Estimativa do teor de umidade dos solos da região de Sinop-MT a partir de
imagens de satélite
Soils moisture content differentiation of Sinop’s region from satellite images
Pedro Augusto Salamoni1, Flavio Alessandro Crispim2Resumo: A análise do solo para a construção civil é feita constantemente como forma de conhecimento da região
a ser construída. Esta pesquisa teve como finalidade estudar as bandas das imagens do satélite LANDSAT 8 e desenvolver uma técnica para a análise do solo coberto por vegetação. Para essa análise, várias imagens de um período de 3 meses foram coletadas e trabalhadas de acordo com conhecimentos espectrais já existentes. Além das pesquisas das imagens, testes no local foram feitos para se confrotar ambos os resultados. A região foi dividida em pontos que expressasem a variação do brilho da imagem que posteriormente fossem coletados para amostras da determinação do teor de umidade. Os resultados foram correlacionados para que se pudesse ver a variação do teor de umidade pela imagem trabalhada porém não houveram resultados conclusivos. Apesar das variáveis envolvidas no método, esse estudo pode indicar a possibilidade de análise da diferenciação do teor de umidade, junto com outras variáveis, do solo de Sinop-MT a partir das imagens de satélite.
Palavras-chave: geoanálise; teor de umidade; classificação do solo; sensoriamento remoto
Abstract: The soil analysis is an often-used method in urban engineering as a region recognise where the
construction will take place. This research aimed to study the satellite bands of LANDSAT 8 and develop an analyse technique of the soil even in place covered by vegetation. A range of images was collected during 3 months to this analyse and manipulated according to knowledge of spectral behaviour known. Local samples was taken in order to relate the manipulated image and the variation of moisture content. The region was divided into specific points, which present image variation to determine the moisture content differentiation. Both results – moisture content and manipulated imagery - were put together in a graph to see their relation to each other but it was unsuccessful. Despite many variables involved in this method, this research can induce the likelihood of predicate soil moisture content differentiation, with other variables, of the Sinop’s region from satellite images.
Keywords: geoanalysis; moisture content; soil classification; remote sensing. 1 Introdução
As propriedades físicas do solo são os parâmetros para sua classificação de uma forma concisa e eficaz. Através da análise dos resultados de alguns testes é possível obter variáveis com as quais consegue-se regular o comportamento do solo. Os índices do solo permitem reconhecer padrões e estabelecer uma regra para o seu comportamento. Sua análise é de fundamental importância para o campo da Engenharia Civil e outras ciências de estudo do solo. Para a determinação de tais parâmetros existem vários tipos de métodos que podem ser utilizados, incluindo o Sensoriamento Remoto - SR.
Segundo Dalmolin (2005), o conhecimento do solo através de Sensoriamento Remoto vem sendo desenvolvido desde 1973 por pesquisadores que notaram sua peculiaridade ao ver a curvatura de classificação de solos e os resultados das imagens geradas. Desde então, vem se desenvolvendo parâmetros e constatando sua precisão ao relacionar com os métodos já conhecidos.
Segundo Jensen (2009), o SR é a arte e a ciência de se obter informação sobre um objeto sem estar em contato físico direto com ele. A diferença de refletância ocorre por diversos fatores, tais como, a composição do solo, o teor de umidade, a coloração, dentre outros. Analisando o raio eletromagnético refletido do solo e captado por satélites é possível a dedução de alguns
parâmetros do solo pela diferença entre bandas da imagem.
A análise da imagem trabalhada juntamente com a análise do solo in situ dão uma referência sobre sua validade e sua eficácia.
Neste trabalho buscou-se estabelecer, em primeira análise, uma correlação entre imagens de satélite e o teor de umidade do solo na região de Sinop-MT.
2 Fundamentação teórica 2.1 Sensoriamento Remoto
A análise do solo através do SR consiste em várias etapas de obtenção de imagem. Para um melhor entendimento, a seguir são explicados os princípios físicos em que o SR se baseia.
