CLASlite - Carnegie Institution for Science
Transcrição
CLASlite - Carnegie Institution for Science
CLASlite O sistema fácil de usar para monitorar o desmatamento e as perturbações em floresta tropical GUIA DO USUÁRIO – VERSÃO 2 Carnegie Institution for Science© 1 Após décadas de desenvolvimento científico, o monitoramente florestal com o uso de satélites deve tornar-se uma atividade rotineira para quem não é especialista, de forma que ajude a melhorar a conservação ambiental, o manejo florestal e o desenvolvimento de políticas para os recursos florestais. Equipe do CLASlite: Gregory P. Asner, pesquisador chefe Guayana Paez-Acosta, coordenadora do projeto John K. Clark, líder de desenvolvimento técnico David E. Knapp, programador senior S.R. Aravindh Balaji, programador Guia do Usuário atualizado em 13 de julho de 2010 Para obter informações atualizadas sobre o CLASlite e software, acesse o site do CLASlite: http://claslite.ciw.edu/ Para obter assistência técnica, envie uma mensagem para: [email protected] ou poste seus comentários no Fórum de Usuários no site do CLASlite. Departamento de Ecologia Global Carnegie Institution for Science 260 Panama Street Stanford, CA 94305 - EUA 2 Sumário do Guia do Usuário do CLASlite Apresentação de boas vindas ao Guia de Usuário do CLASlite .................................................... 4 Acordo do Usuário .......................................................................................................................... 5 I. A ciência por trás do CLASlite ............................................................................................... 6 I.1 A biblioteca espectral da floresta tropical: ..................................................................... 6 I.2 Desenvolvimento, Testes e Validação do CLAS e do AutoMCU ..................................... 7 I.3 Análise CLASlite .............................................................................................................. 9 Onze resultados inéditos do CLASlite: ................................................................................. 9 Uso e Disseminação do CLASlite ......................................................................................... 10 I.3.1 Interpretação dos resultados (dados de saída) do CLASlite ...................................... 12 II. Executando o CLASlite v.2 ................................................................................................... 15 III. Potencial e Limitações do CLASlite ..................................................................................... 21 IV. Perguntas Freqüentes – FAQs .............................................................................................. 23 V. Praticando com o CLASlite: estudos de caso ....................................................................... 28 V.1 Extração madeireira: Brasil (análise de múltiplas imagens) ...................................... 28 V.2 Corte raso durante longo prazo: Havaí (análise de imagem única)............................ 31 VI. Glossário ............................................................................................................................... 34 Apêndice I: Instalação do CLASlite e links úteis .......................................................................... 35 Apêndice II: Preparação das imagens e análise de bandas para o CLASlite ............................. 37 Informações para as imagens do exemplo fornecido pela CLASlite .................................. 41 Apêndice III: referências de publicações .................................................................................... 43 3 Apresentação de boas-vindas ao Guia de Usuário do CLASlite O Sistema de Análise Landsat da Carnegie (Landsat Analysis System – Lite) - CLASlite é um pacote de software projetado para identificar o desmatamento e a degradação florestal de forma bem automatizada, a partir de imagens de satélite por sensoriamento remoto. O CLASlite engloba o estado-da-arte da pesquisa em sensoriamento remoto numa ferramenta simples, fácil de usar e ao mesmo tempo poderosa. Essa ferramenta foi idealizada e licenciada especialmente para o uso de organizações sem fins lucrativos, desde as acadêmicas e não-governamentais até as governamentais dos países com florestas tropicais. Este guia oferece ao usuário informações sobre a base científica do CLASlite e um passo-a-passo para utilizá-lo, bem como fornece as chaves que permitem interpretar seus resultados e compreender seu potencial de uso e suas limitações. Esperamos que o CLASlite contribua com os esforços de monitoramento florestal de sua organização e, conseqüentemente, ajude a fortalecer as capacidades de monitoramento florestal regional em grande escala, o que é necessário para melhorar a gestão ambiental mundial. Para obter mais informações e encaminhar perguntas sobre o CLASlite, não hesite em entrar em contato conosco pelo e-mail [email protected] Equipe do CLASlite na Carnegie Institution Gregory Asner é membro do corpo docente do Departamento de Ecologia Global da Carnegie Institution e também do Departamento de Ciência do Sistema Ambiental da Terra da Universidade de Stanford. Greg foi responsável pelo desenvolvimento e lidera os projetos CLAS, CLASlite e AutoMCU. Guayana Páez-Acosta é a coordenadora do programa de capacitação do projeto CLASlite; ela coordena as atividades de criação, planejamento, disseminação e treinamento para a comunidade de usuários do CLASlite. John Clark é técnico em sensoriamento remoto e líder de desenvolvimento técnico do CLASlite; John fornece treinamento e apoio técnico para a comunidade CLASlite, fazendo a interface entre as necessidades do usuário e o desenvolvimento técnico. David Knapp é programador senior da equipe permanente e especialista em processamento de imagens; Dave lidera a implementação de algoritmos e o processamento de dados de satélite para o CLAS e o CLASlite. Aravindh Balaji é programador do projeto CLASlite; Aravindh lidera o desenvolvimento das interfaces gráficas com o usuário e do ambiente de processamento para o CLASlite. 4 Acordo do Usuário A instalação e uso do software CLASlite indicam que o usuário aceita inteiramente todas as condições descritas abaixo: Sistema de Análise Landsat da Carnegie – lite©, versão 2.0 A Carnegie Institution de Washington (“Carnegie”) é uma organização privada que desenvolveu, com recursos financeiros privados, o Sistema Carnegie de Análise Landsat - Lite (“CLASlite”) para mapeamento da floresta tropical. A intenção da Carnegie é trabalhar com terceiros para a disseminação e uso do CLASlite, com o propósito de realizar monitoramento e estudos ambientais. O objetivo deste Acordo do Usuário é proteger a Informação que é Propriedade da Carnegie e garantir o manuseio adequado dos dados e das informações nos estudos que envolvam o uso do CLASlite. Assim, ao instalar o software CLASlite, o Usuário concorda com o seguinte: 1. O software CLASlite, inclusive todos os arquivos digitais executáveis e de apoio, bem como as bibliotecas, continua sendo propriedade da Carnegie e não pode, em hipótese alguma, ser reproduzido nem disponibilizado para terceiros sem autorização prévia e por escrito da Carnegie. É proibida toda e qualquer tentativa de uso não autorizado do CLASlite bem como a reprodução de qualquer parte do software CLASlite. 2. O software CLASlite e quaisquer resultados obtidos por meio do mesmo devem ser usados somente para fins não-lucrativos. Não é permitido o uso para fins comerciais ou lucrativos. 3. Quaisquer relatórios, apresentações ou publicações do Usuário que contenham dados de análise CLASlite, ou que resultem desses dados ou estudos, devem dar o crédito apropriado ao CLASlite e aos membros da equipe do CLASlite que porventura estejam envolvidos - se for o caso, eles devem ser indicados como co-autores. 4. O uso dos resultados CLASlite em relatórios ou publicações requer a citação adequada do CLASlite e da Carnegie Institution de Washington. Além disso, deve ser creditado o apoio das seguintes instituições: a Fundação Gordon e Betty Moore e a Fundação John D. e Catherine T. MacArthur. 5. A Carnegie Institution não oferece nenhuma garantia quanto à qualidade e/ou precisão dos dados obtidos pelo Usuário na realização de estudos com a utilização do CLASlite nem da adequação de tais dados a nenhuma finalidade. O Usuário assume todos os riscos e responsabilidades pela coleta, interpretação e uso de quaisquer dados ou resultados obtidos com o uso do programa CLASlite. O Usuário deverá indenizar a Carnegie em caso de reclamações ou danos resultantes do uso do CLASlite pelo Usuário, conforme descrito neste documento. 6. Se solicitado pela Carnegie, o Usuário deverá devolver todas as cópias de todas as Informações de Propriedade da Carnegie e materiais do CLASlite que tenham sido disponibilizados para o Usuário, ou que tenham sido utilizadas por ele, com referência à realização de estudos com o CLASlite. 5 I. A ciência por trás do CLASlite CLASlite é o resultado de mais de uma década de pesquisa e trabalho de campo em sensoriamento remoto biofísico, que oferece uma abordagem de mapeamento automatizado por satélite para determinar um dos componentes mais importantes da estrutura da floresta tropical: a cobertura fracional do dossel vegetal, da vegetação morta e das superfícies desprovidas de vegetação. Tais coberturas fracionais são determinantes básicos da composição, fisiologia, estrutura, biomassa e processos biogeoquímicos do ecossistema. A análise da cobertura fracional é a essência do CLASlite, o que o torna uma ferramenta poderosa, estável e de base biofísica, possibilitando um monitoramento florestal rápido e com rastreamento de erro. Alguns dos grandes desenvolvimentos que tornaram possível o CLASlite são: I.1 A biblioteca espectral da floresta tropical: Até recentemente, havia um número limitado de “assinaturas” espectrais de vegetação verde e senescente e de substratos sem cobertura vegetal para regiões tropicais. Tais assinaturas espectrais são a informação necessária para converter os pixels de imagens de satélite em informações ecologicamente relevantes de pronta compreensão e uso pelas pessoas. A biblioteca espectral para as assinaturas de floresta tropical compreende a variação geral nas propriedades do dossel e do solo. Ela foi desenvolvida por meio de uma combinação de espectro-radiômetros de campo e imagens de satélite hiperespectrais especializadas, ambos coletados e analisados durante uma série de estudos de campo realizados de 1996 a 2003 (Asner et al. 2003a, 2004a, 2005). Existem três bibliotecas de espectros genéricos, quase universais, criadas para o CLASlite. A vegetação viva é tecnicamente chamada de Vegetação Fotossintética (VF) porque a vegetação viva mantém propriedades espectrais únicas associadas aos pigmentos fotossintéticos da folha e ao conteúdo hídrico do dossel. Para a fração de vegetação morta ou senescente usa-se o termo técnico Vegetação Não-fotossintética (VNF), que se expressa no espectro como um material de superfície brilhante com características espectrais associadas com compostos secos de carbono. Por fim, no Substrato Descoberto (S) muitas vezes predomina o solo mineral exposto, embora também possa haver rochas e infraestrutura produzida pelo homem (tijolos, por exemplo). Para a biblioteca espectral de floresta tropical usada no CLASlite, tanto os espectros do S quanto os de VNF foram coletados por meio de medidas espectroscópicas de base terrestre utilizando espectro-radiômetros de campo (Analytical Spectral Devices, Inc., em Boulder, Colorado, nos EUA). A biblioteca do S engloba uma variedade de tipos de solo mineral, níveis de matéria orgânica superficial e condições de umidade. A biblioteca de