Processamento de Imagens dos Satélites Brasileiros CBERS-4 e CBERS-4A para Respostas Rápidas a Desastres
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
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
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.