2.2 Princípios Físicos
A partir de 1672, quando houve os experimentos de Newton, sabe-se que um raio luminoso é a síntese de diferentes tipos de luzes, um tipo de vibração composta por vibrações diferentes.
Após as pesquisas de Newton, estudos mostraram que além dos comprimentos de ondas perceptíveis aos olhos existem outros dois tipos de ondas identificadas como infra vermelho e ultravioleta. As ondas formadoras do feixe luminoso, posteriormente, foram provadas que se tratam de onda eletromagnética comum entre tantas ondas eletromagnéticas.
Baseado nas ondas magnéticas, ou radiação eletromagnética (REM), são realizados os estudos do SR. Essas REMs, segundo Figueiredo (2005), não apenas captam as características relativas às feições 1 Acadêmico do curso de Egenharia Civil, UNEMAT,
Sinop-MT, Brasil, psalamoni@hotmail.com
2 Doutor, Professor Adjunto, UNEMAT, Sinop-MT, Brasil,
terrestres como também são as responsáveis em transmitir as informações para o satélite. Por essas propriedades das REMs, elas são caracterizadas como “termômetros-mensageiros” no sistema de monitoramento remoto.
O conjunto das faixas de vibrações completas, as quais compõem um raio luminoso branco, é chamado de Espectro Eletromagnético. A partir dele é possível identificar os comprimentos de ondas inclusos e definir algumas características. A Figura 1 exemplifica as faixas de comprimentos de onda de acordo com os comprimentos de onda de cada faixa enquanto a Figura 02 mostra a sua identificação no cotidiano.
Figura 01 - Espectro eletromagnético (comprimento de ondas)
Fonte: FIGUEIREDO, 2005.
Figura 02 – Espectro Eletromagnético (Utilização) Fonte: FIGUEIREDO, 2005.
2.3 Interação REM x Matéria
Quando um fluxo interage com o objeto, ele sofre transmitância, absortância e refletância, isto é, seu fluxo é refletido parcialmente, absorvido e transmitido pelo objeto.
O objeto pode ser classificado no seu comportamento espectral pelo seu conjunto de valores de refletância por todo o espectro eletromagnético. A Figura 03 exemplifica as interações das REMs com o objeto resultando em raios refletidos. O resultado desses valores compõe a assinatura espectral dele e esses valores são necessários para identificar as feições do objeto. Sumariamente, pode-se definir o objeto pela forma, a intensidade e a localização de cada banda de absorção.
Figura 03 – Interação energia eletromagnética e objeto Fonte: MORAES, 2009.
Segundo Moraes (2009) os objetos em contato com a energia eletromagnética incidente interagem de maneira diferenciada espectralmente devido ao fato desses possuírem diferentes propriedades físico-químicas e biológicas. A diferença de interações é que viabiliza a análise e a definição dos objetos terrestres capturados por imagens. Essa análise se dá pelo reconhecimento devido a diferença da porcentagem de energia refletida para cada comprimento de onda. Similarmente, Moraes (2009) expressa que conhecer o comportamento espectral dos objetos é importante para a escolha da região do espectro que pretende-se analisar. Tem-se por característica básica dos objetos os seguintes:
Vegetação sadia: apresenta alta absorção de energia eletromagnética devido a clorofila e seu processo de fotossíntese;
Rochas: é composto pelo espectro de cada mineral que as compõe. Os minerais são representados pelas suas bandas de absorção. Sendo assim, as rochas são caracterizadas pela absorbância;
Solos: é também caracterizado pelas propriedades dos seus constituintes pois, assim como as rochas, trata-se de um material heterogêneo. Os principais fatores nessa análise são a constituição mineral, a matéria orgânica, a umidade e a granulometria.
2.4 Sistema de Sensores
Segundo Figueiredo (2005) os sensores são os responsáveis por captar as ondas refletidas da terra para a formação da imagem. Seu funcionamento se assemelha a de uma máquina fotográfica que capta os diferentes tipos de ondas visíveis aos olhos humanos. Dentre os sensores, existem duas classificações: ativos e passivos. Sensores ativos e passivos podem ser definidos como:
Passivos: utilizam apenas as REM provenientes do Sol, ou seja, não possuem geradores de REM.
