Os cubos de dados são matrizes multidimensionais criadas a partir das coleções prontas para análise (Analysis Ready Data ou ARD). O Brazil Data Cube (BDC) produz e disponibiliza a seus usuários cubos de dados a partir dos dados dos satélites CBERS-4, CBERS-4A, Landsat, Sentinel-2, Terra e Aqua. Esses produtos tem o intuito de fornecer ao usuário um produto uniformizado quanto a resolução espacial, sistema de referência espacial, cobertura espacial e com equidistância no eixo temporal.
No contexto do BDC, foram desenvolvidas grades hierárquicas com diferentes tamanhos de células, também chamadas de tiles, usadas de acordo com a resolução espacial das imagens ARD. O sistema de grades BDC V2 é composto pelas grades BDC_SM (Small) com células de tamanho 105.600m x 105.600m, BDC_MD (Medium) com células de tamanho 211.200m x 211.200m e BDC_LG (Large) com células de tamanho 4.224.400m x 4.224.400m.
Download das Grade do BDC
Os produtos que utilizam as grades BDC são disponibilizados no sistema de referência espacial EPSG:10857, que passou a ser suportado junto a versão 6.0.0 da biblioteca PROJ. A Projeção Cônica de Albers de Área Igual (Albers Equal-Area Conic) é a projeção cartográfica de referência para o sistema de mosaicos (tiling system) do BDC, denominado BDC Grid. Assim como outras projeções cônicas normais, a projeção Albers Equal-Area Conic representa os paralelos como arcos concêntricos de circunferências e os meridianos como raios igualmente espaçados. Os paralelos, entretanto, não são igualmente espaçados: eles apresentam maior afastamento nas latitudes situadas entre os paralelos padrão e tornam-se progressivamente mais próximos tanto em direção ao norte quanto ao sul. O polo não corresponde ao centro das circunferências; em vez disso, é normalmente representado por um arco. A escala ao longo dos paralelos é menor entre os paralelos padrão e maior além deles. Ao longo dos meridianos ocorre o comportamento oposto. De fato, o fator de escala nos meridianos é o recíproco do fator de escala nos paralelos, de modo a preservar a propriedade de equivalência de áreas.
WKT da projeção:
PROJCS["unknown",GEOGCS["unknown",DATUM["Unknown based on GRS80 ellipsoid",SPHEROID["GRS 1980",6378137,298.257222101,AUTHORITY["EPSG","7019"]]],PRIMEM["Greenwich",0,AUTHORITY["EPSG","8901"]],UNIT["degree",0.0174532925199433,AUTHORITY["EPSG","9122"]]],PROJECTION["Albers_Conic_Equal_Area"],PARAMETER["latitude_of_center",-12],PARAMETER["longitude_of_center",-54],PARAMETER["standard_parallel_1",-2],PARAMETER["standard_parallel_2",-22],PARAMETER["false_easting",5000000],PARAMETER["false_northing",10000000],UNIT["metre",1,AUTHORITY["EPSG","9001"]],AXIS["Easting",EAST],AXIS["Northing",NORTH]]
A função de composição temporal calcula ou seleciona o valor de um pixel dentro de um intervalo de tempo. Existem diferentes tipos de composição temporal, como média, mediana e abordagens de melhor pixel (best pixel), entre outros. Para exemplificar o conceito de função de composição temporal, seja um intervalo de tempo, a composição temporal por média avalia todos os valores livres de nuvens e sombra de nuvens (por meio de uma máscara de nuvens) para então calcular o valor médio final para cada uma das bandas espectrais. No caso dos cubos de dados produzidos pelo BDC, foi desenvolvida uma abordagem nomeada Least Cloud-cover First (LCF). A LCF consiste em uma escolha de melhor pixel que ordena as imagens, com base em sua área útil (considerando a cobertura de nuvens e sombra de nuvens), e seleciona como resultado o primeiro valor livre de nuvens e sombra de nuvens do ordenamento. Por exemplo, se o primeiro valor encontrado for livre de nuvem e sombra de nuvem ele será o valor resultante, caso ele apresente nuvem ou sombra de nuvem, será feita uma tentativa na segunda imagem, caso isso se repita será verificada a terceira imagem, de modo a tentar selecionar um valor livre de nuvens e sombras de nuvens. Quando todas as imagens apresentam nuvem, o valor resultante consiste no valor de nuvem da imagem mais limpa, seguindo a ordenação. Um exemplo da selação por LCF pode ser observado nas Figura 2 e Figura 3.
