estimativas de correntes oceÂnicas...
TRANSCRIPT
INPE-9583-TDI/839
ESTIMATIVAS DE CORRENTES OCEÂNICAS SUPERFICIAIS PELO MÉTODO DA MÁXIMA CORRELAÇÃO CRUZADA
Eduardo Negri de Oliveira
Dissertação de Mestrado em Sensoriamento Remoto, orientada pelos Drs. João Antônio Lorenzzetti e José Luiz Stech, aprovada em 12 de dezembro de 2001.
INPE São José dos Campos
2003
528.711.7 : 551.46 OLIVEIRA, E. N. Estimativas de correntes oceânicas superficiais pelo mé- todo da máxima correlação cruzada / E. N. Oliveira. – São José dos Campos: INPE, 2001. 102p. (INPE-9583-TDI/839). 1Sensoriamento remoto. 2.Análise de imagens. 3.circu- lação. 4.reconhecimento. 5.Temperatura da superfície. 6.cor- rentes oceânicas. I.Título.
Quem quer que sejas: deixa tua alcova,
da qual já sabes tudo que desejas;
teu lar na tarde, longe, se renova,
quem quer que sejas...
... e tens já pronto o mundo: estranho assim
como palavra que amadurece
no silêncio, e que teu olhar esquece
quando lhe captas o sentido, enfim...
(Rainer M. Rilke)
AGRADECIMENTOS
Aos Drs. José Luiz Stech e João Antonio Lorenzzetti, pela credibilidade a mim depositada e
pela oportunidade de vivenciar experiências profissionais e pessoais com entusiasmo e
dedicação.
À minha Mãe e a meus Irmãos, Maristela, Heraldo, Marisa, por terem compreendido a
ausência e apoiado em todos os momentos; com muito carinho. A meu Pai, onde quer que
esteja.
À minha querida Juliana pelo companheirismo, compreensão e indescritível apoio que me
ajudou a seguir em frente nas horas mais dúbias.
Agradeço aos meus grandes amigos Rodrigo (Borena) e Leila pela amizade de longa data e
pelas conversas sempre encorajadouras.
Agradeço aos amigos Edson, Constantino, Daniela, Marcelo, Fred, Marcos, Rosely, Jane,
Estelio, Mariana, Milton, Silvana, Lubia, Regina, Raquel, Paulino. Pessoas que fazem
diferença.
Aos funcionários e amigos da Divisão de Sensoriamento Remoto Sidnea Maluf, pela
organização das imagens, Camilo pelos esclarecimentos sobre o IDL, Carlos Eduardo pelas
dicas sobre erdas e mascaramento de nuvens, Arcilan, Douglas e Milton pelas sugestões
sempre úteis, Olga e Paulo pelas conversas esclarecedoras.
À Etel e ao Dr. Formaggio pela dedicação dispensada aos mestrandos em Sensoriamento
Remoto.
Ao CNPq pelo fomento de bolsa de estudo, sem a qual não seria possível o
desenvolvimento desta Dissertação e ao INPE.
E a Deus.
RESUMO
Neste trabalho é aplicada a técnica de Máxima Correlação Cruzada (MCC) em seqüências
de imagens AVHRR/NOAA, para se estimar o campo de velocidade advectivo de
superfície, através das feições termais superficiais do oceano. As imagens são divididas em
janelas de moldura e de busca. Calcula-se a máxima correlação cruzada entre as janelas
selecionadas, obtendo, dessa forma, o vetor deslocamento da feição presente nas janelas.
Para que a eficiência do método seja explorada da melhor forma possível, é necessário que
o par de imagens esteja perfeitamente sobreposto; desvios de até dois pixels são tolerados.
Como requisito básico para a aplicação do método assume-se que as feições termais são
deslocadas por processos advectivos. Assume-se que processos de rotações ou deformações
nas feições, sejam suficientemente pequenos para serem desprezados. Esta hipótese é
considerada válida para intervalos de tempo menores que 24 horas entre duas imagens
consecutivas usadas nos cálculos. Para a determinação da confiabilidade estatística dos
valores de correlação cruzada, foram aplicados os testes de Emery et al.(1986) e Wu et al.
(1992). O filtro mediana vetorial (VMF) é aplicado para a remoção de vetores espúrios.
OCEAN SURFACE CIRCULATION ESTIMATED BY THE MAXIMUM CROSS-CORRELATION TECHNIQUE
ABSTRACT
The Maximum Cross Correlation Method (MCC) is applied to AVHRR/NOAA thermal
image pairs to estimate the surface advective velocity fields derived from oceanic thermal
features. The images are divided into template and search windows. The maximum cross-
correlation between these windows is calculated to obtain the displacement vector of the
tracked features in the windows. In order to achieve the best results, it is necessary that both
images are accurately registered; a maximum of two pixels of mismatch is allowed. The
basic assumption of the MCC method is that the thermal features are displaced by advective
processes. Rotational and deformation processes are considered small enough to be
neglected. This hypothesis is considered valid for time intervals of less than 24 hours
between two images used in the method. The statistical confidence for the cross-correlation
coefficient is determined using the Emery et al.(1986) and Wu et al. (1992) methodologies.
The technique of Vector Median Filter has been applied to remove spurious velocity
vectors.
SUMÁRIO
Pág.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SIGLAS E ABREVIATURAS
CAPÍTULO 1 – INTRODUÇÃO.............................................................................. 21 1.1 – Aspectos gerais.................................................................................................... 21
1.2 – Objetivos.............................................................................................................. 24
1.2.1 – Objetivo geral................................................................................................... 24
1.2.2 – Objetivos específicos........................................................................................ 24
1.3 – Área de aplicação................................................................................................ 25
CAPÍTULO 2 – FUNDAMENTAÇÃO TEÓRICA................................................. 29 2.1 – Circulação oceânica............................................................................................. 29
2.2 – Métodos para medidas diretas de correntes oceânicas........................................ 30
2.3 – Temperatura Bulk e temperatura superfície do mar (TSM)................................. 31
2.4 – Influência dos processos difusivos e convectivos na conservação do calor........ 33 CAPÍTULO 3 – MATERIAIS................................................................................... 37 3.1 – Os satélites NOAA............................................................................................... 37
3.1.1 – Aspectos gerais................................................................................................. 37
3.1.2 – Sensor AVHRR e parâmetros orbitais do satélite............................................ 38
3.2 – Imagens AVHRR/NOAA e aplicativos................................................................ 41
3.3 – O sistema Argos e o derivador de baixo custo................................................... 42
3.3.1 – O sistema Argos................................................................................................ 42
3.3.2 – O derivador de baixo custo............................................................................... 43
CAPÍTULO 4 – METODOLOGIA........................................................................... 47 4.1 – Introdução............................................................................................................. 47
4.2 – O método da máxima correlação cruzada (MCC)................................................ 47
4.3 – Determinação do tamanho das janelas................................................................. 50
4.4 – Teste de significância do coeficiente de correlação............................................. 51
4.4.1 – O teste de Emery.............................................................................................. 51
4.4.2 – O teste DCA....................................................................................................... 53
4.5 –Limitações do método MCC.................................................................................. 58
4.6 – Filtragem do campo de corrente vetorial resultante.............................................. 58
4.7 – Processamento do dado AVHRR.......................................................................... 60
4.7.1 – Correção geométrica......................................................................................... 60
4.7.2 – Precisão do georeferenciamento........................................................................ 60
4.7.3 – Algoritmo para detecção de nuvens................................................................... 61
CAPÍTULO 5 – RESULTADOS E DISCUSSÕES................................................... 65 5.1 – Introdução.............................................................................................................. 65
5.2 – Teste de deslocamento da imagem....................................................................... 67
5.3 – Nível de significância........................................................................................... 68
5.4 – Filtragem do campo vetorial estimado................................................................. 71
5.5 – Diferença entre os teste de Emery e DCA.............................................................. 72
5.6 – Comparação do campo vetorial com dados do derivador..................................... 78
5.7 – Campos de velocidade advectiva estimados.......................................................... 81
5.7.1 – Primavera............................................................................................................ 82
5.7.2 – Verão................................................................................................................... 86
5.7.3 – Outono................................................................................................................. 89
5.7.4 – Inverno................................................................................................................. 91
CAPÍTULO 6 – CONCLUSÕES E RECOMENDAÇÕES...................................... 95 REFERÊNCIAS BIBLIOGRÁFICAS....................................................................... 97
APÊNDICE A ............................................................................................................. 102
LISTA DE FIGURAS
Pág. 1.1 – Área de aplicação do método MCC. Compreendida entre os paralelos 22º e 34º S, e entre os meridianos 53º e 40º W.............................................................. 26 3.1 – Tamanhos de "pixels" selecionados ao longo de uma linha AVHRR quando projetados na Terra............................................................................................... 40 3.2 – Bóia de deriva acoplada à vela de arrasto............................................................. 44 4.1 – (a) janela de moldura selecionada da imagem 1; (b) janela de busca selecionada da imagem 2; (c) o ponto central da janela de busca coincidente com o ponto central da janela de moldura; (d) deslocamento, pmax e qmax, que corresponde à região onde a correlação é máxima....................................................................... 49 4.2 – Exemplo de média de superfície de autocorrelação............................................. 53 4.3 – Exemplo de matriz de autocorrelação para uma janela de moldura..................... 56 4.4 – Exemplo da nova área central de autocorrelação para uma janela de moldura, delimitada pelos valores superiores a δ. A DCA é ¼ dos pixels desta área......... 57 4.5 – Imagem de 24/03/2001 após aplicar o operador gradiente................................... 61 4.6 – Histogramas de freqüência dos deslocamentos residuais em linha (x) e em colunas (y), assim como a magnitude das velocidades residuais (cm/s)............... 62 5.1 – Campo vetorial estimado a partir de um par de imagens, com uma delas deslocada 10 pixels para a direita e 15 pixels para cima em relação à outra........ 67 5.2 – Campo vetorial estimado considerando-se o nível de significância de 5%.......... 69 5.3 – Campo vetorial estimado considerando o nível de significância de 1%............... 70 5.4 – Campo vetorial sem a filtragem............................................................................ 71 5.5 – Campo vetorial filtrado......................................................................................... 72 5.6 – Teste de Emery. Data imagem: 24/03/01.............................................................. 73
5.7 – Teste DCA. Data imagem: 24/03/01..................................................................... 74 5.8 – Teste de Emery. Data imagem: 17/11/00.............................................................. 75 5.9 – Teste DCA. Data imagem: 17/11/00..................................................................... 76 5.10 – Campo vetorial de corrente oceânica superficial estimado pelo método MCC juntamente com a trajetória do derivador 32431................................................. 78 5.11 – Campo vetorial de corrente oceânica superficial estimado pelo método MCC juntamente com a trajetória do derivador 32431. Na origem de cada vetor é apresentado o valor da velocidade do mesmo em cm/s...................................... 80 5.12 – Imagem do dia 30 de Outubro de 2000, 20:44 GMT......................................... 82 5.13 – Imagem do dia 31 de Outubro de 2000, 07:55 GMT......................................... 83 5.14 – Imagem do dia 17 de Novembro de 2000, 08:05 GMT..................................... 84 5.15 – Imagem do dia 17 de Novembro de 2000, 20:31 GMT..................................... 85 5.16 – Imagem do dia 17 de Dezembro de 2000, 20:26 GMT..................................... 86 5.17 – Imagem do dia 18 de Dezembro de 2000, 07:42 GMT..................................... 87 5.18 – Imagem do dia 26 de Fevereiro de 2001, 07:17 GMT...................................... 88 5.19 – Imagem do dia 26 de Fevereiro de 2001, 19:49 GMT...................................... 88 5.20 – Imagem do dia 23 de Maio de 2001, 20:17 GMT............................................. 89 5.21 – Imagem do dia 24 de Maio de 2001, 07:28 GMT............................................. 90 5.22 – Imagem do dia 06 de Julho de 2000, 18:57 GMT............................................. 91 5.23 – Imagem do dia 07 de Julho de 2000, 06:14 GMT............................................. 92 5.24 – Imagem do dia 15 de Julho de 2001, 20:37 GMT............................................. 93 5.25 – Imagem do dia 16 de Julho de 2001, 07:53 GMT............................................. 94
LISTA DE TABELAS Pág. 3.1 – Canais do Sensor AVHRR (NOAA-12/14)........................................................... 39 3.2 – Variações mensuradas no tamanho do pixel como conseqüência do processo de aquisição das imagens AVHRR/NOAA................................................................ 40 5.1 – Pares de imagens nas quais o MCC foi aplicado................................................... 66 5.2 – Velocidade média diária do derivador 32431........................................................ 79
SIGLAS E/OU ABREVIATURAS AC - Água Costeira
ACAS - Água Central do Atlântico Sul
ATN - Advanced TIROS-N
AVHRR - Advanced Very High Resolution Radiometer
CB - Corrente do Brasil
CM - Corrente das Malvinas
CNES - Centre d'Études Spatiales
CST - Convergência Subtropical
DCA - Decorrelation Area (Área de Decorrelação)
GL - Graus de Liberdade
GPC - Centros Globais de Processamento Argos
HRPT - High Resolution Picture Transmission
IDL - Interactive Data Language
IFOV - Campo Instantâneo de Visada
LCD - Low Cost Drifter
MCC - Máxima Correlação Cruzada
NASA - National Aeronautics and Space Agency
NOAA - National Oceanic and Atmospheric Administration
PCD - Plataformas de Coletas de Dados
PCS - Plataforma continental Sul
PCSE - Plataforma Continental Sudeste
PTT - Terminal de Transmissão da Plataforma
RRS - Estações de Recepção Regionais
SLCD - Sistema de Localização e Coleta de Dados
TIROS-N - Television Infrared Observation Satellite-N
TSM - Temperatura da Superfície do Mar
VMF - Vector Median Filter
21
CAPÍTULO 1
INTRODUÇÃO
1.1 – ASPECTOS GERAIS
O objetivo básico dos estudos oceanográficos é chegar a uma descrição clara e sistemática
dos oceanos, suficientemente quantitativa para permitir prever o seu comportamento futuro
com alguma certeza. Embora já se possa fazer certos prognósticos, em termos bem amplos,
para algumas características e em algumas regiões, muito longe de se poder prever com
confiança as variabilidades fenomenológicas associadas aos processos físico-químicos.
Existem muitas razões para a busca de conhecimentos dos oceanos; entre estas podemos
citar: a necessidade de compreender a influência dos oceanos na variabilidade do clima nas
diversas escalas espaciais e temporais; a formação e o comportamento de feições
oceanográficas de meso-escala e suas relações com os recursos pesqueiros; o auxílio à
navegação e à pesca; o controle ambiental dos oceanos etc. A imensa capacidade térmica
dos oceanos exerce considerável influência sobre o clima e o movimento das ondas e
correntes é fator a ser considerado nos processos de erosão costeira e em projetos de
quebra-mares, portos ou qualquer atividade marítima. Para essas aplicações e muitas outras,
conhecer a circulação oceânica é indispensável. O ideal da oceanografia física é conseguir
uma descrição quantitativa sistemática da natureza das águas oceânicas e de seus
movimentos.
