Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL FLUMINENSE
INSTITUTO DE GEOCIÊNCIAS
CURSO DE BACHARELADO EM GEOGRAFIA
DAFNE DA SILVA ARAUJO
AVALIAÇÃO DE MÉTODOS DE CORREÇÃO
ATMOSFÉRICA NAS IMAGENS SENTINEL-2
Niterói
2018
DAFNE DA SILVA ARAUJO
Monografia apresentada ao curso de
Bacharelado em Geografia, como
requisito parcial para a obtenção do título
de Bacharel em Geografia.
Orientadora:
Prof.a Dr.
a, Cristiane Nunes Francisco
Niterói
2018
A658a Araujo, Dafne da Silva
Avaliação de métodos de correção atmosférica nas
imagens Sentinel-2 : / Dafne da Silva Araujo ; Cristiane
Nunes Francisco, orientadora. Niterói, 2018.
34 f. : il.
Trabalho de Conclusão de Curso (Graduação em Geografia)-
Universidade Federal Fluminense, Instituto de Geociências,
Niterói, 2018.
1. Sensoriamento Remoto. 2. Correção Atmosférica. 3.
Comportamento Espectral. 4. Produção intelectual. I. Nunes
Francisco, Cristiane , orientadora. II. Universidade Federal
Fluminense. Instituto de Geociências. III. Título.
CDD -
Ficha catalográfica automática - SDC/BIG Gerada com
informações fornecidas pelo autor
Bibliotecária responsável: Yolle Vacariuc Bittencourt - CRB7/6040
DAFNE DA SILVA ARAUJO
COMPARAÇÃO ENTRE MÉTODOS DE CORREÇÃO
ATMOSFÉRICA EM IMAGENS SENTINEL-2
Monografia apresentada ao curso de
Bacharelado em Geografia, como
requisito parcial para a obtenção do
título de Bacharel em Geografia.
Aprovada em 21 de novembro de 2018.
BANCA EXAMINADORA
_____________________________________________
Profª Drª. Cristiane Nunes Francisco (Orientadora) - UFF
_____________________________________________
Prof. Dr. Raúl Sánchez Vicens - UFF
_____________________________________________
Prof. Dr. Marcus Vinícius Alves de Carvalho - UFF
Niterói
2018
AGRADECIMENTOS
Agradeço principalmente a Deus por me ter deixado passar por tantas fazes dentro da
universidade e me mostrado que Ele é o criador do universo! Sem a Sua criação eu não
poderia estar agora estudando as leis que regem o universo. Sem Ele eu não conseguiria ter
chegado até aqui, em termos profissionais e pessoais.
Agradeço aos meus pais por terem me ensinado no caminho em que devo seguir.
Agradeço pela educação que me deram e pelo grande ensinamento de agarrar as
oportunidades, inclusive dentro da universidade. Agradeço pelas irmãs que me deram: Rany e
Suzane que são maravilhosas!
Agradeço ao meu, atualmente: namorado e parceiro que entendeu todos os meus finais
de semana estudando e em campo. Obrigada por ter participado e me apoiado nisso!
Agradeço a professora Cristiane que me ensinou as técnicas de correção atmosférica
desde o terceiro semestre da faculdade e me acompanhou até aqui, concedendo-me inclusive
bolsa para continuar a pesquisa.
Agradeço a todo o corpo docente da Geografia! A todos os professores, desde o mais
marxista até o mais conservador, pois todos conversavam e apoiavam a mim e a seus alunos.
Obrigado aos professores de geografia física e ao Lagef por me ensinado mais sobre a
natureza. Pois assim me apaixonei pelas formas de relevo e busquei conhecer mais sobre
geologia.
Agradeço a todos os meus colegas de turma e da geografia de modo geral.
Agradeço à banca examinadora deste trabalho pela disponibilidade e
comprometimento.
RESUMO
Sensoriamento remoto é um conjunto de técnicas de aquisição de informações sem
contato com o objeto, como por exemplo, a aquisição de imagens de satélite. Há camadas da
atmosfera que ficam entre o satélite e o objeto imageado interferindo nos dados adquiridos.
Para reduzir os efeitos atmosféricos sobre os objetos, existem métodos para corrigi-los
denominados como correção atmosférica, que é uma importante etapa de pré-processamento
de imagens de satélite. Assim, o presente trabalho tem como objetivo a avaliação de três
técnicas distintas de correção atmosférica: Dark Object Subtraction, Sentinel Atmospheric
Correction e Atmospheric Correction, utilizando imagens do sensor MSI do satélite Sentinel
que abrange a bacia hidrográfica do rio Boa Esperança, situada no município de Nova
Friburgo, RJ. Neste trabalho foi possível concluir que dois métodos (Sen2cor e Atcor com
correção topográfica) que atenderam às expectativas de corrigir as imagens. São métodos
baseados em modelagem atmosférica que apresentaram o comportamento esperado de acordo
com a bibliografia. O método Sen2Cor, na região do visível, retirou a interferência do
espalhamento atmosférico, principalmente, na banda azul, com redução média de 75% dos
valores de reflectância, enquanto, nas demais bandas do visível, a redução média situou-se na
faixa de 43%. Na região do infravermelho próximo a reflectância apresentou acréscimo de
15%, devido à absorção eletromagnética da radiação. Já o método ATCOR com correção
topográfica obteve decréscimo médio da ordem de 70%, na faixa do visível, enquanto, no
infravermelho próximo o acréscimo é de ordem de 8%.
Palavras-chave: Sensoriamento Remoto. Correção Atmosférica. Comportamento Espectral.
ABSTRACT
Remote sensing is a set of techniques to acquire information without contact with the
object, such as acquisition of satellite images. There are layers of atmosphere between the
satellite and the imaged object, interfering with the acquired data. To reduce the atmospheric
effects on the objects, there are methods to correct them, called: atmospheric correction,
which is an important stage of satellite image preprocessing. Thus, the present work aims to
evaluate three different atmospheric correction techniques: Dark Object Subtraction, Sentinel
Atmospheric Correction and Atmospheric Correction, , using images from the MSI sensor of
the Sentinel satellite covering the Boa Esperança river basin, located in the city of Nova
Friburgo, RJ. In this work, it was possible to conclude that two methods (Sen2cor and Atcor
with topographic correction) that more fulfilled the expectations of correcting images. They
are methods based on atmospheric modeling and presented the expected behavior according
to the bibliography. The Sen2Cor method, in the visible region, removed the interference of
the atmospheric scattering, mainly in the blue band, with an average reduction of 75% of the
reflectance values, while in the other visible bands the average reduction was in the range of
43%. In the near infrared region, it had an increase of reflectance values in the order of 15%,
due to the electromagnetic absorption of the radiation, according to the literature. On the other
hand, the ATCOR method with topographic correction obtained an average decrease of the
order of 70%, in the visible range, while in the near infrared the increase is of the order of 8%.
