Palacios Sánchez, Paz Pellat, Oropeza Mota, Figueroa Sandoval, Martínez Menez, Ortiz Solorio, and Exebio García: Corrector atmosférico en imágenes Landsat



Introducción

Las imágenes que provienen de sensores ubicados en satélites captan muestras del espectro electromagnético que emite el Sol; esta radiación electromagnética recorre el espacio hacia la Tierra, en la cual se refleja o emite en otras longitudes de onda. Sin embargo, la atmósfera de la Tierra no es completamente transparente, ya que los gases existentes en ella, como el vapor de agua, O2, O3, CH4, CO2, N2O, principalmente, absorben y dispersan la radiación en diferentes longitudes de onda. Adicionalmente, los aerosoles suspendidos en la atmósfera, absorben y dispersan la luz en longitudes de onda que dependen del tamaño de las partículas en suspensión (Vermote et al., 1997).

La distribución de los gases atmosféricos es más o menos uniforme en una imagen del tamaño que captan los sensores TM5 y ETM+, aunque puede variar el contenido de vapor de agua y ozono en relación con el tiempo. Los aerosoles pueden tener una variación espacial y temporal significativa en las imágenes Landsat, lo que depende de los fenómenos que los producen, los cuales pueden ser antropogénicos o naturales. Esta variación de la turbidez atmosférica ocasiona que las firmas espectrales de objetos terrestres o índices de vegetación de una imagen presenten cambios importantes (Kaufman y Tanré, 1996), los cuales son fuente de errores no atribuibles a los sensores.

El efecto atmosférico es el cambio en la intensidad de radiación en una longitud de onda particular por efecto de la absorción y dispersión que ocasionan las moléculas y aerosoles presentes en la atmósfera. La absorción es el proceso mediante el cual la energía radiante incidente se transforma en otro tipo de energía, o en energía de otra frecuencia, por las moléculas gaseosas y partículas suspendidas en el aire. La dispersión es el proceso mediante el cual la energía incidente reaparece en otras direcciones como radiación dispersa, por la interacción con moléculas y partículas de la atmósfera (Chandrasekhar, 1960).

Solo parte de la radiación que incide interactúa con la atmósfera, en donde disminuye por efecto de la absorción y se dispersa en todas direcciones. La señal de esta radiación dispersa que capta el sensor es la radiancia de trayectoria y sólo lleva información de los componentes atmosféricos (Vermote et al., 1997). También algunos fotones que interactúan con la superficie terrestre en la cercanía de la zona de interés cambian de trayectoria por los componentes atmosféricos y se detectan por el sensor del satélite. Esta es la radiancia ambiental y lleva información de objetos de la superficie terrestre cercanos a la zona de interés (Kaufman y Tanré, 1996; Vermote et al., 1997). Finalmente, la superficie de interés refleja los fotones que atraviesan la atmósfera y los capta el sensor, lo cual se denomina radiancia directa. Esta radiación es la que interesa al analista, por llevar información de los objetos terrestres (Kaufman et al., 1997).

La atenuación de la energía radiante de los fotones provenientes del Sol se especifica por la transmisividad, que consta de cuatro componentes (Chandrasekhar, 1960; Vermote et al., 1997): 1) por la trayectoria del Sol a la superficie terrestre (uso del subíndice s); 2) por trayectoria de la superficie terrestre al sensor (uso de subíndice v), transmisividad de los gases (Tgs y Tgv) y de los aerosoles (Ts y Tv); 3) la radiancia de trayectoria (ra); y 4) por la interacción múltiple de los fotones con la atmósfera y la superficie terrestre, la cual es función del albedo esférico (S). La dirección de visión se describe con el ángulo cenital de visión qv y el ángulo acimutal fv, y los ángulos solares como el cenital qs y acimutal fs.

Así, la relación que existe entre la reflectancia que recibe el sensor (ρ*) con la reflectancia de la superficie (ρo), se define por la Ecuación (1) (Vermote et al., 1997):

1
2395-8030-tl-36-04-309-g001.pngρ*θs, θv,ϕs-ϕv=Tgθs, θv,ϕs-ϕvρaθs, θv,ϕs-ϕv+TθsTθvρ01-ρ0S()

Al despejar la Ecuación (1) se obtiene la reflectancia en la superficie terrestre del objeto de interés (ρo). A esta operación se le denomina corrección atmosférica.

En la Figura 1 se muestra el resultado de simular diferentes condiciones de turbidez atmosférica con el modelo 6S (Second Simulation of the Satellite Signal in the Solar Spectrum) (Vermote et al., 1997), a una firma espectral del maíz (Zea mays) simulado con el Modelo MCRM2 (Multispectral Canopy Reflectance Model version 2; Kuusk, 1994 y 2001). La etiqueta Superficie corresponde a la firma espectral como si las reflectancias se midieran en la superficie terrestre, mientras que las otras series corresponden a mediciones en el satélite Landsat 7. τ550 corresponde al espesor óptico en la longitud de onda de 0.55 μm (550 nm), el cual es un indicador de la turbidez atmosférica que se utiliza en la física atmosférica (Vermote et al., 1997). En la firma espectral del maíz, se puede apreciar que la turbidez atmosférica aumenta la reflectancia de las bandas visibles y la disminuye para las bandas infrarrojas; también se observa que el efecto atmosférico en la porción infrarroja del espectro disminuye conforme aumenta la longitud de onda.

