Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Análise comparativa do NDVI estimado a partir de valores de níveis digitais originais e
de reflectâncias aparente e de superfície
Michel Eustáquio Dantas Chaves 1
Guilherme Augusto Verola Mataveli 2
João Vitor Roque Guerrero 3
Rodrigo Cesário Justino 4
1
Universidade Federal de Lavras - UFLA
Caixa Postal 3037 - 37200-000 - Lavras - MG, Brasil
[email protected]
2
Instituto Nacional de Pesquisas Espaciais - INPE
Caixa Postal 515 - 12227-010 - São José dos Campos - SP, Brasil
[email protected]
3
Universidade Federal de São Carlos – UFSCAR
Caixa Postal 676 – 13565-905 – São Carlos – SP - Brasil
[email protected]
4
Universidade Federal de Alfenas – UNIFAL-MG
Caixa Postal 221 - 37130-000 – Alfenas – MG, Brasil
[email protected]
Abstract. Understanding the behavior of vegetation is a complex activity, however, remote sensing is helping to
facilitate the analysis, supporting and providing data about the vegetation. The present study aims to conduct a
comparative analysis between three ways to calculate the Normalized Difference Vegetation Index (NDVI),
using the original digital numbers (DN), using apparent reflectance and using surface reflectance. The study area
is the city of São Carlos - SP and the used scene, properly registered, was obtained from the image catalog of the
National Institute for Space Research (INPE), acquired by TM sensor on board Landsat 5 satellite. The
methodological steps were performed in Sistema de Informações Georreferenciadas(SPRING) developed by
INPE. The conversion of the original digital level data to apparent radiance and further to apparent reflectance
occurred by applying equations in LEGAL, a specific language implemented in SPRING. To convert the
apparent reflectance data to surface reflectance data was used the radiative transfer model Second Simulation of
Satellite Signal in the Solar Spectrum (6S), developed by Vermonte et al (1997). The results show significant
differences between the NDVI originated from the surface reflectance data and the NDVI generated from
apparent reflectance and original digital number, showing the sensitivity of NDVI to atmospheric influence.
Palavras-chave: remote sensing, vegetation index, apparent reflectance, surface reflectance sensoriamento
remoto, índices de vegetação, reflectância aparente, reflectância de superfície.
1. Introdução
Inúmeros estudos têm sido realizados a fim de compreender a dinâmica da vegetação, um dos
principais e mais complexos temas de estudo que utilizam em sua abordagem as técnicas de
sensoriamento remoto, que por sua vez, é uma das tecnologias que mais contribuem e
motivam o avanço nos conhecimentos de como a vegetação processa a radiação
eletromagnética, graças à sua cobertura sinóptica e repetitiva da superfície terrestre; se
mostrando uma valiosa fonte de dados para estudos acerca da vegetação (Sausen, 2002).
O sensoriamento remoto evoluiu e definitivamente se consolidou como uma ciência capaz
de dar suporte ao estudo de diversas variáveis ambientais face à sua natureza de aplicabilidade
nas ciências físicas, biológicas e sociais.
8261
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
No âmbito das tecnologias de sensoriamento remoto disponíveis, o uso de dados
ambientais adquiridos através de satélites tem permitido estudos com maior profundidade de
investigação e, principalmente, com maior confiabilidade. Oferece em particular os índices de
vegetação, oriundos de combinações lineares de dados espectrais, que realçam o sinal da
vegetação ao mesmo tempo em que minimizam as variações na irradiância solar e os efeitos
do substrato do dossel vegetal (Jackson e Huete, 1991).
Os índices de vegetação são técnicas de realce da vegetação através de operações
matemáticas simples, usadas em processamento digital de imagens de sensoriamento remoto
(Crósta, 1993). A combinação mais utilizada tem sido a diferença normalizada (Normalized
Difference Vegetation Index-NDVI), porém essa operação é muito sensível às condições da
atmosfera (Jackson et al., 1983), demonstrando em alguns casos a necessidade da aplicação
do processamento de correção atmosférica, em especial para estudos que procuram
caracterizar espectralmente os alvos de interesse.
