Cálculo do índice NDFI em imagens IRS-P6/LISS3: aplicações na detecção de extração seletiva de madeira na Amazônia

Transcrição

1 Cálculo do índice NDFI em imagens IRS-P6/LISS3: aplicações na detecção de extração seletiva de madeira na Amazônia Juan Doblas Prieto¹ Carlos Moreira de Souza Júnior² 1 Instituto Socioambiental ISA Rua Professora Belize de Castro Altamira PA, Brasil juan@socioambiental.org ²Instituto do Homem e Meio Ambiente da Amazônia Imazon Caixa Postal Belém PA, Brasil souzajr@imazon.org.br Abstract. The main goal of this work was to evaluate the potential use of IRS-P6/LISS3 multispectral images for detecting and monitoring selective logging in the Amazon. The questionable continuity of the Landsat TM program has lead the remote sensing community to seek for an affordable, quick and trustworthy alternative to the already established methods of forests degradation monitoring based on Landsat sensors. Four LISS3 images recorded between 2011 and 2012 in the Para State (Brazil) were processed using Spectral Mixture Analysis (SMA), after applying radiometric and atmospheric corrections. Green Vegetation, Non-Photosynthetic Vegetation (NPV), Bare Soil and Cloud endmembers were defined combining field research, Pixel Purity Index (PPI) techniques and Monte Carlo algorithms for numerical optimization to define endmembers. The selected endmembers were used to calculate fraction images and the NDFI index. Visual examination of the LISS3-NDFI images, and comparison with Landsat NDFI ones shows that the detection of the logging roads and forest degradation features can be carried out using with LISS imagery with similar results to detect subtle canopy damage caused by selective logging. The higher spatial resolution of the LISS sensor (23,5m vs. 30m.) shows improvements on the spatial characterization of logging features. Further work is going to be conducted to build a generic endmembers for LISS3 allowing the application of these techniques to large spatial and temporal data sets. Palavras-chave: Selective logging, Amazon, Spectral Mixture Analysis, exploração madeireira, Amazônia, Modelos de Mistura Espectral. 1. Introdução A extração de madeireira na Amazônia tem diminuído nos últimos anos, mas grande parte da atividade ainda é praticada de forma ilegal (Monteiro et al, 2011). O setor madeireiro sofreu as consequências do aumento das atividades de combate ao desmatamento com ações de comando e controle do governo o que levou a redução expressiva dessa atividade. No relatório A atividade madeireira na Amazônia brasileira, SFB e IMAZON (2010) documentam uma queda de 50% no volume de madeira em tora extraída na Amazônia entre 1998 e 2009, atribuída principalmente às ações de fiscalização, e secundariamente à crise econômica global. Contudo, a atividade madeireira ainda é um dos principais vetores de desmatamento na Amazônia, e tem comprometido localmente os esforços do governo brasileiro e da sociedade civil organizada no combate ao desmatamento ilegal no bioma Amazônia. Nesse contexto, a atividade madeireira ilegal continua sendo uma das atividades mais difíceis de combater na Amazônia. A fiscalização de campo enfrenta dificuldades de acesso, falta de mapas precisos, e fornecidos em tempo quase real, da localização da extração ilegal de madeira. Além disso, as estratégias utilizadas para burlar o controle da atividade usam técnicas cada vez mais sofisticadas, incluindo a abertura de extensas estradas não oficiais para acesso a áreas de florestas isoladas em territórios protegidos por lei (ISA, 2012). A detecção da degradação associada à exploração madeireira mediante imagens de satélite tem sido objeto de vários estudos desde pelo menos 1992 (Souza Jr., 2007). Modelos de 6695

