Universidade Federal do Rio de Janeiro Instituto de Geociências
Departamento de Geografia
Programa de Pós-Graduação em Geografia
Exame de Qualificação I
O U SO D E SEN SO RI A M EN TO REM O TO N A
GERA ÇÃO D E I N D I CA D O RES A M BI EN TA I S
Simone Rodrigues de F reit as
2
Í NDICE
INTRODUÇÃO ... 3
Definição de Sensoriamento Remoto 3
Sensoriamento Remoto como sistema de aquisição de informações 4
Sistemas sensores e sistemas orbitais 7
COMPORTAMENTO ESPECTRAL DE ALVOS ... 17
INTERPRETAÇÃO DE IMAGENS ... 24
ÁREAS TEMÁTICAS BENEFICIADAS PELO SENSORIAMENTO
REMOTO ... 25
INDICADORES AMBIENTAIS GERADOS PELO SENSORIAMENTO
REMOTO ... 34
Indicadores da qualidade da água 39
Índices de vegetação 42
CONCLUSÃO ... 51
3
INTRO DUÇÃO
Imagens de sensoriamento remoto vem servindo de fontes de dados para estudos e levantamentos geológicos, ambientais, agrícolas, cartográficos, florestais, urbanos, oceanográficos, entre outros. Acima de tudo, as imagens de sensoriamento remoto passaram a representar umas das únicas formas viáveis de monitoramento ambiental em escalas locais e globais, devido à rapidez, eficiência, periodicidade e visão sinóptica que as caracterizam. Neste momento em que a humanidade começa a encarar seriamente a necessidade de monitorar as mudanças globais que vem ocorrendo na superfície do planeta, o sensoriamento remoto aparece como uma das ferramentas estratégicas para o futuro (Crósta, 1993).
Definição de Sensoriamento Remoto
O campo do sensoriamento remoto vem sendo definido de várias formas, mas o conceito central é o da tecnologia que permite a aquisição de informações à distância.
“ Sensoriament o remot o é a ciência e a art e de obt er inf ormação de um objet o, área ou f enômeno at ravés da análise de dados adquiridos por um equipament o que não est á em cont at o com o
objet o, área ou f enômeno sob invest igação.” (L illesand, 1994)
Esta definição é, no entanto, muito ampla, necessitando ser refinada. Quando se especifica o tipo de energia utilizada na transferência de informação do objeto ao sensor para energia ou radiação eletromagnética, o sensoriamento remoto fica restrito, principalmente às imagens de satélite, às fotografias aéreas e aos radiômetros.
“ Sensoriament o remot o é a ut ilização conjunt a de modernos sensores, equipament os para processament o de dados, equipament os de t ransmissão de dados, aeronaves, espaçonaves, et c.,
com o objet ivo de est udar o ambient e t errest re at ravés do regist ro e da análise das int erações ent re a radiação elet romagnét ica e as subst âncias component es do planet a Terra em suas mais
4
“ Sensoriament o remot o é a prát ica de derivar inf ormação sobre a superf ície t errest re usando imagens adquiridas de uma perspect iva aérea, usando radiação elet romagnét ica em uma ou mais
regiões do espect ro elet romagnét ico, ref let ida ou emit ida da superf ície t errest re.” (Campbell, 1996)
Sensoriamento Remoto como sistema de aquisição de informações
O processo pelo qual o registro da interação entre a radiação eletromagnética e os objetos, áreas ou fenômenos ocorridos na superfície terrestre são transformados em informação e interpretados é longo. Esse processo é dividido por Novo (1992) em dois sistemas: Sistema de Aquisição de Dados e Sistema de Análise de Dados.
O sistema de aquisição de dados pode ser digital, sendo composto por elementos de cena discretos, chamados pixels, ou analógico, sendo composto
por elementos de cena contínuos, chamados vetores. A imagem constituída por vetores é chamada imagem vetorial. A imagem produzida por pixels – imagem
matricial – pode ser representada por uma matriz onde o cruzamento das linhas e das colunas definem as coordenadas espaciais de cada pixel. Quando
chega ao sensor, a energia eletromagnética proveniente do alvo é transformada em sinal. Esse sinal é dividido em níveis discretos de intensidade (conhecidos como DN, digital numbers, ou BV, brightness values, ou ainda, NC, níveis de
cinza) traduzindo a resolução radiométrica do sensor. Dessa forma, cada pixel receberá um valor de nível de cinza (Figura 1).
Figura 1. Exemplo de uma imagem vetorial e matricial. A imagem matricial mostra, no detalhe,
5 Segundo Novo (1992), para que o sistema de aquisição de dados funcione é necessário preencher as seguintes condições: existência de fonte de radiação, propagação de radiação pela atmosfera, incidência da radiação sobre a superfície terrestre, ocorrência de interações entre a radiação e os objetos da superfície, produção de radiação que retorna ao sensor após propagar-se pela atmosfera. Sendo assim, a aquisição de dados depende da interação energia-matéria. No sensoriamento essa interação se dá entre a energia eletromagnética e os objetos da superfície terrestre. O sol é a principal fonte de energia eletromagnética disponível para o sensoriamento remoto da superfície terrestre. Essa energia emitida pelo sol é parte absorvida, parte transmitida e parte refletida pelo objeto ou alvo. O sensor, então, captura a energia refletida – reflectância – por estes objetos. As formas de interação entre a radiação e os componentes da superfície terrestre variam ao longo do espectro eletromagnético (Figura 2). A resposta de um sensor depende não só da quantidade de luz, como também da freqüência da luz. É comum, portanto, descrever a característica de um sensor através de uma curva de resposta espectral que fornece a intensidade da resposta para cada freqüência ou comprimento de onda. O espectro eletromagnético é dividido em faixas denominadas regiões ou bandas espectrais, desde os raios gama até as ondas de rádio.
Figura 2. Características das principais faixas do espectro eletromagnético: raios gama que correspondem a faixa de reflectância < 10-5µm; raios X, faixa entre 10-5 e 10-2µm; raios ultravioleta, entre
6 Resolução, em um sentido geral, refere-se à habilidade do sensor registrar e exibir detalhes finos (Campbell, 1996). A resolução radiométrica é o número de níveis discretos de intensidade de energia eletromagnética que o sensor é capaz de capturar. Quanto maior o número de níveis de intensidade, ou níveis de cinza, maior e mais fina será a resolução radiométrica. Outros três tipos de resolução são utilizados no sensoriamento remoto: a resolução espectral, a espacial e a temporal. A resolução espectral é o número de intervalos de comprimentos de onda (faixas ou bandas) definidos pelo sensor. Quanto mais estreitos são os intervalos de comprimento de onda e maior for o número de bandas, mais fina e maior será a resolução espectral. A resolução espacial é a capacidade de identificar objetos na superfície abrangida pelo pixel.
Quanto menor a área coberta pelo pixel, maior será a resolução espacial. A
resolução temporal é dada pela freqüência de aquisição de dados pelo sensor. Quanto maior a freqüência, maior será a resolução temporal.
7
Sistemas sensores e sistemas orbitais
Existem diversos sistemas de aquisição de dados, tais como câmaras fotográficas aerotransportadas, satélites, sistemas de radar, sonares de microondas, etc. Os sistemas podem ser ativos, como é o caso dos sistemas de microondas que registram a diferença de freqüência entre o sinal emitido por eles e o sinal recebido da superfície (p.ex. radares); ou passivos, como é o caso das câmaras fotográficas que registram a reflectância de uma superfície (Câmara et al., 1996).
Os radares transmitem os sinais de microondas e recebem sua reflexão como base para formar imagens da superfície terrestre (Figura 4). Os sinais de radar são capazes de penetrar além da cobertura vegetal e da superfície do solo. A rugosidade e a geometria superficiais são os parâmetros mais importantes para analisar imagens de radar sendo estas utilizadas principalmente para análises geomorfológicas (Francisco, 1999).
8
≅
2m
≅
2cm
≅
300m
3000m
920km
400km
≅
20m
9 Figura 3. Níveis de aquisição de dados por sensoriamento remoto: orbital (de
aproximadamente 950 a 400km de altitude), aeronave (de 3000 a 300m) e campo/laboratório (de 20 a 5m utilizando espectrômetros sobre suportes, ou, de 2m a 2cm bem próximo do alvo).
Figura 4. Resultados da imagem de radar para diferentes superfícies: superfície lisa, floresta, plantação, montanhas, superfície rugosa e cidade.
