Content uploaded by Alexandro Gularte Schafer
Author content
All content in this area was uploaded by Alexandro Gularte Schafer on Jun 26, 2019
Content may be subject to copyright.
Suporte a dados matriciais de um Sistema Gerenciador
de Banco de Dados: Aplicação ao processamento digital
de imagens de sensoriamento remoto
Rebeca Einhardt Fiss1,3, Alexandro Gularte Schafer2,3
1 Instituto Federal de Educação, Ciência e Tecnologia Sul-rio-grandense – Campus Santana
do Livramento, Brasil
rebecafiss@ifsul.edu.br
2 Universidade Federal do Pampa – Campus Bagé, Brasil
alexandroschafer@unipampa.edu.br
3 Programa de Pós-Graduação em Computação Aplicada – Unipampa Bagé, Brasil
Resumo. Este artigo tem como objetivo principal apresentar os resultados da
aplicação de funcionalidades da extensão espacial PostGIS raster para o proces-
samento digital de uma imagem de sensoriamento remoto referente a uma pro-
propriedade rural localizada no município de Bagé, Rio Grande do Sul, Brasil.
Os procedimentos utilizados para a realização do estudo podem ser agrupados
em: 1) definição da área de estudo; 2) aquisição de imagens de satélite; 3) in-
serção das imagens no Banco de Dados; 4) desenvolvimento de consultas refe-
rentes à técnicas de processamento digital de imagens; 5) Cálculo de NDVI, ve-
torização e cálculo de área de classes de uso e cobertura da terra. As funcionali-
dades do PostGIS raster mostraram-se satisfatórias para o armazenamento, a
manipulação e para realizar procedimentos simples de processamento das ima-
gens da propriedade rural.
Palavras Chaves: Dados Raster, manipulação de dados geográficos.
1 Introdução
A Agricultura de Precisão pode ser definida, segundo [2], como “um sistema de ge-
renciamento agrícola baseada na variação espacial e temporal da unidade produtiva e
visa ao aumento de retorno econômico, à sustentabilidade e à minimização do efeito
ao ambiente”.
A agricultura de precisão engloba a combinação de diversas tecnologias e inclui:
dados coletados em campo (características físicas e químicas do solo, topografia, da-
dos de produtividade), dados oriundos da interpretação de imagens de satélite (varia-
bilidade espacial ou temporal do cultivo) e a geração de mapas com prescrições de
aplicação de insumos. A partir da integração espacial (geográfica) e/ou temporal dos
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 26
distintos dados, se pretende otimizar o rendimento econômico e reduzir os impactos
ambientais na área de produção [4].
Atualmente, as principais ferramentas que possibilitam a aplicação da agricultura
de precisão são: os sistemas de navegação global por satélite (GNSS – Global Naviga-
tion Satellite System) e os Sistemas de Informações Geográficas (SIG) [8].
Os SIG normalmente trabalham integrados a um Sistema de Gerenciamento de
Banco de Dados (SGBD). [14] define banco de dados como uma grande coleção de
dados inter-relacionados armazenados dentro de um ambiente computacional. Um
SGBD pode ser definido como um conjunto de softwares que gerenciam a estrutura do
banco de dados e controla o acesso aos dados armazenados no banco de dados. O
SGBD facilita o processo de definição (especificação dos tipos de dados, estruturas e
limitações), construção, manipulação, consulta e atualização do banco de dados.
A partir dos anos 2000, os SGBDs passaram a oferecer as chamadas extensões es-
paciais, ou seja, um conjunto de tipos, métodos de acesso e mecanismos de indexação
espaciais que permitem que o gerenciamento da componente espacial do dado geográ-
fico também seja feita pelo SGBD[13]. Os bancos de dados espaciais proporcionam
funções e índices específicos para consultar e manipular os dados espaciais usando
linguagens de consulta como a SQL (Structured Query Language). Com isso, muitas
das funcionalidades dos SIG podem ser incorporadas diretamente no sistema de banco
de dados [6][1]. Como argumentam [10], embora os bancos de dados espaciais sejam
frequentemente utilizados apenas para armazenar dados espaciais, eles possuem diver-
sas ferramentas que possibilitam também análises desses dados.
