Aquecimento 1: análise de dados IRGA com SciPy

Como aquecimento e demonstração das possibilidades do ambiente, vamos analisar dados provenientes de um disposito IRGB (infra-red gas analyser). Neste exemplo, 40 plantas foram analisadas em 12 dias diferentes. Em cada dia, para cada planta, foram obtidas 4 medições para as seguintes variáveis:

  • A - taxa de assimilação de CO$_2$,
  • gs - condutância estomática,
  • C$_i$ - concentração intercelular de CO$_2$,
  • E - taxa de transpiração.

Uma maneira natural de representar esses dados é utilizar uma tabela de valores numéricos. Computacionalmente, vamos utilizar uma estrutura de dados chamada de matriz ou array.

Python é uma linguagem de programação. Sua funcionalidade básica é expandida com o uso de módulos. Há um conjunto de módulos, chamado de SciPy Stack, que adiciona ao ambiente uma série de funcionalidades comumente utilizadas em computação científica. Um desses módulos é chamado de NumPy e é utilizado para criação e manipulação de arrays.

Resumindo, utilizaremos NumPy para manipular tabelas numéricas com nossos dados de IRGA. Para importar o módulo, basta utilizar o comando:


In [1]:
import numpy

Nossos dados estão em uma tabela CSV (comma-separated values), uma forma simples de representar tabelas em arquivos. Abaixo estão as 10 primeiras linhas do arquivo:


In [3]:
!head data/pheno-irga-day11.csv


A;gs;Ci;E
33.6491401839225;0.250859113102811;119.207565353659;4.74819300588148
39.9505774987877;0.336445629994432;133.484928623388;5.57841986232047
30.2122755502531;0.214374820865742;113.765752474792;4.19312084675806
32.0832740326768;0.210631425776747;92.9027168628308;4.16362909039323
30.2508652434561;0.216691776198334;116.042716529691;4.23908567763283
34.5797354435639;0.236856658495617;98.9281187985163;4.47347264034459
31.6684177725924;0.245270961272869;130.413464836187;4.57783889528323
34.4413842760489;0.23857872473937;101.79064963821;4.46671252627147
34.7883906691637;0.311443380975331;152.950723724841;5.27144355864789

Queremos esses dados representados devidamente como um array NumPy que possamos manipular. Podemos utilizar o módulo NumPy para realizar a leitura dos dados:


In [4]:
numpy.loadtxt(fname='data/pheno-irga-day11.csv', delimiter=';', skiprows=1)