espectros de VNF inclui lixo superficial, grama ou pastagem senescente, resíduos do desmatamento (corte de picadas e clareiras) e outros elementos secos de carbono coletados de uma grande variedade de espécies e estados de decomposição. Em contraste com os substratos descobertos e o VNF, os espectros VF no dossel florestal exigem condições de visualização aérea, o que é difícil considerando que as árvores variam entre 5 e mais de 50 metros de altura. As medidas espectrais de folhas individuais, pilhas de folhas ou 6 dossel parcial (como galhos) introduzem erros importantes nos modelos de mistura espectral que requerem informações em nível de dossel. (Asner 2008). Para desenvolver uma biblioteca espectral em nível de dossel para o CLASlite, foram coletados os dados espectrais de VF utilizando-se o sensor Hyperion (Ungar et al. 2003) do satélite Earth Observing-1 (EO-1), que foi o primeiro espectrômetro de imagens espaciais lançado pela NASA para aplicação ambiental. Os dados Hyperion foram coletados em muitos lugares de controle de floresta tropical no Brasil em 1999-2000 e resultaram em mais de 40.000 observações espectrais feitas com resolução de 30m (Asner et al. 2005). Esses dados hiperespectrais sofreram correção atmosférica para refletância e foram convoluídos para os canais espectrais utilizados pelos sensores do Landsat 4, 5 e 7, ALI (Advanced Land Imager), ASTER, SPOT 4 e 5, e o MODIS no CLASlite. Como resultado, esses dados incluem os efeitos variáveis do sombreamento intra e inter cumes, que são comuns nas florestas tropicais (Asner and Warner 2003). No total, os espectros representam mais de 230.000 observações de espectrômetro espaciais e de campo. I.2 Desenvolvimento, Testes e Validação do CLAS e do AutoMCU O Sistema de Análise Landsat da Carnegie (CLAS) foi desenvolvido como um sistema especialista para mapear, em nível nacional, o desmatamento florestal e perturbações florestais, inclusive a extração seletiva de árvores (Asner et al. 2005, 2006). CLAS inclui um submodelo básico chamado AutoMCU, ou Separação Automatizada Monte Carlo (Asner and Heidebrecht 2002, Asner et al. 2004), que fornece uma análise quantitativa da cobertura fracional ou percentual (0-100%) da vegetação viva ou morta, e de substratos descobertos (sem vegetação) em cada pixel de satélite (por exemplo, dentro de cada pixel de 30 X 30m numa imagem Landsat). A biblioteca espectral de florestal tropical forneceu os grupos de refletância espectral requeridos pelo submodelo Auto MCU: vf( ), vnf( ), e substrate( ) [quadro I.1]. O AutoMCU é uma abordagem probabilística baseada na física do dossel (Asner 1998) para desconvoluir cada pixel da imagem nessas três frações de cobertura componentes, VF, VNF e S. 7 Teste e validação do CLAS Em 2005, o CLAS foi usado pela primeira vez numa área grande (Asner et al. 2005), para analisar 480 imagens feitas de 1999 a 2002 dos estados do Pará, Mato Grosso, Rondônia, Roraima e Acre. Nesses estudos iniciais, o CLAS foi usado para mapear a extração seletiva de árvores, com uma estimativa conservadora de erro, de 11 a 14%. Em 2007, 80% da Amazônia peruana foram analisados de 1999 a 2005 com o CLAS, o que resultou em índices de cobertura florestal, desmatamento e perturbações florestais numa resolução espacial de 30m. Incertezas na detecção do desmatamento e de perturbações florestais ficaram em 0.5% e 9.0%, respectivamente, segundo avaliação de uma equipe de campo peruana independente (Oliveira et al. 2007). A tecnologia central do algoritmo CLAS de detecção de mudança foi melhorada com versões automatizadas e otimizadas da correção atmosférica e de neblina, e os processos de mascaramento de água e/ou nuvens do AutoMCU (Asner et al. 2004). Quadro I.1: O AutoMCU baseia-se num algoritmo desenvolvido para ecossistemas de floresta, savanas, matas e arbustos (Asner 1998, Asner e Lobell 2000, Asner e Heidebrecht 2002), que depois foi modificado para florestas tropicais (Asner et al. 2004, 2005). O método usa três “grupos” de membros finais espectrais gerais derivados de grandes bases de dados de campo e imagens de satélite, para decompor cada pixel da imagem usando a seguinte equação linear: pixel Cvnf = vnf Ce e] + + Csubstrate = [Cvf substratel] + vf + Onde e é a biblioteca (e) do membro final da refletância no comprimento de onda e é um termo de erro. Resolver cada fração de cobertura (Ce) de subpixel exige que as observações de satélite ( contenham suficiente pixel) informação espectral para resolver um conjunto de equações lineares, cada uma da forma na equação (1) porém com diferentes comprimentos de onda ( ). 8 I.3 Análise CLASlite CLASlite é um subconjunto do sistema de processamento CLASS. Ele foi construído em cima de muitos módulos básicos do CLAS que facilitam a análise da cobertura florestal em alta resolução. Ao contrário do CLAS, a abordagem CLASlite foi desenvolvida novamente e orientada para ser mais automatizada e fácil de usar. Dois dos submodelos bases continuam sendo AutoMCU (Separação Automatizada Monte Carlo) e o método de correção atmosférica dos 6S - Segunda Estimulação do Sinal de Satélite no Espectro Solar (Vermote et al. 1997). O AutoMCU fornece uma análise quantitativa em nível de subpixel do percentual de cobertura vegetal viva ou morta (senescente) e de substrato descoberto, enquanto o 6S funciona numa abordagem única para fazer a correção atmosférica das imagens CLASlite usando observações do sensor Terra MODIS da NASA. Onze resultados inéditos do CLASlite: Imagem de Refletância Calibrada, disponibilizando bandas espectrais calibradas a partir dos dados brutos até a refletância da superfície aparente (topo do dossel). O número de bandas varia conforme o sensor (por exemplo: Landsat: 6 bandas de refletância; SPOT: 4 bandas, etc.). 3 Imagens de Cobertura Fracional, indicando a presença de vegetação viva (o nome técnico é VF), vegetação morta (o nome técnico é VNF) e substrato descoberto (S) em nível de subpixel (por exemplo, resolução sub-30m nas imagens Landsat ou resolução sub-20m nas imagens do SPOT-4). 3 Imagens de Incerteza - para cada imagem descrita acima, uma outra imagem é fornecida que dá a incerteza de cada uma das imagens VF, VNF e S, o que soma mais 3 imagens. Aqui, todos os valores da incerteza aparecem como desvio padrão do percentual médio de cobertura das três bandas iniciais descritas acima. Quanto mais alto o número, maior a incerteza da estimativa do CLASlite sobre VF, VNF ou S naquele pixel. Essas três imagens de incerteza ajudam a localizar áreas na imagem com resultados suspeitos. A incerteza pode ser ocasionada por nuvens ou sombras de nuvens, por corpos d´água, neblina ou bruma (por exemplo, provocada por incêndios), características únicas da terra e terreno acidentado, entre outros. Imagem de Erro Total mostra erro total na imagem do CLASlite. Erro Total é expresso como erro da raiz quadrada da média (RMS). Um pixel com um baixo Erro Total indica que a solução CLASlite provavelmente é boa, enquanto um Erro Total elevado sugere que a solução não foi boa e que ela deve ser descartada ou utilizada com cautela. A imagem de Erro Total é uma verificação final da precisão dos resultados do CLASlite. Imagem da Cobertura Florestal, mapeando a cobertura florestal a partir de uma única imagem. Imagem de Desmatamento e de Perturbações Florestais, detectando a mudança entre duas ou mais imagens feitas da mesma área geográfica ao longo do tempo. Essa análise de múltiplas imagens é a abordagem mais precisa para detectar a perda florestal (desmatamento), o ganho florestal (crescimento secundário) ou a degradação florestal (áreas perturbadas). 9 Uso e Disseminação do CLASlite 1 Disponível para todos os usuários do monitoramento florestal Hoje, o objetivo é fomentar a transferência do CLASlite para instituições governamentais, acadêmicas e ONGs das regiões dos Andes e do Escudo das Guianas. CLASlite é um método bastante geral porém discriminatório que identifica mudanças na floresta 3 1. Adapta-se a mudanças na floresta sem ser sensível demais à variação do tipo de floresta, arquitetura e composição das espécies: Auto MCU 2. Permite correção dos efeitos atmosféricos, embora deixe espaço para um grau de incerteza da composição atmosférica na época da aquisição dos dados. 3. Funciona com um grande variedade de imagens e sensores de2 satélite: LANDSAT (4, 5, 7), MODIS, SPOT (4,5), ASTER, ALI 4. Do ponto de vista tecnológico: automatiza o método e é aplicável a computadores de mesa (desktop) padrões, e foi projetado para que técnicos de nível básico possam dominar seu uso rapidamente. 5. Do ponto de vista da capacitação: sua transferência se baseia num processo de compartilhamento do conhecimento, juntamente com assistência técnica eficaz e em tempo oportuno em apoio à ferramenta. Figura I.2 A meta é oferecer um sistema rápido e confiável para mapear a cobertura florestal, o desmatamento e a degradação florestal. Tabela I. 2 Sistema Carnegie de Análise Florestal Requisitos do software Conhecimento de sensoriamento remoto por parte do usuário Freqüência das séries temporais para análise Tempo de processamento Sistema operacional CLASlite V.2.0 CLASlite V.1.0 Baixo Baixo Alto Imagem única Imagens de séries anuais Horas Dias a semanas PC (processador x86 (32 bits)), Windows XP, 2 GB disco duro, 1 GB RAM) Supercomputadore s Selecionadas Horas PC (processador x86 (32 bits)), Windows XP e Vista, 4 Gb disco duro, 1 GB RAM). Funcionalidades do software Calibração e pré-processamento das Implementação Implementação imagens completa completa Implementação Implementação Correção atmosférica da imagem completa completa Análise da cobertura florestal na Implementação Implementação resolução de subpixel completa completa Análise da cobertura de vegetação Implementação Implementação viva X morta completa completa Mascaramento de nuvens e de Implementação Implementação sombras de nuvens parcial parcial Reconhecimento do padrão para mapeamento detalhado das operações Não Não de extração de árvores LANDSAT 4, 5, 7, ASTER, ALI, LANDSAT 4, 5, 7, Satélites aceitos MODIS, SPOT-4, ASTER, ALI SPOT-5 Imagens de satélite processadas por Várias Uma uso (até dez) Detecção de mudança na floresta Sim Não Mapeamento da cobertura florestal Sim Não Visualizador de imagens Sim Não CLAS Implementação completa Implementação completa Implementação completa Implementação completa Implementação completa Implementação completa LANDSAT 5, 7 Centenas Sim Sim Não 10 Maximiza o uso das imagens disponíveis Em 2007, o CLASlite v1.0 foi desenvolvido a partir de supercomputação e programação e apresentado num pacote de software “lite”. Em 2008, o CLASlite estava pronto para ser usado em instuições sem fins lucrativos e as primeiras sessões de treinamento foram feitas no Peru, com a participação de cerca de 18 organizações, inclusive ONGs e instituições acadêmicas. O CLASlite v2.0 é, portanto, o esforço mais recente da Carnegie; a ferramenta tem novas funções e aceita uma variedade maior de satélites (veja os detalhes na Tabela I.2) Quadro I.2: O Sistema de Processamento CLASlite engloba: (i) calibração radiométrica e correção atmosférica dos dados do satélite; (ii) desconvoluição dos pixels da imagem em cobertura fracional subpixel do dossel florestal com vegetação viva, senescente ou do substrato descoberto; (iii) mascaramento de nuvem e de água; e (iv) classificação das imagens em floresta/não-floresta, desmatamento e perturbação florestal. Veja a figura I.3. Esses processos são feitos em 6 passos explicados na Seção II: execução do CLASlite. Fontes de imagem aceitas pelo programa: Mapeador Temático (TM) do Landsat 4 e 5, Mapeador Temático Melhorado Plus (ETM+) do Landsat 7, Radiômetro Espacial Avançado de Reflexão e Emissão Termal (ASTER), Sensor Avançado de Imagens Terrestres (ALI) do satélite Observador da Terra-1 (EO-1) Satélite de Observação da Terra 4 e 5 (SPOT), e Espectrômetro de Imagens de Resolução Moderada (MODIS). Junto com as imagens brutas, são pedidas as informações sobre a localização geográfica e os ajustes básicos do sensor, sendo ambas disponibilizadas nos dados efêmeros (de status) do satélite que muitas vezes estão armazenados na informação do cabeçalho da imagem. 