Processamento de Imagens dos Satélites Brasileiros CBERS-4 e CBERS-4A para Respostas Rápidas a Desastres
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
As imagens de satélite podem contribuir para a identificação e análise das áreas afetadas por desastres naturais, através da utilização de técnicas de Processamento Digital de Imagens (PDI) que ressaltam áreas de interesse. O International Charter “Space and Major Disasters” é a principal cooperação mundial entre agências espaciais para o fornecimento gratuito de dados de emergência e conta com o Brasil no processo de resposta aos chamados. Dando importância para as solicitações de emergência, a presente pesquisa propõe a utilização dos satélites brasileiros para sistematizar técnicas de PDI como auxílio à gestão de desastres do tipo deslizamentos de terra e inundações regionais. Apresentamos dois casos de estudo: os deslizamentos em Petrópolis (RJ), ocorridos em 2022, e as inundações regionais em três províncias do Paquistão, de 2022. A mineração de dados realizada com o apoio do algoritmo Random Forest (RF) foi adotada para extrair os principais atributos que posteriormente foram combinados no espaço de cores RGB para a identificação rápida das áreas atingidas. A composição de cores proposta para Petrópolis foi baseada na seleção de uma componente principal, índice de vegetação e componente matiz da transformação de cores IHS, com uma Acurácia Global (AG) de 81,82%, obtida a partir dos dados do MUX/CBERS-4A. A composição sugerida para o Paquistão foi baseada na seleção da banda NIR e da primeira e segunda componente principal, com uma AG de 88,33%, utilizando imagens do WFI/CBERS-4. Todas as áreas de interesse puderam ser evidenciadas com bom êxito a partir das composições sugeridas.
Downloads
Métricas
Detalhes do artigo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Atribuição que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (veja "O Efeito do Acesso Aberto").
Referências
ADAM, E.; MUTANGA, O.; ODINDI, J.; ABDEL-RAHMAN, E. M. Land-use/cover classification in a heterogeneous coastal landscape using RapidEye imagery: evaluating the performance of random forest and support vector machines classifiers. International Journal of Remote Sensing, v. 35, n. 10, p. 3440-3458, 2014.
BELGIU, M.; DRĂGUŢ, L. Random forest in remote sensing: a review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, v. 114, p. 24-31, 2016.
BOCCARDO, P.; TONOLO, F. G. Remote sensing role in emergency mapping for disaster response. In: LOLLINO, G.; MANCONI, A.; GUZZETTI, F.; CULSHAW, M.; BOBROWSKY, P.; LUINO, F. (Ed.). Engineering geology for society and territory. Cham: Springer, 2015. p.17-24. DOI: 10.1007/978-3-319-09048-1_3.
BREIMAN, L. Random forests. Machine Learning, v. 45, p. 5-32, 2001.
BUNTING, P., CLEWLEY, D., LUCAS, R.M.; GILLINGHAM, S. The remote sensing and GIS software library (RSGISLib). Computers & Geosciences, v. 62, p.216.226, 2014. Disponível em: https://doi.org/10.1016/j.cageo.2013.08.007.
CASTEJON, E. F.; FONSECA, L. M. G.; FORSTER, C. H. Q. Melhoria do processo de correção geométrica de imagens cbers-ccd pelo uso de amostras georreferenciadas classificadas. Boletim de Ciências Geodésicas, v. 21, p. 658-673, 2015 DOI: http://dx.doi.org/10.1590/S1982-21702015000400038.
CENTRE FOR RESEARCH ON EPIDEMIOLOGY OF DISASTERS (CRED). Natural disasters in 2019. Report of the centre for research on the epidemiology of disasters. 2019. Disponível em: https://www.cred.be/publications.
CHMUTINA, K.; VON MEDING, J. A Dilemma of language: “natural disasters” in academic literature. International Journal of Disaster Risk Science, v. 10, n. 3, p. 283-292, 2019. 2. DOI: https://doi.org/10.1007/s13753-019-00232-2.
CONFEDERAÇÃO NACIONAL DE MUNICÍPIOS (CNM). Mais de 25% das mortes por chuvas no Brasil nos últimos 10 anos ocorreram em 2022. Agência CNM de Notícias. Maio/ 2022. Disponível em: https://www.cnm.org.br/comunicacao/noticias/mais-de-25-das-mortes-por-chuvas-no-brasil-nos-ultimos-10-anos-ocorreram-em-2022.
CONGALTON, R. G. Accuracy assessment and validation of remotely sensed and other spatial information. International Journal of Wildland Fire, v. 10, p. 321-328, 2001. Disponível em: https://doi.org/10.1071/WF01031. Acesso em: 31 ago. 2021.
