From 1 - 10 / 125
  • O Instituto Nacional de Pesquisas Espaciais (INPE) através do Programa de Monitoramento da Amazônia Brasileira por Satélites (PRODES) realiza o monitoramento da supressão de florestas primárias na Amazônia desde 1988. A partir de 2023 este programa também passa a realizar o monitoramento da supressão de fitofisionomias não florestais no bioma Amazônia na sua porção brasileira. Estas áreas cobrem cerca de 280 mil km², o que corresponde a 6,6 % da área do bioma. A fim de atender às demandas da sociedade brasileira, da comunidade científica nacional e internacional, de governos e dos parceiros do setor produtivo, o INPE iniciou o monitoramento sistemático das fitofisionomias não florestais do bioma Amazônia. O “PRODES Amazônia fitofisionomias não florestais” tem como objetivo gerar uma série histórica de dados de supressão de vegetação não florestal a partir de 2000. A metodologia adotada no PRODES (ALMEIDA et al, 2022) foi tomada como base e feitas as adaptações e adequações metodológicas necessárias para realizar a detecção da supressão da vegetação nativa não florestal. Os incrementos de supressão em não floresta foram detectados, de 2000 a 2014, por meio de imagens dos sensores Thematic Mapper (TM), Enhanced Thematic Mapper Plus (ETM +) e Operational Land Imager (OLI) a bordo, respectivamente, dos satélites Landsat 5, Landsat 7 e Landsat 8 (NASA/USGS). A partir de 2016 optou-se por empregar imagens do sensor Multi-Spectral Instrument (MSI) a bordo dos satélites Sentinel-2A e 2B (ESA). Um primeiro mapeamento, chamado de mapa base, foi produzido indicando a supressão detectada em imagens do ano 2000. De 2002 a 2018 foram mapeados incrementos bienais de supressão, exceto para o ano de 2012, o qual foi substituído por 2013 em virtude da ausência de imagens Landsat com requisitos mínimos de qualidade. A partir de 2018 o mapeamento dos incrementos de supressão da vegetação nativa não florestal passou a ser anual seguindo a temporalidade dos dados de desmatamento. O mapeamento foi realizado por uma equipe de analistas por meio da interpretação visual de imagens de satélite, utilizando ferramentas de vetorização de polígonos de supressão de vegetação não florestal diretamente na tela do computador. Os polígonos detectados foram submetidos ao processo de auditoria, por auditores seniores que realizaram a conferência de todos os polígonos e promoveram ajustes necessários para garantir a qualidade dos dados. Após auditadas todas as cenas, um pós-processamento foi realizado onde aplicou-se um filtro de eliminação de polígonos menores que 1 ha, considerada a área mínima mapeável. O PRODES considera como desmatamento a supressão da vegetação nativa, independentemente da futura utilização destas áreas. Os limites dos biomas brasileiros foram alterados conforme publicação do IBGE de 30/10/2019. Este conjunto de dados foi ajustado para o novo recorte. https://agenciadenoticias.ibge.gov.br/agencia-sala-de-imprensa/2013-agencia-de-noticias/releases/25798-ibge-lanca-mapa-inedito-de-biomas-e-sistema-costeiro-marinho (*) Consulte os metadados de "Limites do Bioma Amazônia" para informações sobre os limites do bioma que estamos usando nesta operação: https://terrabrasilis.dpi.inpe.br/geonetwork/srv/eng/catalog.search#/metadata/0d88678e-4cdb-44f3-9b1d-8edc00bc4122 Descrição dos atributos do dado composto por: nome do atributo, tipo do dado e descrição --------------------------------------------------------------------------------------------------------------------------- uuid - texto - identificador único universal de cada feição uid - número inteiro - identificador numérico usado na exportação do dado para arquivos (pode ser alterado em revisões/atualizações); state - texto - estado/unidade da federação; path_row - texto - código da cena formado por linha/coluna da grade de passagem do satélite Landsat; main_class - texto - nome da classe principal atribuída à feição ("residuo", "hidrografia", "desmatamento"); class_name - texto - nome da classe específica atribuída à feição ("residuo","r2022","hidrografia","dYYYY" onde YYYY=ano com 4 dígitos a partir de 2000); def_cloud - número - Ano que indica desde quando esta área está coberta por nuvens. Fazendo a diferença do ano corrente onde se detectou o desmatamento e def_cloud, temos o número de anos coberto por nuvens. Preenchido quando aplicável; julian_day - número - dia juliano; image_date - texto - data da cena usada para obter a feição; year - número - ano do desmatamento, usado para facilitar as consultas ao banco de dados; area_km - número - área calculada para a feição em km²; scene_id - número - identificador da cena no banco de dados, usado para consultas; publish_year - data - usado para permitir a publicação do dado no GeoServer com dimensão temporal; source - texto - origem do polígono (amazonia, cerrado, caatinga, mata_atlantica, pampa, pantanal), caso o polígono tenha sido incorporado de outro projeto, por exemplo, devido à alteração do mapa de biomas ou ainda às zonas da amazônia legal no cerrado e pantanal; satellite - texto - nome do satélite. Em geral será o landsat mas em alguns casos, outro satélites podem ser utilizados; sensor - texto - nome do sensor que obteve a imagem; geom - feição composta por um ou mais polígonos - geometria obtida por interpretação visual de imagem de satélite; A lista de atributos é padronizada com o dado de desmatamento, classe principal do PRODES. Para as demais classe o preenchimento ocorre apenas quando aplicável. Este conjunto de dados pode sofrer ajustes oriundos de processos de revisão. Vide data de revisão/atualização.

