Escolar Documentos
Profissional Documentos
Cultura Documentos
Revista Brasileira de
Geografia Física
ISSN:1984-2295
Homepage:https://periodicos.ufpe.br/revistas/rbgfe
Introdução
Estudos têm demonstrado que dados de ambientais, por exemplo, dados de sensoriamento
sensoriamento remoto são aplicados nos mais remoto podem ser utilizados em estudos de
diversos campos do conhecimento. Nas ciências identificação de culturas (Santos et al., 2020),
conservação do solo (Silva, 2020), condições Neto et al. (2008) ser uma exceção, os autores
hídricas (Caturegli et al., 2020), estimativa de apresentam uma metodologia pautada nas
produtividade (Rodigheri et al., 2020), constantes de calibração – as quais não são
caracterização de manguezais (Santos e facilmente obtidas para imagens Landsat 8/OLI.
Bitencourt, 2016), conservação da biodiversidade Dessa forma, propõe-se aqui um novo protocolo
(Leveau et al., 2020) e desastres ambientais metodológico, desta vez pautado nos termos
(Sausen e Lacruz, 2015). aditivos e multiplicativos das imagens Landsat
A vegetação é um alvo complexo do 8/OLI, os quais podem ser obtidos facilmente no
sensoriamento remoto, por apresentar vários arquivo metadados.
componentes refletores e múltiplas propriedades
de reflexão foliar em uma mesma planta, além de
Conversão dos números digitais em valores
assentar-se sobre um substrato constituído de solo
reais de reflectância
ou restos vegetais que, por sua vez, apresentam
propriedades de reflexão própria, interferindo no Diferentes índices de vegetação podem
processo de medição das propriedades de reflexão ser utilizados para o estudo e a avaliação da
da vegetação (Epiphanio et al., 1996). vegetação. Tais índices são calculados com o
Análises da vegetação e detecção de objetivo de ressaltar e distinguir o comportamento
mudanças são realizadas com o intuito de se espectral da vegetação em relação ao solo e os
avaliar os recursos naturais e monitorar a demais alvos da superfície terrestre (Moreira,
cobertura vegetal. Consequentemente, a detecção 2011) e têm sido utilizados em pesquisas que
quantitativa da vegetação verde é uma das visam caracterizar certos parâmetros biofísicos da
principais aplicações do sensoriamento remoto na vegetação, tais como fitomassa (Filho et al.,
tomada de decisões e gerenciamento ambiental da 2020), produtividade (Rodigheri et al., 2020),
vegetação (Marcussi et al., 2010). Tal detecção radiação fotossinteticamente ativa absorvida
pode ser obtida através dos índices de vegetação, (Veloso et al., 2020) e índice de área foliar verde
os quais ressaltam diferenças existentes entre a (Tang et al., 2020).
vegetação e os demais alvos, além de sintetizar As variáveis espectrais utilizadas no
informações de duas bandas espectrais em apenas cálculo de índices de vegetação são derivadas,
uma. O NDVI (Normalized Difference Vegetation basicamente, da reflectância de imagens de
Index) é um dos principais índices de vegetação. satélite na região do vermelho (0,65 a 0,72 μm) e
Para sua adequada determinação, é necessária a do infravermelho próximo (0,7 e 1,3 μm), no
conversão dos valores brutos das imagens de espectro eletromagnético. Devido às propriedades
satélites em valores físicos de reflectância (Neto do mesofilo, a absorção da radiação é mais
et al., 2008; Shimabukuro e Ponzoni, 2017). acentuada nos comprimentos de onda do
O objetivo deste artigo é demonstrar um vermelho; na região do infravermelho próximo, a
protocolo metodológico para a conversão dos absorção é extremamente baixa (Taiz et al., 2017).