2 Mistura Espectral (MME) têm sido considerados a técnica mais promissora para a detecção dos distúrbios (e.g., estradas, pátios, danos no dossel) causados pela atividade madeireira, utilizando imagens de alta resolução espacial (i.e m). Alguns dos sistemas mais utilizados são: CLASLite ( (Asner et al., 2009); DETEX: desenvolvido pelo INPE (Santos et al., 2001); e ImgTools desenvolvido pelo Imazon (Souza Jr. e Siqueira, submetido; Monteiro et al., 2009 e 2010) utilizando o índice NDFI (Normalized Difference Fraction Index; Souza Jr. et al., 2005). Os métodos acima são baseados principalmente em imagens dos satélites Landsat 5 e 7, cuja continuidade depende do sucesso do lançamento do Landsat Data Continuity Mission (LDCM ou Landsat 8). Desde novembro de 2011 o sensor TM (Thematic Mapper) do satélite Landsat 5 se encontra inoperante, e considera-se improvável a sua recuperação (USGS, 2012). Já o sensor ETM+ do satélite Landsat 7 produz, desde 2003, imagens incompletas devido à falha de um dos componentes (Scan Line Corrector - SLC). O intervalo temporal entre a falha do sensor TM (novembro de 2011) e o começo efetivo da operação do satélite Landsat 8 (sem data prevista) pode criar um vazio na série histórica de observação da terra. Nesse contexto, a adaptação dos métodos avançados de processamento em sensores alternativos é uma tarefa vital para assegurar a continuidade do monitoramento das florestas do bioma Amazônia. Neste artigo, é apresentada a aplicação do método NDFI às imagens geradas pelo satélite IRS-P6, sensor LISS3. Os objetivos específicos do estudo foram: i) adaptar a metodologia de cálculo NDFI às imagens LISS3, determinando um conjunto de modelos espectrais (endmembers) que permitam obtenção de imagens fração para o seu cálculo; ii) desenvolver uma metodologia para a fusão de conjuntos de imagens afetadas pela cobertura de nuvens; e iii) comparar os resultados do NDFI obtidos com LISS3 e Landsat, em relação à capacidade de detecção de feições relacionadas com a exploração de madeira. 2. Metodologia 2.1. Área de Estudo A área estudada situa-se na porção setentrional do interflúvio Tapajós-Xingu. Fisicamente, a região se caracteriza por possuir um relevo acentuado, com serras de forte declividade e orientação geral NW-SE, e altimetrias que podem ultrapassar os 400 m em relação ao nível do mar. A cobertura vegetal é composta por Floresta Ombrófila Densa Submontana, nas regiões mais altas e Floresta Ombrófila Aberta nos vales. As áreas alagáveis em torno dos igarapés são cobertas com Floresta Ombrófila Densa Aluvial. Abundam espécies arbóreas de importância econômica, como o Ipê (Tabeuia spp.), a espécie mais procurada atualmente no mercado madeireiro local, que pode ser encontrada em florestas submontanas formando grupamentos densos (ICMBio, 2011). No final do século passado, a apropriação ilegal de terras devolutas (conhecida como grilagem ) chega à região com força e grandes territórios são loteados por grupos vindos principalmente do centro-sul do país. O desmatamento especulativo associado a esse processo avançou na região e nos primeiros anos da década 2000 ameaça conectar o eixo da estrada BR-163 (Santarém-Cuiabá) com a região pecuarista de São Felix do Xingu, com ramificações por toda a região (Escada et al., 2005). É nesse contexto que são criadas as unidades de conservação federais da Terra do Meio e do entorno da BR-163. Essa iniciativa foi efetiva na contenção do desmatamento por corte raso que registra uma queda significativa a partir de 2005 (Soares-Filho et al., 2010). Porém, a riqueza de suas florestas continua atraindo grupos madeireiros. Unicamente na Resex Riozinho do Anfrísio existem mais de 325 km de estradas ilegais, destinadas ao escoamento de madeira. A fiscalização crescente dos órgãos responsáveis tem contribuído para reduzir os desmatamentos e a exploração ilegal de madeira, porém a situação está ainda longe de estar sob controle (ISA, 2012). 6696