CROSTA, A. P. Processamento digital de imagens de sensoriamento remoto. UNICAMP/Instituto de Geociências, 1992.
DENIS, G.; BOISSEZON, H.; HOSFORD, S.; PASCO, X.; MONTFORT, B.; RANERA, F. The evolution of Earth Observation satellites in Europe and its impact on the performance of emergency response services. Acta Astronautica, v. 127, p. 619-633, 2016. DOI: https://doi.org/10.1016/j.actaastro.2016.06.012.
ESTORNELL, J. et al. Principal component analysis applied to remote sensing. Modelling in Science Education and Learning, v. 6, p. 83-89, 2013.
FOLHA DE SÃO PAULO. Sobe para 232 o total de pessoas mortas em tragédia em Petrópolis. 2022. Disponível em: https://www1.folha.uol.com.br/cotidiano/2022/03/sobe-para-232-total-de-pessoas-mortas-em-tragedia-em-petropolis.shtml. Acesso em: 8 ago. 2022.
GÄHLER, M.; MARGHANY, M. Remote sensing for natural or man-made disasters and environmental changes. In: Environmental applications of remote sensing. InTech, 2016. p. 309-338.
GILMORE, S.; SALEEM, A; DEWAN, A. Effectiveness of DOS (Dark-Object Subtraction) method and water index techniques to map wetlands in a rapidly urbanising megacity with Landsat 8 data. Research@ Locate'15, p. 100-108, 2015. Disponível em: https://espace.curtin.edu.au/handle/20.500.11937/43918.
GONZALEZ, R. C.; WOODS, R. C. Processamento digital de imagens. [S.l.]: Pearson Educación, 2009.
GUERRA, A. J. T.; GONÇALVES, L. F. H.; LOPES, P. B. M. Evolução histórico-geográfica da ocupação desordenada e movimentos de massa no município de Petrópolis, nas últimas décadas. Revista Brasileira de Geomorfologia, v. 8, n. 1, 2007. DOI: https://doi.org/10.20502/rbg.v8i1.84.
GUO, M.; LI, J.; SHENG, C.; XU, J.; WU, L. A review of wetland remote sensing. Sensors, v. 17, n. 4, p. 1–36, 2017.
HEIN, W.; WILSON, C.; LEE, B.; RAJAPAKSA, D.; de MOEL, H.; ATHUKOROLA, W.; MANAGI, S. Climate change and natural disasters: government mitigation activities and public property demand response. Land Use Policy, v. 82, p. 436-443, 2019. DOI: https://doi.org/10.1016/j.landusepol.2018.12.026.
HOLDEN, C. Classification of land cover. 2017. Disponível em: https://ceholden.github.io/open-geo tutorial/python/chapter_5_classification.html#Chapter-5:-Classification-of-land-cover. Acesso em: 5 ago. 2021.
HUETE, A. R.; JACKSON, R. D. Soil and atmosphere influences on the spectra of partial canopies. Remote Sensing of Environment, v. 25, n. 1, p. 89-105, 1988. DOI: https://doi.org/10.1016/0034-4257(88)90043-0.
HUETE, A. R.; LIU, H. Q.; BATCHILY, K.; LEEUWEN, W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, v.59, p.440-451, 1997.
INTERNATIONAL CHARTER ON SPACE AND MAJOR DISASTERS (ICSMD) History. 2022. Disponível em: https://disastersCarta.org/web/guest/history.
LEONARDI, F.; OLIVEIRA, C. G.; FONSECA, L. M. G.; ALMEIDA, C. D. Fusão de imagens cbers 2b: Ccd-hrc. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 14., 2009. Proceedings... São José dos Campos: INPE, 2009. p.6951-6958. Disponível em: http://marte.sid.inpe.br/col/dpi.inpe.br/sbsr@80/2008/11.16.12.28/doc/6951-6958.pdf.
LIAW, A.; WIENER, M. Classification and regression by randomForest. R News, v. 2/3, p. 18- 22. 2002.
LIU, J. G.; MOORE, J. McM. Hue image RGB colour composition: a simple technique to suppress shadow and enhance spectral signature. International Journal of Remote Sensing, v. 11, n. 8, p. 1521-1530, 1990.
MARTINIS, S. et al. DLR'S contributions to emergency response within the International Charter ‘Space and Major Disasters’. In: IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSINT SYMPOSIUM (IGARSS), 2018. Proceedings... IEEE, 2018. p.6540-6543. Disponível em: https://ieeexplore.ieee.org/abstract/document/8517910?casa_token=DnVVvdJS78wAAAAA:pCn3nhHCbt_HTdFOPwW8ZdEm6e5LuIrO_oJTMZ3G_str2_0Zo3P7PwNgvpv5RYpFvRJn_SOdWss.
