As primeiras tentativas de análise de dados espaciais datam da década de 1960 e pertencem ao Canadá. O objetivo inicial das aplicações de SIG foi a sistematização dos recursos naturais do país. A análise espacial em GIS expandiu-se mundialmente desde então. É difícil imaginar um único empresário ou uma superindústria que não se beneficie do georreferenciamento desta ou daquela forma.

A análise espacial permite determinar se a área selecionada é adequada para determinadas atividades de negócios, detectar mudanças, identificar tendências, avaliar riscos, traçar possíveis resultados e prevenir perdas.

Ferramentas atualizadas e técnicas de análise espacial fornecem análises mais precisas do que décadas atrás.

O que é Análise Espacial?

A análise geoespacial é um processo de interpretação , exploração e modelagem de dados GIS , desde a aquisição até a compreensão dos resultados. A informação recuperada é processada por computador com software de análise espacial e varia de acordo com o número de tarefas e sua complexidade. A mais simples é a visualização, enquanto uma abordagem mais detalhada sugere análises abrangentes com ferramentas específicas para elaborar insights acionáveis.

Exemplos de análise espacial incluem medir distâncias e formas, definir rotas e rastrear transportes, estabelecer correlações entre objetos, eventos e lugares por meio da referência de suas localizações a posições geográficas (ao vivo e históricas).

Normalmente, a análise espacial consiste em cinco etapas principais : entender seu objetivo, preparar os dados, escolher as ferramentas e técnicas adequadas, realizar a pesquisa e estimar os resultados.

Então, antes de tudo, é importante descobrir o que você está interessado em saber. O próximo será escolher os métodos de análise espacial correspondentes para manipulação e interpretação de dados. Sabendo exatamente o que você deseja obter, você poderá adaptar as técnicas de pesquisa às suas necessidades. Depois de determinar, você inicia o próximo estágio da análise espacial – processamento e interpretação de dados. Por último, você estima os resultados para definir se atingiu seu objetivo ou não.

Análise espacial em GIS: estabeleça seus objetivos

A característica peculiar da análise e modelagem espacial GIS é sua flexibilidade. Você pode combinar quantas camadas quiser e obter resultados diferentes de acordo.

O escopo de aplicações abrange vários ramos, incluindo agricultura, silvicultura, ciências marinhas, petróleo e gás, mineração, demografia, economia, para citar alguns. Em particular, a análise espacial para a agricultura define a densidade da vegetação, o grau de umidade do solo e a temperatura do solo , o estado da cultura, etc. Ela permite que os agricultores aloquem recursos da maneira mais eficiente (como distribuição econômica de produtos químicos). Na silvicultura, a análise de dados espaciais ajuda a detectar o desmatamento e prever incêndios em temperaturas críticas.

Com base nos resultados da análise espacial, os oceanólogos identificam os derramamentos de óleo e os demógrafos podem decidir se as instituições de ensino e saúde são suficientes para atender às necessidades da população da região estudada.

Com a análise de dados espaciais em GIS, os especialistas em logística criam as rotas mais rápidas ou seguras, os varejistas veem a localização de loja mais vantajosa e as equipes de resgate alocam ajuda às áreas mais afetadas.

Para questões complexas em análise espacial, é importante dividi-las em questões mais específicas . Respondendo a cada uma delas, você alcançará um objetivo passo a passo.

Por exemplo, o dono de uma rede pode estar interessado em: “Qual é a melhor localização para uma nova loja em Los Angeles?” Essa consulta pode incluir várias outras menores:

• Quantos concorrentes fornecem os mesmos serviços em LA?
• Em quais distritos de LA os clientes-alvo moram?
• Qual é o tamanho dessa população nas áreas questionadas?
• As lojas dos concorrentes estão distribuídas uniformemente?
• Existem áreas com lojas distantes que prestam os mesmos serviços?
• Qual é a renda média nos distritos de LA onde os clientes em potencial moram?