Medições in situ de correntes oceânicas de superfície (ou em profundidade) em oceano
aberto não são facilmente realizáveis. Isto se deve, em primeiro lugar, pelo altíssimo custo
operacional; em segundo lugar, pela mão de obra necessária para realização dessa tarefa em
extensas regiões. Também se deve atentar ao fato de que medidas in situ estão associadas à
22
problemas práticos de difícil solução quando se almeja uma representação sinótica dos
campos amostrados.
Com o avanço da tecnologia espacial foi possível o desenvolvimento de novas
metodologias para coleta de dados na superfície dos oceanos. Os derivadores Lagrangianos,
ou bóias de deriva rastreadas por satélite fazem parte dessas novas tecnologias, oferecendo
recursos que possibilitam o acompanhamento das correntes oceânicas superficiais. Através
da trajetória seguida pelo derivador tem-se o acompanhamento da corrente superficial, com
baixo custo e margem de erro reduzida, o que já é um avanço significativo se comparado
com os métodos tradicionais de medidas das correntes.
Apesar da eficiência dos derivadores, é desejável não apenas uma trajetória, que está
diretamente relacionada com a corrente superficial local, mas sim um campo de estimativa
espacialmente mais amplo. Outro problema freqüentemente encontrado com a estimativa
do campo de velocidade através de derivadores é a tendência que estes dispositivos exibem
de se afastar de áreas de divergência no escoamento e de se concentrar em regiões de
frentes ou convergências. Se isto não for levado em conta, estimativas tendenciosas
poderão ser obtidas.
Outra maneira de se obter uma estimativa das correntes de superfície é o uso de seqüências
de imagens de satélite. Normalmente realizadas com o uso de dados coletados na faixa do
infravermelho termal pelo sensor Advanced Very High Resolution Radiometer (AVHRR),
estas novas metodologias fornecem uma estimativa do campo de velocidade advectiva
superficial.
Basicamente são dois os métodos pelos quais as correntes superficiais têm sido estimadas
por satélite: Acompanhamento de Feições e Máxima Correlação Cruzada (MCC). O
primeiro método está baseado na identificação visual de uma feição térmica ao longo de
uma série de imagens seqüenciais de satélite, a partir da qual é inferido, subjetivamente, o
23
deslocamento do padrão de temperatura superficial (La Violette, 1984). Este método
apresenta certas limitações, pois, tanto a seleção como o acompanhamento das feições é
dependente do operador. O segundo método também usa seqüências de imagens para
computar as velocidades superficiais, mas, ao contrário do primeiro, é um procedimento
computacional objetivo e independente do operador (Emery et al., 1986).
O método MCC, desenvolvido inicialmente para detectar o movimento de nuvens (Leese et
al., 1971), foi adaptado por Ninnis et al. (1986) para detectar o movimento do gelo marinho
entre imagens sucessivas. No mesmo ano, Emery et al. (1986) utilizaram a mesma
metodologia para estimar o campo de velocidades oceânicas superficiais. Com essa técnica
é possível estimar campos de velocidade superficial em meso e grande escala com custo
extremamente reduzido, viabilizando identificações dos fluxos e quantificando suas
intensidades.
Embora o método MCC tenha um desempenho acima das expectativas se comparado com
os outros, ele também apresenta algumas limitações. Na forma originalmente idealizada, o
método é incapaz de detectar movimentos rotacionais e/ou de deformação, estando apto
somente a reconhecer o movimento de translação do gradiente térmico identificado.
Kamachi (1989) afirma que, para curtos intervalos de tempo entre as imagens, de 4 a 5
horas, o movimento rotacional se aproxima localmente a uma translação, mas que, para
longos intervalos de tempo, cerca de um dia, o método pode não fornecer vetores de
velocidades corretos. Emery et al. (1986) salientam a inabilidade do método para avaliar
modificações no padrão térmico superficial devido aos mecanismos não advectivos, tais
como: difusão, aquecimento e resfriamento superficial. Entretanto, para intervalos de tempo
entre as imagens menores que 24 horas, Wahl e Simpson (1990) mostram que a difusão,
geralmente, não afeta a validade da estimativa.
Apesar das limitações, o método MCC tem sido amplamente utilizado. A possibilidade de
se estimar o campo de velocidade superficial de uma determinada região utilizando
24
imagens, além de seu baixo custo, pode em muitos casos ser a única alternativa. As
limitações do método devem ser levadas em conta, mas os resultados obtidos podem ser
melhorados por métodos estatísticos e de processamento mais sofisticados que reduzem a
margem de erro a um limiar aceitável e controlado.
1.2 – OBJETIVOS 1.2.1 – Objetivo Geral
O objetivo geral do trabalho é o desenvolvimento de um sistema computacional capaz de
estimar o campo de correntes oceânicas de superfície, através do processamento digital de
dados de temperatura da superfície do mar (TSM) obtidos por satélite.
1.2.2 – Objetivos Específicos
• Testar as eficácias dos métodos MCC propostos por Emery et al. (1986) e Wu et al.
(1992).
• Testar e implementar técnicas de filtragem do campo vetorial estimado pelo método
MCC, para eliminação de dados espúrios.
• Confrontar os dados de velocidade obtidos pelas trajetórias dos derivadores
lagrangeanos com o campo de velocidade de correntes de superfície estimado pelo
método MCC.
• Implementar algoritmo para detecção de nuvens.
25
1.3 – ÁREA DE APLICAÇÃO
A área escolhida para o desenvolvimento deste trabalho abrange a região oceânica
compreendida entre os paralelos 22º e 34º S, e entre os meridianos 40º e 53º W (Figura
1.1). A orientação geral da linha de costa é NE-SW, com exceção para as regiões situadas
imediatamente ao sul de Cabo Frio (23°S), onde a orientação é E-W, e logo ao norte do
cabo de Santa Marta (28°40'S), onde a orientação é N-S. Esses dois cabos delimitam uma
das principais porções da plataforma continental brasileira: a Plataforma Continental
Sudeste (PCSE). Já a área ao sul do Cabo de Santa Marta é denominada Plataforma
continental Sul (PCS). A plataforma continental Sudeste e Sul, inserida neste contexto
regional contêm os maiores e mais importantes portos do país, as principais bacias
petrolíferas, além de possuir o maior fluxo de embarcações.
A borda leste do Continente Sul-Americano caracteriza-se por uma plataforma continental
bem extensa e sofre a influência de fluxos relativamente intensos típicos das correntes de
contorno oeste (Stommel, 1948). Essas correntes são caracterizadas pelo transporte
meridional intensificado de momento, calor e outras propriedades físicas e químicas (Olson
et. al., 1988).
A água da PCSE é caracterizada pela presença de ressurgência costeira na região de Cabo
Frio, além da ocorrência contínua de largos meandros e vórtices que conferem uma
dinâmica superficial altamente variável. A água da PCS, na altura da costa do Rio Grande
do Sul, está sob a influência da Convergência Subtropical (CST), uma área de variabilidade
espaço-temporal intensa (Godoi e Stevenson, 1984). Esta é uma região de grande
complexidade em termos de massas de água, apresentando fortes correntes baroclínicas e
barotrópicas (Gordon, 1989), e numerosos meandros e vórtices ciclônicos e anticiclônicos
formados na frente de convergência, e observados tanto na margem sul da Corrente do
Brasil (CB) quanto ao longo da margem norte da Corrente das Malvinas (CM). A CB
26
domina a margem oeste do giro subtropical superficial do Atlântico Sul. À medida que flui
para sul, a CB resfria-se e torna-se menos salina, refletindo tanto as trocas do oceano com a
atmosfera quanto a mudança da composição de suas águas, devido à mistura com outras
águas adjacentes.
FIGURA 1.1 – Área de aplicação do método MCC. Compreendida entre os paralelos 22º e
34º S, e entre os meridianos 53º e 40º W.
A Água Tropical (AT) é a constituinte básica da Corrente do Brasil desde a sua origem até
a região de Cabo Frio (23°S), onde o transporte de calor começa a aumentar. A partir desta
região, em direção a sul, tanto a Água Costeira (AC) quanto a Água Central do Atlântico
27
Sul (ACAS), contribuem para este aumento de transporte. Por volta de 30°S a AT torna-se
uma constituinte minoritária da CB. Estimativas de transporte da CB apontam que sua
frente está situada dentro da isóbata de 200 m, indicando que o fluxo em direção ao sul
ocorre sobre os dois terços externos da plataforma continental. Dados de satélite e
amostragens da estrutura vertical da CB indicam que a CB é uma feição contínua e regular
ao longo da costa sul-sudeste brasileira (Garfield, 1990).
Estudos de modelagem realizados por Semtner e Chervin (1992) validaram a hipótese de
Stommel (1965), segundo a qual o transporte da CB é menos intenso do que o esperado
devido ao efeito contrário da circulação termohalina, onde estimativas de velocidade
superficial da CB ficaram em torno de 20 a 60 cm/s. Garfield (1990) verificou, através de
medidas correntométricas, obtidas em 24°S e 42°W, que a CB é bastante variável em
direção. As maiores magnitudes de velocidades e variações de direção foram das camadas
mais superficiais, em torno de 70 cm/s para sudoeste.
28
29
CAPÍTULO 2
FUNDAMENTAÇÃO TEÓRICA
2.1 – CIRCULAÇÃO OCEÂNICA
O vento é, basicamente, o principal forçante do campo de correntes oceânicas superficiais.
Mudanças em direção, velocidade e extensão das correntes oceânicas são conseqüências
diretas de mudanças no campo de vento. Além do vento, existem outros fenômenos que
determinam as circulações superficiais, contribuindo, por exemplo, com padrões de
meandramentos e vórtices que estão inseridos dentro de um contexto mais amplo de
circulação, onde processos de instabilidade dinâmica do escoamento passam a ter influência
cada vez mais determinantes.
Quanto maior a velocidade do vento, maior a força de fricção que atua na superfície do
mar. Essa força de fricção, resultante do campo de vento na superfície do mar, é conhecida
como cisalhamento do vento. Este, usualmente designado pelo símbolo τ, tem demonstrado
experimentalmente ser proporcional à velocidade do vento (W) ao quadrado, ou seja: τ =
cW2, onde o coeficiente c depende das condições atmosféricas prevalecentes. (Open
University Course Team, 1991).
O efeito do cisalhamento na superfície do mar é transmitido para as camadas inferiores
adjacentes como resultado da fricção interna entre elas. Isto não se dá simplesmente como
movimento de um fluído viscoso com escoamento laminar (viscosidade molecular), mas
sim como resultado de interações turbulentas entres as camadas (viscosidade turbulenta) .
Genericamente, o padrão de circulação do vento em grande escala induz a modelos de
circulação similares para cada oceano. Em cada caso, a circulação forçada pelo vento é
30
dividida em grandes giros que se estendem sobre os oceanos: os giros subtropicais
estendem-se desde o sistema de correntes equatoriais até a latitude aproximada de 50° e os
giros sub-polares que se estendem desta latitude até as regiões polares. A circulação forçada
pelo vento alcança profundidades de penetração que dependem da estratificação da coluna
d’água. Para regiões com forte estratificação, tal como nos trópicos, as correntes
superficiais estendem não mais que centenas de metros; nas regiões polares, onde a
estratificação não ocorre de maneira acentuada, a circulação forçada pelo vento atinge toda
a coluna d’água, ou seja, até o fundo do oceano (Mann e Lazier, 1996).
Por outro lado, diferenças entre o calor ganho e perdido pela superfície do oceano,
juntamente com mudanças de salinidade, devido principalmente à diferença entre
evaporação e precipitação e também a misturas, leva ao desenvolvimento de correntes
termohalinas e a formação de tipos de águas características em diferentes regiões.
As correntes termohalinas e as ocasionadas pelo vento não são completamente
independentes, já que as trocas de calor e de momento são dependentes da velocidade do
vento. A circulação forçada pelo vento é mais vigorosa e determina os grandes giros que
dominam as regiões oceânicas superficiais. A circulação termohalina é mais lenta, porém
seu fluxo se estende nas camadas mais profundas e formam modelos de circulação que
envolvem todos os oceanos (Peterson e Stramma, 1991). As correntes oceânicas são assim,
a resultante do efeito combinado dos movimentos termohalinos e daqueles gerados pelo
vento. Os primeiros dominam nas águas profundas, os segundos, nas camadas superficiais.
Em ambos os casos, o movimento prossegue muito além da região de origem.
2.2 – MÉTODOS PARA MEDIDAS DIRETAS DE CORRENTES OCEÂNICAS
As maneiras de descrever um fluxo fluido são, basicamente, duas: o método Euleriano, que
dá a direção e a velocidade do fluido em cada ponto do espaço, e o método Lagrangeano,
31
que descreve a trajetória de cada partícula do fluído em função do tempo. Em ambos os
casos o espaço é referido a um sistema de eixos estacionário em relação à Terra.
Nas medidas Eulerianas de correntes utilizam-se instrumentos estacionários, os quais
respondem à passagem de água por um rotor ou sensor equivalente, o que permite aferições
sobre velocidade e direção das correntes; os correntômetros fundeados são enquadrados
nesta categoria. E para medidas Lagrangeanas utilizam-se instrumentos ou materiais
flutuantes que se movem com a água e são observados durante um período de tempo,
tendo-se como referencial um sistema de coordenadas; os derivadores são enquadrados
nesta categoria (Stevenson 1966 apud Assireu 1998). Este método tem a vantagem de
oferecer, com menor quantidade de instrumentos, uma maior cobertura bidimensional
(eixos x,y) em espaço, sendo muito útil na descrição em meso e grande escala das correntes
dos oceanos (Assireu, 1998).
2.3 – TEMPERATURA BULK E TEMPERATURA SUPERFÍCIE DO MAR (TSM)
O mapeamento da TSM através dos satélites de sensoriamento remoto é uma das mais úteis
aplicações oceanográficas. Enquanto os satélites, com sensores infravermelhos, medem a
radiação proveniente somente da lâmina superficial dos oceanos, muitos pesquisadores
estão interessados em medidas mais representativas da TSM, ou seja, medidas que
forneçam a temperatura um pouco mais abaixo da lâmina superficial, onde a água encontra-
se usualmente misturada, freqüentemente referida como temperatura bulk.
