Processamento De Dados De RADAR (Sentinel-1) Com O QGIS

02 de Fevereiro, 2017

No último post do bog, fez-se uma breve introdução à Deteção Remota e apresentaram-se algumas das capacidades do QGIS no domínio do Processamento Digital de Imagens óticas, centradas na parte do espectro eletromagnético que inclui a luz visível e a radiação infravermelha.

Figura 1 - Espectro Eletromagnético [0].

Falou-se, no entanto, da existência de dispositivos que trabalham na região das microondas, designados RADAR (“RAdio Detection And Ranging”) que, quando produzem o sinal que ilumina o alvo, são designados sistemas de Deteção Remota ativos (Fonseca & Fernandes, 2004 [1]).

Assim, o RADAR é uma forma “ativa” de Deteção Remota, na medida em que o sinal é gerado artificialmente pelo sensor e enviado para a Terra através de feixes, sendo depois medida a energia refletida pelos alvos, que pode ser convertida para grandezas geofísicas.

Como estes sistemas não dependem da energia do Sol, podem ser usados de dia e de noite e sob quaisquer condições atmosféricas, pois conseguem penetrar a cobertura de nuvens. Requerem, no entanto, muito mais energia para funcionar, e os dados obtidos são mais difíceis de processar e interpretar.

Neste artigo, após um breve enquadramento teórico do tema, necessário à compreensão das características desta vertente da Deteção Remota, vão apresentar-se algumas das capacidades do QGIS para o processamento de dados de RADAR.


Deteção Remota Com O QGIS

14 de Dezembro, 2016

A Deteção Remota é considerada uma técnica de observação de objetos e fenómenos à distância. Deste modo, pode dizer-se que os primeiros dados de Deteção Remota foram obtidos em 1858/59, em Paris, na forma de fotografia aérea, por Gaspard-Félix Tournachon, a partir de um balão de ar quente [0].

Figura 1 - Vista aérea de Paris, 1859 [1]

Mais tarde, em 1906, foi captada uma outra imagem aérea emblemática, por George Lawrence, mostrando a devastação provocada pelo sismo de São Francisco. Esta foi obtida por uma câmara com cerca de 22Kg, instalada a bordo de um papagaio [2].

Figura 2 - Vista aérea da devastação provocada pelo terramoto de 1906 [3]

Os grandes avanços na Deteção Remota deram-se durante as duas Grandes Guerras e durante a Guerra Fria. Com o términos desses conflitos, a técnica disseminou-se pela comunidade civil, aumentando progressivamente o leque de aplicações, sendo hoje infindável a lista de opções de utilização de dados de sensores remotos. Cartografia, agricultura, florestas, hidrologia, geologia, oceanografia, meteorologia, monitorização de fenómenos ambientais, de catástrofes naturais e tecnológicas, são apenas algumas das suas aplicações mais comuns.

Assim, a Deteção Remota é definida como a ciência da aquisição, processamento e interpretação de imagens obtidas por meios aéreos e por satélite, que registam a interação entre o terreno e a radiação eletromagnética. Dado que o conceito de Deteção Remota implica um distanciamento importante entre o sensor que capta o sinal e o objeto observado, esta pode ser considerada como o processo subjacente a todas as formas e técnicas de medição, tratamento e interpretação de fenómenos longínquos.

A Deteção Remota por satélite baseia-se no princípio de que todos os objetos da superfície terrestre interagem com a energia que recebem do Sol, ou do próprio satélite (no caso de sistemas de Deteção Remota ativos), sob a forma de energia eletromagnética (Rabaça, 2001 [4]).

Figura 3 – Espectro Eletromagnético [5]

Os principais sistemas de Deteção Remota dividem-se, portanto, entre:

  • Sistemas óticos, que detetam a radiação eletromagnética refletida ou emitida pela superfície terrestre, designados sistemas de Deteção Remota passivos;
  • Dispositivos de microondas, designados RADAR (“RAdio Detection And Ranging”) que, quando produzem o sinal que ilumina o alvo, são designados sistemas de Deteção Remota ativos (Fonseca & Fernandes, 2004 [6]).

