Outdated version of the documentation. Find the latest one here.

Dados Raster

gentlelogo

Objetivos

Entender o que são dados raster e como eles podem ser utilizados em um SIG

Palavras chave:

Raster, Pixel, Sensoriamento Remoto, Satélite, Imagem, Georreferenciamento

Visão Geral

Nos tópicos anteriores demos uma olhada nos dados vetoriais. Enquanto as feições vetoriais utilizam geometria (pontos, polilinhas e polígonos) para representar o mundo real, os dados rasters tem uma abordagem diferente. Dados rasters são formados por uma matriz de pixels (também chamados de células) , cada uma contem um valor que representa uma condição da área coberta por essa célula (veja a figura_raster). Nesse tópico nós vamos dar uma olhada nos dados raster, entender o quando eles são úteis e quando faz mais sentido utilizar dados vetoriais.

Figure Raster 1:

../../_images/raster_dataset.png

Os dados raster são compostos por linhas (horizontais) e colunas (verticais) de pixels (também conhecidas como células). Cada pixel representa uma região geográfica, e o valor do pixel representa uma característica dessa região.

Dados Raster em detalhe

Dados Raster são usado em um aplicativo GIS quando queremos exibir informações continuas em uma determinada área e que não pode ser facilmente dividido em funções vetoriais. Quando apresentamos os dados vetoriais, nós mostramos a imagem figura_paisagem. Pontos, linhas e poligonos funcionam bem para representar algumas caracteristicas dessa paisagem, como árvores,estradas e contruções. Outras caracterisiticas da paisagem podem ser mais difíceis de se representar utilizando vetores. Por exemplo, os campos mostrados têm muitas variações de cor e densidade de cobertura. Seria muito fácil fazer um único polígono ao redor de cada área de pastagem, mas um monte de informações sobre o gramado seria perdido no processo de simplificação dos recursos para um único polígono. Isso ocorre poque você está dando um único valor de atributo para esse vetor, aplicando-o para toda área, dessa forma os vetores não são muito bons para representar áreas que apresenta características que não são homogêneas (inteiramente o mesmo) para toa área. Outra abordagem que você pode tomar é a de digitalizar cada pequena variação de grama cor e cobrir como um polígono separado. O problema com essa abordagem é que ela vai demandar uma enorme quantidade de trabalho, a fim de criar um bom conjunto de dados de vetor.

Figure Landscape 1:

../../_images/landscape.jpg

Algumas características em uma paisagem são fáceis de representar como pontos, polilinhas e polígonos (por exemplo, árvores, estradas, casas). Em outros casos, pode ser difícil. Por exemplo, como você representaria as pastagens? Como polígonos? E as variações na cor que você pode ver na grama? Quando você está tentando representar grandes áreas com a mudança de valores contínuas, dados raster pode ser sua melhor escolha.

Usar dados raster é uma solução para estes problemas. Muitas pessoas usam dados raster como um pano de fundo para ser usado por trás de camadas vetoriais, a fim de dar mais significado às informações vetoriais. O olho humano é muito bom em interpretar imagens, assim, usando uma imagem por trás de camadas vetoriais, pode resultar em mapas mais significativos. Dados Raster não são bons apenas para imagens que retratam a superfície do mundo real (por exemplo, imagens de satélite e fotografias aéreas), eles também são bons também para representar idéias mais abstratas. Por exemplo, rasters pode ser usado para mostrar tendências de precipitação sobre uma área, ou para representar o risco de incêndio em uma paisagem. Nestes tipos de aplicações, cada célula no raster representa um valor diferente, por exemplo, risco de incêndio em uma escala de um a dez.

Um exemplo que mostra a diferença entre a imagem obtida a partir de um satélite e uma que mostra os valores calculados pode ser visto na figura_tipos_de_raster.

Figure Raster Types 1:

../../_images/raster_types.png

Imagens raster com cores verdadeiras (esquerda) são úteis quando elas fornecem uma grande quantidade de detalhes que são difíceis de expressar como vetores, sendo mais fácil de observar quando olhamos uma imagem raster. Dados raster também podem ser dados não fotográficos, como a imagem da direita, que mostra a temperatura mínima média calculada na província do Cabo Ocidental para o mês de março.

