[Talk-br] Vetorização de matas no OSM com Sentinel-2

Domingo Setembro 16 17:15:12 UTC 2018

O que o MDS faz é concentrar a informação de cada variável para duas ou
três variáveis.  Suponha que as 6 variáveis tenham cerca de 17% da
variância (quantidade de informação) cada.  O MDS cria novas 6 variáveis,
porém, digamos, a primeira tem 60% da informação, a segunda, 30%, etc.
Plotando um crossplot das duas primeiras novas variáveis, teremos 90% da
informação de todas as 6 variáveis.  É por isso é que se seleciona os
maiores autovalores.  Repare que isto não é combinar variáveis, mas
transferir informação de uma variável para outra.

Em dom, 16 de set de 2018 às 11:13, Paulo Carvalho <
paulo.r.m.carvalho em gmail.com> escreveu:

> Sérgio, vi um arco de parábola no teu último gráfico.  Acredito que tenhas
> feito isso para poder usar três variáveis (combinando duas) no crossplot
> 2D.  Para combinar múltiplas variáveis em duas coordenadas para ver um
> crossplot, use MDS: https://en.wikipedia.org/wiki/Multidimensional_scaling
>
> Acredito que com alguns passos de cálculo seja possível criar as
> coordenadas MDS, que nada mais são de que outras variáveis, e plotá-las no
> crossplot 2D para ver os grupos.
>
> Resumindo o método:
> 1) Calcular as dessemelhanças entre as amostras por uma fórmula de
> distância qualquer, por exemplo, a distância Euclideana:
> https://wikimedia.org/api/rest_v1/media/math/render/svg/c015e86e5cd0ed7a45f5c4c5107647b4d4970b14
> onde x e y são duas variáveis qualquer (ex.: B11 e NDVI), mas poderia ser
> três, quatro, etc. nessa soma de quadrados dentro da raíz;  i e j são os
> índices das amostras.  No exemplo, dij é a distância entre a i-ésima e a
> j-ésima amostra.  Tu podes usar outras fórmulas de distância, por exemplo,
> a distância de Manhattan.
>
> 2) Depois de calcular todas as dessemelhanças entre todas as amostras, os
> resultados são colocados em uma matriz:
> https://wikimedia.org/api/rest_v1/media/math/render/svg/ac5a364c06c41eede6a8689a417c79b0b984046d
> Se houver 1.000 amostras, a matriz terá 1.000.000 de elementos.  A matriz
> de dessemelhança é como se fosse aquelas tabelas de distâncias entre
> cidades que havia nos mapas rodoviários de antigamente.
>
> Seguindo a analogia das cidades, temos suas distâncias, mas não suas
> posições (x, y).  O problema consiste em encontrar a posição relativa (x,
> y)i de uma cidade i tal que, IDEALMENTE, a separação até uma cidade j seja
> igual à distância entre elas computadas no passo 2).  Ou seja, que o
> comprimento do vetor ||(xi - xj), (yi - yj)|| seja igual a dij.  Isso
> acontece se o número de variáveis de entrada for dois.  Como teremos 3 ou
> mais, o que estamos tentando fazer na prática é planificar algo que tem 3
> ou mais dimensões, então o problema passa a ser de minimização porque as
> distâncias dij são calculadas em função das variáveis de entrada.  Assim o
> valor ||(xi - xj), (yi - yj)|| - dij deve ser o mínimo.
>
> 3) Computar a matriz B, cujos elementos bij = 1/2 * ( dij^2 - di.^2 -
> d.j^2 + d..^2 ), onde
> bij = elemento da matriz B
> dij = elemento da matriz de dessemelhanças
> di. = i-ésimo vetor-linha (linha de uma matriz) da matriz de dessemelhanças
> d.j = j-ésimo vetor-coluna (coluna de uma matriz) da matriz de
> dessemelhanças
> d.. = toda a matriz de dessemelhanças (notação com dois pontos)
> A notação de um vetor ou matriz "ao quadrado" (ex.: di.^2) quer dizer
> "pegue todos os elementos, eleve cada um ao quadrado e some tudo."
>
> 4) Decompor B em seus autovalores e autovetores (rever Álgebra Linear).
