Upload
vuongxuyen
View
216
Download
0
Embed Size (px)
Citation preview
1
NotaMetodológica
V#1.0
(emconstrução)
23.11.2015
2
OMapBiomaséumainiciativadoSEEG/OC(SistemadeEstimativasdeEmissões
deGasesdeEfeitoEstufadoObservatóriodoClima)eéproduzidoporumarede
colaborativadeco-criadoresformadoporONGs,universidadeseempresas
organizadosporbiomasetemastransversais.
CoordenaçãonosBiomas
• Amazônia–InstitutodoHomemedoMeioAmbientedaAmazônia
(IMAZON)
• Caatinga–UniversidadeEstadualdeFeiradeSantana(UEFS)eAssociação
PlantasdoNordeste(APNE)
• Cerrado–InsitutodeProteçãoAmbientaldaAmazônia(IPAM)
• MataAtlântica–FundaçãoSOSMataAtlânticaeArcPlan
• Pampa–UniversidadeFederaldoRioGrandedoSul(UFRGS)
• Pantanal–InstitutoSOSPantanaleArcPlan
CoordenaçãoTemasTransversais
• Pastagem-UniversidadeFederaldeGoiás(LAPIG/UFG)
• Agricultura–Agrosatélite
• ZonaCosteira-InstitutoTecnológicoVale
ParceirosdeTecnologia
• Ecostage
• TerrasApp
• ArcPlan
Financiamento
• IniciativaInternacionaldeClimaeFlorestasdaNoruega(NICFI)
• Gordon&BettyMooreFoundation
• InstitutoArapyaú
ParceirosInstitucionais
• InstitutoDemocraciaeSustentabilidade(IDS)
• FundacãoAVINA
CoordenaçãoTécnicoCientífica–CarlosSouzaJr.
CoordenaçãoGeral-TassoAzevedo
3
ProcessamentoeClassificaçãodeImagensLandsatdoProjeto
MapBiomas
OprojetoMapBiomasutilizaimagensLandsat(5,7e8)paramapearequantificar
mudançasnacoberturadosolodosbiomasbrasileiros.Oprocessamentodasimagens
LandsatéconduzidonaplataformaGoogleEarthEngine,baseadaemnuvensde
computadores,eseguecincoetapasparaoprocessamentodigitaldasimagens,descritas
abaixo(Figura1).EssasetapasforamimplementadasnumprogramaWebdenominado
MapBiomasWorkspace(Figura2).
Figure1.EtapasdeprocessamentodigitaldasimagensLandsatdoMapBiomasparaomapeamentodacoberturado
solo.
4
Figure2.InterfacedoprogramaWebMapBiomasqueimplementaasetapasdeprocessamentodigitaldasimagens
Landsatparaomapeamentodacoberturadosolo.
Etapa1-SeleçãodaÁreadeMapeamento
AunidadedemapeamentodoMapBiomaséaCartaInternacionaldoMundoao
Milionésimonaescala1:250.000,cobrindoumaáreade1°30’delongitudepor1°de
latitude(Figura3).Umtotalde558cartas(oufolhas)cobreoterritórionacional.Para
cadacarta,sãodefinidososseguintesparâmetrosdasimagensLandsat:
i) oanodemapeamento(de2008a2015paraessafasedoprojeto);
ii) operíodonoanoparaseleçãodeimagens(t0et1emdia/mês/ano)que
possibilitaomáximocontrasteespectralentreasclassesdeflorestasenão
florestas;
iii) amáximacoberturadenuvensdaimagemLandsatqueseráutilizadano
processamento;e
iv) otipodesensor(Landsat5[L5],Landsat[L7],eLandsat8[L8]).Esses
parâmetrossãoobtidosdoarquivodemetadadosdascoleçõesdeimagens
LandsatdisponíveisnaplataformaEarthEngine.
Utilizamoscoleçõesdeimagensdereflectânciadesuperfícieortorretificadas(L1T)para
L5eL7,reflectâncianotopodaatmosferaparaL8.Ascartasquerecobremmaisdeum
biomasãoprocessadasseparadamente,comosparâmetrosdosseusrespectivosbiomas,
ecombinadasnaetapadepós-classificação(Etapa5daFigura1).Adistribuiçãodas
cartasporbiomasémostradanaFigura3.
5
Figure3.DistribuiçãodascartasutilizadasnoprocessamentodasimagensLandsatnoambienteWorkspacedo
MapBiomas.