Os mapas constituem representações cartográficas simplificadas da realidade. Os
mapas sobre um determinado tema ou aspectos da realidade são denominados mapas
temáticos. Nos SIGs, os dados que possuem componente espacial podem estar repre-
sentados por arquivos em formato vetorial ou matricial[5]. O formato matricial é
aquele no qual o espaço geográfico é representado por uma matriz M (i, j), composta
por i linhas e j colunas, que definem células regulares, quadradas ou retangulares de-
nominadas pixels (picture element). Cada pixel, além de um par de coordenadas geo-
gráficas, tem um valor associado, referente ao atributo representado, como o valor de
refletância de uma imagem de satélite, as classes de cobertura vegetal, os tipos de uso
do solo, a aptidão agrícola para um determinado cultivo, a quantidade de fertilizante
utilizada, a produtividade por hectare, etc [5].
Todas as extensões espaciais de SGBDs existentes oferecem o suporte para tratar
dados com representação vetorial, a maioria seguindo as especificações propostas pelo
Open Geospatial Consortium (OGC) como a especificação Simple Feature SQL [3].
No entanto, o suporte à representação matricial ainda é uma questão em desenvolvi-
mento. As duas principais iniciativas de fornecer suporte a dados matriciais embutidas
em uma extensão espacial de maneira similar aos dados vetoriais são o GeoRaster que
faz parte da extensão Oracle Spatial [9] e mais recentemente o PostGIS raster para o
PostgreSQL [10].
Levando em consideração a relevância dos dados em formato matricial no contexto
do desenvolvimento dos SIG aplicados à Agricultura de Precisão, constitui-se de suma
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 27
importância o estudo das possibilidades e limitações que as extensões espaciais apre-
sentam com relação ao armazenamento e a manipulação dos dados nesse formato.
Este artigo tem como objetivo aplicar funcionalidades da extensão espacial PostGIS,
mais especificamente o PostGIS Raster para manipular, editar e processar imagens de
satélite da área de abrangência de uma propriedade rural localizada no município de
Bagé-RS.
2 Materiais e Métodos
O conjunto de procedimentos utilizados para a realização do estudo podem ser agru-
pados em: 1) definição da área de estudo; 2) aquisição de imagens de satélite; 3) in-
serção das imagens no Banco de Dados; 4) desenvolvimento de consultas referentes à
técnicas de processamento digital de imagens; 5) Cálculo de NDVI, vetorização e
cálculo de área de uso e cobertura da terra na propriedade rural em 1996 e em 2018.
Para permitir a manipulação dos dados Raster extensão Raster do Pos-
tgreSQL, foi utilizado um computador com processador Intel i7 e 16Gb de memória e
sistema operacional Windows 10. O banco de dados utilizado é o PostgreSQL, versão
9.6, com a extensão PostGIS 2.2. A interface gráfica PgAdmin 4 foi utilizada para
auxiliar na criação e na manipulação do banco de dados. O Qgis 2.8.1 foi utilizado
para visualizar os dados e realizar consultas SQL nas imagens resultantes do banco de
dados.
A área de estudo é a propriedade rural de código do Cadastro Ambiental Rural
(CAR) RS-4301602-467FFD7185C140D68C625C7437B4BE41. A área está locali-
zada entre as coordenadas 31° 14’ 38” e 31° 21’ 54” Sul e 54° 16’ 54” e 54° 23’ 28”
Oeste. Essa área foi escolhida para a pesquisa porque é abrangida pela bacia hidrográ-
fica do Rio Negro em território brasileiro, que vem sendo objeto de estudo no âmbito
do mapeamento do uso e da cobertura da terra em projetos de pesquisa e de extensão
universitária na Universidade Federal do Pampa desde 2013.
As imagens de satélite foram adquiridas gratuitamente catálogo do United States
Geological Survey (USGS). Trata-se de imagens dos sensores TM do Landsat 5 e OLI
do Landsat 8, orbita/ponto 222/082 de 30/07/1996 e de 19/03/2018, respectivamente,
com resolução espacial de 30 metros.