11 I.3.1 Interpretação das imagens resultantes (dados de saída) do CLASlite Análise de bandas de imagens de refletância Depois que uma imagem tenha sido convertida para a refletância de superfície aparente no Passo 2, essa imagem pode ser visualizada com Freelook para ver o perfil de refletância de cada pixel. Na figura abaixo, mostram-se as bandas 5, 4 e 3 (Vermelho, Verde e Azul) para a refletância da imagem de exemplo do satélite Landsat 7. Se colocar o cursor sobre um pixel florestado, você poderá ver um perfil espectral daquele pixel ao selecionar OpçõesPerfil Z. No perfil espectral, o eixo X representa o número da banda e o eixo Y representa a refletância (% vezes 100). Na figura I.4 pode-se ver que a vegetação tem uma refletância NIR (sigla em ingês para infravermelho próximo) (banda 4) de mais de 30%, enquanto a refletância vermelha (banda 3) é de apenas 2%. Esta diferença entre o NIR e a refletância vermelha é característica da vegetação vibrante. A linha entre essas duas bandas é chamada de “borda vermelha”. Pode-se ver também que nas bandas visíveis (1, 2 e 3) este pixel é mais brilhante no verde (banda 2) do que no azul e no vermelho (bandas 1 e 3, respectivamente). Esta é a razão pela qual a vegetação aparece na cor verde para o olho humano. Red Edge Visible Bands Fig. I. 4 Análise de banda – perfil da refletância do pixel No pixel que tem pouca ou nenhuma vegetação, vê-se que a refletância NIR é mais baixa e que a refletância Vermelha é mais alta do que nos pixels com vegetação. A forma típica que vimos na vegetação com picos nas bandas 2 e 4 não existe no espectro deste pixel, o que indica que há menos vegetação. 12 Análise de Bandas das Imagens da Cobertura Fracional Após a produção da imagem da cobertura fracional, ela pode ser vista no Freelook como um composto de cores de três bandas. É típico da equipe CLASlite mostrar a banda 1 (sem cobertura vegetal) em vermelho, a banda 2 (vegetação viva) em verde e a banda 3 (vegetação morta) em azul. Se selecionarmos Opções Localização/ Valor do Cursor, poderemos ver os valores das 3 frações em percentual. No exemplo abaixo, o pixel tem 4% sem vegetação, 96% de vegetação viva e 0% de vegetação morta. A soma desses percentuais fica perto de 100, embora devido ao arredondamento é possível que a soma não seja exatamente 100. Esses três valores são as frações médias das 30 interações rodadas nesse pixel. No próximo pixel de exemplo, que tem uma aparência bem mais avermelhada, as frações são 35% sem vegetação, 40% com vegetação viva e 27% com vegetação morta. As próximas 3 bandas da imagem (bandas 4, 5 e 6) contêm o desvio padrão das respectivas frações. Se olharmos o perfil Z do pixel, poderemos ver o traçado dos valores de todas as 7 bandas da imagem da cobertura fracional. Nesse exemplo, as bandas 1, 2 e 3 são os valores que vimos anteriormente no valor/localização do cursor. Vê-se que os desvios padrões das frações (bandas 4, 5 e 6, respectivamente) mostram que o desvio da média foi muito pequeno nas 30 interações, o que indica que a solução foi muito coerente para as 3 frações. O erro da raiz quadrada da média (RMSE) (banda 7) também é relativamente baixo, o que indica que o perfil espectral criado a partir da análise baseada no algoritmo Monte Carlo Automatizado (AutoMCU) ficou muito próxima dos espectros reais do pixel. Fig. I. 5 Análise de bandas – perfil da cobertura fracional do pixel Isso indica que se pode confiar na capacidade das frações de reproduzir a refletância dos espectros do pixel. Se o erro da raiz quadrada da média (RMSE) fosse elevado - como acontece tipicamente em sombreamentos e outros aspectos para os quais o CLASlite não foi projetado -, teríamos que supeitar das frações daquele pixel. Por esse motivo, usa-se o erro da raiz quadrada da média (RMSE) para mascarar os pixels contaminados pela presença da água, nuvens ou outros aspectos indesejáveis. 13 Imagem da cobertura fracional, mapas compilados do desmatamento e perturbações florestais, e mapa da cobertura florestal As imagens abaixo mostram a cobertura fracional (Fig. I.6 ) dos três componentes da estrutura da floresta tropical, que dependendo dos percentuais (Tabela I.3), indicam a condição da floresta. Análises posteriores, baseadas em três critérios de decisão (Tabela I.4) permitem identificar o desmatamento e a perturbação florestal por meio do modo de múltiplas imagens (Passo 4) e a cobertura florestal pelo modo de imagem única (Passo 5) (Figuras I.7 e I.8, respectivamente). Tabela I, 3 % de cobertura fracional e relação com a condição da floresta Imagem da cobertura fracional Vegetação viva (Vv ou VF) Vegetação morta (Vm ou VNF) Substrato descoberto (S) Cobertura fracional em nível de sub-pixel Floresta primária ou floresta secundária tardia Floresta com perturbações ou áreas madeireiras Área desmatada 90%-100% 0-80% 0-10% 0-10% 60-70% >80% 0-5% 0-20% >10% ~ 100% ~ 100% ~ 100% Fig. I.6 Imagem da coberturafracional Tabela I. 4 Valor da cobertura fracional em % de Vegetação viva, vegetação morta e substrato descoberto (sem vegetação). -Usado para gerar Mapa do Desmatamento e Perturbações Florestais (modo de múltiplas imagens) e de Cobertura Florestal (modo de imagem única) Desmatamento – Modo de Múltiplas Imagens Fig. I.7 Imagens do desmatamento (esquerda) e de perturbações florestais (direita). Modo de múltiplas imagens. ((VF0 > 60%) AND ((-100% < VF1-VF0 < -40%) and (VNF1-VNF0 > 4%))) OR ((VNF0 < 30% and S0 < 15%) and (VF1 ≤ 80% and VNF1 > 20% and S1 ≥ 0%) and (VF1-VF0 < -9% and VNF1-VNF0 > 15% and S1-S0 > -99.9%)) Perturbação – Modo de Múltiplas Imagens (VF1-VF0 ≥ -40%) AND (VF0 > 80% and VNF0 < 25% and S0 < 15%) AND (VF1 < 85% and VNF1 > 15% and S1 < 7%) AND ((VF1-VF0 < -6% and 7% < VNF1-VNF0 < 14% and S1-S0 ≥ -1%) or (VF1-VF0 < -7% and VNF1-VNF0 > 13% and S1-S0 < -1%)) Cobertura forestal – Modo de Imagem Única VF ≥ 80 Fig. I.8 Mapeamento da cobertura florestal. Modo de imagem única 14 II. Executando o CLASlite v.2 Antes de rodar o CLASlite, o usuário deve completar a tarefa 1 - “Instalação do CLASlite”, que consta no Apêndice I, e a tarefa 2 - “Preparação das Imagens”, que aparece no Apêndice II. Para iniciar o CLASlite, clique no atalho do CLASlite_v2 em seu desktop. Aí aparece o painel Máquina Virtual. Clique em Continuar. Aparece então o painel de boas vindas do CLASlite, seguido do painel principal de trabalho do CLASlite. Figura II. 1 Painel principal do CLASlite v.2 Depois de formatar adequadamente os dados de imagem, os dados podem rodar por meio de um procedimento de um único passo (Análise da Imagem Auto Run) ou do procedimento de dois passos (Calibrar imagens de satélite e Geração de Mapa da Cobertura Fracional). Ambas as opções conseguem processar múltiplas imagens ao mesmo tempo. Além disso, o CLASlite v.2 carrega dois passos adicionais para determinar a cobertura florestal (Mapear a Cobertura Florestal) e a mudança na cobertura florestal (Mapear as Mudanças na Floresta). Todos esses passos podem ser acessados no painel principal do CLASlite v.2, conforme se vê na imagem à esquerda. Passo 1 inicialmente calibra as imagens de satélite com base nos metadados; faz a correção atmosférica seguida do mascaramento de nuvens e dos corpos d’água. Há também uma opção de correção da neblina que aparece na imagem. Depois de fazer o pré-processamento da imagem, é feita uma análise da mistura espectral para determinar o conteúdo de solo, vegetação viva e vegetação morta. Isto deve ajudar o usuário a deduzir a quantidade de vegetação presente na amostra dada de imagem. Para fazer apenas a calibração das imagens de satélite, pode-se escolher o passo 2 com imagens de satélite brutas e geolocalizadas. Da mesma forma, para fazer apenas a análise de mistura espectral das imagens de refletância, pode-se rodar o passo 3 . Passo 4, Mapear a Variação da Floresta, serve para determinar a escala do desmatamento ou perturbação florestal ocorrida numa determinada região ao longo dos anos. Esse passo vem junto com a opção de mapear a magnitude do desmatamento ou perturbação ocorrida no tempo. Para os usuários que possuem apenas uma única imagem, o Passo 5 permite uma abordagem rápida para estimar a quantidade de floresta presente numa dada região. Os passos 4 e 5 requerem, ambos, imagens que foram processadas pelo CLASlite. 15 Passo 6 é uma opção que permite aos usuários dispor de um mascaramento adicional para minimizar os problemas provocados por nuvens, neblina atmosférica, corpos d’água e outros efeitos comuns em imagens de satélite.Nos passos 1, 2 e 3 o usuário também dispõe de uma opção para preencher os parâmetros com valores pré-definidos. É uma opção útil principalmente quando o usuário quer processar mais de uma imagem ao mesmo tempo. Assim, em vez de colocar os valores dos dados individualmente para cada imagem, o usuário pode carregar uma tabela que foi pré-definida com todos os valores necessários. Exemplos dessas tabelas encontram-se na pasta de dados de exemplo do protocolo de transferência de arquivo (ftp) do CLASlite com os nomes book_autorun, book_refl, book_frac. Deve-se usar vírgulas para separar os valores da tabela e eles devem ser ordenados numa determinada ordem. A primeira linha da tabela deve ser o nome do rótulo. As linhas seguintes são para que o usuário coloque os valores que correspondem aos dados. Em todos os passos, exceto no 5, o usuário será colicitado a entrar com a pasta de seu arquivos de entrada e de saída. No passo 5, o usuário deve entrar com os arquivos da imagem de entrada, enquanto a imagem de saída será automaticamente colocada na pasta onde se encontra o arquivo de entrada. Cada um desses passos é descrito em detalhe nas páginas seguintes. Mostramos também os resultados (dados de saída) desses passos usando-se como exemplo a imagem feita da Amazônia peruana pelo Landsat 7 (Figura 2.1). Passo 1: Auto Run – Análise da Imagem Este passo é essencialmente uma combinação da calibração da imagem do satélite e a Figura II.2: Imagem típica do Landsat-7 mostra a floresta em tons de verde e a contaminação de nuvens em geração do mapa da cobertura fracional. O peruana branco usuário deve fornecer os arquivos dos dados de entrada junto com os metadados e com um arquivo de saída (resultante) no qual será gravado o mapa da cobertura fracional. A imagem de refletância terá o nome do arquivo de entrada com a terminação “_refl”. Essa Análise da Imagem AutoRun tem opções como as seguintes: Processar múltiplos arquivos. Armazenar o arquivo de imagem da cobertura fracional no formato ENVI / TIFF. Correção de neblina. Aceita os satélites LANDSAT 4,5,7, ALI, ASTER, MODIS, SPOT No caso do MODIS, a imagem de entrada deve ser a imagem de refletância. 