Etapa2-GeraçãodoMosaicoTemporal
Aaplicaçãodosparâmetrosdescritosacima(períodoecoberturadenuvens)permite
obterumconjuntodecenasdeimagensLandsatparaumdadoano,noperíododefinido,
cobrindoaáreadacartaselecionadaparaoprocessamento.Esseconjuntodecenas
Landsatéprocessadocomoobjetivodegerarummosaico[temporal]comamenor
coberturadenuvensparaacarta,otimizandooperíododemaiorcontrasteespectraldas
classesdecoberturadosoloqueserãomapeadas(verLegenda).
6
AscenasLandsatselecionadassãoprocessadasparageraromosaicotemporalquecobre
aáreadacarta.Inicialmente,aplica-seumazonadeentorno(buffer)aolongodacenada
imagemLandsatpararemoçãodeeventuaisruídosdeborda.Sãoconsideradosruídosos
píxeisdacenasLandsatquenãopossuemdadosemtodasasbandas.Opróximopassoé
aplicarumalgoritmodedetecçãoeremoçãodenuvens,baseadonamodelagem
espectraldemistura(MEM;verEtapa3paradetalhessobreessemétodo),eimagensda
faixatermaldoespectroelectromagnético(Banda6paraoL5eL7,eBanda10paraoL8;
todasconvertidasparaaescalaCelsiusdetemperatura).
Píxeiscomfraçãodenuvemmaiorouiguala10%etemperaturamenorouiguala22
grausCelsiussãodetectadosinicialmentecomonuvem.Umaregiãodeentornocom10
píxéis(300metros,considerandoumpíxelLandsatcom30m)égeradaaolongodas
áreasdetectadasinicialmentecomonuvem,utilizandoumfiltromatricial(kernel)circular.
Esseprocedimentopermitedetectaráreascomsombrageradapelasnuvens
originalmentedetectadas.Nessasáreasopercentualdefraçãodenuvemnopixel
diminuie,poressarazão,todosospíxeis,noentornodasnuvens,comvaloresmaiores
ouiguaisa7%defraçãodenuvemsãoadicionadosàsáreasinicialmenteclassificadas
comonuvem.
Esseprocessogeraasáreascomnuvens,paratodasascenasLandsatquecompõema
áreadacarta,noanoeperíodoselecionados.Asáreasclassificadascomonuvemsão
ignoradasnoprocessamentosubsequenteatravésdageraçãodeumamáscaraaplicadaa
essasregiões.Porúltimo,umfiltrodemedianaéaplicadoparaospíxeisnãocobertospor
nuvensnasimagens,paracomporaimagemfinaldacarta,denominadademosaico
temporal.Mantivemosoperíododeseleçãodeimagensmenorpossível(i.e.,emtorno
detrêsmeses)parareduzirmudançassignificativasnacoberturaflorestaleaumentara
áreadasuperfícieobservadaapartirdoprocessodefiltragemdenuvensdescritoacima
(Figura4).
Figure4.ExemplodemosaicotemporalaplicadoacartaSG-22-Z-Cnoanode2009,paraoperíodode01/06/2009(t0)
a31/10/2009(t1),nobiomaMataAtlântica.Ascenasselecionadasmostramacoberturadenuvensdaimagemde
outubro/2009(a);em(b),observa-seoresultadodadetecçãoeaplicaçãodamáscaradenuvemedaaplicaçãodo
filtrodemediana.
7
Etapa3–ModelagemEspectraldeMistura(MEM)
AtécnicaMEMpermiteestimaracomposiçãodopíxelemtermosdecomponentes
(assinaturasespectrais)puros.OMEMaplicadonoMapBiomasutilizaumabiblioteca
espectraldefinidaporcincocomponentespuros:Vegetação,VegetaçãoNão-
FotossinteticamenteAtiva,SoloeNuvem(Figura5).Essabibliotecaespectralfoidefinida
originalmenteparaoBiomaAmazônia1
.
(a) (b)
Figure5.CurvasespectraisdoscomponentespurosutilizadosnoMMEaplicadosaosbiomasbrasileiros;(a)para
Landsat5e7emreflectânciadesuperfície,(b)paraLandsat8parareflectâncianotopodaatmosfera.