Keywords: Remote Sensing. Atmospheric Correction. Spectral Behavior.
SUMÁRIO
1 INTRODUÇÃO ............................................................................................. 6
2 REFERENCIAL TEÓRICO........................................................................ 8
2.1 EFEITOS ATMOSFÉRICOS SOBRE AS IMAGENS DE
SENSORIAMENTO REMOTO..................................................................... 8
2.2 COMPORTAMENTO ESPECTRAL DOS ALVOS...................................... 10
2.3 CORREÇÃO ATMOSFÉRICA....................................................................... 11
3 METODOLOGIA.......................................................................................... 14
3.1 CARACTERIZAÇÃO DA ÁREA DE ESTUDO............................................ 14
3.2 MATERIAIS.................................................................................................... 15
3.3 MÉTODOS....................................................................................................... 16
4 RESULTADOS E DISCUSSÕES................................................................. 19
4.1 ANÁLISE DA CURVA ESPECTRAL POR ALVOS.................................... 19
4.2 ANÁLISE DA CURVA ESPECTRAL POR MÉTODOS.............................. 24
5 REFERÊNCIAS............................................................................................. 26
6
1. INTRODUÇÃO
Segundo Lorenzzetti (2015), sensoriamento remoto é definido como um conjunto de
técnicas de aquisição de informações sobre a propriedade do objeto sem contato físico com
ele. Alguns autores, como Jensen (2009), acreditam que uma fotografia tirada por um
observador na superfície já é uma técnica de sensoriamento remoto, pois se utiliza de um
sensor para obtenção de informações à distância, ou seja, sem contato entre o operador e o
objeto. Outros, como Lorenzzetti (2015), restringem as suas pesquisas em sensoriamento
remoto a dados coletados por sensores instalados em satélites artificiais orbitais.
Tomando-se em conta essa delimitação de Lorenzzetti (2015), em que as imagens de
satélite são principal foco de estudo do sensoriamento remoto, é possível notar o avanço das
pesquisas nessa área do conhecimento, desde a década de 1960, quando a agência espacial
americana, NASA, começou a lançar os seus primeiros satélites para órbita, com apenas
alguns sensores, detectores de radiação e com outras poucas funções. Logo após, os satélites
com sensores imageadores são lançados no espaço, com resolução espacial de algumas
dezenas de metros e com poucas bandas espectrais.
Atualmente, um grande avanço na ciência espacial foi o lançamento da série de
satélites Sentinel pela agência espacial europeia, ESA. Esse sistema conta com a alta
tecnologia, alto nível de processamento de dados, aquisição de imagens e disponibilidade de
softwares gratuitos para o processamento das imagens. Nesse sentido, a missão Sentinel chega
para acrescentar e corroborar com os avanços das pesquisas sobre sensoriamento remoto. O
presente trabalho lança mão dessa inovação tecnológica e busca trazer novos conhecimentos
no estado da arte das imagens desse novo satélite da ESA.
Com a evolução das técnicas de sensoriamento remoto, foram criados algoritmos
para diminuir a influência da camada atmosférica sobre os dados obtidos. Como os sensores
capturam informações das propriedades dos objetos da superfície da Terra em órbita, todas as
camadas da atmosfera ficam entre o satélite e o objeto imageado, interferindo na resposta
espectral dos objetos. Dessa forma, por volta das décadas de 1980 e 1990, pesquisas sobre a
interferência atmosférica em sensoriamento remoto começaram a ser desenvolvidas. Nesse
sentido, destaca-se Chavez (1988) como um dos pioneiros nos estudos sobre os efeitos
atmosféricos nas imagens de satélite. Ele elaborou um dos primeiros e principais métodos, até
7
hoje, sobre a correção dos efeitos atmosféricos nas imagens orbitais. Esse procedimento se
tornou, nos últimos anos, um passo essencial para a preparação de imagens a serem
processadas, constituindo assim uma importante etapa do pré-processamento de imagens de
satélite.
As técnicas de correção atmosférica variam em seu grau de complexidade devido aos
parâmetros necessários para corrigir as imagens de sensoriamento remoto. Assim, é possível
classificar as técnicas de sensoriamento remoto de duas maneiras: os métodos empíricos e os
baseados em modelos de transferência atmosférica. Os empíricos utilizam dados que o usuário
capta da imagem, tendo maior participação do usuário no cálculo da interferência atmosférica.
Já os modelos atmosféricos já possuem modelagem atmosférica em seu sistema e utilizam
dados da própria imagem para adquirir características da atmosfera no momento da aquisição
da imagem de satélite. Sendo assim, a correção atmosférica é o tema tratado no presente
estudo sobre as imagens do satélite Sentinel.
Devido à forte influência da atmosfera na aquisição de imagens de satélite, o
presente trabalho tem como objetivo a avaliação de três técnicas distintas de correção
atmosférica: Dark Object Subtraction, modelo empírico, e Sentinel Atmospheric Correction e
Atmospheric Correction, modelos de transferência atmosférica, utilizando imagens do sensor
MSI do satélite Sentinel que abrange a bacia hidrográfica do rio Boa Esperança, situada no
município de Nova Friburgo, RJ.
A escolha da área de estudo, na região serrana do estado do Rio de Janeiro, foi de
fundamental importância devido aos aspectos climáticos da região onde a área está inserida.
Devido à elevada altitude, a temperatura da área estudada é mais baixa, acarretando elevada
concentração de vapor d’água e aerossóis na atmosfera. Dessa maneira, faz-se necessário a
aplicação de técnicas de correção atmosférica para melhorar a qualidade das informações
contidas na imagem de sensoriamento remoto da área de estudo.
