Sensoriamento Remoto. Os primeiros satélites e as principais características

O primeiro satélite para fins de Sensoriamento Remoto não tripulado foi o Landsat 1, lançado em julho de 1972, que inicialmente levou a bordo 2 tipos de sensores que imageavam uma faixa de 185 km em cada passagem: um sistema de varredura multiespectral com imageamento do terreno por linhas (line scanner), o Multiespectral Scanner Subsystem (MSS), e um sistema de varredura com imageamento instantâneo constituído por três câmeras de televisão, o Return Beam Vidicon (RBV). (NOVO, 1992, p. 111).

Como as primeiras imagens da terra a partir de uma plataforma digital foram tomadas por câmeras fotográficas, concebeu-se que o sistema sensor a ser transportado pelo satélite deveria ser capaz de produzir imagens instantâneas do terreno de forma semelhante aos sistemas fotográficos. Desta maneira, foi concebido o sistema RBV, que é um sistema semelhante a uma câmera de televisão e permite o registro instantâneo de uma certa área do terreno (cena). A energia proveniente de toda a cena impressiona a superfície fotossensível do tubo da câmera e, durante certo tempo, a entrada de energia é interrompida por um obturador, para que a imagem do terreno seja varrida por um feixe de elétrons. O sinal de vídeo pode então ser transmitido telemetricamente. (NOVO, 1992, p. 115).

Junto ao sistema RBV, que funciona como uma câmera de televisão, o satélite Landsat também levava a bordo o sistema MSS, que permite o imageamento de linhas do terreno numa faixa de 185 km, perpendiculares à órbita do satélite. A varredura do terreno é realizada com auxílio de um espelho que oscila perpendicularmente ao deslocamento do satélite. “Durante a oscilação do espelho, a imagem do terreno, ao longo da faixa, é focalizada sobre uma matriz de detetores.” (NOVO, 1992, p. 130) A dimensão de cada detector é responsável pelo seu campo de visada instantâneo e a energia registrada por cada detector é transformada em um sinal elétrico, que é transmitido para as estações em terra.

Lançado em janeiro de 1975, o Landsat 2 trazia a bordo os mesmos sensores e mantinha as mesmas características do seu antecessor, também com resolução espacial do sensor MSS de 80 metros. Seu sucessor, o Landsat 3 foi lançado em março de 1978 e foi o primeiro a ter a bordo o sensor Thematic Mapper (TM), contudo trazia as mesmas características orbitais dos seus antecessores: altitude de 920 km, inclinação de 99,4º, período de 103 minutos e resolução temporal de 18 dias. É importante frisar que o ângulo de inclinação do satélite em relação ao plano do Equador garantia a ele uma órbita síncrona ao Sol, permitindo que os dados fossem coletados em condições semelhantes de iluminação, estando então mais susceptível a mudanças provocadas por condições atmosféricas.

O sensor TM opera em 7 canais, enquanto seu antecessor operava em 4 canais, trata-se de um sistema de varredura multiespectral em que cada pixel da imagem irá produzir um sinal proporcional à sua energia radiante, que será transformado em sinal digital. Este sistema foi criado a fim de se obter uma maior resolução da imagem e desta forma alcançar níveis de discriminação entre objetos também maiores. O sistema de varredura multiespectral possui maior fidelidade geométrica e melhor precisão radiométrica em relação ao sensor MSS.

Os satélites Landsat 4 e 5 inauguram a segunda geração de satélites da série e, por apresentarem órbitas mais baixas, apresentam também maior resolução espacial, alcançando 30 metros, e trazem a bordo o sensor TM. As principais características orbitais destes satélites são: altitude de 705 km, inclinação de 98,20º, período de 98 minutos e resolução temporal de 16 dias.

As imagens orbitais possuem quatro características específicas que contribuem para a extração de informações para fins de discriminação dos objetos imageados; são elas: a resolução espectral, a resolução espacial, a resolução radiométrica e a resolução temporal; elas estão diretamente relacionadas à sensibilidade espectral, tamanho do objeto, intensidade da energia refletida ou emitida pelos objetos e frequência de imageamento, respectivamente.