Os sistemas óticos centram-se numa parte do espectro que inclui a luz visível (aquela que é percetível pelos nossos olhos) e a radiação infravermelha (invisível para os nossos olhos). Esta região específica é onde tende a concentrar-se a maior parte da energia proveniente do Sol, que atinge a atmosfera terrestre, e onde a maioria dos processos vivos ocorrem, como por exemplo, a fotossíntese das plantas. Existe, nesta zona do espectro, uma denominada “janela atmosférica”, que permite a passagem de quase toda a radiação solar, através da atmosfera. Noutras zonas, como é o caso da região do ultravioleta, a atmosfera, através da camada do Ozono, absorve praticamente a totalidade da radiação solar.

Deste modo, percebe-se que os sensores instalados a bordo dos satélites conseguem captar radiação para além daquela que os olhos humanos conseguem percecionar, e isso trouxe grandes avanços à Observação da Terra.

Por exemplo, a clorofila das plantas, que conduz a fotossíntese, absorve a parte visível da radiação eletromagnética, essencialmente nos comprimentos de onda do azul e do vermelho. Já na região do infravermelho próximo (NIR), os pigmentos de clorofila não absorvem tanto a radiação, sendo grande parte dessa energia refletida, podendo ser captada pelos sensores infravermelhos dos satélites.

Figura 4 – Curva espectral da vegetação [7]

A imagem apresenta a curva espectral característica da vegetação, onde se pode observar precisamente esse comportamento, com dois picos de absorção na zona do azul e do vermelho (cerca de 90% da radiação é absorvida), e um pico de transmissão na região do infravermelho próximo (cerca de 40 a 50% da energia é refletida). O pequeno pico de refletância na zona do verde, é aquele que confere a tonalidade verde à vegetação aos olhos humanos.

Assim, as plantas aparecem muito brilhantes e claras nas imagens / bandas do infravermelho próximo. Quanto mais clorofila estiver presente na planta, mais saudável ela é, mais ativa é fotossinteticamente e mais refletância apresenta nessas bandas. O contraste da resposta da vegetação ao longo do espetro eletromagnético, permite criar imagens e índices (como por exemplo, o NDVI [8]), onde se distinguem claramente zonas com e sem vegetação, bem como permite fazer a distinção entre tipos e estádios de desenvolvimento da vegetação. No infravermelho médio, observam-se três comprimentos de onda de forte absorção da radiação, devido essencialmente ao conteúdo em água da vegetação.

Desta pequena introdução se percebe a importância e o potencial da Deteção Remota nos diversos domínios do saber.

Contudo, existiram durante bastante tempo, duas grandes limitações à sua utilização generalizada, que se prendiam, essencialmente, com os custos das imagens e dos respetivos softwares de processamento.

Esta realidade começou a alterar-se com a disponibilização aberta e gratuita dos dados do programa norte-americano de Observação da Terra, Landsat [9], cujo primeiro satélite foi lançado em 1972 (Landsat 1), encontrando-se atualmente em órbita o Landsat 8, lançado em 2013.

Mais recentemente, numa parceria entre a Comissão Europeia e a Agência Espacial Europeia (ESA), foi desenvolvido o programa Copernicus, do qual fazem parte 6 missões Sentinel, e que prevê uma continuidade a longo prazo e uma complementaridade entre os diversos sensores e instrumentos, para variadíssimas aplicações, desde as mais científicas, às mais aplicadas, disponibilizando essa informação, de forma aberta e gratuita, sem interrupções ou hiatos. Dessas 6 missões, 3 já possuem satélites em órbita:

