Quantificação remota da concentração de sólidos totais e inorgânicos em suspensão em lagos da planície de inundação do Baixo Amazonas: uma abordagem multi-sensor

Resumo

A utilização de imagens de sensoriamento remoto é de fundamental importância para aumentar o conhecimento sobre a dinâmica da troca de sedimentos entre o Rio Amazonas e as planícies de inundação já que ela pode ajudar a entender como as mudanças climáticas e de uso da terra influenciam esse processo. Neste sentido, este trabalho investigou a acurácia de algoritmos de estimativa de TSS (Total de Sólidos em Suspensão) e TSI (Total de Sólidos Inorganicos em suspensão) através da utilização de três sensores de média resolução espacial (Landsat-8/OLI, Sentinel-2A/MSI e CBERS-4/WFI) em lagos na planície de inundação do Baixo Amazonas. Através de simulação Monte Carlo, foram calibrados e validados algoritmos empíricos e semi-analíticos a partir dados de refletância de sensoriamento remoto (Rrs) medidos in-situ e simulados para os três sensores (Rrs_sim) e dados de TSS e TSI coletados simultaneamente ao longo de quatro campanhas de campo em lagos do baixo Amazonas. Para calibração dos algoritmos, três conjuntos de dados foram avaliados: Conjunto completo, separados por campanhas e separados por lagos. Após a calibração dos algoritmos, estes foram aplicados a uma cena de agosto de 2017 de cada sensor para sua validação com dados de TSS e TSI in-situ. Além da validação dos dados de TSS e TSI, avaliou-se também o desempenho de diversos métodos de correção atmosférica para o OLI (6S, ACOLITE, L8SR), MSI (6S, ACOLITE, Sen2Cor) e WFI (6S) e também de correção de glint para o OLI e MSI tomando-se as Rrs simuladas a partir das medidas de Rrs in-situ como referência. Finalmente, avaliou-se a congruência entre os dados de TSS e TSI estimados pelos três sensores em imagens adquiridas no mesmo dia da passagem dos três satélites afim de avaliar a possibilidade da criação de constelações virtuais com estes sensores. O desempenho dos algoritmos com os dados in-situ mostrou resultados similares para as faixas espectrais equivalentes dos três sensores avaliados e também resultados semelhantes para os algoritmos empíricos e semi-analíticos que utilizam a mesma faixa espectral. A validação das correções atmosféricas mostrou uma dependência da faixa espectral utilizada e melhores resultados utilizando o 6S. Já a correção de glint se mostrou satisfatória e com grande influência principalmente sobre a acurácia do sensor MSI (Redução nos valores de MAPE > 100%). Os algoritmos empíricos e semi-analíticos de estimativa de TSS e TSI apresentaram melhores resultados de validação usando a banda do verde do sensor OLI (561 nm), do red-edge do sensor MSI (704 nm) do vermelho do sensor WFI (660 nm) quando aplicado às cenas de agosto de 2017 utilizando o os algoritmos calibrados com o conjunto completo (MAPE < 31%). A comparação das estimativas de TSS e TSI a partir de imagens simultâneas dos três sensores indicou que eles permitiram estimar as concentrações de TSS e TSI com diferenças entre as medianas das concentrações inferior a 1 mgL-1. Estes resultados permitiram, pela primeira vez, a calibração e validação de algoritmos empíricos e semi-analíticos de TSS e TSI em lagos da planície de inundação do Baixo Amazonas utilizando sensores de média resolução espacial. ABSTRACT: Remote sensing (RS) is a key tool for deepening the knowledge on the spatial and temporal dynamics of sediment exchange between Amazon River and their floodplains. Moreover, RS image can help to understand how both climate change and land use and land cover changes influence the sediment exchange between the Amazon River and floodplain lakes. In that sense, this study investigates the accuracy of Total Suspended Solids (TSS) and Total Inorganic Suspended Solids (TSI) estimates of Amazon floodplain lakes derived from medium resolution sensors (Landsat-8/OLI, Sentinel-2A/MSI and CBERS- 4/WFI). Empirical and semi-analytical algorithms were calibrated and validated through a robust Monte Carlo simulation using both in-situ simulated remote sensing reflectance (Rrs_sim) and simultaneous TSS/TSI dataset collected over four field campaigns in the lower Amazon floodplain lakes. For algorithm calibration, three different datasets were evaluated: Complete dataset; Campaign dataset and Lake dataset. After the calibration process, calibrated algorithms were applied to an august/2017 scene of each sensor for validation using in-situ TSS and TSI concentration measurements. Despite TSS and TSI validation, the performance of several atmosphere correction methodologies for OLI (L8SR, 6S, ACOLITE), MSI (6S, ACOLITE, Sen2Cor) and WFI (6S) in Rrs retrieval were evaluated using in-situ Rrs,sim as a reference. Furthermore, the impacts of glint correction on OLI and MSI Rrs retrieval were also evaluated. Finally, the consistency between TSS and TSI estimates by each sensor was accessed using near-simultaneous imagery aiming to create a virtualconstellation based on those three sensors to support the generation of sediment products. The performance of in-situ algorithms demonstrates similar estimates for similar spectral bands disregarding the sensor and the type of algorithm (empirical or semi-analytical). Atmosphere correction validation presented a dependency on the spectral bands used and better results were obtained using 6S, although satisfactory results were also observed with other methods. Moreover, glint correction presented good results and being fundamental to the accuracy of the algorithms based on MSI imagery, reducing MAPE values higher beyond 100%. Empirical and semi-analytical TSS and TSI algorithms best results varied for each sensor when applied to August/2017 scenes: for OLI the best result was for the green band (561 nm) while for MSI the best result was for the red-edge band (704 nm) and for WFI the red band (660 nm) presented best results (MAPE values lower than 31% for both TSS and TSI) using algorithms calibrated with the Complete dataset. The comparison between TSS and TSI estimates using the near-simultaneous overpass indicated that they allowed sediment estimates with median difference values lower than 1 mgL-1. These results demonstrated, for the first time, the calibration and validation of empirical and semi-analytical algorithms for TSS and TSI retrieval over lower Amazon Floodplain Lakes using medium-resolution sensors.

Tipo