Upload
luiz-augusto-manfre
View
145
Download
1
Embed Size (px)
Citation preview
Identificação e mapeamento de áreas de deslizamentos associadas a rodovias utilizando imagens de sensoriamento remoto
Candidato: Luiz Augusto ManfréOrientador: Prof. Livre-Docente José Alberto QuintanilhaCo-orientador: Prof. Dr. Rodrigo A. A. Nóbrega
Apresentação e justificativa Deslizamentos Grande aplicabilidade de ferramentas
de geoinformação Sensoriamento Remoto e Geoprocessamento (Thomas; Eturĝay; Kemeç,
2007)
Alternativa às tradicionais análises in situ
Análise geoespaciais integradas e resulta em produtos que se subdisiam a tomada de decisão (Tralli et al., 2005)
Rodovias são agentes causadores de deslizamentos (Dai; Lee, 2001; Jaiswal; Van Westen; Jetten, 2011; Penna et al., 2013)
Apresentação e justificativa Desafios do Mapeamento de deslizamentos
Equipes de monitoramento pequenas Áreas vastas (Guzzetti et al., 2012)
Processamentos de imagens de SR grandes regiões (Tofani; Hong; Singhroy, 2014)
Imagens de sensoriamento
remoto
Técnicas de Processament
o Digital de Imagem
Cicatrizes de deslizamento
Apresentação e justificativa
Relevo Informações detalhadas sobre as principais
componentes do relevo facilitam o processo (Chen et al., 2011; De Sy et al., 2013; Tarolli et al., 2013)
(ONUMA; ALI; HAMADA, 2012; CARVALHO JUNIOR et al., 2014)
Modelos Digitais de Elevação
Técnicas de Processamento
Digital de Imagem
Síntese das Características
do Relevo
Apresentação e justificativa
Fundamental para aumentar a capacidade dos órgãos responsáveis de definir planos de gestão e monitoramento de riscos
AvaliaçãoIntegrada
Síntese do Relevo
Cobertura do Solo
PotenciaisCicatrizes
Pergunta
Existem técnicas de processamento digital de imagens de SR com resultados confiáveis para alimentar modelos de identificação de cicatrizes de deslizamentos?
Hipóteses
1. É possível utilizar dados derivados da missão SRTM para a identificação de feições do relevo mais susceptíveis à deslizamentos
2. O índice de vegetação NDVI contém informação suficiente para identificação de cicatriz de deslizamento em imagem LANDSAT
3. A combinação de diferentes classificações produz resultado com acurácia superior à classificações isoladas
Estratégia metodológica
Seleção dos dados mais adequados
Aquisição de dados
LANDSAT
SRTM e TOPODATA
Avaliação das estratégias de classificação
Seleção da área de estudo
NDVI + SVM
SMC
Avaliação dos resultados
Avaliação das estratégias de
compartimentação
Definição metodológica
Intersecção de
informações
Potenciais cicatrizes de
deslizamentos
Dados LANDSATResolução espacial suficiente
Histórico adequado a área
Dados SRTM e TOPODATAResolução espacial adequada
Alta confiabilidade
Revisão Bibliográfica
Identificação soluções metodológicas em processamento digital de imagens
Avaliação de procedimentos de classificação para identificar cicatrizes de
deslizamentos
Melhores Indicadores de Acurácia
Revisão bibliográfica
Procedimento para sintetizar informações do relevo que favorecem a
ocorrência de deslizamentos
Validação com relação a descrições geomorfológicas
Avaliação das áreas classificadas como cicatrizes de acordo com o contexto
geomorfológico
Identificação das áreas de maior potencial de deslizamento
Deslizamento de grande porte próximo a uma rodovia
Área de EstudoRegião da Serra do Mar – Evento severo em Dezembro de 1999Entre São Bernardo do Campo e São Vicente – Rodovia Anchieta Km 42
230 mm de precipitação em 4 dias
Escorregamento remontante de grande porte, com avalanche de detritos,
afetando aproximadamente 700 metros da rodovia Anchieta (OGURA, 2006)
Relevo da Serra do Mar - Condições ideais para a ocorrência de grandes
deslizamentos (GUIMARÃES et al., 2009)
Fonte: Adaptado de Ogura 2006
Compartimentação do relevo
Abordagens automatizadas para síntese das feições e classificação do relevo em unidades homogêneas (SAADAT et al., 2008; DRAGUT; EISANK, 2012; CAMARGO et al., 2012)
SRTM - Shuttle Radar Topography Mission, ou outros Modelo Digital de Elevação
Metodologias analíticas OBIA – Object Based Image Analysis
▪ Agrupamento de pixels semelhantes – Objetos▪ Características espectrais, tamanho, forma, textura,
contexto, vizinhança, etc.
