DETERMINAÇÃO DE ÍNDICES DE VEGETAÇÃO USANDO IMAGENS DE SATÉLITE PARA

AGRICULTURA DE PRECISÃO

Ziany Neiva Brandão (Embrapa Algodão / ziany@cnpa.embrapa.br), Marcus Vinícius Cândido Bezerra
(UFCG), Eleusio Curvelo Freire (Embrapa Algodão), Bernardo Barbosa da Silva (UFCG)

RESUMO - Muitos estudos têm demonstrado a utilidade do uso de índices ópticos, obtidos através de
ferramentas de sensoriamento remoto, na avaliação das características biofísicas da vegetação. Uma
das principais aplicações do sensoriamento remoto na agricultura é o auxílio no gerenciamento de
fazendas como a monitoração da colheita, a recuperação da umidade do solo, a estimativa da área de
colheita, e o cálculo do rendimento com a maior precisão possível. Com a finalidade de realizar estes
estudos para uma região predominantemente de plantio de algodão, no município de Primavera do
Leste, estado do Mato Grosso, foram analisados neste trabalho os índices de vegetação da diferença
normalizada (IVDN) e o índice de área foliar (IAF), usando imagens do Landsat Thematic Mapper e a
ferramenta de parametrização SEBAL. Foram feitas as relações entre as refletâncias para dois
diferentes comprimentos de onda, sobre um sistema de três camadas, de forma a obter o IVDN e o
IAF, para o período de crescimento da cultura. Foi verificado que a parametrização usada se adequa
ao propósito de estimativa do índice de área foliar, sendo muito útil em programas de monitoração de
colheita e cálculo da produtividade.
Palavras-chave: sensoriamento remoto, IVDN, SEBAL

DETERMINATION OF VEGETATION INDICES USING IMAGES OF SATELLITE TO PRECISION

AGRICULTURE

ABSTRACT - Many studies have demonstrated the usefulness of optical indices, acquired from remote
sensing tools, in the assessment of vegetation biophysical variables. One of the main applications of
agricultural remote sensing is to assist in farming management, monitoring of crops, retrieval of soil
moisture, estimation of crop area and yield with the highest possible accuracy. This work analyzed the
Normalized Difference Vegetation Index (NDVI) and Leaf Area Index (LAI), using images from Landsat
Thematic Mapper and the method of parameterization SEBAL (Surface Energy Balance Algorithm for
Land) for a predominantly cotton planted area, located in Primavera do Leste, Mato Grosso State of
Brazil. The relationship between the reflectance at two different wavelengths over a three-layer system
is derived to get the NDVI and LAI, during the growth period of the crop. It was verified that the
parameterization used in this study is accurate enough to estimate the Leaf Area Index, being very
useful in crop monitoring programs and to estimate yield.
Key words: remote sensing, NDVI, SEBAL

INTRODUÇÃO

Atualmente o uso de técnicas de gerenciamento de fazendas utilizando ferramentas de

agricultura de precisão vem se tornando cada vez mais comum. Uma dessas ferramentas é a obtenção
de informações da resposta espectral dos alvos, cujas aplicações exigem a consideração de vários
fatores como a textura do solo e o tipo de vegetação em estudo, pois os mesmos podem influenciar na
interpretação dos dados.
 Talvez o mais importante desses fatores seja a cobertura vegetal, para a qual foram criados
diversos índices de vegetação, com o objetivo de ressaltar o comportamento espectral da vegetação
em relação ao solo e a outros alvos. De acordo com alguns autores, o uso de índices de vegetação
para caracterizar e quantificar determinado parâmetro biofísico de culturas agrícolas tem duas grandes
vantagens: permite reduzir a dimensão das informações multiespectrais, através de um simples
número, além de fornecer um dado altamente correlacionado aos parâmetros agronômicos
(WIENGAND et al.,1991; TUCKER, 1979).
Embora sejam encontrados mais de 50 índices de vegetação na literatura, muitos estudos
comprovam a eficácia dos dois índices mais comumente usados que são, a Razão Simples (RS) e o
Índice de Vegetação da Diferença Normalizada (IVDN). Estes índices baseiam-se em simples
combinações das refletâncias do visível e do infravermelho próximo e através do IVDN pode-se calcular
o índice de área foliar (IAF) e a Radiação Fotossinteticamente Ativa (RFA) [Rondeaux et al., 1996].
Neste trabalho calcularemos o Índice de vegetação da Diferença Normalizada (IVDN) e o
Índice de Área Foliar (IAF), através do SEBAL (Surface Energy Balance Algorithm for Land) que é uma
plataforma de parametrização de fluxos de calor baseada na análise espectral de imagens obtidas por
satélites (BASTIAANSSEN et al., 2000).
Para análise e tratamento das imagens, usou-se o software ERDAS, onde foram inseridas as
equações de parametrização para cálculo da radiação e dos índices desejados, em imagem obtida
através do Landsat Thematic Mapper, da região de Primavera do Leste em abril de 2004.

