UNIVERSIDADE FEDERAL FLUMINENSE INSTITUTO DE GEOCIÊNCIAS
CURSO DE BACHARELADO EM GEOGRAFIA
DAFNE DA SILVA ARAUJO
AVALIAÇÃO DE MÉTODOS DE CORREÇÃO ATMOSFÉRICA NAS IMAGENS SENTINEL-2
Niterói 2018
DAFNE DA SILVA ARAUJO
Monografia apresentada ao curso de Bacharelado em Geografia, como requisito parcial para a obtenção do título de Bacharel em Geografia.
Orientadora:
Prof.a Dr.a, Cristiane Nunes Francisco
Niterói 2018
A658a Araujo, Dafne da Silva
Avaliação de métodos de correção atmosférica nas imagens Sentinel-2 : / Dafne da Silva Araujo ; Cristiane Nunes Francisco, orientadora. Niterói, 2018.
34 f. : il.
Trabalho de Conclusão de Curso (Graduação em Geografia)- Universidade Federal Fluminense, Instituto de Geociências, Niterói, 2018.
1. Sensoriamento Remoto. 2. Correção Atmosférica. 3. Comportamento Espectral. 4. Produção intelectual. I. Nunes Francisco, Cristiane , orientadora. II. Universidade Federal Fluminense. Instituto de Geociências. III. Título.
CDD - Ficha catalográfica automática - SDC/BIG Gerada com
informações fornecidas pelo autor
DAFNE DA SILVA ARAUJO
COMPARAÇÃO ENTRE MÉTODOS DE CORREÇÃO ATMOSFÉRICA EM IMAGENS SENTINEL-2
Monografia apresentada ao curso de Bacharelado em Geografia, como requisito parcial para a obtenção do título de Bacharel em Geografia.
Aprovada em 21 de novembro de 2018.
BANCA EXAMINADORA
_____________________________________________ Profª Drª. Cristiane Nunes Francisco (Orientadora) - UFF
_____________________________________________ Prof. Dr. Raúl Sánchez Vicens - UFF
_____________________________________________ Prof. Dr. Marcus Vinícius Alves de Carvalho - UFF
Niterói 2018
AGRADECIMENTOS
Agradeço principalmente a Deus por me ter deixado passar por tantas fazes dentro da universidade e me mostrado que Ele é o criador do universo! Sem a Sua criação eu não poderia estar agora estudando as leis que regem o universo. Sem Ele eu não conseguiria ter chegado até aqui, em termos profissionais e pessoais.
Agradeço aos meus pais por terem me ensinado no caminho em que devo seguir. Agradeço pela educação que me deram e pelo grande ensinamento de agarrar as oportunidades, inclusive dentro da universidade. Agradeço pelas irmãs que me deram: Rany e Suzane que são maravilhosas!
Agradeço ao meu, atualmente: namorado e parceiro que entendeu todos os meus finais de semana estudando e em campo. Obrigada por ter participado e me apoiado nisso!
Agradeço a professora Cristiane que me ensinou as técnicas de correção atmosférica desde o terceiro semestre da faculdade e me acompanhou até aqui, concedendo-me inclusive bolsa para continuar a pesquisa.
Agradeço a todo o corpo docente da Geografia! A todos os professores, desde o mais marxista até o mais conservador, pois todos conversavam e apoiavam a mim e a seus alunos. Obrigado aos professores de geografia física e ao Lagef por me ensinado mais sobre a natureza. Pois assim me apaixonei pelas formas de relevo e busquei conhecer mais sobre geologia.
Agradeço a todos os meus colegas de turma e da geografia de modo geral.
Agradeço à banca examinadora deste trabalho pela disponibilidade e comprometimento.
RESUMO
Sensoriamento remoto é um conjunto de técnicas de aquisição de informações sem contato com o objeto, como por exemplo, a aquisição de imagens de satélite. Há camadas da atmosfera que ficam entre o satélite e o objeto imageado interferindo nos dados adquiridos. Para reduzir os efeitos atmosféricos sobre os objetos, existem métodos para corrigi-los denominados como correção atmosférica, que é uma importante etapa de pré-processamento de imagens de satélite. Assim, o presente trabalho tem como objetivo a avaliação de três técnicas distintas de correção atmosférica: Dark Object Subtraction, Sentinel Atmospheric Correction e Atmospheric Correction, utilizando imagens do sensor MSI do satélite Sentinel que abrange a bacia hidrográfica do rio Boa Esperança, situada no município de Nova Friburgo, RJ. Neste trabalho foi possível concluir que dois métodos (Sen2cor e Atcor com correção topográfica) que atenderam às expectativas de corrigir as imagens. São métodos baseados em modelagem atmosférica que apresentaram o comportamento esperado de acordo com a bibliografia. O método Sen2Cor, na região do visível, retirou a interferência do espalhamento atmosférico, principalmente, na banda azul, com redução média de 75% dos valores de reflectância, enquanto, nas demais bandas do visível, a redução média situou-se na faixa de 43%. Na região do infravermelho próximo a reflectância apresentou acréscimo de 15%, devido à absorção eletromagnética da radiação. Já o método ATCOR com correção topográfica obteve decréscimo médio da ordem de 70%, na faixa do visível, enquanto, no infravermelho próximo o acréscimo é de ordem de 8%.
ABSTRACT
Remote sensing is a set of techniques to acquire information without contact with the object, such as acquisition of satellite images. There are layers of atmosphere between the satellite and the imaged object, interfering with the acquired data. To reduce the atmospheric effects on the objects, there are methods to correct them, called: atmospheric correction, which is an important stage of satellite image preprocessing. Thus, the present work aims to evaluate three different atmospheric correction techniques: Dark Object Subtraction, Sentinel Atmospheric Correction and Atmospheric Correction, , using images from the MSI sensor of the Sentinel satellite covering the Boa Esperança river basin, located in the city of Nova Friburgo, RJ. In this work, it was possible to conclude that two methods (Sen2cor and Atcor with topographic correction) that more fulfilled the expectations of correcting images. They are methods based on atmospheric modeling and presented the expected behavior according to the bibliography. The Sen2Cor method, in the visible region, removed the interference of the atmospheric scattering, mainly in the blue band, with an average reduction of 75% of the reflectance values, while in the other visible bands the average reduction was in the range of 43%. In the near infrared region, it had an increase of reflectance values in the order of 15%, due to the electromagnetic absorption of the radiation, according to the literature. On the other hand, the ATCOR method with topographic correction obtained an average decrease of the order of 70%, in the visible range, while in the near infrared the increase is of the order of 8%.