Ativos: captam imagens a partir de raios artificiais emitidos por geradores de REM.
2.5 Plataformas Orbitais
As plataformas orbitais, também conhecidas como satélites, segundo Meneses (2005), possuem um papel importante na obtenção de imagens. Sua importância se dá por se tratarem de elementos que circundam a
Terra e são capazes de abarcar o globo como um todo e não apenas uma região específica.
O posicionamento remoto do satélite é dado conforme as imagens que se deseja coletar. Contudo, a maioria das plataformas atualmente enviadas se tratam de satélites norte-sul, responsáveis por circundar a Terra latitudinalmente que juntamente com o movimento de rotação da Terra, conseguem propiciar uma imagem completa do globo (INPE, 2005).
Dentre as várias plataformas orbitais, LANSAT 8 se destaca pela sua precisão e a disponibilidade gratuita para fins acadêmicos.
As imagens geradas pelo satélite LANDSAT 8 (Land Remote Sensing Satellite), a partir de sua última reposição, além das 8 (oito) bandas de imagens, esse satélite conta com um sensor pancromático – pan, e o ETM (Enhanced Thematic Mapper). A Tabela 01 traz em detalhe a faixa espectral abrangida por cada banda juntamente com a sua resolução em metros.
Tabela 01. Dados espectrais
Banda Faixa Espectral (mμ) Resolução (m)
1 0.43 - 0.45 30 2 0.45 - 0.51 30 3 0.53 - 0.59 30 4 0.64 - 0.67 30 5 0.85 - 0.88 30 6 1.57 - 1.65 30 7 2.11 - 2.29 30 8 0.50 - 0.68 15 9 1.36 - 1.38 30 10 10.60 - 11.19 100 * (30) 11 11.50 - 12.51 100 * (30) Fonte: USGS, 2015
2.6 Relação da Reflectância com Algumas Propriedades Físicas do Solo
Baseando nas medições de refletância por espectrorradiômetros, é possível obter as curvas da refletância espectral como mostra a Figura 05. Essas curvas demonstram características físicas ou bandas de absorção, provenientes da interação dos componentes do solo com as REMs.
Segundo Hunt (1980), as bandas de absorção são devidas a processos eletrônicos e processos vibracionais. Pelos processos eletrônicos, as interações com os níveis de energia são responsáveis pelas características de absorção do espectro. Por outro lado, pelos processos eletrônicos, sua variância acontece principalmente na faixa dos visíveis e do infravermelho.
Através dos processos vibracionais, as interações irão ocorrer entre as vibrações das ligações inter e intra moleculares originando um resultado predominantemente no infravermelho.
Devido ao fato de o solo ser um material heterogêneo, a curva espectral apresentará diversas bandas de absorção. Segundo Lindberg & Snyder (1972) essa identificação pode ser feita através das bandas em 1400 e 1900 nm.
Figura 04 – Curvas Espectrais dos Horizontes A e B Fonte: Dalmolin, 2002
2.7 Teor de umidade
Segundo Bowers & Hanks (1965, apud Dalmolin et al, 2005), quanto maior o teor de umidade, o solo vai ficando mais escuro diminuindo a refletância ao longo do espectro óptico. As formas das curvas espectrais não sofrem uma grande variação com o teor de umidade, com exceção das bandas nas regiões de 1400 e 1900 nm. Bedidi et al. (1992, apud Dalmolin et al, 2005) por sua vez, observaram que o comportamento espectral está relacionado aos componentes minerais do solo juntamente com o comprimento de onda utilizado.
Dalal & Henry (1986, apud Dalmolin et al, 2005) estabelecem o comprimento de onda ótimo a ser utilizado como o de 1926; 1954 a 2150 nm para a identificação da umidade do solo enquanto o estudo de Coleman & Montgomery (1987, apud Dalmolin et al, 2005) determina a região de 2080 a 2350 do infravermelho médio como a região mais importante para a determinação da umidade dos solos. Ao final, Lobell & Asner (2002, apud Dalmolin et al, 2005) comprovaram Coleman & Montgomery ao realizarem um teste obtendo melhores resultados na faixa do infravermelho médio.