3 Figura 1. Esquerda: área de estudo e entorno. As áreas em vermelho indicam desmatamento por corte raso até 2011 (fonte PRODES). As áreas verdes correspondem a áreas protegidas. O quadro azul tracejado indica a área estudada. Direita: percursos de campo e registro fotográfico. Fonte estradas: Imazon, 2009; ISA, Imagens IRS-P6/LISS3 O satélite IRS-P6, também chamado Resourcesat-1, é o décimo satélite da série IRS e foi lançado no ano de 2003 pela agência espacial indiana (ISRO). Desde 2 de março de 2010, o INPE fornece, de forma gratuita, imagens provenientes dos sensores AWIFRS e LISS3. O presente trabalho utiliza dados provenientes do sensor LISS3, cujas características são as seguintes: i) quatro bandas espectais (banda 2: 0,52-0,59µm, banda 3: 0,62-0,68µm, banda 4: 0,77-0,86µm, banda 5: 1,55-1,70µm); ii) resolução espacial de 23,5 m; iii) largura do swath de 141 km; e iv) período de revisita de 24 dias. A partir de 2005, o Serviço Geológico Estadunidense (USGS) estudou, mediante a criação do grupo de trabalho Landsat Data Gap Study Group, as possíveis fontes de dados em caso de degradação da informação Landsat. Em relação à validade do satélite indiano, como substituto ou complemento aos satélites Landsat, e dentro do supracitado grupo, Chander et al. (2008) estudaram a acurácia da classificação de cobertura de terra baseada em imagens LISS3. Esses autores chegaram a conclusão de que as imagens LISS forneceriam uma acurácia compatível, porém levemente inferior (cerca de 5%) às classificações baseadas em imagens Landsat/TM5. Dos 11 tipos de cobertura considerados no estudo, o sensor LISS3 encontrou dificuldades (diferença no erro maior de 8%) nas classes floresta ombrófila, arbustos e florestas alagadas. Os autores atribuem a diferença à falta das bandas 1 e 7 no satélite indiano, que inevitavelmente reduz a informação disponibilizada aos algoritmos de correção atmosférica e de classificação temática. No entanto, o próprio grupo avalia a informação LISS3 como valiosa e útil (LDGST, 2007, p.51), especificamente na avaliação de densidade do dossel florestal e da proporção de áreas urbanas. As imagens LISS3 selecionadas para o presente trabalho correspondem à cena 319/79. As datas selecionadas para processamento foram: 20 junho cobertura média de nuvens: 67,5%; 31 agosto cobertura média de nuvens: 15%; 24 setembro cobertura média de nuvens: 40%; e 25 agosto cobertura média de nuvens: 5% A escolha e processamento de três imagens de 2011 teve por objetivo maximizar a redundância de informações e assim possibilitar a criação de uma imagem de composição temporal com menor proporção de nuvens. A imagem de 2012 foi processada para possibilitar a identificação do endmember Solo na recém-aberta pista de pouso da localidade de Morro do Anfrísio Levantamento de campo A situação de conflito descrita no item 2.1 tem dificultado os trabalhos de campo na região. Os dados utilizados no presente estudo foram adquiridos em dois momentos: no final 6697

4 de 2010 e julho de 2012, no âmbito do estudo de viabilidade da estrada Trairão-Riozinho do Anfrísio (ISA, 2011). Na última campanha de campo foram percorridos 123 km ao longo de estradas não oficiais objeto deste estudo, foram adquiridos pontos em lugares relevantes, e realizado registro fotográfico georeferenciado (Figura 1) Processamento de imagens Inicialmente as imagens foram registradas tomando como referência o conjunto de dados GLS-2005 (USGS). O procedimento semi-automático de registro envolve a criação manual de um conjunto inicial de pontos de controle, que depois serão substituídos por pontos de controle criados automaticamente pelo aplicativo utilizado, Environment for Visualizing Images (ENVI, ITT Inc., Boulder, CO, USA). Assim, para cada imagem foi definido um conjunto de entre 20 a 40 pontos, uniformemente distribuídos. O erro RMS máximo admitido no processo de registro foi de 0,6 pixels. O sistema de registro e georreferenciamento semiautomático não é efetivo em imagens com extensa cobertura de nuvens (>20%). Nesse caso, a seleção de pontos de controle foi realizada de forma manual (Figura 2). Figura 2 - Fluxograma aplicado na metodologia apresentada Uma vez registradas as imagens, foram calculados os valores correspondentes de radiância, conforme descrito em Chander (2007, p.21). Os valores de radiância máxima (Lmax) registrados nos metadados das imagens foram constantes para todas