Out[4]:
array([[  3.36491402e+01,   2.50859113e-01,   1.19207565e+02,
          4.74819301e+00],
       [  3.99505775e+01,   3.36445630e-01,   1.33484929e+02,
          5.57841986e+00],
       [  3.02122756e+01,   2.14374821e-01,   1.13765752e+02,
          4.19312085e+00],
       [  3.20832740e+01,   2.10631426e-01,   9.29027169e+01,
          4.16362909e+00],
       [  3.02508652e+01,   2.16691776e-01,   1.16042717e+02,
          4.23908568e+00],
       [  3.45797354e+01,   2.36856658e-01,   9.89281188e+01,
          4.47347264e+00],
       [  3.16684178e+01,   2.45270961e-01,   1.30413465e+02,
          4.57783890e+00],
       [  3.44413843e+01,   2.38578725e-01,   1.01790650e+02,
          4.46671253e+00],
       [  3.47883907e+01,   3.11443381e-01,   1.52950724e+02,
          5.27144356e+00],
       [  3.85425001e+01,   3.93409107e-01,   1.68657172e+02,
          5.97622932e+00],
       [  3.76307210e+01,   3.15638579e-01,   1.36653664e+02,
          5.27206093e+00],
       [  3.03932359e+01,   2.13614839e-01,   1.11810534e+02,
          3.95755408e+00],
       [  3.72603824e+01,   3.19938014e-01,   1.41897930e+02,
          5.14012496e+00],
       [  4.10243184e+01,   3.94744147e-01,   1.55843524e+02,
          5.57800042e+00],
       [  3.32971536e+01,   2.61004172e-01,   1.30915599e+02,
          4.39882985e+00],
       [  3.51510684e+01,   2.89622866e-01,   1.37765844e+02,
          4.70799638e+00],
       [  3.17386214e+01,   2.47624489e-01,   1.32191564e+02,
          4.28260528e+00],
       [  4.08454806e+01,   4.27112258e-01,   1.69276324e+02,
          5.90209151e+00],
       [  3.74500736e+01,   3.42176496e-01,   1.52807025e+02,
          5.26118401e+00],
       [  3.01962954e+01,   2.77155692e-01,   1.65206914e+02,
          4.65345101e+00],
       [  2.59107053e+00,   2.03627138e-02,   1.79917638e+02,
          5.22398190e-01],
       [  1.15002960e+00,   1.89203152e-02,   2.86852503e+02,
          4.75560594e-01],
       [  4.95823193e+00,   2.51042218e-02,   6.60763633e+01,
          6.39910025e-01],
       [  4.27218708e+00,   1.92368274e-02,   2.82729646e+01,
          5.16062524e-01],
       [  4.09551745e+00,   2.40753387e-02,   1.10113089e+02,
          6.28281222e-01],
       [  3.92962475e+00,   2.78015825e-02,   1.55280515e+02,
          7.18019945e-01],
       [  3.95631865e+00,   2.19483886e-02,   9.42136111e+01,
          5.79175945e-01],
       [  3.79285767e+00,   2.17686336e-02,   1.03957467e+02,
          5.77907773e-01],
       [  2.16640371e+00,   2.42307534e-02,   2.39662253e+02,
          6.27474109e-01],
       [  6.38779240e-01,   1.56570214e-03,  -2.57186586e+02,
          4.37301341e-02],
       [  4.06365740e+00,   2.00970401e-02,   5.97431215e+01,
          5.26257169e-01],
       [  5.10482024e-01,   1.68987880e-03,  -8.98844480e+01,
          3.78981097e-02],
       [  6.58715484e-01,   4.24942874e-03,   1.39300403e+02,
          1.13637066e-01],
       [  1.64991052e+00,   5.72442844e-03,  -7.12296089e+01,
          1.57798623e-01],
       [  6.36545010e+00,   3.28892960e-02,   6.95388670e+01,
          8.49771268e-01],
       [  4.49039325e+00,   2.56959751e-02,   1.02089025e+02,
          6.71486707e-01],
       [  1.53379917e+00,   2.21460351e-02,   2.71462873e+02,
          6.04305247e-01],
       [  1.17725586e+00,   8.88542674e-03,   1.72788169e+02,
          2.57494604e-01],
       [  1.25300896e+00,   7.08899658e-03,   1.03261293e+02,
          2.07146164e-01],
       [  1.28627682e+00,   3.69265267e-03,  -1.64998510e+02,
          1.08976249e-01]])

Acima, nós utilizamos a função loadtxt no módulo NumPy para fazer a leitura do CSV e criar um array com seu conteúdo. A função recebeu 3 parâmetros: o caminho para o arquivo, o caracter delimitador utilizado para separar as colunas no arquivo CSV e o número de colunas de cabeçalho que deveriam ser ignoradas durante a leitura.

O comando acima não armazenou o array em uma variável para que possamos referenciá-lo e manipulá-lo posteriormente. Suponha que desejamos referenciar esses dados pelo nome irga_day1. Isto pode ser feito facilmente com:


In [5]:
irga_day1 = numpy.loadtxt(fname='data/pheno-irga-day11.csv', delimiter=';', skiprows=1)

In [6]:
print(irga_day1)