AMMEassumequeareflectânciadecadapíxel,emcadabandadaimagemLandsat,
resultadacombinaçãolineardoprodutodopercentualdocomponentepuro(i.e.,
proporçãonopíxel)peloseurespectivovalornabanda,combasenaequação:
Rb=FiRi,b+εb (1)
Para ΣFi=1 (2)
ondeRbéareflectâncianabandb,Ri,béareflectânciadocomponentepuroi,na
bandab,Fiafração(ouproporção)docomponentpuroI,cujaasomaé1(ou100%),
eεbéoerroresidualdecadabanda.
1 SouzaJr.,C.M.,Roberts,D.andCochrane,M.A.2005.CombiningSpectralandSpatialInformation
toMapCanopyDamagesfromSelectiveLoggingandForestFires.RemoteSensingofEnvironment.98.329-343.
8
OMMEéresolvidoparaestimarosvaloresFi(i.e.,afraçãoouproporçãodocomponent
puro),obtendo,dessaforma,imagensFraçãoparaVegetação,VegetaçãoNão-
FotossinteticamenteAtiva,SoloeNuvem,asquaisforamutilizadasparaocálculodo
índiceespectralNDFI,obtidopeladiferençanormalizadadaimagemfraçãoVegetaçãoe
dasomadasimagensfraçãoVegetaçãoNão-FotossinteticamenteAtivaeSolo,deacordo
comaequaçãoabaixo:
!"#$ = &'(')*çã-. − (&'(�)*çã-!ã-#-)-2234)é)36*7)38* + :-;-)&'(')*çã-. + &'(')*çã-!ã-#-)-2234)é)36*7)38* + :-;-
onde,
&'(')*çã-. =&'(')*çã-
100 − :-?@A*
e,
:-?@A* = 1 − #B
AsimagensfraçãoeoNDFIsãoutilizadascomoparâmetrosdeentradaparaclassificação
dacoberturadosolo(verEtapa4abaixo,eLegenda)eparagerarmáscaradenuvem
parageraromosaicotemporal(Etapa2).
Etapa4–ClassificaçãodaCoberturadoSolo
AsimagensfraçãoobtidascomoMMEsãoutilizadasnaclassificaçãodacoberturado
soloparaasclassesdonível1daLegendadeClassificação,incluindo:Floresta,Não-
Floresta,ÁguaeNuvem.Aclassificaçãoéconduzidaseguindotrêspassos(Figura1).
Primeiro,aplicamosamáscaradenuvensdescritaacima,paramapearáreascobertaspor
nuvensquenãopuderamserfiltradasduranteoprocessodegeraçãodomosaico
temporaldacarta.Segundo,aplicamosamáscaradeáguacombasenosseguintes
critérios:píxeiscomfraçãodeSombramaiorque75%,eVegetaçãomenorque10%e
Solomenorque5%,equenãoestejaemáreasdesombreamentodorelevo(detectamos
asombraderelevo,usandoomodeloHillShadowedadosdeiluminaçãodecadacena
disponíveisemseusmetadados).Porúltimo,aplicamosumaárvorededecisão(definida
empiricamente)paramapearasáreasdeFlorestaeNão-floresta.AsmáscarasdeNuvem
edeÁguasãocombinadascomomaparesultantedaárvorededecisãoparageraro
mapafinal(Figura6).
9
Figure6.ÁrvorededecisãoempíricaaplicadaaNDFI,GVeGVsparamapearasclassesdeFlorestaeNão-Floresta.
MáscarasdeÁguaeNuvemsãoaplicadasparacomporomapafinal.Asváriáveis(V1,V2,V3,V4)podemserajustadas
paracadacarta.
Etapa5–Pós-Classificação
OsmapasgeradosnaEtapadeClassificaçãodaCoberturadoSolopassamporprocessos
defiltragemespacialetemporal.OfiltroespacialsegmentaeindexaasclassesFloresta,
Não-FlorestaeÁguaemregiõescontíguasquesãoposteriormenteidentificadase
reclassificadascombasenoseguintecritério:áreasmenoresouiguaisameiohectare
(i.e.,aproximadamente5píxeis)sãoreclassificadascombasenamaioriadaclasses
vizinhas.Dessaforma,porexemplo,umsegmentodaclasseNão-Florestacomaté5
píxeiséprimeiramenteidentificadojuntamentecompíxeisvizinhos.Essesegmentoé
entãoreclassificadocomovalorpredominantedaclassedospíxeisvizinhos(Figura7).