Cubos de dados
Sumarização dos produtos cubos de dados disponibilizados pelo INPE.
| Nome do Cubo de dados | Step temporal | Período de dados | Resolução espacial (m) | Provedor do produto |
|---|---|---|---|---|
| CBERS/WFI – Level-4-SR – Data Cube – LCF 8 days | 8 dias | 2020 – Hoje | 64 | INPE (BDC) |
| CBERS-4/MUX – Level-4-SR – Data Cube – LCF 2 months | 2 meses | 2016 – Hoje | 20 | INPE (BDC) |
| CBERS-4/WFI – Level-4-SR – Data Cube – LCF 16 days | 16 dias | 2016 – Hoje | 64 | INPE (BDC) |
| Landsat Collection 2 – Level-2 – Data Cube – LCF 16 days | 16 dias | 1990, 1994, 2000, 2005, 2010 e 2015 – Hoje | 30 | INPE (BDC) |
| Sentinel-2/MSI – Level-2A – Data Cube – LCF 16 days | 16 dias | 01/01/2017 – Hoje | 10 | INPE (BDC) |
| Landsat TSIRF bimonthly | 2 meses | 1997 – 2024 | 30 | USGS + OpenGeoHub |
| Landsat TSIRF yearly | 1 ano | 1997 – 2024 | 30 | USGS + OpenGeoHub |
| MOD13Q1 v061 – Cloud Optimized GeoTIFF | 16 dias | 18/02/2000 – Hoje | 250 | NASA |
| MYD13Q1 v061 – Cloud Optimized GeoTIFF | 16 dias | 04/07/2002 – Hoje | 250 | NASA |
Tabela 1 – Cubos de dados disponibilizados pelo Inpe.
Nos cubos de dados produzidos pelo Brazil Data Cube, além das bandas espectrais e bandas de máscara de nuvens são fornecidas bandas com informações auxiliares sobre o processo de composição temporal.
CLEAROB: Uma abreviação para number of clear observations representa o número de observações livres de nuvens, sombras e saturação durante o período de composição temporal. Por exemplo, em uma composição temporal de 16 dias, para uma determinada localização (1 pixel), foram encontradas duas imagens livre de nuvens e uma com nuvem, resultando em um clear_ob com valor “2”.
TOTALOB: Uma abreviação para Total number of observations representa o número total de observações (imagens disponíveis) para um pixel durante o período de composição temporal, independentemente se havia nuvem, sombra de nuvens ou valor saturado. No exemplo do parágrafo anterior, total_ob teria um valor “3”, pois é a quantidade de valores disponíveis.
PROVENANCE: identifica a data de origem do pixel selecionado na composição temporal em formato de dia do ano (do inglês DOY – day of the year). No exemplo anterior, haviam dois pixels livre de nuvens, supondo que um fosse do dia 30 de janeiro e o outro do dia 4 de fevereiro e que no caso tenha sido escolhido este último, o valor de provenance seria 35, pois indica o dia do ano 35 que é o dia 4 de fevereiro.
DATASOURCE: identifica a coleção de origem do pixel. Essa banda é criada somente em coleções que agrupam dados a partir de diferentes coleções. Isso ocorre no cubo “CBERS/WFI – Level-4-SR – Data Cube – LCF 8 days” que usa dados das coleções “CBERS-4A/WFI – Level-4-DN” e “CBERS-4/WFI – Level-4-DN”. A partir do valor do data source é possível saber de qual satélite foi feita a imagem.
BDC Explorer
O BDC Explorer é um portal web de visualização e acesso de produtos de imagens de Sensoriamento Remoto. O portal oferece uma interface intuitiva para consulta, visualização e download de conjuntos de dados. Nele é possível explorar, de forma interativa, imagens de satélites, mosaicos, cubos de dados e outros produtos em diferentes regiões e diferentes períodos de tempo. Além disso, disponibiliza funcionalidades para extração de séries temporais e trajetórias de uso e cobertura da terra, possibilitando a análise da evolução temporal de áreas de interesse por meio de gráficos e informações derivadas das séries históricas.
