Construindo Séries Temporais de Imagens de Satélite para

Construindo Séries Temporais de Imagens de Satélite para
Sumarização de Dados Climáticos e Monitoramento de Safras
Agrícolas
Daniel Y. T. Chino1, Luciana A. S. Romani1,2, Agma J. M. Traina1
1
Departamento de Ciências de Computação
Instituto de Ciências Matemáticas e de Computação – Universidade de São Paulo
Caixa Postal 668 – 13560-970 – São Carlos – SP – Brasil
2
Embrapa Informática Agropecuária
Caixa Postal 6041 - 13083-886 – Campinas – SP – Brasil
[email protected]
{alvim|agma}@icmc.usp.br
Abstract. This paper describes the SatImagExplorer system, which has been
developed by given a measurement provided dynamically by the specialist to
automatically generate time series from satellite image sequences from a
directory. The specialist can interactively define a region of interest through
mouse drawing or through a coordinates file in order to be analyzed, and the
system provides the time series of the region regarding a given index or
measurement provided by equations entered to the system. New indexes and
measurements can be designed and introduced to the system in order to
provide fast creation of new time series and their analysis without the
nowadays manual effort of processing each image separately. The system is a
valuable tool to aid agrometeorologists to evaluate an agricultural crop
development and climate changes along large periods of time.
Resumo. Este artigo descreve o sistema SatImagExplorer, desenvolvido para
a partir de imagens de satélite, gerar automaticamente séries temporais
considerando índices e medidas especificadas por meio de equações
introduzidas na notação infixo. O usuário indica interativamente, ou por
arquivos de coordenadas regiões de interesse que são utilizadas para a
criação da série temporal. Muitas vezes o especialista deseja avaliar a
eficácia de novos índices, mas não gostaria de pagar o preço de ter que
reprocessar manualmente as imagens. O sistema permite que novos índices e
medidas sejam facilmente adicionados, e as séries são geradas automática e
rapidamente. Este sistema é uma ferramenta valiosa para auxiliar o
agrometeorologista a analisar o desenvolvimento de lavouras por longos
períodos de tempo, em vista das mudanças de condições climáticas e de
crescimento de lavouras.
1. Introdução
Devido ao grande tamanho de seu território, aliado com condições de solo e clima
propícios a uma grande variedade de cultivo, tem-se que uma das principais fontes de
recursos do Brasil vem da produção agrícola. A agricultura juntamente com a pecuária,
constituem o agronegócio, que corresponde a um terço do Produto Interno Bruto
brasileiro e a até 40% da mão-de-obra do país. Desse modo, é muito importante tanto
para o Governo brasileiro quanto para as empresas agrícolas monitorarem e analisarem
o desempenho das safras agrícolas, consolidando e ampliando o seu ganho.
Análises adequadas de dados de plantio/crescimento/colheita permitem
estabelecer mecanismos que visam aprimorar o uso do solo à luz das condições
climáticas para melhorar o ganho de produção das culturas e safras. Porém, com o
agravamento das alterações climáticas, os especialistas em agrometeorologia têm
observado que pode haver mudanças com relação à capacidade de produção agrícola.
Tal cenário pode redundar em alterações da capacidade econômica de regiões, que
atualmente são produtoras importantes, o que pode afetar negativamente o crescimento
dessas regiões do país, afetando o Brasil como um todo. Desse modo, é vital que
possam ser analisados os cenários de mudanças climáticas, tanto globais quanto
regionais, para que decisões que amenizem os efeitos negativos desse processo sejam
tomadas com antecedência, bem como sejam incentivados o tratamento e cultivo em
regiões promissoras de crescimento das boas condições de desenvolvimento.
Imagens e dados obtidos por sensoriamento remoto são fontes valiosas de
informação para pesquisas em agricultura. Considerando países de dimensões
territoriais, como o Brasil, imagens de satélite permitem que grandes extensões
terrestres sejam monitoradas continuamente. Como há diversos tipos de satélite, com
periodicidade de captura e resolução espacial diferentes, é importante poder integrar as
informações contidas nas imagens que envolvem a mesma região, de modo a garantir
que as diferenças de informação coletadas possam ser efetivamente utilizadas para o
benefício dos analistas e especialistas em agrometeorologia.