As imagens adquiridas correspondem a matrizes de pixel em níveis de cinza, estes pixels são as menores partes das imagens e cujo tamanho é responsável por determinar a sua resolução espacial. Cada pixel representa as mesmas dimensões na superfície terrestre, portanto se o pixel mede 100 metros ele agrupa informações de uma variedade maior de elementos da superfície, contudo se o pixel tem 1 metro ele é capaz de distinguir pequenos detalhes, permitindo um resultado mais sensível aos objetos específicos na superfície. Além da resolução espacial, cada pixel contém valores de radiância medidos em cada banda das imagens multiespectrais. Estas bandas representam os intervalos do espectro eletromagnético sensíveis ao sensor e correspondem à resolução espectral da imagem, ou seja, se trata da largura do intervalo de comprimento de onda coberto em cada banda e por conseguinte ao número de bandas espectrais que os sensores conseguem discretizar.

Já a resolução radiométrica remete ao nível de cinza que representa a intensidade de energia eletromagnética média medida em bits pelo sensor para cada pixel da área imageada. Cada sensor possui um limite de tons de cinza que consegue detectar e armazenar. E, por fim, a resolução temporal corresponde ao tempo que o satélite leva para imagear a mesma área novamente.

Todas as imagens de satélite são contaminadas por ruídos ou distorções em virtude de interferências atmosféricas ou de reflexões do solo (ground clutter) no caso dos radares (CALHEIROS, ANTONIO e BRANGELI, 1995), que podem levar a confusões nas análises. Para evitar riscos erros é importante proceder etapas preliminares padronizando os dados e evitando desvios nos resultados.

A rigor, a radiação solar sofre vários processos de refração porque a concentração dos gases que compõem a atmosfera é bastante variada nas diferentes zonas e camadas […]. Além do processo de refração, certos gases constituintes, como o ozônio e o CO₂, absorvem a radiação solar em certos comprimentos de ondas. Essa absorção pode ser total, como é o caso da radiação ultravioleta (absorvida pelo ozônio), ou parcial, como ocorre em quase todo o espectro a partir de 0,3 μm […] Existem outros fatores complicadores, como partículas dispersas e presença de nuvens, que provocam o espalhamento da radiação.
As nuvens são a maior barreira à radiação solar, do ponto de vista do sensoriamento remoto, porque elas impedem a passagem da radiação solar na porção reflectiva do espectro eletromagnético onde operam a maioria dos sistemas sensores […] (MOREIRA, 2007, p. 36-37)

A análise de dados digitais acontece em quatro fases distintas: pré-processamento, transformação de dados digitais, classificação propriamente dita e pós-processamento. As técnicas preliminares que visam corrigir estas interferências ou minimizar seus efeitos sobre os dados consistem na etapa de pré-processamento. Esta etapa agrega um conjunto de técnicas implementadas para ajustar os dados numa forma de “tratamento preliminar de dados brutos, com a finalidade de calibrar a radiometria da imagem, atenuar os efeitos da atmosfera, remover ruídos, corrigir suas distorções geométricas, por meio de georreferenciamento e reamostragem.” (FLORENZANO, 2008, p. 42)

A eliminação de ruídos corresponde à faixa de cobertura sem registro de dados. Uma das técnicas de remoção de ruído consiste na substituição do valor zero da radiância pelo média dos pixels das linhas superior e inferior. O realce das imagens também é uma técnica de pré-processamento bastante utilizada sobretudo para os produtos que serão utilizados em interpretações visuais. O realce busca ampliar o contraste de feições na cena, a fim de melhorar a qualidade visual. Já a correção geométrica busca eliminar os erros propagados por movimento do satélite e pela curvatura da Terra. “Em outras palavras, a correção geométrica pode ser entendida como a transformação dos dados de sensoriamento remoto, de tal modo que eles adquiram as características de escala e projeção próprias de mapas (MATHER, 1987 apud MOREIRA, 2007, p. 275). A correção radiométrica de imagens “inclui tanto as operações puramente cosméticas dos dados, que visam apenas melhorar sua visualização, quanto aquelas que visam normalizar os dados radiometricamente, de modo absoluto ou relativo” (MOREIRA, 2007, p. 277)

Fonte: Exame de Qualificação Doutorado PPGMA-UERJ. Teixeira, 2018. A Lagoa de Itaipu: (re)conhecimento a partir de diálogos no mundo vivido

LAND VIEWER

O Land Viewer é uma interface web simples e intuitiva que a EOS oferece como produto de mercado direto para o público. Podem visualizadas diferentes combinações de bandas. Contudo, embora esteja aberto ao público o usuário gratuito tem limitações de uso, são elas:

  •  Pesquisa ilimitada de imagens
  •  Veja até 10 imagens por dia
  •  Combinações de bandas ilimitadas
  •  Baixe até 10 imagens por dia via EOS storage
  •  Notificações de e-mail para 1 AOI
  •  Downloads JPEG de tamanho pequeno

Este slideshow necessita de JavaScript.