> Essa decomposição resulta em duas matrizes: D = matriz com os autovalores
> em sua diagonal principal (os outros elementos são zero).  V = matriz cujas
> colunas são os autovetores.
>
> 5) Para um crossplot 2D, pegue os dois maiores autovalores de D e monte
> D1.  Pegue os autovetores (colunas) de V correspondentes aos maiores
> autovalores e monte V1.  D1 será uma matriz 2 x 2 com os dois maiores
> autovalores e V1 terá uma linha para cada amostra (ex. 1000) e duas colunas.
>
> 6) Para cada elemento não zero de D1, inverta (se o elemento for 5, deve
> ser 1/5) e tire a raíz quadrada.
>
> 7) A solução X será o produto das matrizes V1 e D1 X = V1 * D1.  X terá o
> número de linhas igual ao de amostras (ex. 1000) e 2 colunas.  A primeira
> coluna será a coordenada x e a segunda, y.  Essas coordenadas são usadas no
> crossplot.
>
> Se quiseres um crossplot 3D, refaça os passos 5, 6 e 7, mas selecionado os
> três maiores autovalores e X terá três coordenadas (x, y, z).
>
> Só isso!
>
>
>
>
> Em sáb, 15 de set de 2018 às 20:12, Sérgio V. <svolk2 em hotmail.com>
> escreveu:
>
>> Valeu, vou pesquisar.
>>
>> Tamo chegando lá.
>>
>>
>> - - - - - - - - - - - - - - - -
>>
>> Sérgio - http://www.openstreetmap.org/user/smaprs
>>
>>
>> ------------------------------
>> *De:* Paulo Carvalho <paulo.r.m.carvalho em gmail.com>
>> *Enviado:* sábado, 15 de setembro de 2018 19:53
>> *Para:* OSM talk-br
>> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2
>>
>> MDS (multi dimensional scaling) também ajuda na análise
>> multidimensional.  Veja se o QGis tem MDS.
>>
>> Em sáb, 15 de set de 2018 às 19:51, Paulo Carvalho <
>> paulo.r.m.carvalho em gmail.com> escreveu:
>>
>> Oi, Sérgio, o caminho é esse mesmo.  Mas estás usando três variáveis:
>> B11, NDVI e EVI2.  Em rigor seria necessário um crossplot 3D, mas aí a
>> análise visual começa a complicar.  Nesse ponto eu usaria um dendrograma
>> para analisar as classes.  O QGis tem dendrograma?
>>
>> Em sáb, 15 de set de 2018 às 12:29, Sérgio V. <svolk2 em hotmail.com>
>> escreveu:
>>
>> Ok, agora entendi esse negócio de manter as variáveis disponíveis sem
>> fundir em uma. Valeu!
>> -O NDVI distingue bem vegetal do que não é, e as classes de vegetal em
>> diferentes graus de clorofila nas folhas, isto é crescimento, atividade
>> vegetal. Mas nas matas densas tem mata nativa + mata plantada (pinus
>> principalmente no RS). Mata plantada tem sempre atividade mais alta e
>> valores mais altos de NDVI. Mata nativa já mistura: tem áreas e indivíduos
>> com ambos estados, em crescimento e em estagnação/maturidade, mas tende a
>> menor atividade de crescimento.
>>
>> Assim NDVI não distingue estas 2 dentro da mata ou em contato de bordas.
>> Mas em imagem hi-res do Bing já é fácil distinguir uma da outra. Existe
>> esta distinção de área de mata nativa separada de área de mata plantada.
>>
>> -O B11 distingue muito bem uma da outra, aproximadamente por volta do
>> valor 1000: ~200 a 1000 (mais escuro) mata planta; ~1000 a 1600 (mais
>> claro) mata nativa. Porém não distingue bem água/rio/sombra que fica entre
>> ~0 a 300. Afeta um tanto pelas sombras em encostas, onde baixa o valor.
>>
>> Do que entendi, assim, usando ao mesmo tempo as 2 variáveis, uma poderia fazer
>> o recorte onde a outra ainda mistura alguma coisa, uma apara as arestas
>> da outra.
