Aperfeiçoamento do Algoritmo Digital Automático para Estimar Áreas Queimadas em Imagens de Média Resolução da Região do Jalapão

Transcrição

1 Aperfeiçoamento do Algoritmo Digital Automático para Estimar Áreas Queimadas em Imagens de Média Resolução da Região do Jalapão Resultados Finais Agosto de

2 Arturo Emiliano Melchiori, Engo. Consultor APERFEIÇOAMENTO DO ALGORITMO DIGITAL AUTOMÁTICO PARA ESTIMAR ÁREAS QUEIMADAS EM IMAGENS DE MÉDIA RESOLUÇÃO DA REGIÃO DO JALAPÃO Descrição da versão melhorada do algoritmo para estimar automaticamente áreas queimadas na região do Jalapão a partir de imagens LANDSAT TM/OLI no período 2000 a 2013, contendo as atividades realizadas, os métodos desenvolvidos e os resultados obtidos com seus índices de acerto e confiabilidade, referentes ao adendo do termo de referência PN , contrato GIZ , desenvolvido no INPE. São José dos Campos, Agosto de

3 SUMÁRIO 1 INTRODUÇÃO DETECÇÃO DE NUVENS E SOMBRA DE NUVENS ANTECEDENTES BIBLIOGRÁFICOS Características das Nuvens Características espectrais dos alvos na superfície da terra PROCEDIMENTO DE CRESCIMENTO POR REGIÕES Máscara de nuvens - Sementes Crescimento Condição de saída Detecção das sombras das nuvens Requerimentos computacionais RESULTADOS Comparação das versões dos algoritmos 0.7 e Analise dos erros de omissão e comissão no ano Máscara de nuvens e sombra de nuvens CONCLUSÕES E COMENTÁRIOS FINAIS BIBLIOGRAFIA LISTA DE FIGURAS Figura 1. Cena Landsat 5/TM e perfis das bandas em diferentes alvos na área de estudo Figura 2. Alvos na região de estudo mostrando o conteúdo de areia no solo Figura 3. Vizinhança hipotética com os elementos básicos Figura 4. Elementos de uma vizinhança indicando distancias em uma métrica Figura 5. Vizinhança hipotética com a área de exploração para uma posição x,y Figura 6. Nuvem hipotética com as coordenadas superior esquerda e inferior direita Figura 7. Área de busca de sombra segundo o ângulo azimutal solar Figura 8. Identificação das nuvens e sombras de nuvens em uma cena TM/Landsat Figura 9. Diagramas de fluxo das metodologias de filtragem e mapeamento de áreas queimadas. 19 Figura 10. Partição de uma imagem de entrada para processamento paralelo das 4 sub-imagens. 20 Figura 11. Tempos de processamento para diferentes configurações de núcleos Figura 12. Média e desvio da área queimada para cada ano no período Figura 13. Média e desvio do Acerto de Queimadas para o período Figura 14. Média e desvios da Confiabilidade do Algoritmo para o período Figura 15. Área queimada da referência e da versão 0.9 para as datas do período Figura 16. Distribuição das áreas dos polígonos de erros de comissão em 23/jul/ Figura 17. Distribuição das áreas dos polígonos de erros de comissão em 08/ago/ Figura 18. Distribuição das áreas dos polígonos de erros de comissão em 24/ago/ Figura 19. Distribuição das áreas dos polígonos de erros de comissão em 09/set/ Figura 20. Distribuição das áreas dos polígonos de erros de omissão em 23/jul/ Figura 21. Distribuição das áreas dos polígonos de erros de omissão em 08/ago/ Figura 22. Distribuição das áreas dos polígonos de erros de omissão em 24/ago/ Figura 23. Distribuição das áreas dos polígonos de erros de omissão em 09/set/

4 LISTA DE TABELAS Tabela 1. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 2. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 3. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 4. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 5. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 6. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 7. Resultados das versões 0.7 e 0.9 do algoritmo no ano Tabela 8. Classes utilizadas na classificação dos erros de comissão e omissão Tabela 9. Erros de comissão e omissão da versão Tabela 10. Diferença dos erros de comissão e omissão entre as versões 0.7 e

5 1 INTRODUÇÃO O presente relatório refere-se a adendo do Termo de Referência PN , contrato GIZ vigente de 01 de Dezembro de 2013 a 31 de Julho de 2014, cujo objetivo é de dar continuidade à produção de dados de área queimada na região do Jalapão com a análise de imagens de média resolução (30 metros), apoiando os desenvolvimentos que o INPE está realizando no Projeto GIZ-MMA Prevenção, controle e monitoramento de queimadas e incêndios florestais no Cerrado. As fases do contrato em andamento para o desenvolvimento e implementação da versão inicial da etapa digital automática do mapeamento de cicatrizes de queima de vegetação no Jalapão e Cantão Araguaia em imagens de média resolução espacial (30 metros) se dividem em: 1) desenvolvimento e implementação de melhorias no algoritmo digital automático considerando a eliminação dos efeitos das nuvens; 2) relatório sucinto do trabalho e arquivos em formato vetorial no banco de dados. Foram previstos os seguintes passos: 1. Aquisição das imagens no banco de imagens Landsat-5/TM e Landsat-8/OLI ortorretificadas da USGS/NASA ou INPE, com variedade de cobertura de nuvens. 2. Agrupamento de bandas espectrais de cada cena. 3. Cálculo dos índices NDVI, NBR, e ΔNDVI e ΔNBR para cenas consecutivas. 4. Composição colorida digital dos índices espectrais. 5. Análise estatística dos índices e definição de limiares em cicatrizes de queima. 6. Definição de parâmetros para segmentação da composição colorida 7. Validação dos resultados por meio de análises e interpretações visuais para o período de 07/jul a 09/set/ Análise dos erros de comissão e omissão, tanto por totais de píxeis como por tamanho de polígonos de área queimada. 9. Melhoria do algoritmo existente com a eliminação automática do efeito de sombras de nuvens nas imagens de média resolução (30 m) usadas no mapeamento automático de áreas queimadas. 10. Análise dos erros de comissão e omissão, tanto por totais de píxeis como por tamanho de polígonos de área queimada. 11. Expansão dos produtos para Elaboração de documento final com descrição detalhada da metodologia utilizada e consolidação das informações geradas. 5