Figura 1:

Efecto atmosférico en la firma espectral del maíz (Zea mays). A mayor valor del espesor óptico τ550, mayor es la turbidez de la atmósfera.

2395-8030-tl-36-04-309-gf1.jpg

Si se realiza un análisis multitemporal de imágenes satelitales, es necesario homogeneizar las condiciones atmosféricas a una imagen de referencia, o eliminar el efecto atmosférico de las imágenes (Paz et al., 2006). Las imágenes TM se utilizan extensivamente para el análisis de las condiciones de cultivos agrícolas, inventarios forestales, levantamientos geológicos, estimación de recursos hidráulicos, valoración de zonas costeras y muchas otras aplicaciones. Conforme el análisis de esta información se vuelve más cuantitativo, el obtener reflectancias de objetos sobre la superficie terrestre cobra mayor importancia. Por ejemplo, los modelos de transferencia de radiación que se invierten para la estimación de parámetros biofísicos de la vegetación necesitan, forzosamente, estimar la reflectancia en la superficie terrestre (Kaufman y Tanré, 1996; Liang et al., 2001). Desgraciadamente, un porcentaje importante de estas imágenes presentan contaminación por aerosoles, vapor de agua, nubes y sombras. Si se pudieran eliminar estos factores de las imágenes de los satélites Landsat, éstas serían potencialmente de mayor utilidad para el analista (Liang et al., 2001).

Actualmente existen varios modelos que permiten aplicar una corrección atmosférica a imágenes Landsat TM/ETM+, como son: el programa ATmospheric REMoval (ATREM, Gao and Goetz, 1990, ya no tiene soporte y no está disponible para nuevos usuarios), Atmospheric CORrection Now (ACORN, Berk et al., 1999), el Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH, Adler-Golden et al., 1999), ATCOR (Richter, 1996; Richter y Schläpfe, 2016) basados en el modelo de transferencia de radiación MODTRAN (MODerate resolution atmospheric TRANsmission, (Berk et al., 1999, 2014). Últimamente se han desarrollado programas como MAJA, (MACCS-ATCOR Joint Algorithm) donde MACCS fue el software de corrección atmosférica y detección de nubes, desarrollado por CNES y CESBIO, y ATCOR es el software de corrección atmosférica desarrollado por DLR (Hagolle et al., 2017). Sin embargo, estos programas, con excepción de MAJA que no tiene costo con fines de investigación y sólo corre en el sistema operativo Linux, no están disponibles al público o se encuentran como módulos extra en programas de procesamiento de imágenes con un costo elevado.

El objetivo de este trabajo fue desarrollar un método de corrección, espacialmente explícito y con base en patrones espectrales de objetos oscuros, de los efectos atmosféricos en las imágenes Landsat.

La corrección atmosférica de los satélites Landsat requiere dos hipótesis: 1) existencia de una correlación entre las bandas visibles y la banda infrarroja media con ordenada al origen cero para la vegetación; 2) que el efecto de la reflectancia de trayectoria no afecta significativamente la reflectancia de la banda infrarroja media (Figura 1). Las hipótesis se basan en evidencia empírica de diversos autores (Kaufman y Sendra, 1988; Kaufman et al., 1997; Liang et al., 2001), que muestran una correlación entre las reflectancias de las bandas que se indican para objetos oscuros, principalmente vegetación densa oscura. Sin embargo, Wen et al. (1999) plantearon que agrupar píxeles con reflectancia similar permite obtener mejores resultados.

Si es posible discriminar la vegetación en diferentes grados de cobertura del suelo de otros objetos sobre la superficie terrestre, de una manera rápida y precisa, es posible obtener mejores correlaciones para la estimación de la reflectancia de trayectoria.

Materiales y Métodos

Con base en las dos suposiciones anteriores, se puede reescribir la Ecuación (1), primero para las bandas visibles como (Wen et al., 1999):

2395-8030-tl-36-04-309-g002.pngρvis*=ρvisatm+Tvisatmρvis01-ρvis0S

2

donde: 2395-8030-tl-36-04-309-i003.pngρvis* es la reflectancia aparente en el satélite para una banda en la porción visible del espectro electromagnético, 2395-8030-tl-36-04-309-i004.pngρvisatm es la reflectancia de trayectoria con efecto de la transmisividad de gases para una banda visible, 2395-8030-tl-36-04-309-i005.pngTvisatm es el resultado de multiplicar la transmisividad de gases, de aerosoles en la trayectoria de iluminación y de aerosoles en la trayectoria de visión para la misma banda visible. Para el caso de la banda centrada en 2.2 μm, al no existir un efecto apreciable de la reflectancia de trayectoria (Figura 1), ésta se puede eliminar de la Ecuación (2) por lo que quedaría como:

3
2395-8030-tl-36-04-309-g006.pngρ2.2*=T2.2atmρ2.201-ρ2.20S()

Si se considera que el producto 2395-8030-tl-36-04-309-i007.pngρ0S es pequeño (interacciones de primer orden), tal como ocurre con las bandas visibles, la Ecuación (2) se podría simplificar a:

4
2395-8030-tl-36-04-309-g008.pngρvis*= ρvisatm+Tvisatmρviso()

Si se usa la hipótesis de una relación entre la banda visible y la banda infrarroja media, se puede plantear como (Wen et al., 1999; Kaufman et al., 2002):

2395-8030-tl-36-04-309-g009.pngρviso=γρ2.2o

(5)

donde: γ es una constante empírica.