números digitais (ND) das imagens Landsat 8/OLI Isso assegura que, tratando-se de vegetação viva,
em valores de reflectância e a subsequente a razão (𝜌𝐼𝑉𝑃 /𝜌𝑉 ) será alta. Alvos não vegetados,
obtenção do NDVI, através da LEGAL como corpos hídricos e solo exposto, ou alvos
(Linguagem Espacial para Geoprocessamento como vegetação morta ou estressada não terão
Algébrico), e, dessa forma, possibilitar a essas respostas espectrais específicas e, portanto,
replicação e execução de outras pesquisas que sua razão (𝜌𝐼𝑉𝑃 /𝜌𝑉 ) irá apresentar um valor
visem obter esse índice de vegetação através do menor. Assim, a razão (𝜌𝐼𝑉𝑃 /𝜌𝑉 ), intitulada
SPRING e utilizando as imagens Landsat 8/OLI. Relative Vigor Index (RVI), por exemplo, pode
Além disso, objetiva-se também demonstrar a fornecer uma medida da importância da
importância da conversão dos ND em reflectância, reflectância vegetativa dentro de um determinado
a partir da comparação de uma imagem NDVI pixel. A razão verde/vermelha (𝜌𝑉𝐷 /𝜌𝑉 ), por sua
gerada a partir da reflectância com a mesma vez, é baseada nos mesmos princípios usados pela
imagem NDVI gerada através dos dados brutos. razão (𝜌𝐼𝑉𝑃 /𝜌𝑉 ), embora seja menos efetiva. A
Nossa hipótese é a de que a imagem NDVI Tabela 1 apresenta os índices de vegetação mais
calculada a partir dos dados brutos terá valores comumente utilizados em estudos ecológicos e
diferentes daqueles presentes na imagem NDVI agronômicos. Índices de razão simples (RVI) e
obtida corretamente a partir da reflectância. índices normalizados (NDVI, TVI, CTVI, TTVI,
A elaboração deste artigo é justificada NRVI) baseiam-se no contraste entre a resposta da
pela quase completa ausência de trabalhos que vegetação na faixa do vermelho e do
descrevam a obtenção de imagens de reflectância infravermelho; índices complexos (PVI, SAVI,
através do SPRING. Apesar do manuscrito de WDVI, SAVI, TSAVI, MSAVI, DVI, WDVI),
Krizek, J. P. O.; Santos, L. C. M. 870
Revista Brasileira de Geografia Física v.14, n.02 (2021) 869-880.
por sua vez, consideram o contraste espectral tal índice tem sido utilizado largamente na
existente entre a vegetação e as características do literatura para inferir dados ecológicos (como
solo (Bolfe et al., 2012). riqueza, abundância e composição) de espécies de
Entre os índices de vegetação mais aves (Saveraid et al. 2001), besouros (Lassau e
utilizados (Tabela 1), há o NDVI (Normalized Hochuli, 2008; Côrrea et al., 2011); árvores
Difference Vegetation Index), o qual tem relação tropicais (Bawa et al. 2002) e aranhas (De Mas et
direta com a fitomassa da vegetação. O NDVI tem al. 2009). Isso porque tanto a complexidade do
sido utilizado regularmente para classificar a habitat quanto a heterogeneidade ambiental
distribuição global de vegetação e para inferir podem ser medidas através dos índices de
variabilidades ecológicas e ambientais, produção vegetação relacionados às informações das
de fitomassa, radiação fotossintética ativa e comunidades naturais (Côrrea et al., 2011).
produtividade de culturas (Liu, 2007). Além disso,
Tabela 1. Índices de vegetação comumente usados em estudos ecológicos e agronômicos. 𝜌𝐼𝑉𝑃 refere-se à
reflectância na faixa do infravermelho próximo; 𝜌𝑉 refere-se à reflectância na faixa do vermelho; 𝑎 e 𝑏
representam parâmetros da linha do solo e 𝐿 é uma constante de minimização da influência do solo.
Índice Equação Referência
RVI 𝜌𝐼𝑉𝑃
𝜌𝑉
Pearson e Millar (1972)
Relative Vigor Index
NDVI 𝜌𝐼𝑉𝑃 − 𝜌𝑉
𝜌𝐼𝑉𝑃 + 𝜌𝑉
Rouse et al. (1973)
Normalized Difference Vegetation Index
TVI
√𝑁𝐷𝑉𝐼 + 0,5 Rouse et al. (1974)
Transformation Vegetation Index
CTVI (𝑁𝐷𝑉𝐼 + 0,5)
. √|(𝑁𝐷𝑉𝐼 + 0,5)| Perry e Lautenschlager (1984)
Corrected Transformed Vegetation Index |(𝑁𝐷𝑉𝐼 + 0,5)|
TTVI
√|(𝑁𝐷𝑉𝐼 + 0,5)| Silleos et al. (2006)
Thiam’s Transformed Vegetation Index
NRVI 𝑅𝑉𝐼 − 1
