Análise multitemporal: Análise de Componentes Principais
Considere, inicialmente, uma série de 9 imagens de uma mesma região obtida ao longo do tempo, digamos uma por dia. Se juntamos todas estas imagens em um único conjunto X={x1, x2, x3, ... x9}, cada pixel será descrito por um vetor 9x1 e se a imagem tem tamanho n x m então teremos n*m vetores.
A seguir pode ser calculada a matriz variância-covariância deste conjunto, a que será de tamanho 9x9 (número de bandas=9). Para esta matriz podem ser calculados os autovalores e respectivos autovetores e assim obter os vetores direcionais que apontam as principais direções da distribuição dos pontos.
Se a região não sofreu ação antrópica e, consideremos hipoteticamente, as condições ambientais não mudaram significativamente, então, as imagens serão muito parecidas (x1=x2=x3=... =x9). Nessas condições, apenas a primeira componente principal teria valores significativos e a informação contida nas outras oito seria insignificante. Porém, se ocorreu alguma alteração, então a segunda e terceira componente principal irão mostrar onde.
Outra maneira de identificar as diferenças entre imagens multiespectrais, incluindo mais de uma banda por data, consiste em juntar todas as imagens em um único arquivo e calcular as Componente Principais. A seguir, deve visualizar cada componente principal e tentar dar uma interpretação. Para isto, vale a pena analisar os valores dos coeficientes de cada componente principal.
A terceira opção é calcular as componentes principais de cada data e depois comparar as respectivas componentes. Para isto, pode usar o método de álgebra de imagens e detectar as diferenças a partir da diferença entre as componentes obtidas em datas diferentes.
Exercício: Bem, agora é sua vez de mostrar sua capacidade. Temos uma Aula prática, na qual pode aplicar estes conceitos.
Agora você pode voltar ao menu principal, ou ao menu desta aula ou continuar para o próximo módulo .
Jorge Centeno: centeno@ufpr.br