Al sustituir la Ecuación (5) en la (3), la reflectancia aparente en el satélite queda como (Wen et al., 1999):

2395-8030-tl-36-04-309-g010.pngρvis*=ρvisatm+TvisatmT2.2visγρ2.2*

6

Por lo que si la banda visible se relaciona linealmente en la superficie con la banda infrarroja media, implica que también se relacionan linealmente en el satélite, y la ordenada al origen de esta relación corresponde a la reflectancia de trayectoria de la banda visible.

En las aplicaciones operacionales del esquema de corrección atmosférica descrito, la variable γ de la relación (5) se supone constante (γ = 0.25 para la banda 1 o del Azul y γ = 0.5 para la 3 o del Rojo) (Kaufman et al., 1997). Esta suposición es muy restrictiva e implica un tipo de vegetación genérica con propiedades ópticas similares. El algoritmo propuesto en este trabajo hace dinámica la obtención de γ, sin requerir la hipótesis de vegetación genérica.

Para el desarrollo y validación del corrector atmosférico, se utilizaron dos enfoques: generación de efectos atmosféricos en simulaciones de transferencia de radiación de la mezcla suelo-vegetación y análisis de imágenes Landsat en sitios con información de espesores ópticos.

Para las simulaciones de transferencia de radiación de la mezcla suelo-vegetación se utilizó el Modelo MCRM2 (Kuusk, 1994 y 2001). Este modelo a su vez incluye dos modelos para simular las características ópticas de las hojas y el suelo: (1) Modelo PROSPECT (Jacquemoud et al., 1996), para la simulación de la reflectancia y transmitancia de las hojas en función de su estructura, contenido de clorofila, pigmentos cafés, así como materia seca y agua; y (2) funciones base de Price (1990) para la simulación de reflectancia de suelos. Para la base de datos de espectros de reflectancia y transmitancia de las hojas se usaron los datos del experimento LOPEX93 (Leaf Optical Properties EXperiment 1993) (Hosgood et al., 1993). Para la base de espectros de reflectancia del suelo se usó la biblioteca de ASTER (JPL, 1999). Finalmente, para generar efectos atmosféricos se utilizó el Modelo 6S de Vermote et al. (1997). La Figura 2 muestra la integración del modelo MOSAD, Modelo de simulación de albedos en doseles, desarrollado por los autores.

Figura 2:

Integración de modelos de simulación y bases de firmas espectrales, MOSAD.

2395-8030-tl-36-04-309-gf2.jpg

Con el programa MOSAD se hicieron una serie de combinaciones de 5 efectos atmosféricos en 6 tipos de suelo, 9 especies vegetales y para 18 estados de desarrollo del cultivo, lo que se representó por valores ascendentes del índice de área foliar (IAF). Las 9 especies vegetales se seleccionaron para variar la arquitectura del dosel, esto es, la distribución angular de la inclinación de las hojas: planófilas, esféricas y erectófilas (Wang et al., 2007). Además, se simularon 5 efectos atmosféricos con un IAF de cero para contar con la reflectancia de los suelos desnudos; el total de combinaciones fue de 4890. Posteriormente, se aplicaron las funciones de respuesta de las bandas ETM+ y TM5 a los espectros resultantes, con lo que se contó con simulaciones en las 6 bandas reflectivas de estos sensores. Con la simulación del sistema suelo-vegetación-atmósfera para diferentes tipos de especies vegetales, suelos y efectos atmosféricos se obtienen combinaciones de reflectancia de diferentes coberturas vegetación-suelo y en condiciones variantes de efectos atmosféricos. En el caso de las imágenes de satélite se aplicó un algoritmo de clasificación genérica de objetos (Palacios et al., 2006), que identifica la vegetación en diferentes niveles de cobertura, suelo, nubes, bruma, agua, hielo, objetos artificiales, sombra y otros objetos.

Para aplicar el algoritmo de corrección de efecto atmosférico se realizó un análisis de regresión de las reflectancias de la vegetación entre la banda 7 y las bandas 1 y 3 de los sensores TM5 y ETM+, para las simulaciones de transferencia de radiación de la vegetación.