6 Este relatório corresponde à execução dos passos 1 a 12, levado a cabo pelo Consultor entre 1/Dezembro/2013 a 31/Julho/ DETECÇÃO DE NUVENS E SOMBRA DE NUVENS ANTECEDENTES BIBLIOGRÁFICOS A presença de nuvens em imagens de sensoriamento remoto representa um inconveniente no preparo de mapas de cobertura do solo, pois obstruem os alvos de interesse na superfície da terra. No presente estudo de identificação automática de superfícies queimadas, as nuvens e suas sombras nas imagens de sensoriamento remoto de média resolução espacial, representam uma fonte de erros no processo, um vez que as sombras confundem o algoritmo diferencial na versão atual. A detecção de nuvens e suas sombras em imagens de sensoriamento remoto com o objetivo de segmentar, extrair e estabelecer sua porcentagem de cobertura espacial é uma atividade complexa devido à alta variabilidade espectral das nuvens, suas sombras e das coberturas na superfície da terra [Zhu & Woodcock 2012]. Existem várias referências bibliográficas de processos de detecção e eliminação de nuvens e suas sombras, mas poucos se configuram como ferramenta operacional devido à necessidade da intervenção de um operador em algum determinado sub-processo ou decisão; outros foram desenvolvidos utilizando ferramentas que não permitem sua utilização de maneira operativa. O procedimento padrão para as imagens Landsat TM e ETM+ até o momento é o algoritmo ACCA (Automated Cloud Cover Assessment) [Irish 2000; Irish et al 2006], e que não é um método de geração de máscaras, e só é utilizado para a quantificação aproximada da cobertura de nuvens [Zhu & Woodcock 2012]. Existem outros enfoques como a análise multitemporal avaliando diferenças entre datas, ou entre séries temporais completas de imagens [Goodwin et al 2013, Hagolle et al 2010, Jin et al 2013], com procedimentos baseados em transformações de imagens como Tasseled Cap [Li et al, 2012], transformação HOT [Zhang et al, 2002], análise de componentes principais [Li et al, 2014], transformação de ondeleta [Wang et al, 1999], máscaras baseadas em limiares [Cucu-Dumitrescu 2014] e analise baseado em objetos [Zhu & Woodcock 2012], entre outros. O procedimento desenvolvido e implementado pelo Consultor em linguagem Python para o presente trabalho no INPE considera conceitos de alguns dos artigos mencionados, e os adapta aos 6

7 requisitos e possibilidades concretas tendo como objetivo uma ferramenta operacional que trabalhe de maneira desatendida sob um banco de dados de imagens históricas, ou atuais na medida em que sejam geradas pelos sensores em órbita da terra. 2.1 Características das Nuvens As nuvens são agrupamentos de gotas d'agua ou cristais de gelo suspensos na atmosfera que, dependendo das características estruturais como altura da base, desenvolvimento vertical e horizontal e sua composição, podem ser brancas ou cinzas quando observadas visualmente. Os diferentes tipos de nuvens presentam características termais e refletivas distintas. De um modo geral, é possível classificar as nuvens por sua altitude a partir da superfície: nuvens altas, com bases acima de 6000 m, nuvens médias com base entre 2000 m e 4000 m, e finalmente as nuvens baixas com a base até 2000m. Devido às baixas temperaturas e pequenas quantidades de vapor d'agua em altitudes elevadas, todas as nuvens altas são finas e formadas por cristais de gelo. As nuvens médias e baixas tem maior disponibilidade de vapor d'agua, e por isso são mais densas. A temperatura de nuvens médias e baixas é normalmente mais elevada. Segundo a forma ou aspecto das nuvens podem ser classificadas em estratiformes, que têm desenvolvimento horizontal, estendidas como um manto uniforme e pouca espessura vertical, ou cumuliformes que tem desenvolvimento vertical, surgem isoladas e podem ser líquidas, sólidas ou mistas dependendo da altura final da nuvem. Independente da sua estrutura e composição, as duas principais características das nuvens no espectro eletromagnético são sua elevada refletividade diurna nas bandas visível e infravermelha-próxima, e a baixa temperatura devido à altura e a composição d'agua ou gelo em suspenção. A Figura 1 abaixo apresenta uma imagem do sensor Landsat 5/TM junto com os perfis das bandas para a linha-corte indicada com a cor vermelho. Pode-se observar que a zona superior da imagem, carente de nuvens, mas com areia na superfície, apresenta uma resposta espectral similar à zona coberta com nuvem nos canais visíveis e infravermelhos. A resposta térmica é marcadamente diferente na região coberta pela nuvem em relação a outras áreas. Na figura 1c) pode observar-se o decréscimo acentuado da temperatura na região ocupada pela nuvem. 7

8 Fig 1a) Cena TM/Landsat 5. Orbita/Ponto 221/067 composição data 21/junho/2005. Fig 1b) Perfil das bandas visíveis e infravermelhas do sensor TM na linha vermelha mostrada na Fig 1a) Fig 1c) Perfil da banda térmica do sensor TM na linha vermelha apresentada na Fig 1a) Figura 1. Cena Landsat 5/TM e perfis das bandas em diferentes alvos na área de estudo. 8