Esseprocessoéaplicadoparatodosossegmentosdasclassesselecionadasparaa
filtragem(i.e.Floresta,Não-FlorestaeÁgua).
Opróximopassoéutilizarinformaçãotemporalparaidentificartransiçõesdeclassesnão
permitidasentreanosconsecutivos.Porexemplo,seumpíxelforclassificadocomo
Florestanumdadoanoti(comi=2008,2009,...,2015),eNão-Florestanoanoti+1eem
ti+2,essepíxeléreclassificadocomoNão-Florestanoanoti.Háváriasregrasdetransição
aplicadaspelofiltrotemporal,listadasnaTabela1.
Apósaaplicaçãodosfiltrosespacialetemporal,osmapasdecoberturadosolo
resultantessãoavaliadossegundodoiscritérios.Primeiro,aplicandotécnicasestatísticas
deanálisedeacuráciabaseadaemdadosdereferênciascoletadosnaPlataformaCollect
Earth2
.Segundo,conduzimosanálisesdeconcordânciaespacialcommapas[de
referência]dosbiomaspublicadosporoutrasiniciativas.Osmapasdereferênciaforam
selecionadosparacadabiomacombasenadisponibilidade.Umagradede500mx500m
2Esseprocessodeanálisedeacuráciaestáemandamento.
10
foicriadaparacompararaproporçãodaáreadeflorestaclassificadapelosmapasdo
MapBiomasedosmapasdereferências.Essascélulasdagradedeanálisesão
classificadasemtrêsníveisdeconcordância:Alta(>80%),Média(80-60%)eBaixa(>60-
5%).
Tabela1.Regrasdereclassificaçãoaplicadaspelofiltrotemporal.
Regras Entrada(Ano) Saída
Gerais ti ti+1 ti+2 ti+5 ti ti+1 ti+2 ti+3
RG-1 NF F F F F F F F
RG-2 NF F NF NF NF NF NF NF
RG-3 NF SI * * NF NF * *
RG-4 NF A NF NF NF NF NF NF
RG-5 F SI * * F F * *
RG-6 F A F F F F F F
RG-7 F NF F F F F F F
RG-8 A F F F F F F F
RG-9 A NF NF NF NF NF NF NF
RG-10 A * A A A A A A
RG-11 A SI * * A A * *
RG-12 * NF SI * * NF NF *
RG-13 * F SI * * F F *
RG-14 * A SI * * A A *
RG-15 * * NF SI * * NF NF
RG-16 * * F SI * * F F
RG-17 * * A SI * * A A
Específicas 2012 2013 2014 2015 2012 2013 2014 2015
RE-1 NF NF F NF NF NF NF NF
RE-2 NF NF A NF NF NF NF NF
RE-3 F F NF F F F F F
RE-4 F F A F F F F F
NF=Nãofloresta;F=Floresta;A=Água;SI=SeminformaçãoouNuvem;*=Qualquerclasse;i=
{2008,2009,2010,...,2015}.
11
Porúltimo,estatísticasdeáreadasclassesmapeadassãoobtidasparaBiomas,Estados,
Municípios,eoutrasregiõesdeinteressequeserãodefinidasfuturamente,comobacias
hidrográficas,áreasprotegidas,bemcomopolígonosdefinidosporusuários.
ClassificaçãodasÁreasConvertidas(Agricultura,PastagenseFlorestasPlantadas)
À exemplo dos outros temas sendo mapeados no âmbito do projeto MapBiomas, as
áreasdeagricultura,pastagenseflorestasplantadasdoBrasil,emsuatotalidade,estão
sendo identificadas e mapeadas com base em imagens das séries Landsat 5, 7 e 8
(sensores TM, ETM+ e OLI, respectivamente), tipo L1T (i.e. corrigidos em relação ao
terrenoecomomaiorníveldeacuráciaespacialpossível), convertidasparavaloresde
reflectânciaaparente(i.e.top-of-atmosphere),oquegaranteumamaiorpadronizaçãoe
consistênciaradiométricaentrecenas/datas.
Todasasimagens(cenas/passagens)sãoavaliadas,píxelapíxel,quantoàocorrênciade
nuvens, sendo descartadas todas as observações com alta probabilidade de
contaminaçãopornuvens,i.e.todasasobservaçõescujosvaloresindicadospeloGoogle
EarthEnginesimplecloudscoresejamsuperioresà40%e/oucomindicativodepresença
denuvensconformeoLandsatbandqualityassurance.