Inicialmente as cenas das imagens de satélite foram recortadas utilizando um arqui-
vo shapefile da área de estudo obtido nos arquivos do Cadastro Ambiental Rural do
Brasil (www.car.gov.br). Em seguida, foi utilizada a aplicação raster2pgsql para criar
scripts que possibilitam que os dados originais (em formato .tiff, por exemplo) sejam
inseridos no banco de dados. A partir da execução desses scripts, tabelas são criadas
no banco de dados e populadas com os dados das imagens de satélite.
Com as imagens inseridas no banco de dados, foi desenvolvido uma série de con-
sultas utilizando as funções específicas para dados matriciais do PostGIS que possibi-
litaram obter um conhecimento acerca dos padrões de uso e cobertura do solo na pro-
priedade rural em estudo.
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 28
3 Resultados
O Processamento Digital de Imagens (PDI) pode ser entendido como o con-junto de
técnicas utilizadas para manipulação de imagens digitais no sentido de facilitar a ex-
tração de informações. Essas técnicas possibilitam a exploração de detalhes que são
inacessíveis pelos métodos tradicionais e permitem destacar e realçar aspectos de inte-
resse específico a determinados temas e objetos (IBGE, 1999). Nesse sentido, foram
desenvolvidas consultas utilizando funções do PostGIS raster que possibilitam a reali-
zação do processamento digital de imagens. Na figura 01 apresenta-se o resultado do
recorte das imagens a partir do arquivo vetorial dos limites da propriedade rural.
Fig1. Imagens referentes as bandas 2, 3, 4, 5, 6 e 7 recortadas.
O script apresentado na figura 2 possibilita a obtenção do histograma da ban-
da 2. É possível ainda inserir filtros para visualizar o histograma de apenas parte das
imagens através de uma clausula WHERE.
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 29
Fig. 2. Consulta SQL para obter histograma do raster.
Após a verificação do histograma da imagem foi realizado o realce de con-
traste, que teve como objetivo aumentar o contraste da imagem, de forma a destacar
melhor os objetos presentes. No exemplo da Figura 3 foi realizada uma query a partir
de transformações algébricas utilizando a função ST_MapAlgebraExpr na banda 2.
Em (a) temos a imagem antes do realce e em (b) a imagem resultante. Em (c) temos a
consulta executada para realizar o procedimento. O resultado foi visualizado no
QGIS.
(a) (b)
(c)
Fig. 3. Resultado da query de realce de contraste na tabela banda2.
Uma informação comumente utilizada na agricultura de precisão é o índice NDVI
(Normalized Difference Vegetation Index), ou índice de vegetação da diferença nor-
malizada, informação esta que está intimamente ligada à produção agrícola [5]. Esse
índice é facilmente obtido através da manipulação dos dados das bandas 4 (RED) e 5
(NIR), aplicando-se a fórmula através da consulta da Figura 4. Os valores são calcula-
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 30
dos, e uma nova tabela foi criada no banco de dados para armazenar estas informa-
ções.
Fig. 4. Query para criação da tabela com os valores de NDVI.
O resultado da consulta pode ser visualizado na figura 5.
Fig. 5. Visualização da tabela com os valores de NDVI obtido na query acima. Em
vermelho os pixels com menor valor e em verde os de maior valor.
Na figura 5, os pixels em tons de vermelho representam locais onde o valor
do NDVI é mais baixo. Noss pixels em tons de verde esse valor é mais alto.
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 31
Na figura 6 apresenta-se as imagens referentes a visualização das tabelas do
mapeamento do uso e cobertura da terra em 1996 e em 2018.
Fig. 6. Mapeamento do uso e da cobertura da terra na propriedade rural em 1996 e em
2018.
A propriedade rural, que tem 4.145 hectares, teve uma considerável alteração
em seus padrões de uso e cobertura da terra entre 1996 e 2018. Em 1996 a classe de
uso e cobertura da terra predominante era a campestre. Em 2018, passou a ser as áreas
agrícolas. Destaca-se ainda a redução das áreas florestais na parte sul da propriedade
rural.