>>
>>
>> Abaixo segue crossplot e mapa, coloridos na mesma base, as cores de NDVI
>> para 12 classes. EVI2 é quase igual a EVI e a NDVI. Mas dizem que EVI e
>> EVI2 são melhores para matas densas. NDVI pra vegetação em geral.
>>
>>
>> "EVI (Enhanced Vegetation Index) - In areas of dense canopy where the
>> leaf area index (LAI) is high, the NDVI values can be improved by
>> leveraging information in the blue wavelength. " (
>> https://www.sentinel-hub.com/develop/documentation/eo_products/Sentinel2EOproducts
>> )
>>
>>
>> "...contrary to that notion the Amazon forest does exhibit distinct
>> growth during the dry season..." (
>> https://en.wikipedia.org/wiki/Enhanced_vegetation_index - # Application
>> of EVI...)
>>
>>
>> A ver o que acham.
>>
>> https://i.imgur.com/9dBhNjC.jpg
>>
>>
>> Obrigado!
>>
>> - - - - - - - - - - - - - - - -
>>
>> Sérgio - http://www.openstreetmap.org/user/smaprs
>>
>>
>> ------------------------------
>> *De:* Paulo Carvalho <paulo.r.m.carvalho em gmail.com>
>> *Enviado:* sexta-feira, 14 de setembro de 2018 18:14
>> *Para:* OSM talk-br
>> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2
>>
>> O problema, Sérgio, quando se usa uma fórmula, efetivamente estás
>> resumindo duas variáveis a uma variável só.  Pela forma da mancha no
>> crossplot B11 versus NDVI, a correlação entre elas não é linear, ou seja,
>> elas não informam a mesma coisa.  Pelo contrário, temos que aumentar a
>> dimensionalidade.  Seria importante vermos como os pontos se agrupam.
>> Talvez haja até bem mais do que duas classes.
>>
>> Em sex, 14 de set de 2018 às 17:10, Sérgio V. <svolk2 em hotmail.com>
>> escreveu:
>>
>> Ok, ainda vou ver como fazer pra "definir a marca do crossplot para um único
>> pixel"
>>
>>
>> A coisa que me intriga ainda é que estava reexaminando as imagens e
>> histogramas, nos pontos onde há certeza das 2 classes, wood e forest, que
>> pode ser confirmada na alta resolução do Bing.
>>
>> E os histogramas me parecem ainda indicar que apontam para a confirmação da
>> formulação empírica / gambiarra B11 x ((1-NDVI)*4000), nos valores de
>> classes e diferenciação de:
>>
>> 1)wood (mais velha, pouco menos úmida, menos ativa em clorofila)
>>
>> 2)forest  (mais jovem, mais úmida, mais ativa em clorofila)
>>
>> 3)o que não é nenhum dos 2 e pode ser retirado de vetorização (para
>> "null").
>>
>>
>> Imagens junto com histogramas correspondentes do caso B11 x
>> ((1-NDVI)*4000):
>>
>> https://i.imgur.com/4uKNw1r.jpg
>>
>> É a mesma área que peguei como exemplo desde o início, porque tem todos
>> os tipos que poderiam interferir, e dá pra examinar se o
>> resultado distingue bem wood e forest do resto:
>>
>> wood; forest; river; pond; campos ralos; farmland; estradas; ...
>>
>> Nos histogramas, no NDVI, as forest ocupam sempre os níveis mais altos,
>> de vegetação crescendo ativamente; como próprio do NDVI; enquanto as
>> wood variam mais no espectro: há área velhas e algumas em crescimento.
>> Então há mistura das 2 classes.
>>
>> Já no B11 se destacam bem claramente entre si: uma não invade a margem de
>> valores da outra.
>>
>>
>> Se não fosse a água no B11 (~50a300) se misturar com forest(~150a1200),
>> daria pra usar só B11.
>>
>>
>> -No Cerrado, por exemplo, bastou usar só B11, não tem mata jovem/forest,
>> nem mais úmida, deu pra usar só B11:
>>
>> água no B11 (~50a600) ;  wood(~1000a1300).