10 Sensores à bordo de satélites permitem a realização de medidas consistentes multitemporais relativas a grandes áreas, durante períodos de tempo que chegam a décadas. Muitos sensores são transportados em satélites em órbitas próximas dos pólos e sincronizadas com o sol, para cruzar sempre o Equador na mesma hora solar atingindo uma cobertura global e uma geometria de iluminação consistentes. Este é o caso dos satélites das séries Landsat e SPOT e do NOAA/AVHRR. O intervalo de repetição varia entre esses satélites dependendo de sua altitude e velocidade. Outros sensores são transportados em satélites orbitais geoestacionários a fim de proverem uma grande freqüência de cobertura de uma mesma região. Este é o caso dos satélites meteorológicos da série GOES (Câmara et al., 1996).
Dentre os principais satélites em operação atualmente destacam-se os satélites meteorológicos GOES – Geostationary operational environmental
satellite, operado pelo National Oceanic and Atmospheric Administration (NOAA,
EUA) – e METEOSAT – Meteorological Satellite, operado pela European Space
Agency (ESA) –; os satélites de aplicação híbrida como é o caso do NOAA (EUA);
e os satélites de recursos naturais como a série Landsat – operado pela NASA, sendo as imagens comercializadas pela United States Geological Survey (USGS,
EUA) –, a série SPOT – Systeme Probatoire d’ Observation de la Terre, operado
pela empresa privada SPOT Image (França) –, o CBERS (Chinese Brazilian Earth
Resources Satellite), o IRS (Indian Remote Sensing, desenvolvido pela Indian
Space Research Organization), o JERS (Japanese Earth Resources Satellite), o
ERS (European Remote Sensing Satellite, administrado pela European Space
Agency), o RADARSAT (lançado pela Agência Espacial Canadense e operado
pela empresa privada RADARSAT International Inc.), IKONOS – satélite lançado
Tabela 1. Características dos principais sistemas orbitais (baseado em Rocha, 2000 e Crósta, 1997). Resolução
Satélite (Origem) Altitude Sensor Espectral
(µm) Espacial Radiométrica Temporal
Largura da faixa Site (WWW)
NOAA 15 (EUA) 870km AVHRR
0,58-0,68 0,78-1,10 3,55-3,93 10,30-11,30 11,50-12,50
1,1km 10 bits
1024 NC 6 horas 2.700km http://www.noaa.gov/
GOES 11 (EUA)
35.000km VAIN 0,65 3,90 6,70 11,00 12,00 1km 13,8km 8 bits
256 NC 15 minutos
Até 1/3 da superfície
terrestre http://www.noaa.gov/
VIRR 0,40-1,05 2,5km
METEOSAT 7 (Europa) 36.000km
TIRR 10,50-12,50 5km
8 bits
256 NC 30 minutos
Até 1/3 da superfície terrestre http://earth1.esrin.esa .it/ 705km TM 0,45-0,52 0,52-0,60 0,63-0,69 0,76-0,90 1,55-1.75
30m 8 bits
256 NC 16 dias 185km
10,4-12,5 120m LANDSAT 5 (EUA)
2,08-2,35 30m
http://geo.arc.nasa.go v/sge/landsat/landsat.
Tabela 1. Características dos principais sistemas orbitais (baseado em Rocha, 2000 e Crósta, 1997) (continuação 1). Resolução
Satélite (Origem) Altitude Sensor
Espectral (µm) Espacial Radiométrica Temporal Largura da faixa Site (WWW) 0,45-0,52 0,53-0,61 0,63-0,69 0,75-0,90 1,55-1,75 30m 10,4-12,5 60m ETM+ 2,09-2,35 30m LANDSAT 7 (EUA)
705km
PAN 0,52-0,90 15m
8 bits
256 NC 16 dias 185 km
http://geo.arc.nasa .gov/sge/landsat/l
andsat.html
0,50-0,59 20m 0,61-0,68 10 e 20m 0,79-0,89
HRV-IR
1,58-1,75 20m
10 bits 1024 NC
PAN 0,51-0,73 10m 6 bits
64 NC 60km VEGETATION 0,61-0,68 0,78-0,89 1,58-1,75 1,16km 2.250km SPOT 4 (França)
832km
HRV-IR (oceanografia) 0,43-0,47 20m
10 bits 1024 NC
26 dias ou até 2 dias
60km http://www.spot.co m/ 0,52-0,59 0,62-0,68 0,77-0,86 23m 142km LISS III 1,55-1,70 70m 24 dias 148km
PAN 0,50-0,75 5m 3 dias 70km
IRS-1C (Índia)
904km
WiFS 0,62-0,68 188m
7 bits 128 NC
4 dias 744km
Tabela 1. Características dos principais sistemas orbitais (baseado em Rocha, 2000 e Crósta, 1997) (continuação 2). Resolução
Satélite (Origem) Altitude Sensor
Espectral Espacial Radiométrica Temporal Largura da faixa Site (WWW)
CCD 0,45-0,52 0,52-0,59 0,63-0,69 0,77-0,89 PAN 0,51-0,73
20m 26 dias ou até 3 dias
1,55-1,75 2,08-2,35 0,50-1,01 80m IR-MSS 10,4-12,5 160m 26 dias 120km CBERS 1 (Brasil e China)
778km
WFI 0,63-0,69
0,76-0,90 260m
8 bits 256 NC
3 dias 900km
http://www.inpe.br/pro gramas/cbers/portugu
es/index.html
MSS
0,45-0,52µm 0,52-0,60µm 0,63-0,69µm 0,76-0,90µm
4m 1,5 dias
IKONOS II (EUA)
680km
PAN 0,45-0,90µm 1m
11 bits 2048 NC
3 dias
13km http://www.spaceimage.com/
JERS-1 (Japão) - radar
568km SAR
(Polarização HH)
Banda L
(23,5cm) 18m
8 bits
256 NC 44 dias 75km
http://yyy.tksc.nasda. go.jp/Home/Earth_Ob
Tabela 1. Características dos principais sistemas orbitais (baseado em Rocha, 2000 e Crósta, 1997) (continuação 3). Resolução
Satélite (Origem) Altitude Sensor
Espectral Espacial Radiométrica Temporal Largura da faixa Site (WWW) ERS-2 (Europa) - radar
777km AMI-SAR
(Polarização VV)
Banda C
(5,6cm) 30m
16 bits
65.536 NC 35 dias 100km
http://earth1.esrin.esa .it/
RADARSAT (Canadá) - radar
792km SAR
(Polarização HH)
Banda C
(5,6cm) 100m 10 a
16 bits
65.536 NC 24 dias 50 a 500km
http://radarsat.space. gc.ca/
MSS
0,45-0,52µm 0,52-0,60µm 0,63-0,70µm 0,76-0,90µm
4m 8km
HSS (de 0,45 até 200 bandas 2,50µm)
8m*
20m** 5Km
ORBVIEW-4 (USA)
470km
PAN 0,45-0,90µm 1m
- Inferior a 3 dias
8km
http://www.orbimage. com/
EOC 0,51-0,73µm 6,6m 17km
KOMPSAT-1 (Coréia)
685km
OSMI
6 bandas (de 0,40 a 0,90µm)
1km
8 bits
256 NC -
800 Km
http://www.engesat.c om.br/satelites/komps
at.htm
15 Devido a suas características e aplicações específicas cada grupo de satélites possui sensores que permitem a extração de diferentes informações. Em geral, cada sensor cobre um determinado número de faixas ou bandas espectrais que devido ao intervalo espectral representado por elas terão aplicações distintas (Figura 6). As aplicações de cada banda estão relacionadas ao comportamento espectral dos alvos naquele intervalo espectral. As tabelas 2, 3 e 4 apresentam, respectivamente, as principais características e aplicações das bandas dos satélites de recursos naturais Landsat e SPOT e do satélite de aplicação híbrida NOAA.
16 Tabela 2. Principais características e aplicações das bandas do sensor TM do satélite LANDSAT (Novo,
1992 e Rocha, 2000). Banda Intervalo
espectral Características e aplicações das bandas
1 0,45 - 0,52µm Apresenta grande penetração em corpos de água, com elevada transparência, permitindo estudos batimétricos e mapeamento de águas costeiras. Sofre absorção pela clorofila e pigmentos fotossintéticos auxiliares (carotenóides) possibilitando a diferenciação entre solo e vegetação, e entre vegetação de árvores coníferas e decíduas. Apresenta sensibilidade a plumas de fumaça oriundas de queimadas ou atividade industrial. Pode apresentar atenuação
pela atmosfera.
2 0,52 - 0,60µm Apresenta grande sensibilidade à presença de sedimentos em suspensão, possibilitando sua análise em termos de quantidade e qualidade. Boa
penetração em corpos de água.