A existência de uma lâmina d'água superficial nos oceanos foi primeiramente postulada por
Bruck (1940) e Woodcock (1941) e posteriormente verificada por observações (Woodcock
e Stommel, 1947). A primeira medida da temperatura da lâmina superficial foi obtida com
um pequeno termômetro de mercúrio que, apesar do seu tamanho relativamente diminuto,
não era suficientemente pequeno em comparação com a subcamada molecular,
impossibilitando uma perfeita averiguação dos valores reais de TSM. Atualmente os
32
sensores infravermelhos termais que atuam na janela atmosférica compreendida entre 8 e
12 µm, conseguem amostragens de TSM da ordem de 100 µm de espessura (Kraus e
Businger, 1994).
A TSM pode diferir de alguns décimos de grau da temperatura -bulk, sendo que a micro
camada superficial freqüentemente possui espessura menor que um milímetro, embora
possa variar dependendo do fluxo de energia local, através da superfície do oceano devido
ao transporte molecular. O gradiente de temperatura, característico da subcamada
molecular, persiste com ventos de até aproximadamente 10m/s, sendo destruído caso supere
este valor.
A existência da camada superficial tem sido explicada por modelos teóricos e empíricos
que demonstram que ela é necessária para regular o fluxo de energia radioativa nos
comprimentos de onda longos, como também o fluxo turbulento de calor sensível e latente
através da superfície do mar.
A espessura e o gradiente de temperatura da camada superficial do oceano são
determinados pelos mesmos processos de troca de calor. A temperatura da camada
superficial responde rapidamente a processos de irradiância para os comprimentos de onda
longos. A água tem alta emissividade no infravermelho termal e a radiação de comprimento
de onda longo é emitida do topo do oceano, a alguns micrometros de espessura, resfriando
ou esquentando a camada superficial. Sendo esta, justamente, a faixa espectral de aquisição
dos sensores que medem a TSM a bordo dos satélites de sensoriamento remoto.
A diferença entre a temperatura -bulk, medida a alguns metros abaixo da superfície do mar,
e a temperatura da camada superficial pode variar de –1.0 a 1.0 °C. Embora essa diferença
de temperatura pareça ser pequena, é significante sua contribuição para o estudo do clima
33
global quando os dados são adquiridos por sensores remotos a bordo dos satélites de
aquisição da TSM (Schluessel et. al., 1990).
2.4 – INFLUÊNCIA DOS PROCESSOS DIFUSIVOS E CONVECTIVOS NA CONSERVAÇÃO DO CALOR Embora na maior parte dos oceanos e durante quase todo ano, as intensidades dos ventos
sejam geralmente menores que 10 m/s (Hellerman, 1967), o cisalhamento na superfície se
constitui num dos principais forçantes responsáveis pela mistura e destruição dos gradientes
térmicos. Com velocidades do vento superiores a 20m/s, pode ocorrer uma intensa mistura
vertical destruindo os padrões térmicos espaciais, o que acabaria por inviabilizar a
estimativa da velocidade através do rastreamento da feição térmica superficial. Entretanto,
com ventos inferiores a 10 m/s, Simpson e Dickey (1981) mostraram que a temperatura da
superfície do mar é amplamente determinada pela difusão e pela troca de calor entre o
oceano e a atmosfera. Fisicamente, os processos responsáveis pelo seu condicionamento
estão englobados nos termos descritos na equação (2.1) da conservação do calor:
DT/Dt = KH∇H2T + KZ (∂2T /∂Z2) + ∑ (1/cρ)Qi (2.1)
onde o termo da esquerda é a derivada material da temperatura T pelo tempo. KH e KZ são
os coeficientes de difusão turbulenta horizontal e vertical, respectivamente, assumidos
constantes. Qi é qualquer fonte de aquecimento ou resfriamento térmico por unidade de
volume, c é a capacidade calorífica e ρ é a massa específica da água.
A derivada material da temperatura é definida por:
DT/Dt = (∂T /∂t) + ū .∇T (2.2)
onde u=(u,v,w) é a velocidade do fluido.
34
Associando-se a equação 2.1 à equação 2.2, obtém-se:
∂T /∂t = - ū .∇T + KH ∇K2T + KZ (∂2T /∂Z2) + ∑ (1/cρ)Qi (2.3)
a b c d
A equação acima descreve a variação temporal da temperatura como função da advecção,
difusão horizontal, o entrainment e as trocas de calor com a atmosfera, respectivamente os
termos da direita da equação. Sendo que a) é o Transporte Advectivo de Calor; b) é o
Transporte Difusivo Horizontal de Calor; c) o Transporte Difusivo Vertical de Calor e d) é
a Troca de Calor Sensível e Latente.
O ultimo termo da equação 2.3 (d), é o fator mais importante na determinação da estrutura
termal na superfície do oceano, sendo composto pelos fluxos de calor latente, sensível,
radiação de onda longa e fluxo solar incidente, afetados ou não pela cobertura de nuvens.
Valores médios de fluxo de calor estimados por Ghisolfi et. al. (1991) no oceano adjacente
à costa do Rio Grande do Sul estiveram de acordo com aqueles descritos por outros autores
em regiões semelhantes. Estes valores foram utilizados para estimar a variação na
temperatura superficial em função do entrainment e das trocas de calor com a atmosfera
(item c, d – equação 2.3). Verificou-se que estes fatores podem ser desprezados frente à
variação decorrente da advecção horizontal, para escalas de tempo diurnas, tornando
plausível desprezar esses dois efeitos.
A nível molecular, a difusão pode ser entendida como um movimento randômico através do
qual ocorre a transferência de energia de uma molécula para outra. Embora aparentemente
não tenha importância, devido a sua pequena escala espaço-temporal, a difusão é
responsável, em última instância, pela dissipação de energia continuamente injetada no
sistema de maior escala.
35
Ao modelar o papel da difusão na conservação do calor, Ghisolfi e Garcia (1996),
constataram que a difusão isoladamente é um processo que pouco influencia a estimativa da
velocidade quando se utiliza o método MCC. O MCC começa a sofrer a influência da
difusão quando o intervalo temporal entre o par de imagens for superior a 36 horas, para
um coeficiente de difusão turbulento KH = 10 m2 s-1. Resultados semelhantes foram obtidos
por Wahl e Simpson (1990). Esses autores salientaram que para valores de KH superiores a
100 m2s-1, a difusão torna-se significante, fazendo com que ocorra uma diminuição
considerável no valor do coeficiente de correlação cruzada. Segundo o diagrama de difusão
oceânico apresentado por Okubo (1974), a maior parte das estimativas de coeficientes de
difusão situou-se abaixo dos 10 m2 s-1.
Ghisolfi e Garcia (1996) ao modelar o processo de advecção concluíram que o método
MCC fornece bons resultados e representa corretamente o processo físico modelado. Tal
resposta já era esperada, uma vez que a hipótese básica do método MCC assume a
advecção como o único mecanismo responsável pelo deslocamento das feições térmicas.
Por último, os autores acima citados, modelaram os processos difusivos e advectivos
agindo simultaneamente. Esta é a situação mais importante, pois no oceano real estes
processos ocorrem em conjunto. Pode-se dizer que coeficientes de difusão da ordem de 10
m2s-1 constituem-se em limites superiores para a obtenção de boas estimativas de
velocidades através do método MCC, da mesma forma que para a difusão isoladamente. Ao
mesmo tempo, em regiões onde os coeficientes de difusão são superiores a estes, é possível
ainda obter resultados de velocidade advectiva se as imagens consecutivas possuírem
pequenos intervalos de tempo entre si e existirem fortes gradientes térmicos.
36
37
CAPÍTULO 3
MATERIAIS
3.1 – OS SATÉLITES NOAA
3.1.1 – ASPECTOS GERAIS
Os primeiros sensores utilizados para aplicações oceanográficas que voaram a bordo dos
satélites meteorológicos geoestacionários (Meteosat, GOES, GMS, INSAT), apresentavam
apenas dois canais: um no visível e outro no infravermelho termal, centrado em 11 µm.
Este último canal se localizava na "janela atmosférica" de 8 a 14 µm, região do espectro
onde a atmosfera apresenta transmitância relativamente alta. A resolução espacial máxima
destes sensores não ultrapassava 5km x 5km.
Os satélites da série National Oceanic and Atmospheric Administration (NOAA)
começaram a operar em 1970 com o lançamento do satélite NOAA-1. De 1970 a 1976 os
satélites NOAA 1, 2, 3, 4 e 5 carregavam dois radiômetros distintos de dois canais: o
radiômetro de varredura (SR) e o radiômetro de resolução muito alta (VHRR). Estes
sensores também foram utilizados nas primeiras medidas de TSM.
A partir de outubro de 1978 os satélites da série Television Infrared Observation Satellite
(TIROS-N) começaram a operar, onde o símbolo N foi usado para representar a próxima
geração (Next generation) de satélites. No período de outubro de 1978 a julho de 1981
foram lançados os satélites NOAA 6 e 7. O primeiro satélite da série TIROS-N, lançado em
1978, carregava a bordo o primeiro sensor AVHRR que era um radiômetro de quatro
canais. Posteriormente este sensor passou a operar com cinco canais (AVHRR 2) a bordo
do satélite NOAA 7, lançado em 1981.
38
Em março de 1983 foi lançado o satélite NOAA 8, fisicamente mais robusto e com mais
potência para acomodar maior número de equipamentos do que os predecessores. A
configuração atual conta com o NOAA 14, lançado em dezembro de 1994, o NOAA 15,
lançado em maio de 1998 e o NOAA 16, lançado em setembro de 2000. O NOAA 15 é o
primeiro de uma série de cinco satélites, com capacidade de imageamento e sondagem
acrescidos (NOAA, 2000).
3.1.2 – SENSOR AVHRR E PARÂMETROS ORBITAIS DO SATÉLITE
As imagens AVHRR são obtidas a partir dos satélites da série NOAA do tipo Advanced
TIROS-N (ATN) que transitam em órbitas heliossíncronas quase circulares com altitudes
nominais da ordem de 833 km e 98,89° de inclinação (quase polar), período de
aproximadamente 102 minutos. Devido a essa periodicidade, o satélite realiza 14,1
circunvoluções na Terra por dia (Kidwell, 1993).
O sensor AVHRR é um radiômetro de cinco canais que possui um ângulo de visada de
54,4° para cada lado do nadir, com uma cobertura total de varredura no terreno de
aproximadamente 2700Km. O ângulo médio de visada instantâneo é de 1,4 mrads,
conferindo uma resolução espacial no terreno da ordem de 1,1x1,1 Km no nadir e de
2,4x6,9 Km para ângulos máximos de varredura (USGS EROS Data Center, 2000). Os
cinco canais do sensor são distribuídos do visível ao infravermelho termal, de acordo com a
tabela 3.1.
Os canais 1 e 2 medem a luz refletida nas regiões do visível e infravermelho próximo
respectivamente, enquanto que os canais 3, 4 e 5 são dominados pela radiação emitida pela
superfície. Os dados coletados no canal 3 possuem a vantagem de serem pouco afetados
pelo vapor d'água atmosférico, entretanto, possuem uma parcela substancial de radiação
solar refletida, sendo, portanto, utilizados somente à noite. Os dados dos canais 4 e 5 são
39
mais afetados pelo vapor d'água, não sendo, entretanto, contaminados pela radiação solar
refletida.
TABELA 3.1 – Canais do sensor avhrr (noaa-12/14).
Canal Resolução
Espectral (µm)
IFOV
(mrads)
Característica
1 0.58 - 0.68 1.39 Luz solar refletida no visível
2 0.72 - 1.10 1.41 Luz solar refletida IR próximo
3 3.55 - 3.93 1.51 IR solar refletido e IR emitido
4 10.30 - 11.30 1.41 IR termal emitido
5 11.50 - 12.50 1.30 IR termal emitido
O campo instantâneo de visada (IFOV) do sensor AVHRR faz com que os "pixels" ao
longo da linha de varredura tornem-se maiores à medida em que se afastam do nadir.
Assim, o formato do "pixels" muda de circular no nadir para elíptico nas extremidades do
ângulo de visada (Flannigan e Haar 1986 apud Fernandes 1998). A figura 2.1 mostra as
variações em tamanhos dos "pixels" em direção às bordas da imagem.
Frulla et. all (1995) através da análise geométrica no processo de aquisição das imagens
AVHRR/NOAA, mensuraram as variações ocasionadas no tamanho do pixel à medida que
o ângulo de visada aumenta. Dessa forma foram calculados: porcentagem relativa de
acréscimo no tamanho do pixel, definida como P%(x)=[(x(P)-x(Pc))/x(Pc)]x100, onde Pc é o
píxel central (nadir); e número de pixels compreendidos nas variações à medida que se
desloca para a extremidade da imagem, definido como N(x)=x(P)/x(Pc). Com isso
obtiveram as magnitudes das variações no tamanho do pixel em relação ao pixel central,
conforme Tabela 3.2.
40
FIGURA. 3.1 – Tamanhos de "pixels" selecionados ao longo de uma linha AVHRR quando
projetados na Terra. Fonte: Flannigan e Haar, 1986.
TABELA 3.2 – Variações mensuradas no tamanho do pixel como conseqüência do
processo de aquisição das imagens avhrr/noaa. comprimento do
pixel: x=l (corresponde à variação perpendicular ao deslocamento do
sensor); lagura do pixel: x=w (corresponde à variação ao longo do
deslocamento do sensor).
Pixels
(Pc,P)
(1,250)
(1,500)
(1, 750)
(1,920)
(1,1000)
(1,1024)
P%(l)
N(l)
7
1.07
33
1.33
106
2.06
247
3.47
411
5.11
496
5.96
P%(w)
N(w)
3
1.03
14
1.14
39
1.39
73
1.73
101
2.01
113
2.13
Fonte: Frulla et. all (1995).
41
3.2 – IMAGENS AVHRR/NOAA E APLICATIVOS
Devido às vantagens de proporcionar uma visão sinóptica, ou seja, maior abrangência
espacial simultânea, facilidade de obtenção de imagens diárias e custo baixo em
comparação a outras imagens digitais de sensoriamento remoto, as imagens
AVHRR/NOAA têm permitido o monitoramento regional e global até então impraticável.
Desde Maio de 2000, dados do sensor AVHRR/NOAA vêm sendo coletados diariamente
pela estação de recepção High Resolution Picture Transmission (HRPT), instalada no
Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos/SP, Divisão de
Sensoriamento Remoto. A recepção automática dos dados é feita por meio do software
SMARTRACK e as imagens adquiridas são avaliadas e posteriormente armazenadas em
CD's. Os dados coletados pela estação de recepção constituem-se em "imagens brutas", que
devem ser tratadas para se adequarem às finalidades do trabalho. O mascaramento de
nuvens e a correção geométrica das imagens são efetuados com a utilização do software
ERDAS IMAGERY.
As imagens utilizadas neste trabalho correspondem às bandas 3, 4 e 5 cujas características
estão descritas na tabela 2.1. Os canais 4 e 5 são utilizados para calcular a TSM, que por
sua vez, juntamente com os demais canais acima citados, são utilizados para detecção e
mascaramento de nuvens. O canal 4 é utilizado para se aplicar o MCC.