9 A radiação refletida pela nuvem é energia que não consegue completar o trajeto até a superfície da terra, gerando um local de obscurecimento conhecido como sombra. As nuvens projetam sombras sob o terreno abaixo quando a sua densidade é suficiente para configurar um bloqueio completo ou semi-completo da radiação solar incidente. Outras nuvens transparentes, de tipo cirrus, não geram sombras. 2.2 Características espectrais dos alvos na superfície da terra. Quando os alvos sob a superfície da terra possuem um alto contraste com as nuvens, como para a vegetação verde ou água, a detecção de certo tipo de nuvens pode ser realizada utilizando técnicas simples, mas quando os alvos possuem uma resposta espectral similar, o procedimento é mais complexo e requer técnicas mais avançadas de processamento. Na região do Jalapão, os solos possuem uma alta proporção de areia [Prado dos Santos et al, 2011], o que foi constatado na viagem de trabalho de campo realizada no mês de Julho/2014, e que pode ser observado na montagem apresentada a seguir. Figura 2. Alvos na região de estudo mostrando o conteúdo de areia no solo. 9

10 A areia presente na região, pode observar-se nas manchas brancas que aparecem nas fotográficas acima, apresenta valores altos de refletividade nas bandas 1 a 5, e 7, mostrando-se quase branca, semelhante às nuvens. A única diferença encontrada, em determinadas situações, para poder separar ambas as classes é a temperatura [Kokhanovsky et al 2011]. Existem eventos, quando uma nuvem de tipo cirrus, transparente, se situa em cima dessas manchas de areia, tornando praticamente impossível sua diferenciação. No caso de corpos d água, mesmo a temperatura sendo baixa como a de certas nuvens, a refletividade é sempre mínima nos canais visíveis e infravermelho-próximo devido à grande absorção da energia solar nesta faixa. A identificação e extração de nuvens nas imagens no Jalapão foram obtidas com procedimentos de classificação e segmentação do crescimento de regiões. 3 PROCEDIMENTO DE CRESCIMENTO POR REGIÕES. Um algoritmo de crescimento por regiões é um procedimento de classificação e segmentação progressiva [Adams & Bischoff 1994]. A classificação se refere a atribuir uma determinada classe aos elementos de uma imagem, enquanto que a segmentação é uma maneira de separar uma imagem em regiões simples com comportamento homogêneo [Haralick & Shapiro, 1985]. A classificação começa em áreas com uma alta certeza de pertinência a uma determinada classe de interesse e cresce para as outras áreas vizinhas segundo o nível de similitude que apresentem em relação às áreas originais. A qualidade e sucesso de um procedimento de crescimento por regiões dependem das condições de limitação do crescimento no algoritmo. A incorporação de um elemento vizinho na classe pode ser realizada mediante a avaliação e comparação de diferentes métricas entre as distintas componentes do conjunto: áreas-semente, borda, área exterior, e o elemento em ana=álise. A Figura 3 a seguir apresenta uma vizinhança hipotética e seus componentes: a borda da vizinhança, vizinhos com similaridade e vizinhos sem similaridade. 10

11 Figura 3. Vizinhança hipotética com os elementos básicos A Figura 4 representa uma situação teórica de 3 píxeis em uma vizinhança, o pixel da borda, o pixel vizinho 1 e o pixel vizinho 2. Também são representados o valor médio da semente e o valor médio da área exterior. As flechas em cada sentido representam o valor de uma métrica ou distância entre os elementos. Figura 4. Elementos de uma vizinhança indicando distancias em uma métrica Uma lógica do crescimento por regiões indicaria que a menor distância entre os elementos determina a associação por causa de uma maior similaridade. Isto é: se min(dms1,dpb1,dmae1) sim, o valor mínimo é dms1 ou dpb1, e o pixel vizinho 1 passará a formar parte do crescimento da região avaliada. Da mesma maneira acontece com o pixel vizinho 2. Outra lógica poderia prescindir dos píxeis-semente e exteriores, e indicar que a associação 11

12 se cumpre no caso de que a distância entre o ponto em análise não supere certo limiar de distância com respeito ao pixel na borda. Isto é: dbp < limbpv, onde o limiar dependerá do valor no pixel na borda. Em ambos os casos, as distâncias ou outras métricas são avaliadas sob as bandas componentes das imagens, ou sob outros planos de informação, como de índices de vegetação. Após esta noção geral dos algoritmos de crescimento apresentada acima, em seguida são descritas as duas metodologias implementadas na versão atual do algoritmo de mapeamento de queimadas para a identificação de nuvens e sombras de nuvens. A primeira é baseada em limares de distâncias entre os píxeis vizinhos e os píxeis nas bordas dos objetos, e a segunda, no mínimo de distancias entre os vários componentes de uma vizinhança. 3.1 Máscara de nuvens - Sementes O primeiro passo na criação de uma máscara de nuvens utilizando um procedimento de crescimento por regiões é obter as sementes para iniciar a classificação. A criação das sementes iniciais foi realizada considerando as características distintivas e exclusivas das nuvens na região alvo. Essas características são: baixa temperatura comparada com as áreas com céu aberto, e alta ou muito alta refletividade nas bandas do espectro visível e do infravermelho-próximo. Os métodos globais de detecção de nuvens têm de considerar diferentes cenários que dificultam a tarefa de identificação de classes, como neve, gelo, ou altitudes elevadas do terreno. Nesse caso, diferentes perspectivas e índices espectrais são utilizados para eliminar as potenciais fontes de ruído e confusão [Irish et al 2006, Zhu & Woodcock 2012]. A região-alvo do presente estudo carece dessas características, simplificando a tarefa de identificação. Para a criação das primeiras sementes, foram avaliados dois índices espectrais, sendo o primeiro o MVISIR, que é o produto das bandas 1, 2, 3, 4, 5 e 7 do sensor TM/Landsat 5, utilizando um limiar que excluí valores baixos na refletividade das bandas. MVISIR = (Bi tbi) i=1 5,7 No caso do sensor satélite OLI/Landsat 8, as bandas utilizadas são 2, 3, 4, 5, 6 e 7, e não existe na bibliografia uma referência ao índice acima descrito. O mesmo foi concebido como uma maneira de agrupar as características refletivas das nuvens em uma operação só. Os limiares utilizados pelas sementes são: tb 1 =0.12, tb 2 =0.12, tb 3 =0.12, tb 4 =0.2, tb 5 =0.2 e tb 7 = Os 12