SUMÁRIO
1 INTRODUÇÃO ... 6
2 REFERENCIAL TEÓRICO... 8
2.1 EFEITOS ATMOSFÉRICOS SOBRE AS IMAGENS DE SENSORIAMENTO REMOTO... 8
2.2 COMPORTAMENTO ESPECTRAL DOS ALVOS... 10
2.3 CORREÇÃO ATMOSFÉRICA... 11
3 METODOLOGIA... 14
3.1 CARACTERIZAÇÃO DA ÁREA DE ESTUDO... 14
3.2 MATERIAIS... 15
3.3 MÉTODOS... 16
4 RESULTADOS E DISCUSSÕES... 19
4.1 ANÁLISE DA CURVA ESPECTRAL POR ALVOS... 19
4.2 ANÁLISE DA CURVA ESPECTRAL POR MÉTODOS... 24
1. INTRODUÇÃO
Segundo Lorenzzetti (2015), sensoriamento remoto é definido como um conjunto de técnicas de aquisição de informações sobre a propriedade do objeto sem contato físico com ele. Alguns autores, como Jensen (2009), acreditam que uma fotografia tirada por um observador na superfície já é uma técnica de sensoriamento remoto, pois se utiliza de um sensor para obtenção de informações à distância, ou seja, sem contato entre o operador e o objeto. Outros, como Lorenzzetti (2015), restringem as suas pesquisas em sensoriamento remoto a dados coletados por sensores instalados em satélites artificiais orbitais.
Tomando-se em conta essa delimitação de Lorenzzetti (2015), em que as imagens de satélite são principal foco de estudo do sensoriamento remoto, é possível notar o avanço das pesquisas nessa área do conhecimento, desde a década de 1960, quando a agência espacial americana, NASA, começou a lançar os seus primeiros satélites para órbita, com apenas alguns sensores, detectores de radiação e com outras poucas funções. Logo após, os satélites com sensores imageadores são lançados no espaço, com resolução espacial de algumas dezenas de metros e com poucas bandas espectrais.
Atualmente, um grande avanço na ciência espacial foi o lançamento da série de satélites Sentinel pela agência espacial europeia, ESA. Esse sistema conta com a alta tecnologia, alto nível de processamento de dados, aquisição de imagens e disponibilidade de softwares gratuitos para o processamento das imagens. Nesse sentido, a missão Sentinel chega para acrescentar e corroborar com os avanços das pesquisas sobre sensoriamento remoto. O presente trabalho lança mão dessa inovação tecnológica e busca trazer novos conhecimentos no estado da arte das imagens desse novo satélite da ESA.
Com a evolução das técnicas de sensoriamento remoto, foram criados algoritmos para diminuir a influência da camada atmosférica sobre os dados obtidos. Como os sensores capturam informações das propriedades dos objetos da superfície da Terra em órbita, todas as camadas da atmosfera ficam entre o satélite e o objeto imageado, interferindo na resposta espectral dos objetos. Dessa forma, por volta das décadas de 1980 e 1990, pesquisas sobre a interferência atmosférica em sensoriamento remoto começaram a ser desenvolvidas. Nesse sentido, destaca-se Chavez (1988) como um dos pioneiros nos estudos sobre os efeitos atmosféricos nas imagens de satélite. Ele elaborou um dos primeiros e principais métodos, até
7
hoje, sobre a correção dos efeitos atmosféricos nas imagens orbitais. Esse procedimento se tornou, nos últimos anos, um passo essencial para a preparação de imagens a serem processadas, constituindo assim uma importante etapa do pré-processamento de imagens de satélite.
As técnicas de correção atmosférica variam em seu grau de complexidade devido aos parâmetros necessários para corrigir as imagens de sensoriamento remoto. Assim, é possível classificar as técnicas de sensoriamento remoto de duas maneiras: os métodos empíricos e os baseados em modelos de transferência atmosférica. Os empíricos utilizam dados que o usuário capta da imagem, tendo maior participação do usuário no cálculo da interferência atmosférica. Já os modelos atmosféricos já possuem modelagem atmosférica em seu sistema e utilizam dados da própria imagem para adquirir características da atmosfera no momento da aquisição da imagem de satélite. Sendo assim, a correção atmosférica é o tema tratado no presente estudo sobre as imagens do satélite Sentinel.
Devido à forte influência da atmosfera na aquisição de imagens de satélite, o presente trabalho tem como objetivo a avaliação de três técnicas distintas de correção atmosférica: Dark Object Subtraction, modelo empírico, e Sentinel Atmospheric Correction e Atmospheric Correction, modelos de transferência atmosférica, utilizando imagens do sensor MSI do satélite Sentinel que abrange a bacia hidrográfica do rio Boa Esperança, situada no município de Nova Friburgo, RJ.
A escolha da área de estudo, na região serrana do estado do Rio de Janeiro, foi de fundamental importância devido aos aspectos climáticos da região onde a área está inserida. Devido à elevada altitude, a temperatura da área estudada é mais baixa, acarretando elevada concentração de vapor d’água e aerossóis na atmosfera. Dessa maneira, faz-se necessário a aplicação de técnicas de correção atmosférica para melhorar a qualidade das informações contidas na imagem de sensoriamento remoto da área de estudo.
O presente trabalho está dividido em cinco capítulos. O capítulo inicial contém a introdução do tema abordado. O segundo capítulo de referencial teórico contém os principais conceitos sobre interferência atmosférica, comportamento espectral dos alvos, correção atmosférica e as técnicas de correção atmosférica nas imagens de sensoriamento remoto. O terceiro capítulo discorre sobre os métodos de correção atmosférica utilizadas neste trabalho. O capítulo quatro traz a apresentação e a discussão dos resultados a partir da comparação e análise da resposta espectral das classes de cobertura da terra nas técnicas de correção atmosférica utilizadas. Finalmente, tem-se a conclusão do trabalho no capítulo cinco.
