INPE-13183-TDI/1029
VALIDAÇÃO DO MODELO LINEAR DE MISTURA ESPECTRAL EM
IMAGENS ASTER/TERRA A PARTIR DE DADOS IKONOS
Claudio Gelelete Teixeira
Dissertação de Mestrado em Sensoriamento Remoto, orientada pelos Drs. João Roberto dos Santos e Yosio Edemir Shimabukuro, aprovada em
29 de novembro de 2004.
INPE São José dos Campos
2005
528.711.7 TEIXEIRA, C. G. Validação do modelo linear de mistura especial espectral em imagens ASTER/TERRA a partir de dados IKONOS / C. G. Teixeira.- São José dos Campos: 2004. 127p.- (INPE-13183-TDI/1029). 1.Modelo linear de mistura espectral. 2. ASTER. 3.IKONOS. 4.Uso da terra. Sensoriamento remoto. I.Título.
Aprovado (a) pela Banca Examinadora em cumprimento ao requisito exigido para obtenção do Título de Mestre em Sensoriamento Remoto
Dr. Hermann Johann Heinrich Kux Dr. Yosio Edemir Shimabukuro Dr. João Roberto dos Santos Dr. Lênio Soares Galvão Dr. Alzir Felippe Buffara Antunes Aluno (a): Cláudio Gelelete Teixeira
São José dos Campos, 29 de novembro 2004
“Nenhum problema pode ser resolvido pelo mesmo estado de consciência que o criou. É preciso ir mais longe. Eu penso 99 vezes e nada descubro. Deixo de pensar, mergulho num
grande silêncio e a verdade me é revelada”.
ALBERT EINSTEIN
À minha esposa, Cristina, e a meus filhos, Thainá e Thiago, como incentivo aos seus estudos,
dedico este trabalho com todo meu amor.
AGRADECIMENTOS
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), pelo auxílio financeiro de bolsa de mestrado. Ao Instituto Nacional de Pesquisas Espaciais (INPE), pela oportunidade de estudos e utilização de suas instalações. Aos professores do INPE pelo conhecimento compartilhado. Aos meus orientadores Prof. Dr. João Roberto dos Santos e Prof. Dr. Yosio Edemir Shimabukuro pela oportunidade, confiança, orientação e apoio na realização deste trabalho. Ao Earth Remote Sensing Data Analysis Center (ERSDAC-Japan), pela cessão das imagens ASTER, conforme o Projeto de Cooperação "Validating ASTER images for vegetation and land use mapping in tropical forest area: the Brazilian Amazon" (ASTER Announcement of Research Opportunity - Agreement Nr. H140250). Ao Large Scale Biosphere-Atmosphere Experiment in Amazonia (LBA) pela cessão das cenas IKONOS. Aos amigos de turma, Fernanda, Ieda, Liana, Paula, Brummer, Cleber, Eddy, Enzo, Félix, Pierre e Sílvio pelo apoio nas horas difíceis, pelo companheirismo incondicional e pela amizade compartilhada em todos os momentos destes anos. Aos companheiros do IEAv em especial aos amigos Lucca, Moreira, Paulo e Latorre pelas oportunidades a mim oferecidas, pela amizade de todas as horas e pelos trabalhos realizados em conjunto. Aos companheiros Sidnei, Ramon, Camillo, e em especial aos amigos Antônio Machado e Brenner pela ajuda na elaboração dos programas. À empresa Lunus pelo computador cedido. À Etel e Angelucci pela amizade e pelo apoio administrativo. A meus pais e familiares pela compreensão e incentivo de todas as horas. A todos que me acompanharam nesta caminhada.
RESUMO
Há uma tendência atual de utilização de dados multisensores, de diferentes características espacial, espectral e radiométrica, em estudos de caracterização e monitoramento da dinâmica de ocupação da terra. Esse fato tem permitido o desenvolvimento de novas abordagens no tratamento digital desses dados multisensores. Nesse contexto, o presente trabalho tem como objetivo o desenvolvimento metodológico para utilização conjunta de dados ASTER/TERRA e IKONOS II, através da aplicabilidade da técnica do Modelo Linear de Mistura Espectral (MLME). A idéia básica é verificar a possibilidade de melhorar o resultado do modelo de mistura espectral aplicados em imagens de média resolução espacial (ASTER, por exemplo), a partir da utilização de dados de alta resolução (IKONOS), permitindo a caracterização e estimação de pixels mais puros na formulação do modelo. No procedimento metodológico foram realizadas operações de registro entre as imagens, correção atmosférica possibilitando a realização do trabalho com imagens reflectância, compatibilização radiométrica e espacial, além da aplicabilidade do modelo linear de mistura espectral. Para tal, houve a implementação de um programa para estimar novos valores radiométricos dos pixels puros derivados dessa integração multisensor, com o desenvolvimento matemático de equações, empregando-se o método dos mínimos quadrados na equação original do MLME. A validação dos dados ASTER originados a partir deste processo foi realizada através de regressão linear. Com as proporções dos componentes solo, sombra e vegetação originárias de cenas IKONOS e sua aplicação ao programa desenvolvido, foi possível a estimação de pixels ASTER mais puros e por conseguinte, um refinamento do desempenho desse modelo de mistura nas imagens ASTER. Na análise de vários pixels com valores radiométricos semelhantes (por formarem um mesmo alvo) na imagem ASTER e respectivas imagens-fração, pode-se constatar certa correlação com seus homólogos (IKONOS), de valores radiométricos com maior diferença entre si. Este fato degrada o resultado da correlação espacial esperada entre as imagens multisensores e a acurácia dos cálculos para a estimação dos novos valores radiométricos dos pixels puros a serem utilizados na imagem ASTER.
VALIDATION OF LINEAR SPECTRAL MIXING MODEL APPLIED TO TERRA/ASTER IMAGES USING IKONOS DATA
ABSTRACT
Presently there is a tendency to use multi-sensor data of different spatial, spectral and radiometric characteristics, for studies referring to the dynamics of land use/land cover. This fact allowed the development of new approaches for the digital processing of such data. Within this context, the objective of this work is a methodological development to the joint ASTER/TERRA and IKONOS II data, considering the application of a Spectral Linear Mixture Model (SLMM). The fundamental idea is to verify the possibility for the improvement of the result of a spectral mixture model, applied to medium spatial resolution images (e.g. ASTER), from the use of high-resolution data (IKONOS II), allowing the characterization and estimation of pure pixels at the model formulation. The methodological procedure consisted of registration operations between images, atmospheric correction allowing the execution of the work with reflectance images, making compatible radiometric and spatial characteristics, besides applying the model on spectral linear mixture. In order to do that, a computer program was implemented to estimate new radiometric values of pure pixels derived from this multi-sensor integration, with the mathematical development of equations, using the least-squares method at the original SLMM equation. The validation of ASTER data originated from this process was done by linear regression. Considering the proportions of components Soil, Shade and Vegetation originated from IKONOS II scenes and its application to the computer program developed, it was possible to estimate the most pure ASTER pixels, and consequently to refine the performance of this mixture model at ASTER images. During the analysis of several pixels with similar radiometric values (because they form the same target) at the ASTER image and respective fraction images, one found out a certain correlation between radiometric values with its homologue (IKONOS II), with a larger difference among them. This fact degrades the result of the spatial correlation expected among multi-sensor images and the accuracy of calculation for the estimation of the new radiometric values of pure pixels, to be used at the ASTER image.
SUMÁRIO
Pág.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SÍMBOLOS E ABREVIATURAS
CAPÍTULO 1 - INTRODUÇÃO................................................................................. 23
CAPÍTULO 2 - FUNDAMENTAÇÃO TEÓRICA ................................................... 27 2.1 Características técnicas do sensor ASTER............................................................... 27 2.1.1 Subsistemas ASTER.............................................................................................. 28 2.1.1.1 O instrumento VNIR .......................................................................................... 30 2.1.1.2 O instrumento SWIR .......................................................................................... 32 2.1.1.3 O instrumento TIR.............................................................................................. 33 2.1.2 Produtos ASTER ................................................................................................... 34 2.1.3 Produtos ASTER de alto nível .............................................................................. 37 2.1.4 Radiometria dos dados nível 1 .............................................................................. 39 2.2 Características técnicas do sensor IKONOS ............................................................ 41 2.2.1 Produtos IKONOS................................................................................................. 45 2.3 Georreferenciamento das imagens............................................................................ 47 2.4 Correção atmosférica de imagens............................................................................. 49 2.5 Comportamento espectral de alvos........................................................................... 51 2.5.1 Resposta espectral da vegetação............................................................................ 52 2.5.2 Resposta espectral dos solos.................................................................................. 55 2.5.3 Resposta espectral da água .................................................................................... 56 2.6 Modelo linear de mistura espectral........................................................................... 57
CAPÍTULO 3 - MATERIAIS E MÉTODOS ............................................................ 63 3.1 Área de estudo .......................................................................................................... 63 3.1.1 Vegetação .............................................................................................................. 63 3.1.2 Clima ..................................................................................................................... 65 3.1.3 Solos ...................................................................................................................... 65 3.1.4 Geomorfologia e Geologia .................................................................................... 65 3.2 Material..................................................................................................................... 65 3.3 Determinação da cena IKONOS a ser utilizada através do balanço hídrico da região de estudo........................................................................................................ 66 3.4 Procedimento metodológico ..................................................................................... 68 3.4.1 Correção atmosférica............................................................................................. 69 3.4.1.1 Correção atmosférica das imagens ASTER........................................................ 70 3.4.1.2 Correção atmosférica da imagem IKONOS ....................................................... 72 3.4.2 Registro das imagens............................................................................................. 73 3.4.3 Mosaico e corte das imagens ASTER ................................................................... 76 3.4.4 Transformação para 8 bits ..................................................................................... 78
3.4.5 Desenvolvimento matemático para determinação das novas curvas espectrais dos pixels puros .................................................................................................. 79 3.4.5.1 Estudo do problema............................................................................................ 79 3.4.5.2 Desenvolvimento matemático ............................................................................ 81 3.4.5.3 Particularização para o caso estudado ................................................................ 83 3.4.5.4 Mudança da resolução espacial das imagens...................................................... 83 3.4.5.5 Entrada de dados no programa ........................................................................... 84 3.4.5.6 Resultado esperado do programa........................................................................ 85 3.4.6 Integração de dados e análise dos resultados......................................................... 86
CAPÍTULO 4 - RESULTADOS E DISCUSSÕES.................................................... 87 4.1 Análise do balanço hídrico em relação à aquisição de dados multisensores............ 87 4.2 Correção atmosférica................................................................................................ 88 4.2.1 Correção atmosférica das cenas ASTER............................................................... 89 4.2.2 Correção atmosférica da cena IKONOS multiespectral ........................................ 90 4.2.3 Comparação entre os valores obtidos .................................................................... 90 4.3 Registro e mosaico das imagens ASTER ................................................................. 92 4.4 Aplicação do modelo de mistura para a imagem IKONOS ..................................... 95 4.5 Programa para geração dos novos valores radiométricos dos pixels puros.............. 98 4.6 Modelo de mistura com dados ASTER .................................................................. 101 4.7 Regressão linear...................................................................................................... 104
CAPÍTULO 5 - CONCLUSÕES E SUGESTÕES................................................... 109 5.1 Pré-processamento.................................................................................................. 109 5.2 Metodologia e processamento ................................................................................ 110
REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................... 113
APÊNDICE A ............................................................................................................. 117
APÊNDICE B.............................................................................................................. 123
APÊNDICE C ............................................................................................................. 125
APÊNDICE D ............................................................................................................. 127
APÊNDICE E.............................................................................................................. 129
LISTA DE FIGURAS
2.1- EOS AM-1 Instrumento ASTER antes do lançamento........................................... 28 2.2 - Bandas espectrais do sensor ASTER ..................................................................... 30 2.3 – Geometrias de aquisição do VNIR ........................................................................ 31 2.4 - Instrumento VNIR.................................................................................................. 32 2.5 - Instrumento SWIR.................................................................................................. 33 2.6 - Instrumento TIR ..................................................................................................... 34 2.7 - Esquema de coordenadas do quadrilátero envolvente............................................ 36 2.8 - Função de resposta dos filtros do sensor multiespectral ........................................ 43 2.9 - Função de resposta do filtro do sensor pancromático ............................................ 44 2.10 - Variação do período de revisita de acordo com a latitude ................................... 44 2.11 - Efeito de diferentes pigmentos na curva de reflectância de uma folha. ............... 53 2.12 - Curvas de reflectância de uma folha verde e de uma folha vermelha.................. 53 2.13 - Efeito do teor de umidade na curva de reflectância de uma folha ....................... 54 2.14 - Curva de reflectância típica de uma folha verde sadia......................................... 54 2.15 - Efeito do teor de umidade na curva de reflectância de um solo siltoso ............... 56 2.16 - Curvas de reflectância de água turva e de água límpida ...................................... 57 2.17 - Assinaturas espectrais: água (1), vegetação (2) e solo (3) ................................... 57 2.18 - Triângulo de distribuição dos pixels .................................................................... 61 3.1 - Localização da área de estudo - Mosaico de parte de duas cenas ASTER (bandas 3, 2 e 1)..................................................................................................... 64 3.2 - Localização dos municípios de Sinop e Vera......................................................... 67 3.3 - Fluxograma da pesquisa ......................................................................................... 69 3.4 - Imagem IKONOS com os pontos de controle para registro da cena ASTER 019. 75 3.5 - Imagem IKONOS com os pontos de controle para registro da cena ASTER 181. 76 3.6 - Localização da área de trabalho nas cenas ASTER originais ................................ 77 3.7 - Localização dos novos pixels puros ....................................................................... 77 4.1 - Comportamento hídrico em 2001 para a região de Vera (MT)............................. 87 4.2 - Comportamento hídrico em 2002 para a região de Vera (MT)............................ 88 4.3 - Resposta espectral dos alvos solo, sombra (água) e vegetação após a correção
atmosférica das cenas ASTER................................................................................ 89 4.4 - Resposta espectral dos alvos solo, sombra (água) e vegetação após a correção
atmosférica da cena IKONOS. ............................................................................... 90 4.5 - Estatísticas da região de floresta primária na imagem ASTER ............................. 91 4.6 - Estatísticas da região de floresta primária na imagem IKONOS........................... 92 4.7 - Mosaico obtido com as imagens ASTER............................................................... 95 4.8 - Curvas espectrais dos pixels puros para imagem IKONOS................................... 95 4.9 - Imagem-fração solo derivada da cena IKONOS.................................................... 96 4.10 - Imagem-fração sombra derivada da cena IKONOS............................................. 97 4.11 - Imagem-fração vegetação derivada da cena IKONOS ........................................ 97 4.12 - Diferença radiométrica na cena IKONOS............................................................ 98 4.13 - Novas curvas espectrais dos pixels puros ............................................................ 99
4.14 - Escatergrama ilustrativo dos pixels estimados................................................... 100 4.15 - Imagem-fração solo obtida a partir do mosaico ASTER ................................... 101 4.16 - Imagem-fração sombra obtida a partir do mosaico ASTER .............................. 102 4.17 - Imagem-fração vegetação obtida a partir do mosaico ASTER.......................... 102 4.18 - Representação da mesma feição em duas composições coloridas resultantes de imagens-fração IKONOS e ASTER (lados esquerdo e direito, respectivamente)................................................................................................ 104 4.19 - Resultado da regressão linear com 700 pontos aleatórios e uniformemente espaçados........................................................................................................... 105 4.20 - Resultado da regressão linear com 203 pontos escolhidos segundo resultado do modelo de mistura ...................................................................................... 106 4.21 - Composição colorida das componentes-fração solo (R), sombra (G) e vegetação (B) da imagem ASTER 019 ............................................................. 107 4.22 - Composição colorida das componentes-fração solo (R), sombra (G) e vegetação (B) da imagem ASTER 181 ............................................................. 108
LISTA DE TABELAS
2.1 - Principais características técnicas do sensor ASTER ............................................ 29 2.2 - Métodos de reamostragem e projeções cartográficas para produtos L1B.............. 35 2.3 - Tamanho dos dados ASTER para o nível 1A e 1B................................................ 36 2.4 - Dimensão das imagens ASTER ............................................................................. 36 2.5 - Principais características das “Browse Images”..................................................... 37 2.6 - Produtos ASTER de alto nível e suas principais características ............................ 38 2.7 - Coeficientes de conversão para radiância .............................................................. 39 2.8 - Valores máximos de radiância ............................................................................... 41 2.9 - Parâmetros de órbita do satélite IKONOS ............................................................. 42 2.10 - Bandas espectrais do satélite IKONOS................................................................ 43 2.11 - Produtos do satélite IKONOS .............................................................................. 45 2.12 - Volume dos dados do satélite IKONOS............................................................... 46 3.1 - Dados meteorológicos ............................................................................................ 68 3.2 - Dados de entrada do ACORN ................................................................................ 71 3.3 - Dados de entrada do ATCOR ................................................................................ 72 4.1 - Erro médio quadrático (RMS) dos pontos de controle da imagem ASTER 019 ... 93 4.2 - Erro médio quadrático (RMS) dos pontos de controle da imagem ASTER 181 ... 94
LISTA DE SIGLAS E ABREVIATURAS
LBA - Large Scale Biosphere-Atmosphere Experiment in Amazonia
VNIR - Visible Near Infrared
SWIR - Short Wave Infrared
TIR - Thermal Infrared
IVP - Infravermelho Próximo
UTM - Universal Transversa de Mercator
RGB - Red Green Blue
DN - Digital Number
PAN - Pancromático
MULTI - Multiespectral
GPS - Global Positioning System
RMS - Erro Médio Quadrático
IFOV - Instantaneous Field of View
Km - Quilômetros
m - Metros
mm - Milímetros
µm - Micrometros
nm - Nanometros
Hs - Horas
min - Minutos
s - Segundos
23
CAPÍTULO 1
INTRODUÇÃO
Em Sensoriamento Remoto o crescente desenvolvimento de novas tecnologias tem
aumentado a quantidade e a qualidade das informações para os mais variados campos
do conhecimento técnico-científico. Este desenvolvimento conta hoje com sensores de
alta resolução espacial, espectral, radiométrica e temporal permitindo assim fazer
observações da superfície terrestre e da dinâmica que a envolve com maior eficácia.
Como todas estas características não são encontradas em um único sensor, observa-se
uma tendência na integração de dados multisensores em trabalhos científicos com o
objetivo de melhor explorar as características que cada sensor pode oferecer e, desta
forma, obter-se um conjunto de dados que melhor caracterize a região e os fenômenos
envolvidos. Shimabukuro et al. (1991) cita esta tendência em projetos florestais na
Amazônia que também pode ser observada em diversos trabalhos desenvolvidos no
projeto Large Scale Biosphere-Atmosphere Experiment in Amazônia (LBA) conforme
discutido em Avissar et al. (2002).
Os sensores orbitais de alta resolução espacial vêm ocupando uma importante lacuna
existente até há pouco tempo: a identificação de alvos e feições de tamanhos reduzidos,
aumentando o nível de detalhamento das cenas, o que não era possível com os sensores
até então existentes como o ETM+/LANDSAT, HRV/SPOT, e AVHRR/NOAA;
possibilitando assim, o trabalho em escalas maiores.
Por sua vez, o satélite IKONOS, primeiro satélite comercial submétrico, vem sendo
empregado em diversas áreas de atuação do sensoriamento remoto devido a sua elevada
capacidade de identificação de alvos e feições na superfície terrestre.
O sensor ASTER a bordo do satélite TERRA tem despertado o interesse da comunidade
científica devido às suas características inovadoras, como, por exemplo, bandas mais
estreitas e em maior quantidade na região do infravermelho médio e termal que lhe
confere a possibilidade de estudar de forma mais detalhada a resposta dos alvos na
superfície (Yamaguchi et al., 2001).
24
O emprego destes dois sensores em região de florestas tropicais ainda não foi
suficientemente explorado, o que pode ser observado pela pequena quantidade de
publicações técnicas em relação ao total de trabalhos publicados com outros sensores
nesta região. Este fato serviu de motivação para este trabalho, permitindo a comunidade
de usuários ter mais um acesso aplicativo acerca do tratamento digital destas imagens
em conjunto e forma de utilização desses novos produtos sensores.
Neste trabalho procurou-se avaliar duas hipóteses levantadas:
1) O satélite IKONOS, devido a sua alta resolução espacial, é capaz de otimizar o
trabalho de campo no emprego do modelo de mistura espectral em dados
ASTER; e
2) A possibilidade de melhorar o resultado do modelo de mistura obtido com o
sensor ASTER, de menor resolução espacial, valendo-se dos resultados do
modelo de mistura espectral com o sensor IKONOS, de melhor resolução
espacial.
