Construindo Séries Temporais de Imagens de Satélite para Sumarização de Dados Climáticos e Monitoramento de Safras

Agrícolas

Daniel Y. T. Chino1, Luciana A. S. Romani1,2, Agma J. M. Traina1

1Departamento de Ciências de Computação

Instituto de Ciências Matemáticas e de Computação – Universidade de São Paulo Caixa Postal 668 – 13560-970 – São Carlos – SP – Brasil

2Embrapa Informática Agropecuária

Caixa Postal 6041 - 13083-886 – Campinas – SP – Brasil

chinodyt@grad.icmc.usp.br {alvim|agma}@icmc.usp.br

Abstract. This paper describes the SatImagExplorer system, which has been developed by given a measurement provided dynamically by the specialist to automatically generate time series from satellite image sequences from a directory. The specialist can interactively define a region of interest through mouse drawing or through a coordinates file in order to be analyzed, and the system provides the time series of the region regarding a given index or measurement provided by equations entered to the system. New indexes and measurements can be designed and introduced to the system in order to provide fast creation of new time series and their analysis without the nowadays manual effort of processing each image separately. The system is a valuable tool to aid agrometeorologists to evaluate an agricultural crop development and climate changes along large periods of time.

Resumo. Este artigo descreve o sistema SatImagExplorer, desenvolvido para a partir de imagens de satélite, gerar automaticamente séries temporais considerando índices e medidas especificadas por meio de equações introduzidas na notação infixo. O usuário indica interativamente, ou por arquivos de coordenadas regiões de interesse que são utilizadas para a criação da série temporal. Muitas vezes o especialista deseja avaliar a eficácia de novos índices, mas não gostaria de pagar o preço de ter que reprocessar manualmente as imagens. O sistema permite que novos índices e medidas sejam facilmente adicionados, e as séries são geradas automática e rapidamente. Este sistema é uma ferramenta valiosa para auxiliar o agrometeorologista a analisar o desenvolvimento de lavouras por longos períodos de tempo, em vista das mudanças de condições climáticas e de crescimento de lavouras.

1. Introdução

Devido ao grande tamanho de seu território, aliado com condições de solo e clima propícios a uma grande variedade de cultivo, tem-se que uma das principais fontes de recursos do Brasil vem da produção agrícola. A agricultura juntamente com a pecuária,

constituem o agronegócio, que corresponde a um terço do Produto Interno Bruto brasileiro e a até 40% da mão-de-obra do país. Desse modo, é muito importante tanto para o Governo brasileiro quanto para as empresas agrícolas monitorarem e analisarem o desempenho das safras agrícolas, consolidando e ampliando o seu ganho.

Análises adequadas de dados de plantio/crescimento/colheita permitem estabelecer mecanismos que visam aprimorar o uso do solo à luz das condições climáticas para melhorar o ganho de produção das culturas e safras. Porém, com o agravamento das alterações climáticas, os especialistas em agrometeorologia têm observado que pode haver mudanças com relação à capacidade de produção agrícola. Tal cenário pode redundar em alterações da capacidade econômica de regiões, que atualmente são produtoras importantes, o que pode afetar negativamente o crescimento dessas regiões do país, afetando o Brasil como um todo. Desse modo, é vital que possam ser analisados os cenários de mudanças climáticas, tanto globais quanto regionais, para que decisões que amenizem os efeitos negativos desse processo sejam tomadas com antecedência, bem como sejam incentivados o tratamento e cultivo em regiões promissoras de crescimento das boas condições de desenvolvimento.

Imagens e dados obtidos por sensoriamento remoto são fontes valiosas de informação para pesquisas em agricultura. Considerando países de dimensões territoriais, como o Brasil, imagens de satélite permitem que grandes extensões terrestres sejam monitoradas continuamente. Como há diversos tipos de satélite, com periodicidade de captura e resolução espacial diferentes, é importante poder integrar as informações contidas nas imagens que envolvem a mesma região, de modo a garantir que as diferenças de informação coletadas possam ser efetivamente utilizadas para o benefício dos analistas e especialistas em agrometeorologia.