Este artigo apresenta a pesquisa que está sendo desenvolvida para a construção
do sistema SatImagExplorer que recebe como entrada imagens de satélite de diversas
fontes, e calcula automaticamente índices e medidas de sequências de imagens, gerando
séries temporais relativas a tais índices. Os índices e medidas utilizados podem ser
definidos pelo especialista por meio de entrada de equações em formato infixo que são
verificadas e computadas pelo sistema.
Séries temporais provenientes de sensores remotos têm sido muito utilizadas
para o monitoramento agrícola. Os especialistas utilizam essas séries para auxiliar na
previsão de índices agrometereológicos [Gonçalves, 2008; Gonçalves, 2009], na
estimativa de produtividade [Nascimento, 2009], análise de correlação entre essas séries
e dados climáticos [Ávila, 2009; Fontana, 2005] dentre outras. É importante ressaltar
que o sistema SatImagExplorer permite que o especialista interaja com as imagens e
especifique regiões de interesse (ROI - Region of Interest), utilizando como base de
entrada uma imagem da série. A seguir, o SatImagExplorer extrapola a indicação de
região para todas as imagens da sequência gerando séries temporais das ROIs
correspondentes à indicada, para todas as imagens do diretório. Tal ferramenta permite
que o especialista possa focar sua análise em pontos estratégicos e de interesse, além de
facilitar a análise de longas séries de dados, o que atualmente é feito manualmente,
demandando um grande tempo do especialista. Para extrair uma série temporal de
múltiplas imagens de NDVI, o especialista precisa executar vários passos trabalhosos.
Inicialmente, ele roda um script que extrai os valores NDVI a partir de uma máscara de
pixels e gera uma planilha para cada região. Depois, o especialista une essas planilhas
manualmente para todas as imagens de interesse. Quanto maior a série, mais tempo ele
leva para ter um conjunto de dados que possa ser utilizado. De forma manual, torna-se
inviável repetir essa tarefa para séries muito longas, o que dificulta a realização de
diversas atividades de pesquisa.
2. Conceitos e Trabalhos Relacionados
Há atualmente diversos satélites de alta resolução: Ikonos, com resolução de 1 a 4
metros; Quick-Bird, com resolução de 61 cm e Eros (Earth Remote Observation
Satellite), com resolução de 70 cm. Os satélites de média resolução são: Landsat, com
30 metros, Spot, com 10 metros e CBERS, com 30 metros. Os satélites de baixa
resolução são: AVHRR/NOAA, que tem resolução de 1 km quadrado de área por pixel1,
e MODIS, 250 metros a 1 km..
O sensor AVHRR (Advanced Very High Resolution Radiometer) a bordo dos
satélites NOAA (National Oceanic and Atmospheric Administration) tem sido utilizado
largamente nos estudos de ecossistemas devido à disponibilidade de longas séries de
dados, além de possuírem uma cobertura global e serem distribuídos gratuitamente2
(Kampel, 2004). Os sensores AVHRR possuem canais no espectro visível e frequências
no infravermelho próximo. A combinação desses canais pode ser utilizada para indicar a
quantidade e o estado da vegetação, usualmente chamados de índices de vegetação.
O uso de sensoriamento remoto nas pesquisas brasileiras tem crescido para o
benefício do país, que possui um território de dimensões continentais. A cana-de-açúcar
é um exemplo de cultura que pode ser monitorada por imagens de baixa resolução como
as obtidas pelo satélite AVHRR/NOAA, pois são cultivadas em áreas grandes e
próximas. Um dos índices mais utilizados é o índice de vegetação NDVI proposto por
Rouse et al. em [Rouse, 1973], do inglês Normalized Difference Vegetation Index.