16 Ao escolher a opção Análise da Imagem AutoRun, será pedido ao usuário que escolha o número de imagens a serem processadas. Esse passo apresenta a opção de escolher no máximo 4 imagens. O usuário deve, então, colocar o nome dos arquivos de entrada e os metadados correspondentes de cada imagem. Arquivo da imagem de entrada: entre com a imagem bruta preparada para uso do CLASlite v.2. Esse arquivo pode estar no formato ENVI ou GeoTIFF. O arquivo de entrada deve conter informações georeferenciadas em projeção UTM, elipsóide WGS-84. (Observação: os dados MODIS geralmente são imagens de refletância compostas com medidas de 8 dias. Portanto, o arquivo da imagem de entrada corresponderia à imagem de refletância). Latitude: coloque a latitude central da imagem, em graus decimais. Utilize valores positivos para indicar o hemisfério Norte e valores negativos para o hemisfério Sul. Longitude: coloque a longitude central da imagem, em graus decimais. Utilize valores positivos para indicar o hemisfério Oriental e valores negativos para o Ocidental. Data da imagem: coloque os dados da aquisição da imagem. Informe o dia, mês e ano, usando o zero quando necessário. Por exemplo, para indicar a data 1º de fevereiro de 2007, digite 01022007. Hora da imagem: coloque o horário (UTC/GMT) da aquisição da imagem, informando a hora e os minutos sem separação. Por exemplo, para indicar 21h:03 h UTC, coloque simplesmente 2103. UTC é a Hora Universal, que equivale ao fuso horário do Meridiano de Greenwich (GMT). Elevação na imagem: coloque o valor aproximado da elevação do solo que aparece na imagem, ou da porção da imagem que mais lhe interessa. O valor deve estar expresso em unidade métrica sobre o nível médio do mar. Satélite: selecione o satélite que coletou as imagens. Escolha entre Landsat 4, Landsat 5, Landsat 7, ALI, ASTER, SPOT-4, SPOT-5, e MODIS. Consulte a Seção 3 para obter as informações de cada satélite. Sistema de Processamento: caso sua imagem de entrada for do Landsat 7, selecione o sistema de processamento que criou a imagem de entrada. Escolha entre NLAPS ou LPGS. Consulte os metadados de sua imagem ou o Manual de Usuários dos Dados do Satélite Landst 7. Você encontrará mais informações na seção de Perguntas Freqüentes (FAQs). Ajuste de ganhos: caso sua imagem tenha sido adquirida pelo Landsat 7, será preciso selecionar o ajuste de ganhos para as bandas 1 a 5 e 7. A fim de determinar a radiância correta da imagem, o CLASlite precisa saber, para cada banda, se foi coletada com a configuração do ajuste de ganho baixo ou alto. Clique em Ajuste de ganhos (Gain Settings) e escolha L (low ou baixo) ou H (high ou alto) para cada banda. Todas as bandas terão o ajuste de ganho tipicamente alto, exceto pela banda 4. No entanto, no exemplo da imagem da Figura 1, todas as bandas foram coletadas com o ajuste de ganho baixo. Arquivo da imagem de saída (resultado): coloque o nome desejado de sua imagem de saída para a cobertura fracional. Após fornecer as informações de uma determinada 17 imagem, clique em Salvar para armazenar os valores da imagem correspondentes. Para alterar o valor de uma imagem qualquer, clique no botão correspondente e depois aperte “Prévio” (Previous) para carregar os valores anteriores da imagem correspondente. Após fazer as correções necessárias, clique novamente em Salvar para guardar os valores. Ao completar a informação dos metadados de todas as imagens, clique em Executar (Run). O CLASlite cria cada imagem de refletância e depois aplica a análise de mistura espectral nela para gerar a imagem da cobertura fracional. A figura seguinte mostra os vários painéis que ajudam o usuário a gerar as imagens de saída. (a) Auto Run Análise de Imagens (b) Calibrar imagens de satélite Figura II.3: Widgets usados na Análise de Imagens AutoRun e Calibração das Imagens de Satélite Passo 2: Calibrar Imagens de Satélite A Calibração das Imagens de Satélite é um passo incluído na Análise da Imagem AutoRun. Como o passo anterior, este também exige que o usuário forneça os arquivos de dados junto com seus metadados. A única diferença é que, em vez de um mapa da cobertura fracional, a imagem de refletância é gravada num arquivo de saída. São os seguintes os passos da calibração. A partir dos metadados e do arquivo de entrada da imagem, são identificadas as áreas potenciais de nuvens e corpos d´água. Caso for escolhida a opção de correção de neblina, a imagem de entrada é corrigida (isto pode fazer com que a imagem fique mais brilhante). 18 A imagem de radiância é calculada com base nos valores dos metadados; a correção atmosférica é feita utilizando os 6S. A imagem de refletância é calculada com os corpos d´água e as nuvens mascaradas. Este passo vem com o processamento em lote e correção de neblina. Ele aceita os satélites LANDSAT 4,5,7, ALI, ASTER e SPOT. Passo 3 : Gerar Mapa de Frações de Cobertura A segunda metade da Análise da Imagem AutoRun é o gerador de mapa de cobertura fracional baseado no algoritmo Monte Carlo Automatizado (AutoMCU). Este algoritmo é usado para determinar a vegetação fotossintética (viva), o solo (sem vegetação) e a vegetação nãofotossintética (morta) a partir da imagem de refletância. Com base no satélite, o resultado do algoritmo é colocado na escala adequada. Em alguns casos, o redimensionamento pode resultar no mascaramento de regiões desejadas. Para superar essa limitação, o usuário teria que executar um reajuste adicional da escala/limiar da imagem da cobertura fracional. Para facilitar esse processo, um visualizador da imagem está embutido nesse passo, para apresentar a imagem com um certo valor limiar da raiz quadrática média (RMS) aplicado a ela. O usuário deve variar esse valor para obter uma representação aceitável do mapa da cobertura fracional. Figura II.4: Gerador do Mapa de Cobertura Fracional Para esta imagem em particular usada como exemplo, quando o limiar de erro RMS é ajustado em 800, a imagem resultante fica mascarada de forma mais apropriada, limitando as áreas mascaradas às nuvens, sombras de nuvens e água. Essa abordagem de mascaramento interativo permite que o usuário controle a quantidade de sombras de nuvens que ficam sem máscara na imagem. O usuário pode rodar novamente o ajuste tantas vezes quanto quiser, de forma interativa, apreciando os resultados e reajustando. Depois que o usuário selecionar Aceitar, quaisquer mudanças adicionais terão que ser feitas rodando o Passo 4 desde o início. Em resumo, é altamente vantajoso minimizar quaisquer nuvens e sombras de nuvens por meio do mascaramento, a fim de obter o melhor produto final, já que os algoritmos usados no CLASlite são sensíveis às anomalias causadas por esses artifícios. Esse passo interativo de mascaramento e remascaramento permite que o usuário controle o resultado final do CLASlite. Passo 4: Mapa de Conversão da Floresta (Análise Multitemporal de Imagens) O mapa de perturbações florestais é usado para determinar a quantidade de desmatamento e de perturbações florestais que ocorreram numa região durante um determinado período. O usuário deve colocar pelo menos duas imagens de cobertura fracional (que compartilhem alguma área em comum ). Então são feitos os cálculos e produzidos os mapas com a compilação do 19 desmatamento e das perturbações florestais. . Para facilitar a identificação, usa-se um código de cores diferente para cada ano de desmatamento e perturbações florestais. Embora essas cores não apareçam no ENVI Freelook, o bitmap de saída mantém uma classificação de valores que corresponde ao ano de mudança florestal do pixel. Passo 5: Mapa de Cobertura Florestal (Análise de 1 Imagem) A última opção no menu principal é usada para determinar a quantidade de floresta numa determinada imagem de cobertura fracional. Essa opção pode ser útil para estimar a cobertura florestal de uma determinada região. A imagem de saída é gravada na mesma pasta do arquivo da imagem da cobertura fracional com um nome de arquivo de entrada cuja terminação é “mapa de cobertura florestal”. Figura II.5: Mapas de Perturbação Florestal e de Cobertura Florestal Passo 6: Criar Máscara LANDSAT - adicional Esse passo é uma opção para que o usuário possa mascarar completamente os valores na imagem de refletância, baseado na imagem térmica associada, utilizando dados do Landsat 4, 5 ou 7. Um visor é oferecido para tornar mais confortável a leitura dos valores das coordenadas de uma imagem térmica. Ao selecionar o Passo 6, coloque os valores da seguinte forma: Sensor: selecione o sensor de satélite que coletou as imagens. Entre com as imagens brutas ou primárias: coloque as imagens brutas originais. Trata-se do mesmo arquivo que já foi usado nos Passos 1 e 2. Entre com a imagem de refletância: coloque a imagem de refletância criada no Passo 2. Entre com a imagem térmica: coloque o nome do arquivo que contém a imagem térmica. Essa imagem térmica deve ter o mesmo número de pixels e linhas que a imagem bruta de entrada. Limiar térmico do sombreamento: Ajuste o limiar térmico ao DN apropriado na banda térmica, de forma que qualquer coisa que fique abaixo daquele limiar seja completamente mascarada e não apareça nos dados. Cada imagem terá um limiar térmico diferente, baseado na temperatura da 20 superfície terrestre e da atmosfera. No entanto, para se obter melhores resultados, é aconselhável usar um limiar térmico entre 125 e 160. Imagem de saída da refletância mascarada: Coloque o nome desejado da imagem de refletância mascarada resultante. Essa é a imagem que será usada para gerar um mapa de cobertura fracional no Passo 3. Figura 11.6 Criar Máscara LANDSAT - adicional III. Potencial e Limitações do CLASlite 1. O poder do CLASlite está em sua capacidade única de converter em mapas muito detalhados os “tapetes” aparentemente verdes de densa cobertura de floresta tropical, encontrados nas imagens básicas dos satélites. Tais mapas servem para fazer uma investigação imediata do desmatamento, extração de árvores e outros eventos de perturbação florestal, tais como quedas naturais de árvores e danos causados por tormentas. 2. O CLASlite não gera um “mapa” final e sim um conjunto de imagens ecologicamente significativas que identificam a cobertura florestal, o desmatamento e as perturbações florestais que podem ser prontamente analisadas, processadas e apresentadas pelo usuário. 3. As áreas onde houve ocorrência recente de corte raso (limpeza do terreno), extração de árvores (corte de madeira) e outras perturbações florestais ficam destacadas e são facilmente identificadas com os algoritmos do CLASlite. 21 4. Tanto o desmatamento quando o crescimento secundário da floresta pode ser rastreado pelo usuário do CLASlite. O desmatamento aparece claramente como uma perda da cobertura florestal, produzindo substratos descobertos e NPV (vegetação morta). A regeneração florestal pode ser rastreada por meio de um acompanhamento cuidadoso da recuperação da floresta depois do corte raso, o qual deve ser previamente mapeado. 5. Embora o programa por si só não consiga distinguir os tipos de perturbação florestal (antropogênica X natural), o CLASlite permite que o usuário consiga, pela primeira vez, classificar a perturbação de forma rápida e automatizada. 6. Não se trata de uma ferramenta para monitorar diretamente a biodiversidade. O programa pode ajudar a chegar a conclusões em relação à biodiversidade a partir da presença ou ausência da floresta e de perturbações na mesma, mas não foi projetado com a finalidade de monitoramento direto da biodiversidade (espécies). 7. Caso o monitoramento florestal seja feito como uma base para o desenvolvimento e execução de um projeto in situ, recomenda-se uma verificação de campo da imagem de saída (resultado) do CLASlite. 8. A capacidade do CLASlite de detectar perturbações florestais ou desmatamento a partir de uma única imagem deve ser utilizada com cautela. As perturbações e o desmatamento baseiam-se numa mudança de condição de um período para outro. Embora os padrões de desmatamento ou perturbação florestal possam ser inferidos de uma única imagem, é preciso que uma pessoa faça a interpretação dos resultados. Portanto, qualquer coisa que for detectada, a partir de uma única imagem, como sendo uma perturbação florestal ou desmatamento, deve ser utilizada para orientar mais pesquisas e validações. Usar duas imagens para detectar perturbação Quadro III.1: O que o CLASlite exige do usuário florestal e desmatamento é melhor do Tipo de perturbação Dedicação exigida que se basear numa única imagem. 