Georreferenciamento

Georreferenciamento é o processo onde definimos exatamente o lugar na superfície da terra a qual uma imagem ou um conjunto de dados raster foi criado. Esta informação posicional é armazenada na versão digital da fotografia aérea. Quando um aplicativo GIS abre essa fotografia, ele usa essas informações posicionais para garantir que a imagem apareça no lugar correto no mapa. Normalmente esta informação posicional consiste numa coordenada para o pixel superior esquerdo da imagem, o tamanho de cada pixel na direção de X, a dimensão de cada pixel na direção Y, e o valor (se existirem), do ângulo de inclinação da imagem.

Fontes de dados Raster

Dados matriciais pode ser obtida num número de maneiras. Duas das formas mais comuns são a fotografia aérea e imagens de satélite. Na fotografia aérea, uma aeronave sobrevoa uma área com uma câmera montada debaixo dela. As fotografias são então importadas para um computador e georreferenciadas. As imagens de satélite são criadas quando os satélites que orbitam um ponto na superfície da terra com câmeras digitais especiais apontadas para a superfície, essas câmeras obtêm uma imagem da área na Terra em eles estão passando por cima. Depois que a imagem foi obtida ela é enviada de volta à Terra através de sinais de rádio para estações especiais de recepção, como a mostrado na figura_csir_station. O processo de captura de dados raster de um avião ou satélite é chamado de sensoriamento remoto.

Figure CSIR Station 1:

../../_images/csir_station.jpg

O Centro de Aplicações Satelitais em Hartebeeshoek nas proximidades de Joanesburgo. Essas antenas especiais monitoram os satélites que passam sobre essa região e fazem o download de imagens usando ondas de rádio.

Em outros casos, os dados raster pode ser computado. Por exemplo: uma companhia de seguros pode obter os dados dos ocorrência de crimes policiais e criar, através desses dados, uma mapa raster de todo um pais mostrando as áreas onde existe uma maior probabilidades de incidência de crimes. Os Meteorologistas (profissionais que estudam os padrões climáticos) pode gerar um mapa raster a nível estadual mostrando a temperatura média, precipitação e velocidade do vento usando dados coletados nas estações climáticas (veja a figura_csir_station) Nesses casos, eles vão usar técnicas de análise de dados raster como a interpolação (procedimento que descrevemos no tópico Análise Espacial (Interpolação))

Às vezes, os dados raster são criados a partir de dados vetoriais, porque os proprietários de dados deseja compartilhar os dados em um formato fácil de usar. Por exemplo, uma companhia que gerencia estradas ou transporte ferroviário, cadastra suas linhas em dados vetoriais mas pode optar por gerar um arquivo raster com esses dados para que os funcionário possa visualizar os dados em um navegador web. Isso normalmente só é útil se os atributos, que os usuários precisam estar cientes, possam ser representados no mapa com rótulos ou simbologia. Se os usuário necessitam observar os dados da tabela de atributos, fornecer os dados em formato raster pode não ser a melhor escolha, isso porque os dados raster , geralmente, não têm qualquer tabela de atributos associados a ele.

Resolução Espacial

Cada camada raste em um SIG contém pixels (células) de tamanhos fixos que determinam sua resolução espacial. Isso se torna bem vi´sivel quando você olha uma imagem em uma escala pequena (veja a figura_raster_small_scale) e ,usando o zoom, em uma escala grande (veja a figura_raster_large_scale).

Figure Raster Scale 1:

../../_images/raster_small_scale.png

Essa imagens de satélite parece ser muito boa quando utilizada em uma pequena escala...

Figure Raster Scale 2:

../../_images/raster_large_scale.png

... mas se visualizada em uma escala grande você poderá visualizar os pixeis individualmente na composição da imagem.

Vários fatores podem determinar a resolução espacial de uma imagem. Em se tratando de imagens de Sensoriamento Remoto a resolução espacial geralmente é determinada pela capacidade do sensor utilizado para capturar as imagens. Por exemplo, o satélite SPOT5 consegue obter imagens de 10 x 10 m para cada pixel. Outro satélite, o MODIS, por sua vez, obtêm uma imagem com 500 x 500 m por pixel. Em imagens aéreas imagens com pixel de 50cm x 50cm são bastante comuns. Imagens onde a área de cobertura dos pixel é pequena são chamada de imagens de alta resolução pois possuem um alto grau de detalhamento da superfície. Já as imagens onde a área de cobertura dos pixels é grande são chamadas de imagens de baixa resolução pois o grau de detalhamento é bem menor.

Em dados raster oriundos de calculos baseados em analises espaciais ( como os mapas de precipitação que mencionamos anteriormente), a densidade espacial das informações utilizadas para criar o raster é que vai , normalmente, determinar a resolução espacial. POr exemplo se você precisa criar um mapa de precipitação em alta resolução , você com certeza irá precisar de dados muitas estações meteorológicas que estejam próximas uma da outra.

