<div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr">Oi, bom dia, excelente iniciativa.  Entretanto tenho uma crítica quanto ao sistema de classificação (passos 2 a 6).  Agregá-las com fórmulas do tipo B11+((1-NDVI)*4000)) e depois usar IF's representa muita perda
 de informação, além de que a relação entre elas pode não ser essa 
equação (deveria verificar no crossplot) e seria bom apresentar uma fundamentação física para essas relações.  <br><br></div><div>Para ilustrar, abaixo é mostrado um crossplot entre duas variáveis onde se observa três grupos: reservatórios arenosos contendo óleo; reservatórios arenosos com água e rochas que não têm fluido algum (shale).  Quando aplicamos essa classificação a um mapa, fica fácil saber onde furar um poço, qual a extensão das reservas, etc..   Note que entre as duas variáveis não há uma relação linear do tipo Ax + B tal como a equação apresentada.<br><br><div style="text-align:center"><img src="cid:ii_jm0itnp40" alt="image.png" style="margin-right: 0px;"><br></div></div><div dir="ltr"><br>Agora considere o nosso caso.  Só com o apresentado na página temos 6 variáveis: R, G, B, B11, NDVI e 
EVI2.  Isso aliado à grande quantidade de dados 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.  Poderíamos ainda descobrir classes que não aparecem no dado do experimento (ex.: afloramentos rochosos, pedreiras, lixões, minas, grandes rebanhos de animais, etc) que poderiam ser classifcadas como floresta incorretamente.<br><br>Eu começaria pelo tratamento da imagem (cuidado com a escolha do
 filtro).  Por exemplo, na 
fórmula que citei, o valor de NDVI está sendo multiplicado por 4000, 
então qualquer ruído que esse canal tenha será amplificado 4000 vezes, o
 que com certeza não é bom.  Depois faria o upscaling das imagens para 
reduzir o tamanho dos dados, o que permitiria treinar o classificador em
 uma área bem maior.  Os corpos (florestas) que se prentende mapear 
espera-se que sejam de grande extensão.  Portanto, uma resolução alta 
demais só contribui para o custo computacional sem agregar informação.<br><br>Em seguida, mudaria o modelo de cor do canal visível de RGB 
para HSV, por exemplo, para separar o brilho do caráter espectral das 
cores (por exemplo, uma floresta à sombra de uma nuvem poderia ser classificada diferentemente de outra sob sol intenso).  Estudaria os histogramas e a correlação 
entre todas variáveis em crossplots para ter um vislumbre dos grupos (classes) e assim escolher um algoritmo de classificação multivariado: Árvore de Decisão, Rede Neuronial, Random Forest, Dendrograma, k-means, etc. O QGis provavelmente tem ao menos um desses algoritmos.  <br><br></div><div>O algoritmo de classificação "pintará" os mapas com as diversas classes encontradas, bastaria somente dar nomes e outros atributos a elas dependendo do que o algoritmo "pintou".  No exeplo do crossplot acima, o algoritmo só pintou de azul, vermelho e preto.  Para dizer o que é cada classe, deve-se ver as faixas de valores que correspondem a elas ( o óleo é menos denso que a água, assim as rochas que contêm esses fluidos têm respostas acústicas de acordo ).  No nosso caso, uma simples verificação visual no mapa bastaria para dizer que o que foi pintado de azul, por exemplo, corresponde a "wood".<br></div><div>  <br></div><div>att,<br><br></div><div>PC<br></div><div dir="ltr"></div><div><br></div></div></div></div></div></div></div></div></div></div><br><div class="gmail_quote"><div dir="ltr">Em qua, 12 de set de 2018 às 20:40, Sérgio V. <<a href="mailto:svolk2@hotmail.com">svolk2@hotmail.com</a>> escreveu:<br></div><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">




<div dir="ltr">
<div id="m_-1960579615341354454divtagdefaultwrapper" style="font-size:12pt;color:#000000;font-family:Calibri,Helvetica,sans-serif" dir="ltr">
<p style="margin-top:0;margin-bottom:0"></p>
<div>Prezados(as),</div>
<div><br>
</div>
<div>venho aqui expor e submeter à apreciação da comunidade OSM no Brasil uma proposta de método de mapeamento de matas para o OSM <span>(natural=wood e landuse=forest)</span> , baseado em vetorização semi-automatizada de imagens do satélite Sentinel-2, para
 o que peço autorização para uso em mapeamento no OSM no Brasil.</div>
<div><br>
</div>