9. Para detectar a Perturbação florestal, a análise de imagens múltiplas deve utilizar imagens coletadas na mesma época dos anos considerados, preferivelmente no mesmo mês. Caso contrário, as alterações na fenologia florestal podem afetar a capacidade do CLASlite de detectar alterações florestais. Desmatamento, sem um posterior crescimento de floresta secundária Requer pouco treinamento. É facilmente identificável Áreas de extração seletiva e grande perturbação florestal Requer algum treinamento Áreas de pouca perturbação florestal, inclusive clareiras provocadas pela queda de pequenas árvores Requer treinamento em profundidade e dedicação de tempo extra 10. A correção da neblina foi projetada para homogeneizar os efeitos da neblina que possam existir em partes da imagem. Se a neblina estiver distribuída em toda a imagem de maneira uniforme, a correção da neblina será menos eficaz. O benefício é maximizado quando se faz um nivelamento dos efeitos da neblina em toda a imagem. 11. Apesar de esta ser uma ferramenta altamente automatizada, o usuário precisa se familiarizar com as imagens de saída do CLASlite. 22 IV. Perguntas Freqüentes – FAQs 1. Estou encontrando problemas para instalar o CLASlite – o que posso fazer? Comece por verificar se você está usando o Windows XP ou Vista numa máquina de 32bit. Este é um requisito do CLASlite. A seguir, envie a descrição de seu problema para o e-mail [email protected] e nós responderemos tão logo possível. 2. Como um terreno irregular pode afetar a análise do CLASlite? Em geral, o terreno irregular tem pouco efeito nos resultados do CLASlite, a menos que montanhas ou encostas lancem sombras sobre o dossel florestal. Se isso acontecer, então os resultados do CLASlite podem não ser confiáveis. Felizmente, as imagens de erro na saída padrão do CLASlite permitem localizar, avaliar e descartar rapidamente as áreas onde as sombras de elevações criaram resultados incertos. No entanto, em terrenos irregulares que de forma geral se mantêm bem iluminados, o módulo central de análise Monte Carlo (AutoMCU) é capaz de “absorver” ou acomodar a irregularidade do terreno, permitindo assim um bom resultado. 3. Como as imagens de saída do CLASlite mostrariam as matas ciliares versus floresta de terra firme, haveria alguma diferença claramente identificável? As matas ciliares muitas vezes possuem substratos nus, desprovidos de vegetação (bare), que são mais altos, ou frações de vegetação degradada não-fotossintética (VNF), porque a inundação pelo rio danifica a floresta ou deposita os sedimentos nessas florestas. É típico ver tons de amarelo numa imagem composta de terreno descoberto (bare), com vegetação fotossinteticamente ativa (VF) e com vegetação degradada (VNF), a partir da etapa de mapeamento da cobertura fracional – a cor amarela indica misturas de terra sem vegetação e com vegetação fotossinteticamente ativa. Além disso, em geral o padrão da cobertura do dossel florestal (VF) é visualmente distinto das florestas de terra firme: as matas ciliares muitas vezes têm uma aparência estriada devido à dinâmica fluvial. 4. Não tenho os metadados – o que posso fazer? Em alguns casos, os metadados de uma imagem podem estar indisponíveis ou incompletos. Um tipo comum de metadado que pode faltar nas imagens do satélite Landsat-7 é o de ajustes de ganho. Na maioria dos casos de floresta tropical, os dois únicos ajustes de dados para o satélite Landsat-7 serão com todas as 6 bandas tendo um ajuste de ganho alto (High – aparece, por exemplo, HHHHHH) ou com apenas a banda 4 tendo um ajuste baixo (Low – aparece, por exemplo, HHHLHH). A opção por diferentes sistemas de processamento (NLAPS ou LPGS) dos dados do Landsat não é essencial, mas sabendo disso pode-se produzir uma imagem de refletância levemente melhor. Para mais informações, acesse e consulte 23 http://landsathandbook.gsfc.nasa.gov/handbook/ handbook_htmls/chapter12/htmls/level1_differences.html Se você não conseguir encontrar o sistema de processamente, recomenda-se usar o padrão, que é NLAPS. Para mais informações sobre os metadados e preparação da imagem, veja o documento "Antes de Rodar o CLASlite” disponível no site do CLASlite. 5. Quantos bits por pixel são aceitos pelo CLASlite? O tipo de dados requeridos para entrar no CLASlite varia conforme o satélite. Por exemplo, no caso de dados do Landsat, os valores deveriam ser de 1 byte por pixel. Consulte o Apêndice II (Preparação dos Dados) para conhecer os detalhes de como devem ser formatados os dados dos vários tipos de satélite para dar entrada no CLASlite. 6. Como se faz a correção atmosférica para as imagens do CLASlite? O CLASlite consome imagens brutas de satélite e aplica ganhos de sensor e compensação (offset) para a radiância exoatmosférica derivada de cada banda de imagem. Os dados de radiância são então passados para uma versão totalmente automatizada do modelo de transferência radiativa atmosférica 6S (Vermote et al. 1997) para derivar a refletância de superfície aparente para cada banda espectral. O modelo 6S exige um número de dados de entrada que incluem uma estimativa de aerosol e vapor d’água. Esses parâmetros estão em tabelas geográficas de consulta derivadas dos produtos atmosféricos MODIS grau 1 da NASA. A coordenação dos dados do vapor d’água e do aerosol MODIS com o satélite de alta resolução processado pelo CLASlite é feita de forma automatizada. O CLASlite usa a última versão do 6S (http://6s.ltdri.org/), que aceita o satélite Landsat-4, 5 e 7, assim como o ASTER, o ALI e o SPOT. O CLASlite não faz correção atmosférica nas imagens terrestres do MODIS porque esses dados já estão processados para o produto composto da medida de 8 dias da refletância de superfície (MOD09A1). 7. Para quais anos o CLASlite dispõe de dados atmosféricos para fazer a correção atmosférica? O que acontece se processarmos uma imagem de um ano para o qual o CLASlite não dispõe de dados atmosféricos? Isso afetará o resultado do trabalho? O CLASlite contém dados de vapor d’água e de aerosol MODIS desde o ano 2000 até o presente. Mensalmente, os dados atmosféricos são atualizados e disponibilizados para os usuários do CLASlite. Se você processar uma imagem de um ano para o qual o CLASlite não possui dados atmosféricos, o CLASlite irá automaticamente selecionar a data anterior mais próxima e a utilizará para fazer a correção atmosférica. Devido ao fato de que os dados de aerosol e vapor d’água são derivados das médias mensais, a correção atmosférica com dados de um ano diferente cria uma imagem de refletância que é suficientemente precisa para a aplicação de uma abordagem probabilística robusta de Auto-MCU. 24 8. Que formatos de arquivo são suportados pelo CLASlite? O CLASlite suporta arquivos tanto no formato ENVI como no GeoTIFF. Arquivos em ambos formatos podem ser processados com essa ferramenta em qualquer dos passos. Adicionalmente, o usuário tem a opção de salvar (gravar) qualquer arquivo resultante em qualquer um desses formatos. O formato padrão de arquivo para os resultados CLASlite é ENVI. As imagens ENVI consistem de dois arquivos: um deles não tem extensão, trata-se de um arquivo de imagem; o segundo arquivo leva a extensão .hdr, que é um arquivo de informações auxiliares, contendo as informações espaciais sobre a imagem. Ambos os arquivos são necessários, mas o arquivo sem extensão é aquele que é carregado no CLASlite ou ENVI Freelook. Pode-se abrir os arquivos ENVI tanto no ENVI como no ERDAS; já os GeoTIFFs possuem um formato mais universal. Ao salvar o resultado CLASlite no formato GeoTIFF, é importante que o usuário defina o nome do arquivo de resultado sem colocar uma extensão. Selecione a opção “Salvar resultado como GeoTIFF” para acrescentar a extensão adequada ao arquivo resultante. Caso o usuário acrescente uma extensão ao nome do arquivo de saída, o CLASlite não reconhecerá o arquivo de saída e no final do processo aparece um erro. 9. É possível usar o CLASlite para 17S em zona UTM? O CLASlite aceita todas as imagens no sistema de projeção UTM (Universal Transversa de Mercator). 10. Tenho uma imagem do satélite ASTER que não está funcionando bem. O que devo fazer? É possível que as imagens de radiância e refletância não tenham sido criadas com os ganhos e compensações corretas. As imagens do ASTER possuem vários diferentes ajustes de ganhos que devem ser aplicados pelo usuário utilizando seu próprio processador de imagem (ENVI, ERDAS, etc.). Consulte o Apêndice II para descobrir os ajustes de ganho de seus dados e como aplicá-los antes de utilizar as imagens no CLASlite. 11. O CLASlite explicaria os erros comuns? A maior parte das mensagens de erro aparece durante sua ocorrência. Na maioria dos casos, o usuário seria levado ao estágio anterior à ocorrência do erro, para que possa ser feita a correção do mesmo. No entanto, poderá haver casos em que aparecem mensagens de erro que, se aceitas, provocariam o fechamento do programa CLASlite. Nesses casos, o usuário teria que repetir aquele processo. Algumas mensagens comuns de erro são as seguintes: "Tentativa de indexar CUMU_TOTAL com MAXINDEX está fora dos limites" Esse erro ocorre quando o usuário escolhe aplicar uma ampliação Linear de 2% num pedaço escolhido da área que tem mais pixels com valor zero. A ampliação Linear de 2% 25 depende do histograma e uma vez que a maior parte dos valores é zero, a ampliação do histograma não seria feita. Aconselha-se aos usuários que evitem selecionar áreas com mais pixels de valor zero e apliquem uma ampliação Linear de 2% nessa área. “Número de bandas não combina com a solicitação”. As imagens dos diferentes satélites/sensores usadas no CLASlite dependem do número de bandas em cada uma delas. Para outras informações, consulte o Apêndice II: Preparação da imagem e Análise de Bandas para uso CLASlite. 12. É possível realizar uma análise de imagens múltiplas com imagens de diferentes satélites? Pode-se realizar análises de imagens múltimas de imagens de satélites diferentes desde que a resolução do pixel seja a mesma. 13. Qual deveria ser a área de superposição entre as imagens para realizar uma análise de múltiplas imagens? Quando a área não-superposta seria grande demais para tornar a análise não-aceitável? Não existe um limite máximo especificado para se realizar análises de imagens múltiplas num conjunto de imagens MCU, porém todas as imagens a serem comparadas precisam ter, no mínimo, um pixel em comum. 14. Estando no modo de múltiplas imagens, o que acontece se houver uma variação na quantidade de tempo entre as imagens? Você pode entrar com tantas imagens quanto quiser. Se o intervalo de tempo for anual ou mais freqüente, então os mapas de desmatamento e de perturbação florestal produzidos pelo CLASlite ficarão mais próximos dos índices brutos de mudança. Caso suas imagens tenham sido coletadas com um intervalo maior do que um ano, os mapas de desmatamento e perturbações produzidos pelo CLASlite representarão índices líquidos de mudança em mais longo prazo. Cabe a você interpretar as mudanças na floresta que foram mapeadas pelo CLASlite – você precisa determinar se as mudanças que você vê são brutas ou líquidas. As mudanças florestais líquidas podem deixar de lado um novo crescimento florestal, uma recuperação do dossel, uma perturbação ou outros processos que podem ocorrer entre as datas que separam as imagens. Já as mudanças florestais brutas incorporam todos os ganhos e todas as perdas florestais à medida que elas ocorrem. 15. Por que o CLASlite não suporta o sensor multiespectral scanner (MSS) do satélite Landsat? Decidimos, anteriormente, não suportar o sensor multiespectral scanner (MSS) do satélite Landsat porque esse instrumento é barulhento. No entanto, se houver uma procura muito grande pelos dados do MSS, iremos considerar essa possibilidade numa nova versão do CLASlite. 