UNIVERSIDADE FEDERAL DO PARANÁ
DEPARTAMENTO DE GEOMÁTICA
Sensoriamento Remoto
Exercicio No. 03 : PCA

software util para esta pratica:

Imagem original

  • imagem Ilha do Mel (1234567)

    • Componentes principais

  • Componente 1
  • Componente 2
  • Componente 3
  • Componente 4
  • Componente 5
  • Componente 6
  • Componente 7

    • introdução:

    (texto extraído da página de Thayer Watkins )

    Principal Component Analysis in Remote Sensing

    Principal components analysis is a method in which original data is transformed into a new set of data which may better capture the essential information. Often some variables are highly correlated such that the information contained in one variable is largely a duplication of the information contained in another variable. Instead of throwing away the redundant data principal components analysis condenses the information in intercorrelated variables into a few variables, called principal components.

    Parte 1

    Utilizando o Mulispec, abra a imagem da Ilha do Mel e analise a imagem dando especial atenção às cores das diferentes coberturas do solo. De que cor aprecem as áreas cobertas por vegetação densa (Mata Atlântica), mangue, água, áreas urbanas, areia, solo exposto?

    Aplique a transformação das componentes principais à imagem. ( Se não tiver o software adequado, utilize as imagens disponíveis acima.)

    Visualize as imagens do resultado das componentes principais uma por uma. Analise a variação de níveis de cinza de cada magem.

    Analisando a primeira componente principal:

    Analisando a segunda componente principal:

    Autovalores e informação

    Na tabela abaixo estão mostrados os autovalores (eigenvalues) calculados a partir da matriz variância-covariância da imagem.

    component Eigenvalue Percent Cum. Percent
    1 1586.7070 80.7995 80.7995
    2 309.8964 15.7808 96.5803
    3 56.0933 2.8564 99.4367
    4 4.9300 0.2511 99.6877
    5 2.5552 0.1301 99.8179
    6 2.0168 0.1027 99.9206
    7 1.5601 0.0794 100.0000

    O tamanho relativo de cada autovalor é mostrado na segunda coluna. O que mostra a terceira coluna?

    Qual a variância explicada (o teor de informação) pela primeira componente principal?

    Com quantas componentes principais pode-se representar 99% da informação original?

    Interpretação

    Na tabela abaixo estão mostrados os coeficientes necessários para calcular cada componente principal a partir dos dados (bandas) originais. Analisando estes valores, e com base nos seus conhecimenos e sensoriamento remoto, interprete as três primeiras componentes, procurando dar un nome a cada uma delas.

    componente banda 1 banda 2 banda 3 banda 4 banda 5 banda 6 banda 7
    1
    -0.00201
    0.05387
    0.12115
    0.81908
    0.49417
    -0.01929
    0.25876
    2
    -0.35594
    -0.38859
    -0.53162
    0.41465
    -0.30480
    -0.08384
    -0.40966
    3
    0.31561
    0.40318
    0.40883
    0.34745
    -0.47664
    -0.06611
    -0.46736
    4
    -0.73834
    -0.14383
    0.63701
    -0.05042
    0.01069
    0.09721
    -0.12759
    5
    -0.01079
    0.25884
    -0.16302
    -0.11916
    0.56276
    0.39845
    -0.64548
    6
    0.46948
    -0.76108
    0.32124
    -0.02411
    0.17755
    -0.02976
    -0.25330
    7
    0.08953
    -0.12893
    -0.00288
    0.13834
    -0.29558
    0.90506
    0.22298

    então...

    CP 1:

    CP 2:


    CP 3:


    Prof. Jorge Centeno
    centeno@ufpr.br (2013)