<div>A proposta detalhada passo-a-passo encontra-se documentada na página wiki "Vetorização de matas com Sentinel-2": </div>
<div><a href="https://wiki.openstreetmap.org/wiki/Vetoriza%C3%A7%C3%A3o_de_matas_com_Sentinel-2" target="_blank">https://wiki.openstreetmap.org/wiki/Vetoriza%C3%A7%C3%A3o_de_matas_com_Sentinel-2</a></div>
<div><br>
</div>
<div>Os testes já realizados (sem upload) encontram-se na página:</div>
<div><a href="https://wiki.openstreetmap.org/wiki/User:SergioAJV/Sentinel-2_vectorizing_tests" target="_blank">https://wiki.openstreetmap.org/wiki/User:SergioAJV/Sentinel-2_vectorizing_tests</a></div>
<div><br>
</div>
<div>O objetivo desta proposta, resumidamente, é contribuir com uma ferramenta para o mapeamento no OSM de grandes coberturas de matas. </div>
<div><br>
</div>
<div>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. </div>
<div><br>
</div>
<div><span style="font-family:Calibri,Helvetica,sans-serif,EmojiFont,"Apple Color Emoji","Segoe UI Emoji",NotoColorEmoji,"Segoe UI Symbol","Android Emoji",EmojiSymbols;font-size:16px"><span style="font-family:Calibri,Helvetica,sans-serif,EmojiFont,"Apple Color Emoji","Segoe UI Emoji",NotoColorEmoji,"Segoe UI Symbol","Android Emoji",EmojiSymbols;font-size:16px">O
 método se destina a matas. N</span>ão se destina ao mapeamento de objetos pequenos. </span><span style="font-family:Calibri,Helvetica,sans-serif,EmojiFont,"Apple Color Emoji","Segoe UI Emoji",NotoColorEmoji,"Segoe UI Symbol","Android Emoji",EmojiSymbols;font-size:16px">A
 resolução das imagens disponíveis é de 10 e 20m/pixel, e as</span><span style="font-family:Calibri,Helvetica,sans-serif,EmojiFont,"Apple Color Emoji","Segoe UI Emoji",NotoColorEmoji,"Segoe UI Symbol","Android Emoji",EmojiSymbols;font-size:16px"> geometrias
 resultantes da ordem de ~1nó/10m em curvas</span><span style="font-family:Calibri,Helvetica,sans-serif,EmojiFont,"Apple Color Emoji","Segoe UI Emoji",NotoColorEmoji,"Segoe UI Symbol","Android Emoji",EmojiSymbols;font-size:16px">. Ainda assim maior
 do que se pode encontrar muitas vezes em mapeamento manual de "landcover", como matas. <span>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.  </span></span></div>
<div><br>
</div>
<div>O método exige o controle ativo dos parâmetros de distinção de classes de vegetação e demais elementos geográficos a partir das imagens de <span style="font-size:12pt">satélite, em todo o andamento do processo, até o resultado final na geração de vetores
 .osm.</span></div>
<div><span style="font-size:12pt">Exige certo tempo <span style="font-family:Calibri,Helvetica,sans-serif,EmojiFont,"Apple Color Emoji","Segoe UI Emoji",NotoColorEmoji,"Segoe UI Symbol","Android Emoji",EmojiSymbols;font-size:16px">na aplicação </span><span style="font-family:Calibri,Helvetica,sans-serif,EmojiFont,"Apple Color Emoji","Segoe UI Emoji",NotoColorEmoji,"Segoe UI Symbol","Android Emoji",EmojiSymbols;font-size:16px">dos
 passos</span>, 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.</span></div>
<div><br>
</div>
<div>Mais detalhes podem ser encontrados nas citadas páginas de documentação.</div>
<div><br>
</div>
<div>Agradeço sua atenção e apreciação, acolhendo questões ou comentários no que desejarem e/ou julgarem necessário.</div>
<div><br>
</div>
<p></p>
<p style="margin-top:0;margin-bottom:0"><br>
</p>
<div id="m_-1960579615341354454Signature">
<div id="m_-1960579615341354454divtagdefaultwrapper" style="font-size:12pt;color:rgb(0,0,0);background-color:rgb(255,255,255);font-family:Calibri,Arial,Helvetica,sans-serif,EmojiFont,"Apple Color Emoji","Segoe UI Emoji",NotoColorEmoji,"Segoe UI Symbol","Android Emoji",EmojiSymbols">
<p>- - - - - - - - - - - - - - - -</p>
<p>Sérgio - <a href="http://www.openstreetmap.org/user/smaprs" class="m_-1960579615341354454OWAAutoLink" id="m_-1960579615341354454LPNoLP" target="_blank">http://www.openstreetmap.org/user/smaprs</a></p>
</div>
</div>
</div>
</div>

_______________________________________________<br>
Talk-br mailing list<br>
<a href="mailto:Talk-br@openstreetmap.org" target="_blank">Talk-br@openstreetmap.org</a><br>
<a href="https://lists.openstreetmap.org/listinfo/talk-br" rel="noreferrer" target="_blank">https://lists.openstreetmap.org/listinfo/talk-br</a><br>
</blockquote></div>