Este artigo apresenta a pesquisa que está sendo desenvolvida para a construção do sistema SatImagExplorer que recebe como entrada imagens de satélite de diversas fontes, e calcula automaticamente índices e medidas de sequências de imagens, gerando séries temporais relativas a tais índices. Os índices e medidas utilizados podem ser definidos pelo especialista por meio de entrada de equações em formato infixo que são verificadas e computadas pelo sistema.

Séries temporais provenientes de sensores remotos têm sido muito utilizadas para o monitoramento agrícola. Os especialistas utilizam essas séries para auxiliar na previsão de índices agrometereológicos [Gonçalves, 2008; Gonçalves, 2009], na estimativa de produtividade [Nascimento, 2009], análise de correlação entre essas séries e dados climáticos [Ávila, 2009; Fontana, 2005] dentre outras. É importante ressaltar que o sistema SatImagExplorer permite que o especialista interaja com as imagens e especifique regiões de interesse (ROI - Region of Interest), utilizando como base de entrada uma imagem da série. A seguir, o SatImagExplorer extrapola a indicação de região para todas as imagens da sequência gerando séries temporais das ROIs correspondentes à indicada, para todas as imagens do diretório. Tal ferramenta permite que o especialista possa focar sua análise em pontos estratégicos e de interesse, além de facilitar a análise de longas séries de dados, o que atualmente é feito manualmente, demandando um grande tempo do especialista. Para extrair uma série temporal de múltiplas imagens de NDVI, o especialista precisa executar vários passos trabalhosos. Inicialmente, ele roda um script que extrai os valores NDVI a partir de uma máscara de pixels e gera uma planilha para cada região. Depois, o especialista une essas planilhas

manualmente para todas as imagens de interesse. Quanto maior a série, mais tempo ele leva para ter um conjunto de dados que possa ser utilizado. De forma manual, torna-se inviável repetir essa tarefa para séries muito longas, o que dificulta a realização de diversas atividades de pesquisa.

2. Conceitos e Trabalhos Relacionados

Há atualmente diversos satélites de alta resolução: Ikonos, com resolução de 1 a 4 metros; Quick-Bird, com resolução de 61 cm e Eros (Earth Remote Observation Satellite), com resolução de 70 cm. Os satélites de média resolução são: Landsat, com 30 metros, Spot, com 10 metros e CBERS, com 30 metros. Os satélites de baixa resolução são: AVHRR/NOAA, que tem resolução de 1 km quadrado de área por pixel1, e MODIS, 250 metros a 1 km..

O sensor AVHRR (Advanced Very High Resolution Radiometer) a bordo dos satélites NOAA (National Oceanic and Atmospheric Administration) tem sido utilizado largamente nos estudos de ecossistemas devido à disponibilidade de longas séries de dados, além de possuírem uma cobertura global e serem distribuídos gratuitamente2 (Kampel, 2004). Os sensores AVHRR possuem canais no espectro visível e frequências no infravermelho próximo. A combinação desses canais pode ser utilizada para indicar a quantidade e o estado da vegetação, usualmente chamados de índices de vegetação.

O uso de sensoriamento remoto nas pesquisas brasileiras tem crescido para o benefício do país, que possui um território de dimensões continentais. A cana-de-açúcar é um exemplo de cultura que pode ser monitorada por imagens de baixa resolução como as obtidas pelo satélite AVHRR/NOAA, pois são cultivadas em áreas grandes e próximas. Um dos índices mais utilizados é o índice de vegetação NDVI proposto por Rouse et al. em [Rouse, 1973], do inglês Normalized Difference Vegetation Index.