Baret e Guyot (1991)
Normalized Ratio Vegetation Index 𝑅𝑉𝐼 + 1
PVI 𝜌𝐼𝑉𝑃 − 𝑎. 𝜌𝑉 − 𝑏
Richardson e Wiegand (1977)
Perpendicular Vegetation Index √1 + 𝑎2
SAVI 𝜌𝐼𝑉𝑃 − 𝜌𝑉
(𝜌𝐼𝑉𝑃 + 𝜌𝑉 + 𝐿). (1 + 𝐿)
Huete e Jackson (1988)
Soil-Adjusted Vegetation Index
TSAVI1 𝑎. (𝜌𝐼𝑉𝑃 − 𝑎. 𝜌𝑉 − 𝑏)
Baret et al. (1989)
Transformed Soil Adjusted Vegetation Index 𝜌𝑉 + 𝑎. 𝜌𝐼𝑉𝑃 − 𝑎. 𝑏
TSAVI2 𝑎. (𝜌𝐼𝑉𝑃 − 𝑎. 𝜌𝑉 − 𝑏)
Baret e Guyot (1991)
Transformed Soil Adjusted Vegetation Index 𝜌𝑉 + 𝑎. 𝜌𝐼𝑉𝑃 − 𝑎. 𝑏 + 0,08. (1 + 𝑎2 )
MSAVI1 𝜌𝐼𝑉𝑃 − 𝜌𝑉
. (1 + 𝐿) Clevers (1988)
Modified Soil Adjusted Vegetation Index 𝜌𝐼𝑉𝑃 + 𝜌𝑉 + 𝐿
MSAVI2 2. 𝜌𝐼𝑉𝑃 + 1 − √(2. 𝜌𝐼𝑉𝑃 + 1)2 − 8. (𝜌𝐼𝑉𝑃 − 𝜌𝑉 )
Qi et al. (1994)
Modified Soil Adjusted Vegetation Index 2
DVI
𝑎. (𝜌𝐼𝑉𝑃 − 𝜌𝑉 ) Richardson e Wiegand (1977)
Difference Vegetation Index
WDVI
𝜌𝐼𝑉𝑃 − 𝑎. 𝜌𝑉 Clevers (1988)
Weighted Difference Vegetation Index
Os valores do NDVI gerado são valores algumas fontes externas de ruído como, por
reais contidos entre −1 e 1. Superficialmente, exemplo, sombras de nuvens, diferenças de
corpos hídricos são representados por valores iluminação, atenuação atmosférica e certas
negativos, enquanto alvos como solo exposto são diferenças topográficas (Justice et al., 1998; Silva,
representados por valores muito próximos de zero. 2004), permitindo estudos comparativos entre
Já para a vegetação, quanto maior o valor do diferentes locais ou épocas. Essas propriedades
pixel, maior será a densidade da vegetação ou sua tornaram o NDVI um dos índices espectrais mais
atividade fotossintética (Verona, 2003; Neto et al., utilizados em estudos locais, regionais e globais
2008). Apesar da importância do índice ser (Zhang et al., 2003).
padronizado (e, assim, permitir comparações de Correção atmosférica para obtenção do NDVI
diferentes áreas e diferentes vegetações), o NDVI
Com o objetivo de se obter índices de
mostra uma pequena dependência do horário de
vegetação via processamento digital de imagens
medição e da intensidade de nebulosidade
de sensoriamento remoto orbital, faz-se necessário
(Fontana et al., 2019). Entretanto, também é
investigar a influência da atmosfera na atenuação
verdadeiro que o NDVI é capaz de minimizar
Krizek, J. P. O.; Santos, L. C. M. 871
Revista Brasileira de Geografia Física v.14, n.02 (2021) 869-880.
do sinal da radiação solar refletida pela superfície manguezais, áreas de mata, áreas urbanas e de
que é detectada pelo sensor do satélite (Bezerra et solo exposto, corpos hídricos e praia arenosa.
al., 2011). Tal atenuação incorpora erros na
estimativa da reflectância superficial que, por sua Equações necessárias para a conversão
vez, influenciam as estimativas do NDVI. Entre A Equação 1 é uma fórmula matemática
os diversos efeitos que a atmosfera pode causar para a conversão do número digital (ND) em
estão a diminuição da faixa de valores digitais reflectância, a partir de Markham e Barker (1987):
possíveis registrados pelo sensor, a diminuição do
𝐿 −𝐿𝑚í𝑛
contraste entre superfícies adjacentes e a alteração 𝜋[( 𝑚á𝑥
𝑁𝐷
).(𝑁𝐷)+𝐿𝑚í𝑛 ]
𝑚á𝑥
do brilho de cada ponto na imagem (Eduardo e 𝜌𝜆 = (1)
𝐸𝜆 .𝑐𝑜𝑠(𝑧).𝑑𝑟
Silva, 2013). Isso acontece porque, segundo Zullo
Jr. (1994), a presença de gases (como vapor onde 𝜌𝜆 é o valor da reflectância, com
d´água, ozônio, oxigênio e dióxido de carbono) e correção por ângulo solar; 𝐿𝑚á𝑥 e 𝐿𝑚í𝑛 são
de aerossóis – isto é, pequenas partículas constantes de calibração de um determinado
materiais, diferentes do gelo e da água, em sensor; 𝑁𝐷 é o número digital de cada pixel; 𝐸𝜆 é
suspensão, com raio variando de 0,10 µm a 10 µm a irradiância solar média no topo da atmosfera; 𝑧 é
– ocasiona uma maior absorção e difusão da luz o ângulo solar zenital no momento da aquisição e
solar pela atmosfera. 𝑑𝑟 é o inverso do quadrado da distância relativa
Dessa forma, para uma estimativa
Terra-Sol.