O presente trabalho está dividido em cinco capítulos. O capítulo inicial contém a
introdução do tema abordado. O segundo capítulo de referencial teórico contém os principais
conceitos sobre interferência atmosférica, comportamento espectral dos alvos, correção
atmosférica e as técnicas de correção atmosférica nas imagens de sensoriamento remoto. O
terceiro capítulo discorre sobre os métodos de correção atmosférica utilizadas neste trabalho.
O capítulo quatro traz a apresentação e a discussão dos resultados a partir da comparação e
análise da resposta espectral das classes de cobertura da terra nas técnicas de correção
atmosférica utilizadas. Finalmente, tem-se a conclusão do trabalho no capítulo cinco.
8
2. REFERENCIAL TEÓRICO
Como visto anteriormente, as imagens de sensoriamento remoto são adquiridas por
meio da detecção eletromagnética das propriedades dos objetos a longas distâncias
(LORENZZETTI, 2015). O sensor aqui estudado é multiespectral, ou seja, adquire
informações nas faixas do visível e infravermelho do espectro eletromagnético. Desta forma,
como já mencionado, ao imagear a superfície da Terra, os sensores também obtêm
informações sobre a atmosfera, devido aos seus componentes e material particulado que a
compõe, que provocam efeitos sobre a radiação incidente como: absorção, espalhamento e
reflexão.
2.1. EFEITOS ATMOSFÉRICOS SOBRE AS IMAGENS DE
SENSORIAMENTO REMOTO
A radiação eletromagnética é formada por grupos de fótons (partículas de energia)
que se movimentam no vácuo. Cada um desses grupos de fótons está associado a certa
frequência e comprimento de onda (NOVO, 2010). Por isso, há variação espectral do índice
de refração da luz branca, podendo decompor-se em diversos comprimentos de onda (ou
cores). Os comprimentos de onda podem ser agrupados em intervalos. Esses intervalos, em
imagens multiespectrais de sensoriamento remoto, são chamados de bandas do espectro
eletromagnético.
Quando a radiação incide na atmosfera, ou em qualquer superfície, ela é refletida
pelo mesmo plano com ângulo igual e oposto à radiação incidente em superfície lisa
(JENSEN, 2009). A reflectância é a propriedade de refletir a radiação incidente para Ponzoni
e Shimabukuro (2010). Essa reflexão pode ser diferenciada pela superfície refletora, como na
superfície lisa, que é chamada de reflexão especular ou na superfície rugosa, na reflexão
difusa (JENSEN, 2009). Grande parte da radiação incidente no planeta é refletida pelas
9
próprias nuvens e gases da atmosfera (superfície rugosa) e os sensores orbitais captam
justamente a radiação refletida.
Contudo, além da superfície de reflexão, há outros parâmetros da atmosfera que
influenciam a radiação, como: umidade atmosférica, aerossóis, dióxido de carbono e outros.
Novo (2010) aponta que a umidade absorve a radiância em sua trajetória pela atmosfera, além
de aumentar a concentração de aerossóis. A concentração de aerossóis também é chamada de
espessura ótica ou turbidez. Quanto menor a visibilidade horizontal, maior a turbidez e o
espalhamento da radiância (NOVO, 2010). A mesma autora também cita o dióxido de
carbono, o oxigênio e o ozônio como os principais componentes da atmosfera que absorvem a
radiação solar.
A absorção é o processo em que a energia dos fótons é convertida em outras formas
de energia (LORENZZETTI, 2015) quando a radiação eletromagnética atravessa a atmosfera.
O conceito de absorção da radiância é importante para entender janelas atmosféricas, que
correspondem a intervalos do espectro eletromagnético em que a atmosfera não absorve a
radiação, ou seja, transmite eficientemente a energia radiante, “abrindo” essa janela
atmosférica (JENSEN, 2009). Ponzoni e Shimabukuro (2010) afirmam que a absorção
atmosférica ocorre especialmente na região do visível do espectro eletromagnético, com isso
torna-se uma constante interferência atmosférica na aquisição de dados de sensoriamento
remoto a partir de sensores multiespectrais.
Outro efeito atmosférico que influencia fortemente a radiação é o espalhamento. Ele
refere-se ao desvio da luz de modo não definido, quando ela passa por dois meios com
densidades distintas (JENSEN, 2009). Em cada meio a velocidade da radiação é diferente,
ocasionando um espalhamento com direção imprevisível. O espalhamento, assim como, os
outros efeitos da atmosfera são condicionados ao tamanho do diâmetro das moléculas
atmosféricas que interferem a radiação (JENSEN, 2009).
Segundo Jensen (2009) há três tipos de espalhamento: espalhamento Rayleigh que é
quando a matéria possui diâmetro inferior ao comprimento de onda da radiação incidente e,
geralmente, ocorre pela interação com as moléculas de gás da atmosfera na altura de 2 a 8
quilômetros de altitude. Já o espalhamento Mie ocorre na camada inferior da atmosfera (sobre
o solo) onde estão as partículas de aerossóis que possuem tamanho bem próximo ao do
comprimento de onda. Também existe o espalhamento não seletivo das partículas maiores que
o comprimento de onda da radiação incidente e que estão na parte mais baixa da atmosfera.
10
Nesse sentido, Novo (2010) afirma que, quanto menor o comprimento de onda,
maior o espalhamento provocado pela atmosfera. Assim, bandas da região do visível
espalham a radiação, especialmente, a faixa azul devido à presença de vapor de água e
aerossol. Por outro lado, a atmosfera absorve a radiação na faixa espectral do infravermelho
devido à presença de aerossol, umidade atmosférica e dióxido de carbono na atmosfera.
2.2 COMPORTAMENTO ESPECTRAL DOS ALVOS
Os diferentes objetos na superfície terrestre que são imageados pelos sensores podem
ocorrer em áreas distintas e de modos diferentes. A variação radiométrica da energia é
importante para que se analise o objeto dentro do seu contexto em diferentes intervalos
espectrais. A interação radiométrica dá origem ao estudo do comportamento espectral de
objetos ao longo do espectro eletromagnético a partir da assinatura espectral do alvo estudado.
Ponzoni e Shimabukuro (2010) apresentam que o comportamento espectral da
vegetação na região do visível é definido pela presença dos pigmentos da folha vegetal.