Desta forma o objetivo principal desta dissertação é o de desenvolver um algoritmo
capaz de melhorar o resultado do modelo de mistura espectral para imagens ASTER, de
menor resolução espacial, valendo-se de imagens IKONOS, de melhor resolução
espacial, na obtenção de curvas espectrais que melhor representem os alvos primários
nas cenas, gerando um procedimento metodológico para integrar os dados
multisensores, avaliando seu desempenho.
Para atingir este objetivo principal, os seguintes objetivos específicos foram definidos:
1) Preparar os dados multisensores para análise conjunta no que diz respeito à
minimização dos efeitos atmosféricos;
2) Aplicar um modelo matemático possível de ser empregado na estimação das
respostas radiométricas de um sensor de menor resolução espacial a partir de
outro sensor de maior resolução espacial;
25
3) Desenvolver um algoritmo capaz de gerar respostas espectrais utilizando-se
imagens IKONOS que resultem numa melhora do resultado do modelo de
mistura espectral com imagens ASTER; e
4) Avaliar a aplicação das proporções dos componentes solo, sombra e vegetação,
geradas no modelo de mistura espectral das imagens IKONOS, para obtenção de
um refinamento no resultado do modelo de mistura espectral gerado com as
imagens ASTER.
Com o objetivo de esclarecer o conteúdo desta dissertação, segue um resumo dos
assuntos abordados nos demais capítulos deste trabalho:
No Capítulo 2 é apresentada uma revisão bibliográfica dos principais assuntos a serem
abordados de forma direta neste trabalho. São eles: características do sensor ASTER,
características do sensor IKONOS, georreferenciamento, correção atmosférica de
imagens de sensoriamento remoto, comportamento espectral de alvos, e modelo linear
de mistura espectral.
O Capítulo 3 está dividido em partes, cujas seções descrevem: a área de estudo, onde
são descritas as principais características físicas da área; os materiais utilizados; e por
fim, a metodologia de tratamento das imagens multisensores, abordando correção
atmosférica, georreferenciamento de imagens multisensores, mosaico de imagens,
transformação radiométrica e desenvolvimento do programa.
No Capítulo 4 são apresentados os resultados e discussões obtidos das respectivas
avaliações, apresentando inclusive as possíveis FONTEs de erros encontradas.
No Capítulo 5, conclusões e sugestões, são apresentadas as conclusões e sugestões para
trabalhos futuros que sigam nesta linha de pesquisa.
No Capítulo 6, referências bibliográficas, são listadas todas as FONTEs de consultas
utilizadas para a fundamentação desta pesquisa.
26
27
CAPÍTULO 2
FUNDAMENTAÇÃO TEÓRICA
2.1 Características Técnicas do Sensor ASTER
O sensor Advanced Spaceborne Thermal and Reflection Radiometer (ASTER) é um dos
cinco instrumentos a bordo do satélite TERRA, também denominado EOS AM-1,
lançado em 19 de dezembro de 1999, embora seus dados tenham sido disponibilizados
para a comunidade científica somente a partir de novembro de 2000.
O satélite TERRA gira em órbita circular, quase polar, Sol-síncrona, a uma altitude de
705 km. Cruza o equador às 10:30 da manhã (hora local) em órbita descendente,
voltando à mesma órbita a cada 16 dias. Os parâmetros de órbita são os mesmos do
LANDSAT, mudando apenas o horário de passagem pelo equador.
Segundo Yamaguchi et al. (2001), o sensor ASTER opera por um período limitado em
cada órbita, em torno de 8 minutos, o que equivale a 650 cenas por dia, em média. Esse
período reduzido de imageamento se deve a limitação de memória para armazenamento
e capacidade de transmissão de dados.
28
FIGURA 2.1- EOS AM-1 Instrumento ASTER antes do lançamento. FONTE: Adaptada de Hook e Ramachandran (1999).
2.1.1 Subsistemas ASTER
O instrumento ASTER consiste de 3 subsistemas independentes, que possuem
telescópio próprio: o visível e infravermelho próximo (VNIR) possui 3 bandas com 15m
de resolução espacial e 1 telescópio extra imageando para trás, que possibilita a visão
estereoscópica da banda do infravermelho próximo; infravermelho médio (SWIR) com
6 bandas e 30m de resolução espacial; e termal (TIR) com 5 canais e 90m de resolução
espacial (ASTER User’s Handbook). As características básicas destes subsistemas estão
dispostos na Tabela 2.1.
EOS AM-1 ASTER no Lockerd Martin Missiles and Space
TIR: Thermal Infrared Radiometer
SWIR: Short-Wave Infrared Radiometer
VNIR: Visible and Near Infrared Radiometer
29
TABELA 2.1 - Principais características técnicas do sensor ASTER.
RADIOMETRIABANDA FAIXA
ESPECTRAL
(µm)
RESOLUÇÃO
ESPACIAL
(m) RESOLUÇÃO ACURÁCIA PRECISÃO
TEMPO DE
AQUISIÇÃO
(ms)
IFOV
(µrad)
1 0,52 a 0,60 15 8bits ±4% ≤0,5% 2,199 ± 0,022 21,3 ± 0,6
2 0,63 a 0,69 15 8bits ±4% ≤0,5% 2,199 ± 0,022 21,3 ± 0,6
3N * 0,78 a 0,86 15 8bits ±4% ≤0,5% 2,199 ± 0,022 21,3 ± 0,6
V
N
I
R
3B * 0,78 a 0,86 15 8bits ±4% ≤0,5% 2,199 ± 0,022 18,6 ± 0,5
4 1,60 a 1,70 30 8bits ±4% ≤0,5% 4,398 ± 0,044 42,6 ± 1,2
5 2,145 a 2,185 30 8bits ±4% ≤1,3% 4,398 ± 0,044 42,6 ± 1,2
6 2,185 a 2,225 30 8bits ±4% ≤1,3% 4,398 ± 0,044 42,6 ± 1,2
7 2,235 a 2,285 30 8bits ±4% ≤1,3% 4,398 ± 0,044 42,6 ± 1,2
8 2,295 a 2,365 30 8bits ±4% ≤1,0% 4,398 ± 0,044 42,6 ± 1,2
S
W
I
R
9 2,360 a 2,430 30 8bits ±4% ≤1,3% 4,398 ± 0,044 42,6 ± 1,2
10 8,125 a 8,475 90 12bits 1OK ** ≤0,3OK ** 131,94 ± 0,13 127,8 ± 3,8
11 8,475 a 8,825 90 12bits 1OK ** ≤0,3OK ** 131,94 ± 0,13 127,8 ± 3,8
12 8,925 a 9,275 90 12bits 1OK ** ≤0,3OK ** 131,94 ± 0,13 127,8 ± 3,8
13 10,25 a 10,95 90 12bits 1OK ** ≤0,3OK ** 131,94 ± 0,13 127,8 ± 3,8
T
I
R
14 10,95 a 11,65 90 12bits 1OK ** ≤0,3OK ** 131,94 ± 0,13 127,8 ± 3,8
* Formam um par estereoscópio
** Para 300 K
FONTE: Adaptada de Hook e Ramachandran (1999) e Gillespie et al.(1999).
A Figura 2.2 mostra a distribuição das bandas espectrais do sensor ASTER ao longo do
espectro eletromagnético:
30
FIGURA 2.2 - Bandas espectrais do sensor ASTER. FONTE: JPL – NASA (2003).
2.1.1.1 O Instrumento VNIR
O VNIR consiste de dois telescópios independentes: um imageando ao nadir e o
segundo à retaguarda. O primeiro possui 3 redes de 5.000 detectores de silício, do tipo
CCD, um para cada banda, sendo que apenas 4.100 detectores por rede, são usados para
imagear a mesma cena.
O telescópio com visada nadir utiliza um prisma dicróico e filtros de interferência para
separar espectralmente as três bandas, permitindo uma visada simultânea destas bandas
sobre a mesma área. Um filtro de interferência é utilizado para discriminar os
comprimentos de onda relativos a banda 3B (ASTER User’s Handbook).
Entre o imageamento nadir e para trás de uma mesma área, há um determinado espaço
de tempo e, consequentemente, a Terra sofre um deslocamento devido ao seu
movimento de rotação. O telescópio com visada para trás (banda 3B) possui uma única
rede de 5.000 detectores. Esta banda utiliza 900 detectores a mais, em relação às outras
do VNIR, para compensar este movimento de rotação, relativo ao tempo necessário para
que a banda 3B imageie a mesma área da banda 3N (Tsu et al., 1996). O VNIR
automaticamente extrai os corretos 4.100 pixels imageados anteriormente pelo
telescópio apontado para o nadir, baseados nas informações de posicionamento em
órbita fornecidas pela plataforma EOS (ASTER User’s Handbook).
31
O subsistema VNIR é o único capaz de fornecer pares estereoscópicos (bandas 3N e 3B)
a partir dos quais podem ser gerados modelos digitais de elevação.
FIGURA 2.3 – Geometrias de aquisição do VNIR. FONTE: Toutin (2002).
Os detetores operam na temperatura de 296 ± 3oK e a calibração a bordo dos dois
telescópios do VNIR ocorre de forma independente através de lâmpadas alógenas.
32
O VNIR fornece a maior quantidade de dados dos três subsistemas ASTER. Com todas
as bandas operando (três nadir e uma para trás) os dados gerados incluem informações
da imagem, informações complementares e dados de subsistemas, sendo transmitidos a
62Mbits por segundo (ASTER User’s Handbook).
FIGURA 2.4 - Instrumento VNIR. FONTE: Adaptada de Hook e Ramachandran (1999).
2.1.1.2 O Instrumento SWIR
No subsistema SWIR cada uma das seis bandas possui uma rede de 2048 detectores de
silicato de platina – silício (PtSi-Si), resfriados por um refrigerador até 80oK. Este
refrigerador possui uma vida útil de 50.000 horas e opera continuamente, apesar do
sistema não imagear de forma contínua (em torno de 8 min por órbita).
Seis filtros passa banda são usados para a separação das bandas espectrais do SWIR e a
calibração a bordo é realizada por um dispositivo semelhante ao utilizado no VNIR,
diferindo apenas na quantidade: apenas um para todas as bandas. Os dados são
transmitidos a 23Mbits por segundo (ASTER User’s Handbook).
Rowan e Mars (2003) citando um comunicado pessoal de Iwasaki em 2001 apontam um
problema de interrupção devido a ruídos (crosstalk) no instrumento ASTER: um
“vazamento” de energia refletida originária na banda 4 está “contaminando” as bandas
do SWIR, em especial a banda 9, apresentando resposta maior do que a esperada nestes
canais.
Telescópio Nadir
Telescópio de
Visada à Para
Trás
33
FIGURA 2.5 - Instrumento SWIR FONTE: Adaptada de ASTER Hook e Ramachandran (1999)
2.1.1.3 O Instrumento TIR
Ao contrário do VNIR e SWIR no subsistema TIR o escaneamento e apontamento são
realizados por um espelho que oscila em uma frequência de 7Hz. Para sua calibração o
espelho rotaciona de 180o a partir da posição nadir para visar um corpo negro interno
que pode estar aquecido ou resfriado.
Cada banda utiliza um rede de 10 detectores de telurato de mercúrio-cádmio (HgCdTe)
com um filtro passa banda para cada elemento detetor para seleção dos comprimentos
de onda relativos aos respectivos canais. Cada elemento detetor também possui seu
próprio pré e pós amplificador, totalizando 50 (ASTER User’s Handbook).
O TIR possui um refrigerador com as mesmas características do existente no SWIR,
para que os detectores trabalhem a uma temperatura de 80oK. Este refrigerador também
trabalha continuamente.
Módulo de apontamento
Unidade Ótica
Refrigerador
34
A taxa de transmissão de dados do TIR é de 4,2Mbits por segundo e como esta faixa do
espectro eletromagnético permite o imageamento diurno ou noturno, este subsistema
pode imagear em período maior por órbita: cerca de 16 minutos (ASTER User’s
Handbook).
O instrumento ASTER é o único que apresenta várias bandas ao longo do espectro
termal com resolução abaixo de 100m.
FIGURA 2.6 - Instrumento TIR. FONTE: Hook e Ramachandran (1999).
2.1.2 Produtos ASTER
Os dados ASTER podem ser fornecidos em 3 níveis diferentes e cada nível possui mais
de um tipo de produto. O nível 0 (zero) é considerado dado bruto. A imagem obtida pelo
sensor, os dados de posicionamento e outros dados complementares são enviados ao
ASTER GDS, no Japão, para que os arquivos dos demais níveis sejam produzidos.
Todos os dados são armazenados juntos como metadados em um arquivo .HDF.
Existem dois tipos de imagens ASTER no nível 1: nível 1-A (L1A) e nível 1-B (L1B).
Devido a limitações de armazenamento, somente 650 cenas são adquiridas por dia,
sendo todas processadas no nível 1A e um máximo de 310 cenas por dia são
Espelho
Corpo Negro
Telescópio
Resfrigerador
35
processadas para o nível 1B, baseando-se na cobertura de nuvens (ASTER User’s
Handbook).
A imagem L1A consiste nos dados da imagem, coeficientes radiométricos, coeficientes
geométricos e outros dados auxiliares sem a aplicação dos coeficientes na imagem,
mantendo assim os valores dos dados originais. Estão incluídos os coeficientes para
correção do erro de paralaxe do SWIR, que ocorre devido a um deslocamento no
alinhamento do detector, na direção do deslocamento da plataforma. Esse erro depende
da distância entre a plataforma e a superfície observada.
No L1B os coeficientes são aplicados, a imagem é corrigida radiometricamente e
reamostrada geometricamente. As bandas do SWIR e do TIR são registradas em relação
ao VNIR e o erro de paralaxe do SWIR é corrigido.
Os dados L1B padrão são gerados na projeção UTM e reamostrados por convolução
cúbica. Caso seja interesse do usuário obter os dados em outras projeções ou métodos
de reamostragem, o pedido deve ser feito diretamente para ASTER GDS, Japão
(ASTER User’s Handbook).
TABELA 2.2- Métodos de reamostragem e projeções cartográficas para produtos L1B.
Métodos de reamostragem Projeções cartográficas
Vizinho Mais Próximo (NN) Geográfica (EQRECT)
Convolução Cúbica (CC) Cônica Conforme de Lambert (LAMCC)
Bilinear (BL) Espacial Oblíqua de Mercator (SOM)
Estereográfica Polar (PS)
Universal Transversa de Mercator (UTM)
FONTE: AdaptadA de Hook e Ramachandran (1999).
Junto com a imagem L1B são fornecidas as coordenadas de canto de um quadrilátero
envolvente. No entanto, apenas o canto superior esquerdo deste quadrilátero está dentro
dos limites da imagem, os outros três cantos estão além destes limites. A figura 2.7
ilustra o posicionamento da imagem em relação ao quadrilátero envolvente:
36
FIGURA 2.7 - Esquema de coordenadas do quadrilátero envolvente.
As Tabelas 2.3 e 2.4 mostram o tamanho dos arquivos e a dimensão das imagens.
TABELA 2.3 - Tamanho dos dados ASTER para o nível 1A e 1B.
SENSOR ASTER L1A ASTER L1B
VNIR (bandas 1, 2, 3N) 51.660.000 62.748.000
VNIR (banda 3B) 23.000.000 22.908.000
SWIR (bandas 4 a 9) 25.804.800 31.374.000
TIR (bandas 10 a 14) 4.900.000 5.810.000
Total 107 Megabytes 118 Megabytes FONTE: Adaptada de Hook e Ramachandran (1999)
TABELA 2.4 - Dimensão das imagens ASTER.
SENSOR ASTER L1A ASTER L1B
Bandas 1, 2 e 3N 4200 linhas x 4100 colunas 4200 linhas x 4980 colunas
Banda 3B 4600 linhas x 5400 colunas 4600 linhas x 4980 colunas
Bandas 4 a 9 2100 linhas x 2048 colunas 2100 linhas x 2490 colunas
Bandas 10 a 14 700 linhas x 700 colunas 700 linhas x 830 colunas
FONTE: Adaptada de Hook e Ramachandran (1999)
O nível 1 também apresenta “browse images” para cada um dos três sensores. Esses
produtos são uma composição colorida do tipo RGB baseada em dados de imagem
gerados no nível 1A com correção radiométrica e geométrica similar aos aplicados ao
nível 1B, apresentadas no formato JPEG-24 bits.
37
TABELA 2.5 - Principais características das “Browse Images”.
SENSOR DIMENSÕES (PIXEL X LINHA)
FORMATO AZUL VERDE VERMELHO
VNIR 224 X 208 JPEG Banda 1 Banda 2 Banda 3N
SWIR 224 X 208 JPEG Banda 4 Banda 5 Banda 9
TIR 224 X 208 JPEG Banda 10 Banda 12 Banda 14
FONTE: Adaptada de Hook e Ramachandran (1999)
Uma cena ASTER possui 63 Km de largura, contando com 5% de recobrimento com a
cena vizinha para compensar o movimento de rotação da Terra, exceto para a banda 3B
cujo tamanho passa para 69Km pelo mesmo motivo.
2.1.3 Produtos ASTER de Alto Nível
São denominados de alto nível os produtos do nível 2 e 3. Os produtos de nível 2 são
produzidos a partir do L1B e os produtos de nível 3 são produzidos a partir do L1A. A
Tabela seguinte mostra os produtos de alto nível que podem ser fornecidos e algumas de
suas características:
38
TABELA 2.6 - Produtos ASTER de alto nível e suas principais características.
Nome Nível Modo de
produção
Unidades Acurácia
Absoluta
Acurácia
Relativa
Resolução
Espacial
Decorrelation Stretch –
VNIR (AST 06V)
2 Rotina ------ N/A N/A 15m
Decorrelation Stretch –
SWIR (AST_06S)
2 Rotina ------ N/A N/A 30m
Decorrelation Stretch –
TIR (AST_06T)
2 Rotina ------ N/A N/A 90m
Brightness Temperature
(AST_04)
2 Pedido oC 1-2oC 0,3oC 90m
Surface Reflectance
VNIR, SWIR (AST_07)
2 Pedido ------ 4% 1% 15, 30m
Surface Radiance VNIR,
SWIR (AST_09)
2 Pedido w/m2/sr/µm 2% 1% 15, 30m
Surface Radiance TIR
(AST_09T)
2 Pedido w/m2/sr/µm 2% 1% 90m
Surface Emissivity
(AST_05)
2 Pedido ------ 0,05 – 0,1 0,005 90m
Surface Kinetic
Temperature (AST_08)
2 Pedido oK 1 – 4oK 0,3oK 90m
Polar Surface and Cloud
Classification
2 Pedido ------ 3% 3% 15, 30, 90m
Digital Elevation Model
(AST_14DEM)
3 Pedido m ≥7m ≥10m 30m
FONTE: Adaptada de Hook e Ramachandran (1999)
2.1.4 Radiometria dos Dados Nível 1
Os dois tipos de imagens do nível 1 são fornecidos em valores de DN. No L1A como
não há correção radiométrica, o padrão é expressar a radiometria dos pixels em valores
de níveis de cinza.
Nos dados L1B, apesar de estarem corrigidos radiometricamente, as imagens também
são fornecidas em valores de DN para diminuir o tamanho do arquivo. A conversão dos
39
valores de DN para radiância no sensor pode ser realizada segundo a fómula:
“Radiância = (Valor de DN – 1) x coeficiente de conversão”. A Tabela 2.7 apresenta os
coeficientes de conversão de cada banda. Estes coeficientes são atualizados
periodicamente.
TABELA 2.7 - Coeficientes de conversão para radiância.
