ANÁLISE COMPARATIVA DE CORREÇÃO ATMOSFÉRICA DE IMAGENS

LANDSAT 8 UTILIZANDO FLAASH E LaSRC

Danilo Batista Nogueira 1

Luis Clenio Jário Moreira 2
Adunias dos Santos Teixeira1

Universidade Federal do Ceará – UFC

1

Caixa Postal 12.168, CE 60450-760 Fortaleza, Brasil

danilo.b.n@alu.ufc.br
2
Instituto Federal de Educação Ciência e Tecnologia do Ceará – IFCE
Limoeiro do Norte - CE, Brasil
cleniojario@ifce.edu.br

Resumo. As plataformas de coleta espacial de imagens estão há longas distâncias da

superfície terrestre. Com isto, há um percurso substancial o qual a radiação eletromagnética
precisa percorrer antes de chegar ao sensor, neste caminho a energia inicial emitida pelos
alvos terrestre sofre interferência atmosférica, principalmente, da camada que compreende a
ionosfera. Neste contexto, para que as informações extraídas das imagens sejam as mais
próximas da realidade, utiliza-se algoritmos de correção do efeito atmosférico por modelos de
transferência radiativa que é uma forma de eliminar, ou pelo menos, mitigar esses problemas.
Diante disso, o objetivo deste trabalho é comparar a correção atmosférica da imagem obtida
pelo sensor multiespectral OLI a bordo do satélite Landsat 8 através do método de Análise
Atmosférica Rápida de Espectro Hypercube (FLAASH) e do Código de Refletância de
Superfície Landsat (LaSRC). Dados da função de resposta e de calibração do sensor foram
implementados no modelo FLAASH e uma imagem multiespectral foi corrigida para os
efeitos da atmosfera, esta mesma imagem foi adquirida do site da USGS já corrigida pelo
modelo LaSRC. A correção atmosférica por estes dois modelos foi avaliada comparando as
curvas de resposta espectral da banda 1 a 7 do sensor OLI, para cinco alvos selecionados
sobre as imagens. Os resultados mostraram diferenças significativas a 1% de confiabilidade,
na reflectância de todas as bandas nos diferentes alvos, com exceção dos valores de
reflectância na banda 3 em um cultivo de bananeiras. Concluiu-se que há diferença entre os
métodos de correção por FLAASH e LaSRC para alvos diversos de uma cena extraída no
primeiro semestre na mesorregião de Jaguaribe, no estado do Ceará.

Palavras-chave: sensoriamento remoto, processamento de imagens, reflectância.

Abstract. The platforms for spatial image collection there are long distances from the earth's
surface. With this, there is a substantial path which an electromagnetic radiation needs to
travel before reaching the sensor, in the path the initial energy emitted by terrestrial targets
suffers atmospheric interference, mainly from the layer comprising the ionosphere. In this
context, for the information extracted from the images to be as close as possible, use
atmospheric correction algorithms for radiative transfer models that is a way to eliminate or at
least mitigate these problems. Therefore, the objective of this work is to compare an
atmospheric correction of the image obtained by the OLS multispectral sensor on the Landsat
8 satellite using the Fast Atmospheric Spectrum Hypercube (FLAASH) method and the
Landsat Surface Reflectance Code (LaSRC). Sensor response and calibration function data
were implemented without FLAASH model and a multispectral image was corrected for the
effects of the atmosphere, this same image was acquired on the USGS website already
corrected by the LaSRC model. The atmospheric correction for these two models was
evaluated by comparing the spectral response curves of the band 1 to 7 of the OLI sensor to
five selected targets on the images. The results showed a significant difference at 1% of the
reliability, in the reflected of all bands in the different targets, with the exception of the
reflection values in band 3 in a banana crop. It was concluded that there is a difference
between the methods of correction by FLAASH and LaSRC for diverse targets of a scene
extracted without first semester in the mesoregion of Jaguaribe, in the state of Ceará.

Keywords: remote sensing, image processing, reflexivity.