13 limiares foram obtidos de maneira empírica a partir do comportamento das nuvens nas cenas observadas. O índice MVISIR e uma adaptação do Whiteness Test [Zhu & Woodcock 2012], onde são utilizadas as bandas 1, 2 e 3 do sensor TM para ter uma medida da brancura das nuvens. A relação da banda 4 com a banda 5 é utilizada para separar nuvens do solo exposto, ou rochas. [Irish et al 2006, Zhu & Woodcock 2012]. A relação é geralmente maior que a unidade para as nuvens. Nos trabalho mencionados acima, o limiar pela separação de nuvens, solo exposto e rochas é de Em nosso caso, o limiar foi o valor de 0.9, o que resultou em melhores capacidades de separação. No caso do sensor OLI, as bandas utilizadas são a 5 e 6. RB 4 B 5 = B 4 B 5 > 0.9 A contribuição da temperatura no filtro é mediante um limiar para a separação da temperatura de superfície. Considerando que as nuvens são mais frias que o solo, a vegetação, ou outras classes de cobertura com céu aberto acima, a temperatura da semente inicial foi estabelecida em 20 C. TM. TSN= B 6 > 20 C No caso do satélite TIRS/Landsat 8, a banda 10 foi utilizada no lugar da banda 6 do sensor Desta maneira, todos os píxeis que atendem aos critérios MVISIR > 0, RB 4 B 5 > 0 e TSN > 0 são considerados sementes iniciais do processo de crescimento para a identificação das nuvens. SemInit = MVISIR RB 4 B 5 TSN + TSN O termo aditivo de TSN foi incorporado para identificar nuvens de tipo cirros, que em decorrência de sua transparência só podem ser detectadas na banda térmica do sensor TM. A distribuição espacial das sementes pode ser uniforme ou concentrada em uma área específica segundo o tipo de nuvens presentes na imagem. Esta informação poderia ser utilizada em versões futuras do filtro de nuvens para classificar o tipo de nuvens presentes nas imagens. Todas as nuvens presentes nas imagens possuem áreas que não são detectadas inicialmente por causa dos limiares conservativos na geração das sementes. Os menores valores de refletividades, assim como os maiores valores de temperatura, encontram-se nessas áreas devido a uma menor densidade de vapor d'agua ou gelo nas bordas. O objetivo do procedimento de 13

14 crescimento é a incorporação dessas áreas. O número de píxeis da máscara inicial é determinado, e caso esse seja zero, não existem píxeis sementes na máscara de nuvens e os processos posteriores são evitados. Nesta condição a máscara de nuvens e a máscara de sombras de nuvens resultam em imagens vazias. Caso o número de píxeis na máscara seja próximo ao número total de píxeis disponíveis na imagem, a máscara é total. E finalmente, se o número de píxeis é maior que 0 e menor do 80% do total de píxeis da imagem de entrada o processo de crescimento de regiões é iniciado a continuação. 3.2 Crescimento. Os processos de crescimento se iniciam a partir de certa área e continuam na direção das bordas dos objetos. Mediante uma rotina de identificação da borda (measure.find_contours) é possível obter a coordenada x, y de cada um dos píxeis externos de cada semente. Para cada um desses píxeis nas bordas, é criada uma vizinhança de 5x5 píxeis, com o pixel da borda no centro da vizinhança. Os píxeis da vizinhança que são sementes são excluídos da análise já que sua classificação é confirmada com anterioridade. A Figura 5 apresenta a mesma vizinhança hipotética mostrada acima, com a área de 5x5 para exploração dos píxeis vizinhos às sementes. Figura 5. Vizinhança hipotética com a área de exploração para uma posição x,y 14

15 Uma vizinhança de 3x3 é habitual no crescimento por regiões, mas uma maior amplitude da vizinhança foi utilizada para evitar sucessivas passagens do algoritmo de crescimento. Devido aos comportamentos diferenciados das bandas da imagem TM/Landsat 5 foram utilizadas duas perspectivas lineares diferentes para obter as regras de crescimento das regiões. Uma utilizou as bandas do espectro visível e infravermelho, e a outra, a banda termal. A diferença entre as duas perspectivas é a função que descreve a regra de associação. Para as bandas 1 a 5 e 7, o limiar de corte é dado pela seguinte equação. ThreshB 1 5,7 = B 1 5,7 (x, y) Nenhum pixel com valor de refletividade abaixo de 0.1 é aceito pelo filtro. O limiar de incorporação na banda térmica foi estabelecido com tolerância de 25% relativo ao valor de temperatura do pixel na borda. ThreshB 6 = B 6 (x, y) 1.25 Isso significa que o valor de temperatura dos píxeis na vizinhança de um píxel XY pode ser até um 25% mais quente que o valor do pixel na borda para serem incluídos na máscara existente. Nenhum píxel com temperatura acima de 23 C é aceito na máscara de nuvens. 3.3 Condição de saída Após a análise de todos os píxeis nas bordas de todas as sementes, o número total de píxeis da máscara de nuvens é avaliado e comparado com a contagem anterior. No caso em que são iguais os números de píxeis de dois passos do algoritmo de crescimento sejam iguais, o algoritmo é interrompido. O passo a seguir é a delimitação da sombra das nuvens. Nenhum pixel da máscara pode ter um valor de refletância acima de Detecção das sombras das nuvens. Para determinar o espaço de busca das sombras, foram estabelecidas caixas exteriores (bounding box) correspondentes a cada nuvem. Cada caixa exterior é determinada por duas coordenadas, a superior esquerda (X 0 Y 0 ) e a inferior direita (X 1 Y 1, e a Figura 6 apresenta o esquema de uma nuvem com a sua caixa exterior. 15

