User:SergioAJV/Sentinel-2 vectorizing tests

From OpenStreetMap Wiki
Jump to: navigation, search

Testes realizados para a
Proposta de método de mapeamento para vetorização semi-automática de matas (natural=wood e landuse=forest) com imagens Sentinel-2
Documentada na página wiki: Vetorização de matas com Sentinel-2

Testes feitos por Biomas do Brasil, conforme http://snif.florestal.gov.br/pt-br/os-biomas-e-suas-florestas.
Ao final da presente página há uma lista com os links para os arquivos .osm com os resultados finais.


Mata Atlântica (vetorizado e 100% validado para OSM)

Local: Municípios de Bom Jesus e Monte Alegre dos Campos, RS


No QGIS


1)ESCOLHA DA IMAGEM - SENTINEL:

Descrição dos dados:
Fonte: https://earthexplorer.usgs.gov/ - Data Set: Sentinel-2B
Link do download fornecido (necessita cadastro): download from dds.cr.usgs.gov

Metadata do Data Set Sentinel com 14 imagens (B01 a B12; B08A; TCI):

Identitficação do conjunto de imagens: L1C_T22JEP_A014764_20180420T132234
Acquisition End Date: 2018-04-20T13:31:53.668Z
Cloud Cover: 0

Imagens e índices utilizados diretamente no processo:
Banda B11: T22JEP_20180420T132231_B1.jp2
NDVI: Normalized Difference Vegetation Index / Fórmula (imagens envolvidas): NDVI = (B08 - B04) / (B08 + B04)


2)MARCAR ÁREAS COM NUVENS:
A avaliação com a Banda B11 fica seriamente prejudicada onde há qualquer nebulosidade, causando "buracos" no resultado. Usar a imagem Banda B10, especialmente indicada para distinguir nuvens. Se houver nuvens, marcar polígnos em SHP próprio, para posterior mapeamento manual no JOSM.
Resultado: Sem nuvens nos municípios em foco.


3)EXAMINAR VALORES DO RASTER POR AMOSTRAGEM:

Criar um layer .shp de polígonos para marcar áreas amostrais para os objetos típicos, conforme listados na tabela abaixo, sobre os quais serão verificados os valores de pixels. Procurar áreas de matas típicas mais nitidamente identificáveis no Bing; áreas menos imediatamente identificáveis, como onde os tipos de matas se interpenetram; e áreas de objetos que "não são matas", como campos, açudes, urbanização, etc.
Anotar valores limites pré-aproximados de distinções de classes dos objetos amostrais, em uma tabela como abaixo:

           SENSOR         ÍNDICES          PONDERAÇÃO
        |   B11   |   NDVI   |    EVI2   | B11+((1-NDVI)*4000))
min.QGIS|512      |+0.177    | +0.281    | 1636     
max.QGIS|     2709|    +0.785|     +1.707|      5710
 Matas:
  wood  |1200/1800| 0.30/0.80| 1.20/1.60 | 2055/2575
   corte|~ > 1200 |          | 
 forest | 150/1200| 0.70/0.80| 1.30/1.78 | <=2055
M.Sombra| 150-400 | 0.30/0.65| 
M.Sol   |1200-1800| 0.65/0.80| 
   corte|~ < 1850 |          | 
Não é mata (null):
campos  |1500/3000| 0.45/0.63| 0.80/ 1.20| 3100/4200
urbaniz.|1700/3000|-0.10/0.20| 
   corte|~ > 600  |          | 
açude   |  50/150 |-0.10/0.10|-0.40/-0.30| 5000/5400
rio     | 150/300 |-0.30/0.60|-0.10/ 0.00| 3800/4300 

IMPORTANTE: Obtenção dos valores de classes a partir de observação empírica.
A cada diferente conjunto de imagens a utilizar, o processo deve ser refeito e os valores avaliados novamente.


4)CORREÇÃO DE DISTINÇÕES NA IMAGEM:
É necessário juntar as qualidades próprias de distinções de cada imagem, gerando uma nova imagem:
-B11 sozinho apresenta boa distinção wood/forest, porém tem resolução de 20m/px e não diferencia bem corpos de água, com valores próximos da faixa de matas.
-NDVI não apresenta tanta distinção wood/forest, mas agrega maior distinção de "vegetação" versus "o que não é vegetação", e maior resolução, 10m/px. Utilizado fator ponderador de x4000 para NDVI, testado empiricamente.