Apósestatriagem,cadaumdosaproximadamente63bilhõesdepíxeiscompreendidos
nas380cenasLandsatquerecobremoBrasilestásendoassociadoaumasérietemporal,
considerando, em dois anos consecutivos, as observações bimestrais de melhor
qualidade. Esta abordagem, inédita e que constitui um produto para várias outras
aplicações, temporpressuposto fundamentaldequeaáreadeusoda terranoBrasil
nãosofrealteraçõessignificativasemumperíododedoisanos.Assim,econsiderandoa
resoluçãotemporalde16diasdasimagensLandsat,cadapixelpodeserassociadoaaté
oitoobservaçõesemumperíododedoisanoseintervalosdedoismeses.
Tendo por referência o método domaximum value composite utilizado nos produtos
MODIS de índice de vegetação, onde a melhor observação possível é aquela que
corresponde ao maior valor do índice de vegetação da diferença normalizada (NDVI),
cadaumdosbilhõesdepíxeisdistribuídospeloBrasiléassociadoaumciclohidrológico
completoparaumdeterminadoperíodo(ex.2007-2008),representadoporseisvalores
NDVIbimestrais(i.e.janeiro-fevereiro,março-abril,maio-junho,julho-agosto,setembro-
outubro,novembro-dezembro).E,umavezdefinidaadatadepassagemdosatéliteque
corresponde à melhor observação para cada um destes seis intervalos, outros dois
índices e respectivas séries temporais para cada período considerado, são calculados:
índice de stress hídrico da diferença normalizada (NDWI) e índice de celulose (CI). Ao
todo,cadapixeléassociadoaumconjuntode27variáveis,i.e.18variáveisrelacionadas
às três séries temporais NDVI, NDWI e CI, além do desvio padrão e duasmétricas de
contrastesazonalparacadaumadestasséries.
12
Com base nestas 27 variáveis e no algoritmo Random Forest, estamos identificando e
classificandoasáreasdeagricultura,pastagemeflorestaplantadaparatodooterritório
nacional.RandomForestéummétododeaprendizado(machinelearning)quecombina
váriosmodelos(decisiontrees)pararesolverumúnicoproblemadepredição(nonosso
caso, decidir se um determinado pixel pode ou não ser atribuído a uma destas três
classes).Por se tratardeummétododeclassificaçãosupervisionada,oRandomForest
necessita de amostrasde treinamento, as quais estão sendo coletadas separadamente
para cada uma das 380 cenas Landsat, tendo por referência a área de pastagem,
agriculturaeflorestaplantadacompiladaspeloLAPIGUFGeAgrosatélite.
EmcadaumadascenasLandsat,écoletadoumconjuntodeaté2000pontosaleatórios,
i.e.,até1000pontosdistribuídosemáreaspreviamenteidentificadasconformeosalvos
de interesse (pastagem, agricultura ou floresta plantada) e até 1000 pontos em áreas
supostamente associadas a outros tipos de alvos (p.ex. água), com base no qual o
algoritmoRandonForesté“treinado”eexecutado.Oresultadocorresponde,paracada
pixeldacena,àprobabilidadede0a100%dopixelemquestãopertenceraumadastrês
classes de interesse. Todo este processo é repetido 10 vezes, obtendo-se assim a
probabilidademédiadecadapixelpoderserassociadoàclassede interesse,oquepor
suavez,dependerádolimiarescolhido.Apósumaanálisedesensibilidadequelevouem
consideraçãoobalançoentreerrosdeomissãoecomissãoemdiferentescenas,optou-
seporumlimiarde60%,i.e.todopixelcujoresultadodaclassificaçãoémaiorouiguala
60% é atribuído, conforme o caso, a uma área de pastagem, agricultura ou floresta
plantada. A acurácia desses mapas é estimada com método de validação-cruzada e
registrada(ourelatada)separadamente.
Integraçãodasclassesnaturaiseconvertidas
AintegraçãodosmapasdeFlorestaeNão-FlorestacomosmapasdeAgricultura,
PastagemeFlorestaPlantadasegueregrasdeprevalênciadefinidasnaFigura8.A
apicaçãodessasregrasresultanomapafinaldeclassificaçãoparaoNível1daLegenda
deClassificação(verQuadrodaLegenda).
Figure8.Prioridadeparaintegraçãodasclasses.