Mini Cursos

14/04/2019 (Domingo 8h00 às 18h00)

Para mais informações, clique sobre o curso.


Vagas: 25
Material necessário: Os alunos deverão levar seu próprio notebook com sistema Windows ou Ubuntu, permissão para instalação de softwares gratuitos como o GRASS e o pacote LSCorridors que funciona na mesma plataforma.

Introdução: Landscape Corridors (LSCorridors) é um pacote gratuito com interface amigável que foi desenvolvido no ambiente do Sistema de Informação Geográfica - GRASS na linguagem de programação Python. A principal vantagem de utilizar esse software para a simulação de corredores funcionais na paisagem é que os parâmetros utilizados nas simulações são baseados nos requisitos ecológicos das espécies e nos atributos da paisagem em diferentes escalas espaciais. Desta forma, o usuário pode criar simulações mais realistas para diferentes grupos de espécies, considerando que esses grupos percebem e respondem de diferentes maneiras às alterações da paisagem. O algoritmo de simulação proposto permite que os corredores sejam simulados em múltiplos caminhos, com base em diferentes superfícies de resistência, permitindo que o usuário defina as melhores rotas das espécies nas paisagens, utilizando como informação mapas de uso e cobertura da terra, mapas que representam preço da terra, topografia do terreno ou mapas com informações ecológicas como permeabilidade da matriz. As simulações podem ser realizadas para áreas grandes, diferentes números de áreas fonte e destino, assim como, para diferentes paisagens ao mesmo tempo. Como resultado além de definir a melhor rota de corredores entre áreas fonte e destino, o LS Corridors define zonas potenciais de conservação na paisagem baseado nas potenciais rotas das espécies, permitindo que os mapas derivados das simulações sirvam de apoio para definir áreas potenciais para a implementação de projetos de conservação e restauração (para maiores detalhes do software consulte Ribeiro et al. 2017;https://github.com/LEEClab/LS_CORRIDORS/wiki).

Objetivo: oferecer uma base teórica e prática sobre modelagem de corredores ecológicos funcionais utilizando diferentes bases de dados espaciais e o pacote gratuito Landscape Corridors (LS Corridors).

Ementa: conceito de ecologia da paisagem (modelo corredor-habitat-matriz), conectividade funcional da paisagem, corredores ecológicos funcionais e modelagem de corredores (superfície de resistência, áreas fonte e destino), reconhecimento de dados de sensoriamento remoto e outras bases de dados espaciais que podem ser utilizados na modelagem de corredores ecológicos funcionais, descrição dos conceitos ecológicos utilizados para a modelagem no pacote LSCorridors.

Dinâmica do curso: o curso será composto por 2 etapas. A primeira etapa será teórica e a segunda etapa será prática. No período da manhã serão apresentados os conceitos. Na primeira parte da tarde serão apresentadas bases de dados de sensoriamento remoto e outras bases de dados espaciais que podem ser utilizados para a modelagem de corredores ecológicos funcionais e exemplos de aplicações com o pacote LSCorridors. Na segunda parte do curso ainda no período da tarde será realizada a aula prática para a modelagem dos corredores ecológicos e a interpretação dos resultados gerados pelo software LSCorridors.

O material utilizado no curso, assim como o tutorial do software serão distribuídos em formato digital.

Seats: 25
Material needed: The students will use their own computer and the programs will be installed previously

Abstract: NASA’s Global Ecosystem Dynamics Investigation Lidar (GEDI) space mission is planned to be onboard from the International Space Station for two years beginning late 2018. GEDI will collect ~25-m diameter footprint full-waveform lidar data to characterize vegetation structure and aboveground biomass (AGB) globally, and report on AGB dynamics across landscapes. This one-day (8hs) course will provide faculty, students, and professionals with an introduction to GEDI technology. The lectures will strongly focus on GEDI data collection, data integration, data pre-processing and analysis as well as the extraction of selected features. Several examples and applications for both environmental and forest sciences will be shown. A combination of lecture and on-site exercises, including data processing and analysis will be explored exhaustively using open source R program.

Vagas: 15
Material necessário: Os alunos deverão levar seu próprio notebook. Recomendável levar um smartphone/tablet com sistema Android.

Ementa: Este curso tem o objetivo de usar geotecnologias para o georreferenciamento de dados ambientais. Serão abordados conceitos de cartografia e GNSS. Também serão abordados conceitos básicos de análise de dados espaciais. O curso incluirá aulas expositivas e práticas com análise de dados nos programas GPS Test, AndroTS GPS Test e Google Earth Pro.

