ArcToolbox Carlos Ruberto Fragoso Júnior ctec.ufal.br/professor/crfj

1. ArcToolboxCarlos Ruberto Fragoso Júniorwww.ctec.ufal.br/professor/crfj

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. reflectancia b1 b2 b3 b4 b5 b7

27. Clusters (muitos pixels) Banda 4 Banda 3

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 assinaturasSpatial Analyst Tools > Multivariate > Create Signatures

38. ClassificaçãoSpatial Analyst Tools > Multivariate > Maximum Likelihood

39. ClassificaçãoSpatial Analyst Tools > Multivariate > Maximum Likelihood