adequada do NDVI a partir de imagens Landsat
Muitas trabalhos com imagens Landsat 5
8/OLI, faz-se necessário a obtenção da
e 7 usam as constantes de calibração máximas
reflectância com a devida correção atmosférica
(𝐿𝑚á𝑥 ) e mínimas (𝐿𝑚í𝑛 ) no processo de
das bandas utilizadas, levando-se em consideração
conversão dos níveis de cinza em radiância ou
os seguintes parâmetros (Ariza, 2013): coeficiente
reflectância espectral, com base na equação de
multiplicativo de reflectância específico por
Markham e Barker (1987) . Entretanto, para cada
banda; coeficiente aditivo de reflectância
imagem Landsat 8/OLI obtida, os valores de 𝐿𝑚á𝑥
específico por banda; ângulo de elevação solar.
e 𝐿𝑚í𝑛 sofrem alterações (SILVA et al., 2016),
Nesse sentido, o protocolo aqui proposto permite
dessa forma, não há um valor padronizado na
a realização da correção atmosférica, a partir dos
literatura para essas constantes. Portanto,
parâmetros mencionados, os quais podem ser
recomenda-se determinar a reflectância com base
obtidos facilmente no arquivo metadados da
nos termos aditivos e multiplicativos obtidos do
imagem processada.
arquivo metadados, de acordo com a Equação 2
(Ariza, 2013):
Material e métodos
Obtenção das Imagens Landsat 8/OLI 𝑀𝜌 .𝑄𝑐𝑎𝑙 +𝐴𝜌
𝜌𝜆 = (2)
As imagens Landsat 8/OLI podem ser 𝑠𝑒𝑛(𝜃𝑠𝑒 )
obtidas gratuitamente no site do INPE (Instituto
Nacional de Pesquisas Espaciais), através do onde 𝜌𝜆 é o valor da reflectância, com
endereço eletrônico: correção por ângulo solar; 𝑀𝜌 é o coeficiente
http://www.dgi.inpe.br/catalogo/. Nele, imagens multiplicativo de reflectância específico por banda
de satélites podem ser pesquisadas com base na e obtido a partir do arquivo metadados
cobertura máxima de nuvens, órbita e ponto, (REFLECTANCE_MULT_BAND_x, onde x é o
municípios e coordenadas geográficas, por número da banda); 𝑄𝑐𝑎𝑙 é o produto quantificado e
exemplo. calibrado para números digitais (ND) – i.e., este
No presente estudo foi utilizada uma valor se refere a cada uma das bandas da imagem;
imagem Landsat 8/OLI do litoral Sul do estado de 𝐴𝜌 é o coeficiente aditivo de reflectância
São Paulo, mais especificamente do sistema específico por banda e obtido a partir do arquivo
estuarino-lagunar do município de Cananéia, para metadados (REFLECTANCE_ADD_BAND_x,
a realização da análise comparativa do NDVI. A onde x é o número da banda) e 𝜃𝑠𝑒 é o ângulo de
imagem foi obtida em 28 de janeiro de 2019, às elevação solar, obtido a partir do arquivo
16h05min (UTC-3), órbita 220 e ponto 77, com metadados da imagem (SUN_ELEVATION).
resolução espacial de 30 m e resolução Após a determinação dos valores de
radiométrica de 12 bits. A área imageada tem reflectância das imagens Landsat 8/OLI, pode-se
como par de coordenadas geográficas: 48°07 W – então calcular o NDVI (Equação 3), tal como
25°07’S e 47°46’ W– 24°54’S. proposto por Rouse et al. (1973):
A paisagem analisada (Figura 1)
compreende cinco classes de objetos: áreas de
Krizek, J. P. O.; Santos, L. C. M. 872
Revista Brasileira de Geografia Física v.14, n.02 (2021) 869-880.
