Dados Raster¶

	Objectivos:	Compreender o que são dados raster (matriciais) e como podem ser usados num SIG.
	Palavras-chave:	Raster, Pixel, Detecção Remota, Satélite, Imagem, Georreferenciação

Resumo¶

Nos tópicos anteriores abordámos com mais detalhe os dados vectoriais. Enquanto elementos vectoriais usam geometria (pontos, linhas e polígonos) para representar o mundo real, a informação matricial toma uma abordagem diferente. Rasters são constituídos por uma matriz de pixeis (também chamados células), cada contendo um valor que representa as condições para a área coberta por essa célula (ver figure_raster). Neste tópico vamos abordar em detalhe os dados matriciais, quando são úteis e quando fazem mais sentido do que usar dados vectoriais.

Um conjunto de dados matricial é composto por linhas (dispostas na horizontal) e por colunas (dispostas na vertical) de pixeis (também designados por células). Cada pixel representa uma região geográfica, e o valor nesse pixel representa uma dada característica dessa região.

Dados raster em detalhe¶

Dados raster são usados numa aplicação SIG quando queremos visualizar informação que é contínua através de uma área e não pode ser facilmente dividida em elementos vectoriais. Quando fizemos a introdução aos dados vectoriais mostrámos a imagem na figure_landscape. Elementos do tipo ponto, linha e polígono funcionam bem para representar algumas características da paisagem, tais como árvore, estradas e delimitações de edifícios. Outras características numa paisagem podem ser mais difíceis de representar usando vectores. Por exemplo, as áreas verdes mostradas podem ter muitas variações em cor e densidade de cobertura. Seria bastante fácil criar um único polígono rodeando cada área verde, mas muita da informação sobre a área verde seria perdida no processo de simplificar essas características num único polígono. Isto sucede porque quando se atribuem valores de atributos a um elemento vectorial, estes aplicam-se a todo o elemento vectorial, por isso vectores não se adequam bem à representação de características que não são homogéneas (totalmente iguais) em toda a sua extensão. Outra abordagem que se pode tomar é digitalizar todas as pequenas variações de cor e de cobertura como um polígono individual. O problema com esta abordagem é que exigirá uma enorme quantidade de trabalho para criar uma boa cobertura vectorial.

Algumas características numa paisagem são facilmente representadas como pontos, linhas e polígonos (e.g. árvores, estradas, casas). Noutros casos pode ser difícil. Por exemplo, como representaria uma área de pastagens? Como polígonos? O que fazer às variações de cor que consegue ver nas pastagens? Quando está a tentar representar grandes áreas com valores que mudam continuamente, os dados raster podem ser uma melhor escolha.

Usar dados matriciais é a solução para estes problemas. Muitos utilizadores usam dados raster como um fundo a usar por detrás de camadas vectoriais, de forma a fornecer mais significado à informação vectorial. O olho humano é muito bom a interpretar imagens e por isso usar uma imagem por detrás de camadas vectoriais resulta em mapas com muito mais significado. Dados matriciais são não só bons para imagens que ilustram a superfície do mundo real (e.g. imagens de satélite e fotografias aéreas), como também são bons a representar ideias mais abstractas. Por exemplo, rasters podem ser usados para mostrar tendências de precipitação através de uma área, ou para ilustrar o risco de incêncio numa paisagem. Neste tipo de aplicações, cada célula na matriz representa um valor diferente, e.g. risco de incêndio numa escala de 1 a dez.

Um exemplo que mostra as diferenças entre uma imagem obtido de um satélite ou uma que mostra valores calculados pode ser visto na figure_raster_types.

Imagens raster de cor verdadeira (esquerda) são úteis porque fornecem muito detalhe que é difícil de capturar em vectores mas são fáceis de ver quando se olha para a imagem raster. Dados matriciais podem ser também dados não-fotográficos, tais como a camada matricial mostrada à direita e que representa a temperatura mínima média calculada para a província Western Cape para o mês de Março.

Georreferenciação¶

Georreferenciação é o processo de definir exactamente onde na superfície da terra foi criada uma imagem ou conjunto de dados matriciais. Este informação posicional é armazenada com a versão digital da fotografia aérea. Quando a aplicação SIG abre a foto, utiliza a informação posicional para assegurar que a foto surge no local correcto no mapa. Normalmente, esta informação posicional consiste de uma coordenada para o pixel no topo superior esquerdo da imagem, o tamanho de cada pixel na direcção X, o tamanho de cada pixel na direcção Y, e o valor (se existir) da rotação da imagem. Com estes valores, a aplicação SIG pode assegurar que a informação raster é visualizada no local correcto. A informação de georreferenciação de um raster é muitas vezes fornecida num pequeno ficheiro de texto que acompanha o raster.