>>
>> É que também os tipos são de vegetação do Cerrado são diferentes, matas
>> mais secas, mais castigadas, do que as matas mais úmidas da Mata Atlântica.
>> Acho sempre vão apresentar valores um tanto diferentes tendendo pro mais
>> seco.
>>
>>
>> https://wiki.openstreetmap.org/wiki/User:SergioAJV/Sentinel-2_vectorizing_tests#Cerrado_.28vetorizado_e_100.25_validado_para_OSM.29
>>
>>
>> -Já na Amazônia, úmida mas também com áreas de mata velha, a ponderação
>> teve que ser não x4000, mas x500, para B11 + ((1- NDVI ) * 500 ):
>>
>>
>> https://wiki.openstreetmap.org/wiki/User:SergioAJV/Sentinel-2_vectorizing_tests#Amaz.C3.B4nia_.28vetorizado_e_100.25_validado_para_OSM.29
>>
>>
>> Claro, se tivesse um índice ou fórmula única pra usar em todos biomas
>> igualmente, seria melhor sem dúvida.
>>
>> Não sei se é possível.
>>
>>
>> No scatterplot ainda vou ver como identificar os grupos ali dentro da
>> mancha.
>>
>> Ainda vou ver o que vc indicou mais.
>>
>> Obrigado!
>>
>>
>>
>> - - - - - - - - - - - - - - - -
>>
>> Sérgio - http://www.openstreetmap.org/user/smaprs
>>
>>
>> ------------------------------
>> *De:* Paulo Carvalho <paulo.r.m.carvalho em gmail.com>
>> *Enviado:* sexta-feira, 14 de setembro de 2018 13:45
>> *Para:* OSM talk-br
>> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2
>>
>> Oi, Sérgio, vamos lá...
>>
>> Em sex, 14 de set de 2018 às 12:25, Sérgio V. <svolk2 em hotmail.com>
>> escreveu:
>>
>> Bom dia Paulo, pessoal.
>>
>> Fiz upscaling pra ver crossplot/scatterplot, com 549x549 px =   301.401
>> pixels (pontos);
>>  - Imagem original tava com 10.980x10.980 px = 120.560.400 pixels :
>> 120.560.400 pontos, inviável, processador e RAM assobiaram.
>>
>>
>> Perfeito. Não se faz análise exploratória dos dados com tantos pontos.
>> 120M de amostras é impossível mesmo.  E mesmo se fosse viável, daria para
>> ver pouco.
>>
>>
>> E abri os histogramas.
>>
>> Obtive os seguintes gráficos (em jpg no Imgur):
>>
>> Histograma B11 : https://i.imgur.com/jsvnFjj.jpg
>>
>>
>> Só B11 parece dizer que há duas classes (as duas modas em 1200 e 2000
>> aproximadamente).  Não obstante um tanto misturadas.  Mas outra variável
>> pode ajudar a desempatar.
>>
>>
>> Histograma NDVI : https://i.imgur.com/FrEZGOO.jpg
>>
>> NDVI parece dizer que há três classes (as modas em 0,2; 0,6 e 0,7).  A
>> classe em centrada em 0,2 parece bem separada.
>>
>>
>> Histograma (1-NDVI)*4000 : https://i.imgur.com/TUPi3Tl.jpg
>>
>>
>> Não percas tempo com isso.  Apenas mudou a escala.  Ela continuia
>> informando a mesma coisa: que parece haver três classes.
>>
>>
>>
>> Scatterplot B11 x NDVI : https://i.imgur.com/z4yPjtY.jpg
>> Scatterplot B11 x (1-NDVI)*4000 : https://i.imgur.com/j4WuO7C.jpg
>>
>>
>> Parece interessante, porém só aparece uma mancha negra.  Seria importante
>> vermos onde os pontos estão concentrados.  Pontos concentrados são indícios
>> de que há uma classe ali.  Há como definir a marca do crossplot para um
>> único pixel?  Se não for possível, tenta reduzir a quantidade de amostras
>> de ~100k para ~5k.
>>
>> abcs,
>>
>> PC
>>
>>
>> (c/ reescale para abranger próximo da área plotada.)
>>
>> Anomalias de pixels acho que não tem muito.
