177 - comparative assessment of atmospheric correction
Transcrição
177 - comparative assessment of atmospheric correction
Avaliação comparativa de correção atmosférica de imagens Landsat utilizando MODTRAN e Dark Object Subtraction Daniel Gomes 1 Luiz Eduardo Vicente 1 Stella Carvalho 2 Daniel Victoria 1 Ricardo Guimarães Andrade 1 Maurício Lopes Agnese 3 Ramon Felipe Bicudo da Silva 3 1 Embrapa Monitoramento por Satélite Av. Soldado Passarinho, 303 13070-115 Campinas, Brasil {danielgomes, vicente, daniel, ricardo}@cnpm.embrapa.br 2 Pontífica Universidade Católica de Campinas Rodovia Dom Pedro I, km 136 13086-900 Campinas, Brasil [email protected] 3 Universidade Estadual de Campinas Cidade Universitária Zeferino Vaz 13083-970 Campinas, Brasil {mauricio, ramon}@cnpm.embrapa.br Abstract. Remote sensing by spectral imaging of the Earth's surface can be widely used, but only when the atmospheric influence is nullified and the data are reduced to surface reflectance units. The atmospheric correction referred to here is an atmospheric "compensation" or "characterization" in which algorithms are used in remote sensing applications for hyper and multispectral images to correct atmospheric propagation effects in measurements taken by airborne and orbital systems. The remission of atmospheric effects guarantees the identification of biophysical properties of the targets and their isonomic relationship with spectroradiometric databases, thus enabling the application of sophisticated classification methods such as linear Spectral Mixture Analysis models (SMA) and Spectral Indexes. Based on this premise, the objective of this article is to compare the atmospheric correction used in the MODTRAN model with that used in the Dark Object Subtraction (DOS1) and Improved Dark Object Subtraction (DOS2) models in order to verify which approach shows better correspondence with reference spectral libraries. We used spectral data on tropical crops obtained using the spectroradiometer. Due to the difficulty in obtaining data on atmospheric conditions, especially for tropical regions, and the difficulty in accessing the most reliable correction procedures, corrections are sometimes disregarded or even based on extremely simple methods which may produce radiance and reflectance estimation errors even greater than those of the original images. MODTRAN presented the most consistent results, especially with regard to season variation and the presence of haze (low contrast) in some images due to the high aerosol concentration. Methods DOS1 and DOS2, in spite of their good performance in band 5 (1.55 – 1.75 m), have not been effective in the suppression of effects related to atmospheric absorption. Palavras-chave: Atmospheric correction, MODTRAN, Dark Object Subtraction (DOS1), Improved Dark Object Subtraction (DOS2), Correção atmosférica, MODTRAN, Subtração de Objeto Escuro (DOS1), Subtração de Objeto Escuro Melhorada (DOS2). 1. Introdução Os principais efeitos observados nas imagens de satélite, devido à presença da atmosfera entre o sensor e a superfície terrestre, são a diminuição da faixa de valores digitais possíveis registrados pelo sensor, diminuição do contraste entre superfícies adjacentes e alteração do brilho de cada ponto da imagem. Os gases, principalmente vapor d’água, oxigênio, ozônio e dióxido de carbono e, os aerossóis (pequenas partículas em suspensão) refletem , refratam, absorvem e espalham a radiação desde quando ela atinge a atmosfera até quando a deixa, depois de refletida pelo solo (Zullo Jr., 1994). A supressão dos efeitos da atmosfera garante a identificação de propriedades biofísicas dos alvos e sua relação isonômica entre bases de dados espectrorradiométricos, possibilitando a aplicação de métodos de classificação sofisticados como Modelos Lineares de Mistura Espectral (MLME) e índices espectrais (Vicente, 2007). Existem diversos métodos para correção do espalhamento atmosférico na literatura os quais podem ser aplicados tanto para imagens de satélite multiespectrais quanto hiperespectrais, sendo possível dividi-los em métodos alternativos e métodos físicos. Os