as imagens processadas, e são detalhados na Tabela 1. Tabela 1. Valores de radiância máxima e ganho para as imagens LISS3 processadas Banda Lmax Gain (Lmax/255) Em relação aos valores informados por Chander (2007, p.22), o valor de L max da banda 5 tem sofrido uma leve modificação. Uma vez calculados os valores de ganho (gain), utilizando a expressão L max /255, os mesmos foram aplicados às imagens registradas, multiplicando-os previamente por 1.000, por questões operacionais. A correção atmosférica das imagens foi realizada com o módulo FLAASH do software ENVI, que realiza uma correção analítica da transferência radiativa atmosférica mediante o modelo MODTRAN4. A avaliação dos resultados da correção foi realizada mediante exame dos valores obtidos nas bandas 2 e 3 (visível), ajustando os valores iniciais de entrada ao modelo em caso de desconformidade com os critérios de qualidade, que foram: 1) ausência de valores negativos, 2) média de valores da banda 3 entre 1,8% e 2,2% em áreas de floresta Determinação de endmembers e mistura espectral A determinação dos endmembers foi realizada de forma semi-automática. Inicialmente, regiões de aproximadamente 1.000x1.000 pixels foram selecionadas em áreas com variabilidade de cobertura do solo para capturar diversidade espectral. Em seguida, o grupo de 6698

5 pixels é examinado para escolher o mais puro, mediante ferramenta ad-hoc existente no aplicativo utilizado (n-dimensional visualizer). Assim, o endmember correspondente a Vegetação Verde (GV) foi escolhido entre um grupo de pixels pertencentes a pastos verdes. O endmember Solo Exposto (Soil) foi escolhido entre os pixels correspondentes à pista de pouso situada na comunidade Morro do Anfrísio. O endmember de vegetação não fotossintética (NPV) mostrou dificuldade na sua identificação, por duas razões: ausência de áreas extensas com vegetação seca e, mais provavelmente, devido a ausência de banda espectral no sensor LISS3 na região da banda 7 do Landsat. Para contornar esse problema, foi construído um espectro NPV sintético a partir de simulações estocásticas. Em cada simulação, um espectro aleatório de NPV foi considerado, seguido de modelagem espectral de mistura, para todas as simulações e do cálculo de frações com valores médios para, ao final, se obtido o valor médio de NDFI. O espectro aleatório que gerou valores NDFI satisfatório (i.e., dentro do intervalo esperado de -1 a 1) foi escolhido como sendo o endmember NPV otimizado (Figura 2). Figura 2. Assinatura espectral dos endmembers definidos para o sensor LISS3 neste estudo. Uma vez obtido o modelo espectral desejado (endmembers Nuvem, Solo, GV e NPV), foi realizado o cálculo da mistura espectral. Para reduzir os erros, os endmembers Solo e NPV foram adicionados. Assim, o produto do algoritmo de mistura foram as imagens fração de Nuvem, Vegetação Verde (GV) e NPV+Solo. Indiretamente é possível calcular a fração sombra, mediante a obtenção do valor complemento (1 GV+Solos+NPV+Nuvem=Sombra). O índice NDFI foi calculado seguindo a equação planteada por Souza et al. (2005), a partir das imagens fração previamente calculadas: [1] Onde GVnorm é a fração de vegetação normalizada para sombra, 2.6. Detecção e substituição de áreas encobertas por nuvens (cloud screening) A existência de nuvens nas imagens na área de estudo levou ao desenvolvimento de uma metodologia objetivando gerar uma imagem com um mínimo de cobertura de nuvens. A disponibilidade de uma imagem fração Nuvem, produto da metodologia NDFI, facilita a identificação de nuvens nas imagens estudadas, mediante uma operação de escolha dos pixels que apresentam valores superiores a 25% de nuvens no pixel. A máscara assim obtida deve ser dilatada para abranger as bordas mais ténues das nuvens. De posse das máscaras de nuvens correspondentes às três imagens de 2011 processadas, foi possível construir uma quarta imagem, baseada na imagem de agosto de 2011, mas com os as áreas de nuvens preenchidos com a informação de outras imagens. Para tal, foi aplicada uma expressão lógica às máscaras de nuvens, que pode ser generalizada para uma sequencia de n imagens, ordenadas segundo a prioridade, seguindo a equação: 6699

