Avaliação de técnicas para obtenção do NDVI MSG de qualidade para monitoramento da superfície do solo

Carlos Roberto Silveira Jr, Laerte Guimarães Ferreira Junior, Bernardo Barbosa Silva

Resumo


Os satélites geoestacionários representam uma alternativa de alta resolução temporal para o monitoramento da superfície do solo em comparação com os satélites em órbita polar. Entretanto, em ângulos de visão elevados, alguns fatores influenciam a refletância da superfície, diminuindo a qualidade dos índices de vegetação, sendo importante o uso de técnicas de correção atmosférica e geométrica. Este artigo tem como objetivo avaliar dados do satélite de órbita geoestacionária MSG (Meteosat Second Generation) para obter o índice de vegetação de qualidade NDVI (Normalized Difference Vegetation Index) em regiões de alto ângulo de visão, tendo como área de estudo o estado de Goiás, no Brasil. As imagens MODIS (MODerate Image Spectroradiometer) foram utilizadas como referência para identificar características temporais das observações quanto à composição do produto e avaliar o desempenho das técnicas avaliadas. O período de estudo foi de 2013 a 2015. Como resultado, o NDVI MSG, obtido das 10h às 12h, horário local, fornece uma imagem com 95% de cobertura de pixel, em 12 dias, enquanto o MOD09 a obtém em 16 dias. A correção geométrica é um ajuste fino que não apresentou maior correlação de dados. Por outro lado, a correção atmosférica mantém a correlação dos dados e aumenta o valor do NDVI, aproximando-o do valor do NDVI MODIS. Executando uma aplicação PCA (Principal Component Analysis) usando a técnica de classificação k-means não supervisionada, o NDVI MSG forneceu resultados superiores em comparação ao MODIS, demonstrando o potencial de dados geoestacionários para o monitoramento da superfície do solo

Palavras-chave


MSG, NDVI, 6S, BRDF, satélite de órbita geoestacionária

Referências


Almeida, T. I. R.; Penatti, N. C.; Ferreira, L. G.; Arantes, A. E.; Do Amaral, C. H. 2010. Principal component analysis applied to a time series of MODIS images: the spatio-temporal variability of the Pantanal wetland, Brazil. Wetlands Ecology and Management 23, 737–748,.

Beisl, U. 2001. Correction of Bidirectional Effects in Imaging Spectrometer Data. Remote Sensing Series 37. Zurich: Remote Sensing Laboratories. 205 p.

Brasil. 2015. Ministério do Meio Ambiente. Mapeamento do Uso e Cobertura do Cerrado: Projeto TerraClass Cerrado, Brasília, 69 p.

Chen, J., Jönsson, P., TAmura, M., Gu, Z., Matsushita, B., Eklundh, L. 2004. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter. Remote Sensing of Environment 91, 332–344.

Cracknell, A. P. 1998. Review article Synergy in remote sensing what’s in a pixel? International Journal of Remote Sensing 19, 2025–2047.

Fensholt, R.; Anyamba, A.; Huber, S.; Proud, S. R.; Tucker, C. J.; Small, J.; et al. 2011. Analysing the advantages of high temporal resolution geostationary MSG SEVIRI data compared to Polar Operational Environmental Satellite data for land surface monitoring in Africa. International Journal of Applied Earth Observation and Geoinformation 13, 721–729.

Fensholt, R.; Sandholt, I.; Stisen, S.; Tucker, C. 2006. Analysing NDVI for the African continent using the geostationary meteosat second generation SEVIRI sensor. Remote Sensing of Environment 101, 212–229.

Gao, F.; Jin, Y..; Li, X.; Schaaf, C. B. 2002. Bidirectional NDVI and Atmospherically Resistant BRDF Inversion for Vegetation Canopy. IEEE Transactions on Geoscience and Remote Sensing 40, 1269–78.

GDAL. Geospatial Data Abstraction Library. Disponible in: . Acess: jan. 2020.

Gomesdans, J. 2015. BRDF modelling with python and MODIS data. Disponible in: https://jgomezdans.github.io/brdf-modelling-of-modis-land-surface-data.html. Acess: jan. 2020.

Hubanks, P.; Patnick, S.; King, M.; Ridgway, B. 2015. MODIS Atmosphere L3 Gridded Product Algorithm Theoretical Basis Document (ATBD) & Users Guide. Disponible in: https://modis-images.gsfc.nasa.gov/_docs/L3_ATBD_2008_12_04.pdf . Acess: jan. 2020.

Jones, H.G.; Vaughan, R. A. 2010. Remote sensing of vegetation: principles, techniques and applications. 1. ed. Oxford University Press: New York.

Kotchenova, S. Y. e Vermote, E. F. 2007. Validation of a vector version of the 6S radiative transfer code for atmospheric correction of satellite data. Part II. Homogeneous Lambertian and anisotropic surfaces. Applied Optics 46, 4455-4464.

Kotchenova, S. Y.; Vermote, E. F.; Levy, R.; Lyapustin, A. 2008. Radiative transfer codes for atmospheric correction and aerosol retrieval: intercomparison study. Applied Optics 47, 2215–2226.

Landis, J. R.; Kock, G. G. 1977. The Measurement of Observer Agreement for Categorical Data Biometrics 33, 159–174.

