UNIVERSIDADE FEDERAL DO PARANÁ
DEPARTAMENTO DE GEOMÁTICA
Sensoriamento Remoto
Exercicio No. 06 : RADAR

Neste exercício serão analisadas as propriedades de imagens de RADAR, comparando-as com imagens de sensores ópticos como o Landsat OLI.
Para isto, analisaremos a imagem de Paranaguá/Ilha do Mel, a mesma que analisamos nas aulas anteriores.

imagem Sentinel 1 :

Ler coordenadas e deslocar mapa no e.e.

a) Primeiro, selecione no e.e. um ponto na área de interesse e leia as coordenadas. Por exemplo, vamos ler as coordenadas de um ponto na cidade de Curitiba, mais precisamente no lago Barigui. Para isto, sigas os seguintes três passos.
  1. Selecione a ferramenta de "inserir marcador" no canto esquerdo do mapa.
  2. Com a opção selecionada, clique em um único ponto no lago Barigui. Aparecerá um marcador vermelho no mapa;.
  3. Leia as coordenadas do ponto na parte superior da janela central.
  4. Após ler e copiar as coordenadas, clique novamente no ponto para ativar o modo de edição e apague o ponto com "delete".

Você deve ter coordenadas próximas de (-49.31, -25.43).

b Agora leia as coordenadas de um ponto na cidade de Paranaguá. Se não sabe como fazer isso, use as que temos aqui. ponto=(-48.472, -25.565).

Parte 1: especificar uma imagens de RADAR no e.e.

Como que você já tem as coordenadas de um ponto, podemos deslocar a janela do mapa para esse local dentro de um programa.
Primeiro, desloque o centro do mapa para outra região, digamos em USA, para ver se o programa funcionará.
Para deslocar a janela através do programa devemos fazer duas coisas: Escreva as seguintes duas linhas no script.
A primeira linha determina o local especificando um ponto como elemento da Geometria. As coordenadas são armazenadas como a variável pt.
A segunda linha desloca o centro da imagem para este local (pt). Também é especificado o fator de zoom (12). Tente usar outro fator de zoom e rode o programa, para se familiarizar com o comando. var pt = ee.Geometry.Point(-48.4728, -25.5654);
Map.centerObject(pt, 12);
Bem, então, agora podemos selecionar uma imagem de Radar do SENTINEL-1 do acervo COPERNICUS. As imagens Sentinel tem uma nomenclatura própria. A imagem correspondente a Pontal do Paraná é identifiicada como COPERNICUS/S1_GRD/S1A_IW_GRDH_1SDV_20200608T083947_20200608T084015_032923_03D051_90C1 .
Use o script abaixo para // preparar o mapa para ver área de interesse
var pt = ee.Geometry.Point(-48.4728, -25.5654);
Map.centerObject(pt, 12);
// carregar imagem. ee (trad: EarthEngine.imagem)
var image = ee.Image('COPERNICUS/S1_GRD/S1A_IW_GRDH_1SDV_20200608T083947_20200608T084015_032923_03D051_90C1');
print(image)
Na janela de Console, você pode ler as propriedades da imagem. Verifique quantas bandas tem esta imagem e o nome das bandas.
Image COPERNICUS/S1_GRD/S1A_IW_GRDH_1SDV_20200608T083947_20200608T084015_032923_03D051_90C1 (3 bands)
bands: List (3 elements)
0: "VV", double, EPSG:32722, 30002x25596 px
1: "VH", double, EPSG:32722, 30002x25596 px
2: "angle", float, EPSG:32722, 21x11 px

Pergunta: O que significa o nome destas bandas?

Visualizar a imagem de Radar

Finalmente, escolhemos uma destas bandas para a visualização, Por exemplo a banda VV e adicionamos esta camada (layer) ao mapa. No programa inisra as linhas abaixo: // Selecionar as bandas que deseja visualizar E alguns parâmetros:
var vizParams = {bands: ['VV'], min: -25.0, max: -3.0, gamma: 1.3};
// Finalmente, vamos ver a imagem com estas definições.
Map.addLayer(image, vizParams, 'Landsat 8 false color');
print(image.bandNames())
Analise a imagem
.
considerando as classes que tinhamos identificado visualmente nas imagens Landsat, quais classes você acha que pode mapear nesta imagem?

Objeto

1 banda

Composição

é possível mapear Água ?

   

é possível diferenciar Água pura de Água turva ?

   

é possível mapear Areia ?

   

é possível mapear Solos

   

é possível diferenciar solos secos de úmidos?

   

é possível mapear Áreas urbanas ?

   

é possível mapear Restinga ?

   

é possível mapear Manguezais:

   

é possível mapear Vegetação densa (Mata Atlântica)?

   
Repita esta análise usando a banda VH e verifique se pode mudar suas respostas.