26 16. Quanto de erro no registro imagem-a-imagem é permitido no CLASlite? Atualmente, a análise de imagens múltiplas no CLASlite exige que o usuário faça o coregistro de suas imagens durante o passo de preparação de imagens com uma incerteza de um (1) pixel. 17. A versão 2 do CLASlite suporta Windows 64-bits? Sim, mas você precisa primeiro instalar IDI para as máquinas de 32-bits, para que o CLASlite possa rodar no ambiente IDL de 32-bits. 18. Como a equipe CLASlite definiu os critérios de decisão referente a cobertura florestal, desmatamento e perturbações florestais? Esses critérios baseiam-se na experiência prática com o CLASlite em locais de floresta tropical úmida no Brasil, Peru, Madagascar, Bornéu e Havaí. No entanto, fornecemos ao usuário os valores de cobertura fracional (do Passo 3), para que ele/ela possa estipular os critérios de decisão que sejam mais adequados ás suas necessidades. Pode-se implementar critérios de decisão personalizados utilizando um software de terceiros, tais como o ENVI, ERDAS Imagine ou ArcGIS. 19. O CLASlite pode rodar mosaicos de imagens de satélite? Sim, pode-se processar um mosaico. Mas é preciso ter suficiente memória de computador para isso. Geralmente, é aconselhável rodar o CLASlite com imagens individuais e depois fazer um mosaico dos resultados MCU. Para outras mensagens de erro que são específicas para certas condições, consulte nosso website: http://claslite.ciw.edu ou envie uma mensagem eletrônica para [email protected] 27 V. Praticando com o CLASlite: estudos de caso V.1 Extração madeireira: Brasil (análise de múltiplas imagens) I. Descrição do problema Muitas paisagens florestais da Amazônia têm sofrido mudanças rápidas em decorrência da atividade industrial e da extração ilegal, do corte raso para limpar o terreno e dar lugar a pastagens de gado e cultivos, e o desenvolvimento de biocombustíveis. É um desafio rastrear tais mudanças ao longo do tempo, mas o CLASlite oferece uma abordagem fácil para monitorar a perda da cobertura florestal e a recuperação após o desmatamento e a degradação florestal. A Amazônia Oriental brasileira é considerada uma das fronteiras mais antigas de mudança de uso da terra. Uma região ao sul de Belém, no estado do Pará, conhecida como Fazenda Cauaxi, está situada ao longo do Rio Capim. Cauaxi tem uma história de desmatamento leve, porém no final da década de 1990 a atividade de extração madeireira foi introduzida na região e abriu essa área para mais atividade humana. Focalizamos, aqui, um exercício sobre como usar o CLASlite para monitorar a extração seletiva e a degradação florestal na região. II. Análise Este exercício envolve o processamento de quatro imagens Landsat-7 (ETM+) por meio do CLASlite e a criação de imagens de saída que identifiquem o desmatamento e as perturbações florestais. As quatro imagens que iremos usar no exercício foram obtidas nas seguintes datas e coordenadas de trajetória/linha do Landsat: Trajetória/linha 223/063 223/063 223/063 223/063 Data 13-julho-1999 31-julho-2000 03-agosto-2001 07-setembro-2002 1. Preparação da imagem Antes de rodar o CLASlite, é preciso preparar as imagens. Utilizando o processador de imagem ou o software de SIG (GIS) de sua escolha, faça o corregistro das imagens de modo que elas casem e coincidam uma com a outra dentro de uma margem de +/- 1 pixel. Isso garante que quaisquer alterações observadas na cobertura florestal e nas perturbações florestais entre as imagens sejam resultado de uma real perturbação na floresta, entre uma imagem e a próxima, e não um erro resultante de um registro mal feito das imagens. Esse passo nós já fizemos para você, mas devemos enfatizar o fato de que o registro imagem-a-imagem é um fator crítico em qualquer análise de múltiplos dados da perturbação florestal, seja usando o CLASlite ou qualquer outro software de mapeamento. Conforme foi discutido na seção de Preparação dos Dados, as imagens devem ser preparadas de forma que as bandas 1, 2, 3, 4, 5 e 7 de cada imagem estejam no formato GeoTIFF ou ENVI. A banda térmica de cada imagem deve estar um arquivo separado, com o mesmo tamanho de pixel e extensão que o arquivo correspondente que contém as outras bandas (por exemplo, resolução espacial de 30 metros). 28 223/063 13-Jul-99 Bandas 1,2,3,4,5,7 223/063 31-Jul-00 Bandas 1,2,3,4,5,7 223/063 03-Ago-01 Bandas 1,2,3,4,5,7 223/063 07-Set-02 Bandas 1,2,3,4,5,7 223/063 13-Jul-99 Banda térmica 223/063 31-Jul-00 Banda térmica 223/063 03-Aug-01 Banda térmica 223/063 07-Sep-02 Banda térmica 2. Refletância de superfície – Passo 2 do CLASlite O próximo passo é processar as imagens para “refletância aparente da superfície”. Coloque os metadados de cada imagem. Caso não disponha dessas informações, você pode encontrá-las na rede, em alguns dos sites de distribuição dos dados do satélite. Consulte a seção de Perguntas Freqüentes (FAQ) para obter mais informações sobre como lidar com esse conjunto de imagens. Após salvar as informações relativas às quatro imagens, clique em “Executar” (Run). Cada imagem levará aproximadamente cinco (5) minutos para criar uma imagem de refletância calibrada. Você acabou de completar um passo que normalmente pode levar muitas horas! 3. Mascaramento de Nuvens - Passo 3 do CLASlite Depois de criadas as imagens de refletância, você tem a opção de usar bandas térmicas das imagens Landsat para mascarar quaisquer nuvens nas imagens. Esse passo não é uma exigência, mas pode ajudar a reduzir a quantidade de dados que serão processados nos passos subseqüentes, portanto economiza seu tempo. Para fins deste tutorial, execute o mascaramento de nuvens na imagem 1999. Entre com a imagem bruta, a imagem de refletância e a imagem térmica. Coloque um nome de arquivo de saída que contenha a imagem de refletância mascarada. Clique em “Visualizar” (View) para ver a imagem térmica para determinar um valor de limiar térmico para mascarar as nuvens. Lembrese de que as nuvens aparecerão escuras nessa imagem, porque elas são mais frias do que a superfície terrestre. Não selecione um limiar alto demais, porque você poderia eliminar pixels bons que não estão nublados. Após ajustar o valor de limiar térmico, clique em “Executar” (Run) para gerar uma imagem mascarada de refletância. 4. Cobertura fracional (AutoMCU )- Passo 3 do CLASlite Após mascarar as imagens de refletância que deseja converter para cobertura fracional, entre com as mesmas no Passo 3. Para cada imagem, coloque o nome do arquivo de entrada da refletância e o nome da imagem de cobertura fracional que será gerada a partir dele. Após colocar as informações relativas a cada imagem, clique em “Executar” para iniciar o processamento em lote. Após concluir o processamento em lote, você será levado a determinar um limiar para regular os resultados preliminares numa imagem final. Clique primeiramente em “Ajustar” (Adjust) para fazer o primeiro ajuste. Quando os Passos 1 e 2 estiverem concluídos, clique no botão “Visualizar” (View) para ver a imagem de cobertura fracional resultante. Aparece então um visualizador de imagens e você pode desenhar um quadrado para ver uma área na resolução plena. Você também pode usar o recurso “Ampliar” (Stretch) para melhorar o contraste das cores que representam o VF (verde), VNF (azul) e o substrato sem cobertura – Bare (vermelho). 29 É possível que o ajuste inicial tenha mascarado demais a imagem. Para reduzir o limiar e diminuir a parte mascarada da imagem, clique novamente em “Ajustar” (Adjust). Quando a imagem estiver reajustada, clique novamente em “Visualizar” (View) para examinar a imagem. Continue fazendo isso até que a imagem apareça sem nebulosidade e outros pixels problemáticos. Quando a imagem tiver sido adequadamente ajustada, selecione “Aceitar” (Accept) para fechar a janela de regulagem daquela imagem. Se houver outras imagens a serem processadas, execute o processo de regulagem com as demais imagens. Parabéns! Você completou uma tarefa que costumava levar semanas ou meses para ser concluída! Você está convidado a visualizar as imagens no Freelook ou em outro pacote de visualização de imagens de sua preferência. 5. Mapa de desmatamento e perturbações florestais - Passo 4 do CLASlite O próximo passo é utilizar as imagens de cobertura fracional para determinar o desmatamento e as perturbações florestais num período de tempo coberto pelas imagens (1999-2002). Selecione o Passo 4 no menu e coloque os nomes das quatro (4) imagens em seqüência, começando com a mais antiga até a mais recente. Clique em Executar (Run) para gerar as imagens de desmatamento e perturbação florestal da série temporal dessas imagens. O CLASlite colocará em seu desktop os arquivos chamados de “Desmatamento compilado” e “Perturbações florestais compiladas”. Baseado nas diferenças entre as quatro imagens, o programa classificará um pixel em até três classes de desmatamento e três classes de perturbações florestais, dependendo do intervalo em que a mudança ocorreu. A figura abaixo representa o intervalo em que ocorreram diversas classes de perturbações florestais e desmatamento. 13-Jul-99 31-Jul-00 Ano 1 perturb. Ano 1 desmat. desmatamentodefor est_year_1 03-Ago-01 Ano 2 perturb. Ano 2 desmat. 07-Set-02 Ano 3 perturb. Ano 3 desmat. Agora que você tem as seqüências temporais do desmatamento e das perturbações florestais, você pode visualizá-las no Freelook ou em outro software de visualização de imagens de sua preferência. Você irá observar que ocorreu uma grande quantidade de perturbações florestais entre os anos 1999 e 2002 nessa região da Amazônia brasileira. Durante esses anos, a equipe de campo da Carnegie, juntamente com colaboradores da Embrapa (órgão federal brasileiro de pesquisa agropecuária) e da Fundação de Floresta Tropical, verificou que quase todos os padrões de perturbação florestal que aparecem nessas imagens foram causados pela extração seletiva de árvores. Em 2004, eles demonstraram que se pode não apenas monitorar a extração mas, também, rastrear a intensidade da extração e a quantidade de perda de dossel. Eles conseguiram correlacionar a intensidade da extração, definida aqui como a perturbação fracional em VF, VNF e substrato descoberto, com a quantidade de carbono removido da floresta junto com os troncos de madeira. 30 III. Interpretação dos resultados O desmatamento compilado pode ser visualizado com ENVI como uma imagem de classificação. Cada ano de desmatamento é marcado com uma cor diferente. O desmatamento do primeiro ano aparece em laranja (valor 1 do pixel), o segundo ano aparece em amarelo-verde (valor 2 do pixel) e o terceiro ano em cinza (valor 3 do pixel). Se você visualizar essa imagem usando outro software, você pode atribuir uma tabela de cores para a imagem. A imagem do desmatamento está associada com áreas nas quais a fração de VF diminuiu significativamente entre as duas imagens. Da mesma forma, a imagem de perturbações florestais compiladas pode ser visualizada com o mesmo código de cores atribuído aos diferentes anos em que elas ocorreram. A perturbação florestal é mais sutil e você verá muitos pixels isolados associados com uma possível perturbação. No entanto, você poderá observar que um punhado de pixels de um mesmo ano (cor) pode geralmente ser associado com a atividade de extração seletiva, conforme se vê na Figura V.2. Desmatamento Figura V.1 Imagens da cobertura fracional e do desmatamento Extração de madera Figura V.2 Imagem de perturbação florestal V.2 Corte raso durante longo prazo: Havaí (análise de imagem única) I. Descrição do problema Muitas paisagens florestais do Havaí têm sofrido perturbação constante durante longo prazo, devido ao cultivo da cana-de-açúcar e à pecuária. A região nordeste da grande ilha do Havaí tem vastas florestas, mas com o tempo elas foram gradativamente invadidas. Nessa análise de imagem única, vamos ver como identificar a quantidade de área florestal numa imagem. 