Atualmente, a acessibilidade aos dados registrados por satélites está maior, como também existem tecnologias (hardware e software) mais apropriadas para a recepção, distribuição e manipulação dessas imagens. Entretanto, grande parte dessa tecnologia é de uso comercial e não são adequadas para o processamento de longas séries de imagens. Exemplos de softwares utilizados para manipulação de imagens provenientes do sensoriamento remoto são Erdas3, Idrisi4, Spring5 e outros. Nesse contexto, foi desenvolvido o sistema NavPro [Esquerdo, 2006], que realiza o processamento de imagens AVHRR/NOAA de acordo com os seguintes passos:

• conversão do formato de imagem bruto (sem correções) para um formato intermediário;

• calibração radiométrica; • correções geométricas; • mascaramento de nuvens e • geração da Composição de Valor Máximo (do inglês, Maximum Value

Composite) MVC das imagens NDVI [Eidenshink, 1992].

1 http://satelite.cptec.inpe.br/home 2 http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html 3 http://www.erdas.com/ 4 http://www.clarklabs.org/ 5 http://www.dpi.inpe.br/spring/portugues/index.html

O desenvolvimento do sistema NavPro permitiu ampliar o escopo das pesquisas envolvendo imagens AVHRR/NOAA multi-temporais. Contudo, o processo de extração, armazenamento e visualização de séries temporais dessas imagens é muito custoso para ser feito manualmente, como já mencionado anteriormente. Assim, este trabalho propõe um método para realizar essas tarefas automaticamente, permitindo uma melhor produção de resultados pelo especialista.

As séries temporais são construídas extraindo medidas ou realizando cálculos|índices sobre os dados de regiões de interesse das imagens que foram coletadas sequencialmente num determinado período de tempo. Isso permite que o especialista focalize sua atenção em regiões de análise específica. Essa funcionalidade era muito desejada pelos especialistas, porém não estava disponível nos sistemas utilizados atualmente, que são comerciais e de custo elevado, como o sistema ENVI6 (The Environment for Visualizing Images) cujo módulo IDL (Interactive Data Language) permite construir as séries temporais a partir da imagem. Porém, a geração da série é feita a cada imagem separadamente. O sistema desenvolvido que é apresentado neste trabalho manipula sequências de imagens automaticamente, extrapolando as informações de processamento da imagem principal para todas as imagens da mesma sequência, tornando a manipulação do especialista muito mais ágil e eficiente.

As imagens AVHRR/NOAA utilizadas se encontram no formato de arquivo GeoTIFF7. O GeoTIFF é uma extensão do formato de imagens TIFF (Tag Image File Format) para imagens geoespaciais. Assim como o formato TIFF, o GeoTIFF permite que as imagens possuam além de informações sobre a imagem (dimensão, profundidade de cores, etc.), informações geográficas/cartográficas e valores medidos pelos sensores presentes nos satélites. O formato também permite que as imagens possuam diversos canais de dados, o que torna possível a criação de imagens que apresentem dados no decorrer de um ano, por exemplo.

Essas imagens podem apresentar como dados, índices de vegetação, como por exemplo, o NDVI. O NDVI é amplamente utilizado para avaliação das mudanças do vigor vegetal da planta, estando relacionado com a capacidade fotossintética, ao nível de absorção de energia da planta. Pode ser calculado utilizando os valores medidos pelos satélites AVHRR/NOAA nos canais de espectro vermelho e infravermelho próximo. O NDVI pode ser calculado por meio da fórmula descrita abaixo:

���� =��� − ���

��� + ���

onde VER e IVP são, respectivamente, as medidas de reflectância espectral adquiridas nas regiões do vermelho e do infra-vermelho próximo.