Valores em W/(m2*sr*µm)/DNBandas
Alto Ganho Ganho Normal Baixo Ganho 1 Baixo Ganho 2
1 0,676 1,688 2,25 N/A
2 0,708 1,415 1,89 N/A
3N 0,423 0,862 1,15 N/A
3B 0,423 0,862 1,15 N/A
4 0,1087 0,2174 0,290 0,290
5 0,0348 0,0696 0,0925 0,409
6 0,0313 0,0625 0,0830 0,390
7 0,0299 0,0597 0,0795 0,332
8 0,0209 0,0417 0,0556 0,245
9 0,0159 0,0318 0,0424 0,265
10 N/A 6,822 x 10-3 N/A N/A
11 N/A 6,780 x 10-3 N/A N/A
12 N/A 6,590 x 10-3 N/A N/A
13 N/A 5,693 x 10-3 N/A N/A
14 N/A 5,225 x 10-3 N/A N/A
FONTE: Adaptada de Hook e Ramachandran (1999)
A relação entre valores de DN e radiância são mostrados a seguir (ASTER User’s
Handbook):
1) DN = 0 equivale a pixels defeituosos “dummy pixels”
2) DN = 1 equivale a radiância igual a zero
3) DN = 254 equivale ao máximo de radiância para as bandas do VNIR e SWIR
40
4) DN = 4094 equivale ao máximo de radiância para as bandas do TIR
5) DN = 255 equivale a saturação de pixel para as bandas do VNIR e SWIR
6) DN = 4095 equivale a saturação de pixel para as bandas do TIR
A Tabela 2.8 apresenta os valores máximos de radiância, de acordo com o ganho
aplicado, para cada banda.
TABELA 2.8 - Valores máximos de radiância.
Máxima radiância em W/(m2*sr*µm) relativa ao ganho aplicado Bandas
Alto Ganho Ganho Normal Baixo Ganho 1 Baixo Ganho 2
1 170,8 427 569 N/A
2 179,0 358 477 N/A
3N 106,8 218 290 N/A
3B 106,8 218 290 N/A
4 27,5 55,0 73,3 73,3
5 8,8 17,6 23,4 103,5
6 7,9 15,8 21,0 98,7
7 7,55 15,1 20,1 83,8
8 5,27 10,55 14,06 62,0
9 4,02 8,04 10,72 67,0
10 N/A 28,17 N/A N/A
11 N/A 27,75 N/A N/A
12 N/A 26,97 N/A N/A
13 N/A 23,30 N/A N/A
14 N/A 21,38 N/A N/A
FONTE: Adaptada de Hook e Ramachandran (1999)
Em termos gerais é esperado que os dados ASTER contribuam para o estudo em
diversas áreas de investigação científica, como: propriedades das nuvens, vegetação,
mineralogia da superfície, propriedades dos solos, temperatura de superfície, topografia
da paisagem, observação de grandes cidades, mapeamento litológico por bandas de
41
SWIR, monitoramento de ambientes costeiros (recifes de coral, sedimentos em
suspensão, padrões de temperatura) e geração de modelos digitais de elevação pela
capacidade estéreo do VNIR (Yamaguchi et al., 2001).
2.2 Características técnicas do sensor IKONOS
O satélite IKONOS foi lançado no dia 24 de setembro de 1999 se tornando operacional
no início de janeiro de 2000. Foi o primeiro satélite comercial de alta resolução espacial
e, além desta característica, a melhora das resoluções radiométrica e temporal o
tornaram uma grande evolução em relação aos satélites até então disponíveis.
TABELA 2.9 – Parâmetros de órbita do satélite IKONOS.
Vida útil 7 anos
Órbita Sol-síncrona, com 98,1o de inclinação
Velocidade na órbita 7,5 km/s
Velocidade sobre a superfície terrestre 6,8Km/s
Número de revoluções 14,7 cada 24 horas
Tempo de órbita 98 minutos
Altitude 681Km
Resolução espacial Nadir: 0,82m PAN e 3,2m Multiespectral
26o off-nadir: 1,0m PAN e 4,0m Multiespectral
Largura da imagem 11,3Km no nadir
13,8Km a 26o off-nadir
Horário de passagem 10:30Hs sobre o Equador
Resolução radiométrica 11 bits
As imagens IKONOS podem ser fornecidas em 11 ou 8 bits por pixel.
Segundo a Space Imaging, sua resolução espacial possibilita o trabalho em escalas até
1:2.500, desde que haja um modelo matemático do terreno para fazer a correção
42
geométrica que satisfaça as exigências de qualidade e precisão desta escala. A Tabela
2.10 detalha a resolução espacial e espectral do sensor IKONOS.
TABELA 2.10 – Bandas espectrais do satélite IKONOS.
BANDA CENTRO
DE
BANDA
FAIXA
ESPECTRAL
LARGURA
DE BANDA
RESOLUÇÃO
ESPACIAL
MS - 1 (Azul) 480,3nm 444,7 a 516,0nm 71,3nm 4m
MS - 2 (Verde) 550,7nm 506,4 a 595,0nm 88,6nm 4m
MS – 3 (Verm) 664,8nm 631,9 a 697,7nm 65,8nm 4m
MS - 4 (IVP) 805,0nm 757,3 a 852,7nm 95,4nm 4m
Pancromática 727,1nm 525,8 a 928,5nm 403nm 1m
As Figuras 2.8 e 2.9 ilustram a função de resposta dos filtros dos sensores multiespectral
e pancromático.
FIGURA 2.8 - Função de resposta dos filtros do sensor multiespectral.
Azul Verde Verm IVP
Comprimento de Onda (nm)
Res
post
a E
spec
tral
Rel
ativ
a
43
Comprimento de Onda (nm) FIGURA 2.9 - Função de resposta do filtro do sensor pancromático.
A tecnologia empregada permite a visada lateral, fazendo com que sua frequência de
revisita seja de 2,9 dias no modo pancromático e de 1,5 dias no modo multiespectral na
latitude de +/- 40o, possibilitando assim a obtenção de pares estereoscópicos.
FIGURA 2.10 - Variação do período de revisita de acordo com a latitude.
Res
post
a E
spec
tral
Rel
ativ
a
Latitude do Alvo em Graus
Tem
po M
édio
de
Rev
isita
em
Dia
s
44
2.2.1 Produtos IKONOS
Existem seis tipos de produtos IKONOS. A classificação se dá de acordo com o grau de
acurácia dos objetos na imagem em relação ao seu posicionamento na superfície
terrestre.
TABELA 2.11 – Produtos do satélite IKONOS.
PRODUTOS CE90 RMS ESCALA APLICAÇÃO
Geo 15,0m N/A N/A Interpretação Visual
Standard Ortho 50,0m 25,0m 1:100.000 Mapeamento Básico
Reference 25,4m 11,8m 1:50.000 SIG e Mapeamento Regional
Pro 10,2m 4,8m 1:12.000 Transporte, Infraestrutura e
Desenvolvimento Econômico
Precision 4,1m 1,9m 1:4.800 Aplicações Urbanas
Precision Plus 2,0m 0,9m 1:2.400 Cadastro
Todas as imagens IKONOS são fornecidas com menos de 20% de cobertura de nuvens.
O usuário pode indicar coordenadas para que naquela região específica não haja
cobertura de nuvens.
Nos processamentos realizados pela Space Imaging, o método padrão de reamostragem
de pixels é a convolução cúbica. A utilização do método do vizinho mais próximo pode
ser efetuada por solicitação do usuário.
45
TABELA 2.12 – Volume dos dados do satélite IKONOS.
Bits por pixel Números de bandas
Resolução Tamanho por Km2
8 1 1m 1Mb Black-and-
White 11 1 1m 2Mb
8 3 4m .1875Mb Multiespectral
(3 bandas ) 11 3 4m .375Mb
8 4 4m .25Mb Multiespectral
(4 bandas) 11 4 4m .5Mb
8 3 1m 3Mb Color
(3 bandas) 11 3 1m 6Mb
8 4 1m 4Mb Color
(4 bandas) 11 4 1m 8Mb
8 4 1m+4m 1.1875Mb Bundle
(3 bandas) 11 4 1m+4m 2.375Mb
8 5 1m+4m 1.25Mb Bundle
(4 bandas) 11 5 1m+4m 2.5Mb
Os produtos IKONOS apresentam o seguinte conteúdo:
- Black-and-White - Uma única banda pancromática;
- Multiespectral - Um arquivo com três bandas em verdadeira cor (vermelho,
verde e azul), ou falsa cor (infravermelho, vermelho e verde), ou quatro
arquivos com uma banda em cada (infravermelho, vermelho, verde e azul);
- Color - Produto híbrido colorido com a resolução espacial da banda
pancromática. Pode ser um único arquivo em verdadeira cor, falsa cor ou
46
ainda quatro arquivos sendo uma banda multiespectral em cada, sempre com
resolução espacial de 1 metro; e
- Bundle - Consiste em um arquivo contendo a banda pancromática e outro
arquivo contendo três bandas multiespectrais em verdadeira cor, falsa cor,
ou ainda com quatro arquivos contendo uma banda multiespectral cada.
Toda cena IKONOS é fornecida com um arquivo de metadados contendo informações
como sistema de coordenadas, data de aquisição, ângulo solar, etc.
A área mínima para solicitação de cenas já existentes em arquivo Geo, Geo Ortho Kit,
Standard Ortho e Reference Stereo Products é de 49 Km2, para os demais produtos ou
para novas coleções é de 100Km2. Em todos os casos as cenas não podem ter menos do
que 5Km em qualquer de suas dimensões.
2.3 – Georreferenciamento das Imagens
Logo após o processo de aquisição das cenas pelos sensores, estas não possuem
qualquer vínculo com a superfície terrestre no que diz respeito às coordenadas. Essas
imagens estão sujeitas a uma série de distorções espaciais, não possuindo precisão
cartográfica quanto ao posicionamento dos objetos nela representados (Crosta, 1993).
Retratam a superfície imageada, porém cada pixel possui apenas as coordenadas da
imagem, ou seja, um par ordenado (i,j) do tipo linha e coluna associado, necessário para
a construção da imagem na tela do computador.
Esta imagem pode sofrer um processo de reamostragem dos pixels de forma que se crie
um vínculo com outra(s) imagem(s), mapas ou diretamente com a superfície terrestre
através de pontos Global Positioning Systems (GPS) ou métodos tradicionais de
levantamento. Isso ocorre quando se associa à imagem um sistema de coordenadas
qualquer. Quando este sistema de coordenadas possui como base uma projeção
cartográfica, que é uma maneira matemática de se representar em papel plano a
superfície curva da Terra, diz-se que a imagem está georreferenciada (possui uma
referência direta com a superfície da Terra, sofrendo inclusive as deformações a ela
inerentes). Para a realização deste processo cria-se uma relação entre os pontos de
verdade terrestre e os pixels da imagem de sensoriamento remoto, onde uma função
47
polinomial de n ordens é ajustada, conforme o número de pontos de controle (Mather,
1999). O conceito por trás deste método é estabelecer as diferenças de posicionamento
de alguns pontos entre a imagem a ser corrigida e o documento cartográfico tomado
como base. A partir destas diferenças a distorção presente na imagem pode ser estimada
e uma transformação adequada pode ser introduzida, no sentido de corrigir a imagem
(Crosta, 1993).
Segundo Novo (1989), correção geométrica é a reorganização dos pixels de uma
imagem em relação a um sistema de projeção cartográfica. Esta reorganização pode ser
obtida por várias técnicas de reamostragem dos pixels da cena. Os mais comuns são:
“vizinho mais próximo”, “interpolação bilinear” e “convolução cúbica”. A
reamostragem dos pixels pode ocasionar a modificação da qualidade radiométrica dos
dados, de forma que a técnica do “vizinho mais próximo” não modifica a radiometria
dos dados e a “convolução cúbica” é a técnica que impõe a alteração mais acentuada
(Schowengerdt, 1997).
A operação de georreferenciamento produz um erro na reorganização dos pixels devido
a diversos fatores que vão desde a correta identificação dos pontos de controle até as
deformações devidas à curvatura da Terra. A precisão exigida para cada
georreferenciamento varia com a finalidade do trabalho que está sendo desenvolvido.
O erro médio quadrático (RMS) é uma medida do desvio dos valores calculados pelo
polinômio em relação aos valores originais. O erro RMS é estimado tomando-se uma
amostra dos valores calculados e comparando-a com seus valores reais, sendo este
diretamente comparável ao conceito de desvio padrão (DSG, 1999).
RMS = ((X1-Xorg)2 + (Y1-Yorg)2)1/2 onde:
X1 = Coordenada de linha calculada na imagem não registrada
Xorg = Coordenada de coluna calculada na imagem não registrada
Y1 = Coordenada original de linha do ponto de controle na imagem
Yorg = Coordenada original de coluna do ponto de controle na imagem
2.4 Correção Atmosférica de Imagens
A radiação eletromagnética coletada pelos sensores origina um valor conhecido por
número digital (DN). Esta radiação, produzida pelo Sol, após ser modulada pelos alvos
48
terrestres, durante sua interação, sofre modificações ao longo de seu percurso da Terra
até o satélite. Estas modificações se devem às características da atmosfera e produzem
diferenças entre a quantidade de radiância que se origina nos alvos terrestres e as
quantidades atribuídas a eles, pelos sensores, quando esta radiância é detectada no
satélite e um valor de DN é atribuído a cada pixel. Tais modificações são decorrentes,
principalmente, dos fenômenos de espalhamento e absorção por gases e aerossóis
presentes na atmosfera.
A intensidade da interferência atmosférica depende do ângulo de visada, da altitude do
satélite, da faixa espectral utilizada pelo sensor e da distribuição das partículas de
aerossóis presentes no momento de aquisição dos dados (Crane, 1971). Geralmente, nos
comprimentos de onda menores (visível), o principal efeito atmosférico é o
espalhamento, sendo causado por partículas moleculares e aerossóis que atuam de forma
aditiva dando um aspecto de névoa; assim seus efeitos são sentidos no contraste da
imagem. Nos comprimentos de onda maiores (infravermelho próximo e médio), o
espalhamento pode ser desprezível, sendo o principal efeito atmosférico a absorção,
causada principalmente por vapor d'água, CO2, metano e outros gases (Slater, 1980);
sendo seu efeito sentido no brilho da imagem.
No espalhamento, dois mecanismos podem ocorrer: o Rayleigh e o Mie. O
espalhamento Rayleigh é causado por moléculas de gases de oxigênio, nitrogênio e
ozônio que são menores que o comprimento de onda (λ) da radiação na região do
visível do espectro eletromagnético. A sua intensidade é maior nos comprimentos de
onda menores (regiões do ultravioleta e azul), decrescendo com a quarta potência do
comprimento de onda (λ-4) para as outras regiões. O espalhamento Mie é causado por
partículas que têm o tamanho aproximadamente igual ao do comprimento de onda da
energia sensoriada, como partículas de aerossóis ou gotículas de água (Chavez, 1988;
Lillesand e Kiefer, 2000).
Os valores de DN registrados em cada banda não representam diretamente a radiação
emitida pelos alvos e nem estão numa mesma escala, pois estes valores dependem
intimamente das características dos detetores que são diferentes para cada banda. Sendo
assim estes valores não podem ser comparados entre si, ou seja, não se pode traçar
curvas espectrais com valores de números digitais.
49
Na correção atmosférica objetiva-se retirar a influência atmosférica da imagem,
subtraindo os efeitos causados pelos fenômenos da absorção e do espalhamento,
permitindo-se trabalhar com grandezas radiométricas como a reflectância aparente
(reflectância ao nível do sensor) ou reflectância de superfície que retrata da melhor
forma a resposta dos alvos, já que a reflectância é uma propriedade destes.
Quando e como corrigir os efeitos atmosféricos dependerá do sensor, dos dados
atmosféricos disponíveis, da informação desejada e do método usado para extrair as
informações. Em muitas aplicações envolvendo classificação e deteção de mudanças, a
correção atmosférica é desnecessária desde que os dados de referência (treinamento) e
os dados a serem classificados estejam na mesma escala relativa. Em outras
circunstâncias, correções são exigidas para colocar dados multi-temporais na mesma
escala radiométrica, na utilização de dados para a integração multisensor, trabalhos que
envolvam matemática de bandas (Lu et al., 2002; Song et al., 2001) e relacionar dados
obtidos por sensores remotos com parâmetros biofísicos (Chuvieco, 1996).
Chavez (1988) propôs um método de subtração do objeto escuro, baseado no
espalhamento Rayleigh, que corrige somente o fenômeno do espalhamento aditivo,
permitindo ao usuário selecionar um modelo de espalhamento relativo, com o objetivo
de estimar valores de bruma para todas as bandas.
A conversão dos valores de DN para reflectância aparente não considera os efeitos
atmosféricos. Markham e Barker (1987) propuseram um método que leva em
consideração os parâmetros de pós-calibração do sensor como a radiância mínima e
máxima Tabelados, valor do ângulo zenital solar e distância Terra – Sol.
Para a correção atmosférica, vários métodos foram propostos baseados em modelos de
transferência radiativa como: 6S “Second Simulation of the Satellite Signal in Solar
Spectrum” (Vermote et al., 1997), o ATREM “Atmospheric REMoval Program” (Gao e
Goetz, 1990), o LOWTRAN “Low Atmospheric Radiance and Transmittance” (Kneizys
et al., 1988), entre outros.
50
2.5 Comportamento Espectral de Alvos
O conceito de comportamento espectral não pode ser tratado de forma imutável como se
o comportamento espectral de um determinado alvo seguisse um padrão estático de
resposta, resultado puro e simples de sua interação com a energia eletromagnética.
Outra falha conceitual reside no fato de se considerar a fração refletida da energia
incidente como sendo a única resposta espectral do alvo. Também devem ser
consideradas as frações transmitida e absorvida, formando este conjunto a resposta
espectral completa que caracteriza o alvo em questão. No entanto, em sensoriamento
remoto as atenções estão voltadas para a energia refletida e, em menor escala, para a
energia absorvida. A energia transmitida raramente é considerada para alguma medida.
As respostas produzidas por sensores remotos até o comprimento de onda relativo ao
infravermelho médio dizem respeito apenas aos valores de reflectância. Desta forma
pode-se dizer que as curvas de resposta espectral em sensoriamento remoto são, na
verdade, curvas de reflectância e estas podem ser tomadas como sendo o conjunto de
valores de reflectância obtidos como resposta da interação do alvo com a energia
incidente para os vários comprimentos de onda que a integram.
Estas curvas podem sofrer alterações em seu traçado devido a vários fatores como a
geometria de aquisição e as condições do alvo (Slater, 1980; Lillesand e Kiefer, 2000).
Assim, para que se conheça a fundo o comportamento da resposta de um determinado
alvo faz-se necessário um estudo detalhado da resposta deste alvo em diversas
condições, além do estudo de suas propriedades bio-fisico-químicas. Apesar destas
possíveis variações de respostas é comum que se encontre na literatura curvas “padrão”
ou “típica” que representem, de forma genérica, a resposta espectral da reflectância de
alvos também tomados como genéricos, por exemplo “vegetação”, “solo” e “água”. As
curvas típicas são importantes para mostrar os pontos fundamentais a serem estudados
nas propriedades de reflectância de um determinado alvo.
Diferentemente, as curvas de reflectância obtidas através de instrumentos de
sensoriamento remoto indicam as condições do alvo no momento da medida, podendo
variar para cima ou para baixo da curva média típica. As curvas espectrais possuem um
papel central na detecção, identificação e análise dos materiais terrestres (Lillesand e
51
Kiefer, 2000). Será apresentada a seguir uma breve discussão sobre os principais
aspectos da reflectância dos três recursos naturais que serão explorados neste trabalho, a
saber: vegetação, solos e água.
2.5.1 Resposta Espectral da Vegetação
A folha é o principal elemento a ser estudado no processo de interação da energia
eletromagnética com a vegetação. O comportamento espectral de uma folha é função de
sua composição, morfologia e estrutura interna.
A região compreendida entre 400nm e 2600nm pode ser dividida em três faixas: visível
(400nm a 700nm), infravermelho próximo (700nm a 1300nm) e infravermelho médio
(1300nm a 2600nm). A energia relativa a cada uma destas faixas de comprimentos de
onda interage com a folha de acordo com fatores diferentes devido a seus componentes.
Na região do visível, a maior parte da radiação incidente é absorvida pelos pigmentos
presentes nas folhas. Estes pigmentos (clorofilas α e β, carotenos e xantofilas),
absorvem a energia solar radiante nesta faixa de comprimento de onda, e a convertem
em calor, fluorescência ou em energia estocada através da fotossíntese (Gates et al.,
1965; Ponzoni, 2001). A curva de reflectância da folha verde sadia apresenta duas
bandas de absorção bem marcadas, centradas em 0,45 µm, região do azul, e 0,65 µm,
região do vermelho (Guyot et al., 1989); permitindo um pico de reflectância em
aproximadamente 0,54 µm, região do verde, (Swain e Davis, 1978).
FIGURA 2.11 - Efeito de diferentes pigmentos na curva de reflectância de uma folha. FONTE: Adaptada de Swain e Davis (1978).
52
FIGURA 2.12 - Curvas de reflectância de uma folha verde e de uma folha vermelha. FONTE: Adaptada de Swain e Davis (1978).