16 Figura 6. Nuvem hipotética com as coordenadas superior esquerda e inferior direita A distância da nuvem à sua sombra está determinada pela elevação solar no momento da aquisição da imagem. A direção em que a sombra é encontrada é dada pelo ângulo azimutal solar [Inomata et al, 1996]. Utilizando uma distancia fixa (d) de 80 píxeis, e para o caso em que o ângulo azimutal seja menor que 90, foram determinadas as novas coordenadas da área de busca segundo as equações. X 0p = d (1.1) + X 0 Y 1p = d (1.1) + Y 1 A área de busca da sombra é dada pelas coordenadas (X 0p Y o, X 1 Y 1p ). Quando o angulo azimutal é maior que 90, a área de busca da sombra é dada pelas coordenadas (X 0p Y 0p, X 1 Y 1 ) onde as novas coordenadas da área de equações: busca são dadas pelas X 0p = d (1.1) + X 0 Y 0p = d (1.1) + Y 0 A figura a continuação apresenta os esquemas das áreas de busca hipotéticas para os dois casos mencionados. 16

17 a) Área de sombra para Ângulo azimutal solar entre 0 e 90 b) área de sombra para ângulo azimutal solar entre 90 e 180 Figura 7. Área de busca de sombra segundo o ângulo azimutal solar A refletividade na área da sombra da nuvem é diminuída devido ao baixo nível de radiação incidente, resultante da obstrução produzida pela nuvem. Considerando somente a área de busca, os seguintes limiares são avaliados procurando-se determinar a área da sombra. B 7 < 0.1 ndvi < 0.3 No caso do sensor OLI, a banda 6 é utilizada em lugar da banda 7 do sensor TM. O valor limiar do NDVI é diminuído a 0.2 devido a diferenças nos comprimentos de onda nas bandas dos sensores. Todos os píxeis na área de busca que atendem essas condições são classificados como sementes das sombras das nuvens. A segunda metodologia de crescimento de regiões é utilizada pela ampliação da classe sombra de nuvem na banda 7 para avaliar as distancias entre as classes. A Figura 8 apresenta um exemplo do resultado da classificação de nuvens e de sombras de nuvens em uma imagem TM/Landsat 5. As nuvens presentes, de tipo cumulus, são as que obtiveram melhores resultados na classificação devido a seu aspecto compacto, elevada refletividade e baixa temperatura respeito das áreas abertas. 17

18 a) Imagem TM/Landsat 5 na região do Jalapão b) Resultado do filtro de nuvens e sombras sob a mesma imagem Figura 8. Identificação das nuvens e sombras de nuvens em uma cena TM/Landsat Requerimentos computacionais. Os processos de crescimento de regiões são intensivos e computacionalmente exigentes quando as imagens de entrada são extensas, devido a que para cada elemento da classe em analise sua vizinhança é explorada. A versão inicial do processamento descrito foi implementada de maneira sequencial, utilizando um só núcleo de processamento em uma máquina com processador i7 de 3.6 GHz e 8 GB de memoria RAM. O processamento de uma serie de 11 imagens demorou mais de 10 horas, e portanto inadequado em termos operativos. Em uma iniciativa para diminuir o tempo de processamento, e para fazer uso das estruturas multi-núcleo dos computadores modernos, foram elaborados procedimentos de processamento paralelo. As possibilidades da linguagem Python tornam a implementação dessas rotinas uma tarefa relativamente simples. A Figura 9 apresenta o processo, baseado em um só núcleo de processamento, e sua alternativa análoga com N sub-processos. 18

19 a) Diagrama de fluxo do processamento sequencial das imagens b) Diagrama de fluxo do processamento paralelo das imagens Figura 9. Diagramas de fluxo das metodologias de filtragem e mapeamento de áreas queimadas O procedimento desenvolvido consiste em dividir as imagens de entrada em tantas partes possíveis quanto sejam os núcleos de processamento disponíveis, e criar sub-processos para implementar as rotinas de classificação e segmentação em cada uma dessas partes [Abrahart & See 2014, Singh et al, 2013]. A Figura abaixo apresenta o exemplo de divisão de uma imagem de entrada em 4 partes. 19