O NDVI possui valores presentes no intervalo entre -1,0 até 1,0. Valores baixos de NDVI (menores do que 0,2) em geral representam solos sem cobertura vegetal ou com vegetação esparsa enquanto que valores muito elevados (acima de 0,9) indicam a presença de florestas. No entanto, não é possível identificar com exatidão a cultura plantada analisando apenas o valor do NDVI. É importante o conhecimento do especialista para ratificar se determinada região corresponde a qual cultura agrícola. Uma alternativa é o uso de máscaras feitas em satélites de maior resolução onde é mais

6 http://www.ittvis.com/ProductServices/ENVI.aspx 7 http://trac.osgeo.org/geotiff

factível a identificação da cultura plantada em cada região. Assim, extrair séries temporais de NDVI de imagens de baixa resolução como AVHRR-NOAA para pixels marcados como cana-de-açúcar na máscara utilizada torna-se viável.

Geralmente, as imagens de NDVI são geradas em tons de cinza. No entanto, é possível utilizar falsa cor para torná-las mais legíveis, melhorando sua visualização. A escala de cores adotada para as imagens NDVI foi definida por convenção internacional. A Figura 1 apresenta uma imagem colorida de NDVI para o estado de São Paulo. As cores azuis e verdes na imagem representam valores baixos de NDVI que indicam áreas de solo exposto ou com vegetação esparsa. Os valores médios de NDVI são representados pelas cores amarela e laranja e indicam que a vegetação naquela região apresenta mais biomassa. As cores vermelhas na imagem representam vegetação vigorosa e definem valores máximos de NDVI.

Figura 1. Imagem colorida (falsa cor) de NDVI para o estado de São Paulo.

O sistema SatImagExplorer foi desenvolvido utilizando plataformas livres e de código aberto permitindo contribuições para a melhoria de seus recursos. Foi utilizada a linguagem C++, juntamente com a biblioteca de código aberto GDAL8 (Geospatial Data Abstraction Library) para a manipulação de imagens no formato GeoTIFF e para o desenvolvimento da interface gráfica foi utilizado o framework desenvolvido pela Trolltech ASA Qt9.

8 http://gdal.org/ 9 http://qt.nokia.com/

3. Sistema SatImagExplorer

O SatImagExplorer apresenta uma interface simples e intuitiva, na qual o especialista define com o mouse qualquer região poligonal que deseja indicar para análise. A arquitetura do sistema é modular, como é indicado na Figura 2.

Figura 2. Arquitetura modular do SatImagExplorer.

3.1. Módulo de Interação

O usuário interage diretamente no sistema que é constituído por janelas e menus permitindo uma manipulação intuitiva e ágil. O usuário indica os arquivos de imagens a serem lidos e que serão usados como base para a geração da série temporal e especifica regiões de interesse a serem processadas. Arrastando o mouse, o usuário indica a região poligonal que será utilizada, e recebe como retorno visual a indicação da região marcada, para sua validação.

Alternativamente, pode ser utilizada a opção de especificação das regiões de interesse para a extração dos dados ou criação das séries temporais das imagens por meio de listas de coordenadas (latitude e longitude) e da leitura de arquivos texto. Desse modo, pode-se indicar com mais precisão regiões de interesse que se deseja analisar, como por exemplo, locais exatos onde há cultivo de cana-de-açúcar. Ou seja, se o especialista quiser acompanhar o desempenho de uma plantação específica de uma fazenda ou empresa, isso pode ser feito por meio dessa opção, que é mais precisa.

3.2. Módulo de Processamento

Após receber a indicação da região de interesse especificada pelo usuário e que será extrapolada para todas as imagens da sequência para a geração da série temporal, o SatImagExplorer calcula as medidas ou índices especificados pelo usuário sobre todas as imagens da sequência indicada. Desse modo, são obtidas séries temporais

correspondendo ao índice calculado segundo a indicação de tempo da imagem capturada pelo satélite.

As séries temporais são armazenadas em um arquivo de dados permitindo que o especialista de domínio os utilize de forma adequada para um processamento posterior. O usuário pode então manipular imagens e séries temporais delas extraídas visando adquirir o conhecimento que o auxilie em processos de análise do comportamento das regiões, por exemplo, como os índices e medidas afetam uns aos outros, apoiando-o no processo de tomada de decisões.