Correção atmosférica esta, que é feita com a intenção de minimizar os efeitos
atmosféricos na radiância de um alvo, visto que a atmosfera, devido aos fenômenos de
espalhamento, absorção e refração da energia eletromagnética, afeta a radiância refletida ou
emitida que é captada pelo sensor. A correção atmosférica também é necessária para o cálculo
de índices de vegetação computados a partir de duas ou mais bandas espectrais, visto que as
bandas são afetadas diferentemente pelo espalhamento atmosférico (Mather, 1999).
Porém, dependendo da aplicação, nem sempre é necessário realizar este procedimento,
como nos casos em que se procura apenas demonstrar a distribuição do índice, sem fazer
relação com algum parâmetro biofísico.
Para a geração dos índices de vegetação, é preciso observar tanto a sua aplicação quanto o
tipo de dado que será utilizado de base para o seu cálculo. Ele pode ser originado a partir de
valores de Números Digitais (NDs) originais e de valores de reflectância aparente e de
superfície.
As imagens ópticas usualmente são fornecidas com valores dos pixels em números
digitais, os quais são adimensionais e não comparáveis com os de outras imagens. É
conveniente transformar esses números para alguma grandeza física, geralmente reflectância
(Kuntschik, 2004).
A reflectância é uma das propriedades intrínsecas ao alvo, definida pelas características
físicas, químicas e biológicas deste, e varia espectralmente. Através de imagens de satélite
pode-se estimar a reflectância planetária (reflectância aparente) e a reflectância da superfície
para cada elemento da imagem (“pixel”) nas respectivas bandas espectrais. A reflectância
aparente é resultante apenas da conversão dos números digitais (ND) da imagem em valores
de refletância, sem aplicação de correção atmosférica, enquanto que a reflectância da
superfície é estimada eliminando-se a contribuição da atmosfera em cada “pixel”, através da
modelagem da interação da radiação eletromagnética com os gases atmosféricos
radiativamente ativos (Slater, 1980).
2. Objetivo
O objetivo deste trabalho é fazer uma análise comparativa do Índice de Vegetação por
Diferença Normalizada – NDVI, gerado a partir de três tipos de dados diferentes: dados de
reflectância aparente, dados em valores de nível digital original e dados convertidos para
reflectância da superfície, este último utilizando o modelo de transferência radiativa 6S para
a correção atmosférica.
8262
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3. Materiais e Métodos
3.1 Localização e caracterização da área de estudo
O Município de São Carlos está localizado na região central do Estado de São Paulo,
entre as coordenadas 47º30’ e 48º15’ Longitude Oeste e 21º30’ e 22º15’ Latitude Sul,
conforme mostrado na Figura 1. A área ocupada pelo município é de 1.140,90 km2. Seu clima
é considerado temperado de altitude, com verão chuvoso e inverno seco, com precipitação
média de 1512 mm anuais. A economia local baseia-se primordialmente na atividade
industrial e na agropecuária, que é composta principalmente pelo plantio da cana-de-açúcar,
laranja, leite e criação de frango. (Oliveira, 1996).
Figura 1. Localização da área de estudo dentro do Estado de São Paulo, em uma imagem do
satélite Landsat 5 TM, RGB 543.
3.2. Descrição do modelo de transferência radiativa utilizado para a correção
atmosférica
O modelo de correção empregado (Segunda Simulação de Sinais de Satélites no Espectro
Solar - 6S) foi desenvolvido para a simulação do sinal de sensores remotos entre 0,25 μm e
4,00 μm (Vermote et al., 1997). É um dos modelos de transferência radiativa mais utilizados
para correção tanto do espalhamento quanto da absorção da radiação na atmosfera.
Para Latorre et al., (2002), esse método foi proposto para modelar o sinal do sensor
baseando-se nas seguintes características:
a) modelos estatísticos baseados nas bandas de absorções atmosféricas;
b) modelagem de várias funções atmosféricas para um tratamento completo do processo de
espalhamento; e
c) um tratamento aproximado de interação entre os dois efeitos.
Inicialmente, o código estima o sinal no sensor sem a absorção dos gases. Se a banda
espectral exibir alguma contaminação, o sinal é corrigido por um fator de transmissão de
gases.
Os parâmetros de entrada são as condições do local, o modelo atmosférico para os
componentes dos gases, o modelo de aerossóis, a banda espectral de observação, o tipo de
reflectância do terreno e a variação espectral. A transmitância dos gases, a irradiância da
8263
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
superfície e as diferentes contribuições para o sinal do satélite de acordo com a origem da
radiância medida são também produzidas por códigos (Latorre et al., 2002).