𝜌𝐼𝑉𝑃 −𝜌𝑉
𝑁𝐷𝑉𝐼 = (3) reflectância na banda do infravermelho próximo e
𝜌𝐼𝑉𝑃 +𝜌𝑉
𝜌𝑉 é o valor da reflectância na banda do vermelho.
onde 𝑁𝐷𝑉𝐼 é o índice de vegetação por
diferença normalizada; 𝜌𝐼𝑉𝑃 é o valor da
Figura 1. Mapa de uso e cobertura do solo, obtido a partir de uma classificação supervisionada por máxima
verossimilhança (índice Kappa de 95,10%,) da área de estudo utilizada na análise comparativa do NDVI.
Abaixo segue a estrutura de uma sentença que possível converter os ND de qualquer imagem
recupera dados: Landsat 8/OLI em valores reais de reflectância,
com a devida correção atmosférica. Na linha 3, é
<var> = Recupere (Nome = “<PI>”); importante que o usuário troque
“Landsat8_2019” pelo nome atribuído à
O campo <var> deve ser substituído pelo categoria em seu banco de dados nas quais se
nome da variável e o campo <PI> deve ser encontram os planos de informação referentes às
substituído pelo nome do plano de informação que bandas do vermelho (banda 4) e do infravermelho
será associado a essa variável. próximo (banda 5). Da mesma forma, o usuário
Por fim, nas sentenças de operação, deve alterar as linhas 18 e 19, de modo a
realizam-se as operações da álgebra de mapas. recuperar os planos de informação com base no
Abaixo segue um exemplo de operação para nome em que eles estão registrados no seu banco
obtenção do NDVI: de dados. Os valores atribuídos às variáveis reais
(linhas 9-13) devem ser obtidos no arquivo
NDVI = Numerico ((B5-B4) / (B5+B4)); metadados da imagem utilizada. Os valores de
ResX, ResY, Escala, Min e Max podem ser
No presente trabalho, a LEGAL foi obtidos no próprio SPRING: com o projeto ativo e
utilizada para a criação de dois algoritmos: um a respectiva banda selecionada, clica-se em
para a obtenção dos valores reais de reflectância “Editar” e, em seguida, “Plano de Informação...”.
das bandas do vermelho e do infravermelho Antes da execução do algoritmo (Figura
próximo da imagem Landsat 8/OLI, a partir da 2), é necessário também que o usuário crie
equação de Ariza (2013), e outro para a obtenção manualmente uma nova categoria, intitulada
da imagem NDVI, tal como na equação de Rouse “Reflectancia”, pertencente a um modelo
et al. (1973). numérico de terreno (MNT). Também destaca-se
que as linhas 2, 6, 8, 15, 17, 21 e 25, com fonte
Resultados e discussão colorida em verde, representam comentários que
foram inseridos por uma questão explicativa – e,
Algoritmo para Obtenção da Reflectância desta forma, podem ser omitidos do algoritmo
A Figura 2 descreve um algoritmo em sem perda funcional.
LEGAL gerado no Sistema de Informação
Geográfica (SIG) SPRING. A partir dele é
Figura 2. Algoritmo em LEGAL, gerado no SIG SPRING, para a conversão dos ND da banda 4 (vermelho) e
da banda 5 (infravermelho próximo) do LANDSAT 8/OLI em valores reais de reflectância.
(MNT), a qual será associada o plano de os campos Min e Max (linha 13) assumem esses
informação referente à imagem NDVI. Também é respectivos valores.
importante ressaltar que os valores do NDVI
gerados são valores reais entre −1 e +1; por isso
Figura 3. Algoritmo em LEGAL, gerado no SIG SPRING, para a obtenção da imagem NDVI a partir dos
valores de reflectância da banda 4 (vermelho) e da banda 5 (infravermelho próximo) do LANDSAT 8/OLI.
Figura 5. Fatiamento da grade do NDVI gerado a partir dos valores reais de reflectância.
Tabela 2. Estatísticas das imagens NDVI calculadas com base nos ND e na reflectância.
Imagem NDVI Mínimo Máximo Média Desvio-padrão
Números digitais -0,21 0,63 0,28 0,10
Reflectância -0,74 0,87 0,41 0,49
Tabela 3. Comparação dos valores mínimos e máximos de fatiamento do NDVI para a imagem obtida a
partir dos ND (sem correção atmosférica) e para a imagem obtida de acordo com os valores de reflectância
(com correção atmosférica), por classe analisada.