3 0,63 - 0,69µm A vegetação verde, densa e uniforme, apresenta grande absorção, ficando escura, permitindo bom contraste entre as áreas ocupadas com vegetação (ex.: solo exposto, estradas e áreas urbanas). Apresenta bom contraste entre diferentes tipos de cobertura vegetal (ex.: campo, cerrado e floresta). Permite análise da vanação litológica em regiões com pouca cobertura vegetal. Permite o mapeamento da drenagem através da visualização da mata galeria e entalhe dos cursos dos rios em regiões com pouca cobertura vegetal. É a banda mais
utilizada para delimitar a mancha urbana, incluindo identificação de novos loteamentos e de variações de densidades urbanas. Permite a identificação de
áreas agrícolas e o estudo do uso do solo.
4 0,76 - 0,90µm Os corpos de água absorvem muita energia nesta banda e ficam escuros, permitindo o mapeamento da rede de drenagem e delineamento de corpos de água. A vegetação verde, densa e uniforme, reflete muita energia nesta banda,
aparecendo bem clara nas imagens. Apresenta sensibilidade à rugosidade da copa das florestas (dossel florestal), permitindo estudos do volume de biomassa. Apresenta sensibilidade à morfologia do terreno, permitindo a obtenção de informações sobre Geomorfologia, Solos e Geologia. Serve para análise e mapeamento de feições geológicas e estruturais. Serve para separar
e mapear áreas ocupadas com pinheiros e eucaliptos. Serve para mapear áreas ocupadas com vegetação que foram queimadas. Permite a visualização
de áreas ocupadas com macrófitas aquáticas (ex.: aguapé). Permite a identificação de áreas agrícolas.
5 1,55 - 1,75µm Apresenta sensibilidade ao teor de umidade das plantas, servindo para observar estresse na vegetação, causado por desequilíbrio hídrico. Esta banda
sofre perturbações em caso de ocorrer excesso de chuva antes da obtenção da cena pelo satélite.
6 10,4 - 12,5µm Apresenta sensibilidade aos fenômenos relativos aos contrastes térmicos, servindo para detectar propriedades termais de rochas, solos, vegetação e
água.
7 2,08 - 2,35µm Apresenta sensibilidade à morfologia do terreno, permitindo obter informações sobre Geomorfologia, Solos e Geologia. Esta banda serve para identificar
minerais com íons hidroxilas (ex.: argilas e rochas carbonáticas). Potencialmente favorável à discriminação de produtos de alteração
17 Tabela 3. Principais aplicações das bandas do sensor HRV do satélite SPOT.
Banda Intervalo espectral Aplicações das bandas
1 0,50 - 0,59µm • Reflectância da vegetação sadia
• Mapeamento de águas
2 0,61 - 0,68µm • Absorção de clorofila para diferenciação entre espécies vegetais
• Diferenciação de solo e vegetação
• Estudos do uso do solo urbano
3 0,79 - 0,89µm • Levantamento de fitomassa
• Delineamento de corpos d'água
PAN 0,51 - 0,73µm • Levantamento de uso da terra
• Estudos de áreas urbanas
Tabela 4. Principais aplicações das bandas do sensor AVHRR do satélite NOAA.
Banda Intervalo espectral Aplicações das bandas
1 0,58-0,68µm • Mapeamento diurno de nuvem, gelo e neve
• Definição de feições de solo e cobertura vegetal
• Monitoramento da vegetação
2 0,78-1,10µm • Delineamento da superfície da água
• Definição de condições de fusão de neve e gelo
• Avaliação da vegetação e monitoramento meteorológico (nuvens)
3 3,55-3,93µm • Mapeamento noturno e diurno de nuvens
• Análise da temperatura da superfície do mar (TSM)
• Detecção de pontos quentes (incêndios, queimadas e atividades vulcânicas)
4 e 5 10,30-11,30µm 11,50-12,50µm
• Mapeamento noturno e diurno de nuvens
• Medições da superfície do mar, lagos e rios
• Detecção de erupção vulcânica
• Umidade do solo, atributos meteorológicos das nuvens
• Temperatura da superfície do mar (TSM) e umidade do solo
CO MPO RTAMENTO ES PECTRAL DE ALVO S
18 Figura 7. Assinaturas espectrais de diferentes alvos: água, neve, nuvem, asfalto, areia,
vegetação e solo.
O estudo do comportamento espectral de alvos é feito em vários níveis de aquisição (Figura 3), possibilitando a criação e o aprimoramento das bibliotecas espectrais. Os estudos feitos em cada um desses níveis obtem resultados distintos devido às diferenças na geometria de aquisição dos dados, nos parâmetros atmosféricos e nos parâmetros relativos ao próprio alvo. Tais fatores podem ser controlados em laboratório, mas devem ser conhecidos em experimentos de campo para que as medidas efetuadas possam ser corrigidas (Novo, 1992). Alguns componentes da superfície terrestre possuem comportamento espectral bem conhecido como: vegetação, solo, rochas, minerais, água e superfícies construídas (especialmente concreto e asfalto).
19 a. até 0,7µm, a reflectância é baixa (< 0,2), dominando a absorção da
radiância incidente pelos pigmentos da planta em 0,48µm (carotenóides)
e em 0,62µm (clorofila). Em 0,56µm, há um pequeno aumento do coeficiente de reflectância, devido a percepção da cor verde da vegetação.
A reflectância maior na faixa do azul (0,48µm) e do vermelho (0,62µm) se deve à capacidade de captar fótons nestas regiões dos pigmentos das plantas. Como só o componente verde da faixa do visível é o menos absorvido e o mais refletido, nós enxergamos as plantas como sendo verdes.
b. de 0,7µm a 1,3µm, infravermelho, temos a região dominada pela alta reflectância da vegetação devido à interferência da estrutura celular.
c. entre 1,3µm e 2,5µm, infravermelho, a reflectância da vegetação é dominada pelo conteúdo de água das folhas. Nessa região encontram-se
dois máximos de absorção pela água (em 1,4µm e 1,95µm).
Tendo como base o comportamento espectral da vegetação, pode-se dizer que quando a energia eletromagnética incide sobre as folhas as ondas da faixa do verde e do infravermelho refletem mais do que as do vermelho e do azul (Figura 8).
Figura 8. Esquema mostrando como as ondas eletromagnéticas se comportam
quando atingem a vegetação (B=azul, G=verde, R=vermelho, IR=infravermelho).
20 faixa do visível, na queda da curva na região de absorção de água no platô do
infravermelho próximo (0,7µm a 1,3µm), e na altura relativa dos "picos" da
curva neste platô (0,9µm, 1,08µm e 1,27µm). Na região do infravermelho
próximo é possível determinar as diferenças entre tipos de florestas e campos (Figura 9 classes tree e grass).
Figura 9. Assinaturas espectrais de diferentes tipos de vegetação: capim (grass), árvore (tree),
beterraba (sugar beet), trigo (wheat stubble) e terra de pousio (fallow fields); árvores decíduas (que
perdem as folhas estacionalmente) e coníferas.
Campbell (1996) considera que a identificação de alvos pode ser fina a ponto de detectar a existência de vegetação doente ou fotossinteticamente inativa. A diferença na reflectância de folhas verdes (fotossinteticamente ativas) e de folhas secas (fotossinteticamente inativas) ocorre devido a menor absorção de clorofila e maior absorção de água pelas folhas secas (Figura 10). Essa diferença no comportamento espectral de folhas secas e verdes auxilia estudos de monitoramento de material vegetal seco para medir biomassa e bioquímica de comunidades vegetais em dormência; de monitoramento de extensões de vegetação queimada por incêndios; e de estacionalidade de comunidades vegetais que perdem suas folhas na estação seca (Lillesand & Kiefer, 1994).
RE F L E CT Â N CI A (%)
COMPRIMENTO DE ONDA (µm)
RE F L E CT Â N CI A (%)
21
Figura 10. Espectros de reflectância AVIRIS da vegetação verde (A) - fotossinteticamente ativa - e da não-fotossinteticamente ativa (B) (Galvão et al., 1998).
Novo (1992) afirma que a análise das curvas espectrais de solo (Figura 7) criou condições para que fossem sugeridas algumas faixas espectrais de interesse para o estudo de propriedades do solo (Tabela 5). Segundo Campbell (1996), algumas das diversas pesquisas sobre propriedades espectrais do solo podem ser resumidas notando a natureza dos materiais estudados. Por exemplo, solos de textura fina são freqüentemente associados a alta umidade ou grande quantidade de matéria orgânica, ambos causam baixa reflectância.
Tabela 5. Regiões do espectro mais adequadas ao estudo de propriedades físico-químicas de solos (Novo, 1992).
