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

• Google

• 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.