[[  3.36491402e+01   2.50859113e-01   1.19207565e+02   4.74819301e+00]
 [  3.99505775e+01   3.36445630e-01   1.33484929e+02   5.57841986e+00]
 [  3.02122756e+01   2.14374821e-01   1.13765752e+02   4.19312085e+00]
 [  3.20832740e+01   2.10631426e-01   9.29027169e+01   4.16362909e+00]
 [  3.02508652e+01   2.16691776e-01   1.16042717e+02   4.23908568e+00]
 [  3.45797354e+01   2.36856658e-01   9.89281188e+01   4.47347264e+00]
 [  3.16684178e+01   2.45270961e-01   1.30413465e+02   4.57783890e+00]
 [  3.44413843e+01   2.38578725e-01   1.01790650e+02   4.46671253e+00]
 [  3.47883907e+01   3.11443381e-01   1.52950724e+02   5.27144356e+00]
 [  3.85425001e+01   3.93409107e-01   1.68657172e+02   5.97622932e+00]
 [  3.76307210e+01   3.15638579e-01   1.36653664e+02   5.27206093e+00]
 [  3.03932359e+01   2.13614839e-01   1.11810534e+02   3.95755408e+00]
 [  3.72603824e+01   3.19938014e-01   1.41897930e+02   5.14012496e+00]
 [  4.10243184e+01   3.94744147e-01   1.55843524e+02   5.57800042e+00]
 [  3.32971536e+01   2.61004172e-01   1.30915599e+02   4.39882985e+00]
 [  3.51510684e+01   2.89622866e-01   1.37765844e+02   4.70799638e+00]
 [  3.17386214e+01   2.47624489e-01   1.32191564e+02   4.28260528e+00]
 [  4.08454806e+01   4.27112258e-01   1.69276324e+02   5.90209151e+00]
 [  3.74500736e+01   3.42176496e-01   1.52807025e+02   5.26118401e+00]
 [  3.01962954e+01   2.77155692e-01   1.65206914e+02   4.65345101e+00]
 [  2.59107053e+00   2.03627138e-02   1.79917638e+02   5.22398190e-01]
 [  1.15002960e+00   1.89203152e-02   2.86852503e+02   4.75560594e-01]
 [  4.95823193e+00   2.51042218e-02   6.60763633e+01   6.39910025e-01]
 [  4.27218708e+00   1.92368274e-02   2.82729646e+01   5.16062524e-01]
 [  4.09551745e+00   2.40753387e-02   1.10113089e+02   6.28281222e-01]
 [  3.92962475e+00   2.78015825e-02   1.55280515e+02   7.18019945e-01]
 [  3.95631865e+00   2.19483886e-02   9.42136111e+01   5.79175945e-01]
 [  3.79285767e+00   2.17686336e-02   1.03957467e+02   5.77907773e-01]
 [  2.16640371e+00   2.42307534e-02   2.39662253e+02   6.27474109e-01]
 [  6.38779240e-01   1.56570214e-03  -2.57186586e+02   4.37301341e-02]
 [  4.06365740e+00   2.00970401e-02   5.97431215e+01   5.26257169e-01]
 [  5.10482024e-01   1.68987880e-03  -8.98844480e+01   3.78981097e-02]
 [  6.58715484e-01   4.24942874e-03   1.39300403e+02   1.13637066e-01]
 [  1.64991052e+00   5.72442844e-03  -7.12296089e+01   1.57798623e-01]
 [  6.36545010e+00   3.28892960e-02   6.95388670e+01   8.49771268e-01]
 [  4.49039325e+00   2.56959751e-02   1.02089025e+02   6.71486707e-01]
 [  1.53379917e+00   2.21460351e-02   2.71462873e+02   6.04305247e-01]
 [  1.17725586e+00   8.88542674e-03   1.72788169e+02   2.57494604e-01]
 [  1.25300896e+00   7.08899658e-03   1.03261293e+02   2.07146164e-01]
 [  1.28627682e+00   3.69265267e-03  -1.64998510e+02   1.08976249e-01]]

O que temos na memória?

Podemos ver que variáveis temos em memória e quanto espaço estão consumindo com o comando %whos:


In [7]:
%whos


Variable    Type       Data/Info
--------------------------------
irga_day1   ndarray    40x4: 160 elems, type `float64`, 1280 bytes
numpy       module     <module 'numpy' from '/us<...>ages/numpy/__init__.pyc'>

Informações sobre o array

Um array NumPy não é meramente uma tabela com valores. Ele é um objeto, uma estrutura de dados especial que, além dos dados, armazena alguns atributos e implementa diversas operações úteis.

Exemplos de atributos


In [8]:
irga_day1.shape


Out[8]:
(40, 4)

Como esperado, temos um array $40 \times 4$, correspondendo a 40 plantas e 4 medidas por planta.


In [9]:
irga_day1.dtype


Out[9]:
dtype('float64')

As medidas estão sendo armazenadas como números reais, representados no computador pelo tipo ponto flutuante com 64 bits.