O programa implementado para a estimativa de correntes oceânicas superficiais foi escrito
em linguagem de programação Interactive Data Language (IDL). O programa
desenvolvido opera tanto em ambiente Unix como no sistema operacional Windows da
Microsoft.
42
3.3 – O SISTEMA ARGOS E O DERIVADOR DE BAIXO CUSTO
3.3.1 – O SISTEMA ARGOS
O ARGOS é um sistema derivado de um projeto cooperativo entre a NOAA, National
Aeronautics and Space Agency (NASA) e o Centre d'Études Spatiales (CNES),
amplamente usado para fornecer dados de posicionamento de derivadores no mar. Ele é um
sistema operacional de coleta de dados global, que utiliza os satélites da série TIROS-N
(NOAA-AVHRR), equipados com o Sistema de Localização e Coleta de Dados (SLCD)
para recepção e retransmissão dos dados para as estações de terra (Silva Jr., 1989).
Cada satélite vê simultaneamente todas as Plataformas de Coletas de Dados (PCD's)
derivadores dentro de uma área de visada correspondente a um círculo de 5000 km de
diâmetro a cada instante, para um ângulo de elevação mínimo de 5° (ângulo entre o
horizonte e a linha de visada da PCD). A faixa de sobreposição do traçado de duas órbitas
sucessivas de cada satélite NOAA e o número de passagens diárias do satélite aumenta com
a latitude, variando de 7 a 28, do Equador aos pólos.
Os dados recebidos pelos satélites são descarregados sobre uma das estações terrestres,
Wallops Island (Virgínia, USA), Fairbanks (Alaska, USA) e Lannion (França), a que
estiver mais ao alcance para aquela órbita do satélite. Estas estações retransmitem os dados
de forma direta ou indireta para os Centros Globais de Processamento Argos (GPCs),
situados em Landover (Maryland, USA) e Toulouse (França). Os equipamentos a bordo do
satélite possibilitam também que os dados sejam retransmitidos em tempo real. Os dados
transmitidos pelo satélite em tempo real são recebidos pelas Estações de Recepção
Regionais (RRSs) por meio de sinais em VHF ou banda-S. Nesta modalidade, tanto a
plataforma quanto a estação regional devem estar dentro do campo de visada do satélite
para que a recepção seja possível. Existem estações de cobertura regional espalhadas pelo
43
mundo todo, em várias universidades e centros de pesquisas, inclusive no INPE (Assireu,
1998).
A localização da bóia obtida pelo sistema ARGOS provém da medida do efeito Doppler
sobre a média das freqüências recebidas pelo satélite durante a passagem sobre uma
determinada PCD. Esta média de freqüência é calculada através da correlação linear
simples, e é aceita pelo sistema ARGOS como sendo a freqüência nominal de transmissão
da PCD durante uma determinada passagem (Souza, 1992).
O sistema de processamento ARGOS calcula a posição das plataformas para as quais no
mínimo quatro mensagens tenham sido coletadas, para que a média das freqüências possam
ser calculadas, e que tenha um intervalo mínimo de 240 segundos entre a primeira e a
última mensagem. Dependendo do número de mensagens coletadas, do intervalo mínimo
entre a primeira e última mensagens recebidas e da estabilidade do transmissor a bordo do
derivador, obtém-se a posição da plataforma com uma acurácia de localização entre 150
metros e 1Km (Assireu, 1998).
3.3.2 – O DERIVADOR DE BAIXO CUSTO
Os derivadores de baixo custo (Low Cost Drifter – LCD) são assim chamados por
apresentarem preços que correspondem em média 1/3 do valor de uma bóia convencional,
podendo serem lançados a partir de navios ou aeronaves. Após o lançamento, estes seguem
as correntes superficiais e coletam, através de seus sensores, parâmetros físicos da água.
Eles são rastreados por satélites e transmitem, através destes, dados coletados in situ
durante um longo período de tempo. A figura 3.2 mostra a bóia de deriva juntamente com a
vela de arrasto.
Na superfície, acima da lâmina d'água, quando a bóia está à deriva, temos o flutuador que
consiste de uma esfera de aproximadamente 35 cm de diâmetro, feita de fibra de vidro e
44
que contém em seu interior a Terminal de Transmissão da Plataforma (TTP), baterias e uma
antena, através da qual os dados são transmitidos para o satélite. Um outro instrumento
bastante importante é a vela submersa, do tipo meia-furada, a qual possui 7m de
comprimento e se mantém aproximadamente a 15m de profundidade (Assireu, 1998). As
bóias são programadas para coletar dados de temperatura e de posicionamento, sendo
adotado o sistema ARGOS para recepção e processamento dos dados (Stech e Lorenzzetti,
1994).
FIGURA 3.2 – Bóia de deriva acoplada à vela de arrasto
Fonte: Assireu (1998)
A vela submersa tem a função de manter o derivador acoplado à corrente e minimizar o
efeito do vento e outros fatores sobre a trajetória da bóia. Do tipo meia-furada, esta vela
oferece a vantagem, devido a sua estrutura de construção, de atenuar, também, os efeitos da
turbulência sobre o deslocamento do derivador.
A TTP é outro instrumento muito importante, é responsável pelo envio por telemetria dos
dados coletados in situ pelos sensores que integram o derivador: termistor (medida da
TSM) e sensor de submersão. A freqüência de transmissão deve estar situada entre 401,646
a 401,654 Mhz. A freqüência recebida pelo instrumento a bordo do satélite é medida, o que
permite que se determine o deslocamento Doppler (o efeito Doppler é a mudança observada
45
na freqüência de uma onda devido ao movimento da fonte em relação ao observador, ou
vice-versa), estimando-se, dessa forma, a posição do derivador (Assireu, 1998).
46
47
CAPÍTULO 4
METODOLOGIA
4.1 – INTRODUÇÃO
Tradicionalmente, os estudos de circulação à bordo de navios científicos, embora muito
utilizados até o presente, constituem-se em procedimentos de alto dispêndio econômico,
além de difícil realização. E o tempo gasto para cobrir largas áreas no oceano resulta em
um conjunto de dados não sinóticos. Dessa forma, existe a necessidade de se estudar os
padrões de circulação sobre grandes áreas em pequenos intervalos de tempo, de modo a
obter-se uma visão abrangente da dinâmica superficial oceânica. O método aqui proposto
visa esse objetivo.
4.2 – O MÉTODO DA MÁXIMA CORRELAÇÃO CRUZADA (MCC)
O método computacional para estimativas de campos de velocidades superficiais advectivas
consiste, essencialmente, na identificação da máxima correlação cruzada entre matrizes que
definem sub-áreas de um par de imagens seqüenciais. Da primeira imagem extrai-se a sub-
área que define a janela de moldura (template window), cujo tamanho pode variar de acordo
com a área de estudo. Na segunda imagem, uma sub-área mais ampla é selecionada e
definida como janela de busca (search window), cujo ponto central inicial coincide com o
da janela de moldura (Figura 4.1 a, b, c). Então podemos adquirir uma janela de moldura,
na imagem 1, que pode ser representada matricialmente por A(x,y). A matriz
correspondente na imagem 2, com deslocamento espacial nulo em relação à matriz da
janela de moldura, será representada por B(x,y). Para o caso em que ocorra deslocamento
48
em relação à janela de moldura, a matriz será representada por B(x + p, y + q). Os valores
máximos e mínimos de p e q definem o tamanho da janela de busca. Dessa forma, a
correlação cruzada entre as matrizes A e B, para um deslocamento (p, q), é definida como:
1 r(p,q) = ∑∑ {[A(x,y) – Am(x,y)] [B(x+p, y+q) – Bm(x+p, y+q)]} (4.1) σA σB onde σA e σB correspondem ao desvio padrão para as matrizes A e B, respectivamente. O
somatório é feito sobre todos os valores de x e y compreendidos na matriz A. Am (x,y) e
Bm(x+p, y+q) são os valores médios para cada matriz. E, finalmente, r(p,q) corresponde à
correlação cruzada obtida num deslocamento relativo (p, q).
O deslocamento relativo (p, q) entre a janela de moldura e de busca para o qual a correlação
é máxima, determina o vetor de velocidade advectiva (figura 4.1 d), como segue:
c = [(pmax ∆x)2 + (qmax ∆y)2]1/2 / ∆T (4.2)
onde c é a velocidade; ∆x e ∆y são os intervalos espaciais (resolução espacial do pixel,
com ∆x = ∆y); pmax e qmax são os deslocamentos espaciais onde a correlação foi máxima; e
∆T é o intervalo de tempo entre as imagens.
A direção do movimento, θ, é dada por: θ = arctan (qmax∆y / pmax ∆x). Quando ∆x = ∆y,
tem-se: θ = arctan (qmax / pmax) (Garcia e Robinson, 1989).
49
FIGURA 4.1 – (a) janela de moldura selecionada da imagem 1; (b) janela de busca
selecionada da imagem 2; (c) o ponto central da janela de busca
coincidente com o ponto central da janela de moldura; (d) deslocamento,
pmax e qmax, que corresponde à região onde a correlação é máxima.
As feições contidas no interior das sub-imagens permitem a determinação da velocidade
advectiva. O método assume que a feição, delineada a partir do gradiente termal, sofre
apenas o processo físico de advecção, sem alterações do padrão termal durante o intervalo
de tempo em que a seqüência de imagens está compreendida.
50
A hipótese mais básica do método, diz respeito ao fato de que os deslocamentos da feição
termal do gradiente de temperatura podem ser rastreados somente se o formato desta for
invariante. Essa hipótese seria rigorosamente verdadeira se a correlação cruzada máxima
entre as janelas das imagens fosse igual a 1 para cada par. Infelizmente, essa condição
praticamente nunca é satisfeita. Dessa forma, faz-se necessário determinar um valor
mínimo aceitável para o coeficiente de correlação, ou seja, um limiar de corte. Se o valor de
corte for muito alto, ou seja, a exigência de um coeficiente de correlação próximo de 1,
poucos serão os vetores de velocidade superficial a serem estimados; por outro lado, se o
valor de corte do coeficiente de correlação for baixo, muitos vetores aparecerão, entretanto,
a confiabilidade estatística neles será prejudicada. Este aspecto será abordado com mais
detalhe no item que trata da determinação da correlação de corte.
Há a possibilidade de aplicação do modelo MCC em situações onde os processos
advectivos apresentam maiores ou menores taxas de deslocamento das feições. Dessa
forma, as janelas (de moldura e busca) devem ser adequadamente dimensionadas para o
caso em estudo. A dinâmica no tamanho da janela de moldura possibilita a incorporação de
conhecimentos do tamanho da escala da feição termal dentro do processo de busca.
4.3 – DETERMINAÇÃO DO TAMANHO DAS JANELAS
O tamanho das janelas é importante na determinação da resolução espacial do campo de
velocidade advectiva. O tamanho da janela de moldura deve ser amplo o suficiente para que
as feições térmicas de interesse sejam incluídas no processo de procura. Se a janela de
moldura for muito pequena, ela conterá poucas feições térmicas passíveis de serem
amostradas, comprometendo o rastreamento dessas feições. Por outro lado, com janelas
muito grandes, uma área de alta correlação é bem definida, mas algumas estruturas do
campo de velocidade poderão ser perdidas (Emery et al., 1992).
51
A escolha do tamanho da janela de busca é também função do máximo valor de velocidade
esperado. Ela é determinada pela soma da janela menor (de moldura) mais o deslocamento
da feição, tendo como base o intervalo de tempo entre as imagens seqüenciais.
Fica claro, tendo em vista o exposto acima, que o tamanho das janelas é específico para
cada área na qual o método é aplicado. Na literatura, encontram-se janelas de moldura que
variam de 10 até 40 pixels para imagens AVHRR.
4.4 – TESTE DE SIGNIFICÂNCIA DO COEFICIENTE DE CORRELAÇÃO
A circulação e o campo de temperatura de superfície no oceano apresentam uma dinâmica
bastante complexa , de tal forma que em determinadas áreas o padrão de distribuição de
temperatura é único. Um campo de velocidade advectiva derivado pelo método MCC, sobre
o qual nenhum teste de significância foi aplicado, apresenta inúmeros vetores errôneos,
distribuídos aleatoriamente por toda a imagem (devido à limitação do método da MCC em
capturar todas as feições termais existentes, independentemente do aspecto físico que as
tenha gerado). Somente a magnitude do coeficiente de correlação, a partir de um ponto de
vista estatístico, não indica o nível de significância esperado. Existem métodos estatísticos
para se testar a significância do coeficiente de correlação e conseqüentemente sua
validação. A seguir é apresentado o teste proposto por Emery et al (1986), de agora em
diante denominado teste de Emery, e o proposto por Wu et al. (1992), denominado de Área
de Decorrelação (Decorrelation Area - DCA).
4.4.1 – O TESTE DE EMERY
Para um coeficiente de correlação estimado r, existe um t tal que:
t = r{N/(1-r2)}1/2 (4.3)
52
onde N é o número de Graus de Liberdade (GL) do sistema e r o coeficiente de correlação
(-1 ≤ r ≤1). O parâmetro t corresponde a uma variável randômica que tem uma distribuição
t-student com N graus de liberdade, o qual pode ser estimado em função dos dados
amostrados (Chatterjee e Price, 1977). Para aplicar o teste de significância, escolhe-se
primeiramente o nível de significância desejado, denotado por α (α = 1%, 5%, 10% etc).
Para uma população correlacionada é possível estipular o GL do sistema, o qual será
utilizado para se calcular t, cujo conceito de determinação está vinculado ao processo de
decorrelação. Emery et al. (1986) procederam a análise da escala de decorrelação da
seguinte forma; previamente determinaram o GL analisando-se a média das matrizes de
autocorrelação para todas as janelas de moldura da área que estava sendo estudada (com a
janela de moldura deslocando-se sobre ela mesma. A autocorrelação média em função dos
deslocamentos obtidos na direção x+p e y+q, resulta que o pico de autocorrelação será
máximo igual a 1 quando p=q=0), como ilustrado na figura 4.2.
Determina-se as distâncias Lx e Ly, conforme a figura 4.2 (onde o contorno é delimitado no
momento em que o coeficiente de correlação é zero sobre os eixos x e y). Então se computa
o comprimento médio de decorrelação, L = (Lx+Ly)/2. Onde L é a medida da escala de
decorrelação para o caso bidimensional em estudo. Em seguida determina-se o grau de
liberdade médio para todas as janelas de moldura como
N = (número total de pixels na janela de moldura) / L (4.4)
Este grau de liberdade é então utilizado para se estipular o valor de t para que se possa,
dentro do nível de significância escolhido, avaliar se o coeficiente de correlação será aceito
ou rejeitado.
53
FIGURA 4.2 – Exemplo de média de superfície de autocorrelação. x e y variam de [-P,+P]
e [-Q,+Q], respectivamente. Lx e Ly representam as distâncias x e y onde a
função a autocorrelação é zero.