Composição colorida VV VH VH

Podemos usar estas duas vbandas para construir uma composição colorida. // Selecionar 3 bandas VV VH e VH:
var vizParams = {bands: ['VV', 'VH', 'VH'], min: -25.0, max: -3.0, gamma: 1.3};

Visualizar Composição de uma série histórica de imagens

No e.e. existe uma grande quantidade de imagens, então devemos selecionar uma imagem, ou várias delas para visualizar.
Vamos selecionar as imagem com polarização VV e no período entre 1/jun/2020 - 1/12/2020.
Como conhecemos o problema do speckle, vamos ler varias imagens sucessivas e produzir uma nova imagem, que contenha a mediana de todas (mediana temporal). Assim, evitamos os valores extremos altos e baixos causados pelo ruído.
veja abaixo, como especificamos o período: filterDate('2020-06-01', '2020-12-01')
a polarização 'transmitterReceiverPolarisation', 'VV'))
e ainda a região em torno de nosso ponto .filterBounds(pt)
var collectionVV = ee.ImageCollection('COPERNICUS/S1_GRD')
   .filter(ee.Filter.eq('instrumentMode', 'IW'))
   .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
   .filter(ee.Filter.eq('orbitProperties_pass', 'DESCENDING'))
   .filterDate('2020-06-01', '2020-12-01')
   .filterBounds(pt)
   .select(['VV']);
print(collectionVV);
Se deu certo, poderá ver na área de Console a lista das imagens disponíveis.

agora, calcule a mediana das 12 datas para cada pixel, usando a função median da coleçãome guardamos na variável "VV" var VV = collectionVV.median(); Finalmente, deslocamos o display para a área de interesse, usando nosso "pt" e adicionamos esta imagem como "layer" no display Map.centerObject(pt, 12);
Map.addLayer(VV, {min: -20, max: -0}, 'VV');

Juntando var pt = ee.Geometry.Point(-48.4728, -25.5654);
// Filtrar a coleção de imagens do Sentinel 1 na polarização VV, da trajetórioa descendente do satélite
var collectionVV = ee.ImageCollection('COPERNICUS/S1_GRD')
   .filter(ee.Filter.eq('instrumentMode', 'IW'))
   .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
   .filter(ee.Filter.eq('orbitProperties_pass', 'DESCENDING'))
   .filterDate('2020-06-01', '2020-12-01')
   .filterBounds(pt)
   .select(['VV']);
print(collectionVV);
// calculamos a mediana de todas as imagens disponiveis no periodo
var VV = collectionVV.median();
//agora posicionamos o display no local de interesse usando o ponto "pt" e visualizamos a imagem
Map.centerObject(pt, 12);
Map.addLayer(VV, {min: -20, max: -0}, 'VV');

Analise a imagem e responda

Analisando esta imagem de radar responda:

Analisando as diferenças de iluminação que podem ser percebidas na região nordeste da imagem, deduza por onde passou o sensor em relação à cidade de Paranaguá. Ao norte, leste, sul, oeste, no meio no sentido norte-sul, ou no meio no sentido leste-oeste?

Existe areia em torno de Pontal do Paraná. Como aparece a areia na imagemde radar? Por que não é clara, como na imagem Landsat?

Analise as áreas de vegetação. Quantos tipos de vegetação você pode identificar? a que se devem as diferenças de cor? Na saída/entrada de Pontal de Paraná existe uma mancha de vegetação escura, a que atribui esta diferença?

Explique o que são as áreas claras que ocorrem perto dos rios?

Localize a cidade de Paranguá e explique por que ela aparece tão clara na imagem.

Por que alguns locais parecem "brilhar" em forma de estrela de quatro pontas? COnsidere onde ocorre este fenómeno.

por que a água tem uma tonalidade escura na imagem.

a- Quais são as feições facilmente interpretáveis ?

Speckel

h- Observe este parde imagens de radar JERS e compare o ruído speckle.

  • Qual delas tem maior efeito do speckle?
  • Qual tipo de cobertura parece mais afetado por este ruído?
  • : :


    Parte 2: optico vs. microondas

    Agora visualize a imagem Landsat de Paranaguá (paratm) . Usando o Multispec você pode escolher combinações de bandas mais apropriadas.

    i_01_02.jpg

    imagem Landsat

    imagem de Radar

    a- Quais feições não puderam ser detectadas na imagem de radar e são visíveis nesta imagem?

    Analizando a imagem Landsat da primeira aula, localize áreas correspondentes a "área urbana", "solo exposto", "água", "solo úmido", "vegetação densa", "areia", "vegetação rasteira",e "restinga".

    Agora compare a imagem Landsat, na composição (Mir-Nir-Red, com a imagem de radar Sentinel 1 e verifique

  • Quais destas classes podem ser melhor identificadas utilizando somente a imagem de radar?
  • Quais classes podem ser identificadas em ambas imagens por igual?
    Ou somente a imagem do sensor óptico?

    Objeto

    somente RADAR

    As duas

    Somente Landsat

    área urbana

         

    Areia

         

    Solo exposto

         

    Solo úmido

         

    água

         

    Vegetação densa

         

    Manguezal

         

    Restinga

         

    Vegetação rasteira

         

    Na imagem Landsat dois tipos de água sao visíveis. Exlique porque na imagem de radar esta diferença não é evidente.

    Tarefa

    Usando o e.e. selecione 3 imagens (como fizemos hoje) porém de três trimestres diferentes do mesmo ano e visualize uma composição colorida.<;p>

    Visualize a cidade de Paranaguá. (var pt = ee.Geometry.Point(-48.52126, -25.50934);). O que são as áreas extremamente vermelhas e as extremamente azuis?

    isto pode ajudar... // Selcionar e calcular a mediana de tres periodos diferentes
    var VV1 = ee.Image(collectionVV.filterDate('2020-01-01', '2020-03-30').median());
    var VV2 = ee.Image(collectionVV.filterDate('2020-04-01', '2020-06-30').median());
    var VV3 = ee.Image(collectionVV.filterDate('2020-10-01', '2020-12-30').median());
    //visualizar
    Map.addLayer(VV1.addBands(VV2).addBands(VV3), {min: -25, max: 10}, 'Season composite');


    Copyright © 2021
    Jorge Centeno: centeno@ufpr.br