Índices de Vegetação baseados na Diferença Normalizada

Muitos índices ópticos têm sido apresentados pela literatura tendo sido comprovado que eles
estão bem relacionados com vários parâmetros da vegetação como o IAF, a biomassa, a concentração
de clorofila, etc. Tem sido mostrado que o desempenho e o uso apropriado de um índice em particular
é geralmente determinado pela sensibilidade do índice para a característica de interesse.(ZARCO-
TEJADA, 2003).
Nosso objetivo é mostrar que o índice de Vegetação da Diferença Normalizada IVDN
desenvolvido por Rouse (1973) e usado por Tucker (1979), com o objetivo de amenizar a interferência
do solo, a influência atmosférica e as variações zenitais do sol, apesar de sua característica de
saturação em casos de vegetação com alta densidade e em multicamadas, nos é muito útil para a
estimativa da quantidade de água na folha, e para o cálculo do índice de área foliar, além de outros
parâmetros. O IVDN é dado por:
IVDN = (ρ 4 − ρ 3 ) ρ 4 + ρ 3 (1)
onde ρ 4 é a refletância no infra-vermelho próximo [canal 4 (0,78-0,90µm) no TM]; e ρ 3 é a
refletância na região do visível (vermelho) [canal 3 (0,63-0,69 µm) no TM].
Apesar de muitos índices de vegetação terem sido criados com o intuito de se obter uma
fórmula ideal, do ponto de vista matemático a maioria dos índices de vegetação são funcionalmente
equivalentes, embora Haboudane (2004) tenha identificado algumas diferenças no desempenho do
IVDN e RS, quando comparados ao IVAS (Índice de Vegetação Ajustado para o Solo), ao IVMAS
(Índice de Vegetação Melhorado Ajustado para o Solo) e ao IVSRA (Índice de Vegetação para o Solo
Resistente aos efeitos da Atmosfera). Segundo o autor, alguns desses índices apresentaram um
melhor desempenho quando usados na determinação do IAF, com variações na refletância sendo
altamente influenciada dependendo do nível de clorofila, [Haboudane, et al, 2004]. Para o caso
específico do algodão, o melhor índice de determinação do IAF ainda deverá ser avaliado para as
condições do Brasil. Segundo Maity (2004), o IAF para algodão depende da umidade do solo e da
altura da planta, tendo ele criado dois índices de sensitividade, um para o nível de umidade do solo e
outro para a altura da planta. (MAITY et al., 2004 ; LUQUET et al., 2003 ; MCKINION et al., 2001).
Por outro lado, percebe-se que quase todos os índices de vegetação são obtidos de medidas
da refletância nas faixas espectrais do vermelho e infravermelho próximo do espectro eletromagnético,
havendo algumas razões para o uso dessas faixas espectrais, como por exemplo:
a. Elas estão presentes em quase todos os satélites;
b. Elas possuem mais de 90% da informação espectral sobre a vegetação e
c. Nessa faixa a refletância da vegetação verde e saudável é maior que a do solo seco.
Neste trabalho usamos as imagens de satélite de alta resolução para o cálculo do índice de
vegetação, objetivando a previsão da produtividade, a determinação da quantidade de água na cultura
e as condições gerais da planta.

MATERIAL E MÉTODOS

Após aquisição da imagem do Landsat junto INPE (Instituto Nacional de Pesquisas Espaciais),
foi usado para o processamento das mesmas o software ERDAS Imagine 8.5, onde foram
desenvolvidos modelos baseados na ferramenta de parametrização SEBAL.
Com essa ferramenta, foram calculadas inicialmente a radiância espectral (R) dos canais 3 e 4,
a serem usados no IVDN. Essa radiância é a efetivação da calibração radiométrica, onde o valor de
cada pixel da imagem (ND) é convertido em radiância espectral monocromática. Essas radiâncias
representam a energia solar refletida por cada pixel, por unidade de área, de tempo, de ângulo sólido e
de comprimento de onda, medidas pelo satélite [Bastiaanssen et al., 2000]. A radiância é dada por:
R = a i + [(bi − a i ) 255]ND (2)