  • Sentinel-1: constelação de 3 satélites (2 já lançados) que usam sensores RADAR, com o objetivo de monitorizar a Terra sólida - topografia, geologia, catástrofes naturais, calotes polares e sua dinâmica, etc.;
  • Sentinel-2: constelação de 2 satélites, o primeiro lançado em 2015 e o segundo previsto para 2017, que usam sensores óticos multiespetrais, de alta resolução espacial (até 10m) e temporal (5 dias, a partir do lançamento do 2.º satélite). Têm como objetivo a monitorização da vegetação, solo, águas interiores e zonas costeiras, assim como o apoio aos serviços de emergência;
  • Sentinel-3: constelação de 2 satélites, tendo o primeiro sido lançado recentemente, com a finalidade de monitorizar a superfície, a cor e a temperatura dos oceanos e dos continentes;
  • Sentinel-4 : nova geração de satélites meteorológicos (geoestacionários);
  • Sentinel-5 : nova geração de satélites meteorológicos de órbita polar;
  • Sentinel-6 : nova geração de satélites de monitorização do nível do mar.

A outra limitação referida, relativa aos custos dos softwares, também já foi amplamente ultrapassada, existindo, neste momento, diversos softwares open source de Deteção Remota [10] [11], onde também se inclui o SNAP da Agência Espacial Europeia [12] e, naturalmente, o QGIS, que possui cada vez mais valências para Deteção Remota e Processamento Digital de Imagem, ao integrar ferramentas do GRASS [13], SAGA [14], Orfeo [15], GDAL [16] e o Semi-Automatic Classification Plugin [17].

O Semi-Automatic Classification Plugin (SCP) é um projeto desenvolvido pelo Luca Congedo [18], um Engenheiro do Ambiente e investigador, que trabalha na área dos Sistemas de Informação Geográfica e da Deteção Remota desde 2009. O SCP é um plugin para o QGIS, que permite descarregar imagens Sentinel-2, Landsat e ASTER, fazer o pré-processamento, a classificação e o pós-processamento, de forma bastante simples e ágil, encontrando-se totalmente integrado no QGIS.

Este plugin possui um manual bastante completo e abrangente, sendo ainda complementado por uma série de vídeos/tutoriais disponibilizados pelo próprio autor [17]. Para além destes, começa a haver um grande conjunto de tutoriais dispersos pela Internet, sobre a utilização do SCP. O melhor e mais completo exemplo, em língua portuguesa, é o conjunto de tutoriais, em vídeo, disponibilizados pelo Professor Gonçalo Vieira [19], docente do IGOT (Universidade de Lisboa) e investigador do Centro de Estudos Geográficos, como suporte à unidade curricular de Deteção Remota e SIG aplicados ao Ordenamento do Território. Como se irá ver de seguida, este conjunto de vídeos percorre os diversos passos de um projeto de Deteção Remota.

O exemplo irá debruçar-se sobre a utilização de imagens do satélite Sentinel-2A, da ESA.

O gráfico seguinte apresenta, em comparação, as bandas dos satélites Sentinel-2, Landsat 7 e Landsat 8.

Figura 5 - Comparação de bandas dos satélites Sentinel-2, Landsat 7 e Landsat 8 [20]

1) Instalação do Semi-Automatic Classification Plugin (SCP)

O processo de instalação do SCP é feito exatamente da mesma forma que os restantes plugins. É, no entanto, necessário ter instalados, previamente, alguns pacotes de software, que são requisitos do SCP, nomeadamente: GDAL/OGR, Numpy, SciPy e Matplotlib. À partida, e independentemente do Sistema Operativo em que se estiver a trabalhar com o QGIS, o GDAL/OGR e o Matplotlib estarão já instalados, pois são acrescentados, por defeito, durante a instalação do QGIS. Os outros dois módulos (Numpy e SciPy), que acrescentam capacidades de computação científica à linguagem de programação Python, poderão, ou não, estar instalados. Este processo depende também do Sistema Operativo e da forma que se utilizou para a instalação do QGIS.

Linux - usar um gestor de pacotes gráfico, como o Synaptic, ou a consola / terminal simplesmente com:

	sudo apt-get install python-numpy python-scipy python-matplotlib

Windows, instalação via OSGeo4W - basta abrir o OSGeo4W, selecionar “Advanced Install”, pesquisar e instalar os pacotes (Libs) python-numpy, python-scipy e matplotlib, caso não estejam já instalados.