métodos alternativos não dependem de parâmetros atmosféricos ou de dados da superfície, e sim das informações da própria imagem, utilizando números digitais (DN’s – do inglês digital numbers) que são características inerentes dos pixels e representam feições específicas para determinar a contribuição da atmosfera em cada banda espectral (Lu, et al., 2002). Porém, uma de suas limitações consiste na exigência de alvos específicos nas imagens analisadas, tais como, corpos d’água que absorvem a maior parte da radiação incidente no mesmo (Chavez Junior, 1988). Nos métodos físicos, é crucial o conhecimento das propriedades óticas da atmosfera bem como do processo de interação da radiação com a atmosfera e com a superfície. Dentre os códigos de transferência radiativa atmosférica os mais difundidos são: 5S (Simulation of the Satellite Signal in the Solar Spectrum), 6S (Second Simulation of the Satellite Signal in the Solar Spectrum), LOWTRAN e MODTRAN (Moderate Resolution Atmospheric Radiance and Transmittance) (Latorre et al., 2002). Para garantir a eficiência de uma correção atmosférica por métodos físicos, como o MODTRAN, são necessários parâmetros que forneçam dados reais das condições atmosféricas do dia em que a imagem de satélite foi capturada. Esses parâmetros correspondem aos dados de coordenadas geográficas, altitude, coluna de vapor d’água, profundidade óptica das nuvens, aerossol, quantidade de CO2 na atmosfera, data da passagem do satélite e horário de voo. A dificuldade de obtenção dos dados de condição atmosférica, principalmente para regiões tropicais, e a dificuldade em acessar os procedimentos mais confiáveis de correção faz com que ela seja muitas vezes desconsiderada, ou se baseie em métodos muito simplificados que podem produzir erros de estimativa da radiância e da reflectância até superiores ao das imagens originais. A despeito de relevantes trabalhos comparativos sobre as virtudes e limitações dos métodos de correção atmosférica de imagens de satélite (Sanches et al., 2011; Couto Junior et al., 2011; Souza et al., 2011), a escassez de medidas espectrorradiométricas de campo tem limitado análises quantitativas mais efetivas em condições tropicais. Assim, o presente trabalho visa avaliar a eficiência dos métodos de correção atmosférica DOS em relação ao modelo MODTRAN quanto à aplicação no mapeamento de alvos agrícolas, utilizando dados espectrorradiométricos de referência, comparativamente com dados espectrais Landsat TM 5. 2. Materiais e Métodos 3.1 Bases de dados Para o desenvolvimento do trabalho comparativo foi utilizada uma imagem do satélite Landsat 5 sensor TM com resolução espacial de 30 metros, de órbita e ponto 225-74. As coordenadas centrais são 19° 38’ 13” S e 55° 23’ 51” W e a imagem foi obtida pelo sensor na data de 25/01/2011. Foi utilizada uma conformação de 6 bandas, cobrindo as regiões espectrais do visível ao infravermelho de ondas curtas (0,45 a 2,35 µm) a qual foi georreferenciada na projeção UTM, Zona 21 Sul e datum WGS-84. A área de estudo corresponde à Fazenda Granja Minuano, localizada a cerca de 27 km da capital Campo Grande, no município de Jaraguari, Mato Grosso do Sul (Fig. 1). De acordo com o Censo Agropecuário, Jaraguari apresenta 3.408 hectares de lavouras temporárias, 1.654 hectares de lavouras permanentes, 1.168 hectares de forrageiras para corte e 173.763 hectares de pastagens (Instituto Brasileiro de Geografia e Estatística, 2012). O clima da região é o Tropical Brasil Central Subquente Úmido, caracterizado por média de temperatura entre 15° e 18°C em pelo menos um mês, com ocorrência de uma estação seca, que dura de um a dois meses (Instituto Brasileiro de Geografia e Estatística, 2002). Em 21/01/2012 foram colhidas amostras de folhas de soja no interior e nos arredores da fazenda. A reflectância destas folhas foi medida com um espectrorradiômetro de campo, que cobre a região espectral entre 0,35 e 2,5 µm, com uma medição a cada 0,05 µm do espectro eletromagnético. Para cada ponto amostrado foram medidas entre cinco e dez amostras, a partir das quais foram calculados espectros médios que compuseram as bibliotecas espectrais de referência. A diferença entre as datas de medição dos dados de campo e de aquisição da imagem orbital se deve ao desativamento do satélite Landsat 5 em novembro de 2011 e à presença de nuvens em imagens semelhantes às deste satélite no mês de janeiro de 2012. De toda forma, a imagem foi obtida pelo sensor num período do ciclo do cultivo da soja semelhante ao das medições de campo. As condições atmosféricas nas duas datas também foram bastante semelhantes nas duas datas, como pode ser comprovado pelos dados estimados por meio do sensor MODIS a bordo do satélite Terra. 