Dentre os pigmentos, a clorofila é a dominante, representando cerca de 65%, segundo os
mesmos autores. A clorofila absorve a energia incidente na região do visível e a converte em
calor para a realização da fotossíntese. Já, no infravermelho próximo, a absorção de radiação
pelas plantas é pequena, porém ocorre espalhamento da radiação eletromagnética. Ela incide
diretamente nas folhas com maior volume de energia nessa faixa, se elas absorvessem toda a
energia, provavelmente queimariam; sendo assim a reflectância é geralmente alta nesta faixa
(PONZONI; SHIMABUKURO, 2010).
Jensen (2009) ainda aponta que as células mesófilas das folhas, que são responsáveis
pela fotossíntese, possuem também grande importância na assinatura espectral da vegetação.
O mesófilo paliçádico é mais atuante na região do visível, absorvendo principalmente a
radiação da faixa do azul e do vermelho. Já o mesófilo lacunoso possui maior interação no
infravermelho próximo, porém refletindo a radiação. Sendo, assim, é possível afirmar que o
11
comportamento espectral da vegetação é de absorção na região do visível e de reflexão no
infravermelho.
Novo (2010) afirma que em ambientes descampados, como os campos e pampas, o
comportamento espectral é fortemente influenciado pelo solo. Nas amostras deste alvo, bem
como de afloramento rochoso, devido à escassez de água, os valores de reflectância são mais
altos na região visível do espectro, se comparado à vegetação. O afloramento rochoso também
absorve parte da radiação eletromagnética no infravermelho, devido ao vapor d’água nas
inclusões minerais.
Segundo Novo (2010), a região do infravermelho sofre pela absorção dos compostos
de ferro, principalmente, as rochas cristalinas ricas em ferro. Contudo, a superfície de um
AFL reflete a radiação na região do infravermelho próximo devido à presença de minerais, ou
seja, há elevados índices de reflectância de AFL nessa região do espectro.
Dessa forma, na faixa do visível, a VDI possui menores valores de reflectância
devido à clorofila, pois ela absorve a radiação (Jensen, 2009). Já, campo e afloramento
rochoso possuem valores maiores devido à exposição de minerais que refletem a radiação.
Enquanto na região do infravermelho próximo há absorção, conforme a presença de ferro no
solo ou rocha.
2.3 CORREÇÃO ATMOSFÉRICA
Como visto anteriormente, as imagens de sensoriamento contêm informações da
atmosfera devido aos seus componentes que interferem na propagação da radiação
ocasionando espalhamento ou absorção da energia. Para Novo (2010), o maior efeito da
atmosfera sobre as imagens é a redução do contraste da imagem, que dificulta a diferenciação
de pequenos objetos e, também, sua identificação na imagem. A mesma autora aponta ainda
que os efeitos atmosféricos podem alterar a variação de nível de cinza de um pixel, alterando
o comportamento espectral do alvo.
12
Novo (2010) e Almeida et al. (2015) explicam que, para uma melhor classificação
espectral do objeto, é necessário fazer a correção atmosférica da imagem de satélite, que
consiste num método de alterar os valores de fator de reflectância aparente (com o efeito
atmosférico), para valores de reflectância da superfície, de modo a alterar ou minimizar os
efeitos dos gases e material particulado da atmosfera na resposta espectral do alvo.
Os métodos de correção atmosférica permitem a melhor distribuição dos valores
espectrais dos alvos ao longo do histograma da imagem, reduzindo os valores nulos da
imagem, por exemplo, e assim, o nível de contraste é aumentado em toda a cena. Novo (2010)
destaca a importância da correção atmosférica ao utilizar grandezas radiométricas, como
reflectância, radiância e espalhamento da superfície, para realização de operações aritméticas
entre bandas, bem como para comparar uma série histórica de imagens de satélite.
Diversos trabalhos já foram feitos com intuito de avaliar os métodos de correção
atmosférica e verificar o mais adequado para as imagens orbitais, como: Silveira, Martins e
Cruz (2017), Santos et al. (2017), Soares et al (2015), Gonçalves e Francisco (2017), Almeida
et al (2015).
Para realizar a correção atmosférica, é necessária uma série de informações do
ambiente e do sensor para estimar os processos de espalhamento e de absorção da atmosfera.
Quando esses dados não estão disponíveis, existem métodos empíricos simples que podem
corrigir os erros grosseiros da imagem. Desta forma, existem dois tipos de correção
atmosférica: a correção feita a partir de modelos atmosféricos que utilizam dados da própria
imagem para modelar as características da atmosfera no momento da aquisição da imagem de
satélite e os modelos empíricos que utilizam dados que o usuário capta da imagem.
Neste trabalho será abordado o método empírico de Subtração de Objetos Escuros
(DOS, sigla em inglês), proposta por Chavez (1988), que é um método empírico de correção
atmosférica bem conhecido em sensoriamento remoto. Esse método assume que em qualquer
imagem há uma grande probabilidade de existir alguns pixels completamente escuros, ou seja,
com zero valor de reflectância. O mesmo autor aponta que podem corresponder, por exemplo,
áreas com água limpa ou com sombra devido à topografia acidentada ou à presença de
nuvens. Como essas áreas não refletem energia, na imagem, deveriam se apresentar com valor
zero. Contudo, a diferença entre o valor deste pixel não nulo e o zero que deveria apresentar
corresponde à contribuição da interferência atmosférica.
13
O método de Chavez (1988) tenta encontrar o valor do pixel escuro (teoricamente,
tais locais não refletem radiação para o sensor) e subtraí-lo da imagem, pois, possivelmente, a
atmosfera adicionou esse valor em todos os pixels. Entretanto, os métodos baseados em
modelos atmosféricos necessitam de informações extras, além das oferecidas pelas imagens
de satélite, como dados atmosféricos ou dados in situ, o método DOS é baseado apenas nas
informações da imagem, o que simplifica e torna mais eficiente o procedimento (CHAVEZ,
1988). A sua precisão não é muito aceita por alguns autores, pois o método DOS considera
apenas o espalhamento e não a absorção atmosférica, porém esse método de correção
atmosférica é melhor que correção nenhuma.