Operação: Imagens B11 + ((1-NDVI)*4000)
No QGIS - Raster calculator:
("T22JEP_20180420T132231_B11@1" + ((1-"NDVI-20180420T132231@1")*4000))

Resultado: B11NDVI4000.tif c/ resolução da imagem resultante de 10m/px
Testar e anotar os valores amostrais limites nesta imagem e completar na tabela conforme etapa anteriores.

IMPORTANTE: Baseia-se em testagem visual, empírica, por tentativa-erro-acerto, do valor para o fator ponderador de NDVI (neste caso, x4000). A cada diferente conjunto de imagens a utilizar, o processo deve ser refeito e os valores avaliados novamente.


5)TESTAR VISUALMENTE DISTINÇÃO EM 3 CLASSES:

Testar visualmente os valores limites aproximados na imagem obtidos nas etapas anteriores para destacar 3 classes:

No QGIS - Classes: Layer Properties / style / pseudocolor / discrete: 3 classes :
1-forest: testado: < = 2055
2-wood  : testado: < = 2575
0-null: tudo o que não é mata.

Alterar empiricamente, por testes, para valores próximos, para mais e para menos, de modo a chegar a uma distinção visual suficientemente representativa, tanto aplicada às áreas amostrais como à imagem toda.


6)REDUZIR ÀS CLASSES TESTADAS:
Reprocessar a imagem anterior, gerando uma nova imagem com os valores limites das 3 classes encontrados na etapa acima.
Operação:
No QGIS - Raster calculator (modelo do código completo abaixo):

 (2* ( "B11NDVI4000@1" <= 2055)) 
+(1* (( 2055 < "B11NDVI4000@1" ) AND ( "B11NDVI4000@1" <= 2575)) ) 
+(0* ( "B11NDVI4000@1" > 2575))

Resultado: B11-3class.tif c/3 classes:0,1,2
IMPORTANTE: Obtenção dos valores para as 2 classes a partir de observação empírica. A cada diferente conjunto de imagens a utilizar, o processo deve ser refeito e os valores avaliados novamente.


7)CRUZAR O RASTER PROCESSADO COM OS VETORES EXISTENTES NO OSM, DE RIOS E ESTRADAS, PARA MELHORAR RECORTES NAS MATAS:
Operações:
1-OSM overpass: "(highway=* or waterway=*) and (type:way or type:relation)"
2-QGIS: Vector / Geoprocessing / Buffer : fixed distance : 0,0001 (10m)
3-QGIS: Table Manager + Field Calculator : Adicionar campo "classe", com valor ="0", para todos os polígonos.
Sobre cópia da imagem anterior processada:
4-QGIS: Raster / Conversion / Rasterize : SHP-buffer; campo "0"(zero); tiff destino

Resultado: B11-3cl+overpass.tif


8)FILTRAGENS - SIMPLIFICAR ÁREAS, REMOVER PIXELS ISOLADOS:
Operações: ~1min cada
QGIS: Processing / Toolbox :
GDAL / Analysis / Sieve
GRASS / r.neighbor
SAGA / Raster filter / Majority

Sobre imagem anterior processada:
1 Neighbor: Min 3 Sq
2 Sieve: T20 C4
3 Neighbor: Max 3 Ci
4 Sieve: T20 C8
5 Sieve: T8 C4

Resultado: 3 classes filtradas: B11-Sieve.tif (c/10m/px)
NOTA: Não foi possível eliminar casos de pixels pertencentes a área mesmo valor conectados por uma única conexão em quina, formando um anel. Os fitros, ao corrigir quina em uma área, criam quinas em outras. Isto gera erros de self-intesecting ao vetorizar para polígonos/multipolígonos. Estes erros precisam então ser corrigidos nas etapas seguintes, de processamento do layer vetor gerado a partir do raster.


9) ELIMINAR CLASSES NÃO UTILIZADAS:
Igualar "zero" a "null"(ajuda a reduzir a quantidade de polígnos no poligonize):
OPERAÇÃO: Sobre imagem anterior processada:
-QGIS: gdal_translate : -a_nodata < x > : (x = valor da classe p/null)

Resultado: Raster Classes 1+2+null : B11-12null.tif


10)VETORIZAR RASTER:
OPERAÇÃO: Sobre imagem anterior processada:
-QGIS:: Raster / conversion / poligonize : / campo "classe" (manter mesma CRS no projeto) ~2min

Resultado: B11polig.shp

ADICIONAR TAGS OSM:
-Adicionar campos "landuse" e "natural" respectivamente para "forest" e "wood".
-Remover campos sem utilidade para OSM.
-QGIS:: Table Manager + Field Calculator : landuse=forest; natural=wood;


11)GENERALIZAR POLÍGONOS:
Despixelizar e simplificar.