2.2 Comparação entre métodos de correção atmosférica Três métodos de correção atmosférica foram avaliados: (i) Dark Object Subtraction – DOS1 e sua atualização (ii) Improved Dark Object Subtraction – IDOS ou DOS2 (Chavez Junior, 1988; 1996); e (iii) Moderate Resolution Atmospheric Radiance and Transmittance – MODTRAN (Berk et al., 1998). A sequência de processamento foi realizada de acordo com o fluxograma proposto na Figura 2. 2.2.1 DOS1 e DOS2 O método DOS1 foi aplicado no módulo Model Builder do software ERDAS Imagine, a partir da planilha eletrônica de Gurtler et al. (2005). Para executar a correção atmosférica, foram utilizados os seguintes parâmetros: (i) valores de números digitais e frequência da banda de referência escolhida (banda 1, nos comprimentos de onda 0,45 a 0,52 µm), (ii) nome do sensor, (iii) data da imagem e (iv) ângulo de elevação solar. Para o cálculo do espalhamento atmosférico, foram adotados os valores de irradiância (I0) e de radiâncias mínima e máxima do sensor (Lmin e Lmax) estipulados por Chander et al. (2009). A correção atmosférica do método DOS1 é realizada de acordo com a Equação 1 (Gurtler et al., 2005; Chavez Junior, 1988): (1) Em que é uma medida estimada a partir da distância terra-sol, do ângulo de elevação solar e do cosseno do ângulo zenital solar, ND são os números digitais da imagem a ser corrigida e é o espalhamento atmosférico calculado para o sensor. Para o método DOS2, j também inclui a transmitância da atmosfera (τλ), que é estimada a partir do cosseno do ângulo zenital solar (Chavez Junior, 1996). Figura 1. Localização da área de estudo, com imagem do satélite Landsat 5 sensor TM, órbita-ponto 225-74, de 25/01/2011. Composição colorida RGB nas bandas 3 (vermelho), 2 (verde) e 1 (azul). Figura 2. Etapas metodológicas adotadas para comparar a correção atmosférica dos métodos DOS1, DOS2 e MODTRAN em imagens TM. 2.2.2 MODTRAN O modelo MODTRAN foi implementado no aplicativo Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH) do programa Envi. Neste modelo, a correção dos efeitos atmosféricos é realizada de acordo com a Equação 2: (2) Onde é a radiância no sensor, é a reflectância de superfície do pixel, é a média da reflectância de superfície do pixel e da região vizinha, é o albedo esférico da atmosfera, é a radiância retroespalhada na atmosfera e e são parâmetros que dependem das condições da atmosfera e da geometria de iluminação (Cooley et al., 2002; Adler-Golden et al., 1999; Anderson et al., 1999). O MODTRAN é capaz de estimar os valores de , , e para uma dada condição atmosférica e assim determinar a radiância da superfície e em seguida, a reflectância. As estimativas do modelo são baseadas em informações atmosféricas observadas no momento de aquisição da imagem. Neste trabalho, foram utilizados dados gerados a partir do sensor Moderate-Resolution Imaging Spectroradiometer (MODIS), a bordo do satélite Terra, que possui horário de passagem próximo ao do Landsat, além de constituir em fonte isonômica de dados análogos ao TM5, visto que também opera em plataforma orbital. A condição atmosférica é estimada a partir dos dados do expoente de Ångström (α), profundidade ótica do aerossol (τ) e coluna total de água, obtidos especificamente para cada imagem corrigida, de acordo com o local, data e horário de passagem, através do portal Giovanni pelo site da NASA. Para garantir a eficiência do resultado, foram inseridas informações sobre a quantidade de CO2 na atmosfera. Esta informação foi obtida pelo sensor Atmospheric Infrared Sounder (AIRS), a bordo do satélite Aqua e disponiblizada pelo portal GSFC no site da NASA. 3.3. Comparação com biblioteca espectral de referência Após a aplicação dos dois métodos de correção atmosférica, a reflectância das bibliotecas espectrais de referência foi reamostrada para a resolução espectral das imagens do sensor TM do Landsat 5. Em seguida, as reflectâncias da imagem nos pontos de coleta de amostra foram comparadas à reflectância da biblioteca espectral, por meio do coeficiente de determinação (R²), que aferiu banda por banda quais métodos de correção atmosférica estimaram melhor os valores de reflectância. 