O BDC Explorer também incorpora funcionalidades típicas de Sistemas de Informações Geográficas (SIG), permitindo a sobreposição de camadas vetoriais, como grades, limites administrativos, unidades de conservação e outras informações geoespaciais que auxiliam na interpretação e análise dos dados. Essas funcionalidades facilitam a navegação espacial, a seleção de áreas de interesse e a contextualização das informações disponibilizadas pela plataforma.
Além disso, há no portal também opções de visualização dinâmica das imagens, carregando de forma rápida e eficiente ao dar um zoom em uma região de interesse.
Produtos
CBERS/WFI – Level-4-SR – Data Cube – LCF 8 days
Cubo de Dados de Observação da Terra gerado a partir dos produtos CBERS-4/WFI Level-4 SR e CBERS-4A/WFI Level-4 SR para toda a extensão do Brasil. Este conjunto de dados é disponibilizado no formato Cloud Optimized GeoTIFF (COG). Os dados possuem resolução espacial de 64 metros, foram reprojetados e recortados de acordo com a grade BDC_LG, considerando uma composição temporal de 8 dias utilizando a abordagem de melhor pixel Least Cloud Cover First (LCF).
Links úteis:
CBERS-4/MUX – Level-4-SR – Data Cube – LCF 2 months
Cubo de Dados de Observação da Terra gerado a partir do produto CBERS-4/MUX Level-4 SR para toda a extensão do Brasil. Este conjunto de dados é disponibilizado no formato Cloud Optimized GeoTIFF (COG). Os dados possuem resolução espacial de 20 metros, foram reprojetados e recortados de acordo com a grade BDC_MD, considerando uma composição temporal de 2 meses utilizando a abordagem de melhor pixel Least Cloud Cover First (LCF).
Links úteis:
CBERS-4/WFI – Level-4-SR – Data Cube – LCF 16 days
Cubo de Dados de Observação da Terra gerado a partir do produto CBERS-4/MUX Level-4 SR para toda a extensão do Brasil. Este conjunto de dados é disponibilizado no formato Cloud Optimized GeoTIFF (COG). Os dados possuem resolução espacial de 64 metros, foram reprojetados e recortados de acordo com a grade BDC_LG, considerando uma composição temporal de 16 dias utilizando a abordagem de melhor pixel Least Cloud Cover First (LCF).
Links úteis:
Landsat Collection 2 – Level-2 – Data Cube – LCF 16 days
Cubo de Dados de Observação da Terra gerado a partir dos produtos Landsat Level-2 para toda a extensão do Brasil. Este conjunto de dados é disponibilizado no formato Cloud Optimized GeoTIFF (COG). Os dados possuem resolução espacial de 30 metros, foram reprojetados e recortados de acordo com a grade BDC_MD, considerando uma composição temporal de 16 dias utilizando a abordagem de melhor pixel Least Cloud Cover First (LCF).
Links úteis:
Sentinel-2/MSI – Level-2A – Data Cube – LCF 16 days
Cubo de Dados de Observação da Terra gerado a partir dos produtos Copernicus Sentinel-2/MSI Level-2A para toda a extensão do Brasil. Este conjunto de dados é disponibilizado no formato Cloud Optimized GeoTIFF (COG). Os dados possuem resolução espacial de 10 metros, foram reprojetados e recortados de acordo com a grade BDC_SM, considerando uma composição temporal de 16 dias utilizando a abordagem de melhor pixel Least Cloud Cover First (LCF).
Links úteis:
Landsat TSIRF bimonthly
Este conjunto de dados disponibiliza bandas espectrais históricas do Landsat, livres de nuvens e reconstruídas para todo o território brasileiro, com resolução espacial de 30 metros e resolução temporal bimestral (seis imagens por ano), abrangendo o período de 1997 até 2024. O conjunto de dados foi gerado utilizando o GLAD Landsat Analysis Ready Data Version 2 como entrada principal para a agregação temporal e a imputação de valores ausentes. Informações detalhadas sobre a metodologia de processamento podem ser encontradas em Consoli et al. (2024). Esta coleção fornece mosaicos do Brasil para todas as bandas do Landsat (RGB, NIR, SWIR-1, SWIR-2 e Termal) no formato Cloud Optimized GeoTIFF (COG).