NDVI a partir dos ND NDVI a partir da reflectância
Classe sem correção atmosférica com correção atmosférica
Mínimo Máximo Mínimo Máximo
Corpo hídrico -0,21 0,00 -0,74 0,00
Área urbana ou de solo exposto 0,00 0,30 0,00 0,50
Vegetação de manguezal 0,00 0,50 0,50 0,75
Vegetação de mata atlântica 0,30 0,63 0,75 0,87
A imagem NDVI obtida a partir dos ND, atmosférica. Isso é explicado porque a presença
sem a devida correção atmosférica (Tabela 3), dos efeitos atmosféricos de difusão e absorção
entretanto, acabou apresentando resultados provocados pelos gases atmosféricos e aerossóis
incorretos, confundindo, diversas vezes, áreas alteram os valores reais que deveriam ser
vegetadas com áreas urbanas ou de solo exposto. registrados pelo sensor (Bezerra et al., 2011;
Além disso, os manguezais não puderam ser Sanches et al., 2011; Eduardo e Silva, 2013).
distinguidos da vegetação de mata atlântica Dessa forma, observa-se que a influência
(Figura 4) e considera que ambas as atmosférica faz com que o Índice de Vegetação
fitofisionomias apresentam valores de fitomassa por Diferença Normalizada seja, na maioria das
muito menor do que, de fato, apresentam. classes, subestimado.
Enquanto que na imagem NDVI obtida a partir Ressalta-se aqui, ademais, que tais dados
dos valores reais de reflectância, as áreas de subestimados podem, ocasionalmente, levar a
manguezais apresentam valores entre 0,50 e 0,75, gestores e tomadores de decisão a seguirem
na imagem NDVI obtida a partir dos ND, essas planos inadequados do ponto de vista ecológico e
áreas apresentam valores subestimados entre 0 e ambiental, a partir da consequente subestimação
0,50 (Tabela 3). O mesmo tipo de subestimação da importância da vegetação local da área
da vegetação ocorre com a vegetação de mata estudada.
atlântica. A imagem NDVI obtida a partir dos ND A tabela 4 apresenta uma amostragem de
subestima áreas de vegetação de maior porte para alguns pixels contidos nas figuras 4 e 5, onde
áreas de vegetação de menor porte, bem como pode-se constatar a diferença existente entre pixels
confunde áreas de vegetação rasteira com áreas do NDVI gerados a partir dos ND e pixels do
sem vegetação. NDVI gerados a partir dos valores reais de
Os resultados aqui obtidos evidenciam reflectância.
que áreas vegetadas apresentam valores de NDVI
menores quando não aplicada a correção
Tabela 4. Valores de alguns pixels amostrados da imagem NDVI obtida a partir dos ND e da imagem NDVI
obtida a partir dos valores reais de reflectância.
NDVI
Classe Linha Coluna
ND Reflectância
400 397 -0,0607287 -0,349501
Corpo hídrico 693 1126 -0,0512424 -0,276484
8 987 -0,0875815 -0,408275
214 619 0,153964 0,257462
Área urbana ou de solo exposto 354 683 0,110055 0,180253
331 648 0,276078 0,455408
457 648 0,335628 0,651544
Vegetação de manguezal 484 603 0,402263 0,729998
367 369 0,318595 0,602675
198 184 0,539908 0,831703
Vegetação de mata atlântica 721 653 0,547328 0,832855
16 639 0,490102 0,793878
agroflorestais. Pesq. agropec. bras., 47, 1261- images for EOS‑MODIS. Remote Sensing of
1269. Environment,59. 440‑451.
Câmara, G. 1995. Modelos, Linguagens e INPE – Instituto Nacional de Pesquisas Espaciais.
Arquiteturas para Bancos de Dados 2019. Site <http://www.dpi.inpe.br/spring/
Geográficos. São José dos Campos: INPE. 264 english/tutorial/legal.html>, acessado em 01 de
p. Tese de Doutorado. junho de 2019.
Caturegli, L. et al. 2020. Effects of water stress on Justice, C. O. et al. 1998. The Moderate
spectral reflectance of bermudagrass. Scientific Resolution Imaging Spectroradiometer
Reports,10, 1-12. (MODIS): land remote sensing for global
Clevers, J. G. P. W. 1988. The derivation of a change research. IEEE Transactions on
simplified reflectance model for the estimation Geoscience and Remote Sensing,36.
of leaf area index. Remote Sensing of 1228‑1249.