2. REFERENCIAL TEÓRICO
Como visto anteriormente, as imagens de sensoriamento remoto são adquiridas por meio da detecção eletromagnética das propriedades dos objetos a longas distâncias (LORENZZETTI, 2015). O sensor aqui estudado é multiespectral, ou seja, adquire informações nas faixas do visível e infravermelho do espectro eletromagnético. Desta forma, como já mencionado, ao imagear a superfície da Terra, os sensores também obtêm informações sobre a atmosfera, devido aos seus componentes e material particulado que a compõe, que provocam efeitos sobre a radiação incidente como: absorção, espalhamento e reflexão.
2.1. EFEITOS ATMOSFÉRICOS SOBRE AS IMAGENS DE
SENSORIAMENTO REMOTO
A radiação eletromagnética é formada por grupos de fótons (partículas de energia) que se movimentam no vácuo. Cada um desses grupos de fótons está associado a certa frequência e comprimento de onda (NOVO, 2010). Por isso, há variação espectral do índice de refração da luz branca, podendo decompor-se em diversos comprimentos de onda (ou cores). Os comprimentos de onda podem ser agrupados em intervalos. Esses intervalos, em imagens multiespectrais de sensoriamento remoto, são chamados de bandas do espectro eletromagnético.
Quando a radiação incide na atmosfera, ou em qualquer superfície, ela é refletida pelo mesmo plano com ângulo igual e oposto à radiação incidente em superfície lisa (JENSEN, 2009). A reflectância é a propriedade de refletir a radiação incidente para Ponzoni e Shimabukuro (2010). Essa reflexão pode ser diferenciada pela superfície refletora, como na superfície lisa, que é chamada de reflexão especular ou na superfície rugosa, na reflexão difusa (JENSEN, 2009). Grande parte da radiação incidente no planeta é refletida pelas
9
próprias nuvens e gases da atmosfera (superfície rugosa) e os sensores orbitais captam justamente a radiação refletida.
Contudo, além da superfície de reflexão, há outros parâmetros da atmosfera que influenciam a radiação, como: umidade atmosférica, aerossóis, dióxido de carbono e outros. Novo (2010) aponta que a umidade absorve a radiância em sua trajetória pela atmosfera, além de aumentar a concentração de aerossóis. A concentração de aerossóis também é chamada de espessura ótica ou turbidez. Quanto menor a visibilidade horizontal, maior a turbidez e o espalhamento da radiância (NOVO, 2010). A mesma autora também cita o dióxido de carbono, o oxigênio e o ozônio como os principais componentes da atmosfera que absorvem a radiação solar.
A absorção é o processo em que a energia dos fótons é convertida em outras formas de energia (LORENZZETTI, 2015) quando a radiação eletromagnética atravessa a atmosfera. O conceito de absorção da radiância é importante para entender janelas atmosféricas, que correspondem a intervalos do espectro eletromagnético em que a atmosfera não absorve a radiação, ou seja, transmite eficientemente a energia radiante, “abrindo” essa janela atmosférica (JENSEN, 2009). Ponzoni e Shimabukuro (2010) afirmam que a absorção atmosférica ocorre especialmente na região do visível do espectro eletromagnético, com isso torna-se uma constante interferência atmosférica na aquisição de dados de sensoriamento remoto a partir de sensores multiespectrais.
Outro efeito atmosférico que influencia fortemente a radiação é o espalhamento. Ele refere-se ao desvio da luz de modo não definido, quando ela passa por dois meios com densidades distintas (JENSEN, 2009). Em cada meio a velocidade da radiação é diferente, ocasionando um espalhamento com direção imprevisível. O espalhamento, assim como, os outros efeitos da atmosfera são condicionados ao tamanho do diâmetro das moléculas atmosféricas que interferem a radiação (JENSEN, 2009).
Segundo Jensen (2009) há três tipos de espalhamento: espalhamento Rayleigh que é quando a matéria possui diâmetro inferior ao comprimento de onda da radiação incidente e, geralmente, ocorre pela interação com as moléculas de gás da atmosfera na altura de 2 a 8 quilômetros de altitude. Já o espalhamento Mie ocorre na camada inferior da atmosfera (sobre o solo) onde estão as partículas de aerossóis que possuem tamanho bem próximo ao do comprimento de onda. Também existe o espalhamento não seletivo das partículas maiores que o comprimento de onda da radiação incidente e que estão na parte mais baixa da atmosfera.
Nesse sentido, Novo (2010) afirma que, quanto menor o comprimento de onda, maior o espalhamento provocado pela atmosfera. Assim, bandas da região do visível espalham a radiação, especialmente, a faixa azul devido à presença de vapor de água e aerossol. Por outro lado, a atmosfera absorve a radiação na faixa espectral do infravermelho devido à presença de aerossol, umidade atmosférica e dióxido de carbono na atmosfera.
2.2 COMPORTAMENTO ESPECTRAL DOS ALVOS
Os diferentes objetos na superfície terrestre que são imageados pelos sensores podem ocorrer em áreas distintas e de modos diferentes. A variação radiométrica da energia é importante para que se analise o objeto dentro do seu contexto em diferentes intervalos espectrais. A interação radiométrica dá origem ao estudo do comportamento espectral de objetos ao longo do espectro eletromagnético a partir da assinatura espectral do alvo estudado. Ponzoni e Shimabukuro (2010) apresentam que o comportamento espectral da vegetação na região do visível é definido pela presença dos pigmentos da folha vegetal. Dentre os pigmentos, a clorofila é a dominante, representando cerca de 65%, segundo os mesmos autores. A clorofila absorve a energia incidente na região do visível e a converte em calor para a realização da fotossíntese. Já, no infravermelho próximo, a absorção de radiação pelas plantas é pequena, porém ocorre espalhamento da radiação eletromagnética. Ela incide diretamente nas folhas com maior volume de energia nessa faixa, se elas absorvessem toda a energia, provavelmente queimariam; sendo assim a reflectância é geralmente alta nesta faixa (PONZONI; SHIMABUKURO, 2010).