3. Resultados As Figuras 3 a 6 mostram que a correção atmosférica efetuada pelo MODTRAN apresentou os melhores valores de R² para as bandas da faixa espectral visível e do infravermelho próximo (Bandas 1 a 4; 0,45 – 0,90 µm). Este resultado pode ser explicado pelo fato de que o método MODTRAN corrige melhor os efeitos atmosféricos de absorção, que são mais fortes nos comprimentos de onda curtos. Já nas bandas do infravermelho de ondas curtas (Fig. 7 e 8), os valores de R² dos métodos DOS1 e DOS2 apresentaram valores mais altos na banda 5 (1,55 – 1,75 µm) e resultados idênticos aos do MODTRAN na banda 7 (2,08 – 2,35 µm). Cabe ressaltar que para todas as bandas, os valores de R² dos métodos DOS1 e DOS2 foram exatamente os mesmos. Os baixos valores de R² podem ser atribuídos à diferença de datas entre a imagem corrigida e os dados de campo. Apesar da semelhança das condições atmosféricas entre as datas de aquisição da imagem pelo sensor e de coleta de dados em campo, a coleta de dados de referência em um ano agrícola posterior ao da imagem utilizada atrapalhou a análise. Isto porque, mesmo que a imagem tenha sido obtida aproximadamente no mesmo período do ciclo de cultivo da soja, qualquer diferença na maturação das plantas geram dados de reflectância diferentes para as datas estudadas. Figura 3. Comparação entre os valores de reflectância da banda 1 (0,45 – 0,52 µm) medida em campo e estimada pela imagem TM Landsat 5 corrigida pelos métodos: a) MODTRAN, b) DOS1 e c) DOS2. Figura 4. Comparação entre os valores de reflectância da banda 2 (0,52 – 0,60 µm) medida em campo e estimada pela imagem TM Landsat 5 corrigida pelos métodos: a) MODTRAN, b) DOS1 e c) DOS2. Figura 5. Comparação entre os valores de reflectância da banda 3 (0,63 – 0,69 µm) medida em campo e estimada pela imagem TM Landsat 5 corrigida pelos métodos: a) MODTRAN, b) DOS1 e c) DOS2. Figura 6. Comparação entre os valores de reflectância da banda 4 (0,76 – 0,90 µm) medida em campo e estimada pela imagem TM Landsat 5 corrigida pelos métodos: a) MODTRAN, b) DOS1 e c) DOS2. Figura 7. Comparação entre os valores de reflectância da banda 5 (1,55 – 1,75 µm) medida em campo e estimada pela imagem TM Landsat 5 corrigida pelos métodos: a) MODTRAN, b) DOS1 e c) DOS2. Figura 8. Comparação entre os valores de reflectância da banda 7 (2,08 – 2,35 µm) medida em campo e estimada pela imagem TM Landsat 5 corrigida pelos métodos: a) MODTRAN, b) DOS1 e c) DOS2. 4. Conclusões Para as bandas do visível e infravermelho próximo, o MODTRAN apresentou melhores valores de R² quando comparados aos dados da biblioteca espectral de referência; Para as bandas do infravermelho de ondas curtas, o DOS1 e o DOS2 apresentou melhores resultados na banda 5 e resultados iguais aos do MODTRAN na banda 7; A análise foi influenciada pela diferença entre a data de aquisição da imagem pelo sensor e a data de aquisição de dados em campo; Apesar da diferença entre as datas da aquisição da imagem e da coleta do campo, os resultados do MODTRAN apresentaram valores de reflectância com correção atmosférica mais apurada, por corrigir melhor os efeitos de absorção atmosférica. 5. Referências Bibliográficas: Adler-Golden, S.M.; Matthew, M.W.; Bernstein, L.S.; Levine, R.Y.; Berk, A.; Richtsmeier, S.C.; Acharya, P.K.; Anderson, G.P.; Felde, G.W.; Gardner, J.A.; Hoke, M.L.; Jeong, L.S.; Pukall, B.; Ratkowski, A.; Burke, H.