Já o modelo atmosférico de Sen2Cor (Sentinel 2 Atmospheric Correction) é um
método baseado em modelagem atmosférica. Ele depende do cálculo das funções de
transferência radiativa para diferentes sensores e geometrias, elevação do solo e parâmetros
atmosféricos, como: ângulo zenital, azimute, ângulo de visada do sensor, altitude visibilidade
e vapor d’água. O processador lê os parâmetros requeridos a partir dos metadados
pertencentes à imagem através da função Look-Up-Tables (LUTs) e os interpolam se
necessário. As LUTs têm gerado uma biblioteca para o cálculo de energia solar e térmica na
atmosfera da Terra (WILM; DEVIGNOT; PESSIOT, 2018).
ATCOR (Atmospheric Correction) é um método baseado no método MODTRAN
(Moderate Resolution Atmospheric Transmission) e disponível no software proprietário PCI
Geomatics. Os parâmetros do ATCOR e a configuração das bandas são feitas
automaticamente pela ferramenta (DLR GERMAN AEROSPACE CENTER, 2004).
Apresenta a possibilidade de obter uma imagem corrigida atmosfericamente e sem o efeito de
névoa ocasionado pela umidade atmosférica, através do cálculo da regressão entre as bandas
do azul e vermelho, excluindo os pixels da água pela faixa do infravermelho próximo (RESE
APLICAÇÕES SCHLÄPFER, 2016).
O ATCOR também permite que um modelo digital de elevação (MDE) seja
adicionado ao modelo para o relevo da área em estudo ser considerado na correção
atmosférica. O relevo ondulado tem um comportamento de reflectância bidirecional
estabelecido pela lei de reflectância lambertiana, que usa como base, um ângulo de campo de
visão pequeno a médio (RESE APLICAÇÕES SCHLÄPFER, 2016). Assim, o modelo de
correção considera que em relevo plano, a radiação obtida pelo sensor ocorre a partir da
radiação refletida do pixel imageado e dos vizinhos, enquanto, em relevo ondulado ou
14
montanhoso, o sinal recebido pelo sensor pode vir de diversas direções devido a inclinação do
relevo (SATELLITE IMAGING COORPORATION, 2017).
3 METODOLOGIA
3.1 CARACTERIZAÇÃO DA ÁREA DE ESTUDO
A cidade de Nova Friburgo, localizada na região serrana do Estado do Rio de
Janeiro, possui clima ameno e relevo com mais de 400 metros de altitude, composto como
serras escarpadas, isoladas e morros, dependendo da sua altitude, de acordo com INEA
(2010). A sua vegetação também é classificada de acordo com a altitude em: floresta
ombrófila densa altomontana, montana e submontana, segundo o mesmo autor. Dentro desse
contexto está a Bacia Hidrográfica do Rio Boa Esperança, área de estudo deste trabalho,
localizada a nordeste do distrito de Lumiar, no município de Nova Friburgo (Figura 1). Como
uso e cobertura da terra são observados as seguintes classes: floresta em diferentes estágios de
sucessão, afloramento rochoso, agricultura, plantio de eucalipto, pastagem e área urbana.
15
Figura 1: Mapa de localização da bacia hidrográfica do rio Boa Esperança
3.2 MATERIAIS
Foi obtida, a partir do portal USGS Earth Explorer (2018), a imagem 23KQR do dia
2 de agosto de 2016 do satélite Sentinel-2 para a área estudada. Segundo a Agência Espacial
Europeia (ESA), Sentinel é uma missão do Observatório do Copernicus Radar Europeu em
uma iniciativa em conjunto com a Comissão Europeia. Ao todo, a missão Copernicus conta
com sete constelações de 14 satélites cada, ou seja, em cada constelação há um par de satélites
(A e B) para aumentar o tempo de revisita, cobrindo área localizada entre a latitude 84º norte
até 56º sul com largura da faixa orbital possui 290 quilômetros. Operam simultaneamente em
180º de distância, numa altitude de 786 quilômetros da superfície terrestre (ESA, 2017). Essa
posição orbital é medida por Sistema Global de Navegação por Satélites (Global Navigation
Satellite System, GNSS), mantida por um sistema de propulsão.
Cada constelação Sentinel produz determinado tipo de dados. O Sentinel-2 monitora
a parte continental do globo terrestre observando as condições do terreno com tempo de
16
revisita de cerca de dez dias na região do Equador e, de cinco dias, nas latitudes médias. Essa
missão conta com dois satélites síncronos, por isso, em situações de céus limpo, a revisita
diminui para dois a três dias nas latitudes médias. (ESA, 2017). A alta frequência de
passagem dos satélites permite o monitoramento do uso e cobertura da terra através de treze
bandas espectrais, sendo quatro com dez 10 metros de resolução espacial, seis bandas com 20
metros e duas bandas com 60 metros (ESA, 2017). Nesse estudo, utilizaram-se as quatro
bandas espectrais com 10 metros de resolução espacial.
Número da
Banda Nome da Banda
Comprimento de Onda
Central (nm)
Comprimento da banda
(nm)
2 Azul 496,6 98
3 Verde 560,0 45
4 Vermelho 664,5 38
8 Infravermelho
Próximo 835,1 145
Tabela 1: Bandas espectrais do satélite Sentinel – 2
Fonte: ESA, 2018 (modificado)
Os sensores do Sentinel-2 são capazes de fornecer imagens de alto nível com os
dados de reflectância de topo da atmosfera na projeção cartográfica UTM WGS 84,
disponibilizados em quatro níveis de processamento. O nível 0 (zero) corresponde aos dados
comprimidos com todas as informações para se obter os demais níveis de processamento. O
nível 1 é dividido em A, B e C. No nível 1A, as bandas espectrais já estão associadas a
informações auxiliares. No nível 1B, a imagem está corrigida radiometricamente, o modelo
geométrico físico é refinado usando pontos de controle de solo disponíveis e anexado ao
produto. Enquanto no nível 1C, utilizado nessa pesquisa, os dados possuem valores de
reflectância de topo-da-atmosfera.
Como o Sentinel-2 foi lançado em órbita em junho de 2015, ainda são necessários
estudos iniciais, diante disso, suas imagens foram escolhidas para a realização desse estudo e,
também, devido às suas características, como alta resolução espacial, temporal e alto nível de
processamento, que justificam a sua utilização.
17
3.3 MÉTODOS
As imagens do Sentinel-2 foram processadas por três ferramentas de correção
atmosférica: o Sen2Cor acessado pelo software livre SNAP 5.0, o ATCOR disponível no
software proprietário Geomatica 20171 e pelo método DOS calculado com a utilização do
ArcGIS2.
