Imagens para mapas
Imagens de sensoriamento remoto são uma grade de pixels com valores numéricos, enquanto os mapas usam coordenadas X e Y para definir a localização de pontos, linhas e áreas (polígonos) que correspondem às características do mapa. Transformar uma imagem de satélite em um mapa de alta precisão é um processo que requer especialistas e trabalho de campo.
Da imagem de satélite (esquerda) ao mapa do recife com classes bentônicas (direita). Esta fotografia e este mapa representam a Ilha Heron da Austrália, uma ilhota de coral no extremo sul da Grande Barreira de Corais. Imagem © Allen Coral Atlas
O processo de criação de um mapa a partir de dados de sensoriamento remoto pode ser dividido em 4 etapas que permanecem semelhantes para todos os habitats com algumas diferenças dependendo do tipo de dados de sensoriamento remoto, da escala, da equipe que faz o mapeamento, etc.
Algumas das etapas mais comuns são:
- Adquirindo imagens de sensoriamento remoto
- Processando os dados brutos
- Treinamento e classificação
- Validação
Aqui nós fornecemos uma visão geral rápida de cada uma dessas etapas.
1. Aquisição de imagens de sensoriamento remoto
Existem muitos tipos de dados de sensoriamento remoto. Imagens ópticas de satélite, imagens de satélite de radar, imagens hiperespectrais de sensores aéreos, imagens de drones, etc. Os dados de sensoriamento remoto usados para um projeto dependem da escala do projeto, da capacidade de análise de dados, dos requisitos do habitat e do orçamento . Por exemplo, mapear um recife de coral em um único recife exigirá dados de sensoriamento remoto diferentes do mapeamento da extensão global dos manguezais. Como regra geral, quanto menor a área a mapear, maior a resolução das imagens.
2. Processando os dados brutos
Os dados brutos geralmente requerem processamento antes de serem usados. Por exemplo, as imagens para mapear os recifes de coral serão corrigidas para os efeitos de neblina, cobertura de nuvens, brilho do sol e profundidade.
3. Treinamento e Classificação
Supervisionado com base em pixels é uma das técnicas de análise de imagem mais comuns. Pixels representando cada classe são selecionados no esquema de mapeamento que servirá como pixels de treinamento. Os pixels de treinamento foram validados por meio de dados de campo ou outras fontes confiáveis e uma assinatura de refletância espectral foi criada. As assinaturas de treinamento para cada classe a ser mapeada são comparadas quantitativamente com cada pixel na imagem, e os pixels são atribuídos à classe de mapeamento com a qual sua assinatura espectral é mais semelhante.
Análise de imagem baseada em objeto é uma técnica de classificação de imagens recente e mais poderosa. Uma análise de imagem baseada em objetos primeiro segmenta a imagem em objetos. A segmentação é baseada nas assinaturas espectrais dos pixels, na forma e tamanho do objeto ou na textura dos pixels dentro do objeto. Uma vez que a imagem é segmentada, o usuário combina cada classe de cobertura do solo com alguns objetos de amostra. A imagem é então classificada.
Segmentação e classificação de uma imagem durante uma análise baseada em objetos. Imagem © GISGeography
4. Validação/Precisão
Uma avaliação ou validação de precisão é uma parte importante de qualquer projeto de classificação e fornece uma medida de quão preciso é o produto do mapa. Ele usa dados independentes “referenciados no solo” para calcular uma pontuação de precisão estatisticamente baseada na comparação da classe prevista (mapeada) com a classe observada no campo. Em outras palavras, os pixels classificados ou objetos classificados são comparados com a realidade, ou o que existe naquele local. Embora a coleta independente de dados de campo possa ser demorada e cara, esses dados também podem ser derivados da interpretação de imagens de alta resolução, imagens classificadas existentes ou especialistas locais.