Exemplos de operações


In [10]:
irga_day1.mean(axis=0)


Out[10]:
array([  18.74234704,    0.15200917,  106.54359334,    2.64263339])

Uma das diversas operações implementadas pelo objeto array é o cômputo da média. Acima, podemos ver os valores médios observados para A, gs, E e $C_i$ respectivamente.

Acesso a elementos no array

A taxa de transpiração $E$ está na 3ª coluna. Considere que desejamos acessar a taxa para a 5ª planta. Queremos assim acesso à 3ª coluna da 5ª linha.


In [11]:
irga_day1[4,2]


Out[11]:
116.04271652969101

Os números acima entre colchetes, [i,j], são índices. O primeiro indexa a linha, o segundo a coluna. Assim, irga_day1[4,2] referencia a linha 4, coluna 2.

O que pode causar estranheza é o fato de desejarmos incialmente a 3ª coluna na 5ª linha. Linguagens de programação como C++, Java e Python iniciam a indexação por 0 (zero). A primeira linha é a linha 0, a segunda a linha 1 e assim por diante. Logo, a 5ª linha corresponde à linha 4:

  • 1ª linha - linha 0,
  • 2ª linha - linha 1,
  • 3ª linha - linha 2,
  • 4ª linha - linha 3,
  • 5ª linha - linha 4.

O mesmo vale para as colunas, de forma que a coluna 2 corresponde à 3ª linha. Assim, nosso array $40 \times 4$ é referenciados por linhas de 0 a 39 e colunas de 0 a 3.

Esta é sem dúvida uma das maiores dificuldades iniciais enfrentada por pesquisadores sem experiência prévia com computação, ou cuja experiência se baseia nas linguagens Fortran ou Matlab, que indexam a partir do índice 1, como é mais intuitivo à maioria das pessoas.

"Fatiando arrays": slicing


In [12]:
irga_day1[:,2]


Out[12]:
array([ 119.20756535,  133.48492862,  113.76575247,   92.90271686,
        116.04271653,   98.9281188 ,  130.41346484,  101.79064964,
        152.95072372,  168.65717224,  136.65366407,  111.81053426,
        141.8979299 ,  155.84352413,  130.91559905,  137.76584376,
        132.19156374,  169.27632361,  152.80702457,  165.20691437,
        179.91763776,  286.8525027 ,   66.07636327,   28.27296464,
        110.1130894 ,  155.28051539,   94.21361107,  103.95746654,
        239.66225297, -257.18658601,   59.74312148,  -89.88444805,
        139.30040348,  -71.22960891,   69.53886701,  102.08902521,
        271.46287334,  172.78816885,  103.26129278, -164.99850997])

Acima, temos todos os valores de $E$ para as 40 plantas. Podemos facilmente computar a média:


In [13]:
irga_day1[:,2].mean()


Out[13]:
106.54359333724111

In [14]:
E = irga_day1[:,2]
maxval, minval, stdval, meanval = numpy.max(E), numpy.min(E), numpy.std(E), numpy.mean(E)

print('Taxa de transpiracao:')
print('Maxima:', maxval)
print('Minima:', minval)
print('Media:', meanval)
print('Desvio padrao:', stdval)


Taxa de transpiracao:
('Maxima:', 286.85250270267397)
('Minima:', -257.18658601114799)
('Media:', 106.54359333724111)
('Desvio padrao:', 100.32865125622591)

Visualização de dados

Vamos importar alguns módulos necessários:


In [15]:
from matplotlib import pyplot 

%matplotlib inline
import seaborn

In [16]:
pyplot.figure(figsize=(5,3))
pyplot.scatter(irga_day1[:,0], irga_day1[:,2])
pyplot.xlabel(u'$A$ (taxa de assimilação de CO$_2$)')
pyplot.ylabel(u'$E$ (taxa de transpiração)')


Out[16]:
Text(0,0.5,u'$E$ (taxa de transpira\xe7\xe3o)')

In [17]:
pyplot.figure(figsize=(10,3))
pyplot.subplot(1,2,1)
pyplot.scatter(irga_day1[:,0], irga_day1[:,2])
pyplot.xlabel(u'$A$ (taxa de assimilação de CO$_2$)')
pyplot.ylabel(u'$E$ (taxa de transpiração)')

pyplot.subplot(1,2,2)
pyplot.scatter(irga_day1[:,0], irga_day1[:,1], marker='s', color='y')
pyplot.xlabel(u'$A$ (taxa de assimilação de CO$_2$)')
pyplot.ylabel(u'$gs$ (condutância estomática)')


Out[17]:
Text(0,0.5,u'$gs$ (condut\xe2ncia estom\xe1tica)')

Quais plantas tem taxa de assimiliação inferior a 10?