O software livre SNAP 5.0, desenvolvido pela ESA, deve ser instalado
conjuntamente com a extensão Sen2Cor (Sentinel 2 Atmospheric Correction), ambos
disponíveis na internet. Os parâmetros para a correção atmosférica podem ser configurados
pelo usuário ou automaticamente pelo software. Como aerossol da área imageada, foi
selecionado o aerossol rural pelo Sen2Cor entre os três disponíveis, marinho, automático ou
rural, para áreas continentais (WILM; DEVIGNOT; PESSIOT, 2018). Isso também ocorreu
em todos os demais parâmetros. Apenas os valores de ângulo zenital e de azimute foram
definidos pelo usuário calculados com base nos dados disponíveis dos metadados.
O software Geomatica foi utilizado para calcular o ATCOR. Para minimizar o efeito
do relevo pelo ATCOR, neste estudo, foram utilizados dados do SRTM (Shuttle Radar
Topography Mission) com resolução espacial de 30 metros. Através deste MDE, os
parâmetros de elevação foram retirados automaticamente, para calcular a condição de
iluminação diferenciada do relevo ondulado (SATELLITE IMAGING COORPORATION,
2017).
Também foi utilizado o método empírico DOS, proposto por Chavez (1988). Para
realizá-lo, primeiramente, foi feita a coleta dos dados de pixels escuros (como: afloramento
rochoso sombreado e floresta densa sombreada) e, posteriormente, subtraídos da imagem
através do cálculo de bandas (Raster Calculator) do software ArcGis.Como os dados
originais já estavam reflectância de topo da atmosfera (ToA), não foi necessário nenhuma
transformação em dados físicos (radiância para reflectância).
Desta forma, como resultado, foram produzidas cinco imagens com correção
atmosférica: (a) um produto do Sen2Cor (S2C), (b) três corrigidas, com o algoritmo ATCOR ,
1 Licença FreeTrial (teste) de estudante para o Instituto de Geociências 2 Licença do Instituto de Geociências
18
sendo que sem correção do efeito de névoa (AT), uma com correção do efeito de névoa
(ATN) e uma com correção do relevo (ATM); e (c) uma com correção por DOS.
Após a obtenção dos resultados da aplicação dos métodos de correção atmosférica,
através do software ArcGis, foram coletados dez pontos amostrais aleatórios de cada um dos
seis alvos de cobertura da terra, totalizando 60 amostras: vegetação densa e iluminada (VDI)
floresta exposta a luz solar, vegetação densa e sombreada (VDS) - floresta na sombra,
eucaliptal (EUC)- plantio de eucalipto, vegetação herbácea (HER) - arbustos, campo (CAM) -
pasto, e afloramento rochoso (AFL) - superfície com substrato rochoso exposto (Figura 2).
Figura 2: Mapa de localização das amostras na área estudada
O valor de reflectância foi retirado de cada ponto amostral nas cinco imagens
corrigidas, além da imagem sem correção, correspondente à reflectância do topo da atmosfera
(TOA), através da ferramenta “extract multivalues to points” do ArcGIS. Com base nos
valores médios dos pontos amostrais de cada alvo foram construídas as curvas espectrais para
as imagens corrigidas e não corrigida. Por fim, as curvas espectrais foram analisadas de
acordo com o comportamento espectral esperado obtido naa literatura.
19
4 RESULTADOS E DISCUSSÕES
Os resultados da aplicação dos métodos de correção atmosférica estão representados
por curvas espectrais. Na primeira parte do capítulo, são analisadas, conjuntamente, as curvas
espectrais de cada alvo por todos os métodos aplicados e, na segunda parte, são analisadas as
curvas espectrais de todos os alvos nos métodos que apresentaram desempenho de acordo
com o comportamento espectral esperado.
4.1 ANÁLISE DA CURVA ESPECTRAL POR ALVOS
Pode-se notar que as amostras são compostas pela componente vegetação, que é
predominante na classe VDI, e o componente solo, que é predominante na classe AFL e
também em CAM.
Dessa forma, a partir desses dois componentes é possível relembrar a literatura sobre
o comportamento espectral da vegetação: absorção radiação eletromagnética na região do
visível e a reflete no infravermelho. Enquanto o componente solo possui valores maiores na
região do visível devido à exposição de minerais que reflete a radiação. Enquanto, no
infravermelho há absorção, conforme a presença de ferro no solo ou rocha exposta.
Sendo assim, o comportamento esperado em todos os alvos é que os valores de
reflectância sejam menores no visível e maiores no infravermelho próximo. No entanto, para
os alvos com predominância da componente vegetação, na região do visível, a banda do verde
deve apresentar um valor maior que os valores do azul e do vermelho.
O método sem correção apresenta valores de topo da atmosfera (ToA), no visível
apresenta espalhamento e o infravermelho absorve a radiação eletromagnética. Com base nos
resultados de ToA, espera-se que nas imagens corrigidas, haja queda dos valores da faixa do
20
visível, devido ao espalhamento da radiação, e aumento dos valores na faixa do
infravermelho, devido à absorção atmosférica.
Desta forma, é possível analisar que os valores de reflectância de VDI devem cair na
faixa do visível a partir da correção atmosférica. Entretanto, nos métodos ATCOR, ATCOR
sem neblina e DOS, isso não acontece (fig 3a). São sendo ideal para a correção dessa classe
na região do visível. Na faixa do infravermelho próximo, todos os valores aumentam exceto
no método DOS.
O mesmo acontece para as outras classes de vegetação: VDS (fig 3b), EUC (fig 3c),
HER (fig 3d). Sendo que apenas o método S2C conseguiu obter resultados mais elevados na
banda verde do que das outras bandas da região do visível e o método ATCOR com correção
topográfica fez isso apenas para as classes de VDI, EUC e HER.
No infravermelho próximo a maior parte dos métodos eleva os valores dos alvos,
exceto o método DOS. No entanto, a VDS apenas foi corrigida nessa região através do
método ATCOR com correção topográfica, provavelmente por sua localização e estado
sombreado.
Os alvos com componentes de solo: CAM (fig 3e) e AFL (fig 3f), no visível, apenas
os métodos AT e ATN não corrigiram eficientemente as amostras, diminuindo pouco seus
valores, principalmente, na banda do vermelho em que obtiveram valores inclusive maiores
que ToA. No infravermelho próximo todos os métodos conseguiram elevar os valores,
consideravelmente, exceto o método DOS que mais uma vez se mostrou ineficiente na região
do infravermelho, reduzindo os valores de radiação eletromagnética.