Jensen (2009) ainda aponta que as células mesófilas das folhas, que são responsáveis pela fotossíntese, possuem também grande importância na assinatura espectral da vegetação. O mesófilo paliçádico é mais atuante na região do visível, absorvendo principalmente a radiação da faixa do azul e do vermelho. Já o mesófilo lacunoso possui maior interação no infravermelho próximo, porém refletindo a radiação. Sendo, assim, é possível afirmar que o
11
comportamento espectral da vegetação é de absorção na região do visível e de reflexão no infravermelho.
Novo (2010) afirma que em ambientes descampados, como os campos e pampas, o comportamento espectral é fortemente influenciado pelo solo. Nas amostras deste alvo, bem como de afloramento rochoso, devido à escassez de água, os valores de reflectância são mais altos na região visível do espectro, se comparado à vegetação. O afloramento rochoso também absorve parte da radiação eletromagnética no infravermelho, devido ao vapor d’água nas inclusões minerais.
Segundo Novo (2010), a região do infravermelho sofre pela absorção dos compostos de ferro, principalmente, as rochas cristalinas ricas em ferro. Contudo, a superfície de um AFL reflete a radiação na região do infravermelho próximo devido à presença de minerais, ou seja, há elevados índices de reflectância de AFL nessa região do espectro.
Dessa forma, na faixa do visível, a VDI possui menores valores de reflectância devido à clorofila, pois ela absorve a radiação (Jensen, 2009). Já, campo e afloramento rochoso possuem valores maiores devido à exposição de minerais que refletem a radiação. Enquanto na região do infravermelho próximo há absorção, conforme a presença de ferro no solo ou rocha.
2.3 CORREÇÃO ATMOSFÉRICA
Como visto anteriormente, as imagens de sensoriamento contêm informações da atmosfera devido aos seus componentes que interferem na propagação da radiação ocasionando espalhamento ou absorção da energia. Para Novo (2010), o maior efeito da atmosfera sobre as imagens é a redução do contraste da imagem, que dificulta a diferenciação de pequenos objetos e, também, sua identificação na imagem. A mesma autora aponta ainda que os efeitos atmosféricos podem alterar a variação de nível de cinza de um pixel, alterando o comportamento espectral do alvo.
Novo (2010) e Almeida et al. (2015) explicam que, para uma melhor classificação espectral do objeto, é necessário fazer a correção atmosférica da imagem de satélite, que consiste num método de alterar os valores de fator de reflectância aparente (com o efeito atmosférico), para valores de reflectância da superfície, de modo a alterar ou minimizar os efeitos dos gases e material particulado da atmosfera na resposta espectral do alvo.
Os métodos de correção atmosférica permitem a melhor distribuição dos valores espectrais dos alvos ao longo do histograma da imagem, reduzindo os valores nulos da imagem, por exemplo, e assim, o nível de contraste é aumentado em toda a cena. Novo (2010) destaca a importância da correção atmosférica ao utilizar grandezas radiométricas, como reflectância, radiância e espalhamento da superfície, para realização de operações aritméticas entre bandas, bem como para comparar uma série histórica de imagens de satélite.
Diversos trabalhos já foram feitos com intuito de avaliar os métodos de correção atmosférica e verificar o mais adequado para as imagens orbitais, como: Silveira, Martins e Cruz (2017), Santos et al. (2017), Soares et al (2015), Gonçalves e Francisco (2017), Almeida et al (2015).
Para realizar a correção atmosférica, é necessária uma série de informações do ambiente e do sensor para estimar os processos de espalhamento e de absorção da atmosfera. Quando esses dados não estão disponíveis, existem métodos empíricos simples que podem corrigir os erros grosseiros da imagem. Desta forma, existem dois tipos de correção atmosférica: a correção feita a partir de modelos atmosféricos que utilizam dados da própria imagem para modelar as características da atmosfera no momento da aquisição da imagem de satélite e os modelos empíricos que utilizam dados que o usuário capta da imagem.
Neste trabalho será abordado o método empírico de Subtração de Objetos Escuros (DOS, sigla em inglês), proposta por Chavez (1988), que é um método empírico de correção atmosférica bem conhecido em sensoriamento remoto. Esse método assume que em qualquer imagem há uma grande probabilidade de existir alguns pixels completamente escuros, ou seja, com zero valor de reflectância. O mesmo autor aponta que podem corresponder, por exemplo, áreas com água limpa ou com sombra devido à topografia acidentada ou à presença de nuvens. Como essas áreas não refletem energia, na imagem, deveriam se apresentar com valor zero. Contudo, a diferença entre o valor deste pixel não nulo e o zero que deveria apresentar corresponde à contribuição da interferência atmosférica.
13
O método de Chavez (1988) tenta encontrar o valor do pixel escuro (teoricamente, tais locais não refletem radiação para o sensor) e subtraí-lo da imagem, pois, possivelmente, a atmosfera adicionou esse valor em todos os pixels. Entretanto, os métodos baseados em modelos atmosféricos necessitam de informações extras, além das oferecidas pelas imagens de satélite, como dados atmosféricos ou dados in situ, o método DOS é baseado apenas nas informações da imagem, o que simplifica e torna mais eficiente o procedimento (CHAVEZ, 1988). A sua precisão não é muito aceita por alguns autores, pois o método DOS considera apenas o espalhamento e não a absorção atmosférica, porém esse método de correção atmosférica é melhor que correção nenhuma.
Já o modelo atmosférico de Sen2Cor (Sentinel 2 Atmospheric Correction) é um método baseado em modelagem atmosférica. Ele depende do cálculo das funções de transferência radiativa para diferentes sensores e geometrias, elevação do solo e parâmetros atmosféricos, como: ângulo zenital, azimute, ângulo de visada do sensor, altitude visibilidade e vapor d’água. O processador lê os parâmetros requeridos a partir dos metadados pertencentes à imagem através da função Look-Up-Tables (LUTs) e os interpolam se necessário. As LUTs têm gerado uma biblioteca para o cálculo de energia solar e térmica na atmosfera da Terra (WILM; DEVIGNOT; PESSIOT, 2018).