2.8 Estudo dos Solos
O estudo dos solos por radiometria vem sendo feito por vários pesquisadores e vem se constatando relações consistentes entre as simulações e os testes. Mathews et al. (1973, apud Dalmolin et al, 2005) produziu mapas digitais através de imagens multiespectrais na detecção do delineamento da região muito parecidos com mapas convencionais.
Westin & Frazee (1976, apud Dalmolin et al, 2005), com pequenos ajustes, foram capazes de classificar as imagens coloridas do LANDSAT em regiões por zonas através de tonalidade, cores e uma série de padrões. Posteriormente, Coleman et al. (1991, apud Dalmolin et al, 2005) foram capazes de determinar a classificação do solo com uma precisão de 97,2% utilizando uma imagem TM do LANDSAT.
3 Metodologia
Esta seção denstina-se à apresentação dos procedimentos metodológicos executados para a estimação do teor de umidade do solo a partir de imagens e técnicas de Sensoriamento Remoto, mediante o estabelecimento de correlação com amostras colhidas in situ.
3.1 Área de Pesquisa
A área estudada foi escolhida de acordo com a proximidade da área urbana de Sinop-MT porém distante o suficiente para que a imagem não fosse influenciada pela variação de materiais urbanos na refletância. A escolha de áreas rurais possibilitou o acesso a área de grande extensão e levemente padronizadas.
Seguindo os critérios acima descritos, a área de estudo escolhida foi o paralelogramo dos pontos (-11:50:43.10 -55:38:0.94), (-11:49:20.03 -55:34:25.42), (-11:53:3.35 55:33:39.14), (-11:54:26.06 -55:37:14.71).
3.2 Sensoriamento Remoto
As imagens foram coletadas a partir do satélite LANDSAT 8 do site USGS numa periodicidade intercalada entre 7 e 9 dias, de acordo com o satélite. Foram utilizadas imagens coletadas a partir de 02/01/2015, buscando-se a melhor imagem, ou seja, limpa e sem a presença de nuvens.
Durante o período de 02/01/2015 a 18/05/2015 foram feitas as análises em todas as imagens e por fim, constatou-se que a melhor imagem para a comparação com o solo foi a obtida em 18/05/2015. As melhores imagens desse período são apresentadas na Figura 05.
Figura 05 – Imagens Tratadas LANDSAT 8 Fonte: Landsat 8, 2015
A coleção de imagens obtidas pelo satélite são dividas em bandas de acordo com o comprimento de onda captado.
Um método bastante utilizado para a análise da vegetação é o NDVI (Normalized Difference Vegetation
Index). Este é baseado na diferença entre as bandas 5
e 4 sobre sua somatória conforme a Equação 1.
𝐵𝑎𝑛𝑑𝑎 5 − 𝐵𝑎𝑛𝑑𝑎 4
𝐵𝑎𝑛𝑑𝑎 5 + 𝐵𝑎𝑛𝑑𝑎 4 Equação 1
Para a realização da pesquisa, um novo método baseado no NDVI foi utilizado juntamente com o
software SPRING 5.2.7 aqui chamado de IDNS (Índice
Diferenciado de Normalização do Solo) em que se buscou neutralizar a refletância da vegetação e maximize a do solo e da água. Para isso, analisa-se a
refletância dos materiais e procura-se os comprimentos de ondas que obteriam o melhor resultado para a identificação do teor de umidade do solo.
Segundo a imagem abaixo (Figura 06) pode-se ver a relação em utilizar a mesma operação aritmética em que consiste o teste de NDVI, porém, a operação de subtração do numerador consiste nos intervalos hachurados, chegando-se na Equação 2.