Figura 3. Interface do SatImagExplorer, onde em 1 é exibida a lista de imagens, em 2 a imagem é apresentada e em 3 são exibidas inf ormações da imagem.

O Sistema SatImagExplorer permite abrir ao mesmo tempo várias imagens de satélites no formato GeoTIFF que já passaram por um processo de tratamento (correções geométricas, mascaramento de nuvens, etc.). O SatImagExplorer abre imagens brutas do satélite AVHRR/NOAA, imagens NDVI, temperatura de superfície e do satélite GOES que são imagens de baixa e média resolução. A Figura 3 apresenta uma tela do sistema em operação. Após abertas, essas imagens serão exibidas na lista localizada a esquerda da tela, podendo-se selecionar qual imagem será exibida à direita da tela. Em sua parte inferior são exibidas informações como coordenadas de latitude e longitude de um dado ponto indicado pela posição do mouse, e seu respectivo valor.

(a) Seleção de região poligonal indicada por meio d e arrasto de mouse

(b) Seleção de região por meio de arquivo de coorde nadas

Figura 4. Imagens de áreas selecionadas pelo usuári o utilizando as duas abordagens. (a) indicação via mouse, (b) indicação via arquivo de coordenadas.

A Figura 4(a) exibe uma área selecionada pelo usuário por meio do mouse, já na Figura 4(b) a área marcada foi selecionada por meio de um arquivo de coordenadas definidas pelo usuário. No exemplo da Figura 4(b), a área demarcada representa algumas regiões onde ocorre o plantio de cana-de-açúcar no estado de São Paulo.

3.3. Extração de Índices e Medidas Consolidadas das Imagens - NDVI

Selecionadas as coordenadas desejadas das imagens, os dados estão prontos para extração, o que será feito sobre as matrizes de pixels das bandas indicadas. Mas antes, o

usuário pode optar por visualizar o comportamento da série temporal gerada na região selecionada no conjunto de imagens abertas por meio de um gráfico. No eixo das abscissas está representada a escala de tempo e no eixo das ordenadas os valores dos índices utilizados. Quando é selecionada uma área, esse gráfico exibe os valores para todas as coordenadas selecionadas, representadas por linhas em cinza e os valores médios da região são representados pela linha contínua em azul conforme é exemplificado na Figura 5.

As Figuras 5(a) e 5(b) mostram os gráficos das séries temporais de uma mesma região. Em ambas as figuras, o eixo das abscissas representa o tempo medido em meses e o eixo das ordenadas indica valores de NDVI. Como pode ser visto na Figura 5(a), existem sequências de imagens que correspondem a oito anos de colheita de cana-de-açúcar (abril de 2001 a março de 2009), gerando uma grande quantidade de dados que torna muito custosa a extração manual dos índices. Isso indica a importância de um sistema capaz de manipular imagens de satélites multi-temporais de modo automático.

A Figura 5(b) mostra um exemplo de comportamento anual da cultura de cana-de-açúcar, para o ano/safra de 2006/2007. Os valores de NDVI começam a crescer entre os meses de outubro e novembro com o início da temporada de chuva até alcançar seu pico no mês de março. A colheita da cana-de-açúcar começa a partir do mês de abril e a partir de então os valores de NDVI caem gradativamente até alcançarem os valores iniciais do começo do ciclo.

Este tipo de análise pode auxiliar sistemas regionais de previsão de safras, pois podem ser utilizados para confirmar, dentro de determinada precisão, o início e fim do ciclo de crescimento da lavoura em alguns pontos ou regiões pré-determinados. Por meio de ambos os gráficos, pode-se notar também que grande parte das coordenadas medidas estão próximas dos valores médios, porém existem coordenadas que estão muito afastadas. As coordenadas que extrapolam a faixa de valor podem significar erros alterados por ruídos nas medidas ou também regiões onde na realidade não existe o cultivo de cana-de-açúcar.