Análise de dados espaciais: o que você precisa para um bom começo

Para realizar uma pesquisa de análise espacial bem-sucedida, é importante preparar tudo com antecedência. Portanto, certifique-se de ter todos os dados necessários para exame e refine o conteúdo para o estado que você precisa. O pré-processamento em análise espacial geralmente pode exigir várias etapas preliminares, como correção geométrica e espectral, correção radiométrica de efeitos atmosféricos, restauração de pixels ausentes, contraste e filtragem.

Correção geométrica

A retificação geométrica para análise de dados espaciais sugere referência geográfica de imagens e melhora de discrepâncias geométricas devido a vários motivos que se combinam de forma diferente para diferentes tipos de imagens de satélite.

A superfície da Terra não é uniforme . Devido à sua forma esférica, as capturas mais precisas são aquelas feitas no nadir (a linha central de varredura). Correspondentemente, uma posição mais distante do nadir envolve maiores distorções.

As curvas de relevo também afetam a precisão da imagem. No entanto, a grande distância entre a órbita do satélite e a Terra torna o efeito mais suave, por isso, em análises espaciais, geralmente é ignorado. As exceções são áreas de alta altitude, por exemplo, regiões montanhosas.

Outro aspecto significativo na análise espacial é que nosso planeta está constantemente se movendo em torno de sua órbita e ao redor do Sol . Ele muda sua posição em 0,25 a cada minuto, e essa rotação afeta o foco. Além disso, o satélite está orbitando a Terra por sua vez e também girando a qualidade da imagem.

Correção Espectral

As imagens de satélite inicialmente têm os chamados valores de brilho “brutos” (números digitais). Este formato de dados não permite uma comparação adequada de imagens recuperadas de várias fontes. Por esta razão, a correção espectral (ou radiométrica) na análise espacial é aplicada para ajustar os números digitais a unidades fisicamente significativas , ou seja, valores reais de refletância de superfície ou emitância.

Correção Atmosférica Radiométrica

A qualidade da imagem também depende das condições atmosféricas que enfraquecem o sinal do sensor e do alvo . A dispersão devido a aerossóis atmosféricos (poeira, névoa, neblina, dióxido de carbono, metano, etc.) juntamente com a absorção de radiação e a cobertura de nuvens são os principais fatores que afetam o brilho do pixel e, portanto, exigem ajustes adicionais.

Existem vários métodos para reduzir os efeitos atmosféricos na análise espacial, por exemplo, cálculos baseados em imagens ou modelagem . As técnicas matemáticas implicam modelar diferentes condições atmosféricas dependendo da estação, condições meteorológicas, aerossóis, etc.

Além disso, as propriedades ópticas dos corpos d’água são semelhantes às de objetos absolutamente pretos nas faixas do vermelho e do infravermelho. Sabendo disso, um especialista em análise espacial pode facilmente distinguir nuvens e neblina contra o fundo marinho.

Restauração de pixels ausentes

Algumas informações necessárias para análise espacial podem estar faltando devido a erros do sistema durante a aquisição ou transmissão de dados, rastros , etc. O método mais comum de reconstrução de linhas descartadas para análise de dados espaciais sugere tirar pixels de linhas vizinhas ou fazer a média das duas . Mesmo a substituição implica certos erros, facilita ainda mais a interpretação da imagem.

Aprimoramento de contraste de imagem

O contraste na fotografia é a diferença de luminância mínima e máxima, ou brilho e saturação de cor, que permite distinguir o objeto e seus contornos em relação ao fundo . Baixo contraste é um problema típico para corrigir. Em particular, os contornos para análise e modelagem espacial podem ser melhor delineados com decodificação de imagens visuais.

O processamento digital de imagens para aprimoramento de contraste em análise espacial envolve as seguintes técnicas de modificações de histograma:

• A expansão linear gera novos valores para os pixels da imagem de entrada, estendendo o intervalo de valores.
  
• A normalização na análise de dados espaciais em GIS expande a área mais intensiva do histograma.
  
• A equalização corrige o brilho do pixel para tornar seu número igual ou semelhante em cada nível de brilho.