En el caso de las imágenes satelitales, se generaron tablas de búsqueda con parámetros atmosféricos, para la obtención del espesor óptico a 0.55 μm, a partir de la reflectancia de trayectoria de las bandas 1 y 3. Las tablas se construyeron para los sensores Landsat TM y ETM+ mediante el modelo 6S, con variación de las condiciones de iluminación (ángulo cenital solar), altitud de la superficie sobre el nivel medio del mar y espesor óptico atmosférico. Las tablas incluyen las combinaciones de tres modelos de distribución de gases: tropical, verano latitud media e invierno latitud media, así como para seis tipos de aerosol: continental, marítimo, urbano, desértico, quema de biomasa y estratosférico. En el presente trabajo se generaron tablas de búsqueda para 8 ángulos cenitales solares, 6 altitudes, 9 espesores ópticos, 3 modelos atmosféricos y 6 modelos de aerosol, lo que generó 2592 valores para la reflectancia de trayectoria por banda. Posteriormente se codificó un algoritmo de corrección atmosférica con base en regresiones entre la banda 7 y las bandas 1 y 3 de los sensores TM / ETM+. Con el f in de representar la variabilidad espacial de los aerosoles en una imagen de las dimensiones de las del satélite Landsat, ésta se dividió en una malla cuyos nodos son el centro de una ventana donde se aplica el algoritmo de corrección. El tamaño que se sugiere es de cuadrados de 1000 píxeles de lado lo que representa un cuadrado de 30 km de lado por la resolución de las imágenes Landsat. Con la reflectancia de trayectoria que se estimó en las bandas 1 y 3, se obtuvo un estimado del espesor óptico de los aerosoles en la malla definida por el usuario, donde se considera una distribución homogénea de los aerosoles. En cada celda de la malla se simularon los parámetros atmosféricos, mediante el modelo 6S, para posteriormente obtener reflectancias en superficies para todas las bandas reflectivas de las imágenes TM / ETM+. Una vez que se estimaron los espesores ópticos de los aerosoles en cada nodo de la malla, se comprobó que no existieran valores faltantes; cuando se detectó su existencia, los valores se interpolaron mediante una función Lipschitz (Beliakov, 2006), que es un interpolador multivariado que minimiza el error en la aproximación de la función, sin importar la distribución de los valores faltantes, motivo por el que se seleccionó este algoritmo. Con la malla llena con valores del espesor óptico en cada nodo, se densificó mediante una interpolación bilineal, para estimar los espesores ópticos en las cuatro esquinas de una ventana; con este procedimiento se pasó de contar con un valor al centro de la ventana a uno en cada esquina. Esto se realizó con el f in de acelerar el proceso de interpolación bilineal de los parámetros atmosféricos en los píxeles de una ventana. Finalmente, se realizó la validación del algoritmo de corrección atmosférica con simulaciones de transferencia de radiación y con siete imágenes ETM+ con información de medidas in situ de las condiciones atmosféricas y se realizó un análisis de correlación entre el espesor óptico estimado por el modelo y los valores medidos por la red AERONET.

Resultados y Discusión

Se formuló un código donde se integraron los modelos de simulación MCRM2 al que se le incorporó la biblioteca de encadenado dinámica del modelo 6S, para que la simulación fuera del sistema suelo-vegetación-atmósfera. Los flujos de radiación directos y difusos que se estimaron por el modelo 6S alimentan al modelo MCRM2 para el cálculo de la reflectancia del dosel bajo una condición específica de turbidez atmosférica. Aun cuando se mide la reflectancia en superficie, las condiciones de turbidez de la atmósfera generan proporciones específicas de las fracciones directa y difusa de la radiación incidente, por lo que la firma espectral de un dosel en particular, varía en función de estas proporciones.

Los diferentes tipos de vegetación generan patrones lineales entre la banda visible e infrarrojo medio para diferentes valores del índice de área foliar, en la Figura 3 se muestra la reflectancia simulada de las bandas 7 y 1 y en la Figura 4 para las bandas 7 y 3. Las pendientes de rectas ajustadas a estos patrones, varían en función de la distribución angular de las hojas; sin embargo, la ordenada al origen para las bandas 7 y 1 en el conjunto completo, es muy cercana a cero. La ordenada al origen de la correlación entre la banda 7 y la 3 es diferente de cero ya que presenta un sesgo negativo y se descarta como estimador de la reflectancia de trayectoria de la banda 3, por lo que en los sucesivo se utilizará sólo la relación entre las bandas 7 y 1.

Figura 3:

Reflectancias de trayectoria simuladas y estimadas por regresión para las bandas 7 y 1.

2395-8030-tl-36-04-309-gf3.jpg

Figura 4:

Reflectancias de trayectoria simuladas y estimadas por regresión para las bandas 7 y 3.

2395-8030-tl-36-04-309-gf4.jpg

Con la reflectancia de trayectoria que se estimó en la banda azul, al especificar el modelo atmosférico, el modelo de aerosol, el ángulo cenital solar y la altitud sobre el nivel medio del mar, es posible invertir el modelo 6S, para estimar el espesor óptico a 0.55 μm. Una vez que se calcula el espesor óptico, se determinan automáticamente los parámetros necesarios para efectuar la corrección atmosférica. En la Figura 5 se puede apreciar el excelente ajuste entre las reflectancias de trayectoria que se simularon y estimaron mediante regresión entre las bandas 7 y 1 del sensor ETM+. Los valores que se analizaron tienen condiciones atmosféricas que van desde muy claras, con espesor óptico de 0.07, hasta condiciones muy turbias con espesor óptico de 1.0. También se simularon tres modelos atmosféricos y tres aerosoles, bajo diferentes condiciones de iluminación. El coeficiente de determinación ajustado de la regresión fue de 0.998 con un error típico (RMSE) de 0.001 (1.25%).

Figura 5:

Reflectancias de trayectoria simuladas y estimadas por regresión para las bandas 7 y 1.

2395-8030-tl-36-04-309-gf5.jpg

Las regresiones se realizan sobre píxeles con vegetación, y en una imagen Landsat, ésta se identifica mediante un clasificador genérico de objetos (Palacios et al., 2006); este clasificador no necesita de muestras en campo para la identificación, ya que se basa en la forma de la firma espectral de los objetos. Esta característica lo hace rápido y eficiente.

El algoritmo se validó con 7 imágenes Landsat (Cuadro 1), que cuentan con sitios de la red robótica de aerosoles (AERONET), los cuales estiman las condiciones atmosféricas con gran precisión; estos sitios incluyeron tres modelos atmosféricos de distribución de gases y tres modelos de aerosol. Los resultados mostraron que el corrector está a la altura de los mejores algoritmos de su clase en la estimación del espesor óptico de los aerosoles, con un error típico del espesor óptico a 0.55 μm de 0.059 contra valores de 0.05 a 0.07 reportados (Vermote and Vermeulen, 1999; Remer et al., 2006; Guanter et al., 2008).