3.3. Metodologia Aplicada
Em um primeiro momento, a cena foi devidamente registrada, a partir de uma imagem do
mesmo satélite e sistema sensor, ortorretificada, com datum WGS 1984 e projeção UTM
(GLCF, 2004), utilizando o polinômio de primeiro grau e interpolação por vizinho mais
próximo. O erro médio quadrático foi inferior a 0,5 pixel (Daí e Khorram, 1998).
Para a construção dos mapas de NDVI, foram utilizadas as bandas do vermelho e ao
infravermelho próximo em uma imagem da área de estudo obtida pelo sensor Thematic
Mapper (TM) correspondente à órbita 220 ponto 075 datada de 12 de junho de 2010. As
etapas descritas a seguir foram realizadas no Sistema de Informações Georreferenciadas
(SPRING) (Câmara et. al., 1996), desenvolvido pelo Instituto Nacional de Pesquisas
Espaciais (INPE).
A conversão dos dados originais de nível digital (ND) para radiância aparente e
posteriormente para reflectância aparente ocorreu através da aplicação das Equações 1 e 2 em
linguagem LEGAL implementada no SPRING.
(1)
onde
é a radiância aparente para um determinado comprimento de onda,
e
são, respectivamente, a radiância espectral mínima e máxima captadas
para uma determinada banda do TM e obtidas a partir de tabelas de conversão fornecidas
pelos responsáveis pelo sensor,
é o nível digital máximo captado pelo TM (255, já que
a resolução radiométrica é de 8 bits) e ND é o nível digital a ser convertido.
(2)
onde
é a reflectância aparente para o comprimento de onda ,
é a variável
que compensa a excentricidade da órbita terrestre em torno do Sol,
é a radiância
aparente para um determinado comprimento de onda,
é a irradiância solar no topo da
atmosfera no comprimento de onda e é o ângulo zenital solar.
Para a conversão dos dados de reflectância aparente para reflectância da superfície foi
utilizado o modelo de transferência radiativa Segunda Simulação de Sinais de Satélites no
Espectro Solar (6S) (Vermote, 1997), sendo que foram adotadas como condições iniciais a
visibilidade de 50 quilômetros, a atmosfera tropical e o modelo de aerossóis continental.
Com os três tipos de dados em mãos, partiu-se então para a confecção dos mapas de
NDVI a partir da Equação 3.
(3)
onde NDVI é o índice de vegetação por diferença normalizada, NIR é o valor de ND,
reflectância aparente ou reflectância de superfície na banda do infravermelho próximo do TM
e RED é o valor de ND, reflectância aparente ou reflectância de superfície na banda do
vermelho do sensor TM.
8264
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
4. Resultados e Discussão
Os índices de vegetação, dentre outros objetivos, ressaltam a resposta espectral da
vegetação em relação ao solo e a outros alvos da superfície terrestre devido ao
comportamento antagônico da reflectância da vegetação nas regiões espectrais do
infravermelho próximo e do visível (Ponzoni e Shimabukuro, 2007). O NDVI é sensível à
influência atmosférica, e pode ter seu valor aumentado ou diminuído dependendo das
condições da atmosfera durante a aquisição da imagem (Holben, 1986).
A Figura 2 apresenta o NDVI obtido com os três dados utilizados durante o estudo,
Figura 2(a) reflectância aparente, Figura 2(b) ND original e Figura 2(c) reflectância de
superfície. Observa-se que sem a correção atmosférica, o NDVI dos alvos de vegetação tende
a ser subestimado. O mesmo foi relatado por Zullo Jr et al (1996) ao comparar valores
médios de NDVI calculados a partir de reflectância aparente e de reflectância de superfície
obtidos pelo programa SCORADIS.
Vale ressaltar que as imagens adquiridas para o estudo dispunham de condições
atmosféricas favoráveis no momento de aquisição, com pouca ou quase nenhuma
interferência de nuvens e neblinas; apenas no quadrante 4 haviam algumas nuvens.
Figura 2. As três estimativas de NDVI obtidas a partir de (a) reflectância aparente, (b)
valores de ND originais e (c) de reflectância da superfície.