onde a e b são as radiâncias espectrais mínima e máxima, dadas pela Tabela 1( Wm-2.sr-1µm-1 ). ND
é a intensidade do pixel (entre 0 e 255) e i corresponde a cada banda espectral do Landsat.
Tabela 1. Bandas do Landsat Thematic Mapper, apresentando os coeficientes de calibração e a
Irradiância do Topo da Atmosfera para cada faixa espectral.
Irradiância Espectral
Canais Comprimento de Onda Coeficientes de Calibração no Topo da
Atmosfera
(µm) ( Wm .sr µm )
-2 -1 -1 ( Wm-2µm-1 )
a b k
1 (azul) 0,45 0,52 -1,765 178,941 1957
2(verde) 0,53 0,61 -3,576 379,055 1982
3(vermelho) 0,62 0,69 -1,502 255,695 1557
4(infravermelho 0,78 0,79 -1,763 242,303 1047
próx)
5(infravermelho 1,57 1,78 -0,411 30,178 219,3
médio)
6(infravermelho 10,4 12,5 1,238 15,600 --
termal)
7(infravermelho) 2,10 2,35 -0,137 13,156 74,52
Assim a refletância monocromática dos canais de interesse pode ser encontrada usando-se:
π ⋅ Ri
ρi = (3)
k i ⋅ cos Z ⋅ d i
onde Ri é a radiância espectral de cada banda, e k é a irradiância solar espectral no topo da
atmosfera, (ver Tabela 1). Z é o ângulo zenital solar e d i é o inverso do quadrado da distância
relativa Terra-Sol, fornecido em unidade astronômica (UA).
Com as refletâncias calculadas, substituímos as refletâncias das bandas 3 e 4 na equação (1)
para determinarmos o IVDN, que é um indicador sensível da quantidade e das condições da
vegetação, variando entre -1 e +1, onde os valores negativos representam os corpos d’água e os
positivos as superfícies vegetadas.
O Índice de Área Foliar (IAF), que é definido como a razão entre a área foliar de toda a
vegetação por unidade de área onde a vegetação se encontra, é um indicador da biomassa e pode ser
obtido por equações empíricas com bons resultados (ALLEN et al, 2004). Para seu cálculo, Allen usou
o Índice de Vegetação Ajustado para efeitos de Solo (IVAS) definido por Huete, 1998. Esse índice
procura amenizar os efeitos da refletância do solo e é definido como (HUETE, 1998):
IVAS = (1 + L ) ⋅ (ρ 4 − ρ 3 ) (L + ρ 4 + ρ 3 ) (4)
O fator L é uma função da densidade da vegetação e sua determinação requer um
conhecimento a priori da quantidade de vegetação. O valor desse fator é crítico na minimização dos
efeitos das propriedades ópticas do solo na refletância da vegetação. Huete, (1998) sugeriu um valor
de L = 0,5 para variações de primeira ordem na imagem, como sendo um valor otimizado dessa
refletância. Assim, o IAF pode ser obtido usando-se a fórmula de Allen, dada por:
(ln(0,69 − IVAS ) 0,59)
IAF = − (5)
0,91
Onde o IVAS foi calculado para a área em estudo. Os índices de vegetação foram analisados
quanto ao desempenho como indicadores das condições de crescimento da cultura do algodão,
 submetido a diferentes sistemas de manejo e irrigação, através da análise de correlação com o índice
de área foliar.

RESULTADOS E DISCUSSÃO

Existem diversas relações entre os índices de vegetação e o índice de área foliar que se
diferenciam bastante devido a
0,35 influência da clorofila e outras
0,3 características da cultura em estudo.
Solo
Para entender a influência dos
0,25 Vegetação
índices de vegetação selecionado
Refletância (%)

0,2 para este estudo é apresentado um

0,15 gráfico da refletância do solo e da
0,1 vegetação, calculados através do
ERDAS, como função do
0,05
comprimento de onda, que pode ser
0 visto na Figura 1. Pode-se perceber
0,5 0,6 0,67 0,79
Comprimento de Onda (µ m)
1,61 que o comportamento dos alvos
corresponde ao esperado, onde a
Figura 1. Refletância do solo e da vegetação com plantio de algodão vegetação apresenta uma baixa
(dados de Abril de 2004)
refletância nas bandas 1, 2 e 3 e uma alta refletância na
banda 4. Para os solos, há um aumento linear na
refletância a medida que aumentamos o comprimento de
onda.
Esta resposta espectral permite a diferenciação da
vegetação, bem como o estabelecimento de relações com
os parâmetros de crescimento da mesma. As áreas de