Environment, 25, 53-69. Ke, Y. et al. 2015. Characteristics of Landsat 8
Corrêa, C. C. et al. 2011. Utilização do NDVI na OLI-derived NDVI by comparison with
avaliação da resposta de besouros herbívoros à multiple satellite sensors and in-situ
complexidade e heterogeneidade ambiental em observations. Remote Sensing of Environment,
diferentes escalas no Bioma cerrado. Anais do 164,298-313.
XV Simpósio Brasileiro de Sensoriamento Lassau, S. A.; Hochuli, D. F. 2008. Testing
Remoto, Curitiba, 2011, pp. 3103-3110. predictions of beetle community patterns
De Mas, E. et al. 2019. Spatial modeling of spider derived empirically using remote sensing.
biodiversity: matters of scale. Biodiversity and Diversity and Distributions,14, 138-147.
Conservation, 18,1945-1962. Leveau, L. M.; Federico, I. I.; Isabel-Bellocq, M.
Eduardo, B. F. S.; Silva, A. J. F. M. 2013. 2020. From town to town: Predicting the
Avaliação da influência da correção taxonomic, functional and phylogenetic
atmosférica no cálculo do índice de vegetação diversity of birds using NDVI. Ecological
NDVI em imagens Landsat 5 e RapidEye. Indicators, 19,1-11.
Anais do XVI Simpósio Brasileiro de Liu, W. T. H. 2007. Aplicações de Sensoriamento
Sensoriamento Remoto, Foz do Iguaçu, 2013, Remoto. Campo Grande: Editora UNIDERP.
1442-1449. Marcussi, A. B. et al. 2010. Utilização de índices
Epiphanio, J. C. N, et al. 1996. Índices de de vegetação para os sistemas de informação
vegetação no sensoriamento remoto da cultura geográfica. Caminhos de Geografia, 11,41-53.
do feijão. Pesquisa Agropecuária Brasileira, Markham, B. L.; Barker, J. L. 1987. Radiometric
Brasília, v. 31, n. 6, pp. 445-454. Properties of U.S. processes Landsat MSS
Filho, M. G.; Kuplich, T. M.; De Quadros L. F. L. data. Remote Sensing of Environment,17,39-
2020. Estimating natural grassland biomass by 71.
vegetation indices using Sentinel 2 remote Moreira, M. A. 2011. Fundamentos do
sensing data. International Journal of Remote sensoriamento remoto e metodologias de
Sensing, v. 41, pp. 2861-2876. aplicação. 4. ed. atual. e ampl. Viçosa: Ed.
Florenzano, T. G. 2011. Iniciação em UFV.
sensoriamento remoto. 3. ed. ampl. e atual. São Neto, R. T. B. et al. 2008. Determinação de
Paulo: Oficina de Textos. valores físicos de imagens TM/Landsat-5
Fontana, D. C. et al. 2019. NDVI e alguns fatores utilizando a linguagem LEGAL para obter
de variabilidade. Anais do XIX Simpósio índices de vegetação. Anais do II Simpósio
Brasileiro de Sensoriamento Remoto, Santos, Brasileiro de Ciências Geodésicas e
2019. Tecnologias da Geoinformação, Recife, 2008.
Francisco, C. N. et al. 2020. Análise do impacto Pearson, R. L.; Miller, R. D. 1972. Remote
da correção atmosférica no cálculo do Índice mapping of starting crop biomass for
de Vegetação por Diferença Normalizada a estimation of the productivity of the short grass
partir de Imagem Landsat 8/OLI. Revista prairie. Proceedings of the International
Brasileira de Geografia Física,13, 76-86. Symposium on Remote Sensing of
Huete, A. R.; Jackson, R. D. 1988. Soil and Environment 8, Ann Arbor, 1972, v. 2, pp.
atmosphere influences on the spectra of partial 1355-1373.
canopies. Remote Sensing of Environment, 25, Perry, C. R.; Lautenschlager, L. F. 1984.
89-105. Functional equivalence of spectral vegetation
Huete, A. R. et al. 1997. A comparison of indices. Remote Sensing of Environment,14,
vegetation indices over a global set of TM 169‑182.