Filtragem de Imagem

A filtragem na análise de dados espaciais delineia objetos necessários e reduz ruídos por meio de modificações de janelas deslizantes com recálculos de valores de pixels existentes e atribuição de novos. Os novos valores são funções matemáticas estabelecidas a partir de pixels vizinhos. Os coeficientes de fórmula dependem das tarefas de decodificação. A janela pode compreender 3×3 ou 5×5 pixels e se move um pixel até que toda a imagem seja coberta.

Além de nitidez e remoção de ruído, a técnica de filtragem é aplicada para suavização e contorno de bordas.

Equipe-se com técnicas de análise espacial adequadas

Uma vantagem significativa das imagens digitais é a possibilidade de seu processamento computacional, que pode ser realizado não apenas para preparar os dados, mas para fornecer análises geoespaciais propriamente ditas. Idealmente, todo o processo analítico é automatizado e completado por uma máquina. No entanto, isso raramente acontece na prática. Na maioria dos casos, ferramentas específicas facilitam a pesquisa de um cientista.

Transformações de cores

Um único canal de imagens multiespectrais é exibido em cinza. Torna-se colorido apenas na combinação de três canais, incluindo vermelho, verde e azul (o chamado modelo RGB). Na análise de dados espaciais, a imagem pode ser apresentada em cores naturais ou falsas , dependendo se os canais RGB coincidem ou são substituídos por outras bandas.

Os tons predominantes são determinados pelo brilho do canal. Por exemplo, valores de pixel altos para o canal R fornecerão principalmente tons avermelhados. Da mesma forma, o brilho dominante do canal G resultará em tons de verde.

Embora seja mais fácil identificar os objetos em cores naturais, as imagens de cores falsas na análise de dados geoespaciais permitem distingui-los e delinear seus contornos.

Imagens indexadas

O método de imagens indexadas emprega o recálculo dos valores de brilho para cada pixel em diferentes canais com operações matemáticas estabelecidas . Desta forma, os pixels são representados para análise não em seu brilho absoluto, mas são atribuídos novos valores indexados de acordo com a matriz do mapa de cores. A indexação destaca os objetos-alvo e simplifica a pesquisa.

Análise de Componentes Principais

A técnica de análise de componentes principais correlaciona dados multiespectrais , o que implica que maior brilho em uma banda envolve maior brilho nas outras bandas também.

Este método de análise de dados geoespaciais permite as seguintes manipulações:

• criar uma imagem de saída com três componentes principais entre três e mais bandas ignorando componentes menores e, assim, eliminando ruídos;
• realçando objetos vagamente distintos em imagens espaciais de componente único;
• comparar séries de imagens espaciais capturadas em diferentes estruturas de tempo para entender a dinâmica e as mudanças;
• reduzindo o tamanho dos dados espaciais com perda mínima de informações.

Desmistura espectral

O método de pré-processamento fornecido na análise espacial se aplica à definição de alvos muito menores do que o tamanho do pixel em imagens com vários objetos . Nesse caso, um analista compara os dados recuperados com os registros de espectro puro existentes, entendendo as discrepâncias quantitativas entre um espectro puro e misturas para cada espectro de pixel. A imagem obtida permitirá distinguir o elemento principal pela sua coloração.

Classificações

A classificação na análise espacial é a decodificação de imagens de computador ou a categorização automatizada de pixels em classes específicas para diferenciar os objetos (daí o nome da técnica deriva). A classificação pode ser realizada com e sem dados de treinamento.

Classificação com dados de treinamento

Este tipo de classificação na análise geoespacial baseia-se na comparação do brilho do pixel com determinadas amostras . Analisando as correspondências, o operador pode encaminhar objetos particulares para as classes mais adequadas (por exemplo, em imagens urbanas podem existir prédios, estradas, vegetação). Este método funciona se os componentes do cenário são conhecidos, são em número inferior a trinta e são facilmente distinguidos na imagem espacial.