31 II. Análise Esse exercício envolve o processamento, por meio do CLASlite, de uma imagem do Landsat-7 (ETM+) e a geração de outra imagem de saída que identifica a área de floresta. A imagem que usaremos no exercício data de 30 de dezembro de 2000, trajetória/linha 062/046. 1. Preparação da imagem Sua imagem deve estar no formato ENVI ou GeoTIFF com as bandas espectrais na ordem 1, 2, 3, 4, 5 e 7. Assegure-se de que a imagem esteja adequadamente georeferenciada. Como dificilmente haverá nuvens no subconjunto disponibilizado para este estudo de caso, não precisaremos da banda térmica. 2. Refletância de superfície – Passo 2 do CLASlite O próximo passo é processar as imagens para “refletância aparente de superfície”. Isso é feito no Passo 2 do CLASlite. Entre com as informações dos metadados de cada imagem. Caso não dispuser dessas informações para sua imagem, você poderá encontrá-las num dos sites de distribuição dos dados do satélite. Consulte a seção de Perguntas Freqüentes (FAQ) para mais informações sobre este conjunto de imagens. Depois de salvar as informações da imagem, clique em “Executar” (Run). Levará cerca de cinco (5) minutos para criar uma imagem de refletância calibrada. Você acaba de concluir uma etapa que normalmente levaria muitas horas! 3. Cobertura fracional (AutoMCU) – Passo 4 do CLASlite Agora que você dispõe de uma imagem de refletância, você irá convertê-la para cobertura fracional. No Passo 4 do CLASlite, entre com o nome da imagem da refletância e o nome da imagem de cobertura fracional que será gerada a partir dela. Após fornecer as informações da imagem, clique em “Executar” (Run) para iniciar o processo. Concluído o processo, você será levado a determinar um limiar para regular os resultados preliminares numa imagem final. Inicialmente você deve clicar em “Ajustar” (adjust) para fazer o primeiro ajuste. Quando os Passos 1 e 2 estiverem concluídos, clique no botão “Visualizar” (View) para ver o resultado da imagem da cobertura fracional. Aparece um visualizador de imagem e você pode marcar um quadrado para ver uma determinada área com resolução plena. Você também pode usar o recurso “Ampliar” (Stretch) para realçar o contraste das cores que representam VF (verde), VNF (azul), e S (vermelho). É possível que o ajuste inicial mascare demais a imagem. Reduza o limiar para mascarar menos a imagem e clique novamente em “Ajustar”. Depois que a imagem tiver sido reajustada, clique novamente em “Visualizar” para examiná-la. Quando a imagem estiver adequadamente ajustada, selecione “Aceitar” para fechar a janela de ampliação daquela imagem. Parabéns! Você concluiu uma tarefa que costumava levar semanas ou meses! Você está convidado a visualizar as imagens no Freelook ou em outro pacote de visualização de imagens de sua preferência. 4. Mapa florestal – Passo 5 do CLASlite 32 O próximo passo é usar a imagem da cobertura fracional para determinar as áreas florestadas versus as não-florestadas. Selecione o Passo 5 para mapear a cobertura florestal. Entre com o nome da imagem da cobertura fracional e clique em “Carregar” (load). Um arquivo (resultado) será gerado e ele terá o mesmo nome do arquivo de entrada com a terminação “_mapa_de_cobertura_florestal”. III. Interpretação dos resultados A imagem da cobertura florestal pode ser visualizada como uma imagem de banda única na escala de cinza. Quaisquer áreas florestadas terão o pixel de valor 0 (zero) e todas as áreas sem floresta terão um valor 4. Deve-se ter cautela ao interpretar esses resultados. A cobertura florestal é determinada com base na quantidade de vegetação viva (PV), mas é possível que ela se confunda com a vegetação não-florestal. Além disso, devido ao fato de que estamos utilizando uma única imagem neste estudo de caso, não podemos inferir quando uma determinada área mudou de florestada para não-florestada. É preferível fazer uma análise com múltiplas imagens para determinar esse tipo de coisa. Na Figura 3, pode-se ver que as áreas em vermelho e amarelo na imagem da cobertura fracional correspondem àquelas onde o desenvolvimento Fig. V.3 Imagem da cobertura fracional e imagem de floresta e nãoinvadiu as áreas florestais que floresta (resultado do Passo 6) aparecem em verde. 33 VI. Glossário Calibração: processo executado pelo CLASlite que inclui: identificação das regiões a serem mascaradas, cálculo da imagem de radiância, correção atmosférica e cálculo da imagem de refletância. Crescimento de floresta secundária: aumento da cobertura florestal e biomassa após o corte raso e abandono da floresta. Desmatamento: conversão florestal direta, provocada pelo homem, para menos do que 10-30% da cobertura florestal (Convenção-Quadro da ONU sobre Mudanças Climáticas). Degradação florestal: uma interpretação humana das perturbações florestais, quando elas alcançam um nível que elimina o armazenamento de carbono e outros serviços prestados pelo ecossistema. Floresta intacta: pedaços (retalhos) de floresta que não foram danificados e que estão cercados por pequenas clareiras ou dominados por lacunas de dossel associados com atividade humana (GOFC-GOLD 2006). Ganhos: um termo geral usado para indicar uma mudança na potência do sinal. IPCC: Painel Intergovernamental sobre Mudanças Climáticas Lacuna de dossel florestal: em áreas onde ocorreu extração de árvores, as lacunas de dossel (clareiras) são ocasionadas por corte ou queda de árvores e trilhas de tratores (skid), o que resulta em danos ou morte das árvores que estavam em pé. Monitoramento florestal: mapeamento florestal de forma consistente e que permita detectar e quantificar as alterações na cobertura florestal ao longo do tempo. Mascaramento: remoção de determinados pixels da imagem para analisar. Perturbação florestal: remoção parcial do dossel florestal, sendo que o dossel remanescente geralmente supera os 30%. Regeneração: a floresta danificada anteriormente pode se recuperar e resultar em seqüestro de biomassa (GOFC-GOLD 2006). Vegetação Não-fotossintética (VNF): vegetação morta ou senescente. Vegetação fotossintética (VF): vegetação viva, verde. 34 Apêndice I: Instalação do CLASlite e links úteis Requisitos do Sistema: 3 GB de espaço no disco 2GB RAM Software adicional instalado: IDL 7.0.6 (versão 32 bits) Freelook: software para visualização de imagens Instruções para instalação 1. Vá para o ftp e faça o download do programa de instalação do arquivo zip e salve em seu computador. Clique duas vezes no arquivo zipado e entre com a senha que lhe foi enviada. O É preciso 32 bit para rodar o CLASlite 2.0. e o IDI 7.0.6 em seu sistema. executável vaiIDL-VM então instalar o CLASlite, o Freelook Você verá uma tela de boas vindas, semelhante à que aparece abaixo. Nessa tela de boas vindas, aceite o acordo de usuários do CLASlite. Clique no próximo. Você será notificado sobre os requisitos de espaço mínimo para instalar o CLASlite 2.0 em seu sistema. O CLASlite será então instalado em sua máquina e ficará localizado em C:\claslite. Os arquivos de apoio básico necessários e os pacotes de software adicional (IDL VM e Freelook) serão instalados junto com ele. É preciso 32 bit IDL-VM para rodar o CLASlite 2.0. 2. Vá para o ftp e faça o download, em seu computador, do arquivo license.exe. Clique duas vezes no arquivo executável. Essa ação irá criar um arquivo de log (_logfile) que será colocado automaticamente no seu computador. Envie um correio eletrônico com o arquivo de log para [email protected]. Onde pede qual é o assunto, coloque “meio ambiente”. 35 3. Vá para o ftp e clique nos continent_files. Navegue até o continente de seu interesse. Faça o download do arquivo zipado e extraia seus conteúdos para C:/claslite/support_files. 4. Vá para o ftp e faça o download do arquivo zipado em modis_atmosphere. Extraia os conteúdos do arquivo compactado e coloque-os em C:/claslite/support_files. Observação: sem o continente correspondente (passo 3) e os arquivos da atmosfera (passo 4), o CLASlite não iria funcionar. Links úteis Global Land Cover Facility http://glcf.umiacs.umd.edu/portal/geocover/ Landsat.org http://landsat.org/ Instituto Nacional de Pesquisas Espaciais http://www.dgi.inpe.br/CDSR/ Tropical Rain Forest Information Center http://www.trfic.msu.edu/ USGS Global Visualization Viewer http://glovis.usgs.gov/ TerraServer Online Imagery http://www.terraserver.com/ Warehouse Inventory Search Tool http://wist.echo.nasa.gov/ SPOT Image http://www.spot.com/ ENVI http://www.ittvis.com/ ERDAS http://www.erdas.com/ 36 Apêndice II: Preparação das imagens e análise de bandas para o CLASlite O processamento de dados por meio do CLASlite é algo simples, mas exige uma preparação prévia dos dados que serão utilizados pelo software. Para obter os melhores resultados, é importante seguir corretamente cada passo. Os dados de satélite fornecidos ao CLASlite devem estar no formato correto e ter o número certo de bandas. Os formatos aceitos e as características dos dados variam conforme o sensor. Os passos usuais para preparar os dados de qualquer satélite para alimentar o CLASlite são os seguintes: 1. Georeferenciamento da imagem para uma projeção Universal Transversa de Mercator - UTM (elipsóide WGS 84) 2. No caso do satélite LANDSAT, reamostrar a banda térmica para a mesma resolução de tamanho de imagem dos dados espectrais 3. Reordenamento das bandas, quando necessário 4. Salvar a imagem no formato GeoTIFF ou ENVI Os requisitos de dados para cada sensor de satélite são listados nesta seção. Pode-se usar praticamente qualquer pacote de processamento de imagem para preparar as imagens. ENVI e ERDAS estão entre os pacotes de processamento de imagem mais usados. É possível, ainda, preparar as imagens para o CLASlite com o módulo Grid do ArcGIS (SIG). 1. Mapeador Temático Landsat (TM) 4, 5, e Mapeador Temático Melhorado+ (ETM+) 7 O CLASlite consegue processar as imagens dos satélites Landsat 4, 5 e 7. Os dados de imagem precisam estar em dois arquivos. Um dos arquivos deve conter os dados para as bandas 1-5 e banda 7 (na ordem 1, 2, 3, 4, 5, 7) do Landsat. Caso você tiver ainda uma banda térmica para mascaramento de nuvens (banda 6, ganho alto), ela deve estar num arquivo em separado, além de cobrir exatamente a mesma área e com o mesmo tamanho de pixel do outro arquivo. Portanto, antes de usar essa banda no CLASlite, pode ser preciso reamostrar a banda térmica, passando da resolução original para o tamanho de pixel das outras bandas. Ao reamostrar as imagens, utilize o núcleo de reamostragem mais próximo. Os valores de pixel em todas as imagens Landsat usadas no CLASlite devem ser de 1-byte e não podem ter sofrido qualquer correção atmosférica. 