Windows, instalação Standalone - à partida os pacotes estarão instalados mas, caso não estejam, sugere-se seguir o tutorial de instalação do plugin photo2shape [21], na parte que diz respeito à instalação/utilização do PyPi (Python Package Index).

Depois destas dependências satisfeitas, instala-se o SCP propriamente dito, a partir do menu Módulos -> Gerir e Instalar Módulos. No gestor de módulos, faz-se a pesquisa por “Semi-Automatic Classification” e “Instalar módulo”.

Figura 6 - Instalação do Semi-Automatic Classification Plugin
Figura 7 - QGIS com o Semi-Automatic Classification Plugin

2) Aquisição dos Dados / Imagens

Existem inúmeras formas de aceder às imagens dos sensores de Deteção Remota, podendo o download ser feito a partir dos sites das respetivas agências [22] [23], ou de sites de terceiros.

Contudo, o SCP facilita muito essa tarefa, na medida em que é possível fazer o download das imagens, diretamente a partir do QGIS. O vídeo seguinte (em inglês) apresenta o processo de download de imagens Sentinel-2 a partir do SCP (até ao minuto 4:41):


3) Pré-Processamento das Imagens - Correção Atmosférica

O primeiro passo, após o download das imagens, consiste na aplicação da correção atmosférica (conversão do valor dos pixéis para reflectância). Este processo é explicado no vídeo seguinte, do Professor Gonçalo Vieira:


4) Pré-Processamento das Imagens - Recorte pela Área de Interesse

As imagens Sentinel-2 têm uma grande extensão espacial e são bastante pesadas. Uma imagem Sentinel-2 completa possui mais de 6 GB e abrange uma faixa com 290 km de largura. No SCP é possível fazer o download de “granules” individuais mas, mesmo essas, possuem 109,8 km de lado, o que perfaz mais de 12.000 km2 de área, por cada “granule” individual.

Assim, é recomendável recortar as diversas bandas da imagem pela área de interesse, antes de efetuar qualquer processamento subsequente.


5) Criação de Imagens Compósitas RGB

Um primeiro procedimento conducente à interpretação das imagens de satélite, consiste na criação de imagens RGB, isto é, imagens coloridas, que agregam informação de 3 bandas individuais, cada uma das quais pertencente a uma região específica do espetro eletromagnético. Este processo permite evidenciar, por exemplo, características que não são percetíveis ao olho humano, pois correspondem a regiões diferentes do visível.


6) Classificação da Imagem

Um dos processos fulcrais de análise de uma imagem de satélite consiste na sua classificação, que tem como principal objetivo a criação de cartografia temática, representativa da superfície terrestre. O comportamento de um dado objeto ao longo do espectro eletromagnético traduz-se na sua assinatura espectral. A classificação surge como um processo de extração de informação que analisa as assinaturas espectrais de cada pixel, separando-os em classes consoante a similaridade das suas assinaturas, a qual é determinada pela refletância relativa do pixel ao longo dos diferentes comprimentos de onda [4].

Existem dois tipos básicos de classificação digital:

  • Classificação Não-Supervisionada, na qual o software separa os pixéis por classes, sem qualquer tipo de intervenção do operador;
  • Classificação Supervisionada, na qual o operador define, na imagem, áreas, designadas “áreas de treino”, que são representativas de cada classe.

6.1) Classificação Não-Supervisionada

Este tipo de classificação é útil quando não se dispõe de um conhecimento prévio da área de trabalho. O método parte do pressuposto de que, considerando que as diferentes assinaturas espectrais se aglomeram, formando distintas classes espectrais, então estas deverão corresponder a diferentes classes temáticas.

No vídeo seguinte, o Professor Gonçalo Vieira apresenta duas formas de proceder à classificação não-supervisionada de imagens, através da aplicação de uma classificação em clusters, no QGIS.