A região do infravermelho próximo é caracterizada pela alta reflectância e pela baixa
absorção causadas pela ausência de substâncias que absorvem a radiação neste
comprimento de onda e também decorrentes do espalhamento interno causado pela
estrutura interna da folha (Gates et al., 1965), de forma que quanto mais lacunosa for a
estrutura interna, maior o brilho nesta faixa de comprimento de onda.
Na região do infravermelho médio o conteúdo de água nos tecidos é o principal
condicionante no comportamento espectral, com forte absorção ocorrendo em 1,45; 1,95 e
2,7µm, causando picos de reflectância entre as regiões de absorção, aproximadamente em
1,65 e 2,2 µm.
FIGURA 2.13 - Efeito do teor de umidade na curva de reflectância de uma folha. FONTE: Adaptada de Swain e Davis (1978).
53
FIGURA 2.14 - Curva de reflectância típica de uma folha verde sadia FONTE: Adaptada de Swain e Davis (1978).
Quando a radiação eletromagnética incide sobre um dossel, seja de forma direta ou
difusa, está sujeita aos processos de espalhamento e absorção da energia incidente.
Esses dois processos estão associados com as características do fluxo incidente
(comprimento de onda e ângulo de incidência) e com a estrutura do dossel, que está
diretamente relacionada com o tipo, grau e desenvolvimento da vegetação (Kimes e
Kichner, 1983).
O aumento da quantidade de folhas em um dossel implica em um maior espalhamento
do fluxo, ocasionando a diminuição da reflectância no visível e no infravermelho médio
e um aumento no infravermelho próximo (Asner, 1998). Além disso, a reflectância
espectral de folhas isoladas é superior àquela dos dosséis dos quais estas fazem parte,
ocasionado por um maior sombreamento (Silva e Ponzoni, 1995).
2.5.2 Resposta Espectral dos Solos
O perfil das curvas de reflectância espectral dos solos é menos complexo que as curvas
da vegetação, tendo como característica mais marcante os valores crescentes de
reflectância com o aumento do comprimento de onda. O solo é uma mistura complexa
de materiais que afetam suas propriedades espectrais. Diferentes tipos de solos possuem
54
suas curvas típicas com formatos semelhantes, mas com diferenças na amplitude,
devido às suas características como: conteúdo de água, quantidade de matéria orgânica e
de óxido de ferro, granulometria e textura (Hoffer, 1978; Lillesand e Kiefer, 2000).
Estes fatores são muito variáveis tornando sua interpretação complexa (Lillesand e
Kiefer, 2000).
A textura do solo é determinada pelas proporções de argila, silte e areia. Os solos
argilosos são compostos por partículas muito pequenas, consequentemente com poucos
espaços livres, resultando em um solo mais compacto. Já nos solos arenosos, onde as
partículas são maiores, os espaços entre elas são grandes, permitindo maior quantidade
de ar ou de água. Nos solos argilosos, pelos espaços serem menores, a água não é
drenada, nem evaporada tão rapidamente quanto nos solos arenosos. Assim, quanto
maior o conteúdo de água, menor a reflectância, principalmente nas bandas de absorção
da água, e quanto mais fina a textura, maior é a reflectância (Lillesand e Kiefer, 2000).
A curva de solo apresenta poucas bandas de absorção (Lillesand e Kiefer, 2000), sendo
três de absorção pela água em 1,4µm, 1,9µm e 2,7µm (as mesmas da vegetação), quase
invisíveis em solos secos, e duas bandas de absorção por hidroxilas em 1,4µm e 2,2µm,
presentes nos solos argilosos (Richards, 1986).
Na porção do visível, o aumento da quantidade de água causa uma diminuição na
reflectância, que explica o fato dos solos escurecerem ao serem molhados. Nas regiões
do infravermelho próximo e médio, a diminuição da reflectância com o aumento do
conteúdo de água deve-se a baixa reflectância da água nestes comprimentos de onda
(Lillesand e Kiefer, 2000).
55
FIGURA 2.15 - Efeito do teor de umidade na curva de reflectância de um solo siltoso FONTE: Adaptada de Swain e Davis (1978).
2.5.3 Resposta Espectral da Água
Assim como o solo, a curva de reflectância da água é mais simples que a de vegetação.
Na região do visível, o comportamento espectral da água é mais complexo. Os valores
de reflectância são baixos (menos de 10%) e são influenciados pela ondulação de sua
superfície, pelo material em suspensão e do fundo e pela concentração de clorofila
(Richards, 1986; Hoffer, 1978; Lillesand e Kiefer, 2000).
Quanto mais turva for a água, em decorrência da presença de materiais em suspensão,
maiores serão seus valores de reflectância (Hoffer, 1978). Já o aumento na concentração
de clorofila diminui a reflectância na região do azul e aumenta na região do verde,
podendo-se monitorar a presença e estimar a concentração de algas.
FIGURA 2.16 - Curvas de reflectância de água turva e de água límpida
FONTE: Adaptada de Swain e Davis (1978).
56
O gráfico da Figura 2.17 mostra as três curvas típicas de reflectância de feições básicas
da superfície terrestre: vegetação verde e saudável, solo seco e descoberto e água
límpida.
FIGURA 2.17 - Assinaturas espectrais: água (1), vegetação (2) e solo (3) FONTE: Adaptada de Richards (1986).
2.6 Modelo Linear de Mistura Espectral
O nível de cinza que representa cada pixel é o resultado da resposta espectral dos alvos
na Terra. Cada alvo modula, segundo suas características biológicas, físicas e químicas,
a energia eletromagnética incidente e esta volta ao espaço. O campo de visada
instantânea (IFOV – Instantaneous Field of View), que determina a área na superfície
terrestre a ser representada por cada pixel, normalmente abrange mais de um alvo. Desta
forma a imagem é resultado de uma espécie de média das respostas características de
cada alvo, ponderadas de acordo com a área que cada alvo ocupa no IFOV.
A variedade de alvos incluída na resposta de cada pixel dependerá da resolução espacial
de cada sensor, assim se a resolução espacial for melhor, ou seja, caso o IFOV seja
menor, provavelmente a variedade de alvos que constituem o pixel será menor. Como
consequência, pixels de sensores de alta resolução espacial possuem uma maior
probabilidade de serem formados pela resposta de alvos únicos, puros. Essa mistura
espectral é, de certa forma, indesejada, pois mascara a resposta característica de cada
alvo, dificultando assim a sua identificação.
As misturas espectrais podem ser modeladas segundo dois tipos gerais: modelos não
lineares e modelos lineares. O modelo não linear procura modelar misturas em que um
2
3
57
mesmo fóton interage com mais de um alvo, ocorrendo um espalhamento múltiplo
(Johnson citado por Roberts et al., 1998). O modelo linear é utilizado no estudo de áreas
cujos fótons foram espalhados por um único alvo. A mistura da resposta ocorre devido à
existência de mais de um alvo na área de abrangência de cada pixel e o valor digital
possui informações sobre a proporção da mistura entre cada componente pura (Adams
et al, 1986; Shimabukuro e Smith, 1991; Roberts et al, 1998; Boardman, 1989; Yi et al.,
1998). Alguns modelos foram propostos para se estudar a proporção destas misturas,
como: Mascarenhas e Correia (1983); Shimabukuro (1987); Adams et al. (1989);
Abrahão et al. (1990); Pereira (1996). Alguns trabalhos indicam que estas misturas são
formadas basicamente por três alvos: solo, sombra e vegetação (Shimabukuro et al.,
1997 e Aguiar, 1991). Outros incluem também um quarto componente: madeira
(Nascimento, 1997) ou material vegetal não-fotossintético (Adams et al., 1990 e 1995;
Roberts et al., 1998; Pereira et al., 1996).
Shimabukuro (1987) indica os componentes vegetação, solo e sombra (utiliza-se a água
como alvo em substituição à sombra, devido à resposta espectral da água ser muito
baixa ao longo de todo espectro) como constituintes básicos de cenas florestadas, e
descreve o modelo de mistura espectral pela fórmula:
di,j,k = ai,j * vegetk + bi,j * solok + ci,j * sombrak + ei,j,k;; (2.1)
onde:
- d = resposta do pixel i,j na banda k, ou seja, a resposta de d varia de pixel para
pixel e de banda para banda;
- a, b e c = proporções de vegetação, solo e sombra (ou água), respectivamente.
Essas proporções são iguais para um mesmo pixel em todas as bandas, variam
apenas entre pixels;
- veget, solo e sombra = respostas espectrais de pixels puros, ou seja, formados
apenas pelos componentes vegetação, solo e sombra, respectivamente. Essas
respostas não variam entre pixels de uma mesma banda, variam somente entre as
bandas;
58
- e = termo residual, expressa a diferença entre a reflectância do pixel observado
“d” e a reflectância do pixel computado a partir do modelo. O valor de “e”, da
mesma forma que “d”, varia entre cada pixel e entre bandas.
Os modelos lineares de mistura implementados no software SPRING (Sistema de
Processamento de Informações Georeferenciadas) (Câmara Neto et al., 1996) baseiam-
se no critério dos Mínimos Quadrados, cujo objetivo é estimar as proporções
minimizando a soma dos quadrados dos erros. Os seguintes métodos estão disponíveis:
Mínimos Quadrados com Restrições (MQR) - Método mais simples e rápido,
aplicável quando o número de componentes é igual a três. As restrições neste
modelo impõem que a proporção dos componentes solo, sombra e vegetação se
encontrem entre 0 e 1 individualmente, e que a soma das proporções dos três
elementos seja igual a 1;
Mínimos Quadrados Ponderado (MQP) - método mais geral, que busca a
solução iterativamente e;
Combinação entre Transformação de Principais Componentes e Mínimos
Quadrados (PCMQ) - método que visa diminuir o número de equações no
sistema aplicando inicialmente uma transformação de principais componentes,
seguida pelo método de estimação por Mínimos Quadrados.
Os resultados obtidos por estes métodos são similares, portanto a escolha do método
mais adequado deve basear-se no número de componentes da mistura e na decisão sobre
a aplicação da restrição.
No SPRING a aplicação do modelo de mistura implica na geração de dois tipos de
imagens: imagens-fração, uma relativa a cada componente puro, de modo que cada
pixel destas imagens-fração recebe valores entre 0 e 255, correspondendo a proporção
daquele componente puro no pixel da imagem original; e imagens erro, uma
correspondente a cada banda da imagem original, de forma que o erro (ei,j,k) de cada
pixel também é representado por valores entre 0 e 255. Assim caso a imagem que tenha
sido implementada para geração do modelo de mistura tenha 8 bandas e os componentes
59
a serem estimados sejam solo, sombra e vegetação, o resultado do modelo será expresso
em 3 imagens-fração e 8 imagens erro.
Para a aplicação do modelo de mistura espectral, além da imagem original, é necessário
que se indique a curva de reflectância dos componentes puros. Isso pode ser feito
através da digitação dos valores espectrais relativos a cada banda, através de uma
biblioteca espectral, ou pela escolha de pixels puros na própria imagem.
Como os vários pixels da imagem original são formados pela mistura da resposta
espectral dos componentes puros, pode-se representar a distribuição espectral (relativa
às bandas do vermelho e infravermelho próximo, por melhor representarem tal
distribuição) dos pixels por um triângulo onde cada vértice corresponde ao componente
puro, Figura 2.18, e os pixels no interior do triângulo teriam a presença de cada
componente puro proporcional à distância da localização do referido pixel aos vértices.
FIGURA 2.18 - Triângulo de distribuição dos pixels.
Vermelho
IVP
Sombra
Solo
Vegetação
60
61
CAPÍTULO 3
MATERIAIS E MÉTODOS
Neste capítulo são descritas as características fisiográficas da área de estudo segundo as
descrições do Projeto RADAMBRASIL (1980), as cenas utilizadas, os aplicativos
computacionais, e a metodologia adotada no desenvolvimento da pesquisa.
3.1 Área de Estudo
A área de estudo está inserida no município de Sinop, parte norte do Estado do Mato
Grosso, na região central do Brasil, entre as coordenadas 11o22’49.66” a 11o26’39.04”
de latitude sul e 55o17’32.83” a 55o21’24.86” de longitude oeste (figura 3.1). A área
está situada ao longo de um trecho da rodovia BR-163 Cuiabá-Santarém e compreende
uma área aproximada de 50Km2. A seguir são descritas algumas características
fisiográficas da área investigada.
3.1.1 Vegetação
Segundo o projeto RADAMBRASIL (1980), nesta região há ocorrência de floresta de
transição (zona de contato entre Floresta Ombrófila Aberta Submontana e Floresta
Estacional Semidecidual Submontana). Nestas áreas o período sem chuva é de
aproximadamente 4 a 5 meses, com mais de 20% das espécies florestais apresentando
caráter caducifólio.
A Floresta Ombrófila Aberta Submontana é caracterizada por grandes árvores, cujos
espaços abertos são ocupados por palmeiras, cipós e bambus. Destacam-se algumas
espécies arbóreas como amarelão (Apuleia molaris), tatajuba (Bagassa guianensis) e
castanheira (Bertholletia excelsa). A Floresta Estacional Semidecidual é constituída de
árvores altas, grossas e de troncos retilíneos, ocorrendo a perda parcial de suas folhas
durante a estação seca. As espécies florestais predominantes são: cumaru (Coumarouma
sp.), peroba (Aspidosperma sp.), quaruba (Vochysia sp.) e cupiúba (Goupia sp.).
62
FIGURA 3.1 - Localização da área de estudo - Mosaico de parte de duas cenas ASTER
(bandas 3, 2 e 1) FONTE –Adaptada de Rojas et al. (2004).
Existem pequenas áreas de Floresta Ombrófila Densa Tropical Submontana que ocupam
os terrenos pediplanados ou dissecados, capeados de solos profundos cobertos de
árvores de dossel emergente. Apresenta uma submata de poucas plantas arbustivas,
algumas ervas, palmeiras e lianas lenhosas. Suas principais características são as árvores
de médio a alto porte, como por exemplo: breu-manga (Tetragastris altíssima),
63
castanheira (Bertholletia excelsa), maçaranduba (Manilkara huberi) e copiúba (Goupia
glabra).
3.1.2 Clima
Segundo o sistema de classificação de Köppen, a área de estudo está sob domínio
climático do tipo Am: tropical chuvoso, com um período de seca (entre maio e
setembro) e chuvas inferiores a 60 mm no mês mais seco. A região caracteriza-se por
ser uma zona de transição entre a vegetação de cerrado e a amazônica, com um clima
quente e úmido, cujo regime térmico caracteriza-se pela predominância de temperaturas
elevadas, com máximas em torno de 34°C, e uma temperatura média anual de 24°C. A
precipitação média oscila de 2.500 a 2.750 mm (Projeto RADAMBRASIL, 1980).
3.1.3 Solos
O tipo de solo predominante é o Latossolo Vermelho-Amarelo distrófico, categorizado
como não hidromórfico, com coloração menos avermelhada e com menores teores de
óxido de ferro. Em geral predominam as classes texturais franco-arenosa e franco-
argilo-arenosa. São solos pouco suscetíveis à erosão, ocorrendo em áreas com relevo
praticamente plano a ondulado.
3.1.4 Geomorfologia e Geologia
A região de estudo está localizada na unidade geomorfológica do Planalto dos Parecis,
identificado pelas formas tabulares com relevo de topo aplainado, com drenagens
profundas, separadas por vales de fundo plano. O padrão geral de drenagem é
subdendrítico. Sua geologia é constituída pela formação Araguaia, com depósitos de
planície de inundação e predomínio de seixos com arenitos finos a grosseiros (Projeto
RADAMBRASIL, 1980).
3.2 Material
Foram utilizadas duas cenas ASTER sequenciais (AST_L1B.003:2007400881 e
AST_L1B.003:2007400878) adquiridas em 21 de abril de 2002, com 9 bandas, e duas
cenas IKONOS da mesma área, com 4 bandas multiespectrais, adquiridas em 19 de
maio de 2001 e 12 de setembro de 2002.
64
Os softwares utilizados foram: SPRING para processar os modelos de mistura, ACORN
para a correção atmosférica das imagens ASTER, ATCOR para a correção atmosférica
das cenas IKONOS, IDL para a programação e ENVI para todos os demais
processamentos. Uma planilha eletrônica Excel foi utilizada para gerar gráficos, além
do editor de texto Word e aplicativo INPE.DOT para gerar a documentação escrita.
O computador utilizado na maior parte dos processamentos possui a seguinte
configuração: processador Pentium 4 de 1.8 GHz, 512Mb de RAM, 40Gb de disco
rígido, monitor de 15”, gravadora de CD e demais periféricos comuns a todas as
máquinas. Sua denominação é TOPEX e fica situado no Laboratório de Tratamento de
Imagens Digitais (LTID) do INPE.
3.3 Determinação da Cena IKONOS a Ser Utilizada Através do Balanço Hídrico
da Região de Estudo
Durante a realização deste trabalho foi necessária a determinação do balanço hídrico da
região para que fosse possível comparar as condições climáticas que ocorriam reinantes
nos períodos de obtenção das imagens IKONOS e ASTER e avaliar as possíveis
diferenças na resposta espectral dos diversos alvos existentes nas referidas cenas. Como
havia duas imagens IKONOS de datas diferentes o objetivo principal da execução do
balanço hídrico foi o de determinar qual delas tinha condições hídricas similares àquela
do período de aquisição das imagens ASTER.
Foi efetivado o balanço hídrico com dados de todos os meses de 2001 e 2002. O método
utilizado foi o de Thornthwaite implementado numa planilha Excel. Os dados de
temperatura média mensal e o total pluviométrico foram obtidos através do Instituto
Nacional de Meteorologia.
Para a região de Sinop não existem dados meteorológicos disponíveis, desta forma a
alternativa mais próxima foi a utilização dos dados do município de Vera (Gleba
Celeste) ao sul de Sinop.
65
FIGURA 3.2- Localização dos municípios de Sinop e Vera.
A Tabela 3.1 contém os dados de precipitação média e temperatura média compensada
para todo o ano de 2001 e 2002.
66
TABELA 3.1 - Dados meteorológicos.
MUNICÍPIO DE VERA Lat 12o 12’ S Lon 56o 30’ W Alt 415m
2001 2002
Mês Precipitação
Média
Temperatura
Média
Compensada
Precipitação
Média
Temperatura
Média
Compensada
Jan 294,2 25,4 306,3 25,8
Fev 193,0 25,7 232,3 25,5
Mar 280,4 25,7 189,5 26,1
Abr 65,3 26,1 52,0 26,5
Mai 6,5 25,4 22,3 25,8
Jun 27,2 23,4 0,0 23,7
Jul 0,0 24,6 2,4 25,0
Ago 0,5 25,2 0,0 25,7
Set 51,2 26,9 24,1 26,4
Out 109,8 26,5 151,6 26,9
Nov 146,4 25,9 164,9 26,7
Dez 304,7 25,6 288,2 26,3
FONTE: INMET (2003).
3.4 Procedimento Metodológico
A pesquisa foi desenvolvida em etapas, cuja sequência operacional está descrita no
fluxograma contido na Figura 3.3.
67
FIGURA 3.3 – Fluxograma da pesquisa.
3.4.1 Correção Atmosférica
As imagens foram corrigidas atmosfericamente para se obter melhores resultados no
modelo de mistura, diminuindo os efeitos sazonais em relação às imagens dos dois
sensores, já que nem todas as imagens foram obtidas no mesmo período do ano. Um
gráfico com o balanço hídrico, conforme comentado no item 4.1, foi elaborado para
Aquisição das imagens IKONOS Aquisição das imagens ASTER
Correção atmosférica
Registro
Mosaico e corte da imagem Transformação para 8 bits
Modelo de mistura Transformação para 8 bits
Desenvolvimento do programa para determinação das novas curvas espectrais
Curvas espectrais dos pixels puros
Integração de dados e análise dos resultados
Modelo de mistura com base nas novas curvas espectrais
Correção atmosférica
Conclusões
68
ilustrar a situação pluviométrica na área de trabalho e a possível influência da
sazonalidade sobre as condições da paisagem investigada.
Para minimizar os erros, o procedimento ideal é a realização da correção atmosférica
das imagens dos dois sensores com o mesmo algoritmo, no entanto isso não foi
possível. Como o programa ACORN não possui a resposta dos filtros do satélite
IKONOS, não foi possível corrigir a imagem IKONOS com o referido programa.
Tentou-se realizar a correção das imagens ASTER no ATCOR, no entanto descobriu-se
uma falha no programa, para todas as imagens de 8 bits, que causava um erro na
imagem resultante: vários pixels apresentavam reflectância acima de 100%, o que
fisicamente é impossível. Desta forma a correção atmosférica teve que ser realizada em
programas diferentes para cada imagem.