In [18]:
numpy.argwhere(irga_day1[:,0] < 10)


Out[18]:
array([[20],
       [21],
       [22],
       [23],
       [24],
       [25],
       [26],
       [27],
       [28],
       [29],
       [30],
       [31],
       [32],
       [33],
       [34],
       [35],
       [36],
       [37],
       [38],
       [39]])

Plantas submetidas a estresse hídrico.

Armazenamento da série de dados

Abaixo, temos uma lista de dias em que as medições foram realizadas:


In [19]:
days = [1, 3, 4, 5, 6, 7, 9, 10, 11, 16, 17]

A partir dela, geramos uma seguda lista, com o nome dos arquivos que armazenam as leituras de cada dia:


In [20]:
csv_files = ['data/pheno-irga-day%.2d.csv' % d for d in days]
csv_files


Out[20]:
['data/pheno-irga-day01.csv',
 'data/pheno-irga-day03.csv',
 'data/pheno-irga-day04.csv',
 'data/pheno-irga-day05.csv',
 'data/pheno-irga-day06.csv',
 'data/pheno-irga-day07.csv',
 'data/pheno-irga-day09.csv',
 'data/pheno-irga-day10.csv',
 'data/pheno-irga-day11.csv',
 'data/pheno-irga-day16.csv',
 'data/pheno-irga-day17.csv']

Finalmente, uma terceira lista é obtida, contendo os arrays lidos de cada arquivo. Essa lista é então empilhada, formando um array $40 \times 4 \times 11$ (quarenta plantas, 4 medidas, 11 dias):


In [21]:
irga_data_day = [numpy.loadtxt(filename, delimiter=';', skiprows=1) for filename in csv_files]
irga_data = numpy.dstack(irga_data_day)

irga_data.shape


Out[21]:
(40, 4, 11)

In [22]:
# Planta 0 (1ª planta), E nos 11 dias
irga_data[0,3,:]


Out[22]:
array([ 5.05267575,  4.59028883,  4.59028883,  5.03886152,  3.97486472,
        5.3524078 ,  5.11403755,  5.37893   ,  4.74819301,  4.90270044,
        5.53625233])

In [23]:
pyplot.figure(figsize=(10,5))
for p in range(20):
    pyplot.plot(irga_data[p,3,:], label='Planta %d' % p)    
    ticks = pyplot.xticks(range(11), ['Dia %d' % d for d in days])
pyplot.legend(bbox_to_anchor=(1, 1), loc=2, borderaxespad=0.)
pyplot.ylabel(u'$E$ (taxa de transpiração)')


Out[23]:
Text(0,0.5,u'$E$ (taxa de transpira\xe7\xe3o)')

In [24]:
pyplot.figure(figsize=(10,5))
for p in range(20, 40):
    pyplot.plot(irga_data[p,3,:], label='Planta %d' % p)
    ticks = pyplot.xticks(range(11), ['Dia %d' % d for d in days])    
pyplot.legend(bbox_to_anchor=(1, 1), loc=2, borderaxespad=0.)
pyplot.ylabel(u'$E$ (taxa de transpiração)')


Out[24]:
Text(0,0.5,u'$E$ (taxa de transpira\xe7\xe3o)')

Aquecimento 2: imagens térmicas com SciPy

Vamos carregar as leituras de uma câmera térmica, armazenados em um arquivo texto:


In [25]:
!head -2 data/GR009.txt


56.447 56.704 57.389 56.439 55.072 55.555 57.285 57.313 56.08 55.551 55.818 57.085 57.561 58.851 59.844 60.044 59.533 58.863 59.309 59.388 59.411 59.325 59.742 58.883 58.487 57.644 56.282 55.125 54.889 54.559 54.885 53.252 53.999 57.053 58.086 55.583 55.352 57.373 59.474 60.615 60.126 59.388 58.213 57.013 56.391 56.539 57.117 56.165 54.392 54.2 53.568 54.183 55.032 55.32 55.316 54.934 54.95 54.563 54.367 54.233 54.02 53.979 54.322 56.736 58.602 59.368 58.824 58.003 58.839 59.604 59.474 59.238 58.444 58.812 59.045 58.78 59.159 59.116 58.321 55.612 54.445 55.769 55.632 56.044 55.866 56.23 53.987 55.369 56.58 57.684 57.676 57.856 58.376 59.596 59.824 59.962 58.95 58.479 57.975 58.752 58.578 58.527 58.202 58.237 59.301 59.033 58.61 58.126 58.388 58.134 58.602 58.535 57.045 55.988 54.645 55.105 55.535 54.665 54.926 56.495 57.533 56.157 57.053 59.171 59.553 59.561 59.033 58.946 58.99 57.513 57.517 57.975 57.277 57.405 57.624 57.553 58.202 59.459 59.494 59.663 60.005 60.005 59.301 59.069 59.084 58.634 59.502 59.451 59.62 58.547 56.596 57.668 58.36 57.161 55.288 53.363 52.355 54.355 52.831 55.162 57.073 56.463 56.383 55.814 55.64 53.938 53.634 55.794 56.768 55.854 56.201 56.929 55.943 55.826 57.237 59.199 59.604 59.954 58.317 57.273 56.254 55.32 56.226 55.927 55.951 55.47 54.747 53.782 54.514 55.137 54.085 53.897 52.789 54.47 55.478 55.068 54.999 55.072 55.672 55.681 56.274 57.253 57.708 57.64 57.7 58.265 58.305 58.875 59.171 58.745 58.709 58.428 57.445 57.341 57.113 56.31 54.028 43.948 15.857 4.426 4.342 18.678 31.7 25.315 30.124 46.47 52.81 55.397 57.684 57.732 56.941 57.413 58.13 58.527 57.955 56.885 57.141 57.672 58.733 58.689 58.027 57.037 56.708 56.7 57.808 58.626 59.088 58.535 59.451 59.171 58.646 58.039 57.253 57.201 57.293 56.226 56.222 57.105 57.137 57.405 58.19 58.44 57.756 57.736 58.452 59.061 58.741 58.741 58.954 59.096 58.432 58.681 58.444 58.689 57.549 56.989 56.897 56.399 55.765 55.32 56.109 58.221 59.722 60.287 59.871 60.279 59.443 58.926 58.257 57.66 57.923 57.145 56.407 55.672 55.048 55.275 56.487 56.222 54.751 54.8 56.238 57.293 57.601 56.656 56.169 56.169 56.817 58.07 58.768 59.049 59.195 59.116 59.214 59.494 58.962 59.486 59.065 58.281 57.237 56.294
56.447 55.818 55.462 56.101 55.871 56.093 57.788 57.804 57.317 56.068 56.756 57.907 58.507 59.159 60.455 60.052 59.364 58.855 59.592 59.95 60.122 59.632 59.604 59.616 58.851 57.899 56.788 55.6 55.089 53.757 53.379 51.527 53.21 55.219 56.383 55.47 56.056 58.059 59.408 60.459 60.091 59.199 57.979 57.033 56.205 56.371 56.933 55.749 55.397 55.729 55.442 56.439 57.369 57.927 57.333 56.523 55.283 55.923 55.141 53.729 54.298 54.441 55.052 56.728 58.733 60.439 59.455 59.092 59.467 59.844 59.828 59.616 59.455 60.24 60.349 60.204 60.204 59.136 58.182 57.109 52.979 54.514 54.735 53.289 53.568 54.367 52.843 53.416 55.862 57.285 57.864 56.455 56.556 58.221 59.211 58.994 58.772 58.562 57.959 58.158 58.293 58.174 57.852 57.923 58.467 58.828 58.57 58.126 57.975 58.011 58.551 58.09 56.953 55.895 55.992 57.061 57.891 56.23 54.669 55.539 56.515 56.764 57.995 59.545 59.785 59.812 59.687 59.218 59.124 58.784 58.523 57.656 57.145 56.953 57.692 57.844 59.667 59.321 59.372 59.86 59.502 59.506 59.345 58.709 57.593 56.841 57.261 57.621 59.025 58.547 58.003 59.93 59.871 58.19 56.72 54.147 52.471 52.632 52.967 53.885 54.796 54.445 55.105 54.983 53.926 52.686 53.05 56.028 57.381 55.523 54.645 55.129 55.324 56.238 58.42 59.199 58.396 58.503 57.433 57.557 56.084 55.32 56.338 56.523 56.322 56.881 55.798 54.596 54.69 55.141 53.905 53.946 53.503 54.535 54.572 54.04 54.783 55.275 55.425 55.442 56.841 57.995 56.31 57.593 58.978 59.222 58.551 58.257 58.186 55.551 56.989 57.995 57.864 57.221 56.973 55.875 53.597 44.081 18.466 5.901 3.905 13.117 19.051 14.173 23.461 44.747 51.889 55.15 57.549 57.589 57.708 57.724 57.951 59.005 58.839 57.856 58.229 58.066 58.681 58.321 57.045 56.375 57.613 58.138 59.1 59.726 59.384 59.159 59.805 59.171 58.551 58.11 57.353 56.841 57.233 57.061 57.053 57.728 57.76 57.601 58.452 59.636 59.305 59.537 59.761 59.86 58.978 58.764 58.784 58.665 58.428 58.875 58.887 58.102 57.381 56.949 56.7 56.732 56.877 55.709 56.117 58.118 59.427 59.671 59.828 59.832 59.132 58.634 58.321 58.194 58.503 57.796 57.153 56.503 55.697 55.66 55.664 55.559 54.445 53.72 55.559 57.273 57.317 57.593 57.824 58.471 58.863 58.879 58.887 59.143 59.313 58.938 59.313 58.938 59.001 59.573 59.155 58.642 57.505 56.58