(a) Série temporal referente a oito anos de colheit a.

(b) Série temporal referente ao comportamento anual registrado em

2006/2007

Figura 5. Séries temporais de NDVI exibidas para a região de cana-de-açúcar. (a) Série de oito anos, (b) Série do ano/safra de 2 006/2007.

3.4. Inclusão de Novos Índices

Uma funcionalidade importante presente no sistema desenvolvido é a possibilidade do usuário calcular índices que são obtidos por meio de fórmulas matemáticas, já

desenvolvidas ou em elaboração/experimentação pelos especialistas, utilizando os canais presentes em uma imagem. As fórmulas são calculadas em tempo de execução, podendo ser mudadas de acordo com a vontade do especialista. Por precauções de erro de digitação ou má formação/indicação, as fórmulas são validadas de acordo com a gramática G = ({<exp>, <termo>, <fator>, <op_1>, <op_2>, <op_un>}, {número, banda, variável, (, ), +, -, *, /, ^,sin, cos, exp, log, sqrt }, P, <exp>), onde o conjunto das regras de produção P estão descritas na Figura 6 na forma Normal de Backus-Naur estendida.

Figura 6. Produção das gramáticas das fórmulas do c álculo de índices.

As fórmulas matemáticas são verificadas por meio de um analisador sintático descendente, codificado por meio de procedimentos recursivos. Após a verificação, as fórmulas são convertidas da notação infixo de entrada para um formato intermediário na Notação Polonesa Inversa, sendo resolvidas utilizando uma estrutura de pilha e respeitando a precedência dos operadores. Com tal procedimento, o sistema garante que a equação introduzida no sistema pelo especialista esteja completa.

O usuário pode definir as variáveis utilizando as bandas presentes em cada imagem, números reais, as quatro operações básicas, operadores unários e potenciação. Essas variáveis definidas pelo usuário também podem ser utilizadas em outras variáveis, como ilustra a Figura 7(a), onde foram definidas quatro variáveis.

O sistema SatImageExplorer permite que o usuário trabalhe diretamente com imagens com características de geração diferentes. Por exemplo, para as imagens AVHRR/NOAA que apresentam um canal no espectro vermelho e também um no espectro do infravermelho próximo, é possível calcular o NDVI conforme detalhado na Seção 2, bem como calcular outros índices de interesse para o especialista.

Deve-se ressaltar que dessa forma, evita-se pré-processar a imagem para que ela contenha um índice que talvez não seja utilizado no futuro para sua análise. A possibilidade de incluir novos índices e medidas, de um modo automático e simples, traz flexibilidade ao processo de análise e compreensão do comportamento de regiões de interesse em um período de tempo específico, tornando a ferramenta bastante poderosa para auxiliar a compreensão de fenômenos e apoiar a tomada de decisões.

A Figura 7(a) apresenta a definição da relação de NDVI feita pelo usuário a um conjunto de imagens "brutas" AVHRR/NOAA para regiões de cultivo de cana-de-açúcar, já a Figura 7(b) mostra o comportamento do NDVI no conjunto de imagens correspondentes ao período de janeiro a dezembro de 2005. A expressão é indicada pelo

<exp> ::= <termo> { <op_1> <termo> }

<termo> ::= <fator> { <op_2> <fator> }

<fator> ::= número | banda | variável

| <op_un> ( <fator> ) | ( <exp> )

<op_1> ::= + | -

<op_2> ::= * | / | ^

<op_un> ::= sin | cos | exp | log | sqrt

usuário por meio de notação convencional, diretamente no formulário de entrada da interface.

(a) Definição da fórmula pelo usuário

(b) NDVI retirado diretamente

Figura 7. Entrada de fórmulas arbitrárias de índice s.