20 Figura 10. Partição de uma imagem de entrada para processamento paralelo das 4 sub-imagens Pode-se notar que existe certa superposição entre as sub-imagens consecutivas. A superposição foi considerada para abranger a totalidade dos objetos presentes em cada subimagem. Desta forma, os objetos próximos a bordas não são considerados pelo algoritmo de crescimento, pois não têm espaço para crescer. A área de superposição foi estabelecida em 160 píxeis. Para comparar e avaliar a efetividade do processamento paralelo, foram implementadas rotinas com 4, 8 e 16 núcleos de processamento. Cada sub-processo realiza a classificação e segmentação das nuvens e sombras das nuvens disponíveis na sua parte da imagem e escreve os resultados dos processos em arquivos temporais. O processo principal, onde foram criados os subprocessos, carrega esses arquivos temporais e gera uma imagem resultante pela união das diferentes partes. As imagens de entrada possuem 7 bandas e 6125 x 6625 píxeis de resolução em cada banda. Segundo a partição escolhida as sub-imagens possuem diferente quantidade de píxeis. Considerando a partição em 4 sub-imagens, as dimensões das 4 sub-imagens resultantes são: 7 x 1611 x 6625, 7 x 1612 x 6625 e duas de 7 x 1692 x 6625 píxeis. Na partição em 8 sub-imagens, as dimensões resultantes são: 7 x 845 x 6625, 7 x 846 x 6625 e seis de 7 x 926 x 6625 píxeis e 20

21 finalmente, na partição em 16 sub-imagens, as dimensões resultantes são: 7 x 462 x 6625, 7 x 463 x 6625, e catorze de 7 x 543 x A Figura 11 apresenta a comparação dos tempos de processamento de uma mesma série de arquivos para diferentes configurações de processamento. Figura 11. Tempos de processamento para diferentes configurações de núcleos O melhor desempenho da partição e processamento das imagens é o que coincide com a quantidade de processadores disponíveis [Singh et al, 2013]. 4 RESULTADOS. 4.1 Comparação das versões dos algoritmos 0.7 e 0.9 Os resultados obtidos com a versão inicial do algoritmo de mapeamento de queimadas foram comparados com a versão atual do algoritmo utilizando o filtro desenvolvido no objetivo desta etapa do trabalho. A Tabela 1 abaixo apresenta a comparação dos resultados obtidos no período comparando os erros de comissão e omissão, assim como os dados de acerto de queimadas (AQ) e de confiabilidade do algoritmo (CA). 21

22 Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 02/Jun ,1 84, ,7 83,3 04//Jul ,0 88, ,5 86,6 20/Jul ,7 91, ,6 90,2 05/Ago ,0 95, ,1 94,2 06/Set ,2 92, ,9 91,7 TOT. [ha] MED. [ha] ,8% 90,4% ,8% 89,2% STD.DEV % 4,36% 2,84% 1,7% 4,3% Tabela 1. Resultados das versões 0.7 e 0.9 do algoritmo no ano Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 23/Jul ,4 95, ,3 95,2 08/Ago ,3 92, ,3 92,0 24/Ago ,6 97, ,9 96,8 09/Set ,0 97, ,5 96,3 TOT., [ha] MED., [ha] ,3% 95,6% ,3% 95,1% STD.DEV% 2,37% 1,76% 0,68% 2,16% Tabela 2. Resultados das versões 0.7 e 0.9 do algoritmo no ano Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 08/Jun ,7 86, ,8 86,0 24/Jun ,6 79, ,4 88,3 26/Jul ,7 89, ,9 89,3 11/Ago ,2 92, ,5 92,9 27/Set ,2 95, ,2 95,0 TOT., [ha] MED., [ha] ,5% 88,8% ,6% 90,3% STD.DEV% 6,42% 3,15% 2,61% 3,62% Tabela 3. Resultados das versões 0.7 e 0.9 do algoritmo no ano

23 Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 27/Jun ,5 92, ,7 93,2 13/Jul ,7 95, ,2 95,8 29/Jul ,1 94, ,8 94,8 14/Ago ,1 95, ,9 95,5 30/Ago ,1 95, ,0 95,2 TOT., [ha] MED., [ha] ,3% 94,9% ,9% 94,9% STD.DEV% 1,24% 2,41% 1,95% 1,02% Tabela 4. Resultados das versões 0.7 e 0.9 do algoritmo no ano Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 15/Jul ,0 93, ,4 95,8 31/Ago ,1 75, ,3 95,6 16/Ago ,4 94, ,8 97,7 17/Set ,3 96, ,0 97,3 TOT., [ha] MED., [ha] ,0% 90,0% ,1% 96,6% STD.DEV% 9,52% 2,57% 3,31% 1,06% Tabela 5. Resultados das versões 0.7 e 0.9 do algoritmo no ano Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 19/Ago ,0 97, ,8 98,1 TOT., [ha] MED., [ha] ,0 97, ,8 98,1 Tabela 6. Resultados das versões 0.7 e 0.9 do algoritmo no ano

24 Versão 0.7 Versão Com[ha] Om[ha] AQ% CA% Com[ha] Om[ha] AQ% CA% 19/Jun ,8 81, ,9 88,2 05/Jul ,1 91, ,2 92,6 06/Ago ,4 89, ,0 89,6 22/Ago ,9 93, ,8 94,7 07/Set ,8 93, ,7 92,8 23/Set ,1 95, ,2 96,3 TOT., [ha] MED., [ha] ,0% 90,8% ,5% 92,4% STD.DEV% 4,84% 1,58% 1,7% 3,04% Tabela 7. Resultados das versões 0.7 e 0.9 do algoritmo no ano A média do Acerto de Queimadas e da Confiabilidade do Algoritmo para a versão 0.7 do algoritmo foi de 88,6% e 91,9% respectivamente, sendo que na versão 0.9 os valores foram de 90,4% e 93,0% respectivamente. Estes valores significam um aumento efetivo de 1,8% para o Acerto de Queimadas, e de 1,2% na Confiabilidade do Algoritmo, considerando os mesmos arquivos de referência. O desvio padrão para o Acerto de Queimadas e da Confiabilidade do Algoritmo da versão 0.7 foi 4,12% e 5,47% respectivamente, enquanto que na versão 0.9 os valores foram 4,56% e 3,80% respectivamente. A Figura 12 apresenta a média e desvio da área queimada segundo a versão 0.9 do algoritmo de mapeamento automático. Algoritmo. Figura 12. Média e desvio da área queimada para cada ano no período As Figuras 13 e 14 apresentam a média e desvio do Acerto de Queimadas e Confiabilidade do 24