Dentre os modelos atmosféricos utilizados neste trabalho, o método S2C apresentou
resultados bem próximos ao esperado. Na região do visível, a correção retirou a interferência
do espalhamento atmosférico, principalmente, na banda azul, que apresentou decréscimo
médio de 75%, enquanto, nas demais bandas do visível, a redução média situou-se na faixa de
43%. No entanto, acentuou o pico na banda 3 verde , comportamento esperado, devido à
atuação da clorofila que absorve a radiação azul e vermelha em maior quantidade do que a
radiação verde.
O método S2C também alcançou resultados esperados para a região do
infravermelho próximo com acréscimo de reflectância na ordem de 15%. Como nessa região a
atmosfera absorve a radiação eletromagnética, espera-se que o modelo adicione valores para
21
corrigir o efeito da atmosfera e, desta forma, os valores de reflectância fiquem mais elevados.
Por isso, esse método elevou a resposta espectral de todos os alvos.
Comparando-se os resultados da aplicação do método AT verifica-se que ATM
aproxima-se aos do S2C. Na faixa do visível, o decréscimo médio é da ordem de 70%,
enquanto, no infravermelho próximo o acréscimo é de ordem de 8%.
É interessante notar, no entanto, que a VDS apresentou redução no Sen2Cor,
enquanto, no ATM houve, o acréscimo, possivelmente em função da correção topográfica.
Desta maneira, é correto afirmar que o método AT possui um eficiente modelo de
transferência radiativa para a região do infravermelho próximo, pois leva em consideração o
efeito de espalhamento da atmosfera.
22
B2 B3 B4 B8
ToA 800 626 406 2305
S2C 136 269 191 2549
AT 634 213 420 2752
ATN 651 220 142 2752
ATM 183 264 166 2463
DOS 372 373 241 2259
0 0,5
1 1,5
2 2,5
3 3,5
4
Re
fle
ctân
cia
(a) VDI
B2 B3 B4 B8
ToA 723 478 291 598
S2C 21 50 45 431
AT 544 19 281 568
ATN 544 19 12 568
ATM 112 102 54 680
DOS 295 225 126 552
0
0,5
1
1,5
2
2,5
3
3,5
4
Re
fle
ctân
cia
(b) VDS
B2 B3 B4 B8
ToA 811 638 418 3296
S2C 145 279 200 3785
AT 644 230 434 4019
ATN 667 237 157 4019
ATM 171 260 166 3479
DOS 383 385 253 3250
0
0,5
1
1,5
2
2,5
3
3,5
4
Re
fle
ctân
cia
(c) EUC
B2 B3 B4 B8
ToA 887 770 616 2416
S2C 266 478 460 2683
ATM 290 464 421 2735
AT 755 420 686 2894
ATN 773 425 406 2894
DOS 459 517 451 2370
0
0,5
1
1,5
2
2,5
3
3,5
4
Re
fle
ctân
cia
(d) HER
23
Figuras 3 : Curvas espectrais dos alvos: vegetação densa e iluminada (a - VDI) floresta exposta a luz solar, vegetação densa e sombreada (b -
VDS) - floresta na sombra, eucaliptal (c - EUC)- plantio de eucalipto, vegetação herbácea (d - HER) - arbustos, campo (e - CAM) - pasto, e
afloramento rochoso (f - AFL)
B2 B3 B4 B8
ToA 1037 1023 1022 2560
S2C 505 860 991 2861
AT 970 772 1192 3078
ATN 985 777 914 3078
ATM 446 727 816 2613
DOS 609 770 857 2514
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
Re
fle
ctân
cia
(e) CAM
B2 B3 B4 B8
ToA 914 840 726 2247
S2C 327 600 616 2484
AT 805 522 821 2676
ATN 810 523 541 2676
ATM 350 552 534 2378
DOS 486 587 561 2201
0
0,5
1
1,5
2
2,5
3
3,5
4
Re
fle
ctân
cia
(f) AFL
24
4.2 ANÁLISE DA CURVA ESPECTRAL POR MÉTODOS
Os resultados das classes obtidas serão analisados com base nos valores de ToA. Os
alvos com maior componente de vegetação (VDI, VDS, EUC e HER) possuem
comportamento espectral similar, ou seja, menor reflectância na região do visível com pico no
verde e maior no infravermelho próximo. As classes de EUC e de VDI apresentam maior
similaridade de comportamento, porém no infravermelho, eles se destacam devido ao elevado
valor.
A vegetação herbácea apresenta elevado valor no visível devido ao aumento do
componente solo, em relação à vegetação. Já a vegetação sombreada apresenta os menores
valores nas duas regiões do espectro, provavelmente, devido a sua localização no relevo
inclinado e estado sombreado.
Os alvos com maior influência do componente solo: AFL e CAM possuem maiores
valores de refletância na região do visível. Sendo o AFL menor também no infravermelho.
Porém não é menor que a VDI, que no método ATM, acrescentou mais valor que S2C,
considerando a topografia.
25
Figuras 4: Curvas espectrais das imagens de acordo com modelos atmosféricos: Sentinel 2
Atmospheric Correction (a - S2C) e Atmospheric Correction com correção topográfica (b -
ATM).
B2 - Azul B3 - Verde B4 - Vermelho B8 - IVP
VDI 136 269 191 2549
VDS 21 50 45 431
EUC 145 279 200 3785
HER 266 478 460 2683
CAM 505 860 991 2861
AFL 327 600 616 2484
0
0,5
1
1,5
2
2,5
3
3,5
4
Re
fle
ctân
ica
B2 - Azul B3 - Verde B4 - Vermelho B8 - IVP
VDI 183 264 166 2463
VDS 112 102 54 680
EUC 171 260 166 3479
HER 290 464 421 2735
CAM 446 727 816 2613
AFL 350 552 534 2378
0
0,5
1
1,5
2
2,5
3
3,5
4
Re
fle
ctân
cia
(a)
S2C
(b)
ATM
26
6 CONCLUSÃO
Este estudo analisou, nas imagens do satélite Sentinel-2, os resultados da correção
atmosférica de cinco métodos distintos S2C, DOS, AT, ATN e ATM. Eles foram comparados
com dados de refletância de ToA das imagens originais.
