mask <- mask(landsat_1985_baixada_crop, mun_abc_wgs84)
writeRaster(landsat_1985_baixada_mask, "landsat_1986_baixada_mask.tif", overwrite=TRUE)
landsat_1985_baixada_mask2 <- stack("landsat_1986_baixada_mask.tif")
rm(landsat_1985_baixada_mask)
plotRGB(landsat_1985_baixada_mask2, r=3, g=2, b=1, stretch="lin")

Exercício 4
A – Importar, recortar e mascarar a imagem de 1985
da baixada santista para o ABC (já feito)
B - Fazer ajuste de histograma e mosaicagem das
duas imagens de satélite de 1985 e 1986
C - Gerar um índice NDVI para a imagem mosaicada
de 1985/6
D - Fazer a subtração entre o NDVI de 1985/6 e 2018

Assinatura Espectral
https://grindgis.com/remote-sensing/vegetation-spectral-signature-cheat-sheet

Classificação
https://towardsdatascience.com/unsupervised-learning-with-python-173c51dc7f03
Não supervisionada Supervisionada

Classificação não supervisionada
Procura similaridade entre os pixels
Wegmann, Martin, Benjamin Leutner, and Stefan Dech, eds. Remote sensing and GIS for
ecologists: using open source software. Pelagic Publishing Ltd, 2016.

Verma, Vandana (2014). Digital Image Processing. Axis Institute of Technology and Management.

landsat_2018_abc_cluster <-
unsuperClass(landsat_2018_abc_mask2, nClasses=3, norm=TRUE)
plot(landsat_2018_abc_cluster$map, col=rainbow(3))
Normaliza os valores
das bandas para
cada uma ter a
mesma importancia

Classificação supervisionada
Wegmann, Martin, Benjamin Leutner, and Stefan Dech, eds. Remote sensing and GIS for
ecologists: using open source software. Pelagic Publishing Ltd, 2016.

Verma, Vandana (2014). Digital Image Processing. Axis Institute of Technology and Management.

●
Receita de bolo padrão
– Visível
– Infravermelho
●
Receita para exploração
– Visível
– Infravermelho
– Termal
– Pancromática
– Imagens de estações do ano diferentes
– Radar
– Luz noturna
– Índices espectrais
– Índices de textura
– Índices morfométricos (altura, declividade, curvatura,…)
– Rasters climáticos (temperatura, pluviosidade, …)
– Rasters socioeconômicos
Big
Data

●
Importar os polígonos classificados
landsat_2018_treino <- shapefile("landsat_2018_treino.shp")
paleta<-c("red","blue","green")
plot(landsat_2018_treino, col=paleta[landsat_2018_treino$classe],
add=TRUE)
Formato sp,
e não sf

Assinatura espectral
●
Transformar o shapefile em raster
landsat_2018_rasterize <- rasterize(landsat_2018_treino,
landsat_2018_abc_mask2, field = "classe")
plot(landsat_2018_rasterize, col=c("red","blue","green"))

●
Estatística zonal da reflectância média das
bandas em cada classe de uso do solo
landsat_2018_zonal <- zonal(landsat_2018_abc_mask2,
landsat_2018_rasterize, fun="mean", na.rm=TRUE)
View(landsat_2018_zonal)
Fonte das informações
Classes sumarizadas Dado
sumarizado:
média
Não usar
pixels de
valor nulo

●
Inversão da tabela com a estatística zonal
assinatura<-t(landsat_2018_zonal)
View(assinatura)

●
Gráfico com a assinatura espectral
plot(0, ylim=c(0,2500), xlim = c(1,7), type='n', xlab="Bandas", ylab = "Reflectancia")
lines(assinatura[,1], col="red", lwd=3)
lines(assinatura[,2], col="blue", lwd=3)
lines(assinatura[,3], col="green", lwd=3)
legend("topleft", legend = c("Urbano","Agua","Vegetacao"), col=paleta, lty=1, lwd=3)
“plot” começa criando um gráfico vazio (type=”n”)
Limites dos eixos Y e X Título dos eixos Y e X
Insere linhas no gráfico
coluna na
tabela
assinatura
cor largura
Local
no
gráfico
Insere a legenda
Texto da legenda
cor largura
Tipo
de linha
1 = contínua

●
Importando polígonos de validação
val <- shapefile("landsat_2018_validation.shp")
plot(val, col=paleta[val$classe], add=TRUE)

install.packages("randomForest")
library(randomForest)
landsat_2018_supervisionado <- superClass(landsat_2018_abc_mask2, model="rf",
trainData = landsat_2018_treino, valData = val, responseCol = "descricao")
Imagem a ser
classificada
Modelo
Random
Forest
Polígonos de treino Polígonos de
validacação
Atributos com
as classes

landsat_2018_supervisionado
superClass results
************ Validation **************
$validation
Confusion Matrix and Statistics
Reference
Prediction agua urbano vegetacao
agua 1006 0 0
urbano 0 1006 0
vegetacao 0 2 1004
Overall Statistics
Accuracy : 0.9993
95% CI : (0.9976, 0.9999)
No Information Rate : 0.334
P-Value [Acc > NIR] : < 2.2e-16
Kappa : 0.999

landsat_2018_supervisionado
*************** Map ******************
$map
class : RasterLayer
dimensions : 1362, 1271, 1731102 (nrow, ncol, ncell)
resolution : 30, 30 (x, y)
extent : 331605, 369735, -2651625, -2610765 (xmin, xmax, ymin, ymax)
coord. ref. : +proj=utm +zone=23 +datum=WGS84 +units=m +no_defs +ellps=WGS84
+towgs84=0,0,0
data source : in memory
names : descricao
values : 1, 3 (min, max)
attributes :
ID value
1 agua
2 urbano
3 vegetacao

paleta2<-c("blue","red","green")
plot(landsat_2018_supervisionado$map, col=paleta2)

Filtro focal de maioria
https://gisgeography.com/map-algebra-global-zonal-focal-local/
Cada pixel recebe o valor mais frequente entre os seus 8 vizinhos

Original Após filtro de maioria
https://www.slideshare.net/polylsgiedx/remote-sensing-lec-11

landsat_2018_limpo <- focal(landsat_2018_supervisionado$map,
matrix(1,3,3), fun = modal)
Imagem a ser limpa
Janela de
3X3 pixels
Função de
moda
(maioria)

plot(landsat_2018_limpo, col=paleta2)
Original Após filtro de maioria

Exercício 5
●
Faça uma classificação supervisionada
sobre a imagem mosaicada para o ABC
paulista de 1985-6, incluindo a validação.
Grave os resultados da validação e o
mapa com o resultado da classificação.

Obrigado!
Ângela Terumi Fushita
Vitor Vieira Vasconcelos

Sensoriamento Remoto em R

Mais conteúdo relacionado

Mais procurados

Semelhante a Sensoriamento Remoto em R

Mais de Vitor Vieira Vasconcelos

Último

Sensoriamento Remoto em R