O outlier presente no mês de setembro (valor nove no eixo horizontal) da Figura 7(b) foi causado devido à ausência de dados em na região de interesse, como ilustra a

Figura 8. Assim, durante a execução da equação, podem ocorrer divisões por zero acarretando em resultados infinitos.

Figura 8. Imagem recortada.

Esse recorte ocorre no momento de captura das imagens, já que podem ocorrer situações em que o satélite não se encontra localizado sobre a região de interesse, no caso o estado de São Paulo, e apenas parte dela é capturada.

Outra medida que pode ser utilizada é o Albedo, que é a razão ou quociente entre a quantidade de radiação refletida pela superfície da Terra (incluindo a atmosfera) e a radiação total incidente (proveniente do Sol) em uma dada temperatura. Superfícies de areia e de neve possuem altas taxas de albedo enquanto que florestas possuem baixas taxas de albedo [Song e Gao, 1999]. A fórmula abaixo permite computar tal medida:

������ = �� ∙ � + �� ∙ ���

onde:

�� = 0,494 ∙ ���� − 0,329 ∙ ��� + 0,372

�� = −1,439 ∙ ���� − 1,209 ∙ ���� + 0,587

4. Resultados Parciais

A Figura 9 ilustra os dados extraídos de uma série de oito anos de cana-de-açúcar (abril de 2001 a março de 2009). A curva em azul representa os dados extraídos com o sistema ENVI e as curvas em vermelho e verde referem-se aos dados extraídos por meio do SatImagExplorer. Os dados apresentam ruídos nos períodos de janeiro de 2002 e março de 2008, pois este intervalo de tempo corresponde a um período de muitas chuvas no estado de São Paulo, logo, a ocorrência de grande quantidade de nuvens impede a geração de boas imagens de NDVI.

Figura 9. Dados extraídos utilizando os sistemas EN VI e SatImagExplorer

Os ruídos nas imagens também ocorrem quando a passagem do satélite não está no nadir10 da antena de captura podendo gerar recortes nas imagens como ilustrado na Figura 10.

Figura 10. Imagem apresentando nuvens e recorte.

Ambos os sistemas (ENVI e SatImagExplorer) mostram perfis similares do cultivo da cana-de-açúcar, com disparidades de até 20% nos valores (janeiro de 2007). Essas disparidades ocorrem devido à diferença nos métodos empregados para a realização dos cálculos nos diferentes sistemas, tais diferenças ocorrem devido a peculiaridades dos métodos empregados nos dois sistemas. Essa disparidade será trabalhada futuramente.

10 Ponto de intersecção entre a linha vertical perpendicular ao plano horizontal local e a esfera celeste, mas no hemisfério oposto àquele em que se encontra o observador. (Fonte: www.agritempo.gov.br)

Outra diferença presente nos dados extraídos está no comportamento para ruídos e ausência de imagens, uma vez que o sistema ENVI atribui valores nulos e o SatImagExplorer utiliza como padrão um valor negativo inválido. Ou seja, a apresentação de dados espúrios é tratada diferentemente nos dois sistemas.

O sistema SatImagExplorer permite ainda que os dados passem por um processo de interpolação linear, o que fornece ao especialista uma visualização mais homogênea dos valores médios de NDVI extraídos das imagens.

5. Conclusões

Este artigo apresentou o sistema SatImagExplorer que está sendo desenvolvido para processar imagens heterogêneas, ou seja, de diversos tipos de satélite, permitindo sumarizar informações de bandas da imagem em um formato facilmente entendível pelo especialista: séries temporais. O SatImagExplorer gera séries temporais segundo medidas ou índices especificados ou projetados pelo especialista.

