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

Universidade Federal de AlagoasCentro de Tecnologia - CTEC

ArcToolbox

Carlos Ruberto Fragoso Júniorwww.ctec.ufal.br/professor/crfj

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

Georeferenciamento de Mapas e Imagens

Definir sistema de referência do Data frame

Importe imagem no “Add data”

Ative o toolbar “Georeferencing”

Faça a marcação dos pontos em “Add control points”

Use o zoom para ser preciso!

Com o botão direto do mouse defina as coordenadas

Entre com as coordenadas

Confira os pontos marcados usando “View Link Table”

Verifique o erro residual

Atualize o Georeferenciamento

Operação com vetores e Rasters

Operação com vetores

Foram vistos algumas funções que operam vetores:• União

• Estatísticas

• Join

• Intersecção

• Etc..

Operação com rasters

Use Spatial Analyst Tools

Classificação de Imagens

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)

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.

Metodologia básica de classificação automática

Tomar valores de um mesmo pixel nas n bandas e decidir a qual classe pertence.

Resposta espectral de alvos

Imagem multiespectral

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.

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.

Exemplo classificação não supervisionada

b1 b2 b3 b4 b5 b7

refle

ctan

cia

Clusters (muitos pixels)

Banda 3

Banda 4

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

Definir classes

Quais são as classes que interessam?

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

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.

Composição 3 4 5

1

2

Classes

Solo nu

Floresta

Água

Queimada

Pastagem

No ArcMap, adicione a imagem

Digitalize polígonos identificando possíveis classes em sua imagem

Crie as assinaturasSpatial Analyst Tools > Multivariate > Create Signatures

ClassificaçãoSpatial Analyst Tools > Multivariate > Maximum Likelihood

ClassificaçãoSpatial Analyst Tools > Multivariate > Maximum Likelihood