Grupo Turing

Visão Computacional: Projeto de Satélites

Por: Luísa Heise; Rodrigo Estevam; Camila Fonseca; Noel Eliezer; Luis Henrique; Wesley de Almeida; Rodrigo Fill

Imagens de satélite

Resolução

Imagens de satélite podem ser diferenciadas por quatro tipos distintos de resolução:

• Resolução Espectral: Região do espectro eletromagnético observado em cada banda eletromagnética de casa imagem.
• Resolução Espacial: Área superficial coberta por cada pixel da imagem.
• Resolução Temporal: Período de tempo de aquisição de cada imagem de satélite.
• Resolução Radiométrica: A menor diferença de energia observada da reflectância eletromagnética.

Atualmente diferentes algoritmos são amplamente aplicados quando utilizados em modelos baseados em imagens de satélite, entre eles temos a transformada wavelet discreta (DWT) e SOM (Self-Organizing Maps). Em geral há uma preferência pelo uso de métodos não supervisionados para aderessar os desafios intrinsecos à esse tipo de dado uma vez que labels totalmente corretos são quase sempre inexistentes.

Canais

As imagens de satelite, como dito anteriormente, possuem vários canais e capturam ondas eletromagnéticas fora do espectro visível. Quais são as bandas/canais e seus intervalos pode depender do satélite em questão, uma estrutura plausível poderia ser:

Bands	Wavelength(μm)
Coastal – Band 1	0.43–0.45
Blue – Band 2	0.45–0.51
Green – Band 3	0.53–0.59
Red – Band 4	0.64–0.67
aNIR – Band 5	0.85–0.88
aSWIR 1 – Band 6	1.57–1.65
SWIR 2 – Band 7	2.11–2.29
aPAN – Band 8	0.50–0.68
Cirrus – Band 9	1.36–1.38
aTIRS 1 – Band 10	10.6–11.19
TIRS 2 – Band 11	11.5–12.51

Entretanto, outras configurações são possíveis. Os satélites LANDSAT 5 e 7, utilizados pelo INPE, por exemplo, possuem apenas 7 bandas.

Superfícies de reflectância

Reflectância é a proporção entre o fluxo de radiação eletromagnética incidente numa superfície e o fluxo que é refletido. Frequentemente a reflectância é apresentada sob a forma de percentagem

Índices de refectância

Neste cenário que a busca por índices se torna de grande importância para o estudo destas imagens, estes índices são capazes de reduzir a grande quantidade de informação da imagem de satélite para que a mesma seja mais utilizável. Dentre eles temos o NVDI, o MNVDI e o AWEI.

Normalized Density Vegetation Index – NDVI

O índice NDVI é a diferença normalizada da vegetação que permite a análise e separação de tipos e densidade de cobertura vegetal pela presença de água foliar. É extraído dos comprimentos de onda em que a vegetação tem alta refletância, infravermelho próximo (NIR), e baixa refletância, vermelho (RED) (HE et al, 2010), conforme representado pela fórmula:

NDVI = (NIR - RED)/(NIR + RED)

Normalized Density Building Index – NDBI

Proposto por Zha et al, (2003) o Normalized Density Building Index (NDBI) é a diferença normalizada para áreas construídas, com a finalidade de incrementar o número digital destas respectivas áreas nos intervalos das bandas do infravermelho próximo (near-infrared - NIR) e infravermelho médio (mid-infrared - MIR). A fórmula a seguir demonstra a construção do NDBI:

NDBI = (SWIR - NIR)/(SWIR + NIR)

Normalized Difference Water Index - NDWI

Esse nome pode aludir a dois índices distintos.

Um deles utiliza os canais NIR e SWIR, duas regiões do infravermelho. Ele consegue dizer o conteúdo de água que há na vegetação (folhas). E sua fórmula é:

NDWI = (NIR - SWIR)/(NIR + SWIR)

Há também uma variação que mede a quantidade de água em corpos d’água, que utiliza o canal Verde e NIR, também chamado de MNDWI:

NDWI = (GREEN - NIR)/(GREEN + NIR)

Automated Water Extraction Index - AWEI

Esse índice também captura água em corpos d’água e deve funcionar melhor que o NDWI, entretanto, precisa de 5 bandas para ser computado e não 2 como o NDWI. Ele vem em duas versões, uma delas (a nsh) é mais eficaz em eliminar pixels que não são água.

AWEInsh =4 (GREEN - SWIR5) - 0.25 NIR + 2.75 SWIR7

AWEIsh =BLUE + 2.5 GREEN - 1.5 (NIR + SWIR5) - 0.25 SWIR7

---

Esse repositório teve inspiração no seguinte paper

@incollection{JeniceAroma2019,
  doi = {10.1007/978-3-030-24178-0_12},
  url = {https://doi.org/10.1007/978-3-030-24178-0_12},
  year = {2019},
  month = nov,
  publisher = {Springer International Publishing},
  pages = {255--274},
  author = {R. Jenice Aroma and Kumudha Raimond},
  title = {A Wavelet Transform Applied Spectral Index for Effective Water Body Extraction from Moderate-Resolution Satellite Images},
  booktitle = {Remote Sensing and Digital Image Processing}
}