Fontes de dados raster¶

Dados matriciais podem ser obtidos de várias formas. Duas das mais comuns são fotografia aérea e imagens de satélite. Na fotografia aérea, uma aeronave voa sobre uma área transportando uma câmara. As fotografias são depois importadas para um computador e georreferenciadas. A imagem de satélite é criada quando satélites que orbitam a terra direccionam câmaras digitais especiais para a terra e obtém uma imagem da área da terra sobre a qual passam. Uma vez obtida a imagem, esta é enviada para a terra usando sinais de rádio para estações de recepção especiais tais como as mostradas na figure_csir_station. O processo de captura de dados matriciais a partir uma aeronave ou satélite é denominado por detecção remota.

O Centro de Aplicações de Satélite CSIR em Hartebeeshoek nas proximidades de Joanesburgo. As antenas especiais monitorizam os satélites que passam sobre essa região e descarregam as imagens usando ondas de rádio.

Noutros casos, os dados raster podem ser computarizados. Por exemplo, uma companhia de seguros pode usar dados sobre incidentes criminais em relatórios policiais e criar mapas raster do país mostrando a susceptibilidade de incidência de crimes em cada área. Metereologistas (pessoas que estudam padrões do tempo) podem gerar mapas raster de nível provincial mostrando a temperatura média, queda de chuvas e direção do vento usando dados colhidos em estações metereológicas (veja a figura_estação_csir). Nestes casos, posteriormente eles usam técnicas de análise raster como interpolação (Descritas no Tópico :ref:´`análise_espacial`).

Por vezes, os dados raster são criados a partir de dados vetoriais, porque os proprietários de dados querem partilhar os dados num formato fácil de utilizar. Por exemplo, uma empresa com cadastro de estradas ou de transporte ferroviário, pode escolher gerar um ficheiro raster com esses dados para que os funcionário possam visualizar os dados num browser web. Isso normalmente só é útil, se os atributos, que os usuários precisam estar cientes, possam ser representados no mapa com etiquetas ou simbologia. Se os utilizadores necessitam de observar os dados da tabela de atributos, fornecer os dados em formato raster pode não ser a melhor escolha, isso porque as camadas raster, geralmente, não têm qualquer tabela de atributos associados a ele.

Resolução Espacial¶

Cada camada raster num SIG contém pixels (células) de tamanhos fixos que determinam sua resolução espacial. Isso torna-se bem visível quando visualiza uma imagem a uma pequena escala (ver figure_raster_small_scale) e, fazendo zoom, a uma escala grande (ver figure_raster_large_scale).

Esta imagem de satélite parece boa quando usada a uma escala pequena...

...mas quando vista numa escala grande, você pode ver pixeis individuais que compõem a imagem.

Vários fatores determinam a resolução espacial de uma imagem. Para imagens de Detenção Remota a resolução espacial é, geralmente, determinada pela capacidade do sensor utilizado em 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 apenas 500 x 500 m por pixel. Em fotografias aéreas, com pixel de 50 x 50 cm são bastante comuns. Imagens onde a área de cobertura dos pixel é pequena são chamada de imagens de alta resolução porque possuem um alto grau de detalhe da superfície. Já as imagens onde a área de cobertura dos pixeis é grande são chamadas de imagens de baixa resolução pois o grau de detalhe é bem menor.

Em dados raster que são originados por análise espacial (tais como os mapas de precipitação que mencionámos anteriormente), a densidade espacial da informação utilizada para criar o raster é que normalmente irá determinar a resolução espacial. Por exemplo se quiser criar um mapa de alta resolução da precipitação média, com certeza que vai necessitar de dados de muitas estações meteorológicas que estejam próximas uma da outra.

Uma das principais coisas a ser pensadas ao obter rasters de alta resolução espacial são os requisitos de armazenamento. Pense num raster que tem uma grelha de 3 x 3 pixeis, cada um deles contém um número que representa a precipitação média. Para armazenar todas as informações contidas no raster, vai precisar de armazenar 9 números na memória do computador. Agora imagine que quer ter uma camada raster para toda a África do Sul com pixeis de 1 km x 1 km. A área da África do Sul é de cerca de 1 219 090 km ². O que significa que o seu computador necessita de armazenar mais de um milhão de números no seu disco rígido, de modo a manter toda a informação. Reduzir o tamanho do pixel aumentaria a quantidade necessária de armazenamento.