Links úteis:
Landsat TSIRF yearly
Este conjunto de dados disponibiliza bandas espectrais históricas do Landsat, livres de nuvens e reconstruídas para todo o território brasileiro, com resolução espacial de 30 metros e resolução temporal anual, obtida por meio da agregação pelo percentil 50 das imagens bimestrais, abrangendo o período de 1997 até 2024. O conjunto de dados foi gerado utilizando o GLAD Landsat Analysis Ready Data Version 2 como entrada principal para a agregação temporal e a imputação de valores ausentes. Informações detalhadas sobre a metodologia de processamento podem ser encontradas em Consoli et al. (2024). Esta coleção fornece mosaicos do Brasil para todas as bandas do Landsat (RGB, NIR, SWIR-1, SWIR-2 e Termal) no formato Cloud Optimized GeoTIFF (COG).
Links úteis:
MOD13Q1 v061 – Cloud Optimized GeoTIFF
Os dados MODIS Vegetation Indices (MOD13Q1) Versão 6.1, adquiridos pelo sensor Moderate Resolution Imaging Spectroradiometer (MODIS) a bordo do satélite Terra, são gerados a cada 16 dias, com resolução espacial de 250 metros, como um produto de Nível 3. O produto MOD13Q1 fornece duas camadas principais de vegetação. A primeira corresponde ao Índice de Vegetação por Diferença Normalizada (NDVI). A segunda camada corresponde ao Índice de Vegetação Aprimorado (EVI), que apresenta maior sensibilidade em regiões com elevada biomassa. O algoritmo seleciona o melhor pixel disponível entre todas as aquisições realizadas durante o período de 16 dias, considerando como critérios a baixa cobertura de nuvens, o menor ângulo de visada e o maior valor de NDVI/EVI.
Links úteis:
MYD13Q1 v061 – Cloud Optimized GeoTIFF
Os dados MODIS Vegetation Indices (MYD13Q1) Versão 6.1, adquiridos pelo sensor Moderate Resolution Imaging Spectroradiometer (MODIS) a bordo do satélite Aqua, são gerados a cada 16 dias, com resolução espacial de 250 metros, como um produto de Nível 3. O produto MYD13Q1 fornece duas camadas principais de vegetação. A primeira corresponde ao Índice de Vegetação por Diferença Normalizada (NDVI). A segunda camada corresponde ao Índice de Vegetação Aprimorado (EVI), que apresenta maior sensibilidade em regiões com elevada biomassa. O algoritmo seleciona o melhor pixel disponível entre todas as aquisições realizadas durante o período de 16 dias, considerando como critérios a baixa cobertura de nuvens, o menor ângulo de visada e o maior valor de NDVI/EVI.
Links úteis:
Como citar o Brazil Data Cube em artigos
Ferreira, K.R.; Queiroz, G.R.; Vinhas, L.; Marujo, R.F.B.; Simoes, R.E.O.; Picoli, M.C.A.; Camara, G.; Cartaxo, R.; Gomes, V.C.F.; Santos, L.A.; Sanchez, A.H.; Arcanjo, J.S.; Fronza, J.G.; Noronha, C.A.; Costa, R.W.; Zaglia, M.C.; Zioti, F.; Korting, T.S.; Soares, A.R.; Chaves, M.E.D.; Fonseca, L.M.G. Earth Observation Data Cubes for Brazil: Requirements, Methodology and Products. Remote Sens. 2020, 12, 4033. https://doi.org/10.3390/rs12244033.
Arquivo .bib (LaTeX)
@article{Ferreira2020, author = {Ferreira, Karine R. and Queiroz, Gilberto R. and Vinhas, Lubia and Marujo, Rennan F. B. and Simoes, Rafael E. O. and Picoli, Michelle C. A. and Camara, Gilberto and Cartaxo, Ricardo and Gomes, Victor C. F. and Santos, Leonardo A. and Sanchez, André H. and Arcanjo, João S. and Fronza, Juliana G. and Noronha, Carlos A. and Costa, Rafael W. and Zaglia, Marcelo C. and Zioti, Felipe and Korting, Thales S. and Soares, André R. and Chaves, Marcos E. D. and Fonseca, Leila M. G.}, title = {Earth Observation Data Cubes for Brazil: Requirements, Methodology and Products}, journal = {Remote Sensing}, year = {2020}, volume = {12}, number = {24}, pages = {4033}, doi = {10.3390/rs12244033}, url = {https://doi.org/10.3390/rs12244033}, publisher = {MDPI} }