>> Nuvem já remove na escolha de imagem, por cloud=0. E verifica com B10 se
>> ainda tem alguma mínima.
>>
>> A questão acho que centraria em encontrar uma referência de base
>> universal (imagem original básica; ou algoritmo) para wood e forest, ou
>> wood sozinho:
>> B11 sozinho ?
>> NDVI; ou EVI2; sozinhoS ?
>> Fórmula empírica (podem chamar gambiarra tb) tipo B11 * (1-NDVI)*4000 ?
>> Algum algoritmo mais pato (depois ainda vou estudar os algoritmos de
>> classificação multivariados que vc indicou).
>> De todo modo, a base da classificação, e possibilidade de
>> mapeamento, parte de imagem original e/ou índices mais aptos.
>>
>> O objetivo a princípio é prático, para o OSM, não tanto científico:
>> distinguir 2 classes, wood e forest, com precisão adequada, bastaria.
>>
>> NDVI e EVI2 exibem imagens muito parecidas; EVI2 indicam que é melhor pra
>> mata densa.
>> Mas comecei usando o NDVI, só pra eliminar o que não é vegetação; não pra
>> fazer classe de vegetação, pois não encontrei valores limite aptos a
>> separar classes.
>>
>> O que o o (1-NDVI) faz é tornar NDVI tudo número positivo, pra poder
>> depois multiplicar(potencializar) o B11.
>>
>> Vi que O NDVI possibilita destacar tudo o que não é vegetação, e remover
>> objetos que poderiam ainda ficar misturado no B11; por ter o foco em mapear
>> matas.
>> O B11 foi que observei de imediato que mais destaca "wood" e "forest"
>> entre si. Mas wood é o que mais tem no Brasil. Forest, menos.
>>
>> Aí no B11, filtrado pelo x (1-NDVI)*4000, era só ver o range, só entre as
>> 2, porque o resto já fica separado pelo NDVI.
>> (se focar só nas 2, wood e forest; no resto do Brasil quase só wood,
>> natural; mas se quiser todo o resto de landcover, mais classes, aí fica
>> mais elementos a considerar; também dá, mas de preferência não abordaria
>> isso agora):
>> -forest (vegetaçao mais nova; mais escura; valores mais baixos)
>> -wood (vegetação mais velha, mais clara, valores mais altos)
>> E as anomalias (amplificação de anomalias), filtrando manual com "sieve"
>> e "neighbors".
>> O fato é que o resultado, filtrando, mesmo perdendo informação, aproximou
>> da real grupo de wood e forest no terreno.
>>
>> Este que seria o objetivo: pegar wood e forest, quando há as 2
>> co-existindo; separadas entre si, e de todo o resto que não é.
>> Quando "não" tem as 2 co-existindo numa região (florestas plantadas é
>> mais na região Sul-Sudeste do BR), pegar só mata nativa (wood).
>> Alcançando isto, tá feito para o objetivo inicial e prático!
>> Claro, ainda se poderia ir tentando encontrar uma formulação que possa
>> ser mais abrangente, pegar mais objetos de landcover.
>>
>> Bom, a ver o que acham.
>> Em investigação. Parcialmente já estou satisfeito com os resultados. O
>> modo ainda pode ser meio empírico, ou não muito científico, artístico
>> digamos, de ir lapidando até fechar os polígonos de classes iguais, mas
>> funcionou. Claro, se pudermos facilitar e universalizar, melhor.
>>
>> Obrigado pelos aportes já dados!
>>
>>
>> - - - - - - - - - - - - - - - -
>>
>> Sérgio - http://www.openstreetmap.org/user/smaprs
>>
>>
>> ------------------------------
>> *De:* Paulo Carvalho <paulo.r.m.carvalho em gmail.com>
>> *Enviado:* quinta-feira, 13 de setembro de 2018 14:05
>> *Para:* OSM talk-br
>> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2
>>
>>
>>
>> Em qui, 13 de set de 2018 às 13:08, Sérgio V. <svolk2 em hotmail.com>
>> escreveu:
>>
>> Bom dia pessoal, Paulo e Gerald, obrigado pelos aportes!
>> Tenho muito interesse em que se possa aprimorar o processo, e/ou
>> facilitar, onde possível e necessário.