Por vezes, utilizar imagens de baixa resolução espacial é útil quando quer trabalhar com uma grande área é não está interessando em observar o grande detalhe dessa área. Os mapas de nebulosidade que observamos nas notícias do tempo são um exemplo disso –– eles são úteis 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!

Por outro lado, utilizar um raster de baixa resolução pode ser um problema se você estiver interessado numa região pequena. Isso porque provavelmente não conseguirá determinar os elementos individuais na imagem.

Resolução Espectral¶

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

Embora seu olhos consigam ver apenas o comprimento de onda RGB, os sensores electrónicos em câmaras podem detectar espectros que seus olhos não conseguem. É claro que numa câmara de mão, provavelmente, não faria sentido registar 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.

Porque ter imagens que contêm 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 a que nossos olhos possam ver. A quantidade de bandas numa imagem raster é conhecida como a sua resolução espectral.

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

Conversão Raster para Vector¶

Na nossa discussão de dados vetoriais, explicámos que muitas vezes os dados raster são utilizados como uma camada de fundo, que servem de base a partir do qual os elementos vetoriais podem ser digitalizadas

Another approach is to use advanced computer programs to automatically extract vector features from images. Some features such as roads show in an image as a sudden change of colour from neighbouring pixels. The computer program looks for such colour changes and creates vector features as a result. This kind of functionality is normally only available in very specialised (and often expensive) GIS software.

Conversão Vector para Raster¶

Sometimes it is useful to convert vector data into raster data. One side effect of this is that attribute data (that is attributes associated with the original vector data) will be lost when the conversion takes place. Having vectors converted to raster format can be useful though when you want to give GIS data to non GIS users. With the simpler raster formats, the person you give the raster image to can simply view it as an image on their computer without needing any special GIS software.

Análise Raster¶

There are a great many analytical tools that can be run on raster data which cannot be used with vector data. For example, rasters can be used to model water flow over the land surface. This information can be used to calculate where watersheds and stream networks exist, based on the terrain.

Raster data are also often used in agriculture and forestry to manage crop production. For example with a satellite image of a farmer’s lands, you can identify areas where the plants are growing poorly and then use that information to apply more fertilizer on the affected areas only. Foresters use raster data to estimate how much timber can be harvested from an area.

Raster data is also very important for disaster management. Analysis of Digital Elevation Models (a kind of raster where each pixel contains the height above sea level) can then be used to identify areas that are likely to be flooded. This can then be used to target rescue and relief efforts to areas where it is needed the most.

Common problems / things to be aware of¶

As we have already mentioned, high resolution raster data can require large amounts of computer storage.

What have we learned?¶

Let’s wrap up what we covered in this worksheet:

Raster data are a grid of regularly sized pixels.
Raster data are good for showing continually varying information.
The size of pixels in a raster determines its spatial resolution.
Raster images can contain one or more bands, each covering the same spatial area, but containing different information.
When raster data contains bands from different parts of the electromagnetic spectrum, they are called multi-spectral images.
Three of the bands of a multi-spectral image can be shown in the colours Red, Green and Blue so that we can see them.
Images with a single band are called grayscale images.
Single band, grayscale images can be shown in pseudocolour by the GIS.
Raster images can consume a large amount of storage space.

Now you try!¶

Here are some ideas for you to try with your learners:

Discuss with your learners in which situations you would use raster data and in which you would use vector data.
Get your learners to create a raster map of your school by using A4 transparency sheets with grid lines drawn on them. Overlay the transparencies onto a toposheet or aerial photograph of your school. Now let each learner or group of learners colour in cells that represent a certain type of feature e.g. building, playground, sports field, trees, footpaths etc. When they are all finished, overlay all the sheets together and see if it makes a good raster map representation of your school. Which types of features worked well when represented as rasters? How did your choice in cell size affect your ability to represent different feature types?

Something to think about¶

If you don’t have a computer available, you can understand raster data using pen and paper. Draw a grid of squares onto a sheet of paper to represent your soccer field. Fill the grid in with numbers representing values for grass cover on your soccer field. If a patch is bare give the cell a value of 0. If the patch is mixed bare and covered, give it a value of 1. If an area is completely covered with grass, give it a value of 2. Now use pencil crayons to colour the cells based on their values. Colour cells with value 2 dark green. Value 1 should get coloured light green, and value 0 coloured in brown. When you finish, you should have a raster map of your soccer field!

What’s next?¶

In the section that follows we will take a closer look at topology to see how the relationship between vector features can be used to ensure the best data quality.

Tabela de Conteúdos