ESA - Eduspace PT - Mudança Global - Visão geral da região de Bardia - Processamento de imagens

Mudança costeira

Desflorestação

Parque Nacional de Bardia Bacia do Rio Congo Kameng-Sonitpur Kilimanjaro Rondónia Shillong e Guwahati

Ice

Análise de glaciares utilizando imagens de radar Expedição à Antárctida Alterações climáticas e glaciares Recuo dos glaciares nos Alpes Fluxo de gelo glaciar Monitorização de glaciares nos Himalaias Deteção remota de gelo e neve

Urbanização

Cairo Catmandu Córdoba Himalaias Vale de Catmandu Lagos

Vegetação

Área de Conservação de Annapurna Perdidos nos Andes!Área de Conservação de Ngorongoro Delta Interior do Níger Vegetação da América do Sul

Visão geral da região de Bardia - Processamento de imagens - Parte 5

Este exercício está dividido em oito partes e requer o uso do LEOWorks.

Classificação de imagens multiespectrais

O objectivo deste exercício consiste em fornecer orientação relativamente a técnicas de classificação de imagens multiespectrais e fornecer mais informações sobre Bardia.

A classificação de imagens digitais é uma tarefa bastante difícil, que exige um bom nível de conhecimentos acerca da área tratada para obter informações precisas. A classificação de imagens multiespectrais é um método útil e valioso para gerar mapas temáticos, mas também para realçar alterações ao longo do tempo, por exemplo, em termos de cobertura territorial.

Trabalharemos com a classificação supervisionada e não supervisionada.

Classificação não supervisionada

A classificação não supervisionada é um método relativamente grosseiro. Na classificação não supervisionada, todos os pixels de uma imagem são agrupados num número específico de classes com base na similaridade dos respectivos valores de escala de cinzentos.

Se tiveres algum problema ao utilizar o LEOWorks, consulta os capítulos correspondentes no Tutorial ou utiliza o botão de ajuda (Help)!

Abre o programa LEOWorks. Abre as seguintes imagens:

Bardia_Landsat_2002_Band_1.tif
Bardia_Landsat_2002_Band_2.tif
Bardia_Landsat_2002_Band_3.tif
Bardia_Landsat_2002_Band_4.tif
Bardia_Landsat_2002_Band_5.tif
Bardia_Landsat_2002_Band_7.tif

Escolhe Multivariate Analysis>Unsupervised Classification (Análise multivariada>Classificação não supervisionada) e selecciona todas as imagens.
Introduz 10 para a opção 'Nr. of Classes' (N.º de classes) e 5 para a opção 'Nr. of Iterations' (N.º de iterações). Quanto mais elevado for o valor de iteração, melhor se formam classes semelhantes, mas mais elevado é o tempo de processamento. A iteração 5 pode corresponder a alguns minutos.
. Quando o resultado for apresentado, aplica a opção Multivariate Analysis>Post classification filer>5x5. Esta operação 'limpa' o resultado. Guarda a nova imagem como Bardia_2002_unsupervised (TIF), na pasta Bardia.

Adiciona uma legenda à imagem classificada..
Escolhe a opção Image>Add Legend e selecciona a primeira classe.
Na janela 'Current Item', introduz a tua opção para o uso do solo em comparação com 'Bardia_Landsat_2002_Band_453.tif'.
Tenta atribuir um nome a cada classe comparando a imagem classificada com a imagem de cores falsas 'Bardia_Landsat_2002_Band_453.tif', bem como com o resultado da tua interpretação nas 5 classes propostas (floresta, prados, terrenos agrícolas, rios e leitos de rios) no exercício de Combinações de imagens multiespectrais.
Existem 10 classes originais. Se diferentes cores incluírem a mesma classe de cobertura territorial, podes juntar classes atribuindo a mesma cor a 2 ou mais classes (de 10).

1. Por que motivo a cor original (classe) dos campos de cultura, dos prados e da vegetação na área de planície aluvial era semelhante? És capaz de explicar isto?

Guarda a classificação como 'Bardia_Landsat_2002_unsup.tif' na pasta 'Bardia'.