Atualmente, a acessibilidade aos dados registrados por satélites está maior, como
também existem tecnologias (hardware e software) mais apropriadas para a recepção,
distribuição e manipulação dessas imagens. Entretanto, grande parte dessa tecnologia é
de uso comercial e não são adequadas para o processamento de longas séries de
imagens. Exemplos de softwares utilizados para manipulação de imagens provenientes
do sensoriamento remoto são Erdas3, Idrisi4, Spring5 e outros. Nesse contexto, foi
desenvolvido o sistema NavPro [Esquerdo, 2006], que realiza o processamento de
imagens AVHRR/NOAA de acordo com os seguintes passos:
•
•
•
•
•
1
conversão do formato de imagem bruto (sem correções) para um
formato intermediário;
calibração radiométrica;
correções geométricas;
mascaramento de nuvens e
geração da Composição de Valor Máximo (do inglês, Maximum Value
Composite) MVC das imagens NDVI [Eidenshink, 1992].
http://satelite.cptec.inpe.br/home
http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html
3
http://www.erdas.com/
4
http://www.clarklabs.org/
5
http://www.dpi.inpe.br/spring/portugues/index.html
2
O desenvolvimento do sistema NavPro permitiu ampliar o escopo das pesquisas
envolvendo imagens AVHRR/NOAA multi-temporais. Contudo, o processo de
extração, armazenamento e visualização de séries temporais dessas imagens é muito
custoso para ser feito manualmente, como já mencionado anteriormente. Assim, este
trabalho propõe um método para realizar essas tarefas automaticamente, permitindo
uma melhor produção de resultados pelo especialista.
As séries temporais são construídas extraindo medidas ou realizando
cálculos|índices sobre os dados de regiões de interesse das imagens que foram coletadas
sequencialmente num determinado período de tempo. Isso permite que o especialista
focalize sua atenção em regiões de análise específica. Essa funcionalidade era muito
desejada pelos especialistas, porém não estava disponível nos sistemas utilizados
atualmente, que são comerciais e de custo elevado, como o sistema ENVI6 (The
Environment for Visualizing Images) cujo módulo IDL (Interactive Data Language)
permite construir as séries temporais a partir da imagem. Porém, a geração da série é
feita a cada imagem separadamente. O sistema desenvolvido que é apresentado neste
trabalho manipula sequências de imagens automaticamente, extrapolando as
informações de processamento da imagem principal para todas as imagens da mesma
sequência, tornando a manipulação do especialista muito mais ágil e eficiente.
As imagens AVHRR/NOAA utilizadas se encontram no formato de arquivo
GeoTIFF7. O GeoTIFF é uma extensão do formato de imagens TIFF (Tag Image File
Format) para imagens geoespaciais. Assim como o formato TIFF, o GeoTIFF permite
que as imagens possuam além de informações sobre a imagem (dimensão, profundidade
de cores, etc.), informações geográficas/cartográficas e valores medidos pelos sensores
presentes nos satélites. O formato também permite que as imagens possuam diversos
canais de dados, o que torna possível a criação de imagens que apresentem dados no
decorrer de um ano, por exemplo.
Essas imagens podem apresentar como dados, índices de vegetação, como por
exemplo, o NDVI. O NDVI é amplamente utilizado para avaliação das mudanças do
vigor vegetal da planta, estando relacionado com a capacidade fotossintética, ao nível de
absorção de energia da planta. Pode ser calculado utilizando os valores medidos pelos
satélites AVHRR/NOAA nos canais de espectro vermelho e infravermelho próximo. O
NDVI pode ser calculado por meio da fórmula descrita abaixo:
ܰ‫= ܫܸܦ‬
‫ ܸܲܫ‬− ܸ‫ܴܧ‬
‫ ܸܲܫ‬+ ܸ‫ܴܧ‬
onde VER e IVP são, respectivamente, as medidas de reflectância espectral adquiridas
nas regiões do vermelho e do infra-vermelho próximo.
O NDVI possui valores presentes no intervalo entre -1,0 até 1,0. Valores baixos
de NDVI (menores do que 0,2) em geral representam solos sem cobertura vegetal ou
com vegetação esparsa enquanto que valores muito elevados (acima de 0,9) indicam a
presença de florestas. No entanto, não é possível identificar com exatidão a cultura
plantada analisando apenas o valor do NDVI. É importante o conhecimento do
especialista para ratificar se determinada região corresponde a qual cultura agrícola.