Cuadro 1:

Escenas Landsat ETM+ utilizadas en la validación.

Un problema que se asocia con la corrección atmosférica de imágenes Landsat es el desconocimiento del modelo atmosférico y del tipo de aerosol (Paz et al., 2008). En caso de que no se especifique el modelo de aerosol, se utiliza un algoritmo para su estimación, el cual se generó siguiendo los criterios definidos en Vermote et al. (2002), en donde especifica el tipo de aerosol en función del exponente de Ängstrom y del espesor óptico a 0.55 μm. Debido a que no se cuenta con el exponente de Ängstrom, el algoritmo se basa en el coeficiente de variación de los aerosoles, tal como se muestra en la Figura 6.

Figura 6:

Algoritmo para la selección del modelo de aerosol.

2395-8030-tl-36-04-309-gf6.jpg

El modelo de atmósfera se le proporciona al algoritmo, o lo estima a partir de la latitud media de la ventana. Si el valor absoluto de la latitud es inferior a 23.45° se considera tropical. Si es superior o igual a 23.45°, se considera latitud media; con la fecha de la imagen se determina si es invierno o verano (boreal o austral) y de esta manera se especifica el modelo: verano latitud media o invierno latitud media.

En la Figura 7 se presenta el algoritmo de corrección atmosférica, tal como se codificó en el programa desarrollado por los autores.

Figura 7:

Algoritmo de corrección atmosférica.

2395-8030-tl-36-04-309-gf7.jpg

En la Figura 8 se muestra una comparación entre el espesor óptico de los aerosoles que se midieron por AERONET y los que se estimaron por el algoritmo propuesto en el presente trabajo. Las líneas punteadas corresponden a los intervalos de confianza que establecen Remer et al. (2006) para la estimación del espesor óptico sobre la tierra, los cuales se muestran en la Ecuación (7). Los intervalos se definieron para el sensor Moderate Resolution Imaging Spectometer (MODIS); sin embargo, dada la similitud de las bandas (aunque no la resolución espacial) con las equivalentes de Landsat, es posible aplicar este intervalo de conf ianza en el presente trabajo. Este intervalo acota la incertidumbre asociada a la estimación de la reflectancia en superficie y al modelo de aerosol, se espera que el error sea del orden de Δτ = ± 0.05 a ± 0.1 para pequeños espesores ópticos y aumente a 20-30% para altos espesores ópticos (Remer, 2006):

7
2395-8030-tl-36-04-309-g011.pngτ=±0.05±0.15τ()

donde: ∆τ es la diferencia del espesor óptico estimado en relación con el medido por AERONET y τ es el espesor óptico de los aerosoles a 0.55 μm.

Figura 8:

Comparación entre el espesor óptico en 0.55 μm medido por AERONET y el estimado por el algoritmo de corrección atmosférica, con los límites del intervalo de confianza.

2395-8030-tl-36-04-309-gf8.jpg

La bondad de ajuste de la regresión entre los valores del espesor óptico medido en AERONET y estimado por el algoritmo de corrección, es bueno, el coeficiente de determinación ajustado fue de 0.973 y el error típico de 0.059 (20.3%) (Figura 8).

En la Figura 9a se muestra una composición en color verdadero de las bandas Rojo-Verde-Azul (RGB) de la escena Landsat ETM+ 226/071 de fecha 08/08/2001 de Cuiabá-Miranda, sin corrección atmosférica y la 9b muestra el resultado de aplicar el algoritmo de corrección atmosférica propuesto, a la escena. Como se puede apreciar en las figuras, la corrección atmosférica reduce la reflectancia de trayectoria de las bandas visibles (reflejo de la atmósfera) por lo que el contraste y el color de la imagen es mejor, asimismo corrige (aumenta) la transmisividad de las bandas infrarrojas (no visible en la Figura 9, ver Figura 1).

Figura 9:

(a) Escena del sitio Cuiabá-Miranda sin corrección atmosférica y (b) misma imagen corregida por el algoritmo.

2395-8030-tl-36-04-309-gf9.jpg

En la Figura 10 se muestra la distribución del espesor óptico atmosférico de los aerosoles en una composición RGB de la imagen ETM+ ya con procesamiento, que corresponde a la misma escena; también se muestra la ubicación del sitio AERONET con el espesor óptico interpolado a partir de los datos que se obtuvieron en el sitio para los diferentes intervalos de longitud de onda. Se generaron isolíneas de espesor óptico con el f in de destacar la variabilidad existente del aerosol en la imagen donde se observa que representa bien la variabilidad espacial de carga de aerosoles.

Figura 10:

Distribución de aerosoles en imagen corregida por el algoritmo.

2395-8030-tl-36-04-309-gf10.jpg

Las diferencias más importantes del algoritmo que se desarrolló, en relación con algoritmos operacionales relativamente similares (Kaufman y Tanré, 1996; Kaufman et al., 1997 y 2002; Liang et al., 2001) son:

  1. No se supone una relación fija entre las bandas del visible y del infrarrojo medio, sino que se estima a partir de las reflectancias por áreas de una imagen satelital Landsat, lo que evita hipótesis de homogeneidad espacial y patrones espectrales fijos.