  • Categories  

    CBERS-4/MUX - Level-4 Surface Reflectance product over Brazil and part of South America. L4 SR product provides orthorectified surface reflectance images. This dataset is provided as Cloud Optimized GeoTIFF (COG).

  • Mosaico temporal no recorte do Bioma Amazônia à partir de 2000 discretizado em uma série histórica anual com início em 2000 e atualizada todo ano, após a liberação dos dados de desmatamento do PRODES. Os mosaicos utilizam imagens do satélite Landsat ou similares para minimizar o problema de cobertura de nuvens, registrar e quantificar as áreas desmatadas acima de 6,25 hectares. O PRODES considera como desmatamento a supressão da vegetação nativa, independentemente da futura utilização destas áreas.

  • Categories  

    CBERS4/WFI - Level-2 Digital Number product. Level 2 products have radiometric correction and geometric correction using satellite ephemeris and attitude data (system correction).

  • Categories  

    CBERS-4/PAN10M - Level-4 Digital Number. L4 product provides orthorectified images.

  • Categories  

    AMAZONIA-1/WFI - Level-2 Digital Number product. Level 2 products have radiometric correction and geometric correction using satellite ephemeris and attitude data (system correction).

  • Categories  

    The MODIS-Aqua Monthly Remote Sensing Reflectance (Rrs, unit sr-1) provides 8 spectral bands temporal resolution of one month and spatial resolution of 1 km over the Brazil oceanic waters and open ocean South Atlantic waters. This collection captures 7 visible, and 1 infrared channels using Level-1A images acquired from the Moderate Resolution Imaging Spectroradiometer (MODIS) instrument onboard the NASA's Aqua satellite. The Level-1A data were processed into Level-1B and GEO using the Data Processing Tools (modis_L1B) from SeaWiFS Data Analysis System (SeaDAS) software. The Level-1B and GEO data were applied in the atmospheric correction OC-SMART (Fan et al., 2021) by the National Institute for Space Research (INPE, Brazil) and the Laboratoire d'Océanologie et de Géosciences (LOG, France) generating the Level-2 data. The Level-2 data has been mosaicked to generate daily maps capturing the complete Brazilian ocean waters. The daily mosaic data were reprojected to geographical (lat/lon) coordinates using as reference the European Space Agency (ESA) Ocean Colour - Climate Change Initiative (OC-CCI) into Level-3 grid. Both, the mosaic and the reprojection were done using the Sentinel Application Platform (SNAP) on its version 10. Finally, the daily reprojected data were temporal merged to create the monthly Rrs products using the geometric mean.

  • Categories  

    Sentinel-2 image mosaic of Brazilian Cerrado biome with 10m of spatial resolution. The mosaic was prepared in support of TerraClass project. The false color composition is based on the MSI bands 8, 4 and 3 assigned to RGB channels. The temporal composition encompasses 04-months of images, starting in june 2022 and ending in September 2022, with a best pixel selection approach called Least Cloud Cover First (LCF). More information on LCF can be found at Brazil Data Cube web site (https://brazil-data-cube.github.io/specifications/processing-flow.html#temporal-compositing). This Image Mosaic used more than 14000 Sentinel-2 scenes and was generated based on an existing data cube of Sentinel-2 images.

  • Categories  

    Sentinel-2 image mosaic of Brazilian Yanomami Indigenous Territory with 10m of spatial resolution. The mosaic was prepared to support the partnership between the INPE's Health Information Investigation Laboratory (LiSS) and the ICIT-FIOCRUZ Health Information Laboratory (LIS) a multi-institutional body coordinated by Fiocruz and the ministry of health, by creating a health situation database of the Yanomami Indigenous Land. The false color composition is based on the MSI bands 11, 8A and 4 assigned to RGB channels. The temporal composition encompasses 06-months of images, starting in April 2019 and ending in September 2022, with a best pixel selection approach called Least Cloud Cover First (LCF). More information on LCF can be found at Brazil Data Cube web site (https://brazil-data-cube.github.io/specifications/processing-flow.html#temporal-compositing). This Image Mosaic used more than 15000 Sentinel-2 scenes and was generated based on an existing data cube of Sentinel-2 images.

  • Categories  

    This is a land cover classification map of Brazilian Cerrado, from August 29th 2017 to August 29th 2018. This classification was made on top of Landsat-8 days data cubes with spatial resolution of 30 meters, using the best pixel composition function named as Least Cloud Cover First (LCF), which was previously named Stack in BDC older versions. The input datacube was Landsat-8 - OLI - Cube Stack 16 days - v001, which was deprecated. The classification model was trained using 48850 sample points spread across the Cerrado biome (Annual Crop 6887, Cerradao 4211, Cerrado 16251, Natural Non Vegetation 38, Open_Cerrado 5658, Pasture 12894, Perennial Crop 68, Silviculture 805, Sugarcane 1775, Water 263). The spectral band used were B1, B2, B3, B4, B5, B6, and B7 along with the vegetation indices EVI and NDVI; the clouded observation were identified using the Fmask4 algorithm and estimated using linear interpolation. The classification algorithm was TempCNN (Deep Learning). This product was funded by the Brazilian Development Bank (BNDES).