Para desfrutar do sistema acesse: https://eos.com/landviewer/?s=Landsat5(TM)

Para conhecer os preços e pacotes: https://eos.com/landviewer/account/pricing

Monitoramento da Cobertura e Uso da Terra do Brasil (IBGE)

Apresentação

“O IBGE apresenta à sociedade um novo produto de análise da cobertura e uso da terra através do monitoramento em grade territorial estatística de 1 km², para os anos 2000, 2010, 2012 e 2014. Este trabalho tem a intenção de contribuir para um melhor entendimento da dinâmica de ocupação do território nacional especialmente a partir do avanço de atividades agrícolas e pecuárias, além do uso por funções urbanas.

Esta publicação se diferencia das anteriores pela nova forma de sistematização das informações. A partir desta edição, a Diretoria de Geociências do IBGE por intermédio da Coordenação de Recursos Naturais e Estudos Ambientais disponibilizará à sociedade uma avaliação de cobertura e uso da terra para cada um dos 8,5 milhões de km² do país, permitindo a partir de uma unidade espacial básica, a integração e comparação entre diferentes tipos de dados geocientíficos e estatísticos, além de acompanhamento histórico da organização e espacialização das atividades econômicas e seus impactos sobre os recursos naturais no país, quilômetro a quilômetro.

Além do mapeamento, é oferecida ainda uma contabilidade de dados referentes às alterações nas formas de ocupação do país segundo a classificação adotada. As informações encontram-se ainda disponíveis por Unidade da Federação no formato de mapas estaduais, para o ano de 2014, e gráficos para os demais anos, suprindo assim as demandas dos atores públicos estaduais para subsídio à formulação de políticas públicas de gestão de seu território.”

Este slideshow necessita de JavaScript.

Metodologia

As classes de cobertura e uso da terra, bem como as de mudanças na cobertura e uso da terra, foram elaboradas especificamente para este trabalho, a partir da compatibilização entre o Sistema de Classificação da Cobertura e Uso da Terra do IBGE-SCUT, em seus níveis II e III (IBGE, 2013); as classes propostas no Land Cover Functional Unit – LCFU (JAFFRAIN, 2012); e as descrições contidas na obra System of Environmental-Economic Accounting (SEEA), editado pela Comissão Européia e pela FAO (SEEA, 2014).

No trabalho de mapeamento são utilizadas quatorze classes de cobertura e uso. São elas: Área Artificial (1), Área Agrícola (2), Pastagem com manejo (3), Mosaico de área agrícola com remanescentes florestais (4), Silvicultura (5), Vegetação Florestal (6), Mosaico de Vegetação Florestal com atividade agrícola (7), Vegetação Campestre (8), Área úmida (9), Pastagem natural (10), Mosaico de área agrícola com remanescentes campestres (11), Corpo d’água Continental (12) Corpo d’água Costeiro (13) e Área descoberta (14).

Cabe ressaltar que, no caso das pastagens naturais, as descrições utilizadas neste mapeamento e aquelas adotadas nas pesquisas agropecuárias do IBGE não são as mesmas, pois trata-se de trabalhos com objetivos e metodologias distintas. Entretanto, ambas podem ser estudadas de forma complementar.