2. Sensor avançado de imagens (ALI) do satélite EO-1 O CLASlite consegue processar imagens do satélite EO-1 (Earth Observing-1), o qual dispõe de um sensor avançado de imagens da terra, o ALI (Advanced Land Imager). Somente os dados do nível 1 G do ALI podem ser usados no CLASlite. O sensor de imagens ALI não possui banda térmica. Um arquivo deve conter somente as 9 bandas visíveis, infravermelho próximo e infravermelho de ondas curtas, com os valores integrais originais de 16-bit para cada pixel. As bandas devem seguir a ordem abaixo. As 9 bandas dos dados do ALI são as seguintes: 37 MS-1’: 433 – 453 nm MS-1: 450 – 515 nm MS-2: 525 – 605 nm MS-3: 630 – 690 nm MS-4: 775 – 805 nm MS-4’: 845 – 890 nm MS-5’: 1200 – 1300 nm MS-5: 1550 – 1750 nm MS-7: 2080 – 2350 nm 3. Radiômetro Espacial Avançado de Reflexão e Emissão Térmica (ASTER) O CLASlite consegue processar imagens Nível 1B do Radiômetro Espacial Avançado de Reflexão e Emissão Térmica (ASTER) obtidas com o satélite Terra da NASA. As imagens do ASTER têm diferentes resoluções. As imagens do visível e infravermelho próximo (VNIR) possuem pixels de 15 metros, enquanto as imagens do infravermelho de ondas curtas (SWIR) possuem pixels de 30 metros. Já que essas bandas são de resoluções diferentes, recomenda-se reamostrar todas as bandas utilizando-se o núcleo mais próximo da resolução mais baixa (30 metros) apresentada pelas resoluções das nove bandas VNIR e SWIR. As bandas térmicas do ASTER possuem pixels de 90 metros, mas elas não são utilizadas no CLASlite. O fato de as imagens VNIR e SWIR serem coletadas a partir de dois telescópios diferentes é um problema em potencial com os dados do ASTER, pois isso pode resultar em dois conjuntos de bandas desalinhados. É mais provável ocorrer desalinhamento quando há grandes variações de elevação. Quando o desalinhamento se torna um problema, a melhor coisa a fazer é georeferenciar as imagens em separado, para depois combiná-las usando o registro na opção imagem-a-imagem (coletando pontos de controle correspondentes entre as duas imagens). Antes de usar o CLASlite, é preciso aplicar coeficientes de conversão de radiância. Os dados de Nível 1 B do ASTER têm vários ajustes de ganho que devem ser feitos no arquivo *.met que acompanha os dados. Naquele arquivo, procure uma linha que contém “ganhos ASTER”. Algumas linhas depois dessa, pode-se ver uma linha que contém os ajustes de ganho do ASTER. O exemplo abaixo ilustra como identificar os ajustes de ganho. Valor = ("01 HGH, 02 HGH, 3N NOR, 3B NOR, 04 NOR, 05 NOR, 06 NOR, 07 NOR, 08 NOR, 09 NOR") Nesse exemplo em particular, os ajustes de ganho são “altos” (HGH) para as bandas 1 e 2, enquanto as bandas 3N, 4, 5, 6, 7, 8 e 9 usam o ajuste de ganhos “normal” (NOR). A banda 3B não é usada no CLASlite e não deve ser incluída no arquivo de imagem a ser preparado. Número da banda 1 2 3N 4 5 6 7 8 9 Coeficientes Coeficientes Coeficientes Coeficientes Ganho Alto 0.676 0.708 0.423 0.1087 0.0348 0.0313 0.0299 0.0209 0.0159 Ganho Normal 1.688 1.415 0.862 0.2174 0.0696 0.0625 0.0597 0.0417 0.0318 Ganho Baixo 1 2.25 1.89 1.15 0.290 0.0925 0.0830 0.0795 0.0556 0.0424 Ganho Baixo 2 N/A N/A N/A 0.290 0.409 0.390 0.332 0.245 0.265 38 Os coeficientes devem ser aplicados aos dados seguindo a equação: Radiância = (valor DN -1) x coeficiente Quando se aplicam tais coeficientes, os dados devem estar expressos como valores de ponto flutuante com as bandas na ordem 1, 2, 3N, 4, 5, 6, 7, 8, 9. 4. Satélites SPOT 4 e 5 O CLASlite aceita os formatos CAP e DIMAP (mapa de imagem digital) para imagens do satélite Sistema para a Observação da Terra – SPOT 4 (HRVIR) e 5 (HRG). As quatro bandas espectrais devem ser organizadas num único arquivo GeoTIFF ou ENVI com um tamanho de pixel de 20 metros. Para que o CLASlite converta a imagem para refletância, ele terá que ler o arquivo LEADXX.DAT para as imagens formatadas em CAP e o arquivo .DIM ou .XML para as imagens formatadas em DIMAP. Esse arquivo deve ser incluído na mídia original na qual foi recebida a imagem do satélite SPOT e ela contém os parâmetros de ganho necessários à conversão da imagem em radiância e refletância. Como no caso dos dados do satélite Landsat, o arquivo de entrada deveria ser de 1-byte por pixel. Bandas do SPOT-4 (HRVIR) e SPOT-5 (HRG) Banda 1: 490-610 nm Banda 2: 610-680 nm Banda 3: 780-890 nm Banda 4: 1580-1750 nm 5. Espectro-radiômetro de Resolução Moderada de Imagem (MODIS) O CLASlite aceita o produto composto da medida de 8 dias da refletância Banda 3: 459-479 nm 4: 545-565 nm de superfície MODIS (MOD09A1). Diferentemente dos outros dados de Banda Banda 1: 620-670 nm satélites aceitos pelo CLASlite, esse produto MODIS já é disponibilizado Banda 2: 841-876 nm 5: 1230-1250 nm em refletância e é georeferenciado. Isso significa que não é preciso rodar Banda Banda 6: 1628-1652 nm aquele passo de geração de refletância do CLASlite. As bandas 1 e 2 têm Banda 7: 2105-2155 nm uma resolução que é o dobro do que a resolução das outras cinco bandas. Portanto, é preciso reamostrar os dados para torná-los compatíveis com a resolução espacial das outras bandas. Como as bandas 1 e 2 serão reamostradas numa resolução menor, pode-se usar um núcleo de agregação de pixel para juntar cada uma das matrizes de pixel 2-por-2 em um único pixel. Caso o seu software não permita isso, o uso de um núcleo vizinho mais próximo deve ser aceitável. Os arquivos de dados para alimentar o CLASlite precisam estar no formato GeoTIFF ou ENVI e as bandas devem seguir a ordem 3, 4, 1, 2, 5, 6, 7. Embora isso possa parecer estranho, esta é a ordem das bandas baseada no tamanho de sua onda espectral, e é isso que o CLASlite espera receber. 39 Especificações do satélite para CLASlite Satélites aceitos Banda térmica utilizada Número de bandas espectrais utilizadas Ordem das bandas Refletância determinada no CLASlite Landsat TM & ETM+ ASTER ALI SPOT 4&5 MODIS Sim Não Não Não Não 6 9 9 4 7 1,2,3,4,5, 7 1,2,3N,4,5,6 , 7,8,9 MS-1’, MS-1, MS-2, MS-3, MS-4, MS-4’, MS-5’, MS-5, MS-7 1,2,3,4 3,4,1,2,5,6, 7 Sim Sim Sim Sim Não Ponto flutuante 32-bit Inteiro (short) 16-bit Nível 1B Nível 1G Tipo de dado de entrada 8-bit Nível dos dados aceitos N/A 8-bit HRVIR ou HRG Inteiro (short) 16-bit MOD09A1 40 Informações para as imagens do exemplo fornecido pela CLASlite Cauaxi, Pará, Brasil (extração seletiva) ---------------------------------------------Landsat-7 (4 imagens, trajetória/Linha 223/063) Arquivo: cauaxi_071399 Data: 13071999 Hora: 1317 Latitude: -3.80 Longitude: -48.39 Elev: 50 Ajuste de ganhos: HHHHHH Sistema de proc.: LPGS Arquivo: cauaxi_073100 Data: 31072000 Latitude: -3.80 Longitude: -48.39 Hora: 1315 Elev: 50 Ajuste de ganhos: HHHLHH Sistema de proc.: LPGS Arquivo: cauaxi_080301 Data: 03082001 Hora: 1313 Latitude: -3.80 Longitude: -48.39 Elev: 50 Ajuste de ganhos: HHHLHH Sistema de proc.: LPGS Arquivo: cauaxi_090702 Data: 07092002 Hora: 1312 Latitude: -3.80 Longitude: -48.39 Elev: 50 Ajuste de ganhos: HHHLHH Sistema de proc.: LPGS Exemplo genérico das imagens do Landsat-7 ---------------------------------Arquivo da imagem: landsat7.tif Sensor: Landsat-7 Data de aquisição: 07092002 Hora de aquisição (UTC): 1451 Latitude: -8.7 Longitude: -74.7 Elevação (metros): 175 Ajuste de ganhos (Bandas 1-5, 7): LLLLLL Sistema de processamento: LPGS Peru (Landsat 5 & 7, Trajetória/Fila 003/068) Todas as imagens foram processados com o uso do LPGS --------------------------------------------------------------------------------Data: 12081999 (Landsat 7) Hora: 1439 Latitude: -11.19 Longitude: -69.57 Elev: 320 Ajuste de ganhos: HHHHHH Data: 26072000 (Landsat 7) Hora: 1437 Latitude: -11.19 Longitude: -69.57 Ajuste de ganhos: HHHLHH Data: 29072001 (Landsat 7) Hora: 1435 Latitude: -11.19 Longitude: -69.57 Elev: 320 Ajuste de ganhos: HHHLHH Data: 16072002 (Landsat 7) Hora: 1434 Latitude: -11.19 Longitude: -69.57 Elev: 320 Ajuste de ganhos: HHHLHH Data: 15082003 (Landsat 5) Hora: 1424 Latitude: -11.19 Longitude: -69.57 Elev: 320 Ajuste de ganhos: N/A Data: 15092004 (Landsat 5) Hora: 1430 Latitude: -11.19 Longitude: -69.57 Elev: 320 Ajuste de ganhos: N/A Data: 18092005 (Landsat 5) Hora: 1434 Latitude: -11.19 Longitude: -69.57 Elev: 320 Ajuste de ganhos: N/A 41 Exemplo genérico das imagens do Landsat-5 ---------------------------------Arquivo da imagem: landsat5.tif Sensor: Landsat-5 Data da aquisição: 20102003 Hora da aquisição (UTC): 1442 Latitude: -8.6 Longitude: -74.2 Elevação (metros): 160 Ajuste de ganhos (Bandas 1-5, 7): não requer Sistema de processamento: LPGS Data: 04082006 (Landsat 5) Hora: 1439 Latitude: -11.19 Longitude: -69.57 Elev: 320 Ajuste de ganhos: N/A Exemplo genérico das imagens do ASTER **(Suriname) ---------------------------------Arquivo da imagem: ASTER.tif Sensor: ASTER Data de aquisição: 04092000 Hora de aquisição (UTC): 1424 Latitude: 4.3 Longitude: -54.5 Elevação (metros): 200 Ajuste de ganhos (Bandas 1-5, 7): não requer Sistema de processamento: não requer Exemplo genérico de imagens com nuvens do Landsat-7 ----------------------------------------------Arquivo da imagem: landsat7_clouds.tif Sensor: Landsat-7 Data de aquisição: 16082000 Hora de aquisição (UTC): 1455 Latitude: -9.7 Longitude: -74.8 Elevação (metros): 300 Ajuste de ganhos (Bandas 1-5, 7): HHHLHH Sistema de processamento: LPGS Data: 23082007 (Landsat 5) Hora: 1439 Latitude: -11.19 Longitude: -69.57 Elev: 320 Ajuste de ganhos: N/A Exemplo genérico de imagens do ALI **(Colombia) -------------------------------Arquivo de imagem: ALI.tif Sensor: ALI Data de aquisição: 28122002 Hora de aquisição (UTC): 1450 Latitude: 1.3 Longitude: -71.8 Elevação (metros): 225 Ajuste de ganhos (Bandas 1-5, 7): não requer Sistema de processamento: não requer **Atualizado em 13 de julho de 2010 42 Apêndice III: referências de publicações Trabalhos originais: 1. Asner, G.P., M. Keller, R. Pereira, J.C. Zweede, and J.N.M. Silva. 2004. Canopy damage and recovery following selective logging in an Amazon forest: Integrating field and satellite studies. Ecological Applications 14(4):280-298. 2. Asner, G.P., D.E. Knapp, A.N. Cooper, M.C.C. Bustamante, and L.O. Olander. 2005. Ecosystem structure throughout the Brazilian Amazon. Earth Interactions 9(7):1-31. 3. Asner, G.P., D.E. Knapp, E.N. Broadbent, P.J.C. Oliveira, M. Keller, and J.N. Silva. 2005. Selective logging in the Brazilian Amazon. Science 310:480-482. 4. Asner, G.P., E.N. Broadbent, P.J.C. Oliveira, D.E. Knapp, M. Keller, and J.N. Silva. 2006. Condition and fate of logged forests in the Brazilian Amazon. Proceedings of the National Academy of Sciences. 103(34):12947-12950. 5. Asner, G.P., D.E. Knapp, A. Balaji, G. Páez-Acosta, 2009. Automated mapping of tropical deforestation and forest degradation: CLASlite. Journal of Applied Remote Sensing, vol. 3 (033543), 24pp. [doi:10.1117/1.3223675] Trabalhos complementares: 6. Asner, G.P. and K.B. Heidebrecht. 2002. Spectral unmixing of vegetation, soil and dry carbon in arid regions: Comparing multi-spectral and hyperspectral observations. International Journal of Remote Sensing 23:3,939-3,9587.Asner, G.P., M.M.C. Bustamante, and A.R. Townsend. 2003. Scale dependence of biophysical structure in deforested lands bordering the Tapajós National Forest, Central Amazon. Remote Sensing of Environment 87:507-520. 7. Asner, G.P., M. Keller, and J.N.M. Silva. 2004. Spatial and temporal dynamics of forest canopy gaps following selective logging in the eastern Amazon. Global Change Biology 10(5):765-783. 8. DeFries, R., G.P. Asner, F. Achard, C. Justice, N. Laporte, K. Price, C. Small, and J. Townshend. 2005. Monitoring tropical deforestation for emerging carbon markets. Tropical Deforestation and Climate Change. P. Moutinho and S. Schwartzman (eds.) Amazon Institute for Environmental Research, Belém, Brazil. 9. Broadbent, E.N., D.J. Zarin, G.P. Asner, M. Pena-Claros, A. Cooper, and R. Littell. 2006. Forest structure and spectral properties after selective logging in Bolivia. Ecological Applications 16:11481163. 10. Oliveira, P.J., G.P. Asner, D.E. Knapp, A. Almeyda, R. Galvan-Gildemeister, S. Keene, R.F. Raybin, and R.C. Smith. 2007. Land-use allocation protects the Peruvian Amazon. Science 317:1233-1236. 11. Davidson, E.A., G.P. Asner, T.A. Stone, C. Neill, and R. de O. Figueiredo. 2008. Objective indicators of pasture degradation from spectral mixture analysis of Landsat imagery. Journal of Geophysical Research 133, G00B03, doi: 10.1029/2007JG000622. 12. Broadbent, E.N., G.P. Asner, P.J.C. Oliveira, D.E. Knapp, M. Keller, and J.N. Silva. 2008. Forest fragmentation from deforestation and selective logging in the Brazilian Amazon. Biological Conservation 141:1745-1757. 43