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

doi:10.26848/rbgf.v13.5.p2304-2318

Autores

Carlos Roberto Silveira Jr IFG https://orcid.org/0000-0003-2891-929X
Laerte Guimarães Ferreira Junior Universidade Federal de Goiás https://orcid.org/0000-0002-0489-1141
Bernardo Barbosa Silva Universidade Federal de Campina Grande https://orcid.org/0000-0003-2500-1547

DOI:

https://doi.org/10.26848/rbgf.v13.5.p2304-2318

Palavras-chave:

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

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

Evaluation of techniques for improvement of NDVI MSG quality for soil surface monitoring

A B S T R A C T

Geostationary satellites represent a high temporal resolution alternative for ground surface monitoring compared to polar orbiting satellites. However, at high viewing angles, some factors influence surface reflectance, decreasing the quality of vegetation indices, reason why it is important to use atmospheric and geometric correction techniques. This article aims to evaluate data from the MSG (Meteosat Second Generation) geostationary orbit satellite to obtain the NDVI (Normalized Difference Vegetation Index) quality vegetation index in high viewing angle regions, having as study area the state of Goiás, in Brazil. MODIS (MODerate Image Spectroradiometer) images were used as a reference to identify temporal characteristics of the observations for product composition and to evaluate the performance of the evaluated techniques. The study database period was 2013-2015. As a result, the NDVI MSG, obtained from 10:00 to 12:00 local time, provides an image with 95% pixel coverage, within 12 days, while MOD09 gets it within 16 days. Geometric correction is a fine-tuning that did not present increased correlation of data. On the other hand, atmospheric correction maintains the correlation of the data and increases the value of NDVI, bringing it closer to the NDVI MODIS value. Performing a PCA (Principal Component Analysis) application using the unsupervised k-means classification technique, NDVI MSG provided superior results compared to MODIS, demonstrating the potential of geostationary data for soil surface monitoring.

Keywords: MSG, NDVI, 6S, BRDF, geostationary orbit satellite

Biografia do Autor

Carlos Roberto Silveira Jr, IFG

Professor titular do IFG câmpus Goiânia, Goiás. Graduado em Engenharia de Computação pela Universidade Federal de Goiás (2003) e mestre em Engenharia Elétrica e de Computação pela Universidade Federal de Goiás (2006). Iniciou (2014) doutorado no Programa de Pós-graduação de Ciências Ambientais da Universidade Federal de Goiás na área de Sensoriamento Remoto. Atua principalmente nas áreas de informática na educação, inteligência computacional, sensoriamento remoto, automação e robótica. Participa do Núcleo de Pesquisa Interdisciplinar do câmpus Inhumas (NEPEInter) desenvolvendo projetos interdisciplinares com professores da área de artes, línguas, história, geografia, pedagogia e psicologia, produzindo resultados que foram publicados em revistas científicas e em eventos nacionais e internacionais. Participou (2011 a 2013) do projeto ROBOCETI(Robótica Como Instrumento de Capacitação dos Institutos Federais em Ciência, Educação, Tecnologia e Inovação), financiado pela SETEC/MEC, que promoveu a pesquisa sobre robótica em diversos Institutos Federais através de núcleos de trabalhos de vários estados do Brasil. Orientou projeto de pesquisa que recebeu o 11º Prêmio Destaque Nacional do CNPq (2013), categoria bolsista de Iniciação Tecnológica. Atualmente estuda no programa de Doutorado em Ciências Ambientais da Universidade Federal de Goiás, com foco em Sensoriamento Remoto.

