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