1. Introdução
As imagens de satélite são amostras da energia eletromagnética, após a interação com a
atmosfera e a superfície terrestre, captadas por um sensor (PARANHOS FILHO et al.,
2008). De maneira geral, a atmosfera é um dos principais causadores de degradações nas
imagens originais, muitas vezes comprometendo a análise e a interpretação destas devido aos
fenômenos de espalhamento, absorção e refração da energia eletromagnética. Os principais
efeitos da atmosfera sobre as imagens de sensoriamento remoto são a redução do contraste
entre os alvos, a reduzida possibilidade de detecção de alvos muito pequenos e a não
separação de alvos que apresentem reflectâncias muito próximas (ROSA, 2009), sendo que, a
intensidade da influência da atmosfera depende do comprimento de onda, que varia de banda
para banda. Os gases, principalmente vapor de água, oxigênio, ozônio, dióxido de carbono e
os aerossóis influenciam diretamente nos referidos efeitos (ZULLO JR., 1994).
Visando amenizar os principais efeitos atmosféricos na radiância de uma cena são
realizados processos de correção atmosférica. Em geral, os modelos atuais de correção
atmosférica podem ser resumidos da seguinte forma: modelo baseado em características de
imagem, modelo de regressão linear baseado no conhecimento prévio do solo e modelos
teóricos de transferência radiativa atmosférica (LIOU, 1980).
Diversos trabalhos foram realizados na avaliação da interferência atmosférica nos
valores espectrais de objetos (LIOU, 1980; GAO et al., 1993; LATORRE et al., 2002) e
vários métodos de correção atmosférica foram elaborados e/ou melhorados (CHÁVEZ, 1988;
ZULLO, 1994; VERMOTE, et al., 1997).
Ferramentas e técnicas de correção atmosférica vêm sendo desenvolvidos e aprimorados
de acordo com a demanda de dados e atualização dos sistemas sensores disponíveis. Como há
constante renovação das plataformas orbitais com novos sensores, a atualização dos softwares
proprietários, livres e de código aberto tem que ser constante. Posto que, é imprescindível,
que no âmbito de monitoramento da superfície terrestre esse pré-processamento digital seja
considerado, pois é necessária a calibração dos dados multitemporais para padronizar a escala
radiométrica (SONG et al., 2001).
Neste trabalho serão apresentados dois métodos de correção atmosférica bastante
utilizados que serão aplicados em uma imagem do satélite multiespectral Landsat 8/OLI: O
algoritmo de Análise Atmosférica Rápida de Espectro Hypercube (FLAASH), que utiliza o
código de transferência radiativa MODTRAN-4 (Adler-Golden, 1999; Berk et al., 2002) e é
uma ferramenta integrada no software ENVI, traz em si, a possibilidade de se corrigir vários
aspectos como: vapor d’água, oxigênio, dióxido de carbono, metano, ozônio, espalhamento de
aerossol e outros efeitos adjacentes. (FELDE et al., 2003). E o Código de Refletância de
Superfície Landsat (LaSRC) que faz uso da banda de aerossol costeira para realizar testes de
inversão de aerossóis, usa dados de clima auxiliar do sensor MODIS e usa um modelo de
transferência radiativa exclusivo, as imagens com esta metodologia de correção já são
fornecidas com valor de reflectância no site da United States Geological Survey (USGS).
Devido aos dados de reflectância do sensor OLI e TM terem sido recentemente
disponibilizados no banco de dados da USGS, há uma carência de estudos relacionando a este
método de correção atmosférica com outros métodos. Nesse sentido, o presente trabalho
procurou analisar comparativamente os valores de reflectância de superfície nos alvos de
bananeiras, pastagens, água, solo exposto e caatinga obtidos a partir de dois métodos de
correções atmosféricas (LaSRC e FLAASH), visando apontar se há diferença entre os métodos
para diferentes alvos nas diferentes faixas do espectro eletromagnético.