Objetivo: o aluno será capaz de entender e poder escolher qual a melhor geotecnologia para ser utilizada para o georreferenciamento e conhecer as geotecnologias que poderão ser utilizadas para o georreferenciamento e visualização de dados ambientais.

Conteúdos:

  • Noções básicas de Cartografia (Cart), Banco de Dados (BD), GNSS, e Análise Espacial (AE);
  • Aplicação prática de GPS e smartphone/tablet em campo; e
  • Uso do Google Earth Pro para a visualização de dados e edição.

Procedimentos metodológicos: aula expositiva em sala de aula, aulas práticas de campo, aula prática em computador.

Vagas: 20
Material necessário: Os alunos deverão levar seu próprio notebook.

Ementa e Método: Os temas abaixo descritos serão apresentados seguindo um cunho teórico com apresentações de palestras completado por uma parte prática envolvendo exercícios de “mining&loading” junto aos catálogos do CDSR-Centro de Dados do INPE.

Conteúdos:

  • Conhecer acervo de imagens do catálogo do Centro de Dados;
  • Baixar/visualizar imagens e montar arquivos;
  • Estudar os métodos do Projeto Panamazônia II com relação ao mapeamento da cobertura vegetal, águas e áreas queimadas;
  • Reconhecer o conteúdo de informações das imagens orbitais para o meio-ambiente físico;e
  • Demonstrar aplicações não convencionais de imagens: crateras de impacto, tornados, estudos histórico-arqueológicos e culturas ilícitas.

Vagas: 20
Material necessário: Os alunos deverão levar seu próprio notebook com preferencialmente 8Gb de memória RAM, processadores iguais ou superiores a 2.6 GhZ de frequência e 500 Gb de HD e com acesso a rede internet

Objetivo: Introduzir conceitos teóricos e práticos sobre o uso de técnicas de análise de séries temporais de imagens de satélite e extração de métricas fenológicas para classificação de áreas agrícolas.

A partir de séries temporais densas de imagens de índices de vegetação, como o Enhanced Vegetation Index (EVI), integrando diferentes sensores da família Landsat, podemos gerar métricas fenológicas. Métricas fenológicas são variáveis que podem ser associadas ao desenvolvimento das culturas agrícolas (época do plantio, crescimento e pico vegetativos, senescência e colheita). Uma vez que as culturas agrícolas muitas vezes se distinguem principalmente pelas diferenças no calendário de plantio, esse conjunto de atributos pode ser muito interessante para classificação. Com esse método, através de uma abordagem hierárquica de classificação, é possível obter níveis de refinamento do uso agrícola mais detalhados.

O mini curso envolverá a execução prática da classificação em áreas de estudo de caso distribuídas no Cerrado brasileiro.

Será utilizado o software R para pré-processamento das séries temporais (empilhamento, filtragem e suavizações) e classificação. O software TIMESAT será empregado para extração das métricas fenológicas.

É desejável que o aluno tenha algum conhecimento de programação utilizando R.

Vagas: 20
Material necessário: Os alunos deverão levar seu próprio notebook.

A geoestatística foi inicialmente desenvolvida para solucionar problemas de mapeamentos geológicos, mas seu uso se expandiu e tem sido empregada com sucesso para a análise de dados espaciais em vários campos, nas ciências da Terra e da atmosfera, na agricultura, nas ciências dos solos e hidrologia, nos estudos socioambientais e mais recentemente na epidemiologia ambiental. A geoestatística se baseia numa abordagem de modelagem probabilística e fornece um conjunto de ferramentas estatísticas para a análise de dados distribuídos no espaço e no tempo. A geoestatística permite, também, a descrição de padrões espaciais no dado, a incorporação de múltiplas fontes de informação no mapeamento de atributos e a determinação de intervalos de confiança a partir dos modelos de incertezas das variáveis aleatórias. Assim, os produtos derivados da geoestatística, inferências, simulações e incertezas, se caracterizam como instrumentos importantes para tomadas de decisões em aplicações de geoprocessamento. Neste contexto, este curso objetiva apresentar, na teoria e na prática, os principais conceitos e técnicas da geoestatística linear, ilustrando-os com alguns exemplos de aplicações desenvolvidas em Sistemas de Informações Geográficas.

Pré-requisitos: Conceitos básicos de estatística e Sistemas de Informação Geográfica.