Uma alternativa é o uso de máscaras feitas em satélites de maior resolução onde é mais
6
7
http://www.ittvis.com/ProductServices/ENVI.aspx
http://trac.osgeo.org/geotiff
factível a identificação da cultura plantada em cada região. Assim, extrair séries
temporais de NDVI de imagens de baixa resolução como AVHRR-NOAA para pixels
marcados como cana-de-açúcar na máscara utilizada torna-se viável.
Geralmente, as imagens de NDVI são geradas em tons de cinza. No entanto, é
possível utilizar falsa cor para torná-las mais legíveis, melhorando sua visualização. A
escala de cores adotada para as imagens NDVI foi definida por convenção
internacional. A Figura 1 apresenta uma imagem colorida de NDVI para o estado de
São Paulo. As cores azuis e verdes na imagem representam valores baixos de NDVI que
indicam áreas de solo exposto ou com vegetação esparsa. Os valores médios de NDVI
são representados pelas cores amarela e laranja e indicam que a vegetação naquela
região apresenta mais biomassa. As cores vermelhas na imagem representam vegetação
vigorosa e definem valores máximos de NDVI.
Figura 1. Imagem colorida (falsa cor) de NDVI para o estado de São Paulo.
O sistema SatImagExplorer foi desenvolvido utilizando plataformas livres e de
código aberto permitindo contribuições para a melhoria de seus recursos. Foi utilizada a
linguagem C++, juntamente com a biblioteca de código aberto GDAL8 (Geospatial
Data Abstraction Library) para a manipulação de imagens no formato GeoTIFF e para o
desenvolvimento da interface gráfica foi utilizado o framework desenvolvido pela
Trolltech ASA Qt9.
8
9
http://gdal.org/
http://qt.nokia.com/
3. Sistema SatImagExplorer
O SatImagExplorer apresenta uma interface simples e intuitiva, na qual o especialista
define com o mouse qualquer região poligonal que deseja indicar para análise. A
arquitetura do sistema é modular, como é indicado na Figura 2.
Figura 2. Arquitetura modular do SatImagExplorer.
3.1. Módulo de Interação
O usuário interage diretamente no sistema que é constituído por janelas e menus
permitindo uma manipulação intuitiva e ágil. O usuário indica os arquivos de imagens a
serem lidos e que serão usados como base para a geração da série temporal e especifica
regiões de interesse a serem processadas. Arrastando o mouse, o usuário indica a região
poligonal que será utilizada, e recebe como retorno visual a indicação da região
marcada, para sua validação.
Alternativamente, pode ser utilizada a opção de especificação das regiões de
interesse para a extração dos dados ou criação das séries temporais das imagens por
meio de listas de coordenadas (latitude e longitude) e da leitura de arquivos texto. Desse
modo, pode-se indicar com mais precisão regiões de interesse que se deseja analisar,
como por exemplo, locais exatos onde há cultivo de cana-de-açúcar. Ou seja, se o
especialista quiser acompanhar o desempenho de uma plantação específica de uma
fazenda ou empresa, isso pode ser feito por meio dessa opção, que é mais precisa.
3.2. Módulo de Processamento
Após receber a indicação da região de interesse especificada pelo usuário e que será
extrapolada para todas as imagens da sequência para a geração da série temporal, o
SatImagExplorer calcula as medidas ou índices especificados pelo usuário sobre todas
as imagens da sequência indicada. Desse modo, são obtidas séries temporais
correspondendo ao índice calculado segundo a indicação de tempo da imagem
capturada pelo satélite.
As séries temporais são armazenadas em um arquivo de dados permitindo que o
especialista de domínio os utilize de forma adequada para um processamento posterior.
O usuário pode então manipular imagens e séries temporais delas extraídas visando
adquirir o conhecimento que o auxilie em processos de análise do comportamento das
regiões, por exemplo, como os índices e medidas afetam uns aos outros, apoiando-o no
processo de tomada de decisões.