In [26]:
T = numpy.loadtxt('data/GR009.txt')
T.shape


Out[26]:
(240, 320)

In [27]:
pyplot.figure(figsize=(10,5))
pyplot.imshow(T, cmap=pyplot.cm.viridis)
pyplot.colorbar()


Out[27]:
<matplotlib.colorbar.Colorbar at 0x7f1060619990>

A câmera térmica opera captando infra-vermelho do espectro. No dispositivo, há um segundo sensor, que capta o espectro visível. Vamos utilizar o módulo skimage.io para ler a imagem, que está armazenada em um arquivo JPEG:


In [28]:
from skimage import io

I = io.imread('data/DC_0010.jpg')
I.shape


Out[28]:
(710, 947, 3)

A imagem foi lifa com uma array com 710 linhas, 947 colunas e 3 canais, correspondendo a vemelho, verde e azul.


In [30]:
fig = pyplot.figure(figsize=(14,10))
pyplot.subplot(2,2,1)
pyplot.imshow(I)

pyplot.subplot(2,2,2)
pyplot.imshow(I[:,:,0], cmap=pyplot.cm.Reds) # Canal vermelho
pyplot.colorbar()
pyplot.title('Vermelho')

pyplot.subplot(2,2,3)
pyplot.imshow(I[:,:,1], cmap=pyplot.cm.Greens) # Canal verde
pyplot.colorbar()
pyplot.title('Verde')

pyplot.subplot(2,2,4)
pyplot.imshow(I[:,:,2], cmap=pyplot.cm.Blues) # Canal azul
pyplot.colorbar()
pyplot.title('Azul')


Out[30]:
Text(0.5,1,u'Azul')

In [31]:
pyplot.figure(figsize=(10,5))
pyplot.subplot(1,2,1)
pyplot.imshow(I)

pyplot.subplot(1,2,2)
pyplot.imshow(T, cmap=pyplot.cm.viridis)
pyplot.colorbar()


Out[31]:
<matplotlib.colorbar.Colorbar at 0x7f1034ac0dd0>

A seguir:

  • Introdução: computação científica interativa no ambiente SciPy
  • Linguagem Python de programação
  • IPython e computação científica em notebooks
  • Visualização científica com gráficos Matplotlib
  • Processamento de imagens de fenotipagem com NumPy e scikit-image