6 [ ] [2] Onde B i é uma imagem máscara correspondente à cobertura de nuvens da imagem i, com valor zero (0) nas áreas livres de nuvens e um (1) nas áreas com nuvens. O resultado K da aplicação da expressão [3] é uma máscara complexa, que em cada posição indica o número da imagem que deve ser inserida. A imagem NDFI integrada será então gerada utilizado a expressão lógica [3] Onde NDFI i representa o índice NDFI para a imagem i. No estudo, assumindo que b1, b2 e b3 representaram respectivamente as máscaras de nuvens das imagens LISS de agosto, setembro e junho, e NDFI 1, NDFI 2, NDFI 3 os valores de NDFI correspondentes, as expressões aplicadas foram: K=(1-b1)+(1-b2) b1+(1-b2) b1 b2 e NDFI INT = (K eq 1) NDFI 1 + (K eq 2) NDFI 2 +(K eq 3) NDFI 3 3. Resultados O resultado da metodologia de redução de cobertura de nuvens (cloud screening) foi uma imagem final composição temporal de três imagens LISS3 de 2011 (junho, agosto e setembro), com uma cobertura de nuvens mínima, em relação às coberturas originais (3% frente a, respectivamente, 36%, 16% e 50%). A aplicação do modelo de mistura espectral às imagens acima mencionadas permitiu calcular as imagens fração Vegetação Verde e fração Solo-Vegetação não fotossintética, que apresentaram poucos valores negativos (em torno de 2%), e praticamente nenhum valor acima de um (1), o que indicaria que o modelo espectral aplicado é adequado para descrever a composição espectral da floresta na região estudada. A análise qualitativa da imagem NDFI obtida a partir das imagens fração mostrou que é possível detectar feições relacionadas com a exploração madeireira, como estradas, dossel danificado, pequenas clareiras e pátios de estocagem. Porém, resulta evidente que o índice NDFI calculado a partir de imagens Landsat possui maior nitidez na sua resposta nas áreas de forte alteração do dossel florestal (Figura 4). Figura 4. Comparação entre imagens NDFI geradas a partir de imagem Landsat (esq.) e LISS3 (dir.). A área mostrada ocupa aproximadamente 100 km². As áreas cinza representam nuvens. A imagem LISS3 foi composta a partir de 3 imagens de 2011, correspondendo aos meses de junho, agosto e setembro, para diminuir a cobertura de nuvens. A imagem Landsat de referência é do 11/09/ ) áreas de exploração 2) estradas secundárias 3) pátios de estocagem 4) estradas principais. 6700

7 Uma análise quantitativa mais detalhada dos valores NDFI LISS3 e Landsat ao longo de dois perfis que atravessam estradas de características diferentes (uma estrada em boas condições de rodagem, com manutenção contínua e outra mais estreita, com dossel mais fechado e superfície coberta a maior parte do tempo com folhas mortas e detritos vegetais; Figura 5) mostra que os valores derivados do sensor LISS respondem às alterações subtis do dossel causadas pela abertura das estradas. A resposta não tem a suficiente intensidade quando a alteração é maior, revelando provavelmente um problema de caracterização de endmembers no modelo de mistura espectral utilizado. Uma possível explicação para essa falta de resposta do índice quando avalia pixels com forte componente de solos poderia ser ausência da sétima banda Landsat no sensor LISS3, que permite uma melhor separação espectral entre NPV e solo (Souza Jr., et al., 2005). Figura 5. Análise da resposta NDFI em estradas não oficiais para os sensores Landsat e LISS3. A resposta LISS3 parece ser mais nítida espacialmente, porém menos intensa no caso de uma estrada mais larga. 