MCFEETERS, S. K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), v. 17, n.7, p.1425-1432, 1996. DOI: https://doi.org/10.1080/01431169608948714.
MUNAWAR, H. S.; HAMMAD, A. W. A.; WALLER, S. T. Remote sensing methods for flood prediction: a review. Sensors, v. 22, n. 3, p. 960, 2022. DOI: https://doi.org/10.3390/s22030960.
NAMIKAWA, L. M. Mapeamento para emergências com CBERS-4: um exemplo de aplicação do sensor PAN. 2017. Disponível em: http://marte2.sid.inpe.br/col/sid.inpe.br/marte2/2017/10.27.13.05/doc/61625.pdf.
NOVELLINO, A.; JORDAN, C.; AGER, G.; BATESON, L.; FLEMING, C.; CONFUORTO, P. Remote sensing for natural or man-made disasters and environmental changes. DURRANI, T.; WANG, W.; FORBES, S. (Ed.). Geological disaster monitoring based on sensor networks. Singapore: Springer, 2019. DOI: https://doi.org/10.1007/978-981-13-0992-2_3.
OLIVEIRA, T. R; OLIVEIRA, V. S; PONTES, M.; LIBÓRIO, M. P.; HADAD, R. M.; LAUDARES, S. (2019). Metodologia para análise de danos ambientais do rompimento da Barragem de Fundão em Bento Rodrigues (MG). HOLOS, 7, 1-17. DOI: https://doi.org/10.15628/holos.2019.6187.
PEARSON, K. On lines and planes of closest fit to systems of points in space. Philosophical Magazine, v. 2, n.11, p.559-572, 1901. DOI: https://doi.org/10.1080/14786440109462720.
PIKE, R. J. The geometric signature: quantifying landslide-terrain types from digital elevation models. Mathematical Geology, v. 20, p.491-511, 1988. DOI: https://doi.org/10.1007/BF00890333.
POLIKAR, R. Ensemble learning. Ensemble Machine Learning, p. 1–34, 2012.
RICHARDS, J. A. Remote sensing digital image analysis. Berlin: Springer, 2012.
ROUSE, J.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W. Monitoring vegetation systems in the great plains with erts. NASA Special Publication, v. 351, n. 1974, p.309–317, 1973.
SHAH, A. A.; GONG, Z.; PAL, I.; SUN, R.; ULLAH, W.; WANI, G. F. Disaster risk management insight on school emergency preparedness–a case study of Khyber Pakhtunkhwa, Pakistan. International Journal of Disaster Risk Reduction, v. 51, e 101805, 2020. DOI: https://doi.org/10.1016/j.ijdrr.2020.101805.
TAN, L.; GUO, J.; MOHANARAJAH, S.; ZHOU, K. Can we detect trends in natural disaster management with artificial intelligence? A review of modeling practices. Natural Hazards, v. 107, n.3, 2021. DOI: https://doi.org/10.1007/s11069-020-04429-3.
TORRES, G. P.; DO CARMO, L. F. R.; DE ALMEIDA PALMEIRA, A. C. P. Estudo da relação entre precipitação e deslizamentos no município de Petrópolis–RJ. Sistemas & Gestão, v. 15, n. 1, p. 38-45, 2020. DOI: https://doi.org/10.20985/1980-5160.2020.v15n1.1611.
UM SÓ PLANETA. Derretimento de geleiras pode ter piorado inundações que deixaram um terço do Paquistão debaixo d’água. 31 ago. 2022. Disponível em: https://umsoplaneta.globo.com/clima/noticia/2022/08/31/derretimento-de-geleiras-pode-ter-piorado-inundacoes-que-deixaram-um-terco-do-paquistao-debaixo-dagua.ghtml.
VOIGT, S. et al. Global trends in satellite-based emergency mapping. Science, v. 353, n. 6296, p. 247-252, 2016.
WANG, Z.; YE, X. Social media analytics for natural disaster management. International Journal of Geographical Information Science, v. 32, n. 1, p. 49-72, 2018.
YU, M.; YANG, C.; LI, Y. Big data in natural disaster management: a review. Geosciences, v. 8, n. 5, p. 165, 2018.
ZHOU, L.; WU, X.; XU, Z.; FUJITA, H. Emergency decision making for natural disasters: An overview. International Journal of Disaster Risk Reduction, v. 27, p. 567-576, 2018.