Regiões do espectro Propriedades do solo
0,57µm monitoramento de matéria orgânica em solos sem cobertura vegetal 0,7µm e 0,9µm monitoramento do conteúdo de compostos de ferro férrico
1,0µm monitoramento do conteúdo de compostos de ferro ferroso
2,2µm monitoramento de umidade do solo
22 minerais podem ser diferenciados através de seu comportamento espectral como a calcita, dolomita e outros (Lillesand & Kiefer, 1994). Na Figura 11, as assinaturas espectrais de três tipos de rocha (quartzo, limonita e caolinita) e um tipo de vegetação (capim) são mostradas.
Tabela 6. Regiões do espectro mais adequadas para o estudo de propriedades físico-químicas de rochas (Novo, 1992).
Regiões do espectro Propriedades do solo
0,8-1,0µm identificação de ferro
1,6µm identificação de zonas de alteração hidrotermal ricas em argilas 2,17µm e 2,20µm identificação de minerais de argila
2,74µm detecção de minerais com presença de hidroxilas na estrutura
Figura 11. Assinaturas espectrais de três tipos de rocha (quartzo,
limonita e caolinita) e um tipo de vegetação (capim)
A água apresenta-se sob diferentes estados físicos na natureza, que possuem diferentes comportamentos espectrais (Figura 7). A água em estado
líquido apresenta baixa reflectância entre 0,38µm e 0,80µm, absorvendo toda a
radiação acima de 0,8µm. A água em forma de nuvem apresenta alta
reflectância (até 0,7) entre 0,38µm e 2,5µm com bandas de absorção amplas
em torno de 1,0µm, 1,3µm e 2µm. A água em forma de neve apresenta
reflectância maior do que a das nuvens entre 0,7µm e 1,2µm, decrescendo
entre 1,2µm e 1,4µm até atingir baixa reflectância entre 1,5µm e 2,0µm, em
2,0µm a reflectância se aproxima de zero, aumentando um pouco em torno de
2,25µm (Novo, 1992). Partículas em suspensão e sedimentos na água modificam o comportamento espectral da água límpida, como pode ser visto na
RE
F
L
E
CT
Â
N
CI
A
23 imagem de satélite da Figura 12. O aumento da turbidez causado pelo aumento da concentração de sedimentos, aumenta a reflectância e os picos de reflectância mudam da região do azul para a do verde (Figura 13).
Figura 12. Imagem de satélite mostrando um derramamento de óleo no mar, onde o continente está do lado esquerdo da imagem e a água do lado direito. As diferenças de reflectância foram demonstradas pelas diferenças nas cores e tonalidades.
Figura 13. Esquema representando a mudança da reflectância com a presença do substrato (S),
onde o aumento na reflectância na faixa verde pode ser vista pelo aumento do tamanho da seta.
24 Superfícies construídas como concreto e asfalto possuem comportamentos espectrais distintos (Figura 7). Segundo Novo (1992), o concreto possui reflectância maior e comportamento espectral mais complexo do que do asfalto (Figura 14).
Figura 14. Comportamento espectral do concreto (concrete), asfalto
(asphalt), solo nú (baresoil), cascalho (gravel) e telha de madeira (shingles).
INTERPRETAÇÃO DE IMAGENS
A diferença entre o comportamento espectral de objetos distintos possibilita distingüir entre e identificar as composições dos diferentes alvos na imagem (Crósta, 1993). Com o processamento digital das imagens de sensoriamento remoto é possível obter como resultado um mapa temático da área imageada. O processamento consiste na execução das seguintes etapas: realce (brilho, contraste e saturação), composição colorida, georreferenciamento, e classificação (Crósta, 1993). A classificação é a associação dos pixels da imagem a um "rótulo" descrevendo um objeto real
(vegetação, solo, água, etc.). Essa "rotulação" possibilita a confecção de mapas temáticos à partir da imagem digital. Pode-se dizer, então, que uma imagem de sensoriamento remoto classificada é uma forma de mapa digital temático (Crósta, 1993).
RE
F
L
E
CT
Â
NCI
A
(%)
25
ÁREAS TEMÁTICAS BENEFICIADAS PELO
S ENS O RIAMENTO REMO TO
Atualmente é difícil imaginar uma atividade humana que não utilize informações coletadas por sensoriamento remoto. Até no dia-a-dia de jornais ou noticiários de TV aparecem filmagens de satélites meteorológicos para previsão do tempo (Rocha, 2000).
A arqueologia e a antropologia utilizam desde o início do século XX, fotografias aéreas para localizar e mapear seus sítios. Artefatos culturais enterrados têm a propriedade de alterar as características químicas, texturais e estruturais do solo. Quando a zona das raízes intercepta algum sítio arqueológico, ocorrem alterações na cobertura vegetal que devem ser consideradas como evidências da presença de locais promissores para pesquisa de campo. Fotografias aéreas podem ser utilizadas, também, como apoio para o planejamento da logística necessária à execução de trabalhos de campo. O sensoriamento remoto pode ser aplicado, assim, a estudos de aspectos culturais da superfície terrestre. (Novo, 1992). Devido a alta resolução espacial, as imagens fornecidas pelo IKONOS podem ser usadas pela arqueologia, substituindo as fotografias aéreas. Atualmente, o alto custo das imagens IKONOS é o principal obstáculo para essa substituição (Figura 15).
27 Figura 16. Composição colorida da imagem do Landsat 7 onde é
possível observar as áreas de inundação do rio (em verde escuro) e a delimitação das margens e da foz do rio, e da costa marinha.
Figura 17. Descarga de óleo por plataformas de extração de petróleo no Mar do Norte mostradas pela imagem do radar do ERS-1.
28 O monitoramento do uso da terra (rural e urbana) e o monitoramento de processos geomorfológicos utilizam o sensoriamento remoto (Figuras 19, 20 e 21). Sensoriamento Remoto tem sido usado também como base de informação para o planejamento urbano (Figura 22), identificando-se áreas de risco, possibilitando a atualização do crescimento de áreas urbanas e o controle de tráfego; e para o planejamento rural através da avaliação de queda do vigor das plantas (pragas, doenças e deficiências minerais), da estimatva de safras, da estimativa de capacidade de pastoreio e volume de produção de forragem e do inventário de áreas úmidas.
29 Figura 20. Exemplo de uso da terra urbano: imagem do Aeroporto
Internacional do Galeão (RJ) capturada pelo Kompsat.
30 Figura 22. Exemplo de imagem que pode ser usada para auxiliar no planejamento urbano: Ortofoto de São José dos Campos na escala de 1:20.000.
31 As fotografias aéreas tem sido usadas tradicionalmente nos levantamentos de solos através dos critérios de análise do relevo, drenagem e análise dos padrões tonais. Atualmente, dados de imagens de satélite tem sido usados no levantamento de tipos de solo (Figura 23). Através das bibliotecas espectrais de classes de solos é possível mapear diferentes tipos de solo que ocorrem em uma região (Novo, 1992 e Campbell, 1996). A identificação dos tipos de solo são importantes, por exemplo, para análise de fertilidade para a agricultura.
32 Atualmente, uma outra área que se beneficia do sensoriamento remoto em expansão é o monitoramento da vegetação (Figura 24). Através de técnicas de tratamento de imagens é possível criar classes de cobertura vegetal mais finas e monitorar diferentes tipos de vegetação. O estudo da vegetação pelo sensoriamento remoto permite a estimativa de volume e área de floresta e desflorestada, e o controle e proteção da vida selvagem que habita essa floresta. A geologia também utiliza o sensoriamento remoto para mapeamento de tipos de rochas, identificação de falhas e fraturas, inventário e planejamento de exploração de recursos minerais, e apoio à prospecção de áreas favoráveis à ocorrência de petróleo (Figura 25).
Figura 24. Monitoramento da cobertura de florestas através de imagens Landsat-TM de 1984 e de 1991. A composição colorida foi feita usando as bandas 4 e 5 de 1984 correspondendo ao verde e vermelho, e a banda 5 de 1991 ao azul. As florestas maduras estão em verde escuro, áreas reflorestadas em verde claro, áreas recentemente desmatadas em rosa e clareiras em azul.