Lee, C. S.; Yeom, J. M.; Lee, H. L.; Kim, J. J.; Han, K. S. 2015. Sensitivity analysis of 6S-based look-up table for surface reflectance retrieval. Asia-Pacific Journal of Atmospheric Sciences 51, 91–101.

Macqueen, J. B. 1967. Some methods for classification and analysis of multivariate observations. In: Berkeley Symposium on Mathematical Statistic and Probability, 5, Berkley. Proceedings… Berkley: University of California Press, Berkley, 281–297. Disponible in: https://projecteuclid.org/euclid.bsmsp/1200512992. Acess: jan. 2020.

Proud, S. R.; Fensholt, R.; Rasmussen, M. O.; Sandholt, I. 2010. A comparison of the effectiveness of 6S and SMAC in correcting for atmospheric interference of Meteosat Second Generation images. Journal of Geophysical Research 115, 1 – 14.

Proud, S. R.; Schaaf, C.; Fensholt, R.; Rasmussen, M. O.; Shisanya, C.; Mutero, W.; et al. 2014. The Normalization of Surface Anisotropy Effects Present in SEVIRI Reflectances by Using the MODIS BRDF Method. IEEE Transactions on Geoscience and Remote Sensing 52, 6026 – 6039.

Qu, Y.; Liu, Q.; Liang, S.; Wang, L.; Liu, N.; Liu, S. 2014. Direct-estimation algorithm for mapping daily land-surface broadband albedo from modis data. IEEE Transactions on Geoscience and Remote Sensing 52, 907–919.

Roujean J.-L.; Leroy M.; Deschamps P.-Y. 1992. A bidirectional reflectance model of the Earth’s surface for the correction of remote sensing data. Journal of Geophysical Research 97, 20.455 – 20.468.

Rulinda, C.M., Bijker, W., e Stein, A. 2010. Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data. International Journal of Applied Earth Observation and Geoinformation 12S, S63–S68.

Rulinda, C.M.; Bijker, W.; Stein, A. 2011. The chlorophyll variability in Meteosat derived NDVI in a context of drought monitoring. Procedia Environmental Sciences 3, 32–37.

Sarr, M.A.; Lacaze, B. 2008. Caractérisation de la dynamique de la végétation en Afrique de l’Ouest : comparaison des indices NDVI de MSG-SEVIRI, SPOT-VEGETATION et NOAA-AVHRR (exemple du Ferlo, Sénégal). In Texte issu d’une communication au colloque Météosat Seconde Gération : un nouvel outil de suiv., p. 1–10. Disponible in: . Acess: jan. 2020.

Schaaf, C.B.; Gao, F.; Strahler, A. H.; Lucht, W.; Li, X.; Tsang, T.; et al. 2002. First operational BRDF, albedo nadir reflectance products from MODIS. Remote Sensing of Environment 83, 135–148.

Silveira, C.R.; Ferreira, L.G.; Silva, B.B. 2017. Análise da correção geométrica por meio de função de refletância bidirecional da superfície em dados de satélite geoestacionário. In: XVIII Simpósio Brasileiro de Sensoriamento Remoto. Proceedings… Santos. Disponible in: https://proceedings.science/sbsr/autores/carlos-roberto-da-silveira-junior. Acess: out. 2017. 438 – 445.

Silveira, C.R; Ferreira, L.G.; Silva, B.B. 2019. Characteristics and challenges of NDVI generation to Brazil from Meteosat-10 geostationary orbit satellite data. Revista Brasileira de Geografia Física 12, 1142-1155.

Sobrino, J.A.; Julien, Y.; Soria, G. 2013. Phenology estimation from meteosat second generation data. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing 6, 1653–1659.

Solano, R.; Didan, K.; Jacobson, A.; Huete, A. 2010. MODIS Vegetation Index User's Guide (MOD13 Series). Disponible in: https://vip.arizona.edu/documents/MODIS/MODIS_VI_UsersGuide_June_2015_C6.pdf. Acess: jan. 2020.

Thies, B.; Bendix, J. 2011. Satellite based remote sensing of weather and climate: Recent achievements and future perspectives. Meteorological Applications 18, 262–295.

Tucker, C.J. 1979. Red and Photographic Infrared Linear Combinations for Monitoring Vegetation. Remote Sensing of Environment 150, 127-150.

Vermote, E.F.; Tanre, D.; Deuze, J. J.; Herman, M.; Morcrette, J.; Kotchenove, S. Y. 2006. Second Simulation of a Satellite Signal in the Solar Spectrum - Vector (6SV), 6S user guide. Disponible in: http://6s.ltdri.org/. Acess: jan. 2020.

Vermote, E.F.; Tanre, D.; Deuze, J. L.; Herman, M.; Morcrette, J.-j. 1997. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: An Overview. IEEE Geoscience and Remote Sensing 35, 675–686.

Wanner, W.; Li, X.; Strahler, A.H. 1995. On the derivation of kernel for kernel-driven models of bidirectional reflectance. Journal of Geophysical Research 100, 21.077–21.089.

Wilson, R.T. 2013. Py6S: A Python interface to the 6S radiative transfer model. Computers and Geosciences 51, 166–171.




DOI: https://doi.org/10.26848/rbgf.v13.4.p%25p

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.

      

Revista Brasileira de Geografia Física - ISSN: 1984-2295

Creative Commons License
Esta obra está licenciada com uma Licença Creative Commons Attribution-NonCommercial 4.0 International License