2. Material e Métodos
A área de estudo localiza-se em Jaguaribe, mesorregião do estado do Ceará. Para esta
pesquisa foi utilizada uma imagem do sensor Operational Land Imager (OLI), plataforma
Landsat 8 (Tabela 1), órbita/ponto 216/064, obtida no dia 02/05/2017 no site da USGS.
Tabela 1. Características espectrais do sensor Operational Land Imager do satélite Landsat8.
Banda Comprimento de Onda (nm) Resolução Espacial (m)
B1-Costal Aerossol* 430-450 30
B2-Azul* 450-510 30
B3-Verde* 530-590 30
B4-Vermelho* 640-670 30
B5-NIR* 850-880 30
B6-SWIR 1* 1570-1650 30
B7-SWIR 2* 2110-2290 30
B8-Pancromática 500-680 15
B9-Cirrus 1360-1380 30
* Bandas utilizadas na pesquisa
A área foi selecionada por apresentar vastos locais de amostragem para os cinco alvos
avaliados. O clima da região, segundo a classificação de Köppen, corresponde a BSW’h’
(tropical quente semiárido) com precipitações médias anuais inferiores a 900 mm,
temperatura média anual de 27° C e evapotranspiração potencial em torno de 2000 mm. Até a
data de coleta das imagens a precipitação tinha sido de aproximadamente 600 mm. A partir da
correção do efeito atmosférico das imagens foi feita a coleta de refletância de superfície em
diferentes alvos localizados na área (Figura 1).

Figura 1. Mapa de localização da mesorregião do Jaguaribe-CE, com definição dos pontos de coleta amostral,
sobre composição colorida falsa-cor R4G3B2 — Landsat-8.
 Para as imagens corrigidas utilizado o FLAASH inicialmente as respostas das diferentes
bandas eletromagnéticas foram convertidas de número digital para radiância (W×m²×sr-1×nm-
1
) por meio do uso de valores de ganho e offset fornecidos com os metadados da imagem e
utilizando os filtros de sensitividade, no procedimento da correção atmosférica foram obtidos
os valores de reflectância de superfície para as bandas multiespectrais usando parâmetros de
altitude média do terreno de 0,06 km; modelo atmosférico tropical; modelo de aerossol rural
com parâmetros estipulados por Kaufman & Tanré (1992) e modelo de multiespalhamento
ISAACS, todos estes procedimentos foram executados utilizando-se o software ENVI 5.3. A
mesma imagem foi requerida no site da USGS com os valores de reflectância corrigidos do
efeito atmosférico.
Posteriormente, as imagens foram recortadas de acordo com a área de estudo e o
resultado oriundo da conversão para a refletância de superfície pelo FLAASH foi comparado
ao gerado pelo código LaSRC por meio da diferença entre eles, submetidos ao programa
estatístico SISVAR (FERREIRA, 2000), onde foi utilizado o procedimento de análise de
variância e Teste de Tukey, a 1% de probabilidade.
Como citado anteriormente as diferenças entre reflectância de superfície nos dois
métodos de correção foram avaliadas para cinco alvos distintos: bananeiras, pastagem, solo
exposto, água e caatinga. Esse procedimento foi realizado banda a banda em 500 amostras
(pixels) coletados em diferentes regiões da imagem para cada um dos cinco alvos definidos.
As amostras coletadas foram submetidas a testes de normalidade estatística e mostraram
distribuição normal pelos testes de Shapiro-Wilk e Kolmogorov-Smirnov, o que justifica o
uso de teste estatístico paramétrico.
 Os dados de reflectância para os diferentes métodos de correção foram verificados
quanto ao grau de correlação por meio do coeficiente de correlação de Pearson e, em seguida,
ajustados por meio de regressão linear simples, obtendo-se os coeficientes de determinação,
que mostram quanto da variável dependente é explicada pela variável independente (x),
indicando a maior ou menor presença de erros sistemáticos.