Figura 06 – Refletância por Comprimento de Onda Fonte: MICHIGAN TECH, 2015
𝐵𝑎𝑛𝑑𝑎 2 − 𝐵𝑎𝑛𝑑𝑎 1
𝐵𝑎𝑛𝑑𝑎 2 + 𝐵𝑎𝑛𝑑𝑎 1 Equação 2
Ao relacionar com as variações de comprimento de onda para cada banda do LANDSAT 8 (Tabela 01) constata-se uma equivalência dos valores de vegetação para as Bandas 1 e Banda 2 porém um ascensão nas refletância do solo e da água nas mesmas.
3.3 Segmentação da Imagem
Para uma melhor análise da diferenciação do teor de umidade é necessário que se identifique os possíveis valores de pixels extremos com os quais possa correlacionar com a diferenciação teor de umidade. A identificação da variação da imagem obteve-se a partir da sua segmentação e a formação de zonas com pixels cuja diferença ultrapassasse 0.001 em seu brilho. Sendo assim, a imagem segmentada forma a Figura 07.
Figura 07 – Segmentação de imagem tratada Fonte: Landsat 8, 2015
A segmentação da imagem em 0.001 em brilho cria regiões com pouca variação entre si porém com variação considerável em relação a outras regiões. A
partir desse princípio, foram denominados pontos para a análise do solo visando a maior dissemelhança entre eles. Para a análise desses pontos, foi observada também os pixels ao redor para sua proximidade não interferisse no resultado. Exemplos de como foram adotados os pontos são mostrados na imagem abaixo (Figura 08).
Figura 08 – Zonas de Máximos e Mínimos Fonte: Landsat 8, 2015
A área de estudo portanto foi dividida em 30 pontos ordenados de A-Z e então de AA-AD. Seguindo o que fora apresentado acima, os pontos coletados foram os representados no esquema da Figura 09, posteriormente transformados em coordenadas e representados pela Tabela 02.
Figura 09 – Posicionamento de Amostras Fonte: Landsat 8, 2015
Tabela 02 – Coordenadas Geográficas das Amostras
Ponto Longitude Latitude
A -55:37:02.010 -11:50:48.677 B -55:36:42.667 -11:50:44.714 C -55:36:25.373 -11:50:43.829 D -55:36:03.391 -11:50:50.370 E -55:35:15.068 -11:50:16.980 F -55:35:43.670 -11:51:01.940 G -55:35:20.890 -11:50:56.180 H -55:34:52.050 -11:51:05.789 I -55:34:07.475 -11:51:40.658 J -55:34:34.356 -11:51:52.949 K -55:34:39.840 -11:52:10.130 L -55:34:43.750 -11:52:23.690 M -55:34:52.730 -11:51:41.880 N -55:35:00.650 -11:51:44.880 O -55:35:00.390 -11:52:04.060 P -55:35:48.470 -11:51:52.760 Q -55:35:23.680 -11:52:18.200 R -55:35:42.020 -11:52:47.380 S -55:35:42.950 -11:52:57.280 T -55:35:33.100 -11:53:00.190 U -55:36:53.810 -11:52:17.570 V -55:36:50.450 -11:52:32.250 W -55:36:34.740 -11:52:46.720 X -55:36:19.750 -11:52:49.630 Y -55:36:13.223 -11:52:55.841 Z -55:37:19.182 -11:53:34.534 AA -55:37:16.870 -11:53:36.850 AB -55:36:44.230 -11:53:53.200 AC -55:36:37.933 -11:54:04.846 AD -55:36:19.922 -11:53:57.397
Fonte: ACERVO PESSOAL, 2015
3.4 Teor de Umidade
Após análises computacionais das imagens de satélites, 30 amostras foram coletadas no mesmo dia para evitar a influência de intempéries no teor de umidade. A área de coleta foi escolhida através de uma análise visual do padrão da região. Além da variação da intensidade do brilho da imagem, foi analisado também para que a resolução espacial fosse superior a 30mx30m.
Após a coleta, as amostras foram embaladas em sacos plásticas e lacradas durante o seu transporte para o laboratório de maneira que houvesse a menor perda de umidade possível.