Observa-se que a diferença de NDVI obtido entre o ND original e a reflectância aparente
não é muito grande. Já a diferença de NDVI entre ambas e a terceira, corrigida
atmosfericamente, foi considerável. Esse exemplo mostra a importância de fazer uma
correção atmosférica adequada quando o objetivo do trabalho é caracterizar espectralmente os
alvos de interesse. A Figura 2 apresenta valores altos na escala do índice, sugerindo um vigor
vegetativo e uma biomassa maiores, o que era esperado já que grande parte do uso da terra na
área de estudo são plantações de cana-de-açúcar, que em sua maioria estavam próximas do
período de colheita na data da aquisição da imagem.
Na Figura 2(c), os valores mais altos podem ter ocorrido pelo fato da imagem ter passado
por um processo de correção atmosférica, que diminuiu interferências e ruídos e retirou o
efeito de dispersão da energia eletromagnética nas partículas de água suspensas na atmosfera.
Dessa forma, por haver menor interferência dos diversos constituintes atmosféricos na Figura
2(c), presume-se que seus dados de resposta espectral são mais confiáveis em relação às
outras estimativas de NDVI, e que esse pré-processamento anterior à execução do índice
8265
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
deixa a análise mais concreta e mais próxima da realidade, o que é extremamente desejável ao
se trabalhar com caraterização espectral de alvos. Um dos fatores que corroboram esta
informação diz respeito ao estágio de desenvolvimento das culturas existentes na região, visto
que culturas como a cana-de-açúcar e o milho, características do local, encontravam-se no
auge, próximas da colheita, e por isso, apresentando maior vigor e biomassa.
A Figura 3 apresenta o NDVI de determinados pontos de interesse de acordo com os
dados utilizados para o cálculo do NDVI. Nos gráficos gerados, encontra-se a diferença de
resposta espectral de três alvos (cana-de-açúcar, solo com palha e floresta). Os resultados
mostram que os três alvos obtiveram maiores valores na escala do índice após a correção
atmosférica, ou seja, com NDVI feito a partir de dados de reflectância de superfície. Houve
uma variação significativa entre os dois tipos de NDVI sem correção atmosférica e o NDVI
corrigido.
Figura 3. Resposta espectral de 3 alvos com diferentes dados para a estimativa do NDVI.
Para a cana-de-açúcar, os valores saltaram de 0,58 no NDVI efetuado com ND iniciais
para 0,8 no NDVI a partir de dados de reflectância de superfície, passando por 0,6 no NDVI
feito com dados de reflectância aparente. No solo com palha, os valores foram de 0,10 no
NDVI efetuado com ND iniciais para 0,2 no NDVI a partir de dados de reflectância aparente e
0,25 no NDVI de reflectância de superfície. A maior variação ocorreu no alvo floresta. O
valor obtido com o NDVI realizado com os ND iniciais foi de 0,56. Para o NDVI com
reflectância aparente, obteve-se um valor de 0,61 e para o NDVI corrigido atmosfericamente,
de reflectância de superfície, o valor atingiu 0,81 na escala do índice.
8266
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Embora concluamos que efetuar o NDVI após a correção atmosférica seja mais confiável,
conforme a aplicação, talvez não é necessário realizar este procedimento, como em casos
onde se procura somente demostrar a dinâmica do índice. Em estudos que envolvam análises
multitemporais, como monitoramentos e necessitem de dados na mesma escala radiométrica,
esse pré-processamento é tido como imprescindível. Caso sejam utilizados dados de sensores
diferentes ou até o mesmo sensor, mas em plataformas diferentes, o processo mais indicado é
a Normalização Radiométrica.
5. Conclusões
Os resultados obtidos comprovam a sensibilidade do NDVI aos efeitos da atmosfera,
exemplificando a importância que um pré-processamento tem no tratamento de uma imagem
de satélite. Os três tipos de dados utilizados para a geração do índice de vegetação se diferem
entre si, porém o NDVI de reflectância de superfície (com correção atmosférica) se diferencia
mais, apresentando valores bastante diferentes dos demais e sempre maiores.