3. Resultados e Discussão

As imagens de refletância corrigida pelos dois métodos se apresentaram estatisticamente

distintas para todas as bandas com exceção da banda 3 nas bananeiras (Tabela 4). Com
exceção do solo exposto, os coeficientes de variação para os diferentes alvos foram abaixo de
15%, indicando baixa dispersão dos dados em torno da média e mostrando a homogeneidade
das amostras coletadas. O coeficiente de variação do solo exposto foi superior aos demais em
função das diferentes tonalidades do solo descoberto, o que resulta em variações da resposta
espectral do mesmo e maior dificuldade na coleta de amostras

Tabela 4 - Comparação banda a banda para os valores de refletância emitidos pelos diferentes alvos,
nas várias faixas do espectro, utilizando o FLAASH e o LaSRC como métodos de correção
atmosférica.
Bananeiras Pastagem Água Caatinga Solo Exposto
B1-Aerosol 82,58 a 228,734 a 192,59 a 229,396 a 528,936 a
B2-Blue 151,472 a 266,532 a 233,14 a 256,262 a 671,32 a
B3-Green 458,374 a 589,472 a 398,568 a 536,814 a 1163,844 a
LaSCR B4-Red 285,18 a 315,306 a 254,562 a 313,82 a 1514,902 a
B5-NIR 3962,02 a 5284,428 a 122,546 a 3461,282 a 3607,808 a
B6-SWIR 1 1473,65 a 2099,596 a 48,778 a 1927,608 a 4261,62 a
B7-SWIR 2 583,414 a 824,426 a 30,166 a 831,944 a 2931,018 a
B1-Aerosol 290,48 b 341,864 b 283,11 b 359,754 b 894,432 b
B2-Blue 188,552 b 229,486 b 183,336 b 237,2 b 839,298 b
B3-Green 455,818 a 560,518 b 332,58 b 512,66 b 1313,952 b
FLAASH B4-Red 266,602 b 251,368 b 193,534 b 284,128 b 1748,026 b
B5-NIR 4276,672 b 5821,196 b 24,47 b 3692,364 b 3802,762 b
B6-SWIR 1 1536,668 b 2202,154 b 20,058 b 2021,19 b 4521,456 b
B7-SWIR 2 617,322 b 876,408 b 19,64 b 886,594 b 3161,11 b
** ** ** **
LaSCR x FLAASH 1044.91 1420.82 166.93 1110,78 2211.46**
CV (%) 6,87 13,61 14,06 7,88 16,76
1
Médias seguidas de mesma letra na coluna, nas bandas de mesma faixa espectral, não diferem entre sí por meio
de Teste de Tukey a 1% de probabilidade.
2
**; Significativo a 1% de probabilidade.
Visando compreender ainda as diferenças existentes, estas médias foram plotadas em
gráficos junto com as diferenças de refletância entre as bandas (Figura 2). Em geral o
comprimento de onda do infravermelho apresentou maior em todos os alvos analisado cuja
imagem foi corrigida com o FLAASH, com exceção da água, que apresenta altos valores de
absorção, sendo maiores na região do infravermelho (JENSEN, 2009).
 Ambientes lênticos, com baixa energia e transporte de sedimentos clásticos,
como o encontrado na área de estudo, possuem presença de compostos orgânicos dissolvidos,
que têm como característica forte absorção nos menores comprimentos de onda (KIRK,
1994). Com isso, o açude apresentou valores extremamente baixos de reflectância de
superfície para as bandas do visível. Entretanto, os valores mais elevados de refletância de
superfície na banda 3, pode ser explicado através da influência de macrófitas aquáticas sobre
o plano d’água.
Ao analisar os alvos, percebe-se alta correlação entre as os métodos de correção e que a
reflectância da imagem corrigida pelo FLAASH superestima os valores do LaSRC nas bandas
com mais de 5% de reflectância, valores abaixo disto tendem a ser subestimados pela
reflectância de imagens tratadas com o LaSRC. Sendo que as bandas com menor reflectância
coincidem com as de menor comprimento espectral, segundo Fragal e Montanher (2011) são
os menores comprimentos de onda detectados pelo sensor, que sofrem maior espalhamento
atmosférico.
Figura 2. Espectros médios de reflectância de superfície corrigidos com o FLAASH e com o LaSRC, obtidos
para amostra de 500 pixels, de cada alvo investigado, bem como a diferença entre eles.