A localização do ponto nessa pesquisa se torna de fundamental importância para que não haja erros na hora de relacionar com o pixel. Devido a esse fato, um GPS (A-GPS/GLONASS
)
foi programado para que se encontrasse a posição do ponto estabelecido em imagem. Para a retirada da amostra, como o método visa reduzir a influência da refletância da vegetação na imagem, toda a vegetação superior e rasteira foi removida e então coletada a amostra. Na Figura 10 pode ser verificada a forma que fora coletada em campo.Figura 10 – Exemplificação de Extração Fonte: ACERVO PESSOAL, 2015
Após a chegada no laboratório, os ensaios de teor de umidade foram realizados de acordo com a NBR 6457. Para cada amostra em campo coletada foram feitos 3 ensaios diferentes e o teor de umidade foi dado pela média aritmética do mesmos.
4 Análise dos Resultados
Em análises preliminares sobre as imagens processadas nota-se uma padronização nos valores de pixels para a região em bandas específicas. Devido a essa padronização, é preciso definir o parâmetro de segmentação baixo para que se possa identificar pequenas variações na região e definir seus máximos e mínimos.
4.1 Teor de Umidade
As pesquisas de teor de umidade (w) das amostras geraram três resultados próximos e a partir deles foi obtida a média aritmética a qual serviu como valor final para o teor de umidade da amostra. Os resultados de cada amostra podem ser vistos na Tabela 03.
Tabela 03 – Teor de Umidade por Amostra
Amostra w Amostra w A 27.50 P 27.50 B 28.79 Q 28.79 C 29.69 R 29.69 D 36.44 S 36.44 E 34.57 T 34.57 F 35.29 U 35.29 G 36.08 V 36.08 H 25.98 W 25.98 I 20.48 X 20.48 J 27.88 Y 27.88 K 33.11 Z 33.11 L 31.56 AA 31.56 M 31.73 AB 31.73 N 31.65 AC 31.65 O 29.33 AD 29.33
Fonte: ACERVO PESSOAL, 2015
Durante o dia da obtenção das amostras algumas irregularidades ocorreram tornando alguns pontos insatisfatórios para a análise. No momento da coleta dos pontos D, E, F e G começou a chover levemente sobre essa região, apesar de ser um solo encoberto pela vegetação seu teor de umidade foi de 3 até 5 por cento superior em relação ao maior resultado das
outras amostras, sendo assim, esses pontos foram retirados da análise.
4.2 Os pontos AC e AD também foram excluídos da análise, pois, logo antes da coleta houve aplicação de defensivo agrícola na área, alterando o teor de umidade do solo.Relação Entre Bandas
Para a análise da melhor banda a ser estudada no presente estudo, ou seja, a que mostrasse maior diferença nos pontos analisados. O gráfico da Figura 11 mostra a correlação do comprimento de onda com a refletância para todos os pontos.
Figura 11 – Refletância em cada banda e em cada ponto analisado
Fonte: ACERVO PESSOAL, 2015
Notou-se pouca variação de refletância para a maioria das bandas a exceção da Banda 5. Apesar da relação com a Banda 5 demonstrar uma maior diferenciação entre os pontos, esse pode ser explicado pela vegetação que cobre o solo, sendo assim, influenciado pelo nível de clorofila presente na vegetação. Portanto não se utilizou essa banda e sim as Bandas 2 e 1.
4.3 Relação Direta com Comportamento Espectral
Através de pesquisas realizadas sobre o assunto, Dalmolin(2005) cita Coleman e Montgomery em uma relação do teor de umidade entre as bandas de 2080nm a 2350nm. Essa variação de banda no LANDSAT 8 é representada pela Banda 7 (2110nm – 2290nm).
Ao relacionar a Banda 7 das imagens da região com o teor de umidade encontrado obteve-se o gráfico da Figura 12.