As técnicas de análise espacial mais utilizadas deste tipo de classificação incluem:

• método de ângulo espectral em análise espacial se aplica para a classificação de objetos com valores de brilho semelhantes;
  
• a classificação de paralelepípedos é usada na análise espacial quando as escalas de brilho não se cruzam;
  
• a estimativa de distância mínima na análise espacial funciona quando as escalas de brilho se cruzam;
  
• A distância de Mahalanobis fornece medidas mais precisas no espaço multivariado, em comparação com a técnica anterior;
  
• a estimativa de máxima verossimilhança alinha o objeto a um grupo com base em cálculos de máxima probabilidade. O método é empregado na análise de dados espaciais quando as escalas de brilho se sobrepõem e têm uma forma complicada;
  
• a divisão binária divide todos os pixels da imagem espacial em dois grupos.

Classificação sem dados de treinamento

Esses algoritmos separam automaticamente os pixels por meio da distribuição estatística de brilho e são aplicáveis ​​quando os objetos não são identificados ou excedem o número de trinta. Classificações sem dados de treinamento podem ser usadas em análises espaciais antes daquelas com treinamento.

Exemplos das categorizações não supervisionadas mais típicas para análise de dados espaciais incluem agrupamento ISODATA e K-Means:

• ISODATA é a sigla para a técnica de análise de dados auto-organizada iterativa. Ele se baseia em pixels de referência com os valores de brilho mais próximos no espaço de recursos espectral.
• O agrupamento K-Means na análise espacial é semelhante ao ISODATA, mas requer certos valores médios básicos para categorizar os objetos.

Inicie o processo de análise

Realizar a análise espacial propriamente dita é a próxima etapa após a modelagem do problema, os preparativos de pré-processamento e a escolha das técnicas mais adequadas. Uma vez que as etapas preliminares são concluídas, um analista de dados espaciais se concentra na obtenção de resultados qualitativos e quantitativos.

Considere as informações de saída

A recuperação de dados deve ser seguida de uma pesquisa detalhada se os objetivos da análise espacial foram alcançados ou não e como os resultados podem dar respostas a questões semelhantes na área de estudo e outras indústrias.

Esta etapa de análise de dados espaciais também sugere a consideração do uso prático e relevância das informações adquiridas por meio da consulta de fontes confiáveis. Por exemplo, ao elaborar um mapa de cultivo dos EUA com dados de satélite, os resultados devem corresponder às estatísticas oficiais do governo.

Outra questão é descobrir se as informações obtidas com a análise espacial podem ser validadas, ou seja, quão precisas são. O último, mas não menos importante, é avaliar a qualidade dos dados por sua quantidade, decidindo se os resultados estão faltando, suficientes, excessivos, etc.

Um bom ponto de análise espacial é a visualização para melhor compreensão, como gráficos, gráficos, diagramas, tabelas ou mapas estáticos e interativos.

Como é realizada a análise espacial nos produtos EOSDA?

A análise de dados geoespaciais tem muitas aplicações em vários setores, especialmente na agricultura, silvicultura e ecologia. Permite monitorar o estado atual e aumentar o lucro, por um lado, e aumentar a conscientização ambiental e enfrentar calamidades naturais, por outro. Além disso, as imagens espaciais permitem que os especialistas inspecionem áreas de difícil acesso sem estarem fisicamente presentes lá, modelem situações e mitiguem as consequências negativas.

Os casos de uso a seguir ilustram os aplicativos de análise espacial dos produtos EOSDA ( LandViewer e EOS Crop Monitoring ) e seus insights acionáveis.

Incêndios florestais no Colorado

Os incêndios florestais no final de 2020 se transformaram em uma verdadeira catástrofe. Eles correram um cenário ainda pior devido a secas, clima quente e altas posições montanhosas. Embora geralmente a neve ajude a gerenciar o problema, os incêndios se expandiram rapidamente desta vez (em seis vezes por dia).

