Comparação radiométrica das imagens dos satélites landsat 8 e 9 para mapeamento de uso e cobertura das terras no Matopiba

Abstract

Desde 1972, os sucessivos satélites da série Landsat têm apresentado melhorias nos seus modos de imageamento, principalmente após o lançamento do Landsat 5 Thematic Mapper (TM) em 1985. Basicamente, os três sucessores do Landsat 5, isto é, o Landsat 7 Enhanced Thematic Mapper Plus (ETM+), o Landsat 8 (L8) Operational Land Imager (OLI) e o Landsat 9 (L9) OLI vêm operando com modos de imageamento similares. A principal diferença entre o L8 e o L9 está na resolução radiométrica, que é de 12 bits no L8 e de 14 bits no L9. Atualmente, ambos os satélites estão em operação na mesma órbita quase-polar, permitindo a redução na periodicidade de aquisição de imagens de 16 dias para 8 dias. O objetivo deste estudo foi comparar o potencial do sensor OLI a bordo dos satélites L8 e L9 para mapear classes representativas de uso e cobertura das terras no bioma Cerrado. Mais especificamente, pretende-se investigar se é possível utilizar cenas consecutivas desses dois satélites em estudos envolvendo séries temporais do sensor OLI sem a necessidade de pré-processamentos adicionais como, por exemplo, de harmonização de histogramas. A área de estudo selecionada foi no sul do estado de Piauí, região que compõe o MATOPIBA. O MATOPIBA corresponde a uma região geográfica contínua que engloba parte dos estados do Maranhão, Tocantins, Piauí e da Bahia e corresponde à nova fronteira agrícola no Cerrado. As seguintes classes representativas de uso e cobertura de terras são encontradas na área de estudo: Mata de galeria; Cerrado típico; Cerrado ralo; Pastagens cultivadas; Resíduo verde de cultura agrícola; Palhada seca; e Solo exposto. Toda a abordagem metodológica foi baseada na análise de duas cenas consecutivas da estação seca da área de estudo, adquiridas pelos satélites L8 e L9 em 01 de setembro de 2022 e 24 de agosto de 2022, respectivamente, ou seja, com uma diferença entre as datas de passagem dos dois satélites de oito dias. As duas cenas foram classificadas pelo método de classificação supervisionada de imagens não paramétrica baseada em aprendizagem de máquina (machine learning) e denominado de Random Forest (RF). Os atributos de entrada da classificação foram seis bandas multiespectrais convertidas para reflectância de superfície; quatro índices espectrais; e cinco atributos espaciais derivados pelo método de análise estatística textural de segunda ordem conhecido como Gray Level Co-Occurrence Matrix (GLCM). A validação dos resultados do RF, baseada em 120 áreas de treinamento para cada classe de uso e cobertura de solos, mostrou ligeira superioridade do L9: 86,6% de acurácia global para L9 e 85,7% para L8, com uma diferença de 7,1% nos resultados da classificação. Foram observados erros elevados de omissão e comissão em algumas classes, notadamente decorrentes da presença de cicatrizes de queimada, plantios agrícolas com mudanças na cobertura do terreno durante o intervalo de oito dias e formações vegetacionais com transição gradativa entre elas. Os resultados obtidos sugerem que ambos os sensores dos satélites possuem potencial similar para o mapeamento de uso e cobertura de terras do MATOPIBA e, até certo ponto, do bioma Cerrado, com ligeira superioridade para L9. No entanto, como pesquisas futuras, sugere-se efetuar análises adicionais em outras áreas de estudo e envolvendo outras épocas do ano.