Figura 11 – Refletância da Banda 7 versus teor de umidade Fonte: ACERVO PESSOAL, 2015
Através da análise dos resultados do solo com cobertura, comparado a banda 7 do LANDSAT 8, pode-se perceber uma não linearidade dos resultados. Essa discordância com Coleman e Montgomery pode ser atribuída a vegetação superior que inibe a análise do solo de uma forma precisa.
4.4 Índice de Diferença Normalizada do Solo (IDNS)
Através da correlação feita com o NDVI (Normalized
Difference Vegetation Index) comparado com o teor de
umidade do solo das amostras coletadas, obtêm-se o seguinte resultado.
Figura 12 – IDNS pelo Teor de Umidade Fonte: ACERVO PESSOAL, 2015
De acordo com o gráfico acima, vê-se uma progressão linear entre a maioria dos pontos porém alguns pontos destoam dessa progressão causando um decréscimo do R² tornando o resultado insatisfatório. A composição química do solo também exerce influência sobre a refletância sendo que a refletância é um resultado cumulativo dos diferentes comportamentos espectrais dos constituintes minerais, orgânicos e fluídos que os compõe (Meneses & Madeira Netto, 2001, apud Sousa Junior et al, 2008).
5 Considerações Finais
Para a análise das imagens estas devem estar livre de qualquer obstáculos que possam prejudicam a imagem da região, tais como, neblina, nuvens, dentre outros. As 30 amostras, com exceção das 6 com problemas na coleta que não foram analisadas, não apresentam um resultado satisfatório em relacionar o valor do pixel com a diferenciação do teor de umidade para ambos os métodos.
Para o método de correlação direta com a Banda 7 do LANDSAT 8 mostra uma linha de tendência quase que horizontal, com o R² de 0,005.
No Índice de Diferenciação Normalizada do Solo, o resultado ao que se desconsidera o tipo de solo tem-se uma linha de tendência indicativa porém, o coeficiente de correlação apresentou um valor muito baixo de apenas 0.0798.
De modo geral, o Índice de Diferenciação Normalizada do Solo carece mais estudos sobre as outras variáveis que exercem influência sobre as bandas 1 e 2 da imagem, contudo demonstra uma eficiência em reduzir a participação da vegetação sobre a imagem permitindo a análise do solo superficial.
A pesquisa também requer estudos mais aprofundados sobre a modelagem matemática apropriada para que se possa captar a maior refletância da região com menor interferência das áreas ao redor.
Agradecimentos
Agradeço a Deus pela vida.
A minha família Dinailde Duarte, Mario Augusto, Marina e João Elcides por todo amor e dedicação.
Às melhores, Ewelyn Serra e Ana Luiza Passos que sempre me ajudam a superar o obstáculo que é me suportar.
Ao meu orientador Professor Dr. Flavio Alessandro Crispim por todo conhecimento transmitido. Também aos professores Dr. Giovane Maia do Vale e Me. Júlio César Beenatti por colaborarem com ensinamentos em áreas diversas tangentes à pesquisa.
Aos meus amigos e colegas Bruna Shimizu, Ana Elza, Mirian Laco, Gabriela Di Mateos, Mateus Bavaresco, Cristiane Marafon, André Silva, Jenyfer Borges, Ebrailon Masetto, por estarem comigo nessa jornada do dia a dia da vida.
A todos meus mentores que me ajudam constantemente, consciente ou inconscientemente, a participação deles para o meu desenvolvimento é fundamental.
To the University of Birmingham for the period working as a fellow in a laboratory research. That was my first experience in a lab where I developed my appreciation for soil content. Also all my friends over the world whose gave me the world awareness.
Ao CNPq juntamente com o programa do governo Ciência sem Fronteiras que me ajudaram no meu amadurecimento acadêmico e pessoal.
Aos professores, técnicos e demais colaboradores que dão vida a esta Universidade.
E a todos que de uma forma ou de outra contribuíram para a minha graduação.