A partir do arquivo vetorizado, é possível vetorizar os arquivos matriciais de uso e
cobertura da terra para, em seguida, quantificar as áreas ocupadas por cada classe.. Na
consulta apresentada na figura 8, foram utilizadas as funções ST_GeomFromText,
ST_AsText e ST_DumpAsPolygons. A consulta da figura 7 possibilita a vetorização
do arquivo matricial da classificação de uso e cobertura da terra de 2018.
Fig. 7. Consulta para a vetorização de arquivo matricial
Na tabela 1 apresenta-se a quantificação do uso e cobertura da terra realizado
por meio de scripts, diretamente no banco de dados.
As áreas cobertas por mata ciliar (áreas florestais) foram reduzidas em
31,20%, enquanto as áreas cobertas por campos reduziram em 80,90%. Por outro la-
do, as áreas agrícolas aumentaram aproximadamente 200%, e as áreas destinadas a
reservação de água para a lavoura aumentarm em 78,59%.
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 32
Tabela 1: Uso e ocupação da terra na propriedade rural em 1996 e em 2018
Classe de Uso e
Cobertura da terra
Área (ha) - 1996
Área (ha) - 2018
Diferença (ha)
Água
71,99
150,59
78,59
Área Florestal
940,71
647,31
-293,40
Silvicultura
8,14
0,00
-8,14
Área Agrícola
982,21
2938,59
1956,38
Campestre
2142,60
409,17
-1733,43
4 Conclusões
Este artigo teve como objetivo aplicar técnicas de processamento digital de ima-
gens (PDI) de sensoriamento remoto em imagens de satélite na área de abrangência de
uma propriedade rural utilizando funcionalidades da extensão espacial PostGIS raster.
Os resultados apresentados neste artigo constituem parte de um trabalho que vem
sendo desenvolvido desde 2012 na Universidade Federal do Pampa e que engloba
ações de pesquisa e de extensão universitária, cujo objetivo principal é desenvolver
um Sistema de Informações Geográficas (SIG) da bacia hidrográfica do Rio Negro em
território brasileiro e estudar as alterações nos padrões de uso e cobertura da terra que
vem ocorrendo em sua área de abrangência ao longo dos últimos 40 anos. Ao longo
do desenvolvimento do trabalho a quantidade de dados aumentou consideravelmente.
Gerenciar e manipular os dados, além de manter a sua integridade, tornou-se compli-
cado. Desde 2017, a equipe de projeto vem migrando os dados de um SIG Desktop
(Qgis) para o banco de dados. Pode-se afirmar que a possibilidade de armazenar tanto
os dados espaciais quanto os atributos em um único repositório tem sido de grande
utilidade para o projeto, contribuindo para uma maior organização do sistema de in-
formação. Além disso, a possibilidade de manipular os dados por meio de funções e
consultas em SQL está contribuindo para a automatização de diversos procedimentos
envolvendo tanto dados vetoriais quanto matriciais.
A evolução nas funções que ocorreram após a versão 2.0 do PostGIS trazem
novas possibilidades quanto a manipulação e ao processamento dos dados matriciais.
Desta maneira, pretende-se continuar a migração do SIG Desktop para o banco de
dados espacial.
Pode-se citar como pontos negativos relacionados a utilização do banco de
dados espacial a necessidade de conhecimento sólido sobre banco de dados e sobre
questões envolvendo o próprio processamento digital de imagens de satélite. Além
disso, ainda não existem funções (já desenvolvidas) específicas para realizar a classi-
ficação supervisionada de imagens. Pretende-se realizar pesquisas sobre essa questão
futuramente.
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 33
Referências
1. Bagg, J.; Ryan, N. Modelling historical change in southern Corsica: temporal GIS
development using an extensible database system. In: KEMP, Z. Innovations in
GIS 4. Londres: Taylor & Francis, 2005.
2. Barsi, J.A.; Lee, K.; Kvaran, G.; Markham, B.L.; Pedelty, J.A. The Spectral Re-
sponse of the Landsat-8 Operational Land Imager. Remote Sens. 2014, 6, 10232-
10251.