Bananeiras Pastagem

Água Caatinga

Solo Exposto
 A partir dos valores de reflectância de cada uma das bandas em comparação, foram
calculados os coeficientes de correlação de Pearson a equação de ajuste linear entre os dados
de reflectância e o coeficiente de determinação (Tabela 3 e 4) gerando gráfico de
confrontação entre as bandas da imagem corrigida pelos diferentes métodos nos diferentes
alvos (Figura 3).

Figura 3. Relação entre a reflectância das bandas corrigidas usando o FLAASH e o LaSRC para os
diferentes alvos
Tabela 3- Equações de ajuste entre as reflectâncias das bandas das tratadas por diferentes métodos de
correção atmosférica
Alvos B1-Aerosol B2-Azul B3-Verde B4-Vermelho
Equação Equação Equação Equação
Bananeiras y = 0,67x + 2,35 y = 0,88x + 0,55 y = 1,13x - 0,62 y = 1,18x - 0,71
Pastagens y = 0,9x + 1,1 y = 0,88x - 0,04 y = 1,21x - 1,5 y = 1,29x - 1,57
Água y = 0,9x + 1,1 y = 1,21x - 0,99 y = 1,3x - 1,84 y = 0,93x - 0,44
Solo Exposto y = 1,43x + 1,36 y = 1,62x - 2,53 y = 1,41x - 3,14 y = 1,28x - 1,88
Caatinga y = 0,22x + 3,08 y = 0,71x + 0,55 y = 1,43x - 2,53 y = 1,42x - 1,61

Alvos B5-NIR B6-SWIR 1 B6-SWIR 2

Equação Equação Equação
Bananeiras y = 1,17x - 3,71 y = 1,08x - 0,61 y = 1,09x - 0,20
Pastagens y = 1,18x - 4,09 y = 1,08x - 0,60 y = 1,08x - 0,18
Água y = 1,06x - 1,05 y = 0,92x - 0,25 y = 1,01x - 0,11
Solo Exposto y = 1,16x - 3,84 y = 1,08x - 0,96 y = 1,09x - 0,34
Caatinga y = 1,18x - 3,94 y = 1,09x - 0,74 y = 1,09x - 0,23

Tabela 4- Valores dos coeficientes de correlação de Pearson e de determinação calculado para

comparação da reflectância das bandas em pares
B1-Aerosol B2-Azul B3-Verde B4-Vermelho B5-NIR
Alvos
r R2 r R2 r R2 r R2 r R2
Bananeiras 0,63 0,40 0,79 0,62 0,90 0,81 0,96 0,93 1 0,99
Pastagens 0,49 0,24 0,68 0,47 0,94 0,89 0,97 0,94 1 1
Água 0,79 0,63 0,86 0,74 1 0,99 0,95 0,90 0,75 0,56
Solo Exposto 0,70 0,48 0,93 0,86 1 0,99 1 1 1 1
Caatinga 0,19 0,04 0,47 0,22 0,98 0,96 0,95 0,91 1 1

B6-SWIR 1 B6-SWIR 1
Alvos
r R2 r R2
Bananeiras 1 1 1 1
Pastagens 1 1 1 1
Água 0,96 0,92 0,99 0,98
Solo Exposto 1 1 1 1
Caatinga 1 1 1 1

Os resultados mostram que os valores tendem a uma linearidade quanto maior for o
comprimento da banda, apresentando assim uma alta correlação entre os valores de
reflectância. Este resultado pode também ser claramente visualizado na Figura 3
5. Conclusão

Há uma diferença significativa nos valores de radiancia de imagens Lansat 8/OLI

tratadas com o FLAASH e tratadas pelo LaSRC. Esta diferença é observada em todas as
bandas do espectro para diferentes alvos com exceção da banda 3 em cultivo de bananeiras.

6. Referências Bibliográficas

ADLER-GOLDEN, S.M.; MATTHEW, M.W.; BERNSTEIN, L.S.; LEVINE, R.Y.; BERK,

A.; RICHTSMEIER, S.C.; ACHARYA, P.K.; ANDERSON, G.P.; FELDE, G.; GARDNER,
J.; HIKE, M.; JEONG, L.S.; PUKALL, B.; MELLO, J.; RATKOWSKI, A.; BURKE, H.
Atmospheric correction for shortwave spectral imagery based on MODTRAN4. SPIE Proc.
Imaging Spectrometry, v. 3753, p. 61-69, 1999.