33 Hoje é possível, através do agrupamento de imagens de várias datas para remover efeitos da cobertura de nuvens, compilar imagens representando continentes, hemisférios e o globo inteiro. Tais imagens possibilitam estudos de padrões ambientais de escala ampla e suas mudanças no tempo. Exemplos desses estudos são os meteorológicos (Figura 26) e de monitoramento ambiental global, como por exemplo, aquecimento global, buraco de ozônio, etc. (Campbell, 1996). Estudos de monitoramento da atmosfera através do sensoriamento remoto permitem o mapeamento climático (distribuição de nuvens e previsão do tempo), mapeamento da temperatura horizontal e vertical (diferentes altitudes e profundidades) e do vapor d'água, controle dos teores e distribuição dos constituintes menores da alta atmosfera em escala global, controle da poluição na baixa atmosfera dentro de áreas limitadas (emissão de gases por automóveis e indústrias), além de estudos sobre o cinturão de radiação da terra.
34 A enorme gama de aplicações do sensoriamento remoto torna essa tecnologia cada vez mais fundamental e presente em todo o mundo. Estudos que tradicionalmente se beneficiam de fotografias aéreas, aceleram a tendência do aumento da resolução espacial dos sensores. Imagens como as do IKONOS, com resolução espacial de poucos metros a centímetros, possibilitando o mapeamento até na escala cadastral, estão competindo, no aspecto custo-benefício, diretamente com as aerofotos. Por outro lado, estudos cujo produto final são mapas temáticos necessitam de imagens com resolução espectral e radiométrica cada vez maiores. Já os estudos de monitoramento ambiental e meteorológicos necessitam de imagens com resolução temporal cada vez maior. Essas necessidades provenientes de diversas áreas do conhecimento estimulam o desenvolvimento tecnológico e se beneficiam dos resultados deste desenvolvimento cada vez mais acelerado.
Diante de tantas vantagens e mesmo com tamanha tecnologia empregada nos programas espaciais, os sensores em base orbital tem na altimetria sua grande deficiência. Em trabalhos altimétricos são somados a ele recursos já existentes, como cartas planialtimétricas desenvolvidas por aerofotogrametria e topografia, e modelos digitais do terreno. O sensoriamento remoto possui restrições como a não-interoperabilidade de alguns sensores ao longo do tempo, que inviabiliza a comparação dos dados novos com dados antigos; e o custo elevado das imagens e dos aerolevantamentos fotográficos (Rocha, 2000).
INDICADO RES AMBIENTAIS GERADO S PELO
S ENS O RIAMENTO REMO TO
35 1987). Indicador ecológico é uma espécie que devido às suas exigências ambientais bem definidas, pode constituir indício ou sinal da presença daquelas condições para elas necessárias (ACIESP, 1987). Espécie indicadora é aquela usada como estimativa das condições de um certo habitat, comunidade ou ecossistema (Lincoln & Boxshall, 1987 e Meffe & Carroll, 1994). Indicador de poluição é a espécie que sua presença indica contaminação do ambiente por poluentes. Freqüentemente, os indicadores de poluição orgânica toleram, por exemplo, baixo teor de oxigênio (ACIESP, 1987).
Indicadores biológicos, ecológicos e espécies indicadoras vem sendo usados com o mesmo objetivo de servir como estimativa das condições ambientais devido as suas exigências e estreita dependência em relação a essas condições. Sendo assim, pode-se definir como indicador, aqueles organismos, espécies ou características da comunidade de um particular habitat que servem como indicativo de um particular conjunto de condições ambientais (Lincoln & Boxshall, 1987). Se essas condições ambientais forem poluição, o indicador utilizado pode ser chamado de indicador de poluição.
O sensoriamento remoto pode gerar indicadores que sirvam para estimar as condições ambientais de determinado recorte espacial (Sample, 1994 e Wilkie & Finn, 1996). Esses indicadores podem ser manchas de óleo no mar que servem como indicativo da presença de poluição (Figura 27); alta concentração de sedimentos na foz de rios indicando altas taxas de erosão (Figura 28); baixa concentração de clorofila-a, alta concentração de partículas em suspensão e baixa profundidade de penetração da luz indicando a baixa qualidade da água em reservatórios (Ramsey III et al., 1992); presença de
pontos quentes e fumaça indicando focos de incêndio (Figura 29); presença de nuvens de poluição indicando poluição no ar (Figura 30); presença de áreas onde ocorreu desmatamento indicando maior grau de degradação ambiental (Figura 31 e 32)(Saatchi et al., 1997); ou, altos valores nos índices de vegetação
36 Figura 27. Macha de óleo no oceano mostrada pelo
radar do JERS-1 indicando poluição.
Figura 28. Monitoramento da erosão de solo na bacia do Rio Huang-He na China pelo satélite ADEOS-AVNIR, usando como indicador a elevada concentração de sedimentos.
37 Figura 30. Presença de nuvens de poluição na China
indicando poluição no ar.
Imagem Landsat com sensor TM
Imagem JERS-1 com radar SAR
38 Figura 32. Imagem IKONOS mostrando áreas onde ocorreu
desmatamento (áreas com textura mais lisa e tom mais claro do que as áreas florestadas), indicando a degradação ambiental.
39 Figura 34. Distribuição de índices de vegetação usando NOAA-AVHRR
mostrando a variação temporal da produtividade e da biomassa vegetal.
Alguns indicadores podem ser quantificados diretamente pela reflectância registrada pelo sensor, no entanto, outros necessitam de um processamento posterior dos dados, por exemplo, os indicadores de qualidade da água, e os índices de vegetação.
Indicadores da qualidade da água
Um exemplo de estudo utilizando sensoriamento remoto como indicador de qualidade de água foi o de Ramsey III et al. (1992), que estudaram três
reservatórios de água na Carolina do Sul (EUA). Eles utilizaram imagens de um sensor MSS (Multi Spectral Scanner) em uma aeronave para mapear a
40 sensoriamento remoto, nesse estudo, foram capazes de gerar indicadores de qualidade da água comparáveis com as seguintes medidas tomadas no campo: clorofila-a, partículas em suspensão e a profundidade de penetração da luz.
Um outro exemplo é o estudo realizado por Dalotto & Loch (2001) onde eles analisaram a qualidade da água de rios que recebem descarga de resíduos provenientes da exploração carbonífera na área de Siderópolis, no estado de Santa Catarina (Figura 35). Os rejeitos da mineração contêm pirita, a qual na sua exposição com o oxigênio do ar e da água forma uma solução de ácido sulfúrico, tornando solúveis outros elementos como ferro, manganês, cálcio, magnésio e sódio. As águas de drenagem das mineradoras e as águas pluviais que interagem com os rejeitos levam também partículas finas, que sedimentarão a jusante formando espessas camadas de lodos com alto conteúdo de poluentes. A utilização de técnicas de sensoriamento remoto permitiu detectar os setores de acumulação dos lodos mediante imagens de satélite, com resultados comprovados mediante trabalhos de campo.
Figura 35. Estado dos cursos à jusante das áreas mineradas em Siderópolis, no estado de Santa Catarina.
Utilizou-se o índice de vegetação "Tasseled Cap", considerando as seis bandas refletivas do sensor TM ocupando três dimensões, das quais são derivadas três imagens correspondentes:
41 b) imagem de vigor, representa o contraste entre as bandas infravermelhas e
visíveis. Está diretamente relacionado com a quantidade de vegetação verde presente na imagem;
c) imagem de umidade, relaciona cultivos e umidade dos solos.
Posteriormente, todas as imagens geradas no processamento de imagens múltiplas foram utilizadas na composição de produtos falsa cor, com a finalidade de reforçar a convergência dos resultados em áreas de homogeneidade espectral. Os resultados obtidos no processamento de uma imagem, na qual a umidade é aplicada no canal ciano, a banda TM4 é aplicada no canal amarelo, o vigor é aplicado no canal magenta e a banda TM5 é aplicada no canal preto (Figura 36), forneceu as condições ótimas de interpretação da realidade ambiental pesquisada.
42 Foi possível, então, detectar neste setor da Bacia Carbonífera Catarinense, áreas de acumulação de lodos com poluentes produzidos pela mineração, utilizando técnicas de sensoriamento remoto baseadas em imagens de satélite. Identificando as áreas de acumulação de lodos com poluentes produzidos pela mineração - o indicador de poluição da água - através do tratamento digital de imagens, Dalotto & Loch (2001) utilizaram o sensoriamento remoto como indicador ambiental da qualidade da água.
Índices de vegetação
Como já vimos, a vegetação tem uma assinatura espectral específica quando comparada com a grande maioria dos alvos terrestres (Figura 7). Assim, vários estudos relacionados à identificação e mapeamento da vegetação têm se baseado na premissa de contraste espectral entre a reflectância da vegetação e os elementos de fundo da cena (Rouse et al., 1974b apud Gurgel, 2000). A
43 Tabela 7. Índices de vegetação mais utilizados e suas respectivas equações (modificado de Tiwari et al.,
1996).