Compartimentação do relevo Método proposto por Dragut e Eisank (2012)
Aplicação global
Detecção automática do fator de escala
Delimitação de compartimentações do relevo de acordo
com caraterísticas estatísticas dos objetos
Adaptação da metodologia proposta em escala
global
Escala regional – Estado de São Paulo
Escala local – Cidade de São Paulo
Compartimentação do relevo
Dragut e Eisank (2012) Metodologia considera média e desvio-padrão da área delimitada
Aplicação local ou regional
▪ A definição das feições varia de acordo com a área de estudo delimitada
Definição de limiares mais abrangente para permitir a
aplicação direta da metodologia Utilização de Densidade de Drenagem, Declividade, Elevação,
Curvatura Vertical e Horizontal para a Segmentação
Limiares de declividade e curvatura vertical e horizontal
o Dinâmicas de acúmulo e dispersão de água nas vertentes
Compartimentação do relevoCompartimentação e mapa de formas do relevo
Fonte: Environmental Earth Science. Online
Compartimentação do relevoCompartimentação e mapa de formas do relevo
o Pouco detalhamentoo Incongruência
o Corresponde a descrições do relevo
o Maior detalhamento
Fonte: Environmental Earth Science. Online
Compartimentação do relevoCompartimentação e mapa de formas do relevo
Feições do relevo na
região do Rio Pilões
Deslizamento do Rio Pilões
Fonte: Elaboração Própria
Compartimentação do relevo
A cicatriz do deslizamento corresponde a uma vertente côncavaFonte: Environmental Earth Science. Online
Identificação de cicatrizes de deslizamentos
Imagem LANDSAT 5 de junho de 2000 Estratégias de classificação
Classificador SVM▪ Boa performance e ampla aplicabilidade a desastres▪ Permite o uso de apenas uma variável – Índice de
Vegetação Sistema de Múltiplos Classificadores
▪ Agrega diversidade e potencializa o resultado final Avaliação dos indicadores de acurácia
Percentual de acerto na classe Erros de omissão e comissão
Identificação de cicatrizes de deslizamentos
A cicatriz em questão se localiza sob as sombras do relevo Difícil identificação em composições de
bandas do LANDSAT 5 Confusão com outros alvos Díficil separabilidade da classe
Fonte: Elaboração Própria
Identificação de cicatrizes de deslizamentos
MODIS Banda 5 (1230-1250 nm) NDVI
Identificação de cicatrizes de deslizamentos
Avaliação da acurácia SVM-NDVI Percentual de Acerto (deslizamento) 78.57% Erros de comissão 31.25% Erros de omissão 21.43%
Identificação de cicatrizes de deslizamentos Aplicação apenas ao NDVI
Fonte: Geociências, v. 33, n. 1, p.172-180 , 2014
Identificação de cicatrizes de deslizamentos
Diversos classificadores Diferentes estratégias Grande variabilidade
de resultados Alguns possuem maior sensibilidade para
determinados objetivos
Redes Neurais Máxima Verossimilhança Paralelepípedo
SAM
SVM
Fonte: Net Maker Fonte: geo-informatie Fonte: geo-informatiec
Fonte: Kim 1997
Fonte: StackOverFlow
Identificação de cicatrizes de deslizamentos
• A – Binary Encoding• B – Árvore de Decisão• C – Mahalanobis
Distance • D – Mínima Distancia • E – Máxima
Verossimilhança• F – Redes Neurais• G – Paralelepípedo• H – SAM• I – SID• J – SVM.
Fonte: Elaboração Própria
10 9 8 7 6 5 4 3 20.84
0.86
0.88
0.9
0.92
0.94
0.96
0.98
1Índice Kappa
Análise do ContextoRedes Neurais
10 9 8 7 6 5 4 3 247
49
51
53
55
57
59
61
63
Erros de Comissão
Análise do ContextoRedes Neurais
10 9 8 7 6 5 4 3 28
1114172023262932353841
Erros de Omissão
Análise do ContextoSupport Vector Machine
10 9 8 7 6 5 4 3 260
65
70
75
80
85
90
95% Acerto
Análise do ContextoSupport Vector Machine
10 9 8 7 6 5 4 3 292
93
94
95
96
97
98
99
100Acurácia Geral
Análise do ContextoRedes Neurais
Identificação de cicatrizes de deslizamentos
SVM + RN + MV
SVM + RN + MV +MD+MHDSVM + RN + MV +MD + MHD
SVM + RN + MV +MD + MHD
SVM + RN + MV
Fonte: Elaboração Própria
Nº algoritmos
%
Identificação de cicatrizes de deslizamentos
• Combinação de 3 Algoritmos• SVM, RN e MV• Erros de Comissão 50,59%• Erros de Omissão 9,52%• % Acerto 90.48
Fonte: Elaboração Própria
Integração dos resultados
Fonte: Elaboração Própria
Conclusões
Os dados SRTM e suas derivações permitiram a definição de regiões que sintetizam informações do relevo importantes para deslizamentos
Conclusões
NDVI permitiu a identificação da cicatriz do Rio Pilões
Combinação de algoritmos com boa acurácia produz um resultado superior
Inclusão de diversidade deve ser avaliada criteriosamente
Conclusões
A combinação do mapa de feições do relevo com o resultado da classificação melhora o resultado final e facilita a busca por cicatrizes de deslizamentos
As técnicas de processamento digital de imagens apresentadas produzem resultados adequados para alimentar modelos de identificação de cicatrizes de deslizamentos Os dados utilizados devem ser compatível com o problema em
questão
Considerações Finais
O procedimento de compartimentação possui diversas aplicabilidades e permite diversos desdobramentos e análises Unidade Básica de Análise para dinâmicas e
fenômenos que se relacionam com o relevo A replicação dos procedimentos propostos deve
considerar especificidades da área de estudo Outras análises relacionadas à eventos
extremos podem derivar dos produtos gerados neste trabalho
Agradecimentos
Aos membros da banca Prof. Livre-Docente José Alberto
Quintanilha Prof. Dr. Rodrigo Nóbrega Laboratório de Geoprocessamento FAPESP CNPq Família e amigos
Obrigado!