Laerte Guimarães Ferreira Junior, Universidade Federal de Goiás

Graduado em Geologia pela Universidade de Brasília (1990), especialista em sensoriamento remoto pela UNESP / Rio Claro (1990), mestre em Geologia Econômica pela Universidade de Brasília (1993), doutor em Ciência do Solo / Sensoriamento Remoto pela University of Arizona (2001). Em 2011, durante período sabático, foi cientista visitante junto ao Center for Space Research / University of Texas at Austin. É professor titular da Universidade Federal de Goiás (UFG), onde participa, na condição de membro permanente, do Programa de Pós-Graduação em Geografia (CAPES nota 5) e do Programa Multidisciplinar em Ciências Ambientais (CAPES nota 6). Entre 1994 e 2017, criou e coordenou o Laboratório de Processamento de Imagens e Geoprocessamento da Universidade Federal de Goiás (LAPIG \ www.lapig.iesa.ufg.br), uma das principais referências no país quanto ao processamento, análise e distribuição de dados satelitários de resolução espacial moderada aplicados ao monitoramento biofísico-ambiental e governança territorial. Entre setembro de 2009 e setembro de 2012 integrou o comitê científico do Painel Brasileiro de Mudanças Climáticas e entre outubro 2016 e dezembro 2018 fez parte do Grupo Assessor Especial (GAE) da Diretoria de Relações Internacionais da CAPES. Atualmente integra o Conselho Superior da Fundação de Amparo à Pesquisa do Estado de Goiás (CONSUP / FAPEG) e é membro do Comitê Assessor de Geociências do CNPq. Também participa do Comitê de Coordenação Institucional do projeto "Desenvolvimento de sistemas de prevenção de incêndios florestais e monitoramento da cobertura vegetal no cerrado brasileiro" (FIP Cerrado / MCTIC / BIRD) e do Comitê de Coordenação da iniciativa MapBiomas (mapbiomas.org). Foi membro (2012 - 2015) do Conselho Deliberativo da Fundação de Apoio à Pesquisa da Universidade Federal de Goiás (do qual foi presidente, durante o ano de 2013), Em 2010, recebeu da Assembleia Legislativa do Estado de Goiás a Comenda Araguaia, pela contribuição à causa da preservação do meio ambiente no Estado de Goiás. É atualmente Pró-Reitor de Pós-Graduação da Universidade Federal de Goiás.

Bernardo Barbosa Silva, Universidade Federal de Campina Grande

Doutorado em Engenharia Civil - Área de Concentração Recursos Hídricos, pela Universidade Federal da Paraíba (1994), Pós-doutorado em Agrometeorologia na Universidade do Arizona, Estados Unidos (1996-1997), bacharelado (1979) e mestrado (1985) em Meteorologia (UFPB). Atualmente é professor Adjunto II da UFCG, bolsista de Produtividade em Pesquisa do CNPq e membro efetivo do Programa de Pós-graduação em Meteorologia da UFCG. Colabora, ainda, com o Programa de Pós-graduação em Engenharia Ambiental da UFRPE. Foi vice-presidente da Sociedade Brasileira de Agrometeorologia (1994-1995) e da Sociedade Brasileira de Meteorologia (2007-2008). Publicou mais de 128 artigos em periódicos especializados (nacionais e internacionais), 2 livros técnicos, 10 capítulos de livro e tem participado como conferencista em vários simpósios científicos nacionais e internacionais. Concluiu a orientação de 32 doutores, 50 mestres e 5 trabalhos de iniciação científica e é consultor da FINEP, CNPq e fundações estaduais de amparo à pesquisa, além de participar em projetos de pesquisa com instituições nacionais e internacionais. Atua em Agrometeorologia, Meteorologia, Climatologia e Sensoriamento Remoto Aplicado, com ênfase em balanços de radiação, energia, evapotranspiração e fixação de carbono na vegetação por sensoriamento remoto. Editor Associado da Revista Brasileira de Meteorologia (2009 a 2012), da Revista Brasileira de Agrometeorologia (2010 a 2012) e da Revista Brasileira de Geografia Física (2011 - 2015).

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: <http://www.gdal.org/>. 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: <https://halshs.archives-ouvertes.fr/halshs-00260971>. 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.