Qi, J. et al. 1994. A modified soil adjusted Silva, B. B. et al. 2016. Procedures for calculation
vegetation index. Remote Sensing of of the albedo with OLI-Landsat 8 images:
Environment, v. 48, 119‑126. Application to the Brazilian semi-arid. Revista
Richardson, A. J.; Wiegand, C. L. 1977. Brasileira de Engenharia Agrícola e
Distinguishing vegetation from soil Ambiental, v. 20, n. 1, 2016, pp. 3-8.
background information. Photogrammetric Silva, E. T. J. B. 2004. Utilização dos índices de
Engineering and Remote Sensing, 1,1541- Vegetação do Sensor MODIS para Detecção
1552. de Desmatamentos no Cerrado: Investigação
Rodigheri, G. et al. 2020. Net Primary de Parâmetros e Estratégias. Brasília:
Productivity and Dry Matter in Soybean Universidade de Brasília. 146 p. Dissertação de
Cultivation Utilizing Datas of NDVI Multi- Mestrado.
Sensors. 2020 IEEE Latin American GRSS & Silva, L. A. 2020. Uma revisão de literatura sobre
ISPRS Remote Sensing Conference o Índice de Vegetação por Diferença
(LAGIRS), Santiago, Chile, pp. 115-120. Normalizada (NDVI) no monitoramento de
Rouse, J. W. et al. 1973. Monitoring vegetation áreas degradadas por empreendimentos
systems in the great plains with ERTS. minerários. Holos Environment, 20, 198-213.
Proceedings of the Earth Resources Tang, C. W. et al. 2020. Quantitative monitoring
Technology Satellite-1 Symposium 3, of leaf area index in wheat of different plant
Washington, 1973. v. 1, pp. 309-317. types by integrating NDVI and Beer-Lambert
Rouse, J. W. et al. 1974. Monitoring the vernal law. Scientific Reports, 10, 1-10.
advancement and retrogradation (greenwave Taiz, L. et al. 2017. Fisiologia e desenvolvimento
effect) of natural vegetation. Greenbelt: vegetal. 6. ed. Porto Alegre: Artmed.
NASA. Veloso, G. A. et al. 2020. Modelling gross
Sanches, I. D. A. et al. 2011. Análise comparativa primary productivity in tropical savanna
de três métodos de correção atmosférica de pasturelands for livestock intensification in
imagens Landsat 5 – TM para obtenção de Brazil. Remote Sensing Applications: Society
reflectância de superfície e NDVI. Anais do and Environment, 17, 1-8.
XV Simpósio Brasileiro de Sensoriamento Vermote, E. et al. 2016. Preliminary analysis of
Remoto, Curitiba, 2011, pp. 7564-7571. the performance of the Landsat 8/OLI land
Santos, L. C. M.; Bitencourt, M. D. 2016. Remote surface reflectance product. Remote Sensing of
sensing in the study of Brazilian mangroves: Environment, v. 185, pp. 46-56.
review, gaps in the knowledge, new Verona, J. D. 2003. Classificação e
perspectives and contributions for Monitoramento Fenológico Foliar da
management. Journal of Integrated Coastal Cobertura Vegetal na Região da Floresta
Zone Management, v. 16, pp. 1-17. Nacional do Tapajós – Pará, Utilizando Dados
Santos, R. A. et al. 2020. Remote sensing as a tool Multitemporais do Sensor Thematic Mapper
to determine biophysical parameters of (TM) do Landsat. São José dos Campos:
irrigated seed corn crop. Semina: Ciências Instituto Nacional de Pesquisas Espaciais,
Agrárias, v. 41, n. 2, pp. 435-446. 2003. 161 p. Dissertação de Mestrado.
Sausen, T. M.; Lacruz, M. S. P. 2015. Weiss, C.V. da C. et al. 2015. Análise
Sensoriamento remoto para desastres. São comparativa entre métodos de correção
Paulo: Oficina de Textos. atmosférica em imagens do sensor Operational
Saveraid, E. H. Et al. 2001. A comparison of Land Imager (OLI), plataforma Landsat 8.
satellite data and landscape variables in Scientia Plena, 11, 1-8.
predicting bird species occurrences in the Zhang, X. Y. et al. 2003. Monitoring vegetation
Greater Yellowstone Ecosystem, USA. phenology using MODIS. Remote Sensing of
Landscape Ecology, v. 16, pp. 71-83. Environment, v. 84, pp. 471‑475.
Shimabukuro, Y. E.; Ponzoni, F. J. 2017. Mistura Zullo Junior, J. 1994. Correção atmosférica de
espectral: modelo linear e aplicações. São imagens de satélite e aplicações. Campinas:
Paulo: Oficina de Textos. Universidade Estadual de Campinas. 189 p.
Silleos, N. G. et al. 2006. Vegetation indices: Tese de Doutorado.
advances made in biomass estimation and
vegetation monitoring in the last 30 years.
Geocarto International, v. 21, pp. 21‑28.