BERK, A.G.P.; ADLER-GOLDEN, S.M.; RATKOWSKI, A.J.; FELDE, G.W.;

ANDERSON, G.P.; HOKE, M.L.; COOLEY, T.; CHETWYND, J.H.; GARDNER, J.A.;
MATTHEW, M.W.; BERNSTEIN, L.S. ACHARYA, P.K.; MILLER, D.; LEWIS, P.
Exploiting MODTRAN radiation transport atmospheric correction: the FLAASH algorithm.
SPIE Proceeding, Optical Spectroscopic Techniques and Instrumentation for Atmospheric and
Space Research, p. 798-803, 2002.

CHAVEZ, J. P.S. An improved dark-object subtraction technique for atmospheric scattering

correction of multispectral data. Remote Sensing of Environment. New York, v.24, p. 459-
479, 1988.

ENVI, Envi User’s Guide, 2004.

FRAGAL, E. H.; MONTANHER, O. C. Correções atmosféricas 6s e DOS na caracterização

espectral de alvos naturais de Ilha Grande utilizando dados do sensor TM 5. In: SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, 15. (SBSR)., 2011, Curitiba. Anais... São
José dos Campos: INPE, 2011. p. 7456-7463.

FELDE, G. W., ANDERSON, G. P., COOLEY, T. W., MATTHEW, M. W., ADLER-

GOLDEN, S. M., BERK, A., AND LEE, J., Analysis of Hyperion Data with the FLAASH
Atmospheric Correction Algorithm, IEEE Transactions on Geoscience and Remote Sensing,
pp. 90 – 92, 2003.

FERREIRA, Daniel Furtado. Sisvar: a Guide for its Bootstrap procedures in multiple
comparisons. Ciênc. agrotec. [online]. 2014, vol.38, n.2 [citado 2015-10-17], pp. 109-112 .
Disponible en: ISSN 1413-7054. http://dx.doi.org/10.1590/S1413-70542014000200001.

GAO, B. C.; HEIDEBRECHT, K. B.; GOETZ, A. F. H. Derivation of scaled surface

reflectances from AVIRIS data. remote sensing of environment. v. 44, p.165-178, 1993.

JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos

terrestres / John R. Jensen ; tradução José Carlos Neves Epiphanio (coordenador)...[et al.]. -
São José dos Campos, SP : Parêntese, 2009.

LATORRE, M.; Carvalho Júnior, O. A.; Carvalho, A. P. F.; Shimabukuro, Y. E. Correção

Atmosférica: Conceitos e Fundamentos. Espaço & Geografia, v. 5, n. 1, p. 153–178, 2002.
LIOU, K.N. An Introduction to atmospheric radiation. Academic Press, New York, 1980,
392p

PARANHOS FILHO, A. C. Sensoriamento remoto ambiental aplicado: introdução às

geotecnologias: material didático. / Antonio Conceição Paranhos Filho. – Campo Grande,
MS: Ed. UFMS, 2008.

KIRK, J. T. O. Light & photosynthesis in aquatic ecosystems. 2ª ed. New York: Cambridge
University Press, 1994, 509p.

ROSA, R. Introdução ao Sensoriamento Remoto. 7ª Ed. Uberlândia: EDUFU, 264 p.,2009.

SONG, C.; WOODCOCK, C. E.; SETO, K. C.; PAX-LENNEY.; M. E MACOMBER, S. A.

Classification and change detection using Landsat TM data: when and how to correct
atmospheric effects. Remote sensing of environment,v.75, p.230-244, 2001.

VERMOTE, E. F. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: an
overview. IEEE Transactions on Geoscience and Remote Sensing, New York, v.35, n.3,
p.675-686, 1997.

ZULLO JÚNIOR, J. Correção atmosférica de imagens de satélite e aplicações. Tese de

Doutorado. Faculdade de Engenharia Elétrica, Universidade Estadual de Campinas
(UNICAMP), Campinas, 191p, 1994.