3.4.1.1 Correção atmosférica das imagens ASTER
A correção atmosférica foi realizada utilizando-se o software ACORN. Para que as
imagens ASTER pudessem ser corrigidas, alguns ajustes precisaram ser realizados no
sentido de adaptá-las ao padrão exigido pelo ACORN para a entrada de dados. Na
execução destes ajustes foi utilizado o software ENVI. As modificações estão descritas
a seguir:
1) Todas as bandas do SWIR foram reamostradas para 15m de resolução espacial,
igualando-se às bandas do VNIR. Neste caso não houve modificação dos valores
de DN dos pixels, pois a resolução de 30m do SWIR é múltipla da resolução de
15m do VNIR e como a reamostragem foi realizada segundo o método do
vizinho mais próximo, os valores foram mantidos com exatidão.
2) Foi editado no cabeçalho das imagens (header) os valores relativos à largura de
banda (FWHM) e ao comprimento de onda do centro de cada banda.
3) Como se trata de uma imagem nível L1B, os valores de DN foram convertidos
para radiância, segundo os valores e formulação preconizados no ASTER User’s
Handbook, utilizando-se matemática de bandas. Esses valores e fórmula
constam da revisão bibliográfica, item 2.1.4.
4) Mudança do formato dos dados para “integer 2”, formato aceito pelo ACORN.
69
Após as modificações descritas, o arquivo está pronto para a correção atmosférica
propriamente dita. No ACORN é ainda necessário entrar com os seguintes parâmetros:
latitude e longitude do centro da cena, calculados a partir das coordenadas de canto;
altitude média da cena, 350m retirado de uma carta topográfica da região; altitude do
satélite Terra – 705Km; data e hora de aquisição da imagem, consta na própria imagem;
quantidade de vapor d’água, estimado em 40 milímetros para a região; visibilidade,
estimada em 50Km de acordo com o aspecto geral da imagem (presença ou não de
bruma e/ou nuvens). A Tabela 3.2 ilustra a tela de entrada dos parâmetros no software
ACORN para o tratamento das imagens ASTER.
TABELA 3.2 - Dados de entrada do ACORN.
Bandas 9
Linhas 4200
Colunas 4980
Deslocamento (offset) 0
Centro da Imagem 11o 40’ 53’’ S e 55o 23’ 57’’ W
Altitude Média do Terreno 350 m
Altitude do Satélite 705 Km
Modelo Atmosférico Tropical
Data de Aquisição da Imagem 21/04/2002
Hora de Aquisição da Imagem 14h 03m 20s (UTC)
Vapor D’Água 40 mm
Visibilidade Atmosférica 50 Km
3.4.1.2 Correção Atmosférica da Imagem IKONOS
A correção atmosférica da imagem IKONOS foi realizada no módulo ATCOR do
software PCI 9.0. Este programa corrige separadamente as bandas multiespectrais e a
70
banda pancromática. O ATCOR não permite a entrada dos valores de ganho das bandas
IKONOS apesar de serem facilmente identificados nos metadados da imagem.
Os parâmetros utilizados na correção foram a altitude média de 350m retirado de carta
topográfica; tamanho do pixel, 4m; data; área rural; clima tropical; visibilidade, 30 Km;
ângulo zenital (o próprio programa calcula) e temperatura em graus Kelvin. A Tabela
3.3 mostra os parâmetros de entrada no software ATCOR.
TABELA 3.3 – Dados de entrada do ATCOR.
Centro da Imagem 11o S e 55o W
Altitude Média do Terreno 350 m
Ganho N/A
Data de Aquisição da Imagem 19/05/2001
Hora de Aquisição da Imagem 13h 52m 00s (UTC)
Visibilidade Atmosférica 30 Km
Sensor IKONOS 2
Tamanho do Pixel 4 m
Inclinação 20o Leste
Definição de Área Rural
Condição de Área Tropical
Ângulo Zenital Solar 40.09003o
Adjacência 1.0
Fator de Conversão de Temperatura 210.6
71
3.4.2 Registro das Imagens
As imagens IKONOS e ASTER foram adquiridas com georreferenciamento baseado na
correção de sistema, ou modelo de geometria orbital, o que significa que o
georreferenciamento se baseia no conhecimento das características da órbita do satélite,
da rotação da Terra e no fator de amostragem do sensor (Crosta, 1993), sem a inclusão
de pontos de controle terrestres no processo. Esse tipo de correção geométrica implica
em um erro incompatível com a precisão desejada entre as imagens dos dois sensores,
por isso um registro entre as imagens foi necessário.
Para a realização do registro entre imagens com diferentes resoluções espaciais a
precisão alcançada será relativa a imagem de pior resolução espacial, se for considerado
o contrário, seria o mesmo que criar informação espacial na imagem de pior resolução.
Desta forma para registrar imagens com diferentes resoluções dois caminhos podem ser
seguidos: utilizar a imagem de pior resolução espacial para ser tomada como imagem
base, o que parece ser o pior caminho, pois poderá haver uma degradação da precisão
espacial da imagem reamostrada; ou utilizar a imagem de melhor resolução espacial
como base, já que esta cena possui uma informação espacial mais precisa.
No caso deste trabalho, como se está realizando o registro entre uma imagem de 4m de
resolução espacial (IKONOS multiespectral) e outra de 15m (utilizou-se as bandas 1, 2
e 3 ASTER) a precisão alcançada é dada segundo os pixels de 15m. As demais bandas
do sensor ASTER, que possuem 30m de resolução, estão perfeitamente registradas com
as bandas de 15m, e como o registro com a cena IKONOS foi realizada com as bandas
1, 2 e 3 ASTER, pode-se utilizar o valor de 15m para avaliar a precisão das bandas
SWIR também. Para este caso é interessante reparar que a informação existe, está nas
bandas do VNIR com sua melhor resolução. Outro fato a ser ressaltado é que apesar de
possuir a banda IKONOS PAN, de resolução de 1m, não faria diferença na precisão
final realizar o registro com esta banda, pois o resultado estaria atrelado aos 15m da
resolução ASTER VNIR.
A fidelidade radiométrica é muito importante para a continuidade deste trabalho, por
isso procurou-se evitar qualquer tipo de reamostragem das cenas, como conseqüência de
processamentos, que alterasse os valores radiométricos, ou pelo menos minimizar estas
alterações. Por isso o método do vizinho mais próximo foi escolhido como método de
72
reamostragem dos pixels nas operações de registro. O fato das imagens terem 4m e 15m
de resolução espacial, valores que não são múltiplos entre si, implicaria em perda de
informação radiométrica mesmo usando o método do vizinho mais próximo, pois a
imagem reamostrada passa a ter pixels do mesmo tamanho da imagem base, ou seja, os
pixels de 15m seriam reamostrados para 4m o que implicaria numa perda de informação
radiométrica mesmo usando o método do vizinho mais próximo. No intuito de evitar
esta perda, as imagens foram reamostradas para a resolução de 1m, por este valor ser
divisor comum dos valores originais. Assim, ao reamostrar os pixels por vizinho mais
próximo, os valores radiométricos seriam preservados, pois os novos tamanhos dos
pixels não exigem a fusão de informações radiométricas entre dois pixels vizinhos, ou o
desprezo do valor de um dos pixels.
O registro entre as imagens foi realizado tomando-se como base a imagem IKONOS,
de resolução espacial mais fina, pois não há necessidade de uma perfeita localização em
relação ao terreno, mas sim um registro compatível entre as imagens. As imagens
IKONOS estão no sistema UTM e utilizam o Datum WGS-84.
Para a operação de registro foi utilizado o software ENVI. Nas imagens ASTER foi
delimitado um módulo de estudo, com área pouco maior do que aquela abrangida pela
imagem IKONOS (base), a fim de agilizar o processamento e ocupar menos memória
no computador. As imagens ASTER foram reamostradas pelo método do vizinho mais
próximo, de modo que cada pixel na imagem ASTER representasse 1m no terreno,
como as imagens IKONOS multiespectrais que tinham sido reamostradas previamente.
É oportuno ressaltar que não é possível criar informação radiométrica na resposta
original da imagem ASTER, ou seja, se um pixel de 15m é transformado em 225 pixels
de 1m, o valor da radiometria de cada um destes 225 novos pixels é o mesmo do pixel
de 15m que os originou. Para que os novos pixels tenham respostas radiométricas
diferentes, a região deve ser novamente varrida com um sensor de maior capacidade em
discernir alvos (melhor resolução espacial) o que não ocorreu, pois a resposta original
foi apenas reamostrada por um método que repete a radiometria do pixel inicial. No
caso do infravermelho médio cada pixel de 30m deu origem a 900 pixels de 1m com a
mesma resposta radiométrica do pixel original.
73
Para que o resultado da correção geométrica seja satisfatório em toda a imagem, os
pontos de controle precisam estar distribuídos da forma mais uniforme possível na cena.
As Figuras 3.4 e 3.5 ilustram a distribuição dos pontos de controle nas duas imagens
ASTER.
FIGURA 3.4 - Imagem IKONOS com os pontos de controle para registro da cena
ASTER 019.
74
FIGURA 3.5 - Imagem IKONOS com os pontos de controle para registro da cena ASTER 181.
3.4.3 Mosaico e Corte das Imagens ASTER
A área de estudo deste trabalho não se encontra integralmente situada numa única cena
ASTER. Apesar de ser uma área reduzida, devido à sua localização, foram necessárias
duas imagens ASTER para cobrir integralmente a área de interesse. As duas imagens
ASTER foram adquiridas em uma mesma passagem, com diferença de segundos entre o
centro de cada cena. A figura 3.6 mostra a localização da área de trabalho nas cenas
ASTER originais.
75
FIGURA 3.6 - Localização da área de trabalho nas cenas ASTER originais.
Após o registro as duas imagens foram mosaicadas utilizando-se o software ENVI. O
processo de mosaicagem pode ser realizado tomando por base os pixels da cena
(processo visual) ou através do georreferenciamento (coordenadas). Neste trabalho o
mosaico foi realizado baseando-se no georreferenciamento por ser um processo mais
preciso.
Para a realização das etapas seguintes do trabalho é necessário que as imagens tenham
as mesmas dimensões, mesmo número de linhas e colunas, e abrangerem a mesma área
no terreno. Como as duas cenas já estavam reamostradas para 1 metro e registradas, o
mosaico ASTER foi recortado tomando-se como base os valores das coordenadas de
canto da imagem IKONOS (por ser a imagem menor), assim os dois produtos ficaram
exatamente iguais no que diz respeito à geometria.
A escolha da resolução de 1 metro para as imagens foi feita no intuito de não se perder
informação radiométrica das cenas. Esta perda ocorreria caso a imagem ASTER, de
resolução de 15 e 30 metros, fosse reamostrada para 4 metros, resolução da cena
IKONOS multi, ou vice versa. Para não haver a perda de informação foi necessário
optar-se por um valor de resolução que fosse divisor comum entre 15 e 4, o que só é
possível com a unidade.
76
3.4.4 Transformação para 8 Bbits
A correção atmosférica resultou em imagens reflectância de 16 bits. No entanto para
processar-se as imagens no software SPRING (modelo de mistura espectral) estas
imagens precisam estar em 8 bits. Por este motivo todas as imagens foram
transformadas de 16 para 8 bits através de cálculos na ferramenta “matemática de
bandas” do software ENVI.
A transformação consiste em passar o intervalo de valores de radiometria de 65536
níveis possíveis (16 bits) para 256 níveis (8 bits). Como esta transformação causa perda
de informação é necessário cuidado na escolha de um dos parâmetros utilizados na
transformação.
O cálculo é simples e consiste em dividir o valor de cada pixel por um “valor máximo”
e multiplicá-lo por 255 (o valor 0 deve ser considerado). Como a distribuição dos
valores de cinza nas bandas originais não ocupa todo o intervalo possível, gerou-se o
histograma de cada banda para cada imagem e verificou-se qual o maior valor
radiométrico para cada imagem considerando todas as bandas. Para a imagem IKONOS
foi encontrado o valor 800 na banda do infravermelho próximo. Adotou-se este valor
para todas as bandas IKONOS para que estas mantivessem uma proporção. Assim a
fórmula usada para a transformação foi a seguinte:
- Byte((Round(B1*(255./800))<255)>0; onde:
- Byte = indica o tipo da variável;
- Round = arredonda o valor calculado;
- B1 = banda a ser transformada;
- 255. = multiplica o valor de cada pixel por 255;
- /800 = divide o valor de cada pixel da banda por 800; e
- <255 e >0 = trunca qualquer valores que eventualmente fiquem fora deste
intervalo.
Este cálculo é realizado para cada banda separadamente.
77
No caso da imagem ASTER o valor encontrado como máximo foi de 5000 também na
banda relativa ao infravermelho próximo. A fórmula utilizada para as bandas ASTER
foi:
Byte((Round(B1*(255./5000))<255)>0
A divisão dos valores dos pixels por 800, no caso do IKONOS, e por 5000, no caso do
ASTER, garantem uma menor perda de informação do que se todos os pixels fossem
divididos por 65536 relativos ao total de níveis de cinza possíveis para 16 bits.
3.4.5 Desenvolvimento Matemático para Determinação das Novas Curvas
Espectrais dos Pixels Puros
3.4.5.1 Estudo do Problema
Observando-se a formulação do modelo de mistura (equação 2.1) encontram-se 3 tipos
de variáveis: di,j,k, variável que representa o valor do nível de cinza ou reflectância de
um determinado pixel da imagem original; ai,j, bi,j e ci,j, proporção dos constituintes
básicos em cada pixel e vegetk, solok e sombrak, respostas espectrais de cada
componente puro. Na aplicação direta do modelo de mistura o que se deseja obter são as
proporções ai,j, bi,j e ci,j, sendo fornecido para o sistema os valores de di,j,k, vegetk, solok
e sombrak.
A dificuldade na aplicação do modelo de mistura é a determinação das curvas espectrais
dos componentes puros, pois dificilmente se encontra um pixel que contenha
exclusivamente a resposta do elemento desejado, considerando-se claro, a resolução
espacial do sensor que gerou a imagem em estudo. A área enquadrada pelo IFOV
fatalmente conterá a resposta espectral de outros elementos. A questão prática é
encontrar pixels cujas influências destes elementos indesejados, para a determinação do
pixel puro, seja a menor possível. Quanto maior a área no terreno enquadrada pelo
IFOV, maior a quantidade de alvos representados e consequentemente, maior a mistura
de respostas. Se o IFOV for menor, a probabilidade de se encontrar um pixel com
respostas mais puras é maior e as proporções geradas como resultado do modelo
provavelmente serão mais precisas.
78
Inicialmente pode-se pensar em utilizar a resposta espectral obtida por um sensor de
melhor resolução espacial para melhorar o resultado do modelo de mistura de um sensor
de menor resolução espacial. Contudo, na prática, as respostas obtidas são influenciadas
pelas características de cada sensor o que faz com que as respostas não sejam iguais,
mesmo quando se trata de imagens reflectância. Este fato levaria a erros no resultado
final.
Uma alternativa possível é a utilização das proporções obtidas pelo modelo de mistura
de sensores de alta resolução espacial para inferir as curvas espectrais características dos
pixels puros em sensores de menor resolução espacial. Considerando os fundamentos
citados em Shimabukuro e Smith (1995), definiu-se para a geração dessas curvas
espectrais a seguinte sequência:
a) aplicação do modelo de mistura para os dados obtidos do sensor IKONOS.
Desta forma obtém-se as proporções de solo, sombra e vegetação para cada pixel
da imagem através das imagens-fração. Na formulação verifica-se:
di,j,k = ai,j * vegetk + bi,j * solok + ci,j * sombrak; (3.1)
onde as variáveis em azul são conhecidas e as variáveis em vermelho são as incógnitas.
Assim são fornecidas as cenas IKONOS multi (di,j,k) e as respostas espectrais dos três
elementos primários (vegetk, solok e sombrak) retiradas das cenas IKONOS; obtém-se
então as proporções (ai,j, bi,j e ci,j), na forma de imagens-fração, relativas a cada elemento
primário de cada pixel.
b) a partir dessas proporções derivadas da imagem IKONOS, aplicam-se tais
valores na mesma formulação, agora com a cena ASTER, ficando a equação
assim constituída:
di,j,k = ai,j * vegetk + bi,j * solok + ci,j * sombrak; (3.2)
onde as variáveis em azul são conhecidas e as variáveis em vermelho são as incógnitas.
Desta forma são fornecidas as proporções (imagens-fração) obtidas na fase 1 com as
cenas IKONOS (ai,j, bi,j e ci,j) e as cenas ASTER (di,j,k), sendo obtidas as novas respostas
espectrais (vegetk, solok e sombrak) de cada elemento primário. Nesse ponto é importante
perceber que a equação 3.2 se desenvolve em um sistema de equações
79
sobredeterminado para cada banda de forma independente, ou seja, se for considerado
uma única banda (k=1) pode-se eliminar k e o sistema pode ser escrito da seguinte
forma:
d1,1 = a1,1 * veget + b1,1 * solo + c1,1 * sombra d1,2 = a1,2 * veget + b1,2 * solo + c1,2 * sombra d1,3 = a1,3 * veget + b1,3 * solo + c1,3 * sombra
. . .
d1,n = a1,n * veget + b1,n * solo + c1,n * sombra d2,1 = a2,1 * veget + b2,1 * solo + c2,1 * sombra d2,2 = a2,2 * veget + b2,2 * solo + c2,2 * sombra d2,3 = a2,3 * veget + b2,3 * solo + c2,3 * sombra
. . .
dm,n = am,n * veget + bm,n * solo + cm,n * sombra
onde se observa 3 incógnitas e m*n equações (número total de pixels da cena). Este
sistema se repete para cada banda, caso a imagem seja multiespectral.
c) por fim, de posse das novas respostas espectrais estimadas para o sensor de
menor resolução espacial (ASTER) e da imagem original ASTER obtém-se as
novas imagens-fração. Neste caso repete-se a equação do item a).
3.4.5.2 Desenvolvimento Matemático
O modelo de mistura implementado no SPRING e em outros softwares resolve a
equação característica do modelo de mistura espectral, conforme a forma exposta no
item a) e, consequentemente, no item c), ou seja, tendo como incógnitas as proporções.
Para que o processo possa ser integralmente realizado fica a pendência da resolução da
equação característica do modelo de mistura como exposto no item b), ou seja, com as
respostas espectrais como incógnitas.
Da formulação original:
dk,i,j = ai,j * vegetk + bi,j * solok + ci,j * sombrak; (3.3)
onde: i e j são cooordenadas de pixel, pode-se transformar estas duas dimensões em
uma única dimensão m sem nenhum tipo de perda. Desta forma apenas se está
80
colocando a segunda linha de pixels na sequência da primeira, em seguida a terceira
linha de pixels na sequência da segunda e assim por diante, transformando um arquivo
bidimensional em um arquivo unidimensional, porém com todas as informações
originais, apenas dispostas de forma diferente. Assim a formulação original passa a ter a
seguinte forma:
dk,m = am * vegetk + bm * solok + cm * sombrak. (3.4)
Para escrever toda a equação na forma matricial, podemos substituir as proporções am,
bm e cm por P3,m e as respostas espectrais vegetk, solok e sombrak por Rk,3. A equação
então passa a ter a forma:
Dk,m = Rk,3 * P3,m. (3.5)
Resolvendo o sistema banda a banda, ou seja, fazendo k = 1, então:
D1,m = R1,3 * P3,m. (3.6)
Como o que se deseja encontrar são os valores que compõem a matriz de respostas
espectrais R, então é nececessário isolá-la. Para isso multiplica-se os dois lados da
equação por PT:
D1,m * PTm,3 = R1,3 * P3,m * PT
m,3. (3.7)
Agora P * PT é uma matriz quadrada cuja matriz inversa pode ser determinada
possibilitando escrever a fórmula 3.7 da seguinte maneira:
R1,3 = D1,m * PTm,3 * (P3,m * PT
m,3)-1 (3.8)
Onde R é uma matriz que contém os valores das respostas espectrais para uma
determinada banda dos elementos solo, sombra e vegetação.