-QGIS:: GRASS commands -> v.generalize - (https://grass.osgeo.org/grass64/manuals/v.generalize.html):

A) Suavizar / despixelizar polígnos:
v.generalize.smooth / Sliding Averaging : look_ahead = 3 (mín=3, sempre ímpar) : slide = 0.7 (suaviza) : ~5min

Resultado: B11slide.shp

B) Diminuir quantidade de nós :
v.generalize.simplify : Douglas Reduction : Thre=1 Red=50% : ~5min
Cuidar se bordas longas mão ficam muito retas.


12)ELIMINAR ERROS GEOMÉTRICOS DE SHP VETORIZADO A PARTIR DE RASTER:
Erros tipo auto-intersecção de polígnos em quina (self-intersect; ver nota acima na etapa filtragem de raster)

ADICIONAR O SHP VETORIZADO A PARTIR DO RASTER EM "VIRTUAL LAYER" COM SELEÇÃO "GEOMETRY":
Seleciona com geometrias válidas, sem overlapping / self-intersecting rings
(https://gis.stackexchange.com/questions/234757/how-to-fix-polygon-with-ring-self-intersection-in-qgis)
Operações:
A) QGIS: Layer/add layer/add virtual layer:
SYNTAXE:

SELECT landuse,natural, ST_Buffer(geometry,0.0) as geometry FROM B11simplified ;

B) QGIS: Plugin: Topology-checker - Rule: must not have invalid geometries + Rule: must not have multi-part geometries
Resultado: 100% válido


13)REMOVER POLÍGONOS NAS BORDAS DO LAYER:

Opcionalmente restringir polígonos a município, com máscara:
-QGIS:Spatial query : within
Salvar cada município em novo SHP em WGS84-EPSG:4326 :
B11-BJ-4326.shp : 8483 features
B11-MA-4326.shp : 2690 features


No JOSM


1)ABRIR SHP:
-Sem baixar dados do OSM
-salvar como .osm
Já entra como polígono ou multipol(outer/inner).

2)SIMPLIFICAR:
-Select: type:way / Simplify way

3) VALIDAÇÃO:
Somente dos novos dados. Passar validador padrão completo.

4) TESTES DE CONFLITO COM O EXISTENTE NO OSM:
A executar, se aprovado o método.
-Baixar dados do OSM;
-verificar existência de objetos de landcover previamente mapeados no OSM (como landuse=* ou natural=*, etc): se houver conflito com existentes, não substituir ou alterar objetos existentes; ao contrário, remover no novo conjunto os polígonos que os intersectarem.
VALIDAR: até validação completa dos novos objetos.


Resultado Final - Bioma Mata Atlântica:

Município de Bom Jesus, RS
347.763 objects : Rel:671/Ways:11.153/Nodes:335.939
Área do município: 2.626 km2
Densidade de nós gerada: 128 nós/km2
Arquivo .osm: 33,3 MB
Resultado: 100% VALIDADO
Link para verificação do arquivo validado .osm: https://www.dropbox.com/s/ukrhx67x8jx1so2/B11-Bioma-MAtlantica-BJ-valid.osm.zip?dl=0
(B11-Bioma-MAtlantica-BJ-valid.osm.zip)

Cerrado (vetorizado e 100% validado para OSM)

Cerrado
Local: Terra Indígena Pimentel Barbosa
Município: Ribeirão Cascalheira, MT - Brasil]


No QGIS

1)ESCOLHA DA IMAGEM - SENTINEL:

Descrição dos dados:
Fonte: https://earthexplorer.usgs.gov/ - Data Set: Sentinel-2B

Metadata do Data Set Sentinel com 14 imagens (B01 a B12; B08A; TCI):
Entity ID L1C_T22LDL_A006442_20180531T134232 2018/maio/31
Acquisition Start Date 2018-05-31T13:42:32.711Z
Cloud Cover 0

Imagens e índices utilizados diretamente no processo:
Banda B11: T22LDL_20180531T134209_B11.jp2
NDVI: Normalized Difference Vegetation Index / Fórmula (imagens envolvidas): NDVI = (B08 - B04) / (B08 + B04)