4.4.2 – O TESTE DCA
O método aqui explanado, proposto por Wu et al. (1992), difere do método proposto por
Emery et. al (1986) no que diz respeito à análise da matriz de autocorrelação. O Teste DCA
54
é efetuado calculando-se a matriz de autocorrelação para cada janela de moldura, de tal
forma que cada matriz de autocorrelação é submetida a uma análise individual para se
verificar o grau de liberdade para a feição presente na janela de moldura, resultando graus
de liberdade diferentes para cada janela de moldura. No Teste de Emery, ao contrário, todas
as matrizes de autocorrelação, oriundas de cada janela de moldura, contribuem para se
calcular uma matriz de autocorrelação média. Em seguida á efetuado o cálculo do grau de
liberdade médio, que será único e aplicado a todas as janelas de moldura para se validar o
coeficiente de correlação cruzada.
O Teste DCA fornece, também uma medida alternativa que possibilita avaliar a
compatibilidade da feição termal presente na janela de moldura com o tamanho da janela de
moldura. Há situações onde o tamanho da feição termal é maior que a tamanho da janela de
moldura, de tal forma que há somente uma pequena variação de temperatura dentro da
janela de moldura. Nesse caso, a variação de temperatura se deve basicamente a presença
de ruídos, conseqüentemente, a área de decorrelação (DCA), descrita logo abaixo, tende a
ser bastante pequena pois ruídos não são espacialmente correlacionados (Wu et. al, 1992).
Outro fator complicador diz respeito ao fato de que as áreas onde os campos de correntes
superficiais e temperatura são muito complexos podem conter feições termais que
impossibilitem o rastreamento destas por uma simples translação, tal qual realizadas no
método MCC. Também nessas regiões a DCA tende a ser bastante pequena
O seguinte procedimento é usado para se determinar essa medida alternativa para avaliar a
compatibilidade da feição termal presente na janela de moldura com o tamanho da janela de
moldura. Todos os valores da matriz de autocorrelação que estiverem acima de 0.5 são
mantidos. Dessa forma, uma área central de autocorrelação para cada janela de moldura é
determinada (figura 4.3).
Se a área compreendida nesse delineamento for superior a um determinado número de
pixels (esse número de pixels, definido como d0, é obtido através da análise dos
55
histogramas das áreas delineadas para cada janela de moldura), a janela é dita compatível
com a feição termal presente, caso contrário é descartada. O valor de d0, para o presente
trabalho, variou de 4 a 6 pixels, valores próximos do utilizado por Wu et al. (1992) que foi
de 3 pixel. Dessa forma evita-se o cálculo da correlação cruzada para janelas de moldura
que apresentam feições termais incompatíveis.
Se a feição termal é compatível com a janela de moldura, passa-se para a segunda etapa do
método DCA, que é a estimativa da área de decorrelação propriamente dita. Wu et al.
(1992) propuseram uma medida estatística, denominada Área de Decorrelação
(Decorrelation Area - DCA), definida como sendo ¼ da área cujo centro contém o pico de
autocorrelação, e dentro da qual a magnitude da função de autocorrelação está acima de um
valor prescrito, determinado, para cada janela de moldura, da seguinte forma: assume-se
que os valores fora da área do pico central da matriz de autocorrelação determinados pela
linha de magnitude zero são randomicamente distribuídos e com média zero.
O nível de flutuação da função de autocorrelação após a linha de zero, é estimado através
dos valores negativos da matriz. Na prática, aproxima-se o desvio padrão destes valores
por:
S δ = ( ∑ Ri
2 / S)1/2 (4.5) i=1 onde, Ri são os valores negativos e S é o número total de valores negativos presentes na
matriz de autocorrelação. δ é então utilizado como sendo um limiar de corte na matriz de
autocorrelação, de tal maneira que todos os valores dentro da área central da matriz que
forem menores ou iguais a δ serão substituídos por 0 (figura 4.4). Portanto, a nova área
central de autocorrelação, que tem valores acima do nível de flutuação, pode ser isolada por
meio dos valores de correlação acima da nova linha de zero. Assim, a área de decorrelação
é determinada como ¼ desta nova área.
56
FIGURA 4.3 – Exemplo de matriz de autocorrelação para uma janela de moldura. A área
central de autocorrelação está definida pela curva pontilhada dentro da qual
os valores de autocorrelação estão acima de 0.5.
O número de graus de liberdade, nesse caso, é estimado como:
N = (número total de pixels presentes na janela de moldura)/d, (4.6)
onde d é a magnitude da DCA em número de pixels.
57
Dessa forma, duas etapas são realizadas para o Teste DCA. A primeira etapa envolve uma
avaliação do histograma de distribuição do pico central de autocorrelação a fim de se
determinar um limiar d0 para se testar a compatibilidade do tamanho da janela de
moldura com feição termal presente nesta. A segunda etapa consiste em se calcular os GL's
das DCA's que passaram pela primeira etapa, prosseguindo com o teste de significância
para o coeficiente de correlação cruzada. Dessa forma, cada janela de moldura tem seu GL
calculado a partir de sua DCA a fim de se verificar se, dentro do nível de significância
escolhido, o coeficiente de correlação cruzada obtido para aquela janela será aceito ou não.
FIGURA 4.4 – Exemplo da nova área central de autocorrelação para uma janela de
moldura, delimitada pelos valores superiores a δ. A DCA é ¼ dos pixels desta
área.
58
4.5 –LIMITAÇÕES DO MÉTODO MCC
Embora o MCC tenha um desempenho satisfatório, como os demais métodos de estimativa
de velocidade de correntes de superfície, também apresenta algumas limitações. Por
exemplo, na forma originalmente idealizada, o método é incapaz de detectar movimentos
puramente rotacionais e/ou de deformação, estando apto somente a reconhecer o
movimento advectivo de translação do gradiente térmico identificado. Para curtos
intervalos de tempo entre as imagens, de 4 a 5 horas, Kamachi (1989) afirma que o
movimento rotacional aproxima-se a uma translação. Para longos intervalos de tempo,
cerca de um dia ou mais, o método pode não fornecer vetores de velocidades corretos.
Emery et al. (1986) salientam a inabilidade do método para detectar o movimento ao longo
de frentes térmicas superficiais, principalmente quando tais frentes estão associadas com
correntes geostróficas sub-superficiais que se deslocam ao longo da frente, ortogonais ao
gradiente térmico e, sem variação de temperatura entre duas imagens. Outro aspecto
importante, salientado por estes autores, refere-se aos mecanismos não-advectivos, tais
como: difusão, aquecimento e resfriamento superficial. A difusão geralmente não afeta a
validade da estimativa, pelo menos num intervalo de tempo entre as imagens menor de 24
horas (Wahl e Simpson, 1990).
4.6 – FILTRAGEM DO CAMPO DE CORRENTE VETORIAL RESULTANTE
Mesmo com o uso dos critérios estatísticos acima descritos, o método MCC pode gerar
alguns vetores de corrente não coerentes com os demais em seu entorno. Estes vetores
devem, portanto, ser removidos por um processo adequado de filtragem. Para esta filtragem
utilizou-se o método sugerido por Simpson e Gobat (1994), conhecido como Vector
Median Filter (VMF), originalmente proposto por Astola et. al. (1990). A seguir temos a
descrição analítica do filtro.
59
Seja a norma de um vetor x, bidimensional, definida como:
2
x = ( ∑ xi2)1/2 i=1 de tal forma que para todo j = 1 .... N, temos que: N N
∑ xvm - xi ≤ ∑ xj - xi i=1 i=1
onde N é o número de vetores presente na janela de filtragem, xj é um elemento de vetor presente em { x1, ...., xN }, e xvm é o vetor mediano também pertencente a { x1, ...., xN }. Dessa forma, a filtragem dar-se-á como: 1) para cada vetor { x1, ...., xN } calcula-se e soma-se as distâncias em relação a todos os outros vetores presentes na janela de filtragem. N
Si = ∑ xi – xj i = 1 ... N j=1
2) Encontra-se o mínimo Si, Smin, tal que Smin pertence a { S1, ... , SN }. 3) Resultando xvm = xmin, onde xmin pertence a { x1, ... , xN } resultante de Smin. O VMF tem a performance de um filtro vetorial, sendo que o resultado de saída do filtro é
sempre, por definição, um dos elementos de entrada presentes na janela de filtragem.
Portanto, dependendo do campo vetorial que se deseja filtrar, o resultado de saída pode ser
idêntico ao campo vetorial original. Outra característica importante é que o filtro preserva
as bordas e faz com que as direções predominantes sejam mantidas, eliminando vetores
espúrios que não condizem com a direção preferencial dos vetores pertencentes à janela de
filtragem.
A janela de filtragem é uma matriz quadrada onde o número de linhas e colunas é ímpar, e
cujo vetor central dessa matriz é o vetor a ser substituído pelo vetor mediano (xvm).
60
4.7 – PROCESSAMENTO DO DADO AVHRR
4.7.1 – CORREÇÃO GEOMÉTRICA
As imagens brutas geradas por sensores remotos estão sujeitas a distorções espaciais, não
possuindo exatidão cartográfica quanto ao posicionamento dos objetos nelas representados.
Para que essas imagens tenham precisão cartográfica é necessário que sejam corrigidas
segundo algum sistema de coordenadas. O processo de transformação no qual as imagens
adquirem as propriedades de escala e de projeção de um mapa é conhecido por correção
geométrica. As principais fontes de distorções geométricas são: curvatura e rotação da
Terra durante a aquisição da imagem; extenso campo de visada do sensor; e variação da
altitude e altitude da plataforma do satélite. Estes parâmetros definem a geometria de
aquisição da imagem no processo de imageamento.
A correção geométrica da imagem NOAA-AVHRR é feita por um ajuste polinomial dos
seus pontos de controle orbitais, objetivando a maior acurácia possível. Este processo é
realizado com a finalidade de regularizar o tamanho dos pixels, eliminando as distorções
decorrentes da geometria de aquisição da imagem. Para o sensor AVHRR a imagem é
reamostrada com resolução espacial de 1100 x 1100 metros e georeferenciada num mapa de
projeção geográfica, em termos de latitude e longitude. Para as imagens utilizadas neste
trabalho, utilizou-se o Geóide South American 1969 e o Datum SAD69-Brazil.
4.7.2 – PRECISÃO DO GEOREFERENCIAMENTO
A fim de se avaliar a correção geométrica, o MCC foi aplicado sobre a linha de costa para
cada par de imagens (canal 4), conforme descrito por Garcia e Robinson (1989). Antes,
porém, as imagens foram submetidas ao operador gradiente (figura 4.5) para que as bordas
pudessem ser realçadas. Com isso, evita-se aplicar o MCC sobre pontos da linha de costa
que não estão bem definidos em ambas as imagens. Teoricamente, se as duas imagens a
61
serem analisadas estiverem perfeitamente corrigidas geometricamente, a máxima
correlação entre elas para a linha da costa deve ocorrer para o lag zero.
FIGURA 4.5 – Imagem de 24/03/2001 após aplicar o operador gradiente. Também são
mostradas as janelas, sobre a linha de costa, para as quais foi aplicado o
MCC.
Deslocamentos entre os pares de imagens de até ± 2 pixels são aceitos como uma correção
geométrica satisfatória; para os pares de imagens onde este limiar foi superado, o método
MCC não foi aplicado. Fisicamente este desajuste geométrico entre as duas imagens resulta
em velocidades residuais, cuja magnitude é variável e dependente da defasagem temporal
entre as imagens e da resolução espacial do pixel (figura 4.6).
4.7.3 – ALGORITMO PARA DETECÇÃO DE NUVENS
Um inadequado mascaramento do continente, ilhas ou nuvens é fator que pode limitar, ou
mesmo inviabilizar, a obtenção do campo de velocidade superficial utilizando-se o MCC.
De uma maneira geral, as nuvens são caracterizadas por elevados albedos e baixos valores
de temperatura, de tal forma que o processo de detecção de nuvens sobre o oceano está
62
baseado em quatro características: a) as nuvens apresentam usualmente níveis de cinza mais
altos que a superfície do oceano; b) as nuvens são freqüentemente mais frias que a
superfície do oceano; c) a presença de nuvens quase sempre aumenta a variabilidade
espacial dos níveis digitais sobre a superfície do oceano; d) a resposta espectral das nuvens
é, de maneira genérica, diferente da resposta espectral da superfície do oceano isenta de
nuvens (Pollard e Muller, 1996).
FIGURA 4.6 – Histogramas de freqüência dos deslocamentos residuais em linha (x) e em
colunas (y), assim como a magnitude das velocidades residuais (cm/s),
relativos ao par de imagens do dia 24/03/2001 (resolução espacial de
1100x1100 m e defasagem temporal de 12:26hs).
Existem muitas formas pelas quais as nuvens podem ser detectadas nas imagens. Se elas
formam uma massa densa, há o impedimento efetivo de que o sinal do oceano seja
63
reconhecido. Elas ainda podem ser densas, porém espalhadas permitindo que as feições
oceânicas sejam visíveis entre as mesmas. Nestes casos, em função de sua baixa
temperatura em relação ao oceano, elas podem ser facilmente distinguíveis e marcadas. No
entanto, se a nuvem for baixa e fina, ou então o seu tamanho menor que a resolução do
sensor (nuvens de subpixel), a distinção das feições térmicas superficiais é muito difícil ou
mesmo impossível (Gallegos et al., 1993).
Para se eliminar os pixels contendo nuvens de subpixel das imagens, são utilizados os
chamados testes de uniformidades. Esses testes baseiam-se no fato de que sobre o oceano,
mesmo nas regiões de acentuados gradientes horizontais superficiais, as variações
esperadas entre pixels adjacentes são pequenas em condições de céu aberto, tanto no canal
visível quanto nos canais infravermelhos. Desta forma, são ajustados valores limites para
estas variações num janelamento especificado (Araujo, 1997).
O método aplicado neste trabalho para detecção de nuvens necessita da temperatura da
superfície do mar, do desvio padrão calculado sobre o canal 4 (teste de uniformidade
espacial) e da diferença entre o canal 3 e o canal 5. Primeiramente testa-se a temperatura da
superfície do mar para cada pixel, caso esta esteja abaixo de um determinado valor, que
pode variar conforme a época do ano e a localização da área, o pixel é classificado como
nuvem. Tendo o pixel passado pela condição acima, passa-se para a etapa seguinte, que
verifica a distribuição espacial através da análise do desvio padrão de um janelamento 3x3,
cujo pixel central é aquele analisado. Se o pixel analisado contiver um valor de desvio
padrão acima de um limiar, calculado a partir da análise da imagem desvio padrão, é
classificado como nuvem. Caso contrário, é avaliada a diferença entre o nível de radiância
do canal 3 e do canal 5; se esta diferença for maior que o limiar canal 3 – canal 5 (calculado
a partir do próprio par de imagens analisado), o pixel é classificado como nuvem; caso
nenhuma das condições acima for satisfeita, aceita-se o valor do pixel analisado como
sendo o valor da Temperatura da Superfície do Mar (Araujo, 1997). A seguir é apresentado
o algoritmo utilizado para o mascaramento de nuvens.