Índice de vegetação Equação
Índice de Vegetação Proporcional (RVI) RVI = NIR/RED Índice de Vegetação por Diferença (DVI) DVI = NIR-RED Índice de Vegetação por Diferença Normalizada
(NDVI) NDVI = (NIR-RED)/(NIR+RED)
Índice de Vegetação Perpendicular (PVI) PVI = √(REDSOIL-REDVEG)2 + (NIRsoil-NIRveg)2
Índice de Vegetação Ajustado ao Solo (SAVI) SAVI = ((NIR-RED)/(NIR+RED+L)) x (1+L) Índice de Vegetação Ajustado ao Solo Modificado
(MSAVI) MSAVI = 0,5 [2NIR+1-((2NIR+1)
2-8(NIR-RED))1/2]
Índice de Vegetação Verde Resistente
Atmosfericamente (GARI) [GARI = {ρ'GREEN - ρλ'(NIR ρ'BLUE - [ρ- 'GREEN ρ'RED)]} - λ(ρ'BLUE - ρ'RED)]} / {ρ'NIR+ onde, NIR e RED são respostas espectrais nas bandas do infravermelho e do vermelho, respectivamente, L é a constante que varia de 0 a 1, dependendo do grau da maior ou menor cobertura do solo, respectivamente, e ρ' é a radiância expressa em unidades de reflectância.
Diversos índices de vegetação tem sido desenvolvidos para estudos qualitativos e quantitativos da vegetação usando medidas espectrais remotas (Bannari et al., 1995). Sousa & Ponzoni (2001) consideram que dentre estes
índices de vegetação, o Índice de Vegetação por Diferença Normalizada (Normalized Difference Vegetation Index - NDVI) desenvolvido por Rouse et al.
(1974a), é o mais conhecido e utilizado para estudos de caracterização e monitoramento da vegetação. O NDVI é definido como a diferença entre a reflectância no canal do infravermelho próximo e no do vermelho é dividida pela sua soma, ou seja, (NIR-RED)/(NIR+RED). Segundo Huete (1988), juntamente com o Índice de Vegetação Proporcional (Ratio Vegetation Index -
RVI), consistem nos dois índices de razão mais difundidos. Segundo Teillet et
al. (1997), o NDVI tem sido cada vez mais usado de forma indireta de estudos
das propriedades biofisicas do dossel da vegetação (Pinty et al., 1993),
incluindo sua relação com a biomassa (Pearson & Miller, 1972; Tucker, 1979; Elvidge & Lyon, 1985; Weishampel et al., 1998), com o índice de área foliar
(Holben et al., 1980; Badhwar et al., 1986; Clevers, 1988; 1989; Spanner et al.,
1990; Baret & Guyot, 1991; Chen, 1996; Ramsey III & Jensen, 1996), agricultura e pastagens (Jackson et al., 1983; Huete & Jackson, 1987; Bullock, 1992; Malthus et al., 1993; McNairn & Protz, 1993; Thenkabail et al., 1994),
produtividade primária (Tucker & Sellers, 1986), radiação fotossintética (Asrar
et al., 1984; Choudhury, 1987; Baret & Guyot, 1991; Goward & Huemmerich,
1992; Chen, 1996), dióxido de carbono (Tucker et al., 1986; Cihlar et al., 1992),
44 (Cihlar et al., 1991; Fjeldsa et al., 1997; Ramsey III et al., 1997; Roberts et al.,
1997), entre outros. Teillet et al. (1997) considera que talvez, o uso mais
prevalente do NDVI seja o mapeamento multitemporal da dinâmica da vegetação baseada na composição de NDVI máximo (Townshend et al., 1985;
Holben, 1986; Gutman, 1989; Wiegand et al., 1991; Viovy et al., 1992;
Loudjani et al., 1994), sendo o uso cada vez maior nas escalas continental ou
global (Townshend & Justice, 1986; Townshend et al., 1994; Smith, 1994).
Existem também os chamados índices ortogonais, que representam a
distância ortogonal entre um ponto correspondente à reflectância do dossel até a linha de solo, podendo-se citar o Índice de Vegetação por Diferença (Difference Vegetation Index - DVI) (Tucker, 1979), o Índice de Vegetação
Ponderado (Weighted Vegetation Index - WDVI) (Clevers, 1989) e o Índice de
Vegetação Perpendicular (Perpendicular Vegetation Index - PVI) (Richardson &
Wiegand, 1977). Com o uso desses índices, percebeu-se a necessidade de um índice que considerasse a resposta do solo, a qual poderia ser dominante sobre a resposta da vegetação, dependendo da porcentagem de cobertura. Visando amenizar esse efeito de solo, foi criado o Índice de Vegetação Ajustado ao Solo (Soil-Adjusted Vegetation Index - SAVI) (Huete, 1988), que se baseia no
princípio de que a curva de vegetação tende a aproximar-se da curva de solo para baixas densidades de vegetação, passando por uma mistura de respostas espectrais para densidades médias e quase nenhuma influência do solo para densidades altas de vegetação. O SAVI consiste na própria fórmula do NDVI, acrescida de uma constante L, que varia de 0 a 1, dependendo do grau da maior ou menor cobertura do solo, respectivamente. Em seguida vieram duas modificações do SAVI: o SAVI Transformado (Transformed SAVI - TSAVI) (Baret
et al., 1989) e o SAVI Modificado (Modified SAVI - MSAVI) (Qi et al., 1994).
Outra necessidade que surgiu com o uso dos índices, foi de considerar a influência da atmosfera na resposta da vegetação, que altera os valores dos índices. Assim, foram desenvolvidos alguns índices que visam corrigir ou minimizar os efeitos atmosféricos, dentre eles o Índice de Vegetação Resistente Atmosfericamente (Atmospherically Resistant Vegetation Index - ARVI), o Índice
de Monitoramento Ambiental Global (Global Environment Monitoring Index -
45
Atmospherically Resistant Vegetation Index - GARI) (Gitelson et al., 1996). O
ARVI é uma modificação do NDVI e foi proposto por Kaufman e Tanré (1992) para ser utilizado a partir dos dados do MODIS/EOS, com o objetivo de minimizar os efeitos atmosféricos a que está sujeita a banda do vermelho. Assim, é utilizada a diferença entre a radiância refletida no vermelho e no azul, para corrigir a radiância no vermelho e estabilizar o índice quanto à variações da composição da atmosfera (Huete et al., 1997).
Sousa & Ponzoni (2001) compararam o comportamento de vários índices de vegetação para avaliar a biomassa vegetal nos trópicos. Eles avaliaram a sensibilidade das bandas TM/Landsat e de diversos índices de vegetação na detecção de alterações no volume de madeira em plantios adultos e densos de
Pinus spp. em uma fazenda localizada no município de Agudos, São Paulo
(Figura 37), decorrentes da realização de desbastes, visando fornecer uma possível metodologia para estimativa deste parâmetro dendrométrico a partir de dados orbitais. Os índices de vegetação utilizados foram: NDVI, RVI, SAVI - considerando L=0,5 (mais usual, para dosséis médios) e L=0,25 (para dosséis densos) - MSAVI, TSAVI, DVI, WDVI, GEMI, ARVI e Razões Simples. Eles proporam dois novos índices de vegetação, baseados na fórmula do NDVI. Estes índices foram o Índice de Vegetação por Diferença Normalizada Verde (Green NDVI - GNDVI), que utiliza a banda TM 2 no lugar da TM 3 e o Índice de Vegetação e Umidade (Moisture Vegetation Index - MVI), que utiliza uma das
bandas do infravermelho médio (TM 5 ou TM 7) no lugar da banda do visível. Estes índices mantém o princípio do NDVI, de detectar alterações de biomassa baseado no contraste dos valores de radiância refletida nas bandas utilizadas. Além dos índices de vegetação, foram geradas imagens "Vigor Vegetal" (Greenness - GR) e "Brilho" (Brightness - BR) (Kauth e Thomas, 1976), das
46 comumente utilizados nas regiões temperadas, não sejam apropriados para nossa realidade tropical.
Figura 37. Localização da área de estudo e dos municípios vizinhos no estado de São Paulo (Sousa & Ponzoni, 2001).
Já o estudo de Vicens et al. (2001) realizado nas florestas de tabuleiro no
47 o coeficiente de cobertura vegetada (CV) para duas bacias hidrográficas com diferentes padrões de uso da terra (Figura 39). A maior amplitude de CV ocorreu em bacias de uso da terra heterogêneo, derivada da maior amplitude estacional do NDVI de campo e plantações de café. Em geral, o NDVI médio amostrado na imagem de Maio foi superior (média = 0,47) ao amostrado na imagem de Setembro (média = 0,27). Assim, o NDVI obteve sucesso tanto na análise da dinâmica da vegetação quanto na comparação da biomassa entre áreas com diferentes uso da terra.