Uma das principais coisas a se pensar ao obter rasters em alta resolução espacial é requisitos de armazenamento. Pense em um raster que tem uma grade de 3 x 3 pixels, cada um deles contém um número que representa a precipitação média. Para armazenar todas as informações contidas no raster, você vai precisar armazenar 9 números na memória do computador. Agora imagine que você quer ter uma camada raster para toda a África do Sul com pixels de 1 km x 1 km. A área da África do Sul é de cerca de 1219090 km: sup: 2. O que significa que seu computador precisa para armazenar mais de um milhão de números em seu disco rígido, a fim de manter toda a informação. Reduzir o tamanho do pixel aumentaria a quantidade necessária de armazenamento.

As vezes utilizar imagens de baixa resolução espacial é util quando você quer trabalhar com uma grande área é não está interessando em observar uma área em grande detalhe. Os mapas de nebulosidade que observamos nas notícias do tempo são um exemplo disso –– eles são uteis para observar a nebulosidade em todo o país. Aproximar uma área especifica desse mapa em alta resolução não irá contribuir muito para a previsão do tempo!

Po outro lado, utilizar raster de baixa resolução pode ser um problema se você está interessado em uma região pequena. Isso porque provavelmente você não conseguirá determinar as feições individuais na imagem.

Resolução Espectral

Quando você tirar uma foto colorida com uma câmera digital ou usando a câmera de um telefone celular, a câmera usa sensores eletrônicos para detectar a luz vermelha, verde e azul. Quando a imagem é exibida em uma tela ou impressa, a informações do vermelho, verde e azul (RGB) são combinadas para lhe mostrar uma imagem que seus olhos podem interpretar. Enquanto essa informação estiver em formato digital, as informações do seu RGB continuam armazenadas em bandas de cores separadas.

Embora seu olhos consigam ver apenas o especto RGB, os sensores eletrônicos em câmeras podem detectar espectros que seus olhos não conseguem. É claro que em uma câmera de mão, provavelmente, não faria sentido registrar informações de partes não visíveis do espectro já que a maioria das pessoas aparentemente só querem ver fotos dos seus gatos, pratos de comida ou de si mesmo.

Como ter imagens contendo múltiplas bandas do espectro é muito útil em SIG, os dados raster muitas vezes são fornecidos como imagens multibandas. Cada banda na imagem é como uma camada separada. No SIG combinamos três dessas bandas mostrando o vermelho, verde e azul de forma que nossos olhos possam ver. A quantidade de bandas numa imagem raster é conhecida como sia resolução espectral

Se uma imagem tiver apenas uma banda, ela é muitas vezes chamada de uma imagem em tons de cinza. Com imagens em tons de cinza, você pode aplicar falsas cores para tornar mais evidente as diferenças de valores nos pixels. Imagens com falsa coloração são muitas vezes referidas como imagens pseudocores.

Conversão Raster para Vetor

Em nossa discussão de dados vetoriais, explicamos que muitas vezes dados raster são usados ​​como uma camada de pano de fundo, que é usado como uma base a partir do qual as feições vetoriais podem ser digitalizadas

Outra possibilidade é a utilização de Softwares avançados para extrair automaticamente as feições vetoriais das imagens. Algumas feições, como as estradas, são bem destacadas das áreas ao seu redor, dada a súbita mudança na cor dos pixels. O Software procura por essas mudanças abruptas na coloração dos pixels e cria o arquivo vetorial como resultado. Esse tipo de funcionalidade é, normalmente , encontrado apenas em softwares SIG muitos especializados ( e que , em sua maioria, são bastante caros)

Conversão Vetor para Raster

Às vezes é útil converter dados vetoriais em dados raster. Um efeito colateral disso é que os dados de atributos (ou seja atributos associados com os dados vetoriais originais) serão perdidos durante a conversão. Ter esses valores convertidos para o formato raster pode ser útil tanto para compartilhar dados para usuários de SIG quanto para não usuários de SIG. Com os formatos raster mais simples, a pessoa a qual você compartilhou a imagem raster pode simplesmente vê-la como uma imagem em seu computador, sem a necessidade de nenhum software especial SIG.