3.4.5.3 Particularização para o Caso Estudado
Os materiais disponíveis para este estudo incluem um mosaico ASTER com 8 bandas (a
banda 9 apresenta problemas) e uma cena IKONOS com 4 bandas. Assim a sequência
para este caso é a aplicação do modelo de mistura para a cena IKONOS, onde são
obtidas três imagens-fração e quatro imagens-erro. As imagens-fração obtidas,
81
juntamente com uma banda ASTER por vez, alimentam o programa desenvolvido para
se obter os novos valores dos pixels puros a serem empregados no modelo de mistura
com a cena ASTER. Como a cena ASTER, para este estudo, possui 8 bandas, o
programa foi executado 8 vezes. Os valores relativos às imagens-fração são repetidos e
mudam os valores relativos às bandas ASTER.
Para garantir que os resultados encontrados com o programa estejam corretos, 4
matrizes 5X5 foram criadas. A matriz R foi calculada com auxílio de uma calculadora
HP-48 e os resultados confrontados com aqueles obtidos pelo programa.
3.4.5.4 Mudança da Resolução Espacial das Imagens
A resolução espacial das duas imagens foi passada para 15m, resolução original das
bandas ASTER de 1 a 3, para que um mesmo pixel ASTER não tenha mais que uma
correspondência com pixels IKONOS. Neste sentido duas hipóteses foram levantadas e
testadas. A primeira hipótese consistia em transformar as imagens iniciais para 15m e
depois aplicar o modelo de mistura, sendo que os valores dos pixels puros foram
retirados da imagem com 1m de resolução, caso contrário todo o trabalho perderia o
sentido. A segunda hipótese consiste em aplicar o modelo de mistura às imagens com
1m de resolução e transformar para 15m as imagens-fração e erro.
Para isso foi criado um filtro (APÊNDICE B) objetivando-se utilizar blocos de 15X15
pixels da imagem de 1m de resolução, calcular a média destes 225 pixels e gerar um
pixel de 15m com o valor obtido para a nova imagem. O pixel seguinte de 15m a ser
calculado não tem nenhum pixel com 1m de resolução no cálculo de sua média em
comum com o pixel calculado anteriormente. É importante ressaltar esta diferença para
um filtro de média, já que neste a imagem resultante não é reamostrada para uma nova
resolução espacial, há apenas uma suavização dos valores de alta frequência dos pixels.
A primeira hipótese mostrou-se mais consistente nos resultados finais do modelo de
mistura e foi adotada. Nos resultados obtidos com a segunda hipótese eram raros os
pixels cujos valores nas imagens-fração mostravam consistência com os valores teóricos
esperados.
82
3.4.5.5 Entrada de Dados no Programa
A metodologia de escolha dos pixels a serem utilizados pelo programa foi fruto de
inúmeras tentativas realizadas durante o desenvolvimento do programa. As várias
tentativas iniciais apresentaram resultados insatisfatórios, com curvas espectrais
distorcidas e muito diferentes dos padrões esperados. Inicialmente foram utilizados
todos os pixels das imagens, o que tornava o processo extremamente lento e com
resultados ruins. Procurou-se selecionar os pixels: segundo os valores apresentados nas
imagens erro (foram selecionados apenas os que tinham valores baixos); segundo os
valores apresentados nas imagens-fração ( obedecendo o critério exposto na letra C
deste ítem); e uma mistura destes dois critérios, não obtendo porém bons resultados. Os
métodos até então utilizados foram novamente testados com as imagens sem correção
atmosférica, piorando ainda mais o resultado. Outros métodos de seleção automática de
pixels aplicados em toda a imagem e a utilização de partes específicas das imagens
também foram testadas sem que resultados razoáveis fossem atingidos.
O software SPRING foi concebido de forma que os valores dos pixels das imagens-
fração variem entre 100 e 200, de modo que o valor 100 signifique 0% daquele
componente primário (solo, sombra, ou vegetação) e 200 indique 100% de presença de
tal componente. Assim, teoricamente, todos os pixels das imagens-fração teriam seus
valores variando entre estes dois limites e a soma dos valores dos pixels homólogos nas
três imagens-fração seria muito próxima de 400, ou seja, 100%. Na prática isto não
ocorre, sendo comum encontrar valores abaixo de 100 e/ou acima de 200 para alguns
pixels, ou mesmo a soma dos valores dos pixels equivalentes das imagens-fração estar
distante de 400.
Como as duas imagens foram recortadas exatamente do mesmo tamanho, mesmo
número de linhas e colunas, decidiu-se que os pixels selecionados para alimentar o
sistema devem ter as seguintes características:
a) devem ser selecionados em áreas de solo exposto; de sombra, ou de água; e de
vegetação;
83
b) estes pixels devem apresentar como respostas das 8 bandas ASTER uma curva
espectral bem característica dos alvos que eles representem (vegetação, solo
exposto e água); e
c) este mesmo pixel (mesma coordenada) nas imagens-fração originárias do
modelo de mistura IKONOS devem ter valores situados entre os limites de 100 e
200, a soma dos valores dos pixels correspondentes nas três imagens-fração
próximos a 400 (100%) e seus valores nas imagens-fração devem ser altos no
alvo correspondente.
Desta forma, um pixel localizado em área de floresta deve apresentar como resposta das
bandas ASTER uma curva próxima à curva característica de vegetação sadia e nas
imagens-fração uma resposta alta na imagem-fração vegetação e sombra e uma resposta
mais baixa na imagem-fração solo, e assim por diante.
A implementação deste tipo de seleção, para que o processo possa se desenvolver
automaticamente, se mostrou muito complexa e demandaria um tempo acima do
previsto para o término da dissertação. Este motivo fez com que esta escolha fosse
realizada manualmente, na tela do computador, e não por um programa específico
desenvolvido para este fim.
3.4.5.6 Resultado Esperado do Programa
Conforme descrito no final do item 2.6 e representado na Figura 2.18, a distribuição dos
pixels em um sistema cartesiano, tendo como eixos as bandas do vermelho e
infravermelho próximo, possui o formato aproximado de um triângulo, tendo em seus
vértices os pixels mais puros.
Na aplicação da metodologia para a determinação dos novos valores dos pixels puros
para a imagem ASTER, na prática, procura-se obter pixels cujas respectivas
localizações no sistema cartesiano mencionado estejam mais externas do que aqueles
considerados puros originalmente, pois quanto mais puros mais exterma é a sua
localização.
A Figura 3.7 mostra a localização esperada para os novos pixels puros. O círculo em
cada vértice do triângulo indica a localização dos possíveis pixels puros originais e a
84
seta indica a localização, aproximada, esperada do novo pixel puro, obtido com o
programa.
FIGURA 3.7 - Localização dos novos pixels puros.
3.4.6 Integração de Dados e Análise dos Resultados
Após a determinação das novas curvas espectrais, estas serão empregadas na obtenção
do modelo de mistura espectral dos dados ASTER. De posse destas novas imagens-
fração, será realizada a validação dos dados ASTER através da aplicação de regressões
lineares entre estas imagens-fração e os pixels homólogos das imagens-fração obtidas
com as cenas IKONOS. A determinação do coeficiente de correlação R2 indicará o grau
de correlação entre as imagens-fração dos mesmos elementos puros.
Vermelho
IVP
Novo pixel de sombra
Novo pixel de solo
Novo pixel de vegetação
85
CAPÍTULO 4
RESULTADOS E DISCUSSÕES
4.1 Análise do Balanço Hídrico em Relação à Aquisição de Dados Multisensores
O balanço hídrico da região de estudo foi realizado para auxiliar na escolha da imagem
IKONOS a ser utilizada, já que existiam duas imagens de datas diferentes disponíveis
para o trabalho, conforme especificado no item 3.3. Além disso, serviu também para
mostrar as condições de aquisição dos dados IKONOS e ASTER do ponto de vista de
precipitação mensal e seus possíveis efeitos na cobertura vegetal, quando da fase de
comparação entre sensores.
Os dados de temperatura e precipitação apresentados na Tabela 3.1 foram inseridos em
uma planilha EXCEL que executa o cálculo do balanço hídrico. Os resultados estão
ilustrados nas Figuras 4.1 e 4.2:
FIGURA 4.1 – Comportamento hídrico em 2001 para a região de Vera (MT).
Balanço Hídrico 2001
-150
-100
-50
0
50
100
150
200
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
mm
DEF(-1) EXC
86
FIGURA 4.2 – Comportamento hídrico em 2002 para a região de Vera (MT).
Ao analisar os resultados obtidos verifica-se que o grau de estresse hídrico do mês de
abril de 2002, data de obtenção das imagens ASTER, é de aproximadamente 25mm.
Para as imagens IKONOS, datadas de maio de 2001 e setembro de 2002, o valor do
déficit hídrico está próximo de 75mm e 110mm respectivamente. Como os valores
obtidos para a imagem IKONOS de maio de 2001 se aproximam mais do valor
encontrado para as imagens ASTER, esta foi considerada para a sequência
metodológica do trabalho. Mesmo apresentando uma diferença de 50mm nos valores de
déficit hídrico, considerando-se ainda estar no início do período de seca, tal diferença
não é ainda significativa para influenciar respostas espectrais marcantes na cobertura
vegetal, quanto ao efeito da sazonalidade. A imagem IKONOS de setembro de 2002 foi
descartada, por considerar-se o longo período de déficit, que sem dúvida pelos valores
de estresse encontrados, são condicionantes de variações na cobertura vegetal em
estudo.
4.2 Correção Atmosférica
Com o intuito de preparar as imagens obtidas por sensores distintos para uma análise
conjunta, o ideal seria a realização da correção atmosférica das cenas envolvidas por um
Balanço Hídrico 2002
-150
-100
-50
0
50
100
150
200
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
mm
DEF(-1) EXC
87
único algoritmo, no entanto isso não foi possível como descrito no ítem 3.4.1. Os
resultados obtidos para as duas cenas estão apresentados a seguir.
4.2.1 Correção Atmosférica das Cenas ASTER
A correção atmosférica das imagens ASTER foi realizada utilizando-se o algoritmo
ACORN. Os parâmetros utilizados, bem como outros detalhes, estão especificados no
item 3.4.1.1. Como resultado da correção atmosférica foi gerada uma imagem
reflectância de superfície. A figura 4.3 mostra exemplos de curvas espectrais de alvos
característicos após a correção atmosférica. A curva relativa à água possui
características de vegetação devido ao fato de que não há pixel puro de água na
resolução de 15m na área de estudo. O pico anômalo de energia relativo ao canal 9
ilustra o problema de interrupção devido a ruídos (citado no item 2.1.1.2) em todos os
canais do SWIR. Por este resultado o canal 9 não foi considerado para o presente
trabalho.
FIGURA 4.3- Resposta espectral dos alvos solo, sombra (água) e vegetação após a correção atmosférica das cenas ASTER.
(nm)
(nm)(nm)
88
4.2.2 - Correção Atmosférica da Cena IKONOS Multiespectral
A correção atmosférica da cena IKONOS foi realizada com o software ATCOR. Os
parâmetros utilizados estão apresentados no Item 3.4.1.2 e a correção resultou em uma
imagem reflectância de superfície. A Figura 4.4 mostra exemplos de curvas espectrais
de alvos característicos após a correção atmosférica.
FIGURA 4.4- Resposta espectral dos alvos solo, sombra (água) e vegetação após a
correção atmosférica da cena IKONOS.
4.2.3 Comparação entre os Valores Obtidos
As Figuras 4.5 e 4.6 mostram algumas estatísticas de uma região de floresta primária,
que teoricamente muda muito pouco em termos espectrais com o tempo decorrido entre
a aquisição das duas imagens, mesmo tratando-se de uma cobertura florestal em zona de
transição climática. Os canais representados são o verde, vermelho e IVP, comuns nos
dois sensores, em vermelho, branco e verde respectivamente. Pode-se perceber que
apesar dos valores representarem a reflectância da superfície (eixo X do histograma), os
valores obtidos para média, máximo e mínimo e desvio padrão são bastante diferentes
entre sí.
(nm)(nm)
(nm)
89
FIGURA 4.5 – Estatísticas da região de floresta primária na imagem ASTER.
90
FIGURA 4.6 - Estatísticas da região de floresta primária na imagem IKONOS.
4.3 - Registro e Mosaico das Imagens ASTER
O registro das imagens ASTER foi executado utilizando-se o software ENVI, sendo a
imagem IKONOS utilizada como base e tendo pontos bem distribuídos apesar das
dificuldades impostas pela cena, devido à existência de largas áreas de floresta no
módulo de trabalho. Para a imagem ASTER 019 foram utilizados 15 pontos de controle,
obtendo-se como resultado uma precisão de 0,366938 pixels, o que equivale a
aproximadamente 5,5 metros no terreno. Para a imagem ASTER 181 foram utilizados
24 pontos de controle, obtendo-se uma precisão de 0,463686 pixels, que equivale a
aproximadamente 7,0 metros no terreno. Apesar das bandas 4 a 8 da imagem ASTER
possuírem resolução espacial de 30m originalmente, o registro foi executado através das
bandas 1, 2 e 3 deste sensor. Assim a precisão apresentada foi calculada em relação aos
pixels de 15m, contando que existia uma perfeita compatibilização espacial entre as
91
bandas ASTER. As Tabelas 4.1 e 4.2 mostram o erro dos pontos de controle e o erro
total da correção geométrica.
TABELA 4.1 - Erro médio quadrático (RMS) dos pontos de controle da imagem ASTER 019.
92
TABELA 4.2 - Erro médio quadrático (RMS) dos pontos de controle da imagem ASTER 181.
Como o sensor ASTER adquire a imagem linha por linha e as duas imagens foram
obtidas em sequência na mesma órbita, as duas imagens são, na verdade, uma sequência
única dividida em duas cenas, apenas para facilitar a transmissão dos dados. Por isso
não foi realizado qualquer tipo de retificação ou equalização das imagens antes do
mosaico. O resultado está ilustrado na Figura 4.7.
93
FIGURA 4.7 - Mosaico obtido com as imagens ASTER.
4.4 Aplicação do Modelo de Mistura para a Imagem IKONOS
Como descrito no Item 3.4.5.1 o primeiro passo da metodologia adotada é a aplicação
do modelo de mistura espectral nas imagens IKONOS, sendo aplicado nas quatro
bandas. Para isso foram escolhidos três pixels na imagem como elementos primários e
suas respectivas curvas estão ilustradas na Figura 4.8.
FIGURA 4.8 – Curvas espectrais dos pixels puros para imagem IKONOS.
94
Como resultado do modelo de mistura espectral foram geradas três imagens-fração e
quatro imagens-erro. As imagens-fração estão ilustradas nas Figuras 4.9, 4.10 e 4.11.
FIGURA 4.9 – Imagem-fração solo derivada da cena IKONOS.
95
FIGURA 4.10 – Imagem-fração sombra derivada da cena IKONOS.
FIGURA 4.11 – Imagem-fração vegetação derivada da cena IKONOS.
96
Ao visualizar as imagens-erro, uma diferença radiométrica entre o lado direito e
esquerdo da imagem IKONOS foi identificado. Esta diferença fica quase imperceptível
sob análise visual nas imagens-fração e nas imagens originais. Na Figura 4.12 as setas
em vermelho indicam o limiar das duas metades com resposta radiométrica diferentes.
FIGURA 4.12 – Diferença radiométrica na cena IKONOS.
4.5 Programa para Geração dos Novos Valores Radiométricos dos Pixels Puros
Após a obtenção das imagens-fração, o programa (APÊNDICE A) para estimar os
valores dos pixels puros a serem aplicados nas imagens ASTER foi executado 8 vezes,
sendo uma para cada banda. Os resultados obtidos foram inseridos em uma planilha
EXCEL e os três valores espectrais relativos a cada uma das oito bandas ASTER foram
plotados gerando assim as curvas espectrais de cada elemento primário (Figura 4.13).
97
FIGURA 4.13 – Novas curvas espectrais dos pixels puros.
As curvas de solo e vegetação obtidas apresentam sua forma característica, inclusive no
que diz respeito a proporção entre elas. A curva de sombra apresenta aumento dos
valores de reflectância conforme aumento do comprimento de onda até atingir um pico
no infravermelho médio decaindo nos comprimentos de onda seguintes, praticamente
igualando seus valores com os encontrados para a curva de vegetação. Esta resposta
indesejada para a curva de sombra provavelmente se deve a contaminação dos pixels de
água por vegetação e solo, já que na área de estudo da imagem ASTER não há pixels de
15m que se encontrem completamente localizados dentro de uma superfície aquosa. Isso
pode ser comprovado verificando a curva de resposta espectral destes pixels na imagem
ASTER. Assim como todos os pixels que representam água estão contaminados com a
resposta de outro tipo de alvo, a resposta final do programa encontra-se influenciada
pela referida contaminação.
A localização dos pixels puros estimados em relação aos demais pixels da imagem está
representada no escatergrama da Figura 4.14, onde as cruzes representam os pixels que
serviram de dados de entrada para o programa, os asteríscos representam os pixels puros
estimados e os pontos brancos, os demais pixels da imagem. Pode-se perceber que os
pixels puros estimados se localizam de forma mais externa em relação aos pixels que
Comprimento de Onda em µm
98
serviram como dados de entrada, o que se constitui o objetivo do programa. Existem
pixels mais externos do que aqueles que foram escolhidos como dados iniciais, porém
não foi possível utilizar tais pixels como dados de entrada do programa porque seus
valores nas imagens-fração não atendiam aos requisitos impostos para a escolha dos
dados de entrada, especificados no item 3.4.5.5. Pelo resultado obtido fica claro que o
programa encontra valores para os novos pixels que atendem aos resultados esperados
(pixels mais externos), mas se os dados de entrada não são os ideais, o resultado obtido
pelo programa fica influenciado por esta deficiência. No eixo horizontal desse
escatergrama (Figura 4.14) estão representados os valores de reflectância em 8 bits
obtidos na banda 2 (vermelho), enquanto no eixo vertical estão os valores obtidos na
banda 3 (IVP). Os valores dos dados de entrada do programa (pixels representados por
cruzes) encontram-se no Apêndice E.
FIGURA 4.14 – Escatergrama ilustrativo dos pixels estimados.
99
4.6 Modelo de Mistura com Dados ASTER
Após ter obtido as novas curvas de reflectância com o programa implementado, estas
foram aplicadas na obtenção do modelo de mistura para o mosaico de imagens ASTER.
As imagens fração obtidas estão nas Figuras 4.15, 4.16 e 4.17, onde pode ser observado
que as componentes solo, sombra e vegetação ficam mais claras em suas respectivas
imagens-fração. Desta forma as áreas de clareira podem ser identificadas com maior
clareza na fração solo, bem como as estradas e as áreas de solo exposto preparado para
o cultivo. Na imagem-fração sombra, as áreas com presença de água estão mais claras,
assim como as regiões de floresta, devido ao aumento de sombra provocado pelos
dosséis. Na imagem-fração vegetação, as áreas cobertas por vegetação verde sadia e
uniforme, sem a presença de sombras provocadas por árvores são as que se apresentam
mais claras, ficando as áreas de solo exposto e água mais escuras.
FIGURA 4.15 – Imagem-fração solo obtida a partir do mosaico ASTER.
100
FIGURA 4.16 – Imagem-fração sombra obtida a partir do mosaico ASTER.
FIGURA 4.17 – Imagem-fração vegetação obtida a partir do mosaico ASTER
101
Observando-se detalhadamente os resultados obtidos nas novas imagens-fração a partir
das imagens ASTER e comparando-se as mesmas com as imagens-fração obtidas a
partir das imagens IKONOS no início do trabalho, podem-se ressaltar dois fatos:
a) o registro das imagens se mostrou preciso até o final dos processamentos (as
imagens foram reamostradas para 15m após o registro), condição fundamental
para a execução das regressões lineares entre as imagens fração; e
b) algumas feições no terreno aparecem melhor representadas nas imagens-fração
originárias do sensor IKONOS em relação àquelas imagens-fração originárias do
sensor ASTER, apesar de ambas estarem reamostradas para 15m.
A Figura 4.18 ilustra as observações anteriores, mostrando do lado esquerdo uma
composição colorida com as imagens-fração obtidas do sensor IKONOS e na direita
com o sensor ASTER. As setas mostram o mesmo pixel, perfeitamente identificável no
terreno, e na parte inferior as coordenadas de tela do referido pixel.
102
FIGURA 4.18 – Representação da mesma feição em duas composições coloridas resultantes de imagens-fração IKONOS e ASTER (lados esquerdo e direito, respectivamente).