ATCOR (Atmospheric Correction) é um método baseado no método MODTRAN (Moderate Resolution Atmospheric Transmission) e disponível no software proprietário PCI Geomatics. Os parâmetros do ATCOR e a configuração das bandas são feitas automaticamente pela ferramenta (DLR GERMAN AEROSPACE CENTER, 2004). Apresenta a possibilidade de obter uma imagem corrigida atmosfericamente e sem o efeito de névoa ocasionado pela umidade atmosférica, através do cálculo da regressão entre as bandas do azul e vermelho, excluindo os pixels da água pela faixa do infravermelho próximo (RESE APLICAÇÕES SCHLÄPFER, 2016).
O ATCOR também permite que um modelo digital de elevação (MDE) seja adicionado ao modelo para o relevo da área em estudo ser considerado na correção atmosférica. O relevo ondulado tem um comportamento de reflectância bidirecional estabelecido pela lei de reflectância lambertiana, que usa como base, um ângulo de campo de visão pequeno a médio (RESE APLICAÇÕES SCHLÄPFER, 2016). Assim, o modelo de correção considera que em relevo plano, a radiação obtida pelo sensor ocorre a partir da radiação refletida do pixel imageado e dos vizinhos, enquanto, em relevo ondulado ou
montanhoso, o sinal recebido pelo sensor pode vir de diversas direções devido a inclinação do relevo (SATELLITE IMAGING COORPORATION, 2017).
3 METODOLOGIA
3.1 CARACTERIZAÇÃO DA ÁREA DE ESTUDO
A cidade de Nova Friburgo, localizada na região serrana do Estado do Rio de Janeiro, possui clima ameno e relevo com mais de 400 metros de altitude, composto como serras escarpadas, isoladas e morros, dependendo da sua altitude, de acordo com INEA (2010). A sua vegetação também é classificada de acordo com a altitude em: floresta ombrófila densa altomontana, montana e submontana, segundo o mesmo autor. Dentro desse contexto está a Bacia Hidrográfica do Rio Boa Esperança, área de estudo deste trabalho, localizada a nordeste do distrito de Lumiar, no município de Nova Friburgo (Figura 1). Como uso e cobertura da terra são observados as seguintes classes: floresta em diferentes estágios de sucessão, afloramento rochoso, agricultura, plantio de eucalipto, pastagem e área urbana.
15
Figura 1: Mapa de localização da bacia hidrográfica do rio Boa Esperança
3.2 MATERIAIS
Foi obtida, a partir do portal USGS Earth Explorer (2018), a imagem 23KQR do dia 2 de agosto de 2016 do satélite Sentinel-2 para a área estudada. Segundo a Agência Espacial Europeia (ESA), Sentinel é uma missão do Observatório do Copernicus Radar Europeu em uma iniciativa em conjunto com a Comissão Europeia. Ao todo, a missão Copernicus conta com sete constelações de 14 satélites cada, ou seja, em cada constelação há um par de satélites (A e B) para aumentar o tempo de revisita, cobrindo área localizada entre a latitude 84º norte até 56º sul com largura da faixa orbital possui 290 quilômetros. Operam simultaneamente em 180º de distância, numa altitude de 786 quilômetros da superfície terrestre (ESA, 2017). Essa posição orbital é medida por Sistema Global de Navegação por Satélites (Global Navigation Satellite System, GNSS), mantida por um sistema de propulsão.
Cada constelação Sentinel produz determinado tipo de dados. O Sentinel-2 monitora a parte continental do globo terrestre observando as condições do terreno com tempo de
revisita de cerca de dez dias na região do Equador e, de cinco dias, nas latitudes médias. Essa missão conta com dois satélites síncronos, por isso, em situações de céus limpo, a revisita diminui para dois a três dias nas latitudes médias. (ESA, 2017). A alta frequência de passagem dos satélites permite o monitoramento do uso e cobertura da terra através de treze bandas espectrais, sendo quatro com dez 10 metros de resolução espacial, seis bandas com 20 metros e duas bandas com 60 metros (ESA, 2017). Nesse estudo, utilizaram-se as quatro bandas espectrais com 10 metros de resolução espacial.
Número da
Banda Nome da Banda
Comprimento de Onda Central (nm) Comprimento da banda (nm) 2 Azul 496,6 98 3 Verde 560,0 45 4 Vermelho 664,5 38 8 Infravermelho Próximo 835,1 145
Tabela 1: Bandas espectrais do satélite Sentinel – 2 Fonte: ESA, 2018 (modificado)
Os sensores do Sentinel-2 são capazes de fornecer imagens de alto nível com os dados de reflectância de topo da atmosfera na projeção cartográfica UTM WGS 84, disponibilizados em quatro níveis de processamento. O nível 0 (zero) corresponde aos dados comprimidos com todas as informações para se obter os demais níveis de processamento. O nível 1 é dividido em A, B e C. No nível 1A, as bandas espectrais já estão associadas a informações auxiliares. No nível 1B, a imagem está corrigida radiometricamente, o modelo geométrico físico é refinado usando pontos de controle de solo disponíveis e anexado ao produto. Enquanto no nível 1C, utilizado nessa pesquisa, os dados possuem valores de reflectância de topo-da-atmosfera.
Como o Sentinel-2 foi lançado em órbita em junho de 2015, ainda são necessários estudos iniciais, diante disso, suas imagens foram escolhidas para a realização desse estudo e, também, devido às suas características, como alta resolução espacial, temporal e alto nível de processamento, que justificam a sua utilização.
17
3.3 MÉTODOS
As imagens do Sentinel-2 foram processadas por três ferramentas de correção atmosférica: o Sen2Cor acessado pelo software livre SNAP 5.0, o ATCOR disponível no software proprietário Geomatica 20171 e pelo método DOS calculado com a utilização do ArcGIS2.