  2. En caso de desconocimiento del modelo atmosférico y del aerosol (condición típica), éstos se estiman mediante el uso de datos de la misma imagen satelital. Este proceso permite hacer operativo el algoritmo bajo condiciones de falta de información atmosférica.

  3. La estimación de los factores de corrección atmosférica (inversión radiativa atmosférica) se genera en una malla suavizada que evita cambios abruptos, producto de estimaciones discretas, lo que permite correcciones congruentes con las variaciones espaciales que se esperan.

Las diferencias descritas, que se incluyen en el algoritmo operacional, permiten una alta flexibilidad en las aplicaciones, ya que se utilizan hipótesis genéricas que se parametrizan en forma espacialmente explícita.

Conclusiones

  • La ordenada al origen de la regresión entre la banda 7 y la banda 1 de imágenes Landsat, que es un estimador de la reflectancia de trayectoria en la banda 1, permite estimar el espesor óptico de los aerosoles centrado en 0.55 μm, siempre que se especifique el modelo de atmósfera y de aerosol.

  • Se descarta la idea de que la ordenada al origen de la regresión entre la banda 7 y la banda 3 (centrada en 0.66 μm) de los sensores TM5 / ETM+, sea un estimador confiable de la reflectancia de trayectoria de la banda 3.

  • Se logró la identificación de la vegetación en una imagen Landsat, mediante un clasificador genérico de objetos, en cuatros variantes: vegetación oscura de alta cobertura, vegetación de alta, media y baja cobertura.

  • La validación del algoritmo con imágenes Landsat demostró que el corrector está a la altura de los mejores algoritmos de su clase en la estimación del espesor óptico de los aerosoles, con un error típico del espesor óptico a 0.55 μm de 0.059 contra valores de 0.05 a 0.07 reportados (Vermote and Vermeulen, 1999; Remer et al., 2006; Guanter et al., 2008).

Literatura Citada

1 

Adler-Golden, S. M., M. W. Matthew, L. S. Bernstein, R. Y. Levine, A. Berk, S. C. Richtsmeier, P. K. Acharya, G. P. Anderson, G. Felde, J. Gardner, M. Hike, L. S. Jeong, B. Pukall, J. Mello, A. Ratkowski, and H. -H. Burke. 1999. Atmospheric correction for short-wave spectral imagery based on MODTRAN4. Imaging Spectrometry V. Proc. SPIE 3753: 61-69. doi: 10.1117/12.366315.

S. M. Adler-Golden M. W. Matthew L. S. Bernstein R. Y. Levine A. Berk S. C. Richtsmeier P. K. Acharya G. P. Anderson G. Felde J. Gardner M. Hike L. S. Jeong B. Pukall J. Mello A. Ratkowski H. -H. Burke 1999Atmospheric correction for short-wave spectral imagery based on MODTRAN4Imaging Spectrometry V. Proc. SPIE3753616910.1117/12.366315

2 

Beliakov, G. 2006. Interpolation of Lipschitz functions. J. Comput. Appl. Math. 196: 20-44 doi: 10.1016/j.cam.2005.08.011.

G. Beliakov 2006Interpolation of Lipschitz functionsJ. Comput. Appl. Math.196204410.1016/j.cam.2005.08.011

3 

Berk, A., G. P. Anderson, L. S. Bernstein , P. K. Acharya, H. Dothe, M. W. Matthew , S. M. Adler-Golden, J. H. Chetwynd, Jr., S. C. Richtsmeier, B. Pukall, C. L. Allred, L. S. Jeong, and M. L. Hoke. 1999. MODTRAN4 radiative transfer modeling for atmospheric correction. Optical Spectroscopic Techniques and Instrumentation for Atmospheric and Space Research III. Proc. SPIE 3756: 348-353. doi: 10.1117/12.366388.

A. Berk G. P. Anderson L. S. Bernstein P. K. Acharya H. Dothe M. W. Matthew S. M. Adler-Golden J. H. Chetwynd, Jr. S. C. Richtsmeier B. Pukall C. L. Allred L. S. Jeong M. L. Hoke 1999MODTRAN4 radiative transfer modeling for atmospheric correctionOptical Spectroscopic Techniques and Instrumentation for Atmospheric and Space Research III. Proc. SPIE375634835310.1117/12.366388

4 

Berk, A. , P. Conforti, R. Kennett, T. Perkins, F. Hawes, and J. van den Bosch. 2014. MODTRAN6: A major upgrade of the MODTRAN radiative transfer code. Proc. SPIE 90880H. doi: 1117/12.2050433.

A Berk P. Conforti R. Kennett T. Perkins F. Hawes J. van den Bosch 2014MODTRAN6: A major upgrade of the MODTRAN radiative transfer codeProc. SPIE90880H1117/12.2050433

5 

Chandrasekhar, S. 1960. Radiative transfer. Dover Publications. New York, NY, USA.

S. Chandrasekhar 1960Radiative transferDover PublicationsNew York, NY, USA

6 

Gao, Bo-Cai and A. F. H. Goetz. 1990. Column atmospheric water vapor and vegetation liquid water retrievals from airborne imaging spectrometer data. J. Geophys. Res. 95: 3549-3564. doi: 10.1029/JD095iD04p03549.