Com o avanço tecnológico, diversas técnicas e programas que visam corrigir os efeitos da
atmosfera vêm sendo desenvolvidos e aprimorados. Para a aplicação de modelos baseados na
teoria da transferência radiativa (Chandrasekhar, 1960), como o 6S (Second Simulation of the
Satellite Signal in the Solar Spectrum) (Vermote et al., 1997), é preciso ter informações sobre
parâmetros da atmosfera local no horário de aquisição das imagens de satélite, o que permite
um melhor embasamento físico na correção atmosférica.
No caso específico deste estudo, as técnicas de sensoriamento remoto, processamento
digital de imagens e transformação de dados foram eficazes e cumpriram os objetivos
propostos. Embora a correção atmosférica não seja necessária a todas as aplicações, sua
realização é capaz de gerar uma diferença significativa nos resultados finais.
Referências Bibliográficas
Câmara, 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.
Chandrasekhar, S. Radiative transfer. New York: Dover Publicantions Inc., 1960, 393 p.
Dai, X.; Khorram, S. The effects of image misregistration on the accuracy of remotely sensed change detection.
IEEE Transactions on Geoscience and Remote Sensing, v. 36, n. 5, p. 1566-1577, 1998.
GLCF. Geocover Technical Guide. Produced by University of Maryland/USA, 2004. Disponível em:
<http://glcf.umiacs.umd.edu/data/guide/>. Acesso em: 07 nov. 2012.
Holben, B.N. Characterization of maximum value composites from temporal AVHRR data. International
Journal of Remote Sensing, v. 7, n. 11, p. 1417-1434, 1986.
Jackson, R. D.; Huete, A. R. Interpreting vegetation indices. Preventive Veterinary Medicine, v.11, n.3-4,
p.185-200, 1991
Jackson, R. D., Slater, P. N., Pinter, P. J. Jr. Discrimination of growth and water stress in wheat by various
vegetation indices through clear and turbid atmospheres. Remote Sensing of Environment, v.13, p.187-208,
1983.
Jensen, J.R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos
Campos: Parêntese, 2009. 604 p.
Kuntschik, G. 2004. Estimativa de biomassa vegetal lenhosa em cerrado por meio de sensoriamento óptico e de
radar. 154 p. Tese (Doutorado em Ecologia) – Instituto de Biociências da Universidade de São Paulo, São Paulo.
Latorre, M.; Carvalho Júnior, O. A. de; Carvalho, A. P. de; Shimabukuro, Y. E. Correção atmosférica: conceitos
e fundamentos. Espaço & Geografia, Vol.5, No 1 (2002), 153:178 ISSN: 1516-9375
8267
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Mather, P.M. Computer processing of remotely-sensed images: an introduction. New York: John Wiley &
Sons, 1999, 292p.
Murakami, T.; Ogawa, S.; Ishitsuka, N.; Kumagai, K.; Saito, G. Crop discrimination with multitemporal
SPOT/HRV data in the Saga Plains, Japan. International Journal of Remote Sensing, v. 22, n. 7, p.1335-1348,
2001.
Oliveira, C.H. 1996. Planejamento ambiental na cidade de São Carlos (SP) com ênfase nas áreas públicas e
áreas verdes: diagnósticos e propostas. 181 p. Dissertação (Mestrado em Ecologia e Recursos Naturais) –
Universidade Federal de São Carlos, Carlos.
Ponzoni, F.J.; Shimabukuro, Y.E. Sensoriamento Remoto no Estudo da Vegetação. São Paulo. Editora
Parêntese. 2007.
Sausen, T. M. Sensoriamento Remoto e suas Aplicações para Recursos Naturais. Coordenadoria de Ensino,
Documentação e Programa Especiais. São José dos Campos: INPE, 2002.
Slater, P.N. Remote sensing: optics and optical systems. New York, Addison-Wesley, 1980. 515p.
Silva, P.R.; Ducati, J.R. Spectral features of vineyards in south Brazil from ASTER imaging. International
Journal of Remote Sensing, v. 30, n. 23-24, p. 6085-6098, 2009.
Vermote, E.F.; Tanré, D.; Deuzi, J.L.; Herman, M.; Morcrette, J.J. Second simulation of the satellite signal in the
solar spectrum: an overview. IEEE Transactions on Geoscience and Remote Sensing, v. 35, p. 675-686, 1997.
8268