3. Brasil. Ministério da Agricultura, Pecuária e Abastecimento. Portaria nº 852 -
Art. 1º Criar a Comissão Brasileira de Agricultura de Precisão – CBAP. Diário
Oficial da República Federativa do Brasil, Brasília, DF, 21 set. 2012. Seção 1, n.
184.
4. DAEB, Departamento De Água e Esgoto de Bagé. Caracterização e diagnóstico
da bacia do rio Negro em Território Brasileiro-RS. Contrato n0 004/2007.
Bagé, 2007.
5. Herring, J. R. (2011). Open Geospatial Consortium Inc . OpenGIS ® Implemen-
tation Standard for Geographic information - Simple feature access - Part 1 :
Common architecture. Disponível em . Acesso em: 27.set.2012.
6. IBGE, Instituto Brasileiro de Geografia e Estatística. Introdução ao processa-
mento digital de imagens: Manuais Técnicos em Geociêcias número 9. 2. Ed.
Primeira Divisão dew Geociências do Nordeste, Rio de Janeiro, 1999.
7. Landau, E. C.; Guimarães, D. P.; Hirsch, A. Uso de Sistema de Informaciones
Geográficas para espacialización de datos del área de producción agrícola. In:
Mantovani, E. C; Magdalen, C. MANUAL DE AGRICULTURA DE PRECI-
SIÓN. Programa Cooperativo para el Desarrollo Tecnológico Agroalimentario y
Agroindustrial del Cono Sur, 2017a
8. Landau, E. C.; Brandão, Z. N.; Faria, C. M. Creación de mapas de manejo con
datos espaciales. In: Mantovani, E. C; Magdalen, C. MANUAL DE AGRICUL-
TURA DE PRECISIÓN. Programa Cooperativo para el Desarrollo Tecnológico
Agroalimentario y Agroindustrial del Cono Sur, 2017b
9. Larue, T.; Pastre, D.; Viemont, Y. Strong integration of spatial domains and ope-
rators in a relational database system. In: Abel, D.; Ooi, B. C. Advances in spatial
databases: Proceedings of 3rd Symp. SSD 93. Berlin: Springer, 1993. p. 53-72.
10. Maciel, A. M., Vinhas L., Câmara G., Aplicação de técnicas de processamento
digital de imagens usando a extensão espacial PostGIS Raster em imagens de sen-
soriamento remoto In: Simpósio Brasileiro de Sensoriamento Remoto, 17, 2015.
João Pessoa. Anais... João Pessoa, 2015.
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 34
11. Mapa - Ministério da Agricultura, Pecuária e Abastecimento, Brasil. Secretaria de
Desenvolvimento Agropecuário e Cooperativismo. Agricultura de Precisão. Bole-
tim Técnico. Brasília, 3a ed. 40 p. 2013.
12. Murray C.; Blowney J.; Xie J.; Xu T.; Yuditskaya S. Oracle Spatial GeoRaster,
10 g Release 1, Oracle Corporation, p. 2-31, 2003.
13. Obe, R.; Hsu, L. PostGIS in action (chapter 3). Stamford, CT, USA, Manning
Publications, 2011.
14. Postgis Documentation. Disponível em < http://postgis.net/documentation/>.
Acesso em 9/julho/2017.
15. Postgresql Documentation. Disponível em <https://www.postgresql.org/
docs/9.6/static/index.html>. Acesso em 9/julho/2017.
16. Queiroz, G. R.; Ferreira, K. R. SGBDs com extensões espaciais. In: Casanova, M.
A.; Câmara, G.; Davis-Jr, C. A.; Vinhas, L.; Queiroz, G. R. (Org.). Bancos de
Dados Geográficos. Curitiba: Editora MundoGEO, 2005. cap. 8, p. 267-303.
17. Rigaux, P.; Scholl, M.; Voisard, A. Spatial databases - With application to GIS.
San Diego: Morgan Kaufmann Publishers, 2002.
CAI, Congreso Argentino de AgroInformática
47JAIIO - CAI - ISSN: 2525-0949 - Página 35