Bo-Cai Gao H. Goetz A. F. 1990Column atmospheric water vapor and vegetation liquid water retrievals from airborne imaging spectrometer dataJ. Geophys. Res.953549356410.1029/JD095iD04p03549

7 

Guanter, L., L. Gómez-Chova, and J. Moreno. 2008. Coupled retrieval of aerosol optical thickness, columnar water vapor and surface reflectance maps from ENVISAT/MERIS data over land. Remote Sens. Environ. 112: 2898-2913.

L. Guanter L. Gómez-Chova J. Moreno 2008Coupled retrieval of aerosol optical thickness, columnar water vapor and surface reflectance maps from ENVISAT/MERIS data over landRemote Sens. Environ11228982913

8 

Hagolle, O., M. Huc, and C. Descardins, S. Auer, and R. Richter. 2017. MAJA ATBD Algorithm theoretical basis document. doi: 10.5281/zenodo.1209633.

O. Hagolle M. Huc C. Descardins S. Auer R. Richter 2017MAJA ATBD Algorithm theoretical basis document10.5281/zenodo.1209633

9 

Hosgood, B., S. Jacquemoud, G. Andreoli, V. Verdebout, A. Pedrini, and G. Schmuck. 1993. Leaf optical properties experiment 93 (LOPEX93). Joint Research Centre / IPSC / SERAC Unit TP 723. 21020 Ispra, Italy.

B., Hosgood S. Jacquemoud G. Andreoli V. Verdebout A. Pedrini G. Schmuck 1993Leaf optical properties experiment 93 (LOPEX93)Joint Research CentreIPSC/ SERAC UnitTP 723. 21020Ispra, Italy

10 

Jacquemoud, S., S. L. Ustin, J. Verdebout, G. Schmuck, G. Andreoli, and B. Hosgood. 1996. Estimating leaf biochemistry using the PROSPECT leaf optical properties model. Remote Sens. Environ. 56: 194-202.

S. Jacquemoud S. L. Ustin J. Verdebout G. Schmuck G. Andreoli B. Hosgood 1996Estimating leaf biochemistry using the PROSPECT leaf optical properties modelRemote Sens. Environ56194202

11 

JPL (Jet Propulsion Laboratory). 1999. ASTER spectral library, Jet Propulsion Laboratory, California Institute of Technology.Pasadena, CA, USA. http://speclib.jpl.nasa.gov/ (Consulta: septiembre 19, 2008).

JPL 1999ASTER spectral libraryJet Propulsion LaboratoryCalifornia Institute of Technology.Pasadena, CA, USAhttp://speclib.jpl.nasa.gov/

12 

Kaufman, Y. J. and C. Sendra. 1988. Algorithm for automatic atmospheric corrections to visible and near-IR satellite imagery. Int. J. Remote Sens. 9: 1357-1381. doi: 10.1080/01431168808954942.

Y. J. Kaufman C. Sendra 1988Algorithm for automatic atmospheric corrections to visible and near-IR satellite imageryInt. J. Remote Sens91357138110.1080/01431168808954942

13 

Kaufman, Y. J. and D. Tanré. 1996. Strategy for direct and indirect methods for correcting the aerosol effect on remote sensing: from AVHRR to EOS-MODIS. Remote Sens. Environ. 55: 65‑79.

Y. J. Kaufman D. Tanré 1996Strategy for direct and indirect methods for correcting the aerosol effect on remote sensing: from AVHRR to EOS-MODISRemote Sens. Environ5565‑7965‑79

14 

Kaufman, Y. J., A. E. Wald, L. A. Remer, Bo-Cai Gao, R. Li, and L. Flynn. 1997. The MODIS 2.1 mm channel - correlation with visible reflectance for use in remote sensing of aerosol. IEEE Trans. Geosci. Remote Sens. 35: 1286-1298.

Y. J. Kaufman A. E. Wald L. A. Remer Bo-Cai Gao R. Li L. Flynn 1997The MODIS 2.1 mm channel - correlation with visible reflectance for use in remote sensing of aerosolIEEE Trans. Geosci. Remote Sens3512861298

15 

Kaufman, Y. J., N. Gobron, B. Pinty, J. L. Widlowski, and M. M. Vestraete. 2002. Relationship between surface reflectance in the visible and mid-IR used in MODIS aerosol algorithm - theory. Geophys. Res. Lett. 29: 31.1-31.4

Y. J. Kaufman N. Gobron B. Pinty J. L. Widlowski M. M. Vestraete 2002Relationship between surface reflectance in the visible and mid-IR used in MODIS aerosol algorithm - theoryGeophys. Res. Lett.2931.131.4

16 

Kuusk, A. 1994. A multispectral canopy reflectance model. Remote Sens. Environ. 50: 75-82.

A. Kuusk 1994A multispectral canopy reflectance modelRemote Sens. Environ.507582

17 

Kuusk, A. 2001. A two-layer canopy reflectance model. J. Quant. Spect. Radiat. Trans. 71: 1-9.

A. Kuusk 2001A two-layer canopy reflectance modelJ. Quant. Spect. Radiat. Trans.7119

18 

Liang, S., H. Fang, and M. Cheng. 2001. Atmospheric correction of Landsat ETM+ land surface imagery - Part I: Methods. IEEE Trans. Geosci. Remote Sens. 39: 2490-2498.