Ementa: Introdução / Motivação

Geoestatística Linear

  • Introdução
  • Principais Conceitos Teóricos
  • Análise de Continuidade Espacial por Semivariograma
  • Modelagem do Semivariograma Experimental
  • Isotropia e Anisotropia
  • Validação Cruzada
  • Krigeagem linear isotrópica e anisotrópica
  • Introdução a geoestatística não linear: por indicação e copulas
  • Exemplos de Aplicações em Geoprocessamento
  • Laboratório: exemplos práticos com o SIG SPRING

Vagas: 20
Material necessário: Os alunos deverão levar seu próprio notebook com navegador Chrome instalado e acesso à internet.

O curso irá abordar noções básicas do uso da ferramenta Google Earth Engine, que permite o processamento em nuvem de grandes volumes de dados, sem custo. Durante o curso, a plataforma será apresentada, juntamente com seus principais modelos de dados: Images, Image Collections, Features e Feature Collections. Depois serão apresentados exemplos de operação de Map e Reduce para geração de imagens sintéticas, médias sazonais, extração de dados e classificação supervisionada. Por fim, será brevemente abordada a alternativa de utilização via linguagem Python.Todo o material será disponibilizado através da plataforma GitHub. Pré-requisitos: noções de programação em JavaScript ou outras linguagens de alto nível (Python, R, Matlab) - variáveis, funções, loops, e operadores condicionais. Conhecimento básico de sensoriamento remoto: estrutura de uma imagem digital, diferença entre dados raster e vetoriais, rotinas comuns para processamento de imagens (contraste, filtragem, matemática de bandas), índices de vegetação, algoritmos de classificação, características dos sensores MODIS e Landsat. IMPORTANTE: os alunos deverão previamente se cadastrar para acesso à plataforma, no link https://earthengine.google.com/signup/.

Programa:

  • Apresentações
  • Fundamentos da plataforma
  • Google Earth Engine
  • Primeiros passos na utilização do GEE
  • Trabalhando com imagens no GEE
  • Trabalhando com coleções no GEE
  • Operações de Map e Reduce em coleções de imagens
  • Classificação de imagens usando o GEE

Vagas: 20
Material necessário: Os alunos deverão levar seu próprio notebook

Curso com 6hs Parte Teórica e 2hs Parte Prática, inclui demanda por computadores e acesso à rede de dados.

Ementa:

  • A Lei 12.608/12 e a gestão de riscos no Brasil;
  • Cartas geotécnicas de suscetibilidade;
  • Aptidão à urbanização, riscos e setorização de riscos;
  • Metodologias utilizadas atualmente no Brasil; e
  • Integração desses instrumentos aplicados ao planejamento territorial, com o auxílio do Sensoriamento Remoto e Geoprocessamento.

Vagas: 20
Material necessário: Os alunos deverão levar seu próprio notebook com versão Trial do software pixel4D e do software PhotoScan

Programação:

  • Histórico do desenvolvimento dos ARPs no mundo e no Brasil, especialmente na área agrícola
    • Tipos de ARPs existentes para mercado agrícola
      • ARPs de asa fixa e de asa rotativa
      • Blimps (Balões de ar)
      • Híbridos
  • Classificação dos ARPs uso agrícola, e regras segundo ANAC, DECEA e ANATEL
  • Exemplos de aplicação de ARPs na Agricultura
  • Fluxograma para uso de Drones em mapeamento e monitoramento
  • 5 Softwares utilizados
    • Planejamentos de vôos
    • Geração de mosaicos
    • Processamentos
  • Geração de resultados: MDT, MDS, ortofoto, mapas temáticos, na agricultura
  • Escolha do ARP segundo a aplicação
    • Tipo de sensor
    • Requisitos mínimos
  • Principais Ferramentas de Fotogrametria utilizadas em ARPs
    • Características principais
    • Vantagens e desvantagens
    • Exemplos com softwares comerciais e livres
  • Novas tendências e perspectivas para o Futuro dos ARPs na agricultura

Vagas: 25
Material necessário: Os alunos deverão levar seu próprio notebook.

Descrição: Aprender as melhores práticas e fluxos de trabalhos para potencializar a visualização e a extração de informações significativas a partir de imagens de satélites, lidar, e outros dados de sensores remotos. Este curso engloba opções de processamento dinâmico de dados raster disponíveis no ArcGIS e leva o aluno explorar profundamente a classificação de imagens. Você irá utilizar três métodos de classificação para categorizar as feições de cobertura do solo e aprender como determinar qual método é apropriado para um determinado projeto e um determinado conjunto de dados.