4.7 Regressão Linear
Para medir a correlação entre as imagens-fração obtidas com os dois sensores, foram
realizadas regressões lineares entre as respectivas imagens-fração solo, sombra e
vegetação. Para não haver problemas de correlação espacial, não foram utilizados todos
os pixels das imagens. Foram desenvolvidos dois programas para escolha de pixels. No
primeiro programa (Apêndice C) os pixels foram escolhidos de forma aleatória e
espaçados igualmente por toda a imagem, sendo escolhidos 700 pixels em cada
imagem-fração para integrarem a regressão linear. No segundo programa (Apêndice D)
103
os pixels foram escolhidos segundo o resultado da soma das porcentagens de cada
elemento primário, de forma que cada pixel apresentasse soma igual ou superior a 98%
nas imagens fração. Para evitar a correlação espacial, estes pixels não poderiam estar a
menos de quatro linhas e quatro colunas de outro pixel selecionado. Neste caso, pouco
mais de 200 pixels foram selecionados para a realização das regressões, cujos resultados
estão apresentados nas Figuras 4.19 e 4.20.
FIGURA 4.19 – Resultado da regressão linear com 700 pontos aleatórios e uniformemente espaçados.
104
FIGURA 4.20 – Resultado da regressão linear com 203 pontos escolhidos segundo resultado do modelo de mistura.
O valor de R2 exprime a correlação existente entre os valores estimados pela equação de
regressão aplicados aos valores encontrados em uma imagem e os valores reais
encontrados na outra imagem, determinando assim a correlação entre estas imagens. O
resultado deve variar entre 0 e 1, sendo que o valor 1 significa que a equação de
regressão estabelecida é capaz de estimar com precisão os valores da outra imagem e 0
que tal correlação não pode ser estabelecida. Os valores obtidos se encontraram numa
faixa mediana onde não apontam com clareza nem para um alto grau de correlação, nem
para a falta desta, ou seja, uma fraca correlação entre as duas amostras, sendo que os
piores resultados foram encontrados para a fração vegetação e o melhor para a fração
solo. Comparando-se os resultados entre as duas amostras estabelecidas percebe-se que
houve pequenas modificações para as frações solo (pequena diminuição da amostra com
700 pixels para a amostra com 203 pixels) e sombra (pequeno aumento da amostra com
700 pixels para a amostra com 203 pixels) e praticamente uma estabilidade entre os
valores encontrados para as duas amostras da fração vegetação.
105
Os valores radiométricos estimados foram utilizados para gerar as componentes solo,
sombra e vegetação das imagens ASTER inteiras. Os resultados estão ilustrados nas
Figuras 4.21 e 4.22, a partir da visualização na forma de composições coloridas, onde as
componentes-fração solo, sombra e vegetação estão associadas às cores vermelho, verde
e azul respectivamente.
Floresta Culturas Solo exposto Água/Sombra
FIGURA 4.21 – Composição colorida das componentes-fração solo (R), sombra (G) e
vegetação (B) da imagem ASTER 019.
106
Floresta Cultura Solo exposto Água/Sombra
FIGURA 4.22 - Composição colorida das componentes-fração solo (R), sombra (G) e
vegetação (B) da imagem ASTER 181.
A conjugação dessas componentes na forma de uma composição colorida permite
evidenciar a espacialização de uso e cobertura da terra nessa região, com ocorrência de
áreas de florestas sob influência de exploração madeireira, áreas de solo exposto e com
cultivos agrícolas implantados, cujos formatos regulares auxiliam a caracterização
dessas áreas. As variações de matizes e cores são indicadoras das distintas proporções
de solo, sombra e vegetação em cada um desses sítios temáticos, cujo conhecimento é
essencial na interpretabilidade temática que ilustra a ocupação da terra.
107
CAPÍTULO 5
CONCLUSÕES E SUGESTÕES
Para melhor organização, as conclusões foram separadas em duas partes: pré-
processamento e metodologia e processamento das imagens. As sugestões para
trabalhos futuros encontram-se na sequência das conclusões nos respectivos subtítulos.
5.1 Pré-processamento
O preparo das imagens multisensores para utilização conjunta englobou as seguintes
operações: correção atmosférica, registro entre as imagens e reamostragem dos pixels
para igualar as dimensões das imagens. Em relação a estas operações pode-se afirmar:
a) a correção atmosférica foi realizada por algoritmos diferentes, cujas formulações
e parâmetros considerados para os cálculos diferem entre si. Esta correção foi
realizada com o objetivo de possibilitar a comparação dos valores dos pixels nas
duas imagens, anulando-se interferências externas ao processo de espalhamento
dos alvos na superfície terrestre. A reflectância de superfície é um valor que,
teoricamente, depende apenas dos alvos envolvidos. Contudo, os valores
encontrados nas duas imagens reflectância apresentaram diferenças
consideráveis, inclusive na média e variância dos valores encontrados na área de
floresta, onde não ocorrem grandes mudanças ao longo do tempo considerado.
Não existe algoritmo de correção atmosférica perfeito, mas pode-se considerar
que boa parte da diferença obtida entre os valores dos pixels nas duas imagens
foi ocasionada pelo fato das correções atmosféricas terem sido realizadas por
algoritmos distintos e considerando parâmetros que não foram quantificados nas
duas imagens por imposição dos programas de correção atmosférica;
b) a reamostragem da imagem (para uma resolução espacial em que cada pixel
englobe uma área maior no terreno) através de um filtro que calcule a média
aritmética dos valores dos pixels originais envolvidos e atribua este resultado ao
valor radiométrico do pixel criado, atinge um resultado mais fiel do que se
realizado com método do vizinho mais próximo, que pode ignorar alguns valores
108
originais, e, também mais fiel, do que os resultados obtidos com métodos que
suavizam as altas frequências das imagens. Isto pode ser verificado
matematicamente com facilidade.
As imagens ASTER e IKONOS foram adquiridas com certo nível de
georreferenciamento e corrigidas radiometricamente. Para isso ambas foram
reamostradas pelo método de convolução cúbica, que suaviza os valores radiométricos
dos pixels, ou seja, modifica a radiometria em relação à imagem original. Esta
modificação é facilmente observada ao serem comparados aos valores radiométricos
(DN) de um mesmo pixel na área de sobreposição das duas cenas ASTER. Como as
imagens são contínuas, este pixel foi detectado apenas uma única vez, apesar de
aparecer nas duas cenas com valores radiométricos diferentes. Esta modificação da
radiometria é indesejada para este tipo de trabalho.
Para diminuir a influência das modificações impostas pelos métodos de pré-
processamentos em trabalhos futuros, é desejável que:
a) seja utilizado um programa de correção atmosférica único para a realização
desta operação nas imagens de todos os sensores envolvidos, para que os
parâmetros considerados e a forma de cálculo sejam exatamente as mesmas para
ambos os sensores, minimizando assim as diferenças devido a este
processamento;
b) caso as imagens necessárias ao trabalho sejam solicitadas com a correção
radiométrica e/ou correção geométrica realizados pela própria empresa
fornecedora, deve-se solicitar que a reamostragem dos pixels, para ambas as
operações, seja realizada pelo método do vizinho mais próximo. Este
procedimento é possível de ser realizado em muitas empresas, porém este pedido
deve ser feito quando da aquisição da imagem.
5.2 Metodologia e Processamento
A solução matemática encontrada para a estimação dos novos valores radiométricos dos
pixels puros (item 3.4.5.2) pode ser aplicada para qualquer conjunto de dois sensores.
Matematicamente a solução só não existiria para imagens de sensores cujo número de
109
pixels seja menor que a quantidade de bandas, o que mesmo considerando sensores
hiperespectrais é pouco provável de ocorrer.
O programa desenvolvido com base na solução matemática citada (APÊNDICE A) pode
ser utilizado para qualquer conjunto de dois sensores, necessitando apenas de ajustes
relativos aos valores de entrada das matrizes. O programa foi desenvolvido de forma
que não ocorra falta de memória devido ao tamanho ou quantidade de variáveis, nem
problemas com a precisão dos valores obtidos, pois, para evitar números muito grandes,
estes foram normalizados de forma que os valores finais não fossem alterados. Por isso
a formulação matemática encontrada não foi aplicada de forma direta no programa, pois
haveria problemas com a quantidade de memória alocada caso fosse usada uma imagem
completa.
Verifica-se que, de um modo geral, as feições encontradas nas imagens IKONOS e
imagens-fração originárias destas, apesar de estarem reamostradas para 15m, igualando-
se às imagens ASTER, apresentam uma textura diferente, ressaltando as altas
frequências da imagem, dando a impressão de maior detalhamento. Isto faz com que
vários pixels de valores radiométricos semelhantes, por formarem um mesmo alvo na
imagem ASTER e respectivas imagens-fração, se correlacionem com seus homólogos
(IKONOS) de valores radiométricos que apresentam maior diferença entre si. Este fato
degrada o resultado da correlação espacial esperada entre as imagens e a acurácia dos
cálculos para a estimação dos novos valores radiométricos dos pixels puros a serem
utilizados na imagem ASTER. É interessante que, em trabalhos futuros, este fato seja
confirmado em imagens que tenham sido reamostradas por vizinho mais próximo.
As proporções dos componentes solo, sombra e vegetação obtidos nas cenas IKONOS
aplicadas ao programa desenvolvido possibilitam a estimação de pixels ASTER mais
puros, e estes, por sua vez, utilizados no modelo de mistura espectral, proporcionam
uma melhoria em seu resultado.
Os resultados obtidos com as regressões lineares entre as imagens-fração mostram
valores que indicam fraca correlação entre elas. Além do fato da reamostragem dos
pixels serem realizados por convolução cúbica pelas empresas fornecedoras das
imagens e pela correção atmosférica ter sido realizada por algoritmos diferentes
110
(deficiências abordadas no item 5.1), outros motivos levantados para esta baixa
correlação são:
a) a diferença entre a data de aquisição das imagens ASTER e IKONOS ter sido de
aproximadamente 1 ano;
b) a transformação das imagens de 16 para 8 bits o que acarreta em perda de
informação radiométrica, além do processo não se desenvolver de forma
rigorosamente igual para ambas as imagens;
c) os valores obtidos nos modelos de mistura, fruto da forma com que foram
implementados no software SPRING, já que a maioria dos pixels ficam com
valores diferentes daqueles esperados teoricamente; e
d) a área escolhida para estudo não conter sombras, ou água suficiente para
caracterizar um pixel ASTER como puro, para este tipo de alvo primário.
Para que se possa obter melhores resultados sugere-se que a área de estudo seja mais
adequada, ou seja, contenha alvos que garantam pixels puros para ambas as resoluções
espaciais envolvidas e que sejam utilizadas imagens obtidas simultaneamente, ou que
tenham sido obtidas com pouca diferença temporal, garantindo assim uma maior
semelhança na resposta da vegetação às condições meteorológicas locais da data das
imagens envolvidas.
As imagens IKONOS mostraram potencial para otimizarem o trabalho de campo, porém
os resultados obtidos nas regressões realizadas não são ainda suficientes para
simplesmente expandir esse procedimento à outras áreas, sobretudo pela complexidade
de paisagens encontradas nessa parte da região Amazônica. Para isso, a metodologia
utilizada neste trabalho deve ser testada com as sugestões dadas. Acredita-se que com
essas medidas a correlação entre as imagens aumente de forma considerável e,
consequentemente, aumente o grau de confiabilidade no processo.
111
REFERÊNCIAS BIBLIOGRÁFICAS
Abrahão, A Miglioranza, E.; Godoy Jr., M. Geração de Imagens de proporções através de um modelo linear de mistura. In: Simpósio Brasileiro de Sensoriamento Remoto, 6., 1990, Manaus. Anais. São José dos Campos: INPE, 1990. v. 1, p. 188-198.
Adams, J. B. Kapos, V.; Smith, M. O.; Almeida Filho, R.; Gillespie, A. R; Roberts, D. A. A new Landsat view of land use in Amazonia. In: International Symposium on Primary Data Acquisition, 1990, Manaus. Proceedings…. São José dos Campos: INPE, Jan. 1990. v. 28, p. 177-185.
Adams, J. B.; Sabol, D. E.; Kapos, V.; Almeida-Filho, R.; Roberts, D. A.; Smith, M. O.; Gillespie, A. R. Classification of multispectral images based on fractions of endmembers: applications to land-cover change in the Brazilian Amazon. Remote Sensing of Environment, v. 52, n. 2, p. 137-154, 1995.
Adams, J. B.; Smith, M. O.; Gillespie, A. R. Simple models for complex natural surfaces: a strategy for the hyperspectral era of remote sensing. In: International Geoscience and Remote Sensing Symposium- Canadian Symposium on Remote Sensing, 12. Vancouver. Proceedings… Vancouver: IEEE/CRSS/URSI, 1989. v. 1, p. 16-21.
Adams, J.B.; Smith, M. O.; Johnson, P. E. Spectral mixture modeling: a new analysis of rock and soil types at the Viking Lander 1 Site. Journal of Geophysical Research, v. 91, n. B8, p. 8098-8112, Jul. 1986.
Advanced Spaceborne Thermal and Reflection Radiometer (ASTER). Disponível em: <asterweb.jpl.nasa.gov/default.htm>. Acesso em: 15 jan. 2003.
Aguiar, A. P. D. Utilização de atributos derivados de proporções de classes dentro de um elemento de resolução de imagem ("pixel") na classificação multiespectral de imagens de sensoriamento remoto. 1991. 202p. (5306-TDI/456).Dissertação (Mestrado em Sensoriamento Remoto) - INPE, São José dos Campos, Jan. 1991.
Asner, G. P. Biophysical and biochemical sources of variability in canopy reflectance. Remote Sensing of Environment, v. 64, n. 3, p. 234-253, 1998.
Avissar, R.; Silva Dias, P.L.; Silva Dias, M.A.F.; Nobre, C. The Large-Scale Biosphere-Atmosphere Experiment in Amazonia (LBA): insights and future research needs. Journal of Geophysical Research, v.107, n.D20, Art. No. 8086 Sep-Oct. 2002
Boardman, J.W. Inversion of imaging spectrometry data using singular value decomposition. In: International Geoscience and Remote Sensing Symposium (IGARSS'89). Canadian Symposium on Remote Sensing, 12. Vancouver, 1989. Remote Sensing: an economic tool for the nineties. Piscataway: IEEE, 1989. v. 4, p. 2069-2072.
Câmara Neto, G.; Souza, R. C. M.; Freitas, U. M.; Garrido, J. SPRING: integrating remote sensing and GIS by object-oriented data modelling. Computer Graphics, v. 20, n. 3, p. 395-403, 1996.
Chavez, P.S. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment. v. 24, n. 3, p. 459- 479, Apr. 1988.
112
Chuvieco, E. Fundamentos de teledetección espacial. Madrid: RIALP, 1996. 568 p.
Crane, R. B. Preprocessing techniques to reduce atmospheric and sensor variability in multispectral scanner data. In: International Symposium on Remote Sensing of Environment, 1971, Ann Arbor . Proceedings… Ann Arbor: Environment Research Institute of Michigan, 1971. v. 7, p. 1345 - 1355.
Crósta, A.P. Processamento dgital de imagens de sensoriamento remoto. Campinas: Instituto de Geociências, UNICAMP, 1993. 170 p.
Diretoria do Serviço Geográfico (DSG). ENVI tutorial. Brasília, 1999.
Gao, B.C.; Goetz, A.F.H., Column atmospheric water vapor and vegetation liquid water retrievals from airborne imaging spectrometer data. Journal of Geophysical Research, v.95, n.D4, p.3549-3564, Mar. 1990.
Gates, D. M.; Keegan, H. J.; Schleter, J. C.; Weidner, V. R. Spectral properties of plants. Applied Optics, v. 4, n. 1, p. 11-20, Jan. 1965.
Gillespie, A.R.; Rokugawa, S.; Hook, S.J.; Matsunaga, T.; Kahle, A.B. Temperature/emissivity separation algorithm theoretical basis document, version 2.4. Washington: NASA, 22 March 1999. Contract NAS5-31372.
Guyot, L. A.; Guyon, D.; Riom, J. Factors affecting the spectral response of forest canopies: a review. Geocarto International, v. 4, n. 3, p. 3-18, Set. 1989.
Hoffer, R.M. Biological and physical considerations in applying computer-aided analysis techniques to remote sensor data. In: Swain, P.H.; Davis, S.M. (eds.). Remote sensing: the quantitative approach. New York: McGraw-Hill, 1978. 396p.
Hook, M.A.S.; Ramachandran, B. ASTER User Handbook Version 2. Pasadena: JPL/EROS data Center/NASA, 1999. Disponível em: http://asterweb.jpl.nasa.gov/content/03_data/04_Documents/aster_user_guide_v2.pdf Acesso em: 16 sept. 2005.
Instituto Nacional de Meteorologia (INMET). Tabelas de dados meteorológicos. Brasília, 2003.
Kimes, D. S.; Kichner, J. A. Diurnal variations of vegetation canopy structure. International Journal of Remote Sensing, v. 4, n. 2, p. 257-271, Apr. 1983.
Kneizys, F.X.; Shettle, E.P.; Abreu, L.W.; Chetwynd, J.H.; Anderson, G.P.; Gallery, W.O.; Selby, J.E.A.; Clough, S.A. Users Guide to LOWTRAN. Hampton: AFGL, 1988, 137p. (AFGL-TR-88-0177).
Lillesand, T. M.; Kiefer, R. W. Remote sensing and image interpretation. 3. ed. New York: John Wiley & Sons, 2000. 724 p.
Lu, D.; Mausel, P.; Brondizio, E.; Moran, E. Assessment of atmospheric correction methods for Landsat TM data applicable to Amazon basin LBA research. International Journal of Remote Sensing. v. 23, n. 13, 2651-2671, July. 2002.
Markham, B.L.; Barker, J.L. Radiometric properties of U.S. processed Landsat MSS data. Remote Sensing of Environment. v.22, n. 1, p. 39-71, Jun. 1987.
Mascarenhas, N. D. D.; Correia, V. R. M. Medidas de qualidade de estimadores de proporções de classe dentro de um pixel de imagem de satélite. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 1983. 52 p. (INPE-2791-PRE/354)
113
Mather, P.M. Computer processing of remotely-sensed Images: an introduction. 2. ed. London: John Wiley & Sons, 1999. 292 p.
Nascimento, P. S. R. Avaliação de técnicas de segmentação e classificação por regiões em imagens Landsat TM visando o mapeamento de unidades de paisagem na Amazônia. 102p. (INPE-6391-TDI/607).Dissertação (Mestrado em Sensoriamento Remoto) - INPE, São José dos Campos,1997.
Novo, E.M.L.M. Sensoriamento remoto: princípios e aplicações. São Paulo: Edgard Blucher, 1989. 308p.
Pereira, J. L. G. Estudos de Áreas de Floresta em Regeneração Através de Imagens Landsat.. 104p. (INPE-5987-TDI/578). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 1996.
Ponzoni, F. J. Comportamento espectral da vegetação. In:Sensoriamento remoto: reflectância de alvos naturais. Brasília: Editora UNB, 2001, Cap. 5, p. 157-199.
Projeto RADAMBRASIL. Folha SC. 21 – Juruena; geologia, geomorfologia, solos, vegetação e uso potencial da terra. Rio de Janeiro: DNPM, 1980 (Levantamento de Recursos Naturais, v. 20).
Richards, J.A. Remote sensing digital image analysis: an introduction. Berlin: Springer-Verlag, 1986. 281p.
Roberts, D. A.; Batista, G. T.; Pereira, J. L. G.; Waller, E. K.; Nelson, B.W. Change identification using multitemporal spectral mixture analysis: applications in eastern Amazonia. In: Lunetta R. S. ; Elvidge C. D.(ed.). Remote sensing change detection: environmental monitoring methods and applications. Michigan: Ann Arbor Press, 1998. v.1, cap. 9, p. 137 - 161.
Rojas, E.H.M.; Santos, J.R.; Santa Rosa, A.N.; Silva, N.C. Land use/ land cover mapping in Brazilian Amazon using neural network with ASTER/TERRA data. In : International Society for Photogrammetry and Remote Sensing Congress – ISPRS, 20., 12-23 July, 2004. Istanbul, Turkey. Proceedings… Istanbul: ISPRS, 2004. 1 CD ROM.
Rowan, L.C.; Mars, J.C. Lithologic mapping in the Mountain Pass, California area using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data. Remote Sensing of Environment, v.84, n.3, p. 350–366, 2002.
Schowengerdt, R. Remote sensing: models and methods for image processing. 2.ed. San Diego, USA: Academic Press, 1997. 522p.
Shimabukuro, Y. E.; Mello, E. M. K.; Moreira, J. C.; Duarte, V. Segmentação e classificação da imagem sombra do modelo linear de mistura para mapear desflorestamento na Amazônia. São José dos Campos: INPE, Jan. 1997. 16 p. (INPE-6147-PUD/029)
Shimabukuro, Y. E. Shade images derived from linear mixing models of multispectral measurements of forested areas.. Tese (Doctor of Philosophy) - Colorado State University, Fort Collins, CO, 1987.