O método DOS não reduziu o espalhamento nas bandas do visível, conforme
realizado pelos outros métodos, além de ter reduzido o valor da reflectância no infravermelho,
o que é incorreto, pois é a faixa de absorção da atmosfera. Os resultados do TN foram
semelhantes ao método AT, não correspondendo ao esperado.
Dentro os métodos testados, o S2C e ATM foram aqueles que atingiram o resultado
esperado. No entanto, o segundo apresentou melhor desempenho na correção da absorção na
banda do infravermelho da vegetação sombreada, sendo o único entre as técnicas testadas que
acrescentou valor de reflectância, provavelmente, devido à correção considerando a
topografia.
Verificando, assim, a importância da correção topográfica em conjunto com a
correção atmosférica, recomenda-se avaliar a aplicação da técnica S2C utilizando o modelo
digital de elevação, pois este algoritmo pode ser a melhor alternativa, considerando ser um
aplicativo gratuito.
27
REFERÊNCIAS
ALMEIDA, Rafael Vilela Justino de; et al. Comparação dos Métodos de Correção
Atmosférica: ”6S” e “DOS” processadas em dados do sensor TM/Landsat 5 e
correspondentes a região de ocorrência da turfeira Pd-F.. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO - SBSR, 17., 2015, João Pessoa. Anais XVII Simpósio
Brasileiro de Sensoriamento Remoto - SBSR. São José dos Campos: Inpe, 2015. p. 6861
- 6866. Disponível em: <http://www.dsr.inpe.br/sbsr2015/files/p1503.pdf>. Acesso em: 02
set. 2018.
DLR GERMAN AEROSPACE CENTER (Alemanha). R. Richter. ATCOR: Atmospheric and
Topographic Correction. 2004. Disponível em:
<http://www.dlr.de/eoc/Portaldata/36/Resources/dokumente/technologie/atcor_flyer_march20
04.pdf>. Acesso em: 19 jul. 2018.
ESA. Agencia Espacial Europeia. Disponível em: <https://earth.esa.int/web/sentinel/home>
Acesso em julho 2017.
ESA (France). Products and Algorithms. 2017. Disponível em:
<https://earth.esa.int/web/sentinel/technical-guides/sentinel-2-msi/msi-instrument>. Acesso:
06 jul. 2018.
GONÇALVES, J. T.; FRANCISCO, C. N. Comparação entre os métodos de correção
atmosférica MODTRAN e DOS em imagens do RapidEye. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 18, 2017, Santos. Anais SBSR. São José dos Campos: INPE,
28
2017. p. 2307 - 2314. Disponível em: <http://urlib.net/8JMKD3MGP6W34M/3PSLQC5>.
Acesso em: 28 jun. 2018.
INEA. O estado do ambiente.2010. Disponível em:
<http://www.inea.rj.gov.br/cs/groups/public/documents/document/zwew/mde1/~edisp/inea00
15448.pdf> Acesso em: 06 jul. 2018.
Jensen, J.R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres.
São José dos Campos: Parêntese, 2009.
LORENZZETTI, João Antônio. Princípios físicos de sensoriamento remoto. São Paulo:
Bluvher, 2015. 293 p.
Novo, E. M. L. M. Sensoriamento remoto: princípios e aplicações. São Paulo: Blucher,
2010.
NOVA FRIBURGO. PREFEITURA. A Cidade. 2014. Disponível em:
<http://novafriburgo.rj.gov.br/atendimento-ao-cidadao/nova-friburgo/>. Acesso em: 06 jul.
2018.
Ponzoni; F.J.; Shimabukuro, Y.E. Sensoriamento Remoto no Estudo da Vegetação. São
José dos Campos: Parêntese, 2010.
29
SATELLITE IMAGING COORPORATION (Houston). Atmospheric & Topographic
Correction (ATCOR). 2017. Disponível em:
<https://www.satimagingcorp.com/services/atcor/>. Acesso em: 19 jul. 2018.
SANTOS, Talita Calaça Costa dos et al. COMPARAÇÃO DE MODELOS DE CORREÇÃO
ATMOSFÉRICA PARA IMAGEM WORLDVIEW-2. Revista Brasileira de Cartografia, Rio
de Janeiro, v. 2, n. 69, p.229-240, 2017. Disponível em:
<https://www.researchgate.net/publication/321792950_COMPARACAO_DE_MODELOS_D
E_CORRECAO_ATMOSFERICA_PARA_IMAGEM_WORLDVIEW-
2_Comparison_of_Atmospheric_Correction_Models_for_Worldview-2_Image>. Acesso em:
02 set. 2018.
SILVEIRA, Jéssica Layna Costa; MARTINS, Jéssica Silva; CRUZ, Carla Bernadete
Madureira. Análise comparativa da correção atmosférica de imagem OLI landsat 8 dos
métodos ATCOR e DOS. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO
- SBSR, 18., 2017, Santos. Anais do XVIII Simpósio Brasileiro de Sensoriamento Remoto -
SBSR. São José dos Campos: Inpe, 2017. p. 2600 - 2007. Disponível em:
<https://proceedings.galoa.com.br/sbsr/trabalhos/analise-comparativa-da-correcao-
atmosferica-de-imagem-oli-landsat-8-dos-metodos-atcor-e-dos?lang=pt-br>. Acesso em: 02
set. 2018.
SOARES, Fernanda Silva et al. Análise comparativa da correção atmosférica de imagem do
Landsat 8: o uso do 6S e do ATCOR2. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO - SBSR, 17., 2015, João Pessoa. Anais XVII Simpósio
Brasileiro de Sensoriamento Remoto - SBSR. São José dos Campos: Inpe, 2015. p. 1821 -
1828. Disponível em: <http://www.dsr.inpe.br/sbsr2015/files/p0358.pdf>. Acesso em: 02 set.
2018.
30
USGS (EUA). Earth Explorer. 2018. Disponível em: <https://earthexplorer.usgs.gov/>.
Acesso em: 19 jul. 2018.
WILM, Uwe Mueller; DEVIGNOT; PESSIOT. Sen2Cor ConfigurationandUser
Manual. 2018. Disponível em: <http://step.esa.int/main/third-party-plugins-2/sen2cor/>.
Acesso em: 06 jul. 2018.