O software livre SNAP 5.0, desenvolvido pela ESA, deve ser instalado conjuntamente com a extensão Sen2Cor (Sentinel 2 Atmospheric Correction), ambos disponíveis na internet. Os parâmetros para a correção atmosférica podem ser configurados pelo usuário ou automaticamente pelo software. Como aerossol da área imageada, foi selecionado o aerossol rural pelo Sen2Cor entre os três disponíveis, marinho, automático ou rural, para áreas continentais (WILM; DEVIGNOT; PESSIOT, 2018). Isso também ocorreu em todos os demais parâmetros. Apenas os valores de ângulo zenital e de azimute foram definidos pelo usuário calculados com base nos dados disponíveis dos metadados.
O software Geomatica foi utilizado para calcular o ATCOR. Para minimizar o efeito do relevo pelo ATCOR, neste estudo, foram utilizados dados do SRTM (Shuttle Radar Topography Mission) com resolução espacial de 30 metros. Através deste MDE, os parâmetros de elevação foram retirados automaticamente, para calcular a condição de iluminação diferenciada do relevo ondulado (SATELLITE IMAGING COORPORATION, 2017).
Também foi utilizado o método empírico DOS, proposto por Chavez (1988). Para realizá-lo, primeiramente, foi feita a coleta dos dados de pixels escuros (como: afloramento rochoso sombreado e floresta densa sombreada) e, posteriormente, subtraídos da imagem através do cálculo de bandas (Raster Calculator) do software ArcGis.Como os dados originais já estavam reflectância de topo da atmosfera (ToA), não foi necessário nenhuma transformação em dados físicos (radiância para reflectância).
Desta forma, como resultado, foram produzidas cinco imagens com correção atmosférica: (a) um produto do Sen2Cor (S2C), (b) três corrigidas, com o algoritmo ATCOR ,
1
Licença FreeTrial (teste) de estudante para o Instituto de Geociências
sendo que sem correção do efeito de névoa (AT), uma com correção do efeito de névoa (ATN) e uma com correção do relevo (ATM); e (c) uma com correção por DOS.
Após a obtenção dos resultados da aplicação dos métodos de correção atmosférica, através do software ArcGis, foram coletados dez pontos amostrais aleatórios de cada um dos seis alvos de cobertura da terra, totalizando 60 amostras: vegetação densa e iluminada (VDI) floresta exposta a luz solar, vegetação densa e sombreada (VDS) - floresta na sombra, eucaliptal (EUC)- plantio de eucalipto, vegetação herbácea (HER) - arbustos, campo (CAM) - pasto, e afloramento rochoso (AFL) - superfície com substrato rochoso exposto (Figura 2).
Figura 2: Mapa de localização das amostras na área estudada
O valor de reflectância foi retirado de cada ponto amostral nas cinco imagens corrigidas, além da imagem sem correção, correspondente à reflectância do topo da atmosfera (TOA), através da ferramenta “extract multivalues to points” do ArcGIS. Com base nos valores médios dos pontos amostrais de cada alvo foram construídas as curvas espectrais para as imagens corrigidas e não corrigida. Por fim, as curvas espectrais foram analisadas de acordo com o comportamento espectral esperado obtido naa literatura.
19
4 RESULTADOS E DISCUSSÕES
Os resultados da aplicação dos métodos de correção atmosférica estão representados por curvas espectrais. Na primeira parte do capítulo, são analisadas, conjuntamente, as curvas espectrais de cada alvo por todos os métodos aplicados e, na segunda parte, são analisadas as curvas espectrais de todos os alvos nos métodos que apresentaram desempenho de acordo com o comportamento espectral esperado.
4.1 ANÁLISE DA CURVA ESPECTRAL POR ALVOS
Pode-se notar que as amostras são compostas pela componente vegetação, que é predominante na classe VDI, e o componente solo, que é predominante na classe AFL e também em CAM.
Dessa forma, a partir desses dois componentes é possível relembrar a literatura sobre o comportamento espectral da vegetação: absorção radiação eletromagnética na região do visível e a reflete no infravermelho. Enquanto o componente solo possui valores maiores na região do visível devido à exposição de minerais que reflete a radiação. Enquanto, no infravermelho há absorção, conforme a presença de ferro no solo ou rocha exposta.
Sendo assim, o comportamento esperado em todos os alvos é que os valores de reflectância sejam menores no visível e maiores no infravermelho próximo. No entanto, para os alvos com predominância da componente vegetação, na região do visível, a banda do verde deve apresentar um valor maior que os valores do azul e do vermelho.
O método sem correção apresenta valores de topo da atmosfera (ToA), no visível apresenta espalhamento e o infravermelho absorve a radiação eletromagnética. Com base nos resultados de ToA, espera-se que nas imagens corrigidas, haja queda dos valores da faixa do
visível, devido ao espalhamento da radiação, e aumento dos valores na faixa do infravermelho, devido à absorção atmosférica.
Desta forma, é possível analisar que os valores de reflectância de VDI devem cair na faixa do visível a partir da correção atmosférica. Entretanto, nos métodos ATCOR, ATCOR sem neblina e DOS, isso não acontece (fig 3a). São sendo ideal para a correção dessa classe na região do visível. Na faixa do infravermelho próximo, todos os valores aumentam exceto no método DOS.
O mesmo acontece para as outras classes de vegetação: VDS (fig 3b), EUC (fig 3c), HER (fig 3d). Sendo que apenas o método S2C conseguiu obter resultados mais elevados na banda verde do que das outras bandas da região do visível e o método ATCOR com correção topográfica fez isso apenas para as classes de VDI, EUC e HER.
No infravermelho próximo a maior parte dos métodos eleva os valores dos alvos, exceto o método DOS. No entanto, a VDS apenas foi corrigida nessa região através do método ATCOR com correção topográfica, provavelmente por sua localização e estado sombreado.
Os alvos com componentes de solo: CAM (fig 3e) e AFL (fig 3f), no visível, apenas os métodos AT e ATN não corrigiram eficientemente as amostras, diminuindo pouco seus valores, principalmente, na banda do vermelho em que obtiveram valores inclusive maiores que ToA. No infravermelho próximo todos os métodos conseguiram elevar os valores, consideravelmente, exceto o método DOS que mais uma vez se mostrou ineficiente na região do infravermelho, reduzindo os valores de radiação eletromagnética.