Shimabukuro, Y. E.; Smith, J. A. Fraction images derived from Landsat TM and MSS data for monitoring reforested areas.. Canadian Journal of Remote Sensing, v. 21, n. 1, p. 67-74, Mar. 1995.
114
Shimabukuro, Y. E.; Smith, J. A. The least squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, v. 29, n. 1, p. 16-20, Jan. 1991.
Silva, E.L.S.; Ponzoni, F.J. Comparação entre a reflectância hemisférica de folhas e a reflectância bidirecional de um dossel. Revista Árvore, v.19, n.4, p. 466-478, 1995.
Slater, P. N. Remote sensing: optics and optical systems. London: Addison-Wesley, 1980. 575 p.
Song, C.; Woodcock, C.E.; Seto, K.C.; Pax Lenney, M.; Macomber, S.A. Classification and change detection using Landsat TM data: when and how to correct atmospheric effects? Remote Sensing of Environment, v.75, n. 2, p. 230-244, 2001.
Swain P. H.; Davis, S. M. Remote sensing: the quantitative approach. New York: McGraw-Hill, 1978. 396 p.
Toutin, T. 3D topographic mapping with ASTER stereo data in rugged topography. Ontario: Canada Centre for Remote Sensing, 2002.
Tsu, H. Algorithm theoretical basis document for ASTER level-1 data processing (Ver. 3.0) Level-1 Japan: Data Working Group ASTER Science Team, Nov. 1, 1996.
Vermote, E.F.; Tanré, D.; Deuzé, J.L.; Herman, M.; Morcrette, J. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: an overview. IEEE International Geoscience and Remote Sensing. v.35, n.3, p. 675-686, May. 1997.
Yamaguchi, Y.; Fujisada, H.; Kahle, A.; Tsu, H.; Kato, M.; Watanabe. H.; Sato, I.; Kudoh, M. ASTER instrument performance, operation status, and application to Earth Sciences. IEEE Trans. Geosci. Remote Sensing, v. 36, p. 1215-1216, 2001.
Yi, J. L. R.; Aulicino, L. C. M.; Shimabukuro, Y. E.; Rudorff, B. F.; Duarte, V.; Moreira, M. A.; Martini, P. R.; Sousa, I. M. Segmentação de imagens fração derivadas do sensor TM-Landsat para o mapeamento do uso do solo no município de Sapezal (MT). In: Simpósio Brasileiro de Sensoriamento Remoto, 9., 1998, Santos. Anais... São José dos Campos: INPE, 1998. 1 CD-ROM.
115
APÊNDICE A
Listagem do programa para o cálculo dos valores radiométricos dos novos pixels puros
utilizando as bandas do mosaico ASTER e as imagens-fração originárias da cena
IKONOS.
O programa pode ser aplicado para qualquer sensor, o usuário deve apenas atentar para
a mudança dos valores relativos ao tamanho das matrizes de entrada de dados no
programa.
Os valores relativos às porcentagens entram diminuídos do valor 100, ou seja, quando o
SPRING fornece o valor de 182 relativo a porcentagem da vegetação para um
determinado pixel, este valor é diminuído de 100 (182-100 = 82) e no programa é
carregado como 82.
Pro Novosvalores ; Cálculo da matriz PTP ;Entrada dos valores da matriz solo soloOriginal = bytarr(10,3) soloOriginal(0,0) = 82 soloOriginal(1,0) = 74 soloOriginal(2,0) = 74 soloOriginal(3,0) = 75 soloOriginal(4,0) = 70 soloOriginal(5,0) = 75 soloOriginal(6,0) = 75 soloOriginal(7,0) = 68 soloOriginal(8,0) = 55 soloOriginal(9,0) = 99 soloOriginal(0,1) = 01 soloOriginal(1,1) = 0 soloOriginal(2,1) = 04 soloOriginal(3,1) = 0 soloOriginal(4,1) = 07 soloOriginal(5,1) = 02 soloOriginal(6,1) = 09 soloOriginal(7,1) = 13 soloOriginal(8,1) = 01 soloOriginal(9,1) = 05
116
soloOriginal(0,2) = 01 soloOriginal(1,2) = 16 soloOriginal(2,2) = 14 soloOriginal(3,2) = 0 soloOriginal(4,2) = 08 soloOriginal(5,2) = 04 soloOriginal(6,2) = 02 soloOriginal(7,2) = 06 soloOriginal(8,2) = 01 soloOriginal(9,2) = 03 ;Entrada dos valores da matriz sombra sombraOriginal = bytarr(10,3) sombraOriginal(0,0) = 02 sombraOriginal(1,0) = 03 sombraOriginal(2,0) = 04 sombraOriginal(3,0) = 04 sombraOriginal(4,0) = 19 sombraOriginal(5,0) = 15 sombraOriginal(6,0) = 03 sombraOriginal(7,0) = 11 sombraOriginal(8,0) = 12 sombraOriginal(9,0) = 00 sombraOriginal(0,1) = 90 sombraOriginal(1,1) = 71 sombraOriginal(2,1) = 69 sombraOriginal(3,1) = 80 sombraOriginal(4,1) = 83 sombraOriginal(5,1) = 67 sombraOriginal(6,1) = 71 sombraOriginal(7,1) = 55 sombraOriginal(8,1) = 62 sombraOriginal(9,1) = 54 sombraOriginal(0,2) = 01 sombraOriginal(1,2) = 0 sombraOriginal(2,2) = 05 sombraOriginal(3,2) = 10 sombraOriginal(4,2) = 06 sombraOriginal(5,2) = 10 sombraOriginal(6,2) = 09 sombraOriginal(7,2) = 03 sombraOriginal(8,2) = 07 sombraOriginal(9,2) = 05 ;Entrada dos valores da matriz vegetação vegetOriginal = bytarr(10,3) vegetOriginal(0,0) = 15 vegetOriginal(1,0) = 22 vegetOriginal(2,0) = 21
117
vegetOriginal(3,0) = 20 vegetOriginal(4,0) = 10 vegetOriginal(5,0) = 09 vegetOriginal(6,0) = 21 vegetOriginal(7,0) = 19 vegetOriginal(8,0) = 32 vegetOriginal(9,0) = 0 vegetOriginal(0,1) = 08 vegetOriginal(1,1) = 28 vegetOriginal(2,1) = 25 vegetOriginal(3,1) = 18 vegetOriginal(4,1) = 08 vegetOriginal(5,1) = 29 vegetOriginal(6,1) = 18 vegetOriginal(7,1) = 30 vegetOriginal(8,1) = 35 vegetOriginal(9,1) = 39 vegetOriginal(0,2) = 97 vegetOriginal(1,2) = 82 vegetOriginal(2,2) = 80 vegetOriginal(3,2) = 89 vegetOriginal(4,2) = 84 vegetOriginal(5,2) = 85 vegetOriginal(6,2) = 88 vegetOriginal(7,2) = 89 vegetOriginal(8,2) = 91 vegetOriginal(9,2) = 91 ;Entrada dos valores das bandas asterOriginal = bytarr(10,3) asterOriginal(0,0) = 38 asterOriginal(1,0) = 43 asterOriginal(2,0) = 37 asterOriginal(3,0) = 39 asterOriginal(4,0) = 37 asterOriginal(5,0) = 45 asterOriginal(6,0) = 44 asterOriginal(7,0) = 40 asterOriginal(8,0) = 43 asterOriginal(9,0) = 39 asterOriginal(0,1) = 14 asterOriginal(1,1) = 10 asterOriginal(2,1) = 12 asterOriginal(3,1) = 17 asterOriginal(4,1) = 18 asterOriginal(5,1) = 10 asterOriginal(6,1) = 9 asterOriginal(7,1) = 12 asterOriginal(8,1) = 10
118
asterOriginal(9,1) = 12 asterOriginal(0,2) = 13 asterOriginal(1,2) = 15 asterOriginal(2,2) = 15 asterOriginal(3,2) = 14 asterOriginal(4,2) = 15 asterOriginal(5,2) = 16 asterOriginal(6,2) = 16 asterOriginal(7,2) = 16 asterOriginal(8,2) = 15 asterOriginal(9,2) = 14 Temp2 = fltarr(10,3) PTP = fltarr(3,3) Temp = long(soloOriginal)*long(soloOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000. EndFor EndFor PTP(0,0) = total(Temp2) PTP(0,0) = PTP(0,0)/(1.) Temp = long(soloOriginal)*long(sombraOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000. EndFor EndFor PTP(1,0) = total(Temp2) PTP(1,0) = PTP(1,0)/(1.) Temp = long(soloOriginal)*long(vegetOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000. EndFor EndFor PTP(2,0) = total(Temp2) PTP(2,0) = PTP(2,0)/(1.) Temp = long(sombraOriginal)*long(sombraOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000.
119
EndFor EndFor PTP(1,1) = total(Temp2) PTP(1,1) = PTP(1,1)/(1.) Temp = long(sombraOriginal)*long(vegetOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000. EndFor EndFor PTP(2,1) = total(Temp2) PTP(2,1) = PTP(2,1)/(1.) Temp = long(vegetOriginal)*long(vegetOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000. EndFor EndFor PTP(2,2) = total(Temp2) PTP(2,2) = PTP(2,2)/(1.) PTP(0,1) = PTP(1,0) PTP(0,2) = PTP(2,0) PTP(1,2) = PTP(2,1) ; Cálculo da matriz PTD PTD = fltarr(1,3) Temp = long(soloOriginal)*long(asterOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000. EndFor EndFor PTD(0,0) = total(Temp2) PTD(0,0) = PTD(0,0)/(1.) Temp = long(sombraOriginal)*long(asterOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000. EndFor
120
EndFor PTD(0,1) = total(Temp2) PTD(0,1) = PTD(0,1)/(1.) Temp = long(vegetOriginal)*long(asterOriginal) For i=0,9 do Begin For j=0,2 do Begin Temp2(i,j) = Temp(i,j)/10000. EndFor EndFor PTD(0,2) = total(Temp2) PTD(0,2) = PTD(0,2)/(1.) ; Descarregando a memória asterOriginal = 0 soloOriginal = 0 sombraOriginal = 0 vegetOriginal = 0 Temp = 0 Temp2 = 0 ; Cálculo da inversa e de R InversaPTP = fltarr(3,3) InversaPTP = Invert(PTP) R = fltarr(1,3) R = InversaPTP##PTD Help, R Print, R End
121
APÊNDICE B
Listagem do programa do filtro que tem por objetivo transformar cada grupo de 15X15
pixels de 1m de resolução espacial em um único pixel de 15m de resolução e com valor
radiométrico igual à média aritmética dos 225 pixels que lhe deram origem.
Pro Filtro15X15 ; Carregando a imagem Entrada = read_TIFF('c:\Alunos2002\Gelelete\IKONOS\IKONOS2001MultiCorrAtm\IKONOS2001CorAtm8Bits\IKONOS2001CorAtm8bits1mCorteFinal_b4.tif') Saida=make_array(466,472) Soma=0.0 j=1 while (j le 7080) do begin i=1 while (i le 6990) do begin for m=0, 14 do begin for n=0, 14 do begin Soma=Soma+Entrada(i+m,j+n) endfor endfor Saida(i/15,j/15)=Round(Soma/225) Soma=0.0 i=i+15 endwhile j=j+15 endwhile WRITE_TIFF, 'c:\Alunos2002\Gelelete\IKONOS\IKONOS2001MultiCorrAtm\IKONOS2001CorAtm8Bits\IKONOS2001CorAtm8bits15mCorteFinal_b4.tif', Saida Print, "Fim" End
122
123
APÊNDICE C
Listagem do programa que escolhe pixels com espaçamentos iguais por toda a cena.
Neste caso estão espaçados de 702 pixels, para outros casos este valor pode ser
modificado.
Para outras imagens os valores relativos ao tamanho da imagem deve ser modificado.
Pro EscolhadePixel Auxiliar = fltarr(466,471) Imagem1Selecao=fltarr(702) ;466*471/313=702 Imagem2Selecao=fltarr(702) Imagem3Selecao=fltarr(702) Imagem4Selecao=fltarr(702) Imagem5Selecao=fltarr(702) Imagem6Selecao=fltarr(702) ;Definindo matriz auxiliar For i=0, 465 do begin For j=0, 470 do begin Auxiliar(i,j)=0 Endfor Endfor ;Escolha dos endereços, neste caso começa no 0 e pula 313 i=0 For j=0, 470 do begin While (i le 465) do begin AUXILIAR(i,j) = 1 i=i+313 Endwhile i=i-465 Endfor ;Carrega as imagens e aplica os endereços Imagem1 = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-IKONOS15m-Solo.tif') Imagem2 = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-IKONOS15m-Sombra.tif') Imagem3 = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-IKONOS15m-Veget.tif') Imagem4 = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-Mosaico-MosSolo.tif') Imagem5 = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-Mosaico-MosSombra.tif') Imagem6 = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-Mosaico-MosVeget.tif') Ind = where (AUXILIAR eq 1) Imagem1Selecao = Imagem1(Ind) Imagem2Selecao = Imagem2(Ind) Imagem3Selecao = Imagem3(Ind)
124
Imagem4Selecao = Imagem4(Ind) Imagem5Selecao = Imagem5(Ind) Imagem6Selecao = Imagem6(Ind) ;Inverte as matrizes Selecao1 = Transpose (Imagem1Selecao) Selecao2 = Transpose (Imagem2Selecao) Selecao3 = Transpose (Imagem3Selecao) Selecao4 = Transpose (Imagem4Selecao) Selecao5 = Transpose (Imagem5Selecao) Selecao6 = Transpose (Imagem6Selecao) ;Salva os resultados em um diretório openw,1,'c:\Gelelete\idl\Comparação 3\SoloIKONOS' Printf,1,Selecao1 Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\SombraIKONOS' Printf,1,Selecao2 Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\VegetaçãoIKONOS' Printf,1,Selecao3 Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\SoloMos' Printf,1,Selecao4 Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\SombraMos' Printf,1,Selecao5 Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\VegetaçãoMos' Printf,1,Selecao6 Close,1 Print, "FIM" End;
125
APÊNDICE D
Listagem do programa que escolhe pixels de acordo com o resultado do modelo de
mistura.
Os valores limites a serem escolhidos, bem como o tamanho da imagem podem ser
modificados, adaptando-se a outros casos.
Pro EscolhadePixel2 Auxiliar = fltarr(466,470) ;Cont = byte ;Carrega as imagens e aplica os endereços SoloAux = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-IKONOS15m-Solo.tif') SombraAux = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-IKONOS15m-Sombra.tif') VegetAux = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-IKONOS15m-Veget.tif') SoloMosaico = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-Mosaico-MosSolo.tif') SombraMosaico = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-Mosaico-MosSombra.tif') VegetMosaico = read_TIFF('c:\Gelelete\idl\Comparação 3\Mix-Mosaico-MosVeget.tif') ;WRITE_TIFF, 'c:\Gelelete\idl\Comparação 3\SoloAux.tif', SombraAux ;Print, SombraAux(0,0) Cont = 0 ;Soma = float For j=0, 469, 4 do begin For i=0, 465, 4 do begin Soma1 = SoloAux(i,j)/1.+SombraAux(i,j)/1.+VegetAux(i,j)/1. Soma2 = SoloMosaico(i,j)/1.+SombraMosaico(i,j)/1.+VegetMosaico(i,j)/1. If (SoloAux(i,j) ge 100) and (SoloAux(i,j) le 200) and (SombraAux(i,j) ge 100) and (SombraAux(i,j) le 200) and (VegetAux(i,j) ge 100) and (VegetAux(i,j) le 200) and (Soma1 ge 399) and (Soma1 le 400) then begin If (SoloMosaico(i,j) ge 100) and (SoloMosaico(i,j) le 200) and (SombraMosaico(i,j) ge 100) and (SombraMosaico(i,j) le 200) and (VegetMosaico(i,j) ge 100) and (VegetMosaico(i,j) le 200) and (Soma2 ge 399) and (Soma2 le 400) then begin AUXILIAR(i,j) = 1 Cont = Cont+1 Endif Endif else begin AUXILIAR(i,j) = 0 Endelse Endfor Endfor Print, Cont
126
SoloSelecao = fltarr(Cont) SombraSelecao = fltarr(Cont) VegetSelecao = fltarr(Cont) SoloMSelecao = fltarr(Cont) SombraMSelecao = fltarr(Cont) VegetMSelecao = fltarr(Cont) Ind = where (AUXILIAR eq 1) SoloSelecao = SoloAux(Ind) SombraSelecao = SombraAux(Ind) VegetSelecao = VegetAux(Ind) SoloMSelecao = SoloMosaico(Ind) SombraMSelecao = SombraMosaico(Ind) VegetMSelecao = VegetMosaico(Ind) ;Inverte as matrizes SoloSelecaoT = Transpose (SoloSelecao) SombraSelecaoT = Transpose (SombraSelecao) VegetSelecaoT = Transpose (VegetSelecao) SoloMSelecaoT = Transpose (SoloMSelecao) SombraMSelecaoT = Transpose (SombraMSelecao) VegetMSelecaoT = Transpose (VegetMSelecao) ;Salva os resultados em um diretório openw,1,'c:\Gelelete\idl\Comparação 3\SoloIKONOS' Printf,1,SoloSelecaoT Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\SombraIKONOS' Printf,1,SombraSelecaoT Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\VegetaçãoIKONOS' Printf,1,VegetSelecaoT Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\SoloMOS' Printf,1,SoloMSelecaoT Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\SombraMOS' Printf,1,SombraMSelecaoT Close,1 openw,1,'c:\Gelelete\idl\Comparação 3\VegetaçãoMOS' Printf,1,VegetMSelecaoT Close,1 Print, "FIM" End
127
APÊNDICE E
Tabela com os valores de entrada para o programa “Novosvalores” (Apêndice A) NR COORD TIPO SOLO SOMB VEG B1 B2 B3 B4 B5 B6 B7 B8 1 84 - 108 SOLO 182 102 115 38 50 131 139 78 86 82 75 2 114 -384 SOLO 174 103 122 43 61 148 156 103 113 108 1083 103 -400 SOLO 174 104 121 37 52 141 162 105 113 114 1114 107 -394 SOLO 175 104 120 39 54 143 161 67 72 74 67 5 89 - 87 SOLO 170 119 110 37 51 121 147 86 92 90 85 6 54 - 221 SOLO 175 115 109 45 68 121 142 87 93 94 88 7 54 - 225 SOLO 175 103 121 44 66 121 140 89 95 92 86 8 89 - 106 SOLO 168 111 119 40 53 120 165 94 103 97 94 9 38 - 281 SOLO 155 112 132 43 61 127 137 83 82 73 74
10 93 - 78 SOMBRA 199 100 100 39 54 116 144 83 88 86 82 11 138 - 96 SOMBRA 101 190 108 14 14 57 83 43 41 45 38 12 52-256 SOMBRA 100 171 128 10 9 64 50 34 31 28 25 13 137-95 SOMBRA 104 169 125 12 13 67 84 43 41 45 38 14 140-95 SOMBRA 100 180 118 17 17 79 65 39 37 36 29 15 51-201 SOMBRA 107 183 108 18 21 82 71 42 39 37 31 16 52-257 SOMBRA 102 167 129 10 9 61 41 30 27 25 23 17 49-200 SOMBRA 109 171 118 9 8 62 73 41 37 37 30 18 48-199 SOMBRA 113 155 130 12 9 78 75 41 37 37 30 19 52-258 SOMBRA 101 162 135 10 8 62 41 30 27 25 23 20 53-258 VEGET 105 154 139 12 10 70 41 30 27 25 23 21 392-365 VEGET 101 101 197 13 7 165 83 40 38 36 31 22 459-375 VEGET 116 100 182 15 9 166 82 39 39 36 32 23 443-98 VEGET 114 105 180 15 9 170 85 39 40 35 30 24 452-360 VEGET 100 110 189 14 7 164 81 40 38 36 29 25 354-207 VEGET 108 106 184 15 8 166 81 39 37 35 30 26 369-186 VEGET 104 110 185 16 9 170 82 39 39 34 30 27 370-186 VEGET 102 109 188 16 9 168 85 39 41 35 30 28 422-171 VEGET 106 103 189 16 9 165 84 40 38 36 30 29 138-245 VEGET 101 107 191 15 9 166 79 40 38 35 29 30 15-113 VEGET 103 105 191 14 8 169 91 43 41 39 32
Top Related