Figura 3. Interface do SatImagExplorer, onde em 1 é exibida a lista de imagens,
em 2 a imagem é apresentada e em 3 são exibidas informações da imagem.
O Sistema SatImagExplorer permite abrir ao mesmo tempo várias imagens de
satélites no formato GeoTIFF que já passaram por um processo de tratamento
(correções geométricas, mascaramento de nuvens, etc.). O SatImagExplorer abre
imagens brutas do satélite AVHRR/NOAA, imagens NDVI, temperatura de superfície e
do satélite GOES que são imagens de baixa e média resolução. A Figura 3 apresenta
uma tela do sistema em operação. Após abertas, essas imagens serão exibidas na lista
localizada a esquerda da tela, podendo-se selecionar qual imagem será exibida à direita
da tela. Em sua parte inferior são exibidas informações como coordenadas de latitude e
longitude de um dado ponto indicado pela posição do mouse, e seu respectivo valor.
(a) Seleção de região poligonal indicada por meio de arrasto de mouse
(b) Seleção de região por meio de arquivo de coordenadas
Figura 4. Imagens de áreas selecionadas pelo usuário utilizando as duas
abordagens. (a) indicação via mouse, (b) indicação via arquivo de coordenadas.
A Figura 4(a) exibe uma área selecionada pelo usuário por meio do mouse, já na
Figura 4(b) a área marcada foi selecionada por meio de um arquivo de coordenadas
definidas pelo usuário. No exemplo da Figura 4(b), a área demarcada representa
algumas regiões onde ocorre o plantio de cana-de-açúcar no estado de São Paulo.
3.3. Extração de Índices e Medidas Consolidadas das Imagens - NDVI
Selecionadas as coordenadas desejadas das imagens, os dados estão prontos para
extração, o que será feito sobre as matrizes de pixels das bandas indicadas. Mas antes, o
usuário pode optar por visualizar o comportamento da série temporal gerada na região
selecionada no conjunto de imagens abertas por meio de um gráfico. No eixo das
abscissas está representada a escala de tempo e no eixo das ordenadas os valores dos
índices utilizados. Quando é selecionada uma área, esse gráfico exibe os valores para
todas as coordenadas selecionadas, representadas por linhas em cinza e os valores
médios da região são representados pela linha contínua em azul conforme é
exemplificado na Figura 5.
As Figuras 5(a) e 5(b) mostram os gráficos das séries temporais de uma mesma
região. Em ambas as figuras, o eixo das abscissas representa o tempo medido em meses
e o eixo das ordenadas indica valores de NDVI. Como pode ser visto na Figura 5(a),
existem sequências de imagens que correspondem a oito anos de colheita de cana-deaçúcar (abril de 2001 a março de 2009), gerando uma grande quantidade de dados que
torna muito custosa a extração manual dos índices. Isso indica a importância de um
sistema capaz de manipular imagens de satélites multi-temporais de modo automático.
A Figura 5(b) mostra um exemplo de comportamento anual da cultura de canade-açúcar, para o ano/safra de 2006/2007. Os valores de NDVI começam a crescer entre
os meses de outubro e novembro com o início da temporada de chuva até alcançar seu
pico no mês de março. A colheita da cana-de-açúcar começa a partir do mês de abril e a
partir de então os valores de NDVI caem gradativamente até alcançarem os valores
iniciais do começo do ciclo.
Este tipo de análise pode auxiliar sistemas regionais de previsão de safras, pois
podem ser utilizados para confirmar, dentro de determinada precisão, o início e fim do
ciclo de crescimento da lavoura em alguns pontos ou regiões pré-determinados. Por
meio de ambos os gráficos, pode-se notar também que grande parte das coordenadas
medidas estão próximas dos valores médios, porém existem coordenadas que estão
muito afastadas. As coordenadas que extrapolam a faixa de valor podem significar erros
alterados por ruídos nas medidas ou também regiões onde na realidade não existe o
cultivo de cana-de-açúcar.