O caso dos incêndios florestais no Colorado é baseado em análise geoespacial que inclui dados multiespectrais do satélite óptico Landsat-8 e as seguintes combinações de bandas:

• A cor falsa (Urban) com SWIR2, SWIR1, Vermelho é relativamente insuscetível aos efeitos atmosféricos, passando por partículas dispersas na atmosfera.
• Composições de cores naturais para análise espacial retratam o alvo como ele é percebido pelo olho humano.
• Color IR (Vegetação) é normalmente usado em análise espacial para distinguir entre solos nus e cobertura vegetal saudável/escas. Plantas de folhas largas e/ou mais saudáveis ​​dão uma imagem mais avermelhada, enquanto áreas de baixa densidade são destacadas em vermelhos menos intensos.
• O Índice de Queima Padronizado NBR em análise geoespacial permite avaliar áreas queimadas suavizando a influência atmosférica.

Inundações na Colômbia

No final de outubro de 2020, seis rios inundaram sete municípios de Magdalena, na Colômbia, destruindo milhares de casas. Os municípios afetados incluem Aracataca, Algarrobo, El Reten, Fundación, Zona Bananera, Pueblo Viejo e Cienaga.

O caso das inundações na Colômbia baseia-se na análise espacial que incorpora dados recuperados do satélite de radar Sentinel-1 e aplica as combinações de bandas de compostos VV, VH, VV/VH . Esses compósitos são eficientes para monitorar corpos d’água, territórios agrícolas umedecidos, vegetação, bem como solos nus e áreas urbanas.

Ciclone tropical Gati na Somália

Gati foi a tempestade tropical mais forte perto da costa da Somália e o primeiro ciclone terrestre na área do Mar Arábico desde 1970 (quando os registros foram iniciados).

O ciclone indignou em 21 e 24 de novembro de 2020 com um landfall na Somália em 22 de novembro. A catástrofe foi classificada como “muito grave” pelo Departamento Meteorológico da Índia e atribuída “categoria 3” de acordo com a escala de furacões e ventos de Saffir-Simpson. As estatísticas de fatalidades relatam que pelo menos oito pessoas morreram, com dezenas de desaparecidos.

Para uma solução para monitorar o ciclone e avaliar suas consequências, a EOSDA realizou uma análise espacial dos dados adquiridos pelo satélite óptico Sentinel-2. Para isso, empregou canais infravermelhos coloridos padrão para vegetação e os compostos NIR, MIR e IR terra/água para identificar objetos de água em terra e marcar as fronteiras entre terra e água.

Campo de arroz danificado pelo granizo

Na agricultura, a análise espacial é utilizada para diversos fins, incluindo a identificação de vários tipos de danos por anomalias naturais ou atividades agrícolas rotineiras. O exemplo abaixo mostra como o campo de arroz foi danificado pelo granizo. O software EOS Crop Monitoring revela as mudanças mais visíveis através dos índices NDVI e ReCI.

Benefícios da Análise Espacial

A análise espacial em GIS facilita a tomada de decisões em muitas esferas, desde pequenas questões rotineiras de negócios até a resposta global a desastres. A tecnologia de georreferenciamento não apenas reconhece as coordenadas, mas também informa a hora, o que permite rastrear mudanças e entender tendências.

Enquanto os satélites capturam lugares remotos e de difícil acesso, softwares e técnicas de análise espacial permitem o manuseio de dados com precisão e velocidade que um analista humano jamais competiria. A análise de dados espaciais computadorizados permite o processamento quase instantâneo de um grande volume de dados.

Os resultados obtidos da análise geoespacial GIS destacam a situação de vários ângulos:

• ajudar a entender o estado atual das coisas;
• rastrear tendências e reagir de forma correspondente;
• desenvolver estratégias de negócios analisando dados referentes ao espaço e ao tempo.

As visualizações na análise de dados espaciais simplificam a percepção das informações reorganizando, categorizando, modelando, classificando e apresentando big data em padrões fáceis de lembrar e aprimorando detalhes importantes.

Assim, a análise espacial fornece consciência da situação e insights acionáveis ​​para o presente e o futuro em qualquer questão em que a posição geográfica seja importante.