>> -Gerald, baixei o artigo, vou olhar mais a fundo, exigirá mais tempo.
>> -Paulo, infelizmente não apareceu a imagem exemplo que vc enviou, o
>> talk-list não exibe imagem, só link. Se puder mandar em link (tipo
>> imgur.com:  https://i.imgur.com/n3LV9qJ.jpg), seria ótimo.
>>
>>
>> Sem figuras?  Precisamos sair da década de 1990!  Aqui, é a figura 11
>> desse artigo:
>> https://www.researchgate.net/publication/249553119_Optimizing_4D_fluid_imaging
>>
>>
>>
>> Estou tomando muito em consideração as suas colocações técnicas.
>>
>> Claro, quando cruzei B11+((1-NDVI)*4000), o objetivo foi arrastar pra
>> fora tudo que não é mata, na Mata Altlâtica.Serviu ali.
>>
>>
>> Ok.
>>
>>
>> Não serviu nos outros biomas. Foquei só em forest e wood. Que já me
>> pareceu bem identificável pelo B11, só que no B11 mistura perto de valores
>> de água, e é mais afetado por sombra. Por isso a de filtra pelo NDVI o que
>> não é matas. Usei só B11 e NDV( (B04 e B08). Não cruzei com a imagem RGB
>> (TCI). Só usei ela pra observar.
>>
>>
>> Quando teu problema começa a "pedir um monte de IF's" trata-se de um
>> problema de tomada de decisão de múltiplas variáveis.  Neste caso, a
>> decisão é classificar cada pixel da imagem.  Se tu tentares escrever IF's
>> dentro de IF's para 6 variáveis, vai complicar.  Na prática é um problema
>> intratável diretamente.  Para esse tipo de problema deve-se usar um
>> algoritmo de classificação desses já sugeridos.  Comece pelo crossplot B11
>> versus NDVI.  O que ele mostra?  Não tentemos abordar tudo isso de uma
>> vez.  Baby steps...
>>
>>
>> Tinha testado o "SemiAutomaticClassificationPlugin (SCP)"
>> https://github.com/semiautomaticgit/SemiAutomaticClassificationPlugin
>> Mas achei muito difícil, 200 páginas de manual. Não sou especialista
>> nisto. O que obtive foi lendo um tanto, catando métodos, e adaptando ou
>> inventando filtro conforme o necessário, como naquelas equações de
>> ponderação, baseado em teste e observação dos resultados.
>>
>> Do ponto de vista prático, pensava ainda no seguinte: não tenho, a
>> princípio, a pretensão de mapear todo tipo de landcover. Mas quem
>> quiser, e a comunidade concordar, claro. Pensei nas matas, por serem os
>> agregados de vegetação mais densos, como um obstáculo geográfico; e pouco
>> são mapeadas, ou razoavelmente bem, até pelo trabalho que dá, e dependendo
>> de conhecimento nem sempre muito preciso. Apesar de gostar de matas, acho
>> que são elementos acessórios no OSM. Ainda assim importantes de constar,
>> como base de localização, referência cartográfica. Não necessitam de enorme
>> resolução. Talvez ainda se pudesse baixar a resolução resultante. A ver o
>> que vocês acham, e a comunidade. Enfim, tenho uma preferência pessoal por
>> matas. Mas nada impede que um método permita mapear o resto. O objetivo é
>> prático, cartografar o que seja de interesse e conveniente para o OSM.
>>
>> Acredito sim que seria ótimo em termos de obtenção geral de informações
>> poder até ampliar as classes possíveis de detectar, ou usar mais
>> adequadamente se possível. É muito bem-vinda sua ideia de: "tem um ótimo
>> potencial para criar um classificador automático ou supervisionado robusto
>> e válido em qualquer lugar, o que reduziria MUITO a
>> quantidade de trabalho manual." Seria ótimo! Não entendi todos os passos
>> que vc sugeriu, sou um tanto leigo no assunto quando passa para nível mais
>> profundo. Vou pesquisar ainda com mais tempo o que vc falou. Se tiver uma
>> formulação para indicar, os índices e métodos melhores, etc,  para
>> possibilidades de mapeamento assistido, será muito bem-vinda, ótima
>> contribuição! Penso num método que seja relativamente fácil. Que quem
>> desejar se aprofundar um pouco possa fazer no OSM.