64
Este algoritmo tem uma eficiência estimada de aproximadamente 80% no processo de
detecção de nuvens. As maiores dificuldades na detecção referem-se às nuvens baixas que
de maneira genérica não são detectadas pelo método aplicado no processo de
mascaramento.
Quando se calcula o coeficiente da correlação cruzada, o que interessa são as anomalias de
temperatura e não seu valor absoluto (Wu et. al. 1992). Dessa forma, para cada janela de
moldura calcula-se o valor médio excluindo-se os pixels que foram classificados como
nuvem, esses pixels são, posteriormente, substituídos pela média calculada sobre a janela
em evidência. O mesmo processo é utilizado em cada janela de busca. Se a porcentagem de
nuvem for acima de um limiar mínimo, o correspondente vetor velocidade não é computado
para a região compreendida no janelamento.
Imagem AVHRR
Temperatura da Superfície do Mar < Limiar Temperatura
Sim Nuvem
Desvio Padrão do Canal 4 > Limiar Desvio Padrão Sim Nuvem
Canal 3 – Canal 5 > Limiar C3 – C5 Sim Nuvem
Aceita o valor como Temperatura da Superfície do
Mar
65
CAPÍTULO 5
RESULTADOS E DISCUSSÕES
5.1 – INTRODUÇÃO
A fim de se obter o campo de velocidade superficial, a técnica do MCC foi aplicada a um
conjunto de imagens termais (7 pares), coletadas pelo sensor AVHRR/2, para o período de
2000 e 2001. A tabela 5.1 relaciona a data de cada imagem, o satélite imageador, o
intervalo de tempo entre as imagens de cada par e a estação do ano correspondente, sendo a
resolução espacial do pixel para todos os pares de 1100 metros. É importante salientar que
os padrões de circulação de superfície obtidos estão relacionados com os movimentos
advectivos das feições referentes ao intervalo de tempo de cada par de imagens utilizado.
Os termos primavera, verão, outono e inverno (presentes na tabela 5.1) são usados apenas
como um referencial da estação do ano, onde se inserem as datas de aquisição das imagens
seqüenciais. No entanto, nada impede que estes resultados possam refletir comportamentos
caracteristicamente sazonais.
Garcia e Robinson (1989) e Emery et. al. (1992) relataram que muitas feições térmicas
presentes nos dados de radiância ou temperatura de brilho do canal 4 do AVHRR podem
desaparecer quando a temperatura da superfície do mar é estimada por aplicação de
algoritmos multicanais. Provavelmente, este fato pode estar relacionado aos algoritmos
utilizados, que aparentemente devem suavizar os padrões térmicos, necessários para uma
boa correlação no MCC. Por este motivo, utilizou-se as imagens processadas referentes ao
canal 4 para a aplicação do método.
As imagens utilizadas neste trabalho foram obtidas pela estação de recepção do INPE, São
José dos Campos (SP). A seleção prévia dos pares foi realizada a partir da análise de um
conjunto de imagens mantidas em arquivo, referentes ao ano de 2000 e 2001, sendo
66
escolhidas aquelas que apresentaram a mínima cobertura de nuvens, condição fundamental
para a aplicação do método MCC.
O presente capítulo está estruturado em seis seções, onde são apresentados os resultados
obtidos com a aplicação do método MCC, bem como as discussões destes resultados. Na
primeira seção é apresentado o teste de deslocamento de uma imagem a fim de se verificar
a confiança do cálculo das estimativas pelo programa computacional desenvolvido para o
cálculo da máxima correlação cruzada. Na segunda seção avalia-se o campo vetorial
estimado em função do nível de significância estatístico escolhido para validar o coeficiente
de correlação cruzada obtido com a aplicação do método MCC. Na terceira seção é
apresentada a filtragem do campo vetorial da corrente superficial oceânica. Na quarta seção
é feita a comparação entre os dois testes, de Emery e DCA, objetivando o melhor critério
para se estimar o grau de liberdade, que juntamente com o nível de significância escolhido
determinam se um vetor estimado pelo método MCC será aceito ou rejeitado. Na seção 5 é
feita a comparação entre o campo vetorial de corrente oceânica superficial e a trajetória de
um derivador e finalmente, na seção 6, é apresentado o campo vetorial de corrente oceânica
superficial estimado pelo método MCC nos pares de imagens selecionadas de acordo com
as estações do ano conforme Tabela 5.1.
TABELA 5.1 – Pares de imagens nas quais o mcc foi aplicado.
Data 1 Satélite Data 2 Satélite Intervalo
Tempo (horas)
Estação do Ano
17/11/00 NOAA-12 17/11/00 NOAA-12 12:26
30/10/00 NOAA-12 31/10/00 NOAA-12 11:11
PRIMAVERA
17/12/00 NOAA-14 18/12/00 NOAA-14 11:16
26/02/01 NOAA-14 26/02/01 NOAA-14 12:32
VERÃO
23/05/01 NOAA-12 24/05/01 NOAA-12 11:11 OUTONO
06/07/00 NOAA-14 07/07/00 NOAA-14 11:17
15/07/01 NOAA-14 16/07/01 NOAA-14 11:16
INVERNO
67
5.2 – TESTE DE DESLOCAMENTO DA IMAGEM
Esse primeiro teste foi realizado a fim de se verificar se os cálculos dos movimentos de
translação, a partir do programa desenvolvido para se calcular a máxima correlação
cruzada, estavam sendo efetuados corretamente. A partir de uma única imagem gerou-se
uma segunda imagem, imagem sintética, deslocada 10 pixels para a direita e 15 pixels para
cima em relação à primeira imagem. O par de imagens dessa forma obtido possui uma
resolução espacial de 1100 x 1100 metros e uma defasagem temporal de 10 horas. Portanto,
a velocidade calculada, deve ser de aproximadamente 55 cm/s, concordante com os valores
obtidos pelo programa (fig. 5.1). Os tamanhos das janelas de moldura e de busca,
arbitrariamente escolhidos, foram 15 x 15 pixels e 65 x 65 pixels respectivamente. Todos os
coeficientes de máxima correlação obtidos foram iguais a 1. Os resultados obtidos refletem
corretamente o padrão de correntes esperado, validando o código numérico.
FIGURA 5.1 – Campo vetorial estimado a partir de um par de imagens, com uma delas
deslocada 10 pixels para a direita e 15 pixels para cima em relação à outra.
68
5.3 – NÍVEL DE SIGNIFICÂNCIA
Ao se aplicar o programa desenvolvido para calcular a máxima correlação cruzada entre
pares de imagens, gera-se o campo vetorial de corrente oceânica superficial. Como
apresentado do capítulo 4, o vetor gerado é aquele associado ao máximo valor de
correlação cruzada, r. Dessa forma, cada vetor calculado possui o seu valor de correlação
cruzada, que pode ser concordante com a dinâmica superficial do oceano ou não. Somente
o valor de r não é suficiente para se validar o vetor estimado. A fim de se obter um critério
para aceitar ou rejeitar este vetor, é aplicado sobre o campo vetorial estimado um limiar de
significância conforme apresentado no capítulo 4, seção 4.4. Ressalta-se que os campos
vetoriais aqui apresentados são resultados obtidos através do teste DCA mencionado
também no capítulo 4, seção 4.4.2.
Para um nível de significância de 15%, consequentemente uma confiança de 85% de que o
vetor estimado seja estatisticamente significativo, poucos serão os vetores rejeitados e
maior o número de vetores errôneos que compõe o campo vetorial estimado. Diminuindo-
se o nível de significância para 5%, espera-se que os resultados tenham uma coerência
maior com a dinâmica do campo de corrente oceânica superficial. Vetores não
concordantes com essa dinâmica podem ainda permanecer no campo vetorial estimado,
desde que estes possuam valores de correlação cruzada suficientemente altos para que
estejam dentro da região de aceitação. A figura 5.2 apresenta um campo vetorial de corrente
oceânica superficial estimado com nível de significância de 5%. As setas azuis representam
os vetores rejeitados, as amarelas os vetores aceitos.
Em alguns casos faz-se necessário tornar a estimativa do campo vetorial mais criteriosa,
diminuindo o nível de significância para 1%. Com isso, o número de vetores rejeitados será
ainda maior que aquele rejeitado pelo nível de significância de 5%. A figura 5.3 apresenta
um campo vetorial estimado de corrente oceânica superficial com nível de significância de
1%. As setas azuis representam os vetores rejeitados, as vermelhas os vetores aceitos.
69
FIGURA 5.2 – Campo vetorial estimado considerando-se o nível de significância de 5%.
As setas azuis são os vetores rejeitados, as amarelas os vetores aceitos.
É interessante notar, através de uma análise qualitativa do campo vetorial de corrente
oceânica superficial, que uma parcela significativa dos vetores rejeitados encontra-se
próximo à frentes termais e nas regiões muito homogêneas, como no centro de vórtices;
regiões que limitam a aplicação do método da máxima correlação cruzada.
Comparando-se as figuras 5.2 e 5.3 é possível identificar vetores rejeitados que,
aparentemente, concordam com a dinâmica da corrente superficial do oceano, embora a
maioria dos vetores rejeitados não está de acordo com esta dinâmica superficial. Este fato
indica que nem sempre o nível de significância mais baixo é o mais adequado, uma vez que
70
tornando a estimativa muito rigorosa podemos estar limitando por demais o campo vetorial
estimado.
FIGURA 5.3 – Campo vetorial estimado considerando o nível de significância de 1%. As
setas azuis são os vetores rejeitados, as vermelhas os vetores aceitos.
O nível de significância escolhido para a estimativa do campo de corrente oceânica
superficial foi de 5% para a maior parte dos pares de imagens selecionados, entretanto
houve casos em que o nível de significância escolhido foi de 1% em virtude da
nebulosidade e da complexa dinâmica superficial que caracterizava a região.
71
5.4 – FILTRAGEM DO CAMPO VETORIAL ESTIMADO
Embora o nível de significância escolhido auxilie na eliminação de vetores espúrios, o
campo vetorial estimado apresenta ainda uma quantia significativa de vetores não
coerentes. Com o objetivo de eliminar estes vetores é aplicada sobre o campo vetorial a
filtragem Vector Median Filter (VMF) descrita na seção 4.6.
FIGURA 5.4 – Campo vetorial sem a filtragem. Data imagem: 24/05/2001
As figuras 5.4 e 5.5 mostram o campo vetorial de corrente oceânica superficial sem e com a
filtragem, respectivamente. O filtro VMF tem como característica principal o fato de
preservar as bordas e fazer com que as direções predominantes sejam mantidas, eliminando
vetores espúrios que não estão de acordo com a direção preferencial dos vetores
pertencentes à janela de filtragem (Simpson e Gobat, 1994).
72
FIGURA 5.5 – Campo vetorial filtrado. Data imagem: 24/05/2001
Uma das características básica do VMF é que ele não introduz vetores que não estejam
presentes na janela de filtragem de entrada. Dessa forma os vetores resultantes da filtragem
pertencem ao campo vetorial originalmente estimado. Sendo assim, é possível aplicar o
filtro VMF várias vezes sem que o campo vetorial perca suas características predominantes.
Também a filtragem é capaz de evidenciar determinados comportamentos de larga escala
que possivelmente não seriam tão óbvios no campo vetorial original.
5.5 – DIFERENÇA ENTRE OS TESTES DE EMERY E DCA
Nessa seção discute-se os resultados obtidos com a aplicação dos dois testes, de Emery e
DCA, para obtenção do grau de liberdade que, juntamente com o nível de significância
escolhido, avaliam, através das análises estatísticas mencionadas na seção 4.4, se o vetor
calculado pelo método MCC será aceito ou rejeitado. Deve ser lembrado que o método
73
MCC por si só não garante a confiabilidade do vetor estimado, daí a necessidade de se
definir a melhor maneira para se testar o campo vetorial gerado pelo método.
FIGURA 5.6 – Teste de Emery. Vetores vermelhos passaram pelo teste ns=1%; vetores
amarelos pelo teste, ns=5%. Os vetores azuis, não passaram pelo teste
ns=10%; Data imagem: 24/03/01.
Os campos vetoriais de correntes oceânicas superficiais foram gerados para dois pares de
imagens com características distintas. O primeiro par de imagens refere-se ao dia
24/03/2001 e abrange a região sudeste do Brasil, mais precisamente a plataforma
continental sudeste próxima ao Estado do Rio de Janeiro, com uma diferença temporal
entre as imagens de 12:26 horas (figura 5.6 e figura 5.7). O segundo par de imagens refere-
se ao dia 17/11/2000 e abrange a região sul, mais especificamente a plataforma continental
sul próxima ao Estado do Rio Grande do Sul, com uma diferença temporal entre as imagens
de 12:26 horas (figura 5.8 e figura 5.9). Os testes de Emery e DCA foram aplicados para
74
cada par a fim de se verificar o campo vetorial resultante em função das variações dos
parâmetros estatísticos, grau de liberdade e nível de significância.
FIGURA 5.7 – Teste DCA. Vetores vermelhos passaram pelo teste ns=1%; vetores
amarelos pelo teste, ns=5%; vetores verdes pelo teste, ns=10%. Os
vetores azuis, não passaram pelo teste ns=10%. Data imagem: 24/03/01.
Através de uma análise qualitativa da figura 5.6 é possível verificar que o teste de Emery é
pouco susceptível ao decréscimo do nível de significância. Mesmo com um nível de
significância de 1% poucos foram os vetores eliminados. Por gerar um grau de liberdade
único através da média das matrizes de autocorrelação, calculada para cada janela de
moldura, o teste de Emery não se mostrou muito eficiente, pois tende a generalizar o
comportamento das feições termais presentes nas janelas de moldura (Wu et. al., 1992).
Na prática, as feições termais presentes em cada janela de moldura têm parâmetros
estatísticos diferentes, já que os padrões termais variam de região para região.
75
Consequentemente a escala de decorrelação, princípio este aplicado no cálculo da área de
decorrelação, difere para cada janela de moldura capturada da imagem. Dessa forma, é
razoável admitir que cada janela de moldura possua um grau de liberdade específico que
está vinculado ao comportamento estatístico nela presente. Este é o critério que norteia o
teste DCA.
FIGURA 5.8 – Teste de Emery. Vetores vermelhos passaram pelo teste ns=1%. Mesmo
com ns=1% nenhum vetor foi eliminado. Data imagem: 17/11/00.