2)MARCAR ÁREAS COM NUVENS: Sem nuvens


3)EXAMINAR VALORES DO RASTER POR AMOSTRAGEM:
Amostragem123.jpg Criar um layer .shp de polígonos para marcar áreas amostrais para os objetos típicos, conforme listados na tabela abaixo, sobre os quais serão verificados os valores de pixels. Procurar áreas de matas típicas mais nitidamente identificáveis no Bing; áreas menos imediatamente identificáveis, como onde os tipos de matas se interpenetram; e áreas de objetos que "não são matas", como campos, açudes, urbanização, etc. Anotar valores limites pré-aproximados de distinções de classes dos objetos amostrais, em uma tabela como abaixo:

-TESTAR NAS AMOSTRAS E ESTABELECER A DISTINÇÃO DE CLASSES NA MESMA TABELA:

.                    SENSOR          ÍNDICE      
.                 |    B11    ||       NDVI   || 
.                    *basta     
min.cf.QGIS      | 1112      ||   +0.25      || 
max.cf.QGIS      |      3260 ||        +0.75 || 
Classes/Valores nas amostras:                || 
1-waterway=river |  <=   55  ||   -0.52/-0.30|| 
2-water=pond     |  <=  600  ||   -0.43/-0.25|| 
3-wetland=marsh  |  <= 1070**||    0.35/0.75 || ** LIMITE INFERIOR  
4-natural=wood   |  <= 1320**||    0.30/0.80 || ** LIMITE SUPERIOR
5-natural=scrub  |  <= 2030  ||    0.45/0.75 || 
6-natural=heath  |  <= 2600  ||    0.60/0.75 || 
7-land.=past/farm|  <= 3200  ||    0.20/0.24 ||
8-land.=resident.|   > 3200  ||    0.10/0.20 || 
. landuse=forest |  não há 

Notas para este bioma:
-Feita opção por não mapear o campo arbustivo do Cerrado (scrub), que é o "chão" mesmo da região, se espalha por toda área. Somente as matas mais fechadas (dominantemente ciliares), como proposto para o método.



4)CORREÇÃO DE DISTINÇÕES NA IMAGEM: Sem correções; B11 apenas


5)TESTAR VISUALMENTE DISTINÇÃO EM 3 CLASSES: Já feito na etapa 3


6)REDUZIR ÀS CLASSES TESTADAS:
Reprocessar a imagem anterior, gerando uma nova imagem com os valores limites das classes conforme etapa acima. Operação: No QGIS - Raster calculator (modelo do código completo abaixo): matas=1:

(0 * (  "T22LDL_20180531T134209_B11@1" <= 1070  ) )
+(1 * (  1070 <  "T22LDL_20180531T134209_B11@1"  ) AND (  "T22LDL_20180531T134209_B11@1" <= 1320  ) ) 
+(0 * (  1320  <  "T22LDL_20180531T134209_B11@1"  ) )

7)CRUZAR O RASTER PROCESSADO COM OS VETORES EXISTENTES NO OSM
overpass: (waterway=* or highway=*) and type:way
Buffer Classe=0
Raster > Conversion > Rasterize


8)FILTRAGENS - SIMPLIFICAR ÁREAS, REMOVER PIXELS ISOLADOS:
Operações: ~1min cada
QGIS: Processing / Toolbox : GDAL / Analysis / Sieve GRASS / r.neighbor
Sobre imagem anterior processada: (20m/px)
1 Sieve: T6 C8 2 Neighbor: 3 / Mode / Ci 3 Sieve: T6 C8 4 Neighbor: 3 / Max / Ci 5 Sieve: T40 C4
Resultado filtrado: B11Sieved.tif


9) ELIMINAR CLASSES NÃO UTILIZADAS:
-QGIS: gdal_translate : -a_nodata < x > : (x = valor da classe p/null = 0 )


10)VETORIZAR RASTER:
-QGIS:: Raster / conversion / poligonize : / campo "classe" (manter mesma CRS no projeto) ~1min (poucos pixels)


11)GENERALIZAR POLÍGONOS:
-QGIS:: GRASS commands -> v.generalize - (https://grass.osgeo.org/grass64/manuals/v.generalize.html):
A) v.generalize.smooth / Sliding Averaging :
B) Diminuir quantidade de nós : v.generalize.simplify : Douglas Reduction : Thre=1 Red=50%

C) ADICIONAR TAGS OSM:
-Adicionar campos "landuse" e "natural" respectivamente para "forest" e "wood".
-QGIS:: Table Manager + Field Calculator : landuse=forest; natural=wood;