S. Liang H. Fang M. Cheng 2001Atmospheric correction of Landsat ETM+ land surface imagery - Part I: MethodsIEEE Trans. Geosci. Remote Sens.3924902498

19 

Palacios S., L. A., F. Paz P., J. L. Oropeza M., B. Figueroa S., M. Martínez M., C. A. Ortiz S. y A. Exebio G. 2006. Clasificador genérico de objetos en imágenes ETM+. Agrociencia 40: 613‑626.

L. A. Palacios S. F. Paz P. J. L. Oropeza M. B. Figueroa S. M. Martínez M. C. A. Ortiz S. A. Exebio G. 2006Clasificador genérico de objetos en imágenes ETM+Agrociencia40613‑626613‑626

20 

Price, J. C. 1990. On the information content of soil reflectance spectra. Remote Sens. Environ. 33: 113-121.

J. C. Price 1990On the information content of soil reflectance spectraRemote Sens. Environ.33113121

21 

Paz, F., E. Palacios, L. A. Palacios, L. Tijerina y E. Mejía. 2006. Correcciones atmosféricas usando patrones invariantes en el espacio del rojo e infrarrojo cercano. Rev. Latin. Rec. Nat. 2: 51-64.

F. Paz E. Palacios L. A. Palacios L. Tijerina E. Mejía 2006Correcciones atmosféricas usando patrones invariantes en el espacio del rojo e infrarrojo cercanoRev. Latin. Rec. Nat.25164

22 

Paz, F. , M. Bolaños, E. Palacios, L. A. Palacios, M. Martínez y A. Huete. 2008. Optimización del índice espectral de la vegetación NDVIcp. Agrociencia 42: 925-937.

F. Paz M. Bolaños E. Palacios L. A. Palacios M. Martínez A. Huete 2008Optimización del índice espectral de la vegetación NDVIcp.Agrociencia42925937

23 

Remer, L. A., D. Tanré, and Y. J. Kaufman. 2006. Algorithm for remote sensing of tropospheric aerosol from MODIS: Collection 5. Product ID: MOD04/MYD04.

L. A. Remer D. Tanré Y. J. Kaufman 2006Algorithm for remote sensing of tropospheric aerosol from MODIS: Collection 5. Product ID: MOD04/MYD04.

24 

Richter, R. 1996. A spatially adaptive fast atmospheric correction algorithm, Int. J. Remote Sens. 17: 1201-1214.

R. Richter 1996A spatially adaptive fast atmospheric correction algorithmInt. J. Remote Sens.1712011214

25 

Richter, R. and D. Schläpfer. 2016. Atmospheric/topographic correction for satellite imagery: ATCOR-2/3 User Guide, DLR IB 565-01/16. Wil, Switzerland.

R. Richter D. Schläpfer 2016Atmospheric/topographic correction for satellite imagery: ATCOR-2/3 User Guide, DLR IB 565-01/16Wil, Switzerland

26 

Vermote, E. F., D. Tanré, J. L. Deuze, M. Herman, and J. J. Morcrete. 1997. Second simulation of the satellite signal in the solar spectrum, 6S: An overview. IEEE Trans. Geosci. Remote Sens. 35: 675-686.

E. F. Vermote D. Tanré J. L. Deuze M. Herman J. J. Morcrete 1997Second simulation of the satellite signal in the solar spectrum, 6S: An overview.IEEE Trans. Geosci. Remote Sens35675686

27 

Vermote, E. F. and A. Vermeulen. 1999. Atmospheric correction algorithm: Spectral reflectance (MOD09). Version 4.0. NASA contract NAS5-96062. (https://eospso.nasa.gov/sites/default/files/atbd/atbd_mod08.pdf). (Consulta: octubre 20, 2008).

E. F. Vermote A. Vermeulen 1999Atmospheric correction algorithm: Spectral reflectance (MOD09). Version 4.0. NASA contract NAS5-96062.https://eospso.nasa.gov/sites/default/files/atbd/atbd_mod08.pdf

28 

Vermote, E. F. , S. Vibert, H. Kilcoyne, D. Hoyt, and T. Zhao. 2002. Suspended matter. Visible/Infrared Imager/Radiometer Suite algorithm theoretical basis document. SBRS Document # Y2390, Raytheon Systems Company, Information Technology and Scientific Services, Maryland, USA.

E. F. Vermote S. Vibert H. Kilcoyne D. Hoyt T. Zhao 2002Suspended matter. Visible/Infrared Imager/Radiometer Suite algorithm theoretical basis document. SBRS Document # Y2390Raytheon Systems CompanyInformation Technology and Scientific ServicesMaryland, USA

29 

Wang, W. M., Z. L. Li, and H. B. Su. 2007. Comparison of leaf angle distribution functions: Effects on extinction coefficient and fraction of sunlit foliage. Agric. For. Meteorol. 143: 106‑122.

W. M. Wang Z. L. Li H. B. Su. 2007Comparison of leaf angle distribution functions: Effects on extinction coefficient and fraction of sunlit foliageAgric. For. Meteorol.143106‑122106‑122

30 

Wen, G., S. C. Tsay, R. F. Cahalan, and L. Oreopoulos. 1999. Path radiance technique for retrieving aerosol optical thickness over land. J. Geophys. Res. 104: 31321-31332.

G. Wen S. C. Tsay R. F. Cahalan L. Oreopoulos 1999Path radiance technique for retrieving aerosol optical thickness over landJ. Geophys. Res.1043132131332



This display is generated from NISO JATS XML with jats-html.xsl. The XSLT engine is libxslt.

Refbacks

  • There are currently no refbacks.