Dentre os modelos atmosféricos utilizados neste trabalho, o método S2C apresentou resultados bem próximos ao esperado. Na região do visível, a correção retirou a interferência do espalhamento atmosférico, principalmente, na banda azul, que apresentou decréscimo médio de 75%, enquanto, nas demais bandas do visível, a redução média situou-se na faixa de 43%. No entanto, acentuou o pico na banda 3 verde , comportamento esperado, devido à atuação da clorofila que absorve a radiação azul e vermelha em maior quantidade do que a radiação verde.
O método S2C também alcançou resultados esperados para a região do infravermelho próximo com acréscimo de reflectância na ordem de 15%. Como nessa região a atmosfera absorve a radiação eletromagnética, espera-se que o modelo adicione valores para
21
corrigir o efeito da atmosfera e, desta forma, os valores de reflectância fiquem mais elevados. Por isso, esse método elevou a resposta espectral de todos os alvos.
Comparando-se os resultados da aplicação do método AT verifica-se que ATM aproxima-se aos do S2C. Na faixa do visível, o decréscimo médio é da ordem de 70%, enquanto, no infravermelho próximo o acréscimo é de ordem de 8%.
É interessante notar, no entanto, que a VDS apresentou redução no Sen2Cor, enquanto, no ATM houve, o acréscimo, possivelmente em função da correção topográfica. Desta maneira, é correto afirmar que o método AT possui um eficiente modelo de transferência radiativa para a região do infravermelho próximo, pois leva em consideração o efeito de espalhamento da atmosfera.
B2 B3 B4 B8 ToA 800 626 406 2305 S2C 136 269 191 2549 AT 634 213 420 2752 ATN 651 220 142 2752 ATM 183 264 166 2463 DOS 372 373 241 2259 0 0,5 1 1,5 2 2,5 3 3,5 4 R e fl e ctân ci a (a) VDI B2 B3 B4 B8 ToA 723 478 291 598 S2C 21 50 45 431 AT 544 19 281 568 ATN 544 19 12 568 ATM 112 102 54 680 DOS 295 225 126 552 0 0,5 1 1,5 2 2,5 3 3,5 4 R e fl e ctân ci a (b) VDS B2 B3 B4 B8 ToA 811 638 418 3296 S2C 145 279 200 3785 AT 644 230 434 4019 ATN 667 237 157 4019 ATM 171 260 166 3479 DOS 383 385 253 3250 0 0,5 1 1,5 2 2,5 3 3,5 4 R e fl e ctân ci a (c) EUC B2 B3 B4 B8 ToA 887 770 616 2416 S2C 266 478 460 2683 ATM 290 464 421 2735 AT 755 420 686 2894 ATN 773 425 406 2894 DOS 459 517 451 2370 0 0,5 1 1,5 2 2,5 3 3,5 4 R e fl e ctân ci a (d) HER
23
Figuras 3 : Curvas espectrais dos alvos: vegetação densa e iluminada (a - VDI) floresta exposta a luz solar, vegetação densa e sombreada (b - VDS) - floresta na sombra, eucaliptal (c - EUC)- plantio de eucalipto, vegetação herbácea (d - HER) - arbustos, campo (e - CAM) - pasto, e afloramento rochoso (f - AFL)
B2 B3 B4 B8 ToA 1037 1023 1022 2560 S2C 505 860 991 2861 AT 970 772 1192 3078 ATN 985 777 914 3078 ATM 446 727 816 2613 DOS 609 770 857 2514 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 R e flec tân cia (e) CAM B2 B3 B4 B8 ToA 914 840 726 2247 S2C 327 600 616 2484 AT 805 522 821 2676 ATN 810 523 541 2676 ATM 350 552 534 2378 DOS 486 587 561 2201 0 0,5 1 1,5 2 2,5 3 3,5 4 R e fl e ctân ci a (f) AFL
4.2 ANÁLISE DA CURVA ESPECTRAL POR MÉTODOS
Os resultados das classes obtidas serão analisados com base nos valores de ToA. Os alvos com maior componente de vegetação (VDI, VDS, EUC e HER) possuem comportamento espectral similar, ou seja, menor reflectância na região do visível com pico no verde e maior no infravermelho próximo. As classes de EUC e de VDI apresentam maior similaridade de comportamento, porém no infravermelho, eles se destacam devido ao elevado valor.
A vegetação herbácea apresenta elevado valor no visível devido ao aumento do componente solo, em relação à vegetação. Já a vegetação sombreada apresenta os menores valores nas duas regiões do espectro, provavelmente, devido a sua localização no relevo inclinado e estado sombreado.
Os alvos com maior influência do componente solo: AFL e CAM possuem maiores valores de refletância na região do visível. Sendo o AFL menor também no infravermelho. Porém não é menor que a VDI, que no método ATM, acrescentou mais valor que S2C, considerando a topografia.
25
Figuras 4: Curvas espectrais das imagens de acordo com modelos atmosféricos: Sentinel 2 Atmospheric Correction (a - S2C) e Atmospheric Correction com correção topográfica (b - ATM).
B2 - Azul B3 - Verde B4 - Vermelho B8 - IVP
VDI 136 269 191 2549 VDS 21 50 45 431 EUC 145 279 200 3785 HER 266 478 460 2683 CAM 505 860 991 2861 AFL 327 600 616 2484 0 0,5 1 1,5 2 2,5 3 3,5 4 R e fl e ctâ n ica
B2 - Azul B3 - Verde B4 - Vermelho B8 - IVP
VDI 183 264 166 2463 VDS 112 102 54 680 EUC 171 260 166 3479 HER 290 464 421 2735 CAM 446 727 816 2613 AFL 350 552 534 2378 0 0,5 1 1,5 2 2,5 3 3,5 4 R e fl e ctâ n cia (a) S2C (b) ATM
6 CONCLUSÃO
Este estudo analisou, nas imagens do satélite Sentinel-2, os resultados da correção atmosférica de cinco métodos distintos S2C, DOS, AT, ATN e ATM. Eles foram comparados com dados de refletância de ToA das imagens originais.