Objetivos: Após completar este curso, você será capaz de:

  • Aplicar funções de processamento dinâmico de dados raster para potencializar sua visualização, preparar os dados para análise e criar rapidamente múltiplos produtos a partir de uma fonte de dados única.
  • Criar um conjunto de dados de mosaico de baseado em séries temporais para identificar visualmente e documentar mudanças de áreas.
  • Suportar detecção de mudanças, avaliação de risco e outros tipos de análise através da realização de classificação supervisionada, não-supervisionada e orientada a objetos.
  • Avaliação da precisão dos resultados da classificação.

Requisitos de Software:

A Esri fornecerá o software a seguir para uso durante as aulas:

  • ArcGIS Pro

Conteúdo:

Cadeia de funções Raster e modelos.

  • Funções raster.
  • Aplicando funções raster.
  • Fundamentos da janela Análise de Imagens.
  • Aplicando funções raster em um raster de quatro bandas.
  • Utilizando um conjunto de dados LAS em um conjunto de dados de mosaico.
  • Criar um conjunto de dados de mosaico.
  • Cadeia de funções raster.
  • Configurando uma cadeia de funções raster.
  • Reutilizando uma cadeia de funções raster.
  • Verificando os modelos de funções.
  • Aplicando um modelo de funções em um raster.

Análise visual das mudanças através do tempo.

  • Determinando áreas de mudanças.
  • Fontes de dados raster.
  • Potencializando a visualização de dados raster.
  • Explorando dados de sensores de satélites.
  • Identificando áreas de mudanças.
  • Análise de uma série temporal de dados Ikonos.

Introdução à classificação de imagens.

  • Demanda para a detecção analítica de mudanças.
  • História da classificação de imagens.
  • Tipos de classificação de imagens.
  • Fluxo de trabalho de classificação.
  • Fluxo de trabalho de processamento de sensoriamento remoto.
  • Dados de saída da classificação.
  • Planejando suas análises.

Detecção de mudanças através da classificação não-supervisionada.

  • Revendo Classificação Não-Supervisionada.
  • Características de dados de baixa resolução.
  • Bandas Landsat.
  • Classificando os dados.
  • Identificando classes.
  • Identificando classes em um dado raster Landsat.
  • Comparando resultados através de padrões.

Classificação supervisionada.

  • Revendo classificação supervisionada.
  • Componentes de um exemplo de amostra adequado.
  • Criando amostras espectrais puras.
  • Determinando classes em uma área de estudo.
  • Avaliando seu arquivo de assinaturas.
  • Finalizando os resultados da classificação supervisionada.

Análise de superfícies com a classificação orientada a objetos.

  • Revendo classificação orientada a objetos.
  • Segmentação de imagens.
  • Configuração da segmentação.
  • Amostras para a orientação a objetos.
  • Criando amostras orientadas a objetos.
  • Avaliando o raster segmentado.
  • Criando um arquivo de assinaturas para a classificação orientada a objetos.
  • Reclassificando o dado raster temático.

Vagas: 20
Material necessário: Os alunos deverão levar seu próprio notebook

Pré-requisitos: Conhecimentos básicos de Sensoriamento Remoto

Conteúdos: O curso irá explorar técnicas de Análise de Imagens baseada em Objetos Geográficos (GEOBIA) para classificação da cobertura do solo, abordando os passos envolvidos na análise de imagens, incluindo segmentação, extração de atributos espaciais, espectrais e de contexto, além de técnicas de Mineração de Dados voltadas à classificação de cobertura do solo. Serão apresentadas técnicas de classificação supervisionada e não-supervisionada e sua aplicação no âmbito de GEOBIA. Na parte prática, os alunos poderão produzir, utilizando as plataformas TerraView 5 e GeoDMA, mapas de cobertura da terra em diferentes instantes para análise de mudanças de cobertura, baseado em imagens CBERS-4.

Seats: 25
Material needed: The students will use their own computer and the programs will be installed previously

Abstract: The objective of the course is to give remote sensing users with an overview of the capabilities of the Sentinels sensors in environmental studies. Copernicus is a European Union Programme aimed at developing European information services based on satellite Earth Observation and in situ data. Vast amounts of global data from satellites and from ground-based, airborne and seaborne measurement systems are being used to provide information to help service providers, public authorities and other international organizations improve the quality of life for the citizens of Europe. The information services provided are freely and openly accessible to its users. Practical sessions will be performed using SNAP toolbox.

  • Introduction
  • The Sentinel programme
  • Access to data
  • Applications of Sentinel 3 data
    • File formats, Ocean Colour, SST, LST, vegetation índices
  • Applications of Sentinel 2 data
    • Vegetation paramerers, Burnt area, water quality
  • Programming languages for batch processing: GPT, Python and SNAPPY (P)
  • Questions & Closure