Referências
ABNT – ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6457: Amostras de Solo – Preparação para ensaios de compactação e Ensaios de caracterização. Rio de Janeiro, RJ, 09p, 1986 ___. NBR 6502: Solos e rochas. Rio de Janeiro, RJ, 18p, 1995
ALMEIDA, T.; MENESES, P. R., Introdução ao Processamento de Imagens de Sensoriamento Remoto, p.276, 2012.
BASTIAANSSEN, W. G. M. Regionalization of surface flux densities and moisture indicators in composite terrain. Ph.D. Thesis, Wageningen Agricultural University, Wageningen, Netherlands, 237p., 1995. BEDIDI, A. et al. Moisture effects on visible spectral characteristics of lateritic soils. Soil Science, Baltimore, v.153, n.2, p.129-141, 1992.
BLASCHKE, T; KUX, H., Sensoriamento Remotos e SIG Avançados, Oficina de Textos, São Paulo, p.304, 2002.
BOWERS, S.A.; HANKS, R.J. Reflectance of radiant energy from soils. Soil Science, Baltimore, v.100, p.130-138, 1965.
COLEMAN, T.L.; MONTGOMERY, O.L. Soil moisture, organic matter and iron content effect on the spectral characteristics of selected vertisols and alfisols in Alabama, Photogrammetric Engineering and Remote Sensing, Falls Church, v.53, p.1659-1663, 1987. DALAL, R.C.; HENRY, R.J. Simultaneous determination of moisture, organic carbon and total nitrogen by infrared reflectance spectrometry. Soil Science Society America Journal, Madison, v.50, p.120-123, 1986.
DALMOLIN, R. S. D; GONÇALVES, C. N et al. Relação entre os constituintes do solo e seu comportamento espectral. Ciência Rual, Santa Maria, v.35, n.2, p.481-489, mar-abr, 2005.
ENGESAT. Disponível em; www.engesat.com.br . Acessado em 23 de março 2012.
EPIPHANIO, J. C. N., FORMAGIO, A.R. Estudo de umidade do solo através de dados de refletância. Artigo (Instituto de Pesquisas Espaciais). São José dos Campos, São Paulo. 1992.
FIGUEIREDO, D., Conceitos Básicos de Sensoriamento Remoto, p.32, 2005.
FLORENZANO, T. G., Iniciação em Sensoriamento Remoto, Oficina de Textos, 3 edição, São Paulo, p.128, 2011.
HUNT, G.R. Electromagnetic radiation: the communication link in remote sensing. In: SIEGAL,
B.S.; GILLESPIE, A.R. Remote sensing in geology. New York: J. Wiley & Sons, p.5-45. 1980.
INPE. Introdução ao sensoriamento remoto e processamento de imagens n.6.
INPE. Fundamentos do Sensoriamento Remoto, p.22, 2005.
JENSEN, J. R. Sensoriamento Remoto do Ambiente: uma perspectiva em Recursos Terrestres. Traduação de J. C. N. Epiphanio. São José dos Campos, 598 p. SP: Parênteses, 2009.
LOBELL, D.B.; ASNER,G.P. Moisture effects on soil reflectance. Soil Science Society of America Journal, Madison, v.66, p.722-727, 2002.
MATHEWS, H.L. et al. Application of multispectral remote sensing to soil survey research in southeastern Pennsylvania. Soil Science Society of America Proceedings. Madison, v.37, p.88-93, 1973.
MENESES, P. R.; Netto, J. D. S. M. Sensoriamento remoto: reflectância dos alvos naturais. Brasília, DF: UnB, p.262, Planaltina:Embrapa Cerrados, 2001. MORAES, E. C. Fundamentos de Sensoriamento Remoto. INPE-8984-PUD/62, p1-23, 2002.
SOUSA JUNIOR, José Geraldo de Abreu; DEMATTE, José Alexandre Melo; GENU, Aline Marques. Comportamento espectral dos solos na paisagem a partir de dados coletados por sensores terrestre e orbital. Rev. Bras. Ciênc. Solo, Viçosa , v. 32, n. 2, p. 727-738, 2008.
USGS. Disponível em; landsat.usgs.gov.br . Acessado em 12 de Maio 2015.