6.2) Classificação Supervisionada

A classificação supervisionada requer um conhecimento prévio do terreno e implica a seleção de pequenas áreas representativas das classes, que posteriormente são utilizadas como referência estatística de toda a classificação. A fase que consiste na delimitação das várias classes que entram na classificação denomina-se fase de treino e é dela que depende, em grande medida, o sucesso da mesma.

Este processo é muito bem explicado pelo Professor Gonçalo Vieira no vídeo seguinte.


7) Pós-Processamento - Avaliação do Erro Associado à Classificação

A avaliação quantitativa do erro associado a cada uma das classes resultantes do processo de classificação é um passo fundamental para determinar a precisão do mapa temático obtido e para validar os resultados. Esta tarefa consiste, basicamente, no confronto entre o mapa classificado e um conjunto de amostras independentes, isto é, amostras de classes conhecidas (áreas de validação) que não foram utilizadas como amostras de treino para o classificador, de forma a realizar uma classificação cruzada, que gera uma tabela ou matriz de contingências. No vídeo seguinte, o Professor Gonçalo Vieira mostra como gerar essa matriz no QGIS, com o SCP.



Desta forma, ficam patentes os principais procedimentos envolvidos num projeto de Deteção Remota com sensores óticos. Note-se que se podem utilizar exatamente os mesmos procedimentos, com imagens Landsat ou ASTER, ambas acessíveis diretamente a partir do SCP.

O Semi-Automatic Classification Plugin dispõe, ainda, de diversos recursos adicionais, tanto de pré- como de pós-processamento, permitindo também executar operações de álgebra de mapas entre as diversas bandas das imagens, assim como correr as diversas ferramentas em modo “batch”.

O SCP veio, sem dúvida, enriquecer de forma substancial o QGIS em termos de capacidades no âmbito da Deteção Remota e do Processamento Digital de Imagem.


Agradecimentos Especiais

Professor Gonçalo Vieira [19], pelos contributos e pela disponibilização da série de tutoriais aqui apresentados.

Luca Congedo [18], pelo desenvolvimento do SCP e pela elaboração do respetivo manual, conteúdos e tutoriais em vídeo, um dos quais aqui apresentado.


Referências

[0] https://pt.wikipedia.org/wiki/F%C3%A9lix_Nadar

[1] http://www.proprofs.com/flashcards/story.php?title=history-of-photography-midterm

[2] http://www.bigmapblog.com/2012/kite-photo-of-post-quake-san-francisco-1906

[3] http://earthquake.usgs.gov/regional/nca/1906/kap/lawrence.php

[4] Rabaça, Teresa - Caracterização Geoambiental da Região de Penamacor-Idanha por Aplicação de Técnicas de Detecção Remota. Coimbra: Departamento de Ciências da Terra da Faculdade de Ciências e Tecnologia da Universidade de Coimbra, 2001. Dissertação para obtenção do grau de Mestre.

[5] http://www.seos-project.eu/modules/remotesensing/remotesensing-c01-p01.html

[6] Fonseca, Ana & Fernandes, João - Detecção Remota. 1a Edição. Lisboa: Lidel, 2004.

[7] http://www.gov.scot/Publications/2009/11/06110108/6

[8] https://en.wikipedia.org/wiki/Normalized_Difference_Vegetation_Index

[9] https://en.wikipedia.org/wiki/Landsat_program

[10] http://gisgeography.com/open-source-remote-sensing-software-packages

[11] http://www.grss-ieee.org/open-source-software-related-to-geoscience-and-remote-sensing

[12] http://step.esa.int/main/toolboxes/snap

[13] https://grass.osgeo.org

[14] http://www.saga-gis.org

[15] http://orfeo-toolbox.org

[16] http://www.gdal.org

[17] https://fromgistors.blogspot.com

[18] https://www.linkedin.com/in/lucacongedogis

[19] http://vieira.weebly.com

[20] http://landsat.gsfc.nasa.gov/sentinel-2a-launches-our-compliments-our-complements

[21] http://qgis.pt/blog/2015/10/02/importar-fotografias-georreferenciadas-para-o-qgis

[22] https://scihub.copernicus.eu

[23] http://earthexplorer.usgs.gov

Venâncio, Pedro - Aplicação de Dados de Detecção Remota à Cartografia Geológica da Região de Viseu. Coimbra: Departamento de Ciências da Terra da Faculdade de Ciências e Tecnologia da Universidade de Coimbra, 2007. Estágio Científico da Licenciatura em Geologia.