Figura 38. Localização da área de estudo e das cidades vizinhas no Espírito Santo (Vicens et al., 2001).
No estudo de Pelkey et al. (2000) realizado em áreas de proteção
ambiental na Tanzânia, o NDVI foi capaz de quantificar a biomassa e o vigor vegetal (greenness) de diferentes tipos de cobertura vegetal. Eles examinaram
48 caça, mas permitiam a presença de habitações e pastagens sofreram maiores impactos, sendo mais degradadas. Estes resultados mostraram que a proteção completa e fiscalização são elementos-chave na recuperação da saúde da vegetação nesta região da África tropical.
Figura 39. Imagens comparativas de NDVI para maio e setembro de 1997 com os valores dos coeficiente de cobertura vegetada (CV) das duas bacias hidrográficas com diferentes padrões de uso
da terra (Vicens et al., 2001).
51
CO NCLUS ÃO
As potencialidades do sensoriamento remoto em estudos ambientais vem sendo testadas, criando e ampliando, assim, uma gama de aplicações dessas tecnologias nesse campo da ciência. Tendo tantas aplicações na área de meio ambiente, naturalmente o sensoriamento remoto vem se tornando uma poderosa ferramenta na geração de indicadores ambientais.
A tendência atualmente como resultado do avanço dessas tecnologias é o o aumento da resolução radiométrica e espectral de sensores temáticos (p.ex. LANDSAT-TM), da resolução espacial dos sensores aplicados ao planejamento urbano e cadastrais (p.ex. IKONOS), e da resolução temporal dos sensores aplicados aos estudos meteorológicos e de monitoramento ambiental (p.ex. NOAA-AVHRR). Esses avanços tornarão o sensoriamento remoto, uma ferramenta cada vez mais fundamental em diversas áreas, apoiando e complementando estudos de campo.
REFERÊNCIAS BIBLIO GRÁFICAS
ACIESP. 1987. Glossário de ecologia. 1a ed. Academia de Ciências do Estado de São Paulo,
São Paulo, 271p.
Asrar, G., M. Fuchs, E.T. Kanemasu & J.L. Hatfield. 1984. Estimating absorbed photosynthetic
radiation and leaf area index from spectral reflectance in wheat. Agron. J. 76: 300-306.
Badhwar, G.D., R.B. MacDonald & N.C. Mehta. 1986. Satellite-derived leaf-area-index and vegetation maps as input to global carbon cycle models - a hierarchical approach.
International Journal of Remote Sensing 7(2): 265-281.
Bannari, A., D. Morin, F. Bonn & A.R. Huete. 1995. A review of vegetation indices. Remote
Sens. Rev. 13: 95-120.
Baret, F. & G. Guyot. 1991. Potentials and limits of vegetation indices for LAI and APAR
52
Baret, F., G. Guyot & D.J. Major. 1989. TSAVI: a vegetation index which minimizes soil
brightness effects on LAI and APAR estimation. Pp.1355-1358. Proceedings of 12th
Canadian Symposium on Remote Sensing, v. 3, IGARSS’89, Canada, Vancouver.
Bullock, P.R. 1992. Operational estimates of western Canadian grain production using NOAA
AVHRR LAC data. Can. J. Remote Sens. 18(1): 23-28.
Câmara, G., M.A. Casanova, A.S. Hemerly. G.C. Magalhães & C.M.B. Medeiros. 1996.
Anatomia de sistemas de informação geográfica. Instituto de Computação da UNICAMP,
Campinas, 193p.
Campbell, J.B. 1996. Introduction to remote sensing. 2a ed. The Guilford Press, New York,
622p.
Chen, J.M. 1996. Evaluation of vegetation indices and a modified simple ratio for boreal
applications. Can. J. Remote Sens. 22(3): 229-242.
Choudhury, B.J. 1987. Relationships between vegetation indices, radiation absorption, and net
photosynthesis evaluated by a sensitivity analysis. Remote Sensing of Environment 22:
209-233.
Cihlar, J. L. St-Laurent & J.A. Dyer. 1991. Relation between the normalized difference
vegetation index and ecological variables. Remote Sensing of Environment 35: 179-298.
Cihlar, J. P.H. Caramori, P.H. Schuepp, R.L. Desjardins & J.I. MacPherson. 1992. Relationship
between satellite-derived vegetation indices and aircraft-based CO2 measurements. J.
Geophys. Res. 97(D17): 18515-18521.
Clevers, J.G.P.W. 1988. The derivation of a simplified reflectance model for the estimation of
leaf area index. Remote Sensing of Environment 25: 53-70.
Clevers, J.G.P.W. 1989. The application of a weighted infrared-red vegetation index for
estimation leaf area index by correcting for soil moisture. Remote Sensing of
Environment 29: 25-37.
Crósta, A.P. & C.R.S. Filho. 1997. Sensoriamento remoto. Anuário Fator GIS 1(1): C10-C21.
Crósta, A.P. 1993. Processamento digital de imagens de sensoriamento remoto. Edição
53
Dalotto, R.A.S. & C. Loch. 2001. Indicadores de poluição na exploração de carvão detectados
por sensores remotos. Anais do X Simpósio Brasileiro de Sensoriamento Remoto,
INPE/SELPER, (http://www.inpe.br).
Elvidge, C.D. & R.J.P. Lyon. 1985. Influence of rock-soil spectral variation on assessment of
green biomass. Remote Sensing of Environment 17: 265-279.
Fjeldsa, J., D. Ehrlich, E. Lambin & E. Prins. 1997. Are biodiversity 'hotspots' correlated with current ecoclimatic stability? A pilot study using the NOAA-AVHRR remote sensing data.
Biodiversity and Conservation 6: 401-422.
Francisco, C.N. 1999. Sensoriamento remoto. Apostila do curso de extensão “Interpretação e
prática cartográfica para o ensino escolar”. Instituto de Geociências da UFF, Niterói
(manuscrito).
Galvão, L.S., Í. Vitorello & R.A. Filho. 1998. Efeitos do posicionamento das bandas do vermelho
e do infravermelho próximo nas determinações de NDVI para os cerrados. Anais do IX
Simpósio Brasileiro de Sensoriamento Remoto, INPE/SELPER, (http://www.inpe.br).
Gitelson, A.A., Y.J. Kaufman & M.N. Merzlyak. 1996. Use of a green channel in remote sensing
of global vegetation from EOS-MODIS. Remote Sensing of Environment 58: 289-298.
Goward, S.N. & K.F. Huemmerich. 1992. Vegetation canopy PAR absorptance and the
normalized difference vegetation index: an assessment using the SAIL model. Remote
Sensing of Environment 39: 119-140.
Gurgel, H.C. 2000. Variabilidade espacial e temporal do NDVI sobre o Brasil e suas
conexões com o clima. Dissertação de Mestrado em Sensoriamento Remoto, INPE, São
José dos Campos.
Gutman, G. 1989. On the relationship between monthly mean and maximum-value composite
normalized vegetation indices. International Journal of Remote Sensing 10(8):
1317-1325.
Holben, B.N. 1986. Characteristics of maximum-value composite images from temporal
AVHRR data. International Journal of Remote Sensing 7: 1417-1434.
Holben, B.N., C.J. Tucker & C.J. Fan. 1980. Spectral assessment of soybean leaf area and leaf
biomass. Photogrammetric Engineering and Remote Sensing 46: 651-656.
Huete, A.R. & R.D. Jackson. 1987. Suitability of spectral indices for evaluating vegetaion
54
Huete, A.R. 1988. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment
25(3): 295-309.
Huete, A.R., H.Q. Liu, K. Batchily & W.V. Leeuwen. 1997. A comparison of vegetation indices
over a global set of TM images for EOS-MODIS. Remote Sensing of Environment 59:
440-451.
Jackson, R.D., P.N. Slater & P.J. Pinter. 1983. Discrimination of growth and water stress in
wheat by various vegetation indices through clear and turbid atmospheres. Remote
Sensing of Environment 13: 187-208.
Kaufman, Y.J. & D. Tanré. 1992. Atmospherically resistant vegetation index (ARVI) for
EOSMODIS. IEEE Transactions on Geoscience and Remote Sensing 30: 261-270.
Kauth, R.J. & G.S. Thomas. 1976. The Tasselled Cap: a graphic description of the
spectral-temporal development of agricultural crops as seen by Landsat. Pp. 4B41-4B51. In: LARS:
Proceedings of the Symposium on the Machine Processing of Remotely Sensed Data.