4. Considerações Finais O sensor LISS3 possui características que o fazem uma alternativa viável ao sistema de satélites Landsat, que se encontra seriamente comprometido desde Novembro de Embora a detecção de alvos espectrais complexos seja dificultada pela reduzida resolução espectral do sensor, que unicamente trabalha em 4 bandas, os resultados desse trabalho indicam que o sensor LISS3 pode ser útil no monitoramento da degradação florestal causada pela atividade madeireira. Os resultados apontaram que o sensor LISS3 permite a detecção de estradas, danos no dossel e de pequenas clareiras, compatíveis com resultados com imagens Landsat. A resolução espacial do sensor é maior do que a dos sensores Landsat (24 para 30 metros), o que pode fazer diferença na hora de resolver alvos de menor tamanho. A falta das bandas 1 e 7 do sensor constitui um problema importante, porém não compromete seriamente o cálculo do índice NDFI. A obtenção de endmember otimizado mostrou-se um método eficaz, principalmente, para definição de NPV que é dificultada devido a menor resolução espectral do sensor LISS3. Estudos subsequentes serão necessários para a construção de uma biblioteca espectral genérica para aplicação dos métodos apresentados nesse estudo em larga escala temporal e espacial, isto é, de forma automática em um volume significativo de imagens. 5. Agradecimentos 6701

8 Os autores agradecem ao ICMBio a autorização para realizar os trabalhos de campo que subsidiaram as informações utilizadas, e ao Imazon pelo acesso ao software ImgTools e dados de estradas endógenas. C. Souza Jr. agradece ao fundo Vale e ao Imazon pelo apoio às pesquisas de avaliação de alternativas de sensores remotos para o monitoramento da Amazônia. 6. Citações e Referências Asner, G.P. et al. Automated mapping of tropical deforestation and forest degradation: CLASlite. Journal of Applied Remote sensing, 2009, Vol Chander, G.; Coan, M.J.; Scaramuzza, P.L. Evaluation and Comparison of the IRS-P6 and the Landsat Sensor. IEEE Transactions on Geoscience and Remote Sensing, vol. 46, no. 1, jan Chander, G. Overview of the Resourcesat-1 (IRS-P6). USGS, Disponível em: < documents/irsp6.pdf>. Acesso 8.fev Escada, M. I.S et al. Padrões e processos de ocupação nas novas fronteiras da Amazônia: o interflúvio do Xingu/Iriri.Estudos Avançados 19(54):9 23 ICMBio. Plano de Manejo da Resex do Riozinho do Anfrísio. Brasília, ISA. Via de direito, via de favor. São Paulo, Disponível em: < banco_imagens/pdfs/riozinho_anfrisio_baixa04.pdf>. Acesso em 7/11/2011. ISA. Roubo de madeira e desmatamento ilegal são denunciados na Terra do Meio (PA). Notícia publicada no 25/7/2012. Disponível em < Acesso 30/10/2012. LANDSAT DATA GAP STUDY TEAM (LDGST). Initial data characterization, science utility and mission capability evaluation of candidate Landsat mission data gap sensors. USGS, Disponível em: < Acesso 8.fev Monteiro, A., Cardoso, D., Conrado, D., Veríssimo, A., & Souza Jr., C.. Boletim Transparência Manejo Florestal Estado do Pará (2009 e 2010). Belém: Imazon. NRSA. IRS-P6 Data User s Manual. Hyderabad, Disponível em: < Acesso em: 19.set Santos, J.R. Dados Multitemporais TM/LANDSAT aplicados ao estudo da dinâmica de exploração de madeira na Amazônia.. Simpósio Brasileiro de Sensoriamento Remoto, 10 (SBSR), Instituto Nacional de Pesquisas Espaciais (INPE), 2001 SFB, IMAZON. A atividade madeireira na Amazônia brasileira: produção, receita e mercados. Serviço Florestal Brasileiro, Instituto do Homem e Meio Ambiente da Amazônia, Belém, Soares-Filho, et al. Role of Brazilian Amazon protected areas in climate change mitigation. Proc. Natl. Acad. Sci. USA 2010, 107, Souza, C.; Roberts, D. & Cochrane, M. Combining spectral and spatial information to map canopy damage from selective logging and forest fires. Remote Sensing of Environment, Elsevier, 2005, 98, Souza Júnior, C. Avanços do sensoriamento remoto para o monitoramento da exploração madeireira na Amazônia. Simpósio Brasileiro de Sensoriamento Remoto, 13 (SBSR), Instituto Nacional de Pesquisas Espaciais (INPE), 2007, Souza Júnior, C e Siqueira, J. V. ImgTools: a software for optical remotely sensed data analysis. Simpósio Brasileiro de Sensoriamento Remoto, 16 (SBSR), Instituto Nacional de Pesquisas Espaciais (INPE) USGS. Aging Landsat 5 Changes Glasses At 28: Vintage Satellite Finds New Life with Alternate Imaging System. Noticia publicada em 4/06/2012. Disponível em < Acessada 30/10/