Análise de dados Raster

Há um grande número de ferramentas de análise que podem ser executados em dados raster que não pode ser usado com dados vetoriais. Por exemplo, raster pode ser utilizado para modelar o fluxo de água sobre a superfície da terra. Esta informação pode ser usada para calcular onde existem bacias e redes de drenágens, com base no terreno.

Dados raster também são frequentemente utilizados na agricultura e silvicultura para gerenciar a produção de culturas. Por exemplo, com uma imagem de satélite de terras de um fazendeiro, você pode identificar as áreas onde as plantas estão crescendo pouco e então usar essas informações para aplicar mais fertilizante apenas nas áreas afetadas. Silvicultores usam dados raster para estimar o quanto de madeira pode ser colhidas em cada área.

Dados Raster também são muito importante para a gestão de desastres. Análise de Modelos Digitais de Elevação (um tipo de raster onde cada pixel contém a altura acima do nível do mar) podem ser usados para identificar áreas que possam vir a ser inundada. Isto pode então ser utilizado para direcionar esforços de salvamento e socorro a áreas onde são mais necessárias.

Problemas comuns / coisas que devemos estar cientes

Como já foi mencionada, dados Raster de alta resolução podem exigir grandes quantidades de armazenamento do computador

O que aprendemos?

Para encerar vamos ver o que abordamos na lista abaixo:

  • Dados raster são uma grad, ou grid em inglês, de tamanho regular. Essa grade é formada pelos pixels

  • Dados raster são bons para mostrar ** informações que variam continuamente.**

  • O tamanho dos pixels no raster determina sua resolução espacial

  • Imagens raster podem conter uma ou mais bandas, elas cobrem a mesma área espacial, mas contém diferentes informações.

  • Quando os dados raster contêm bandas de diferentes partes do espectro eletromagnético, elas são chamadas imagens multi-espectrais

  • Três das bandas de uma imagem multi-espectral pode ser mostrado nas cores vermelho, verde e azul, para que possamos vê-los.

  • Imagens de uma banda simples são chamadas de imagens em tons de cinza.

  • Uma banda única, uma imagem em tons de cinza pode ser visualizadas em pseudocores pelos SIG.

  • Imagens raster podem consumir uma grande quantidade de espaço de armazenamento.

Agora é sua vez de tentar!

Aqui estão algumas idéias para você experimentar com os seus alunos:

  • Discuta com seus alunos em que situações você usaria dados raster e em quais você usaria dados vetoriais.

  • Peça os seus alunos para criar um mapa raster de sua escola usando folhas de transparência A4 com as linhas de grade desenhadas sobre eles. Sobreponha as transparências em uma carta topográfica ou fotografia aérea de sua escola. Agora peça para cada aluno ou grupo de alunos para colorir as células que representam um certo tipo de recurso, por exemplo construção, playground, quadra de esportes, árvores, caminhos, etc. Quando todos tiverem terminado, sobreponha todas as folhas em conjunto e veja se elas fazem um bom mapa raster de representação de sua escola. Quais tipos de recursos funcionou bem quando representado como rasters? Como a sua escolha do tamanho das células afetou sua capacidade de representar diferentes tipos de recurso?

Algo para se pensar

Se você não tiver um computador disponível, você pode entender os dados raster usando papel e caneta. Desenhe uma grade de quadrados em uma folha de papel para representar o seu campo de futebol. Preencha a grade com números que representam valores para cobertura de grama em seu campo de futebol. Se uma parte do campo está sem grama dê a sua célula o valor 0. Se uma uma parte é misturado com cal e grama, dar-lhe um valor de 1. Se uma área é completamente coberto com grama, dar-lhe um valor de 2. Agora use lápis de cor lápis de colorir as células com base em seus valores. Células cor com valor 2 verde escuro. Valor 1 deve ficar de cor verde clara, e o valor 0 colorido na cor marrom. Quando você terminar, você deve ter um mapa raster de seu campo de futebol!

Leitura complementar

Livro:

  • Chang, Kang-Tsung (2006). Introduction to Geographic Information Systems. 3rd Edition. McGraw Hill. ISBN: 0070658986
  • DeMers, Michael N. (2005). Fundamentals of Geographic Information Systems. 3rd Edition. Wiley. ISBN: 9814126195

Website: http://en.wikipedia.org/wiki/GIS#Raster

O Guia do Usuário QGIS também tem informações mais detalhadas sobre como trabalhar com dados raster no QGIS.

Qual é o próximo?

Na seção que se segue, vamos dar uma olhada em topologia para ver como a relação entre as características do vetor pode ser usado para garantir a melhor qualidade dos dados.