Os resultados da aplicação do teste DCA, mostam um progressivo rigor na aceitação do
campo vetorial com a redução do nível de significância escolhido. Com o nível de
significância de 10%, foram eliminados 7 vetores (as setas em azul) que nitidamente não
possuem relação alguma com a dinâmica da corrente oceânica superficial da região.
Conforme o decréscimo do nível de significância outros vetores são removidos. É
interessante notar que para o nível de significância de 1% restaram apenas aqueles vetores
situados nas regiões onde o gradiente termal é significativo. Regiões que apresentam uma
76
homogeneidade termal, acentuada pela nebulosidade que recobre a área, como no caso da
figura 5.7, acabam por não satisfazer os critérios de compatibilidade entre a janela de
moldura e a feição termal coberta por esta.
São apresentados os campos vetoriais para o par de imagens do dia 17/11/2000 que cobre a
região sul, figuras 5.8 e 5.9. Esta região é caracterizada por contrastes térmicos acentuados.
FIGURA 5.9 – Teste DCA. Vetores vermelhos passaram pelo teste ns=1%; vetores
amarelos pelo teste, ns=5%; vetores verdes pelo teste, ns=10%. Os
vetores azuis, não passaram pelo teste ns=10%. Data imagem: 17/11/00.
Analisando a figura 5.8 constata-se que mesmo com o nível de significância de 1% nenhum
vetor foi removido, ou seja, o campo vetorial originalmente gerado pelo método MCC
permaneceu o mesmo após a aplicação do teste de Emery. Isso evidencia que em alguns
77
casos o teste de Emery pode se mostrar ineficiente na avaliação do grau de liberdade e
compatibilidade da feição termal com a respectiva janela de moldura que a incorpora.
Por outro lado, o teste DCA, por avaliar o padrão termal presente em cada janela de
moldura, consegue filtrar o campo vetorial em função da variação do nível de significância,
conforme figura 5.9. Dessa forma é permitida a obtenção de campos vetoriais onde uma
parcela significativa dos vetores espúrios seja removida. Observa-se na figura 5.9, que além
dos vetores espúrios, alguns outros que apresentam uma coerência com os vizinhos e com a
dinâmica superficial, foram removidos conforme a variação do nível de significância. Isso
pode ser explicado pelo valor do coeficiente de correlação cruzada, r, e pela
compatibilidade da feição termal com a janela de moldura que a incorpora. Embora o teste
DCA apresente resultados mais satisfatórios que o teste Emery, ele ainda apresenta algumas
limitações que não estão relacionadas diretamente ao teste, mas sim à dimensão da janela
de moldura. Quando se escolhe a janela de moldura, busca-se otimizar a dimensão da
mesma com as feições termais presentes na região de aplicação do método. No entanto,
nem sempre é possível definir uma janela de moldura que incorpore de maneira satisfatória
todas as feições presentes na área, consequentemente há uma perda de eficiência no
rastreamento de algumas feições que não estão bem representadas na janela de moldura
(Kelly e Strub, 1992). Nestes casos, obtêm-se um coeficiente de máxima correlação
cruzada não elevado o suficiente para passar pelos sucessivos testes de níveis de
significância.
Outro aspecto, diz respeito a picos duplos de correlação com valores significativos, que
podem ser encontrados em lados opostos na matriz de correlação cruzada (gerada com o
deslocamento da janela de moldura sobre a janela de busca). Isso significa que as feições
termais presentes na janela de moldura têm forte correlação com as feições termais
presentes em lados opostos da janela de busca. Também aqui pode haver um
comprometimento de certos vetores estimados pelo método MCC.
78
5.6 – COMPARAÇÃO DO CAMPO VETORIAL COM DADOS DO DERIVADOR
Os resultados das estimativas obtidas pelo método MCC, com a aplicação do teste DCA
foram comparados com medidas in situ, por meio da sobreposição da trajetória de um
derivador ao campo vetorial de corrente oceânica superficial estimado. A fim de
demonstrar a correspondência entre as duas medidas, o deslocamento do derivador e o
campo vetorial estimado foram sobrepostos à segunda imagem do par correlacionado
(figura 5.10). As imagens referentes ao par são do dia 23 e 24/06/2000, e têm uma
defasagem temporal de 23:36 horas. A trajetória do derivador, definida como o
deslocamento lagrangeano descrito pela bóia durante o intervalo de tempo em
consideração, está compreendida entre os dias 21 e 25/06/2000.
FIGURA 5.10 – Campo vetorial de corrente oceânica superficial estimado pelo método
MCC juntamente com a trajetória do derivador 32431 (traço contínuo).
Data da imagem: 24/06/2000. O intervalo entre o par de imagens é de
23:36hs.
79
Com o intuito de comparação, os dados do derivador foram processados para que se
pudesse obter médias diárias de velocidades, a partir de um conjunto de velocidades diárias
(Apêndice A). Dessa forma as velocidades médias diárias do derivador foram obtidas
(tabela 5.2).
TABELA 5.2 – Velocidade média diária do derivador 32431
Dia Velocidade Média (cm/s)
21/06/00 28.4 22/06/00 31.9 23/06/00 27.7 24/06/00 26.0 25/06/00 38.5
Pela figura 5.10 é possível verificar uma estreita relação entre a trajetória do derivador e a
do campo vetorial obtido pelo método MCC. O derivador move-se em direção à Corrente
do Brasil, caracterizada por águas mais quentes, margeando esta em direção
predominantemente sudoeste. Uma comparação entre dados de velocidade estimada pelo
MCC e medidas in situ a partir de derivadores, foi realizada anteriormente por Emery et. al.
(1986). Os resultados obtidos naquele trabalho mostraram-se bem correlacionados com os
de derivadores. Kelly e Strub (1992) compararam os deslocamento de derivadores com os
movimentos das feições termais na superfície do oceano em regiões que apresentavam
jatos. Estas análises mostraram que os derivadores tendem, nestes casos, a apresentar um
módulo maior de velocidade.
A figura 5.11 a seguir, corresponde à mesma figura 5.10, porém com o valor da velocidade
de cada vetor indicado na sua origem, facilitando uma comparação quantitativa da
velocidade vetorial estimada e da velocidade do derivador.
Infelizmente, os dois primeiros dias da trajetória do derivador, cores amarela e laranja
claro, correspondem a uma região na imagem de intensa nebulosidade, o que impossibilitou
a estimativa do campo vetorial para essa área. No entanto as velocidades médias dos
80
derivadores durante os dias, 21 e 22, possibilitam identificar a velocidade superficial
oceânica nesse local. As velocidades do derivador foram de aproximadamente 28 cm/s e 31
cm/s no primeiro e segundo dia respectivamente, conforme tabela 5.2.
Para os dias 23 e 24, correspondentes ao período de aquisição do par de imagens, o
derivador apresentou uma velocidade média de aproximadamente 27 e 26 cm/s
respectivamente. Estas velocidades estão discriminadas no meio da trajetória do derivador
pelas cores amarelo e verde. Observando as velocidades estimadas pelo método MCC nas
proximidades dessa região, verifica-se que os vetores gerados possuem velocidades que
variam de 28 a 38 cm/s. E, finalmente, no dia 25 o derivador atingiu uma velocidade média
de aproximadamente 38 cm/s.
FIGURA 5.11 – Campo vetorial de corrente oceânica superficial estimado pelo método
MCC juntamente com a trajetória do derivador 32431. Na origem de cada
vetor é apresentado o valor da velocidade do mesmo em cm/s. Data da
imagem: 24/06/2000. O intervalo entre o par de imagens é de 23:36hs.
81
Tokmakian et. al. (1990), comparando, a partir de um conjunto de imagens, resultados
obtidos utilizando-se o método MCC com dados in situ, salientam que erros (rms) em
magnitude da ordem de 10 a 20 cm/s podem ocorrer quando a defasagem temporal entre o
par de imagens for da ordem de 12:00 horas; podendo aumentar para 25 cm/s ou mais caso
a defasagem temporal entre as imagens for superior a 18:00 horas. No entanto a
estabilidade da região onde o método está sendo aplicado juntamente com um gradiente
termal acentuado podem minimizar as discrepâncias.
5.7 – CAMPOS DE VELOCIDADE ADVECTIVA ESTIMADOS
Nessa seção são apresentados os resultados das estimativas de correntes oceânicas
superficiais obtidos das imagens relacionadas na tabela 5.1. A defasagem temporal entre as
imagens de um mesmo par foi de aproximadamente 12 horas.
Antes de serem sobrepostos à segunda imagem de cada par, os vetores de velocidade foram
submetidos a três etapas de filtragem com o objetivo de excluir aqueles potencialmente
incorretos. Num primeiro estágio, a fim de se evitar áreas muito contaminadas, o nível de
tolerância para se calcular o vetor de velocidade pelo método MCC foi determinado da
seguinte maneira: calculou-se a porcentagem de nuvem e terra que cobriam a janela de
moldura e sua correspondente janela de busca, denotados por p1 e p2, respectivamente. Se
p1+p2 > 25% o vetor velocidade correspondente não foi calculado. Não existiu um critério
estatístico que justificasse este número, estando simplesmente baseado em experimentos
empíricos (Wu et. al., 1992). O objetivo deste procedimento foi assegurar que um mínimo
de feições térmicas estivesse presente em cada um dos cálculos do MCC.
A segunda etapa da filtragem consistiu na eliminação, através da aplicação do teste DCA,
de todas as estimativas de velocidades cujo coeficiente de correlação não passasse pelo
teste estatístico ao nível de significância escolhido. E finalmente, o campo vetorial
82
estimado foi submetido à filtragem VMF. Com isso obteve-se a estimativa final do campo
vetorial de corrente oceânica superficial.
A seguir são apresentados os campos vetoriais de velocidades advectivas estimadas pelo
método MCC. Também é apresentado um breve comentário de cada campo vetorial
estimado. Além da segunda imagem de cada par, onde o campo vetorial é plotado, também
é apresentado a primeira imagem a fim de possibilitar a análise conjunta e a determinação
qualitativa do deslocamento das feições térmicas ocorrido entre imageamentos
subseqüentes.
5.7.1 – PRIMAVERA
Par 1 (30/10/00 20:44 GMT; 31/10/00 07:55 GMT)
FIGURA 5.12 – Imagem do dia 30 de Outubro de 2000, 20:44 GMT.
83
FIGURA 5.13 – Imagem do dia 31 de Outubro de 2000, 07:55 GMT.
A figura 5.13 mostra um padrão de velocidade que parece bastante coerente com o campo
térmico superficial. Por exemplo, na porção sobre a plataforma continental, aonde se
observa uma intrusão de águas mais frias, oriundas do sul, o padrão de corrente derivado se
mostra de sul para norte, em direção à região sudeste. As velocidades obtidas são da ordem
de 10 a 50 cm/s. Assireu et al. (2001), analisando velocidades médias de derivadores para a
mesma região compreendida na figura 5.13, encontraram valores de velocidades, na direção
norte-sul, variando de aproximadamente 10 a 44 cm/s, e de aproximadamente 12 cm/s na
direção sul-norte.
84
Par 2 (17/11/00 08:05 GMT; 17/11/00 20:31 GMT)
FIGURA 5.14 – Imagem do dia 17 de Novembro de 2000, 08:05 GMT.
85
FIGURA 5.15 – Imagem do dia 17 de Novembro de 2000, 20:31 GMT.
O primeiro fato que chama a atenção nesse par de imagens, Figura 5.14 e 5.15, é a presença
de inúmeras e diversificadas estruturas oceanográficas presentes nos padrões térmicos
superficiais. A região da confluência Malvinas-CB está caracterizada por feições
filamentosas e meandrantes. Apesar da presença de diversos vetores espacialmente
incorretos, é possível notar um comportamento geral dos vetores condizente com a
circulação sugerida pelo campo termal. Ao longo do talude continental, a Corrente do
Brasil (CB) dirige-se para sul com velocidades variando em torno de 20 cm/s a 65 cm/s,
condizentes com valores estimados por Ghisolfi (1995), Vigan et. al (2000) e Domingues
86
et. al. (2000). O método MCC não conseguiu, entretanto, representar adequadamente o
campo vetorial associado aos pequenos vórtices.
5.7.2 – VERÃO
Par 1 (17/12/00 20:26 GMT; 18/12/00 07:42 GMT)
FIGURA 5.16 – Imagem do dia 17 de Dezembro de 2000, 20:26 GMT.
87
FIGURA 5.17 – Imagem do dia 18 de Dezembro de 2000, 07:42 GMT.
As figuras 5.16 e 5.17 evidenciam, na região sul, um contraste térmico acentuado entre a
CB e águas adjacentes. Nesse par também é possível verificar uma boa concordância entre
os padrões vetoriais de velocidade advectiva estimados e o térmico superficial, com os
vetores indicando um redirecionamento de boa parte da água quente superficial que estava
fluindo para o sul junto ao talude, com uma recirculação para leste. A velocidade da CB
atingiu valores de aproximadamente 65 cm/s, semelhantes aos valores estimados por
Ghisolfi (1995), Vigan et. al (2000) e Domingues et. al. (2000).
88
Par 2 (26/02/01 07:17 GMT; 26/02/01 19:49 GMT)
FIGURA 5.18 – Imagem do dia 26 de Fevereiro de 2001, 07:17 GMT.
FIGURA 5.19 – Imagem do dia 26 de Fevereiro de 2001, 19:49 GMT.
89
No campo de velocidade obtido na figura 5.19, região sudoeste próxima ao estado do Rio
de Janeiro, não foi possível identificar nenhum padrão significativo, quer pela ausência de
gradientes térmicos ou então, pela forte nebulosidade visível nessa imagem.
5.7.3 – OUTONO
Par 1 (23/05/01 20:17 GMT; 24/05/01 07:28 GMT)
FIGURA 5.20 – Imagem do dia 23 de Maio de 2001, 20:17 GMT.
90
FIGURA 5.21 – Imagem do dia 24 de Maio de 2001, 07:28 GMT.
O padrão vetorial de circulação advectiva da figura 5.21 mostra águas num deslocamento
mais intenso na região central da CB com velocidades da ordem 20 a 50 cm/s. Há uma leve
tendência de deslocamento superficial das águas sobre a plataforma continental em direção
à região costeira. Os vetores que apontam para a costa e que se localizam próximo da
mesma, evidentemente não podem estar corretos pois fisicamente não satisfazem a
condição de contorno de fluxo normal zero.
91
5.7.4 – INVERNO
Par 1 (06/07/00 18:57 GMT; 07/07/00 06:14 GMT)
FIGURA 5.22 – Imagem do dia 06 de Julho de 2000, 18:57 GMT.
92
FIGURA 5.23 – Imagem do dia 07 de Julho de 2000, 06:14 GMT.
Apesar da cobertura de nuvens presentes no par de imagens (figura 5.22, figura 5.23), o
campo vetorial de corrente oceânica superficial estimado apresenta um comportamento
aparentemente coerente com o campo de corrente sugerido intuitivamente pelo campo
termal.
