RESUMO O monitoramento e a avaliação ambiental confiáveis necessitam mapas de alta qualidade de uso e cobertura da terra. Para o bioma Amazônia, os projetos TerraClass e MapBiomas usam diferentes metodologias para criar esses mapas. Nós avaliamos a concordância entre os produtos gerados pelo TerraClass e pelo MapBiomas (Coleções 2 e 3) para o bioma Amazônia, de 2004 a 2014. Mais especificamente: (1) descrevemos as legendas dos projetos com base no LCCS (Land Cover Classification System); (2) analisamos as diferenças entre as classes; e (3) comparamos as diferenças de mapeamento entre os estados brasileiros total ou parcialmente incluídos no bioma Amazônia. As classificações foram comparadas em uma abordagem pixel a pixel e a avaliação foi baseada em matrizes de concordância. A concordância global entre os projetos foi de 87.4% (TerraClass x MapBiomas 2) e 92.0% (TerraClass x MapBiomas 3). Analisamos as diferenças metodológicas entre os projetos para explicar as discordâncias existentes na identificação das classes. Concluimos que a utilização dos produtos dos dois projetos de forma complementar, sem uma apropriada adaptação de legendas, não é recomendada para a análise de mudança de uso e cobertura da terra. Dependendo da aplicação, um sistema de mapeamento pode ser mais adequado do que o outro.

ABSTRACT Reliable environmental monitoring and evaluation require high-quality maps of land use and land cover. For the Amazon biome, the TerraClass and MapBiomas projects apply different methodologies to create these maps. We evaluated the agreement between land cover and land use maps generated by TerraClass and MapBiomas (Collections 2 and 3) for the Brazilian Amazon biome, from 2004 to 2014. Specifically, we: (1) described both project legends based on the LCCS (Land Cover Classification System); (2) analyzed the differences between their classes; and (3) compared the mapping differences among the Brazilian states that are totally or partially covered by the Amazon biome. We compared the classifications with a per-pixel approach and performed an evaluation based on agreement matrices. The overall agreement between the projects was 87.4% (TerraClass x MapBiomas 2) and 92.0% (TerraClass x MapBiomas 3). We analyzed methodological differences to explain the disagreements in class identification. We conclude that using these maps together without a properly adapted legend is not recommended for the analysis of land use and land cover change. Depending on the application, one mapping system may be more suitable than the other.

As imagens da série de satélites CBERS são distribuídas gratuitamente, mas para que seja possível utilizá-las, é necessário aplicar um método de correção geométrica. É proposta uma melhoria do processo de correção automática de forma a selecionar as melhores amostras de referência a partir das quais é possível definir pontos de controle usados para o cálculo dos parâmetros do modelo usado na correção. Para demonstrar a eficácia, o método proposto é aplicado em um conjunto de imagens CBERS usando as amostras de imagens selecionadas.

The CBERS satellite images are freely distributed, but a geometric correction method is required to allow their use. We propose improvements over the automatic correction method by selecting the best reference samples from which control-points are generated. Further, those tie points will be used to define the geometric model used on the correction process. To demonstrate the effectiveness and performance gain we applied the correction method to a set of selected CBERS images using the automatically selected samples.

Métodos de simulação de imagens orbitais são frequentemente utilizadas na avaliação do desempenho de determinado sistema-sensor. A partir do emprego destas técnicas é possível analisar e estimar o comportamento das imagens que serão geradas pelos sensores projetados, possibilitando uma estimativa da qualidade e das aplicações decorrentes do lançamento do satélite. Neste contexto, torna-se de fundamental importância a análise das imagens orbitais e das possíveis aplicações provenientes do satélite CBERS-4, que deve ser lançado ao final do ano de 2014 e terá uma política de distribuição gratuita dos dados. Deste modo, o objetivo deste trabalho é avaliar o potencial da câmera MUX do CBERS-4, com 20 m de resolução espacial, para mapeamento de cobertura do solo do município de Apuí no estado do Amazonas. Para isto, as imagens MUX são simuladas a partir de imagens do satélite RapidEye e filtragem baseada no modelo do processo de imageamento. Para avaliar os resultados da simulação, uma imagem da câmera TM do satélite Landsat-5 é processada para produzir um mapa de cobertura de solo, que é comparada ao mapa gerado pela imagem MUX simulada do CBERS-4. Os valores de NDVI calculados a partir das imagens MUX simulada e TM-5 também são analisados. Os experimentos mostram que o processamento das imagens simuladas da câmera MUX apresentaram resultados semelhantes aos das imagens do sensor TM. Em geral, as classificações da cobertura do solo para os sensores MUX e TM apresentam boa concordância, com acurácia global de 87% e Kappa de 0,72. Ainda, percebe-se que os valores de NDVI estimados pela MUX são em média 25% maiores que os valores estimados pelo TM e apresentam uma correlação de 85% (significante a 0.05, teste t-student).

Simulation methods of orbital images are usually applied to evaluate the performance of a specific sensor. From the use of these techniques, is possible to analyze and estimate the behavior of predict sensor images, allowing an analysis of future applications. In this context, is necessary the assessment of satellite-based images and the possible applications derived by CBERS-4, which should be released at the end of 2014 and will have a policy of free distribution of the data. Thus, this study aims at evaluating the potential of the camera CBERS-4 MUX with 20 m spatial resolution for land cover mapping. For this, images MUX are simulated from RapidEye image using filtering techniques based on the imaging process. To evaluate the simulation results, an image of the camera Landsat-5 TM is processed to produce a land cover and NDVI maps and compare them to the maps generated by the simulated CBERS-4 MUX image. The experiments show that the results obtained by simulated image MUX were very similar to the ones obtained by TM-5. Overall, the classifications of land cover for the MUX and TM sensors exhibit good agreement, with an overall accuracy of 87% and Kappa of 0.72. Also, we noticed that NDVI values estimated by the MUX are 25% higher than the values estimated by the TM and have a correlation of 85% (significant at 0.05, Student's t test).