(a) Série temporal referente a oito anos de colheita.
(b) Série temporal referente ao comportamento anual registrado em
2006/2007
Figura 5. Séries temporais de NDVI exibidas para a região de cana-de-açúcar.
(a) Série de oito anos, (b) Série do ano/safra de 2006/2007.
3.4. Inclusão de Novos Índices
Uma funcionalidade importante presente no sistema desenvolvido é a possibilidade do
usuário calcular índices que são obtidos por meio de fórmulas matemáticas, já
desenvolvidas ou em elaboração/experimentação pelos especialistas, utilizando os
canais presentes em uma imagem. As fórmulas são calculadas em tempo de execução,
podendo ser mudadas de acordo com a vontade do especialista. Por precauções de erro
de digitação ou má formação/indicação, as fórmulas são validadas de acordo com a
gramática G = ({<exp>, <termo>, <fator>, <op_1>, <op_2>, <op_un>}, {número,
banda, variável, (, ), +, -, *, /, ^,sin, cos, exp, log, sqrt }, P, <exp>), onde o conjunto
das regras de produção P estão descritas na Figura 6 na forma Normal de Backus-Naur
estendida.
<exp> ::= <termo> { <op_1> <termo> }
<termo> ::= <fator> { <op_2> <fator> }
<fator> ::= número | banda | variável
| <op_un> ( <fator> ) | ( <exp> )
<op_1> ::= + | <op_2> ::= * | / | ^
<op_un> ::= sin | cos | exp | log | sqrt
Figura 6. Produção das gramáticas das fórmulas do cálculo de índices.
As fórmulas matemáticas são verificadas por meio de um analisador sintático
descendente, codificado por meio de procedimentos recursivos. Após a verificação, as
fórmulas são convertidas da notação infixo de entrada para um formato intermediário na
Notação Polonesa Inversa, sendo resolvidas utilizando uma estrutura de pilha e
respeitando a precedência dos operadores. Com tal procedimento, o sistema garante que
a equação introduzida no sistema pelo especialista esteja completa.
O usuário pode definir as variáveis utilizando as bandas presentes em cada
imagem, números reais, as quatro operações básicas, operadores unários e potenciação.
Essas variáveis definidas pelo usuário também podem ser utilizadas em outras variáveis,
como ilustra a Figura 7(a), onde foram definidas quatro variáveis.
O sistema SatImageExplorer permite que o usuário trabalhe diretamente com
imagens com características de geração diferentes. Por exemplo, para as imagens
AVHRR/NOAA que apresentam um canal no espectro vermelho e também um no
espectro do infravermelho próximo, é possível calcular o NDVI conforme detalhado na
Seção 2, bem como calcular outros índices de interesse para o especialista.
Deve-se ressaltar que dessa forma, evita-se pré-processar a imagem para que ela
contenha um índice que talvez não seja utilizado no futuro para sua análise. A
possibilidade de incluir novos índices e medidas, de um modo automático e simples,
traz flexibilidade ao processo de análise e compreensão do comportamento de regiões
de interesse em um período de tempo específico, tornando a ferramenta bastante
poderosa para auxiliar a compreensão de fenômenos e apoiar a tomada de decisões.
A Figura 7(a) apresenta a definição da relação de NDVI feita pelo usuário a um
conjunto de imagens "brutas" AVHRR/NOAA para regiões de cultivo de cana-deaçúcar, já a Figura 7(b) mostra o comportamento do NDVI no conjunto de imagens
correspondentes ao período de janeiro a dezembro de 2005. A expressão é indicada pelo
usuário por meio de notação convencional, diretamente no formulário de entrada da
interface.
(a) Definição da fórmula pelo usuário
(b) NDVI retirado diretamente
Figura 7. Entrada de fórmulas arbitrárias de índices.
O outlier presente no mês de setembro (valor nove no eixo horizontal) da Figura
7(b) foi causado devido à ausência de dados em na região de interesse, como ilustra a
Figura 8. Assim, durante a execução da equação, podem ocorrer divisões por zero
acarretando em resultados infinitos.