93
Par 2 (15/07/01 20:37 GMT; 16/07/01 07:53 GMT)
FIGURA 5.24 – Imagem do dia 15 de Julho de 2001, 20:37 GMT.
94
FIGURA 5.25 – Imagem do dia 16 de Julho de 2001, 07:53 GMT.
O campo vetorial estimado, para o par de imagens referentes às figuras 5.24 e 5.25,
apresenta uma velocidade máxima da ordem de 45 cm/s. É possível notar a presença de um
vórtice no centro da imagem. Nesse ponto há um refluxo de águas mais quentes que se
desloca para o norte, apresentando alguns vetores acompanhando a feição.
95
CAPÍTULO 6
CONCLUSÕES E RECOMENDAÇÕES
O presente trabalho teve como objetivo principal desenvolver um pacote de programas para
estimar o campo de correntes oceânicas superficiais a partir de seqüências de imagens
termais e do método MCC. O MCC é uma técnica rápida, econômica e extremamente útil
para se estimar velocidades advectivas superficiais, principalmente em regiões onde as
medidas diretas são escassas ou inexistentes.
A aplicação do nível de significância juntamente com a filtragem VMF do campo vetorial
estimado fez com que a grande maioria dos vetores espúrios fosse eliminada. O teste DCA
mostrou-se mais eficiente na aplicação do nível de significância, conseguindo incorporar de
maneira mais satisfatória o padrão termal presente em cada região.
Estimativas de velocidades realizadas em regiões oceânicas da imagem na borda de nuvens
ou entre o oceano e a costa, podem apresentar vetores que não representam o
comportamento da dinâmica superficial daquelas áreas.
Embora apenas dados de um derivador tenham sido utilizados para se efetuar a comparação
com os vetores estimados por satélite, uma razoável concordância de magnitude e direção
foi verificada. Devido à extensa cobertura de nuvens, não foi possível a comparação com
um maior número de derivadores presentes em várias imagens. Em alguns casos, o
derivador estava presente em região sem cobertura de nuvens em apenas uma das duas
imagens do par, não sendo então possível o cálculo da velocidade por satélite. Em outros
casos, o derivador esteve em região sem cobertura de nuvens em ambos as imagens, porém
devido à forte distorção geométrica em uma das imagens na posição do derivador, também
não foi possível aplicar o método MCC.
96
Intervalos temporais acima de 24 horas, entre as imagens de um par, aumentam a
probabilidade de se obter campos vetoriais incoerentes, quer em decorrência de uma ação
mais efetiva dos mecanismos não advectivos (difusão, aquecimento ou resfriamento etc.),
ou deslocamento das feições superficiais superior ao tamanho das janelas especificadas.
A presença de nuvens é um dos fortes limitantes para aplicação do método. Foi possível
observar que em alguns casos, o algoritmo utilizado não foi capaz de realizar o
mascaramento necessário. Dessa forma, este algoritmo precisa ser aprimorado para
minimizar os erros das estimativas de corrente em regiões com cobertura de nuvens.
Os tamanhos das janelas de moldura e busca influenciam diretamente a estimativa do
campo de corrente oceânica. Com um janelamento bem reduzido pode-se conseguir um
campo vetorial mais detalhado, correndo-se o risco, entretanto, de que as feições
incorporadas pelas janelas não possuam representatividade suficiente para que sejam
rastreadas no processo de busca. Por outro lado, com um janelamento excessivo é possível
se obter uma melhor representatividade dos padrões termais, porém o campo vetorial
estimado pode perder o detalhamento necessário para uma compreensão mais precisa do
campo de corrente superficial.
Uma das sugestão para trabalhos futuros é a implementação do MCC que incorpore,
automaticamente ou sob supervisão do operador, a escolha de janelas de tamanho variável
conforme a exigência do padrão térmico superficial.
Movimentos rotacionais ou com deformação apreciável não são bem resolvidos pelo
método MCC. Algumas tentativas recentes de solução deste problema, tem apresentado
resultados satisfatórios, à custa de uma grande complexidade computacional e operacional.
Sugere-se que esforços sejam realizados no Brasil para incorporar estes novos avanços com
maior facilidade de aplicação prática.
97
Referências Bibliográficas
Assireu, A.T.; Análise da circulação superficial oceânica na costa sudeste-sul do brasil,
a partir da utilização dos dados de derivadores rastreados por satélites. São José dos Campos. 157 p. (INPE-6751-TDI/636). Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais, 1998.
Assireu, A.T.; Stevenson, M.R.; Stech, J.L.; Surface circulation and kinetic energy in the
SW atlantic obtained by drifters. Submetido para Continental Shelf Research, 2001. Araujo, C.E.S.; Avaliação da acurácia das temperaturas da superfície do mar obtidas
por satélite para a região sul-sudeste da costa brasileira. São José dos Campos. 125 p. Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais, 1997.
Astola, J.; Haavisto, P.; Neuvo, Y.; Vector median filters. Proceedings of the IEEE, v. 78,
p. 678-689, 1990. Chatterjee, S; Price, B.; Regression analysis by example. New York, John Wiley, 1977.
228p. Domingues, C.M.; Gonçalves, G.A; Ghisolfi, R.D.; Garcia, C.A.E. ; Advective surface
velocities derived from sequential infrared images in the southwestern atlantic ocean. Remote Sensing of Environment. v. 73, p. 218-226, 2000.
Emery, W.J.; Thomas, A.C.; Collins, M.J.; An Objective method for computing advective
surface velocities from sequential infrared satellite images. Journal of Geophysical Research. v. 91, p. 12865-12878, 1986.
Emery, W.J.; Fowler, C.; Clayson, C.A.; Satellite-image-derived gulf stream currents
compared with numerical model results. Journal of Atmospheric and Oceanic Technology. v. 9, p. 286-304, 1992.
Fernandes, A. E. ; Sistema computacional de detecção de queimadas com imagens
AVHRR/NOAA. São José dos Campos. 71 p. Dissertação (Mestrado em Computação Aplicada) – Instituto Nacional de Pesquisas Espaciais, 1998.
Frulla, L.A.; Milovich, J.A.; Gagliardini, D.A.; Illumination and observation geometry for
NOAA-AVHRR images. Int. J. Remote Sensing, v. 16, n.12, p. 2233-2253, 1995
98
Gallegos, S.C.; Hawkins, J.D.; Cheng, C.F.; A new automated method of cloud masking for advanced very high resolution radiometer full-resolution data over the ocean. Journal of Geophysical Research. v.98, no.C5, p. 8505-8516. 1993.
Garcia, C.A.E.; Robinson, I.S.; Sea surface velocities in shallow seas extracted from
sequential coastal zone color scanner satellite data. Journal of Geophysical Research. v. 94, C9, p.12681-12691, Sept.1989.
Garfield, N.; The Brazil current at subtropical latitudes. Dissertation submitted in partial
fulfillment of the requirements for the degree of doctor of philosophy in oceanography. University of Rodhe Island-USA, 1990.
Ghisolfi, R.D.; Monteiro, A.; Moller Jr., O.O.; Balanço de calor para as estações de verão e
inverno: estimativas e processos envolvidos. In: Simpósio Latinoamericano de Ciencias del Mar, Coquimbo-Chile 1991. Anais: Rio Grande: FURG, 1991, v.7, p 13-38.
Ghisolfi, R.D.; Estimativas da velocidade superficial no oceano atlântico sul ocidental
utilizando imagens seqüenciais do satélite AVHRR/NOAA. Dissertação (Mestrado em Sensoriamento Remoto) – Universidade Federal do Rio Grande do Sul, 1995.
Ghisolfi, R.D.; Garcia, C.A.E.; Efeitos do processo difusivo na estimativa de correntes
superficiais pelo método MCC. In: Simpósio Brasileiro de Sensoriamento Remoto, Salvador-Bahia, 1996. Anais: São José dos Campos: INPE, 1996. v. 2, p. 76-82.
Godoi, S.S; Stevenson, M.R.; Seasonal oscillations of the subtropical convergence
between the Brazil and Malvinas currents, using oceanographic and SMS-2 satellite data. São José dos Campos: INPE, 1984. 11p. (INPE -3092-PRE/497).
Gordon, A.; Brazil-Malvinas confluence. Deep-Sea Research, v.36, n. 3, p.359-384, 1989. Hellerman, S.; An updated estimate of the wind stress on the world ocean. Monthly
Weather Review, v.95, p 607-626, 1967. Kamachi, M.; Advective surface velocities derived from sequential images for rotational
flow field: limitations and aplications of maximum cross-correlation method with rotational registration. Journal of Geophysical Research, v. 94, n. 12C, p. 18227-18233. Dec. 1989.
Kelly, K. A; Strub, P.T.; Comparison of velocity estimates from advanced very high-
resolution radiometer in the coastal transition zone. Journal of Geophysical Research, v. 97, n. 6C, p. 9653-9668. June, 1992.
99
Kidwell, K. B. NOAA polar orbiter data (TIROS-N, NOAA-6, NOAA-7, NOAA-8, NOAA-9, NOAA-10, NOAA-11 and NOAA-12): User guide. Washington, DC, NOAA, 1993. v1.
Kraus, E. B.; Businger, J. A.; Atmosphere-ocean interaction. London, Oxford University
Press, 1994. 362p. La Violette, P.E.; The advection of submesoscale thermal features in the alboran sea gyre.
Journal of Physical Oceanography, v.14, p.450-505, 1984. Leese, J. A.; Novak, C. S.; Clarke, B. B.; An automated technique for obtaining cloud
motion from geosynchronous satellite data using cross correlation. Journal of Applied Meteorology, v. 10, p.110-132, 1971.
Mann, K. H.; Lazier, J. R. N.; Dynamics of marine ecosystems. New York, Edwards
Brothers, 1996. 394p. National Oceanic and Atmospheric Administration (NOAA). NOAA KLM User's Guide.
[on line]. < http://www2.ncdc.noaa.gov/docs/klm/html/c3/sec3-1.htm>. Março, 2000. Ninnis, R. M.; Emery, W. J.; Collins, M. J.; Automated extraction of pack ice motion from
advanced very high resolution radiometer imagery. Journal of Geophysical Research. v. 91, C9, p.10725-10734, 1986.
Okubo, A. Oceanic diffusion diagrams. Deep- Sea Research. v. 18, p.789-802, 1974. Olson, D.B.; Podestá, G.P.; Evans, R.H.; Brown, O.B.; Temporal variations in the
separation of Brazil and Malvinas currents. Deep-Sea Research, v.35, n.12, p.1971-1990, 1988.
Open University Course Team. Ocean circulation. London, Pergamon Press, 1991. 238p. Panchev, S.; Random Functions and Turbulence. Pergamon, New York, 1971. 440p. Peterson, R.G.; Stramma, L.; Upper-level circulation in the South Atlantic ocean. Progress
in Oceanography. v.26, p.1-73. 1991. Pollard, D.S.J.K.; Muller, J.-P.; Cloud detection from thermal infrared images using a
segmentation technique. International Journal of Remote Sensing. v.17, n.14, p.2845-2856. 1996.
100
Schluessel, P.; Emery W.J.; Grassl, H.; Mammen T.; On the bulk-skin temperature difference and its impact on satellite remote sensing of sea surface temperature. Journal of Geophysical Research. v. 95, C8, p. 13341-13356, 1990.
Semtner, A.J.; Chervin, R.M.; A simulation of the global ocean circulation with resolved
eddies. Journal of Geophysical Research. v. 93, C8, p. 15502-15522, 1992. Silva Jr, C.L; Comparação da circulação obtida através do satélite e de dados
hidrográficos no estreito de bransfield. São José dos Campos. 155 p. (INPE – 4946 - TDL/387). Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais, 1989.
Simpson, J.J.; Gobat, J.I.; Robust velocity estimates, stream functions, and simulated
lagrangian drifters from sequential spacecraft data. IEEE Transactions on Geoscience and Remote Sensing. v. 32, n.3, p.479-492.1994.
Simpson, J.J.; Dickey, T.D.; The relationship between downward irradiance and upper
ocean structure. Journal of Physical Oceanography. v. 11, p.309-323.1981. Souza, R.B.; Estudo da circulação superficial ao norte do estreito de bransfield,
antártica. São José dos Campos. 161 p. (INPE – 5472 - TDI/503). Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais, 1992.
Stech, J.L; Lorenzzetti, J.A.; The response of the south brazil bight to the passage of
wintertime cold fronts. Journal of Geophysical Research. v. 97, C6, p. 9507-9520, 1994.
Stommel, H. The westward intensification of wind-driven ocean currents. Trans.
American Geophysics Union. v.29, n.4, p.202-206, 1948. Stommel, H. The gulf stream. Univ. Calif. Press. Berkeley, 1965, 249p. Tokmakian, R.; Strub, P.T.; McClean-Padman, J.; Evaluation of the maximum cross-
correlation method of estimating sea surface velocities from sequential images. Journal of Atmospheric and Oceanic Technology, v. 7, p. 852-865, 1990.
United State Geological Survey Data Center (USGSDC) Advanced Very High
Resolution Radiometer (AVHRR) Sensor Characteristics. [online]. < http://edcdaac.usgs.gov/1KM/avhrr.sensor.html >. Febr. 2000.
101
Vigan, X.; Provost, C.; Podesta, G.; Sea surface velocities from sea surface temperature image sequences. Journal of Geophysical Research, v. 105, C8, p.19515-19534, Aug. 2000.
Wahl, D. D.; Simpson, J. J.; Physical processes affecting the objective determination of
near-surface velocity from satellite data. Journal of Geophysical Research, v. 95, C8, p. 13511-13528, 1990.
Woodcock, A. H.; Surface cooling and streaming in shallow fresh and salt waters. Journal
Marine Research, v. 4, p. 153-161, 1941. Woodcock, A. H.; Stommel, H.; Temperatures observed near the surface of a fresh water
pond at night. Journal Meteorologic. v. 4, p. 102, 1947. Wu, Q.X.; Pairman, D.; McNeill, S.J.; Barnes, E.J.; Computing advective velocities from
satellite images of sea surface temperature. IEEE Transactions on Geoscience and Remote Sensing. v. 30, n. 1, p.166-176. Jan. 1992.
102
APÊNDICE A
TABELA 1 – VELOCIDADES DIÁRIAS DO DERIVADOR 32431
Dia Velocidade (cm/s)
Velocidade Média (cm/s)
21/06/00 18.5 34.4 26.8 23.7 33.7 49.9 11.8
28.4
22/06/00 22.5 21.7 33.7 31.0 32.4 33.6 48.5
31.9
23/06/00 38.5 7.3 63.0 23.7 11.2 21.7 28.5
27.7
24/06/00 20.3 36.2 4.5 43.5 25.3
25.9
25/06/00 31.6 33.5 45.9 42.8
38.5