Purdue University, West Lafayette.
Lillesand, T.M. & R.W. Kiefer, 1994. Remote sensing and image interpretation. 3a ed. John
Wiley & Sons, New York, 750p.
Lincoln, R.J. & G.A. Boxshall. 1987. The Cambridge illustrated dictionary of natural history.
Cambridge University Press, Cambridge, 413p.
Loudjani, P., F. Cabot, V. Gond & N. Viovy. 1994. Improving NDVI time-series using imposed threshold on IRT, IR, and visible values (INTUITIV): a method for reducing cloud contamination and noise in NDVI time-series over tropical and sub-tropical regions. Pp.
93-102. In: Proceedings of the 6th International Colloquium on Physical Measurements
and Signatures in Remote Sensing, France, Val d'Isère.
Malthus, T.J., B. Andrieu, F.M. Danson, K.W. Jaggard, M.D. Steven. 1993. Candidate high
spectral resolution infrared indices for crop cover. Remote Sensing of Environment 46:
204-212.
McNairn, H. & R. Protz. 1993. Mapping corn residue cover on agriculture fields in Oxford County,
Ontario, using Thematic Mapper. Can. J. Remote Sens. 19(2): 152-159.
Meffe, G.K. & C.R. Carroll. 1994. Principles of conservation biology. Sinauer Associates,
55
Nicholson, S.E., M.L. Davenport & A.D. Malo. 1990. A comparison of the vegetation response to
rainfall in the Sahel and East, using NDVI from NOAA AVHRR. Clim. Change 17: 209-214.
Novo, E.M.L.M. 1992. Sensoriamento remoto: princípios e aplicações. 2a ed. Editora
Edgard Blücher, São Paulo, 308p.
Pearson, R.L. & L.D. Miller. 1972. Remote mapping of standing crop biomass for estimation of
the productivity of the shortgrass prairie. Pp. 1357-1381. In: Proceedings of the 8th
International Symposium on Remote Sensing of Environment, Environmental Research
Institute of Michigan, Ann Arbor.
Pelkey, N.W., C.J. Stoner & T.M. Caro. 2000. Vegetation in Tanzania: assessing long term
trends and effects of protection using satellite imagery. Biological Conservation 94:
297-309.
Pinty, B., C. Leprieur & M.M. Verstraete. 1993. Towards a quantitative interpretation of
vegetation indices - Part 1: Biophysical canopy properties and classical indices. Remote
Sensing Reviews 7: 127-150.
Qi, J., A. Chehbouni, A.R. Huete, Y.H. Kerr & S. Sorooshian. 1994. A modified soil adjusted
vegetation index. Remote Sensing of Environment 48: 119-126.
Ramsey III, E.W. & J.R. Jensen. 1996. Remote sensing of mangrove wetlands: relating canopy
spectra to site-specific data. Photogrammetric Engineering & Remote Sensing 62(8):
939-948.
Ramsey III, E.W., D.K. Chappell & D.G. Baldwin. 1997. AVHRR imagery used to identify
hurricane damage in a forested wetland of Louisiana. Photogrammetric Engineering &
Remote Sensing 63(3): 293-297.
Ramsey III, E.W., J.R. Jensen, H. Mackey & J. Gladden. 1992. Remote sensing of water quality
in active to inactive cooling water reservoirs. International Journal of Remote Sensing
13(18): 3465-3488.
Ranson, K.J., G. Sun, R.G. Knox, E.R. Levine, J.F. Weishampel & S.T. Fifer. 2001. Northern
Forest Ecosystem Dynamics Using Coupled Models and Remote Sensing. Remote
Sensing of Environment 75(2): 291-302.
Richardson, A.J. & C.L. Wiegand. 1977. Distinguishing Vegetation from Soil Background.
56
Roberts, D.A., R.O. Green & J.B. Adams. 1997. Temopral and spatial patterns in vegetation and
atmospheric properties from AVIRIS. Remote Sensing of Environment 62: 223-240.
Rocha, C.H.B. 2000. Geoprocessamento: tecnologia transdisciplinar. Editora do Autor, Juiz
de Fora, 220p.
Rouse, J.W., R.H. Haas, J.A. Schell, D.W. Deering, J.C. Harlan. 1974. Monitoring the vernal
advancement retrogradation of natural vegetation. Final Report Type III - NASA/GSFC,
Greenbelt, 371p.
Rouse, J.W., R.H. Hass, D.W. Deering & J.A. Schell. 1974. Monitoring the vernal
advancement and retrogradiation (green wave effect) of natural vegetation. Texas A.
M. University, College Station, Austin.
Saatchi, S.S., J.V. Soares & D.S. Alves. 1997. Mapping deforestation and land use in Amazon
rainforest by using SIR-C imagery. Remote Sensing of Environment 59(2): 191-202.
Sample, V.A. 1994. Remote sensing and GIS in ecosystem management. Island Press,
Washington D.C., 369p.
Smith, R.C.G. 1994. Australian vegetation watch, Final Report, RIRDC Reference No.
DOL-1A, disponível pelo Remote Sensing Applications Centre, Department of Land Administration, Leeuwin Centre for Earth Sensing Technologies, 65 Brockway Road, Floreat, Western Australia, 6014, 114pp.
Sousa, C.L. & F.J. Ponzoni. 2001. Avaliação de índices de vegetação e de bandas TM/Landsat
para estimativa de volume de madeira em floresta implantada de Pinus spp. Anais do X
Simpósio Brasileiro de Sensoriamento Remoto, INPE/SELPER, (http://www.inpe.br).
Spanner, M.A., L.L. Pierce, D.L. Peterson & S.W. Running. 1990. Remote sensing of temperate coniferous forest leaf area index: the influence of canopy closure, understorey vegetation
and background reflectance. International Journal of Remote Sensing 11: 95-111.
Teillet, P.M., K. Staenz & D.J. Williams. 1997. Effects of spectral, spatial, and radiometric
characteristics on remote sensing vegetation indices of forested regions. Remote Sensing
of Environment 61: 139-149.
Thenkabail, P.S., A.D. Ward, J.G. Lyon & C.J. Merry. 1994. Thematic Mapper vegetation
indices for determining soybean and corn growth parameters. Photogrammetric
57
Tiwari, A.K., M. Kudrat & M.L. Manchanda. 1996. Remote sensing and GIS: indispensable tools
for regional ecological studies. Tropical Ecology 37(1): 79-92.
Townshend, J.R.G. & C.O. Justice. 1986. Analysis of the dynamics of African vegetation using
normalized difference vegetation index. International Journal of Remote Sensing 7:
1435-1445.
Townshend, J.R.G., C.O. Justice & D. Skole, et al. 1994. The 1km resolution global data set:
needs of the International Geosphere Biosphere Programme. International Journal of
Remote Sensing 15(7): 3417-3441.
Townshend, J.R.G., T.E. Goff & C.J. Tucker. 1985. Multitemporal dimensionality of images of
normalized difference vegetation index at continental scales. IEEE Transactions on
Geoscience and Remote Sensing 23: 888-895.
Tucker, C.J. & P.J. Sellers. 1986. Satellite remote sensing of primary production. International
Journal of Remote Sensing 7: 1395-1416.
Tucker, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation.
Remote Sensing of Environment 8: 127-150.
Tucker, C.J., I.Y. Fung, C.D. Keeling & R.H. Gammon. 1986. Relationship between atmospheric
CO2 variations and a satellite-derived vegetation index. Nature 319: 195-199.
Vicens, R.S., F.V. Agarez, C.M. Cruz & C. Nogueira. 2001. As variações temporais do NDVI e a dinâmica do funcionamento hídrico em paisagens de tabuleiros costeiros no Norte de
Espírito Santo. Anais do X Simpósio Brasileiro de Sensoriamento Remoto,
INPE/SELPER, (http://www.inpe.br).
Viovy, N., O. Arino & A.S. Belward. 1992. The best index slope extraction (BISE): a method for
reducing noise in NDVI time-series. International Journal of Remote Sensing 13(8):
1585-1590.
Weishampel, J.F., J.H. Sloan, J.C. Boutet Jr. & J.R. Godin. 1998. Mesoscale changes in textural
pattern of 'intact' Peruvian rainforests (1970-1980s). International Journal of Remote
Sensing 19(5): 1007-1014.
Wiegand, C.L., A.J. Richardson, D.E. Escobar & A.H. Gerbermann. 1991. Vegetation indices in
crop assessments. Remote Sensing of Environment 35: 105-119.
Wilkie, D.S. & J.T. Finn. 1996. Remote sensing imagery for natural resources monitoring: a