(…)

As imagens de satélite MODIS (bandas NIR, MIR, Red e o índice de vegetação NDVI) e LANDSAT foram obtidas diretamente no site do Serviço Geológico dos Estados Unidos (USGS – GloVis). O critério de escolha envolveu o ano de referência a ser mapeado e a melhor qualidade visual possível, principalmente no que diz respeito à cobertura de nuvens e à presença de material particulado na atmosfera (aerossóis, névoa, poeira, fumaça de queimadas etc.). São necessárias 16 cenas do sensor MODIS e cerca de 380 cenas LANDSAT para cobrir todo o território brasileiro. A fim de dirimir dúvidas em algumas regiões específicas do país, também foram utilizadas imagens RapidEye, de alta resolução espacial e disponibilizadas ao IBGE via Ministério do Meio Ambiente. Também foram usadas outras informações, como os mapas temáticos produzidos pelo IBGE, pelo projeto RADAMBRASIL, por governos estaduais, além de dados dos projetos PRODES e TERRACLASS, desenvolvidos pelo INPE e EMBRAPA, e outras informações cartográficas disponibilizadas por diversas instituições.

(…)

Tendo como objetivo a integração de dados geoespaciais e estatísticos e a otimização do trabalho de mapeamento, o MONITORAMENTO passou por aprimoramentos metodológicos tais como adoção da Grade Estatística; construção de um banco de dados; utilização do software QGIS; e uso das imagens LANDSAT 8 como principal insumo orbital no processo de revisão.

As grades estatísticas possibilitam a integração e a comparabilidade de dados geoespaciais e estatísticos. Uma das principais vantagens diz respeito a sua estabilidade espaço-temporal, pois a célula passa a ser a unidade espacial básica, não sujeita a modificações como a alteração de limites administrativos e a criação de novas unidades territoriais. Na transformação de polígonos em dados discretos (agregados às células), pode haver alguma perda de informação, devido ao critério da classe predominante. Entretanto, esta perda é insignificante quando comparada às vantagens proporcionadas pela comparabilidade de diversos tipos de dados.

A incorporação dos dados do MONITORAMENTO à Grade Estatística do IBGE, tendo células de 1 km² como unidade espacial básica, gerou a necessidade de uma revisão geral de todo material produzido até então. A construção do banco de dados, utilizando o SGBD PostgreSQL com extensão espacial PostGIS, e a adoção do software QGIS possibilitaram a otimização deste trabalho.

(…)

As mudanças classificadas como Erros referem-se às alterações consideradas impossíveis, como por exemplo a mudança de uma célula de Área Artificial (classe 1) para Área Agrícola (classe 2). As mudanças classificadas como Improváveis são aquelas que, apesar de possíveis, dificilmente aconteceriam na realidade. Como exemplo, pode-se citar a alteração de Área Agrícola (classe 2) para Vegetação Florestal (classe 6).

A revisão foi realizada com o auxílio de uma série de insumos, tais como: imagens LANDSAT-8 de todo o Brasil para o ano de 2014; séries temporais do NDVI (Normalized Difference Vegetation Index) para dados do sensor MODIS, desde o ano 2000, acessadas através da ferramenta web SATVeg-EMBRAPA; imagens LANDSAT-5 e LANDSAT-7 para os anos anteriores a 2014 e informações provenientes da Pesquisa de Produção Agrícola Municipal (PAM) do IBGE.

De posse desses insumos, os foto-interpretes puderam avaliar, além das alterações ocorridas entre os anos 2012 e 2014, mudanças ocorridas em anos anteriores, contribuindo assim para um refinamento dos anos 2000 e 2010.

O processo de revisão também envolveu a incorporação dos polígonos dos mapas de vegetação do IBGE à Grade Estatística. Trata-se do mapeamento de vegetação de todo o Brasil em escala 1:250.000, desenvolvido pelo projeto Levantamento de Recursos Naturais da Coordenação de Recursos Naturais e Estudos Ambientais do IBGE (Vegetação Brasileira). No processo de incorporação à grade, foram definidas as células de vegetação florestal e as células de vegetação campestre. Essas células foram então compatibilizadas com os dados de cobertura e uso a fim de verificar possíveis incoerências. Por exemplo, classes Vegetação Florestal e Mosaicos Florestais devem corresponder ao que foi definido nos mapas de vegetação do IBGE como ambiente florestal. Por sua vez, classes Vegetação Campestre, Pastagem Natural e Mosaicos Campestres devem estar compatíveis com o que foi definido nos mapas de vegetação como ambiente campestre.