25 Figura 13. Média e desvio do Acerto de Queimadas para o período Figura 14. Média e desvios da Confiabilidade do Algoritmo para o período A Figura 15 apresenta as áreas queimadas no período segundo a referência e o algoritmo na versão 0.9. Figura 15. Área queimada da referência e da versão 0.9 para as datas do período

26 4.2 Analise dos erros de omissão e comissão no ano 2005 Da mesma forma que na versão 0.7, foram analisados os erros de comissão e omissão no ano de Foram utilizadas as mesmas classes para caracterizar a contribuição dos diferentes tamanhos dos polígonos no total das áreas dos erros. As classes utilizadas são apresentadas na Tabela 8. Classe Área mínima, ha Área máxima, ha Pixels contidos C1 0 0,091 1 C2 0,091 0,181 2 C3 0,181 0,271 3 C4 0,271 0,361 4 C5 0,361 0,451 5 C6 0,451 0,541 6 C7 0,541 0,631 7 C8 0,631 0,721 8 C9 0,721 0,811 9 C10 0,811 0, C11 0,911 Max N Tabela 8. Classes utilizadas na classificação dos erros de comissão e omissão. Os erros máximos de comissão e omissão obtidos utilizando a versão 0.9 do algoritmo são apresentados na Tabela 9 a seguir. Data 07/07 23/07 23/07 08/08 08/08 24/08 24/08 09/09 Área Máxima Comissão 86 ha 139 ha 109 ha 79,3 ha Píxeis Área Máxima Omissão 50,5 ha 43,9 ha 106 ha 91,83 ha Píxeis Tabela 9. Erros de comissão e omissão da versão 0.9. Em relação à versão anterior, as variações nos erros são apresentadas na Tabela 10. Data 07/07 23/07 23/07 08/08 08/08 24/08 24/08 09/09 Diferencia Comissão 4,19 ha -63,14 ha -4,04 ha -17 Área Máxima Omissão -0,81 ha -4,97 ha 52,09 ha 16,6 ha Tabela 10. Diferença dos erros de comissão e omissão entre as versões 0.7 e 0.9. A contribuição das classes de tamanho nas áreas totais dos erros de comissão e omissão é apresentada nas seguintes figuras 16 a

27 Figura 16. Distribuição das áreas dos polígonos de erros de comissão em 23/jul/2005. Figura 17. Distribuição das áreas dos polígonos de erros de comissão em 08/ago/2005 Figura 18. Distribuição das áreas dos polígonos de erros de comissão em 24/ago/

28 Figura 19. Distribuição das áreas dos polígonos de erros de comissão em 09/set/2005. Figura 20. Distribuição das áreas dos polígonos de erros de omissão em 23/jul/2005. Figura 21. Distribuição das áreas dos polígonos de erros de omissão em 08/ago/

29 Figura 22. Distribuição das áreas dos polígonos de erros de omissão em 24/ago/2005. Figura 23. Distribuição das áreas dos polígonos de erros de omissão em 09/set/2005 Observa-se nas figuras apresentadas que a maior parte das áreas dos erros encontra-se classificadas nas classes 1, 2 e 3 e 11. Esta última classe agrupa uma grande diversidade de tamanhos de polígonos, desde 1 ha até o tamanho máximo encontrado. 4.3 Máscara de nuvens e sombra de nuvens As máscaras de nuvens criadas pelo filtro desenvolvido são apresentadas nos anexos 1, 2 e 3, que acompanham este documento. Do lado esquerdo das figuras está a imagem sem máscara na composição 5-4-3, e do lado direito da figura, a composição com a máscara de nuvens e sombra de nuvens superposta. É necessário mencionar que as imagens utilizadas na criação das 29

30 máscaras, em sua maioria não constaram no cálculo de área queimada produzidos nos relatórios anteriores, excetuando-se aquelas com um conteúdo de nuvens que atendia o requisito dos 10% de cobertura, presente nos contratos anteriores. O filtro desenvolvido possui como objetivo permitir o uso de uma serie completa de imagens sem interrupções temporais devido ao conteúdo de nuvens. 5 CONCLUSÕES E COMENTÁRIOS FINAIS. Foi apresentada uma evolução do algoritmo para automação da extração de cicatrizes de queimadas em imagens de média resolução espacial obtidas em sequência e com intervalo máximo de 32 dias. Dentro das principais diferenças em relação à versão anterior do algoritmo, destaca-se o cálculo e utilização dos valores de refletividade no topo de atmosfera para gerar os índices de vegetação e criação da máscara de nuvens. Os níveis de Confiabilidade do Algoritmo e Acerto de Queimadas foram comparados com os resultados obtidos anteriormente utilizando-se a mesma referência no período e 2013, obtendo-se melhorias da ordem de 2% sobre a versão anterior, e indicando, portanto uma melhoria significativa ao se considerar que os níveis de Acerto de Queimadas e Confiabilidade ficam agora acima dos 90%. Observou-se diminuição sistemática dos erros de comissão, mas com um aumento dos erros de omissão quase na mesma ordem de magnitude. Os máximos erros de comissão e omissão são associados a áreas agrícolas na região. A limitação da detecção e quantificação do conteúdo de nuvens foi eliminada parcialmente em relação à versão anterior do algoritmo, mediante a criação de uma máscara de nuvens e de sombra de nuvens, representando uma melhoria significativa em termos operativos. A capacidade de extrair nuvens e sombras de nuvens foi verificada também mediante análise visual, indicando uma capacidade aceitável de extração em determinadas condições, porém, demostrando que o algoritmo ainda precisa de ajustes finos, já que em determinadas oportunidades os erros de omissão ou comissão foram excessivos. 30