Figura 8. Imagem recortada.
Esse recorte ocorre no momento de captura das imagens, já que podem ocorrer
situações em que o satélite não se encontra localizado sobre a região de interesse, no
caso o estado de São Paulo, e apenas parte dela é capturada.
Outra medida que pode ser utilizada é o Albedo, que é a razão ou quociente
entre a quantidade de radiação refletida pela superfície da Terra (incluindo a atmosfera)
e a radiação total incidente (proveniente do Sol) em uma dada temperatura. Superfícies
de areia e de neve possuem altas taxas de albedo enquanto que florestas possuem baixas
taxas de albedo [Song e Gao, 1999]. A fórmula abaixo permite computar tal medida:
‫݌ = ݋ܾ݈݀݁ܣ‬ଵ ∙ ܸ‫ ܴܧ‬+ ‫݌‬ଶ ∙ ‫ܸܲܫ‬
onde:
‫݌‬ଵ = 0,494 ∙ ܰ‫ ܫܸܦ‬ଶ − 0,329 ∙ ܰ‫ ܫܸܦ‬+ 0,372
‫݌‬ଶ = −1,439 ∙ ܰ‫ܫܸܦ‬ଶ − 1,209 ∙ ܰ‫ ܫܸܦ‬+ 0,587
4. Resultados Parciais
A Figura 9 ilustra os dados extraídos de uma série de oito anos de cana-de-açúcar (abril
de 2001 a março de 2009). A curva em azul representa os dados extraídos com o
sistema ENVI e as curvas em vermelho e verde referem-se aos dados extraídos por meio
do SatImagExplorer. Os dados apresentam ruídos nos períodos de janeiro de 2002 e
março de 2008, pois este intervalo de tempo corresponde a um período de muitas
chuvas no estado de São Paulo, logo, a ocorrência de grande quantidade de nuvens
impede a geração de boas imagens de NDVI.
Figura 9. Dados extraídos utilizando os sistemas ENVI e SatImagExplorer
Os ruídos nas imagens também ocorrem quando a passagem do satélite não está
no nadir10 da antena de captura podendo gerar recortes nas imagens como ilustrado na
Figura 10.
Figura 10. Imagem apresentando nuvens e recorte.
Ambos os sistemas (ENVI e SatImagExplorer) mostram perfis similares do
cultivo da cana-de-açúcar, com disparidades de até 20% nos valores (janeiro de 2007).
Essas disparidades ocorrem devido à diferença nos métodos empregados para a
realização dos cálculos nos diferentes sistemas, tais diferenças ocorrem devido a
peculiaridades dos métodos empregados nos dois sistemas. Essa disparidade será
trabalhada futuramente.
10
Ponto de intersecção entre a linha vertical perpendicular ao plano horizontal local e a esfera
celeste, mas no hemisfério oposto àquele em que se encontra o observador. (Fonte:
www.agritempo.gov.br)
Outra diferença presente nos dados extraídos está no comportamento para ruídos
e ausência de imagens, uma vez que o sistema ENVI atribui valores nulos e o
SatImagExplorer utiliza como padrão um valor negativo inválido. Ou seja, a
apresentação de dados espúrios é tratada diferentemente nos dois sistemas.
O sistema SatImagExplorer permite ainda que os dados passem por um processo
de interpolação linear, o que fornece ao especialista uma visualização mais homogênea
dos valores médios de NDVI extraídos das imagens.
5. Conclusões
Este artigo apresentou o sistema SatImagExplorer que está sendo desenvolvido para
processar imagens heterogêneas, ou seja, de diversos tipos de satélite, permitindo
sumarizar informações de bandas da imagem em um formato facilmente entendível pelo
especialista: séries temporais. O SatImagExplorer gera séries temporais segundo
medidas ou índices especificados ou projetados pelo especialista.