Áreas de Estudo

Figura 2. Região de estudo( 15º 15’S - 15º 45’S e

54º 15’ W - 54º 45’W)
FazB
estudo da vegetação foram: a Fazenda
Juriti (ao lado da cidade)(FazJ), que
usou algodão BRS-ITA 90, com 10
plantas/metro e espaçamento entre
plantas de 0,90m, obtendo uma
produtividade de 320@/ha, bem como a
FazJ
Fazenda Buriti, (FazB) que usou o
Primavera do Leste algodão Fibermax 966, com 13
Figura 3. IVDN-Detalhe mostrando a área urbana e plantações de plantas/m e espaçamento entre plantas
algodão. de 0,90m, obtendo uma produtividade
de 280@/ha, (Fig. 3).
O IVDN foi calculado a partir dos dados de refletância obtidos da imagem, tendo seu valor
médio próximo de 0,829 para a primeira área (FazJ) e de 0,827 para a segunda(FazB). Com esse
índice foi possível calcular o IAF, que apresentou um valor médio em torno de 4,349 para a FazJ e
3,328 para a FazB e que segundo Maity et al (2004), são valores aceitáveis se considerando a altura
das plantas e as condições de umidade do solo. As regiões de estudo, com detalhes das áreas de
plantio de algodão e de solo exposto podem ser visualizados na Figura 3.

CONCLUSÃO

A quantificação do Índice de Área Foliar (IAF) e sua distribuição espacial fornecem um meio
prático para interpretação dos dados obtidos via sensoriamento remoto. O método de parametrização
proposto para determinação dos índices de vegetação forneceu resultados consistentes e pode ser
usado para estimativa do IAF da cultura do algodão, mostrando-se assim muito útil para programas de
monitoramento e previsão de safras.

REFERÊNCIAS BIBLIOGRÁFICAS

ALLEN, R. A. W.; RAMSEY, R. D.; WEST, N. E., Spatiotemporal mapping of the dry season vegetation
response of sagebrush steppe, Community Ecology 5(1): 69-79, Akadkmiai Kiadd, Budapest, 2004.

BASTIAANSSEN, W. G. M.; MOLDEN, D. J.; MAKIN, IAN, W., Remote sensing for irrigated
agriculture: examples from research and possible applications, Agricultural Water Management, 46, pg.
137-155, 2000.

HABOUDANE, D.; MILLER, J. R.; PATTEY, E.; ZARCO-TEJADA, P. J.; STRACHAN, I. B.;
Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies:
Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, v. 90,
p. 337–352, 2004.

HUETE, A. R. A soil adjusted vegetation index (SAVI). Remote Sensing of Environment, v. 25, p.
295-309, 1988.

LUQUET, D., A.; BÉGUÉ a,1, Vidal, A., CLOUVEL, P., DAUZAT, J., OLIOSO, A., GU, X.F., TAO, Y.,
Using multidirectional thermography to characterize water status of cotton. Remote Sensing of
Environment, v. 84, p. 411– 421, 2003.

MAITY, S.; PATNAIK, C.; CHAKRABORTY, M.; PANIGRAHY, S. Analysis of Temporal Backscattering
of Cotton Crops Using a Semiempirical Model, IEEE Transactions on Geoscience and Remote
Sensing, v. 42, n. 3, p. 577-587, 2004.
MCKINION, J. M.; JENKINS, J. N.; AKINS, D.; TURNER, S. B.; WILLERS, J. L.; JALLAS, E.;
WHISLER, F. D. Analysis of a precision agriculture approach to cotton production. Computers and
Electronics in Agriculture, v. 32, p. 213–228, 2001.

RONDEAUX, G.; STEVEN, M.; BARET, F. Optimization of soil-adjusted vegetation indices. Remote
Sensing of Environment, v. 55, p. 95-107, 1996.

TUCKER, C.J., Red and photographic infrared linear combinations for monitoring vegetation. Remote
Sensing of Environment, v. 8, p. 127– 150, 1979.

WIENGAND, C. L; RICHARDSON, A. J; ESCOBAR, D. E. Vegetation indices in crop assessment.

Remote Sensing of Environment, v. 35, n. 2, p.105-109, 1991.

ZARCO-TEJADA, P. J.; RUEDA, C. A.; USTIN, S. L. Water content estimation in vegetation with
MODIS reflectance data and model inversion methods. Remoting Sensing of Environment, v. 85, p.
109-124, 2003.