>>
>> Seria bom se podermos encontrar meio para isso. Se quiser sugerir,
>> podemos usar a mesma wiki para isso. Sobretudo afinamentos técnicos. O
>> método tem objetivo de poder ser usado por qualquer um que tenha o
>> interesse em se aprofundar pra mapear. Podemos usar a seção talk da mesma
>> wiki, quem desejar contribuir, e ir afinando para imlplementar.
>>
>> https://wiki.openstreetmap.org/wiki/Talk:Vetoriza%C3%A7%C3%A3o_de_matas_com_Sentinel-2
>> Obrigado antecipadamente pelas contribuições! Já registradas ali.
>>
>> Por outro lado, a pergunta que ainda faço é: acham que o que tem ali já
>> apresentaria resultado mapeável para upload ao OSM? Ainda que se possa
>> afinar mais coisas.
>> Penso sobretudo para Mata Atlântica.
>> Baixar mais da atual resolução? (~ 100nós/km2; curvas com 1nó/10m).
>> Ou poderíamos antes afinar ou ampliar mais o método? Ou concomitantemente?
>>
>> Eu acho que o método (atual) apresentou bons resultados, sobretudo nas
>> áreas de bioma Mata Atlântica.
>> Onde pensava mais em usar pra mapear, pelos seguintes motivos:
>> -é a área de mata mais próxima da área de maior ocupação humana no
>> Brasil, a faixa de 200km do litoral; é a que mais se transita;
>> -pode ser feita em tiles parciais; dificilmente uma área extrapola muito
>> uma imagem;
>> -já no bioma Amazônia não, área de mata extrapola muito uma imagem;
>> precisaria fazer tudo junto, ou ir grudando as matas de cada tile, ou gerar
>> mega multi-polígonos; eu deixaria pra outro momento, mas se alguém quiser
>> abraçar esta área, mapear assistidamente, legal;
>> -cerrado tem alguma mata densa, mais ciliar; mapeia rápido, acredito;
>> porém é extenso.
>> -caatinga tem pouca mata densa, não gera uma cobertura; ficaria mais pra
>> "natural=scrub"; e cobre todo o terreno, quase homogeneamente; não como um
>> destacado objeto geográfico; mas pode ser feito quem tiver interesse;
>> -pantanal, ainda vou testar;
>> -pampa, ainda vou testar; tem matas e campo que são mais próximos da Mata
>> Atlântica, semelhantes ao exemplo testado; as matas são fáceis de marcar.
>>
>> Porcentagem da área do Brasil:
>> Amazônia 49,29 %
>> Cerrado 23,92%
>> Mata Atlântica 13,04 %
>> Caatinga 9,92 %
>> Pampa 2,07 %
>> Pantanal 1,76 %
>>
>> A ver o que acham.
>>
>> Obrigado,
>>
>>
>>
>> - - - - - - - - - - - - - - - -
>>
>> Sérgio - http://www.openstreetmap.org/user/smaprs
>>
>>
>> ------------------------------
>> *De:* Gerald Weber <gweberbh em gmail.com>
>> *Enviado:* quinta-feira, 13 de setembro de 2018 10:06
>> *Para:* OpenStreetMap no Brasil
>> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2
>>
>> Oi Sérgio
>>
>> iniciativa fantástica, por acaso vi este artigo hoje:
>> Supervised Classification of Multisensor Remotely Sensed Images Using a
>> Deep Learning Framework
>> http://www.mdpi.com/2072-4292/10/9/1429
>>
>> talvez seja de interesse
>>
>> abraço
>>
>> Gerald
>>
>> Obs: cirei um alerta no Google Acadêmico para me avisar sobre artigos
>> científicos onde aparece a palavra "OpenStreetMap"
>>
>> 2018-09-12 20:40 GMT-03:00 Sérgio V. <svolk2 em hotmail.com>:
>>
>> Prezados(as),
>>
>> venho aqui expor e submeter à apreciação da comunidade OSM no Brasil uma
>> proposta de método de mapeamento de matas para o OSM (natural=wood e
>> landuse=forest) , baseado em vetorização semi-automatizada de imagens do
>> satélite Sentinel-2, para o que peço autorização para uso em mapeamento no
>> OSM no Brasil.