-H. Atmospheric correction for short-wave spectral imagery based on MODTRAN. In: SPIE Imaging Spectrometry, 5., 1999. Proceedings … v. 3753, 9 p. 1999. Anderson, G.P.; Pukall, B.; Allred, C.L.; Jeong, L.S.; Hoke, M.; Chetwynd, J.H.; Adler-Golden, S.M.; Berk, A.; Bernstein, L.S.; Richtsmeier, S.C.; Acharya, P.K.; Matthew, M.W. FLAASH and MODTRAN4: state-of-the-art atmospheric correction for hyperspectral data. In: Aerospace Conference, IEEE,1999. Proceedings… v. 4, p. 177-181,1999. Berk, A.; Bernstein, L.S.; Anderson, G.P.; Acharya, P.K.; Robertson, D.C.; Chetwynd, J.H.; Adler-Golden, S.M. MODTRAN cloud and multiple scattering upgrades with application to AVIRIS. Remote Sensing of Environment, v. 65, p. 367-375, 1998. Chander, G.; Markham, B.L.; Helder, D.L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, n. 113, p. 893-903, 2009. Chavez Junior, P.S. An improved dark-object subtraction technique for atmospheric scattering correction of multispectraldata. Remote Sensing of Environment, v. 24, p. 459-479, 1988. Chavez Junior, P.S. Image-based atmospheric corrections – revisited and improved. Photogrammetric Engineering and Remote Sensing, v. 62, p. 1025-1036, 1996. Cooley, T.; Anderson, G.P.; Felde, G.W.; Hoke, M.L.; Ratkowski, A.J.; Chetwynd, J.H.; Gardner, J.A.; AdlerGolden, S.M.; Matthew, M.W.; Berk, A.; Bernstein, L.S.; Acharya, P.K.; Miller, D.; Lewis, P. FLAASH, a MODTRAN4-based atmospheric correction algorithm, its application and validation. In: Geoscience and Remote Sensing Symposium, IEEE International (IGARSS), 2002, Toronto. Proceedings… 2002. p. 1414-1418. Couto Junior, A.F.; Meneses, P.R.; Sano, E.E. Desempenho da correção atmosférica baseada no algoritmo Flaash e sua avaliação para o processamento digital de imagens do sensor Landsat 7-ETM+ dentro do bioma Cerrado. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 15., 2011, Curitiba. Anais… São José dos Campos: INPE, 2011. Artigos, p.7317-7323. Gürtler, S.; Epiphanio, J.C.N.; Luiz, A.J.B.; Formaggio, A.R. Planilha eletrônica para o cálculo da reflectância em imagens TM e ETM+ Landsat. Revista Brasileira de Cartografia, v. 57, p. 162-167, 2005. Instituto Brasileiro de Geografia e Estatística (IBGE). Mapa de climas do Brasil. Rio de Janeiro: IBGE, 2002. 1 mapa: 90 x 109 cm. Escala 1:5.000.000. Instituto Brasileiro de Geografia e Estatística (IBGE). Portal IBGE Cidades@: Jaguarari, MS – Censo Agropecuário 2006. Disponível em: < http://www.ibge.gov.br/cidadesat/link.php?codmun=500490>. Acesso em: 1 out. 2012. Kruse, F.A.; Lefkoff, A.B.; Boardman, J.W.; Heidebrecht, K.B.; Shapiro, A.T.; Barloon, P.J.; Goetz, A.F.H. The Spectral Image Processing System (SIPS) – Interactive visualization and analysis of imaging spectrometer data. Remote Sensing of Environment, v. 44, p. 145-163, 1993. Latorre, M.;, Carvalho Júnior O.A.; Carvalho , A.P.F., Shimabukuro, Y.E. Correção Atmosférica: Conceitos e Fundamentos. Espaço & Geografia, v. 5, p. 153-178, 2002. Lu, D.; Mausel, P.; Brondizio, E.; Moran, E. Assesment of atmospheric correction methods for Landsat TM data applicable to Amazon basin LBA research. International Journal Remote Sensing, v. 23, p. 2651-2671, 2002. Sanches, I.D.; Andrade R.G.; Quartaroli, C.F.; Rodrigues C.A.G. Análise comparativa de três métodos de correção atmosférica de imagens Landsat 5 – TM para obtenção de reflectância de superfície e NDVI. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 15., 2011, Curitiba. Anais… São José dos Campos: INPE, 2011. Artigos, p.7564-7571. Souza, E.M.F.R.; Vicens, R.S.; Cruz, C.B.M. Remoção de stripes e correção atmosférica de imagens EO1/Hyperion, no Estado do Rio de Janeiro. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 15., 2011, Curitiba. Anais… São José dos Campos: INPE, 2011. Artigos, p.8484-8491. Vicente, L. E.; Souza Filho, C. R.; Perez Filho, A. O uso do infravermelho de ondas curtas (SWIR) no mapeamento de fitofisionomias em ambiente tropical por meio de classificação hiperespectral de dados do sensor ASTER. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 13., 2007, Florianópolis. Anais… São José dos Campos: INPE, 2007. Artigos, p.1915-1922. Zullo Jr., J., Correção Atmosférica de Imagens de Satélite e Aplicações. Tese de Doutorado, DCA / FEE / UNICAMP, 1994.