12)ELIMINAR ERROS GEOMÉTRICOS DE SHP VETORIZADO A PARTIR DE RASTER:
A) QGIS: Layer/add layer/add virtual layer:
SYNTAXE:

SELECT landuse,natural, ST_Buffer(geometry,0.0) as geometry FROM B11simplified ;

B) QGIS: Plugin: Topology-checker - Rule: must not have invalid geometries + Rule: must not have multi-part geometries
Resultado: 100% válido


13)REMOVER POLÍGONOS NAS BORDAS DO LAYER:


No JOSM

1)ABRIR SHP: Sem baixar dados do OSM ; salvar como .osm : 18,5MB

2)SIMPLIFICAR: Select: type:way / Simplify way

3) VALIDAÇÃO INTERNA DO NOVO CONJUNTO: Somente dos novos dados : 100% VALIDADO

4) TESTES DE CONFLITO COM O EXISTENTE NO OSM: A executar, se aprovado o método.
4.a) Overpass: natural=* or landuse=* or wetland=* or water=*
Validar até validação completa dos novos objetos
4.b) Baixar dados completos do OSM: Validar até validação completa dos novos objetos


Resultado Final - Bioma Cerrado:
Arquivo .osm: 18,3 MB
204.262 objects : Rel:93/Ways:5.334/Nodes:198.835
Área da Imagem 12.100 km2
Densidade de nós gerada: 16 nós/km2
Resultado: 100% VALIDADO
Link para verificação do arquivo validado .osm: https://www.dropbox.com/s/griu2v04qd97ofo/B11-Bioma-Cerrado-valid.osm.zip?dl=0
(B11-Bioma-Cerrado-valid.osm.zip)


Amazônia (vetorizado e 100% validado para OSM)

Etapas do processo: passo-a-passo
Caso: Amazônia
Local: -8.5822383, -62.4730262
Município: Porto Velho, RO / Humaitá, AM - Brasil

NO QGIS


1)ESCOLHA DA IMAGEM - SENTINEL:

Descrição dos dados:
Fonte: https://earthexplorer.usgs.gov/ - Data Set: Sentinel-2B

Metadata do Data Set Sentinel com 14 imagens (B01 a B12; B08A; TCI):
Entity ID L1C_T20LNR_A007229_20180725T143000
Acquisition Start Date 2018-07-25T14:30:00.004Z
Cloud Cover 0

Imagens e índices utilizados diretamente no processo:
Banda B11: T20LNR_20180725T142849_B11.jp2
NDVI: Normalized Difference Vegetation Index /
Fórmula (imagens envolvidas): NDVI = (B08 - B04) / (B08 + B04)



2)MARCAR ÁREAS COM NUVENS: Sem nuvens.



3)SELECIONAR AMOSTRAS E TESTAR CLASSES:


4)CORREÇÃO DE DISTINÇÕES NA IMAGEM, TESTAGEM DAS AMOSTRAS E IDENTIFICAÇÃO DE CLASSES:
B11: problema só com marsh
B11xEVI2 = B11*EVI2
B11x1-NDVIx500 = "B11@1" + ((1- "NDVI@1" ) * 500 ) = 1130 < wood < 1580 = OK
Notas para este bioma: Feita opção por restringir somente às matas densas, eliminando o resto, como proposto para o método.


5)REDUZIR ÀS CLASSES TESTADAS:

Operação: No QGIS - Raster calculator (modelo do código completo abaixo):
(0 * ( "@1" <= 1130 ) ) + (1 * ( 1130 < "@1" ) AND ( "@1" <= 1580 ) ) + (0 * ( 1580 < "@1" ) )


6)CRUZAR O RASTER PROCESSADO COM OS VETORES EXISTENTES NO OSM


7)FILTRAGENS - SIMPLIFICAR ÁREAS, REMOVER PIXELS ISOLADOS:
Operações: ~1min cada
QGIS: Processing / Toolbox :
GDAL / Analysis / Sieve
GRASS / r.neighbor

Sobre imagem anterior processada:
1 Sieve: T60 C8
2 Neighbor: 5 / Mode / Sq
3 Sieve: T100 C4


8) ELIMINAR CLASSES NÃO UTILIZADAS:
-QGIS: gdal_translate : -a_nodata < x > : (x = valor da classe p/null = 0 )


9)VETORIZAR RASTER:
-QGIS:: Raster / conversion / poligonize : / campo "classe" (manter mesma CRS do projeto) ~1min


10)GENERALIZAR POLÍGONOS:

Despixelizar e simplificar.