Diferentemente de sistemas anteriores que manipulam as imagens separadamente, no SatImagExplorer a especificação indicada pelo usuário é extrapolada para todas as imagens da sequência indicada por um diretório, o que torna o processamento das séries ágil e eficiente. Desse modo, o especialista tem o material que precisa para analisar mudanças relevantes nas regiões indicadas, permitindo-lhe realizar análises mais abrangentes e rapidamente. Além disso, o especialista pode elaborar e simular novas medidas, permitindo-lhe perceber alterações de clima e no desenvolvimento das culturas de um modo rápido e eficiente. Segundo os especialistas essa é uma característica muito importante para o desenvolvimento de suas pesquisas.

5. Agradecimentos

Este trabalho foi realizado com o apoio do CNPq, da FAPESP e Microsoft Research. Agradecemos ao CEPAGRI-UNICAMP pelo conjunto de imagens AVHRR/NOAA usadas na validação do SatImagExplorer.

6. Referências Bibliográficas

Avila, A. M. H. de ; Gonçalves, R. R. do V. ; Pinto, H. S.; Zullo Jr, J. (2009) “Relação entre a precipitação e o NDVI em imagens AVHRR/NOAA para a cana-de-açúcar”, In XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal. XIV Simpósio Brasileiro de Sensoriamento Remoto, 2009. p.1-5.

Eidenshink, J. C. (1992) “The 1990 conterminous US AVHRR dataset”, In Photogrammetric Engineering and Remote Sensing, v.58, p.809-813.

Esquerdo, J. C. D. M., Antunes, J. F. G., et al. (2006) “An Automatic System For AVHRR Land Surface Product Generation”, In Internacional Journal of Remote Sensing, V.27, N.18, P.3925-3942.

Fontana, D. C.; Potgieter, A.; Apan, A. (2005) “Relação entre a precipitação pluvial e índice de vegetação em imagens multitemporais MODIS”, In Congresso Brasileiro de Agrometeorologia (CBAGRO), 16, 2005, Campinas. Anais XIV Congresso Brasileiro de Agrometeorologia, Campinas, CD-ROM.

Gonçalves, R. R. V. (2008) “Relação entre a resposta espectral da cana-de-açúcar, registrada em série temporal de imagens do satélite AVHRR/NOAA, e condições agroclimáticas descritas pelo índice ISNA”, In Revista Brasileira de Agrometeorologia, v. 16, p. 189-197.

Gonçalves, R. R. V.; Nascimento, C. R.; Zullo Jr, J.; Romani, L. A. S. (2009) “Relationship between the Spectral response of sugar cane, based on AVHRR/NOAA satellite images, and the climate condition, in the state of Sao Paulo (Brazil), from 2001 to 2008”, In Multitemp 2009 - The International Workshop on the Analysis of Multi-temporal Remote Sensing Images, 2009, Groton, Connecticut. Multitemp 2009 - The International Worshop on the Analysis of Multi-temporal Remote Sensing Images. v. 5. p. 315-322.

Kampel, M. (2004) “Características gerais dos satélites NOAA: histórico, instrumentos e comunicação de dados”, In Ferreira, N. J. (Ed.) Aplicações ambientais brasileiras dos satélites NOAA e TIROS-N. São Paulo: Oficina de Textos, 271p.

Nascimento, C. R. ; Gonçalves, R. R. V. ; Zullo Jr, J. ; Romani, L. A. S. (2009) “Estimation of sugar cane productivity using a time series of AVHRR/NOAA-17 images and a phenology-spectral model”, In Multitemp 2009 - International Workshop on the Analysis of Multi-temporal Remote Sensing Images, 5, Groton, Connecticut, p. 365-372.

Rouse, J. W.; Haas, R. H.; Schell, J. A.; Deering, D. W. (1973) “Monitoring Vegetation Systems in The Great Plains With ERTS”, In Proceedings of the Earth Resources Technology Satellite-1 Symposium, 3., Washington, D. C., pages 309-317. (NASA SP-351).

Song, J.; Gao, W. (1999) “An Improved Method To Derive Surface Albedo From Narrowband AVHRR Satellite Data: Narrowband To Broadband Conversion”. In Journal of Applied Meteorology, 38: 239-249.