Diferentemente de sistemas anteriores que manipulam as imagens
separadamente, no SatImagExplorer a especificação indicada pelo usuário é extrapolada
para todas as imagens da sequência indicada por um diretório, o que torna o
processamento das séries ágil e eficiente. Desse modo, o especialista tem o material que
precisa para analisar mudanças relevantes nas regiões indicadas, permitindo-lhe realizar
análises mais abrangentes e rapidamente. Além disso, o especialista pode elaborar e
simular novas medidas, permitindo-lhe perceber alterações de clima e no
desenvolvimento das culturas de um modo rápido e eficiente. Segundo os especialistas
essa é uma característica muito importante para o desenvolvimento de suas pesquisas.
5. Agradecimentos
Este trabalho foi realizado com o apoio do CNPq, da FAPESP e Microsoft Research.
Agradecemos ao CEPAGRI-UNICAMP pelo conjunto de imagens AVHRR/NOAA
usadas na validação do SatImagExplorer.
6. Referências Bibliográficas
Avila, A. M. H. de ; Gonçalves, R. R. do V. ; Pinto, H. S.; Zullo Jr, J. (2009) “Relação
entre a precipitação e o NDVI em imagens AVHRR/NOAA para a cana-de-açúcar”,
In XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal. XIV Simpósio
Brasileiro de Sensoriamento Remoto, 2009. p.1-5.
Eidenshink, J. C. (1992) “The 1990 conterminous US AVHRR dataset”, In
Photogrammetric Engineering and Remote Sensing, v.58, p.809-813.
Esquerdo, J. C. D. M., Antunes, J. F. G., et al. (2006) “An Automatic System For
AVHRR Land Surface Product Generation”, In Internacional Journal of Remote
Sensing, V.27, N.18, P.3925-3942.
Fontana, D. C.; Potgieter, A.; Apan, A. (2005) “Relação entre a precipitação pluvial e
índice de vegetação em imagens multitemporais MODIS”, In Congresso Brasileiro
de Agrometeorologia (CBAGRO), 16, 2005, Campinas. Anais XIV Congresso
Brasileiro de Agrometeorologia, Campinas, CD-ROM.
Gonçalves, R. R. V. (2008) “Relação entre a resposta espectral da cana-de-açúcar,
registrada em série temporal de imagens do satélite AVHRR/NOAA, e condições
agroclimáticas descritas pelo índice ISNA”, In Revista Brasileira de
Agrometeorologia, v. 16, p. 189-197.
Gonçalves, R. R. V.; Nascimento, C. R.; Zullo Jr, J.; Romani, L. A. S. (2009)
“Relationship between the Spectral response of sugar cane, based on
AVHRR/NOAA satellite images, and the climate condition, in the state of Sao Paulo
(Brazil), from 2001 to 2008”, In Multitemp 2009 - The International Workshop on
the Analysis of Multi-temporal Remote Sensing Images, 2009, Groton, Connecticut.
Multitemp 2009 - The International Worshop on the Analysis of Multi-temporal
Remote Sensing Images. v. 5. p. 315-322.
Kampel, M. (2004) “Características gerais dos satélites NOAA: histórico, instrumentos
e comunicação de dados”, In Ferreira, N. J. (Ed.) Aplicações ambientais brasileiras
dos satélites NOAA e TIROS-N. São Paulo: Oficina de Textos, 271p.
Nascimento, C. R. ; Gonçalves, R. R. V. ; Zullo Jr, J. ; Romani, L. A. S. (2009)
“Estimation of sugar cane productivity using a time series of AVHRR/NOAA-17
images and a phenology-spectral model”, In Multitemp 2009 - International
Workshop on the Analysis of Multi-temporal Remote Sensing Images, 5, Groton,
Connecticut, p. 365-372.
Rouse, J. W.; Haas, R. H.; Schell, J. A.; Deering, D. W. (1973) “Monitoring Vegetation
Systems in The Great Plains With ERTS”, In Proceedings of the Earth Resources
Technology Satellite-1 Symposium, 3., Washington, D. C., pages 309-317. (NASA
SP-351).
Song, J.; Gao, W. (1999) “An Improved Method To Derive Surface Albedo From
Narrowband AVHRR Satellite Data: Narrowband To Broadband Conversion”. In
Journal of Applied Meteorology, 38: 239-249.