-QGIS:: GRASS commands -> v.generalize - (https://grass.osgeo.org/grass64/manuals/v.generalize.html):

A) Suavizar / despixelizar polígnos:
v.generalize.smooth / Sliding Averaging : look_ahead = 3 (mín=3, sempre ímpar) : slide = 0.7 (suaviza) : ~5min

Resultado: B11slide.shp

B) Diminuir quantidade de nós :
v.generalize.simplify : Douglas Reduction : Thre=1 Red=50% : ~5min
Cuidar se bordas longas mão ficam muito retas.


11)ELIMINAR ERROS GEOMÉTRICOS DE SHP VETORIZADO A PARTIR DE RASTER:
Erros tipo auto-intersecção de polígnos em quina (self-intersect; ver nota acima na etapa filtragem de raster)
Operações:
A) QGIS: Layer/add layer/add virtual layer:
SYNTAXE:

SELECT natural, ST_Buffer(geometry,0.0) as geometry FROM B11simplified ;

B) QGIS: Plugin: Topology-checker - Rule: must not have invalid geometries + Rule: must not have multi-part geometries
Resultado: 100% válido



12)REMOVER EVENTUAIS POLÍGONOS ANÔMALOS:
A)Eliminar eventual polígono anômalo com classe diferente de "1"
B)Eliminar polígonos de borda, para evitar truncados. No caso do bioma Amazônia, onde a mata é > 50%, preferência por fazer junção de tiles de imagens contíguas de ~110x110km

Resultado: B11-EPSG4326.shp  : x features x MB
Opcional: restringir polígonos a município, com máscara.


No JOSM

1)ABRIR SHP: Sem baixar dados do OSM ; salvar como .osm : Já entra como polígono ou multipol(outer/inner).

2)SIMPLIFICAR: Select: type:way / Simplify way

3) VALIDAÇÃO INTERNA DO NOVO CONJUNTO - Somente dos novos dados : x

4) TESTES DE CONFLITO COM O EXISTENTE NO OSM: A executar, se aprovado o método.
4.a) Overpass: natural=* or landuse=* or wetland=* or water=*
Validar até validação completa dos novos objetos
4.b) Baixar dados completos do OSM: Validar até validação completa dos novos objetos


Resultado Final - Bioma Amazônia

Arquivo .osm: 27,2MB
objects 304.879: Rel:47/Ways:3.929/Nodes:300.903
Área da Imagem 12.100 km2
Densidade de nós gerada: 25 nós/km2
Resultado validação interna: 1 caso de Unclosed way
Após fechamento do polígono com Combine Ways (C): 100% validado
Link para verificação do arquivo validado .osm: https://www.dropbox.com/s/jtafzdzru6w19fr/B11-Bioma-Amazonia-valid.osm.zip?dl=0
(B11-Bioma-Amazonia-valid.osm.zip)


Caatinga (não serviu)

Não apresentou resultado eficiente para detecção e geração de polígonos de matas.
Matas dominantemente arbustivas, copas afastadas, indivíduos esparsos.

Local: São Raimundo Nonato, PI

Descrição dos dados:
Fonte: https://earthexplorer.usgs.gov/ - Data Set: Sentinel-2B

Metadata do Data Set Sentinel com 14 imagens (B01 a B12; B08A; TCI):
Entity ID L1C_T23LQL_A015293_20180527T131244
Acquisition Start Date 2018-05-27T13:12:44.456Z
Cloud Cover 0
EPSG:32723 - WGS 84 / UTM zone 23S
Imagens e índices utilizados diretamente no processo:
Banda B11: T20LNR_20180725T142849_B11.jp2
NDVI: Normalized Difference Vegetation Index



Pampa (a fazer)


Pantanal (a fazer)

ARQUIVOS EXEMPLO .OSM - VALIDADOS

LISTA DOS LINKS PARA OS ARQUIVOS .OSM COM OS RESULTADOS FINAIS:
BIOMA: 
Mata Atlântica: B11-Bioma-MAtlantica-BJ-valid.osm.zip 
Cerrado: B11-Bioma-Cerrado-valid.osm.zip 
Amazônia: B11-Bioma-Amazonia-valid.osm.zip 
Caatinga: não efetivado (ver documentação acima) 
Pampa: a desenvolver 
Pantanal: a desenvolver