Análise De Redes Com O QGIS

21 de Fevereiro, 2016

Graças ao trabalho do Médéric Ribreux [0], o QGIS passará a integrar, a partir da versão 2.14 LTR, um conjunto de funcionalidades de análise de redes, através das ferramentas v.net.* [1] do GRASS, integradas no Processing.

Apesar destas ferramentas provirem e serem executadas pelo GRASS, o modelo de implementação no Processing permite que a sua utilização no QGIS seja significativamente mais simples e intuitiva do que na versão original, já que a construção do modelo topológico de redes é feito de forma transparente para o utilizador.


Visualizar Dados Dos Censos 2011 Com O QGIS

14 de Fevereiro, 2016

A Base Geográfica de Referenciação da Informação (BGRI), que outrora foi paga, está há já algum tempo disponível a todos até ao nível da subsecção estatística e com um total de 122 variáveis dos censos 2011 (organizados por população residente, população presente, famílias, alojamento e edifícios). A página para download, permite descarregar os dados totais para Portugal, ou por regiões e concelhos.


Introdução Aos Sistemas De Informação Geográfica Com QGIS

24 de Novembro, 2015

O Grupo de Utilizadores QGIS PT, por intermédio do Pedro Venâncio, em conjunto com a Comissão de Curso do Mestrado em Sistemas de Informação Geográfica da Universidade da Beira Interior, organizaram um Workshop de Introdução ao QGIS, no passado dia 7 de Novembro de 2015, na Covilhã.

Os objetivos do Workshop passaram pela apresentação do QGIS e de todas as suas valências, bem como da sua história, evolução, modelo de desenvolvimento e suporte. Foi também abordada a filosofia do Software Livre e de Código Aberto.


Importar Fotografias Georreferenciadas Para O QGIS

02 de Outubro, 2015

Um Plugin que para mim é indispensável no QGIS é o photo2shape [0], desenvolvido pelo Alexander Bruy [1].

Basicamente, este plugin cria uma shapefile de pontos com a localização de fotografias obtidas com máquinas fotográficas que possuem a tecnologia Geotagging.

Esta tecnologia está presente na esmagadora maioria dos smartphones atuais e, através dela, é possível adicionar um conjunto relativamente vasto de metadados às fotografias e vídeos, recorrendo à especificação Exchangeable image file format (Exif). De entre esses metadados, encontramos as coordenadas latitude / longitude (datum WGS84 - EPSG:4326), o que vai permitir, através do photo2shape, identificar o local onde a fotografia foi tirada.


Instalar Duas Versões De QGIS Em Linux

01 de Outubro, 2015

Em altura de testes à versão em desenvolvimento do QGIS (versão master), dá jeito  ter também instalada a última versão estável do QGIS. Em windows isso não representa um problema, uma vez que se podem instalar várias versões do QGIS em paralelo (tanto via Osgeo4w como standalone). Em linux, o processo não é tão directo pelo facto da instalação se realizar por obtenção de diversos pacotes disponíveis nos repositórios, não sendo por isso possível instalar mais do que uma versão sem que se originem quebras de dependências. Assim, instalando a versão estável através dos repositórios, as alternativas para instalação da versão em desenvolvimento são:

  • Compilar o QGIS master do código fonte;
  • Instalar o QGIS master num docker;
  • Instalar o QGIS master numa máquina virtual;

Neste artigo vou mostrar como compilar o código fonte em Ubuntu 14.04. Afinal não é tão difícil quanto parece. Meia dúzia de comandos e um pouco de paciência e vai-se lá. Usei como base as indicações do ficheiro INSTALL.TXT disponível no código fonte com umas pequenas alterações.


Blog desenvolvido com Octopress