Como já referido nos relatórios anteriores, as alterações nos Corpos d’água, continentais e costeiros, não são mapeadas pelo MONITORAMENTO. São adotados os polígonos de massa d’água oficiais divulgados pelo IBGE (Base Cartográfica Contínua do Brasil – 1:250.000 – BC250). A incorporação deste elemento à grade seguiu o mesmo critério de área mínima adotado nos mapeamentos anteriores, isto é, somente células com mais de 625.000m² ocupados por corpos d’água foram consideradas. Nas células onde houve divergência, foi realizada uma análise focal de vizinhança, na qual o valor predominante entre células adjacentes foi incorporado à célula divergente.

Ao fim do processo, essas células revisadas foram incorporadas ao arquivo geral de mudanças e inseridas no banco de dados, para identificação de novas pendências e repetição dos procedimentos supramencionados até que não restasse nenhuma inconsistência.

(…)

Assim, a disponibilização desses arquivos pretende fornecer subsídios aos gestores públicos envolvidos na elaboração e implementação de políticas de ordenamento territorial e planejamento ambiental. Além de ser um instrumento de suporte e orientação às ações gerenciais e à tomada de decisão em empresas privadas de diferentes setores que utilizem informações ambientais para o desenvolvimento de suas atividades. Por fim, a disponibilização desses arquivos também pretende dar suporte às divulgações realizadas pelas unidades estaduais do IBGE em todo o Brasil, como a Pesquisa Nacional de Saneamento Básico (PNSB) e Pesquisa de Informações Básicas Estaduais (ESTADIC).

Vale lembrar que o MONITORAMENTO foi idealizado e desenvolvido como um projeto de mapeamento de todo o país, em escala regional. Sendo assim, os dados são produzidos como um quadro de referência, sem o detalhamento necessário para recortes de pequenas áreas. Em outras palavras, recomenda-se que mapeamentos municipais, de microbacias ou similares apenas utilizem os dados do MONITORAMENTO como base de referência, aplicando técnicas e insumos mais adequados aos seus objetivos.

Nesta divulgação são disponibilizados os mapas de cobertura e uso de 2000, 2010, 2012 e 2014 de todos os Estados brasileiros e do Distrito Federal. Com todo o mapeamento em formato de células, tornou-se necessária a adoção de um critério especial para o recorte das Unidades da Federação, com intuito de não alterar significantemente suas áreas oficiais e manter o formato em células de 1 km². Dentro desta perspectiva, foi adotado o seguinte critério: o recorte deve incluir todas as células internas da UF e também aquelas células que, ao tocarem seus limites, tenham mais de 50% da sua área inseridas no Estado.

Fonte: IBGE

 

Eliminando a Faixa Preta de Imagens de Satélite (LANDSAT, CBERS…)

As imagens de satélites, costumam a apresentar um background negro e quando sobrepostas encobrem a imagem daquela que ficar no plano de informação inferior.

Muitas vezes, para resolver este tipo de problema os usuários simplesmente vão até as propriedades da imagem e indicam que os pixels 0,0,0 devem ser mostrados como “no color“. Muitas vezes é uma solução sim, simples, rápida e prática. Entretanto, quando o background não tem diferenciação da área que de fato corresponde à imagem, acontece como na figura abaixo.

Neste caso, a solução então seria retirar a borda da imagem. Vou descrever o passo a passo no Arc Gis, buscando a solução mais simples, que entretanto não é a única.

  1. Crie um polígono com a área que está imageada, deixando totalmente de fora a área preta da borda. Não se esqueça de definir a projeção do arquivo.
  2. Abra o ARC TOOL BOX >> Spatial Analist Tools >> Extraction >> Extract by mask
  3. Selecione para o “input raster” a imagem que será recortada
  4. Selecione para o “input raster or feature mask data” o arquivo com a área que será usada para o recorte.
  5. No campo “output raster” indique a direção e o nome do arquivo de saída.
  6. Execute

E o resultado é este:

Outros softwares, como Spring e ENVI, também executam este procedimento, não com estes passos obviamente. No ENVI, por exemplo, há duas opções mais simples, uma seria o Region of Interest, mas o caminho é mais longo. Para ter um arquivo ROI (Region of Interest) o usuário deve transformar o shapefile da área no formato vector do envi (evf) e então criar um ROI. A segunda opção seria fazer o recorte espacial “spatial subset” diretamente do arquivo vetor.

Apesar de preferir softwares específicos para trabalhar com imagens, esta função se mostrou mais prática e sem déficit de qualidade no GIS.