O método DOS não reduziu o espalhamento nas bandas do visível, conforme realizado pelos outros métodos, além de ter reduzido o valor da reflectância no infravermelho, o que é incorreto, pois é a faixa de absorção da atmosfera. Os resultados do TN foram semelhantes ao método AT, não correspondendo ao esperado.
Dentro os métodos testados, o S2C e ATM foram aqueles que atingiram o resultado esperado. No entanto, o segundo apresentou melhor desempenho na correção da absorção na banda do infravermelho da vegetação sombreada, sendo o único entre as técnicas testadas que acrescentou valor de reflectância, provavelmente, devido à correção considerando a topografia.
Verificando, assim, a importância da correção topográfica em conjunto com a correção atmosférica, recomenda-se avaliar a aplicação da técnica S2C utilizando o modelo digital de elevação, pois este algoritmo pode ser a melhor alternativa, considerando ser um aplicativo gratuito.
27
REFERÊNCIAS
ALMEIDA, Rafael Vilela Justino de; et al. Comparação dos Métodos de Correção Atmosférica: ”6S” e “DOS” processadas em dados do sensor TM/Landsat 5 e
correspondentes a região de ocorrência da turfeira Pd-F.. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO - SBSR, 17., 2015, João Pessoa. Anais XVII Simpósio
Brasileiro de Sensoriamento Remoto - SBSR. São José dos Campos: Inpe, 2015. p. 6861
- 6866. Disponível em: <http://www.dsr.inpe.br/sbsr2015/files/p1503.pdf>. Acesso em: 02 set. 2018.
DLR GERMAN AEROSPACE CENTER (Alemanha). R. Richter. ATCOR: Atmospheric and Topographic Correction. 2004. Disponível em:
<http://www.dlr.de/eoc/Portaldata/36/Resources/dokumente/technologie/atcor_flyer_march20 04.pdf>. Acesso em: 19 jul. 2018.
ESA. Agencia Espacial Europeia. Disponível em: <https://earth.esa.int/web/sentinel/home> Acesso em julho 2017.
ESA (France). Products and Algorithms. 2017. Disponível em:
<https://earth.esa.int/web/sentinel/technical-guides/sentinel-2-msi/msi-instrument>. Acesso: 06 jul. 2018.
GONÇALVES, J. T.; FRANCISCO, C. N. Comparação entre os métodos de correção
atmosférica MODTRAN e DOS em imagens do RapidEye. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 18, 2017, Santos. Anais SBSR. São José dos Campos: INPE,
2017. p. 2307 - 2314. Disponível em: <http://urlib.net/8JMKD3MGP6W34M/3PSLQC5>. Acesso em: 28 jun. 2018.
INEA. O estado do ambiente.2010. Disponível em:
<http://www.inea.rj.gov.br/cs/groups/public/documents/document/zwew/mde1/~edisp/inea00 15448.pdf> Acesso em: 06 jul. 2018.
Jensen, J.R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos Campos: Parêntese, 2009.
LORENZZETTI, João Antônio. Princípios físicos de sensoriamento remoto. São Paulo: Bluvher, 2015. 293 p.
Novo, E. M. L. M. Sensoriamento remoto: princípios e aplicações. São Paulo: Blucher, 2010.
NOVA FRIBURGO. PREFEITURA. A Cidade. 2014. Disponível em:
<http://novafriburgo.rj.gov.br/atendimento-ao-cidadao/nova-friburgo/>. Acesso em: 06 jul. 2018.
Ponzoni; F.J.; Shimabukuro, Y.E. Sensoriamento Remoto no Estudo da Vegetação. São José dos Campos: Parêntese, 2010.
29
SATELLITE IMAGING COORPORATION (Houston). Atmospheric & Topographic Correction (ATCOR). 2017. Disponível em:
<https://www.satimagingcorp.com/services/atcor/>. Acesso em: 19 jul. 2018.
SANTOS, Talita Calaça Costa dos et al. COMPARAÇÃO DE MODELOS DE CORREÇÃO ATMOSFÉRICA PARA IMAGEM WORLDVIEW-2. Revista Brasileira de Cartografia, Rio de Janeiro, v. 2, n. 69, p.229-240, 2017. Disponível em:
<https://www.researchgate.net/publication/321792950_COMPARACAO_DE_MODELOS_D
E_CORRECAO_ATMOSFERICA_PARA_IMAGEM_WORLDVIEW-2_Comparison_of_Atmospheric_Correction_Models_for_Worldview-2_Image>. Acesso em: 02 set. 2018.
SILVEIRA, Jéssica Layna Costa; MARTINS, Jéssica Silva; CRUZ, Carla Bernadete Madureira. Análise comparativa da correção atmosférica de imagem OLI landsat 8 dos métodos ATCOR e DOS. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO - SBSR, 18., 2017, Santos. Anais do XVIII Simpósio Brasileiro de Sensoriamento Remoto - SBSR. São José dos Campos: Inpe, 2017. p. 2600 - 2007. Disponível em:
<https://proceedings.galoa.com.br/sbsr/trabalhos/analise-comparativa-da-correcao-atmosferica-de-imagem-oli-landsat-8-dos-metodos-atcor-e-dos?lang=pt-br>. Acesso em: 02 set. 2018.
SOARES, Fernanda Silva et al. Análise comparativa da correção atmosférica de imagem do Landsat 8: o uso do 6S e do ATCOR2. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO - SBSR, 17., 2015, João Pessoa. Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR. São José dos Campos: Inpe, 2015. p. 1821 - 1828. Disponível em: <http://www.dsr.inpe.br/sbsr2015/files/p0358.pdf>. Acesso em: 02 set. 2018.
USGS (EUA). Earth Explorer. 2018. Disponível em: <https://earthexplorer.usgs.gov/>. Acesso em: 19 jul. 2018.
WILM, Uwe Mueller; DEVIGNOT; PESSIOT. Sen2Cor ConfigurationandUser
Manual. 2018. Disponível em: <http://step.esa.int/main/third-party-plugins-2/sen2cor/>. Acesso em: 06 jul. 2018.