31 Constatou-se que a presença de nuvens de tipo cirrus (altas, transparentes e muito frias) gera uma máscara de nuvens que poderia ser evitada descartada em determinadas oportunidades, quando os alvos na superfície ainda são visíveis. Na configuração atua, despreza-se uma fração das imagens que poderia ser utilizada no cálculo das áreas queimadas. A causa da classificação atual é o alto peso que o processo de geração da mascara outorga ao canal térmico da imagem. Observou-se dificuldade na detecção de nuvens quentes e baixas, com temperatura acima dos 25 C, pois as mesmas possuem características espectrais similares às zonas com areia na região alvo. Um maior esforço é requerido nesta direção para diminuir os erros de omissão e comissão. Existem também limitações dos dados do sensor TIRS/ Landsat 8. A conversão de radiância em temperatura de brilho apresenta valores anormalmente altos para diferentes alvos em comparação com a serie TM. Um processo de calibração do sensor esta sendo desenvolvido pela agencia responsável [USGS, 2014] para compensar esta falha do sensor. Na máscara de sombras também é necessário um ajuste, pois em determinadas ocasiões os erros de omissão são muito altos. Uma perspectiva baseada na forma das nuvens e sua correlação com a sombra poderia ser considerada. Na versão atual, a máscara de sombras utiliza um filtro passa-baixos no índice NDVI. As nuvens do tipo stratus, que são semi-transparentes não representam um bloqueio total na radiação incidente evitando a ação do filtro. Uma mudança da perspectiva é necessária para evitar estas omissões. O processamento paralelo das imagens também representa uma melhoria importante em termos operacionais considerando que a metodologia aproveita o potencial dos computadores atuais permitindo a exploração de series completas de dados em tempos razoáveis. Os arquivos digitais deste trabalho, incluindo as imagens Landsat/TM e OLI e os produtos de área queimada encontram-se na máquina tairo.cptec.inpe.br/images, e serão incluídas para consulta pública no site que o INPE está criando para apresentar os resultados do Projeto Cerrado Jalapão GIZ-MMA 31

32 6 BIBLIOGRAFIA Abrahart, R.J.; See, L.M. GeoComputation, Second Edition. Chapter 3: Parallel Computing in Geography. CRC Press ebook ISBN: Cucu-Dumitrescu, C. A Simple Mehod of Determining Cloud-Masks and Cloud-Shadow- Masks From Satellite Imagery. IEEE Geoscience and Remote Sensing Letters Vol 11. N 1: Goodwin, N.R.; Collett, L.J.;Denham, R.J.; Flood, N. Tindall, D. Cloud and cloud shadow screening across Queensland, Australia. An automated method for Landsat Tm/ETM+ time series. Remote Sensing of Environment : Hagolle, O.; Huc, M.; Villa Pascual, D.; Dedieu, G. A multi-temporal mehod for cloud detection, applied to FORMOSAT-2, VENμS, LANDSAT and SENTINEL-2 images. Remote Sensing of Environment : Haralick, R; Shapiro, L. Image Segmentation Techniques. Applications of Artificial Intelligence II :2-9. Inomata, Y.; Feind, R.E.; Welch, R.M. Estimation of Cirrud and Stratus Clouyd Heights Using Landsat Imageery. Journal of Applied Meteorology Vol. 35. N 3. Irish, R.R. Landsat 7 automatic cloud cover assessment. Algorithm for multispectral, hyperspectral and ultraspectral imagery. Proceedings of SPIE Vol. 4049: Irish, R.R.; Barker, J.L.; Goward, S.N.; Arvidson, T. Characterization of the Landsat-7 ETM+ Automated Cloud Cover Assessment (ACCA) Algorithm. Photogrammetrix Engineering & Remote Sensing : Jin, S.; Homer, C.. Yang, L.; Xian, G.; Fry, J.;Danielson, P.; Townsend, P.A. Automated cloud and shadow detection and filling using two-date Landsat imagery in the USA. International Journal of Remote Sensing Vol. 34. N 5: Kokhanovsky, A.A.; Platnick. S; King, M.D. The Remote Sensing of Tropospheric Composition from Space. Chapter 5. Remote Sensing of Terrestrial Clouds from Space using backscattering and Thermal Emission Techniques. Pp (2011). ISBN

33 Li, D. & Tang P. A Sensor Specific Mathod Based on Spectral Transformation for Masking Cloud in Landsat Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing Vol. 6. N 3: Li, H.; Zhang, L.; Shen, H. A Principal Component Based Haze Masking Method for Visible Images. IEEE Geoscience and Remote Sensing Letters Vol 11: Prado dos Santos, R.; Crema, A.; Szmuchrowski, M.A.; Asado, K. Kawaguchi, M. Atlas do Corredor Ecológico da Região do Jalapão Instituto Chico Mendes de Conservação de Biodiversidade. Versão Digital. Singh, N. ;Browne, L.M; Butler, R. Parallel astronomical data processing with Python: Recipes for multicore machines. Astronomy and Computing N 2:1-10. USGS 2014 United States Geological Survey. Landsat Missions. < Wang, B.; Ono, A.; Muramatsu, K. Fujiwara, N. Automated Detection and Removal of Clouds and Their Shadows from Landsat TM Images. IEICE Transactions on Informatics and Systems Vol. E82-D. N 2. Zhang, Y.; Guindon, B.; Cihlar, J. An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images. Remote Sensing of Environment : Zhu, Z. & Woodcock, C.E. Object-based and cloud shadow detection in Landsat imagery. Remote Sensing of Environment :