>>
>> A proposta detalhada passo-a-passo encontra-se documentada na página wiki
>> "Vetorização de matas com Sentinel-2":
>>
>> https://wiki.openstreetmap.org/wiki/Vetoriza%C3%A7%C3%A3o_de_matas_com_Sentinel-2
>>
>> Os testes já realizados (sem upload) encontram-se na página:
>>
>> https://wiki.openstreetmap.org/wiki/User:SergioAJV/Sentinel-2_vectorizing_tests
>>
>> O objetivo desta proposta, resumidamente, é contribuir com uma
>> ferramenta para o mapeamento no OSM de grandes coberturas de matas.
>>
>> A justificativa consiste, basicamente, em que o método possibilita mapear
>> grandes áreas de mata, de municípios ou regiões de interesse,
>> adequadamente, mais rapidamente, e com melhor precisão geométrica do que o
>> que comumente pode ser encontrado ou realizado em mapeamento exclusivamente
>> manual e com as imagens disponíveis nem sempre atualizadas e que, de todo
>> modo, não permitem escolha, como de épocas do ano mais propícias à
>> identificação de vegetação.
>>
>> O método se destina a matas. Não se destina ao mapeamento de objetos
>> pequenos. A resolução das imagens disponíveis é de 10 e 20m/pixel, e as geometrias
>> resultantes da ordem de ~1nó/10m em curvas. Ainda assim maior do que se
>> pode encontrar muitas vezes em mapeamento manual de "landcover", como
>> matas. O processo pode gerar cerca de 100 a 150 nós por km2, em áreas
>> com muita variedade de tipos de matas. O que significa cerca de 1.000.000
>> de nós a partir de 1 imagem Sentinel de 100x100km. Menos que isso em áreas
>> mais homogêneas.
>>
>> O método exige o controle ativo dos parâmetros de distinção de classes de
>> vegetação e demais elementos geográficos a partir das imagens de satélite,
>> em todo o andamento do processo, até o resultado final na geração de
>> vetores .osm.
>> Exige certo tempo na aplicação dos passos, e sobretudo atenção, como na
>> medição de valores de pixels para as classes de objetos, escolha de objetos
>> para amostragem, bem como na verificação do resultado final. Não é um
>> processo imediato. Ainda assim, permite grande ganho de tempo no mapeamento.
>>
>> Mais detalhes podem ser encontrados nas citadas páginas de documentação.
>>
>> Agradeço sua atenção e apreciação, acolhendo questões ou comentários no
>> que desejarem e/ou julgarem necessário.
>>
>>
>> - - - - - - - - - - - - - - - -
>>
>> Sérgio - http://www.openstreetmap.org/user/smaprs
>>
>> _______________________________________________
>> Talk-br mailing list
>> Talk-br em openstreetmap.org
>> https://lists.openstreetmap.org/listinfo/talk-br
>>
>>
>>
>>
>> _______________________________________________
>> Talk-br mailing list
>> Talk-br em openstreetmap.org
>> https://lists.openstreetmap.org/listinfo/talk-br
>>
>> _______________________________________________
>> Talk-br mailing list
>> Talk-br em openstreetmap.org
>> https://lists.openstreetmap.org/listinfo/talk-br
>>
>> _______________________________________________
>> Talk-br mailing list
>> Talk-br em openstreetmap.org
>> https://lists.openstreetmap.org/listinfo/talk-br
>>
>> _______________________________________________
>> Talk-br mailing list
>> Talk-br em openstreetmap.org
>> https://lists.openstreetmap.org/listinfo/talk-br
>>
>> _______________________________________________
>> Talk-br mailing list
>> Talk-br em openstreetmap.org
>> https://lists.openstreetmap.org/listinfo/talk-br
>>
>
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://lists.openstreetmap.org/pipermail/talk-br/attachments/20180916/2e8360ca/attachment-0001.html>