APLICAÇÃO DE ÍNDICES DE VEGETAÇÃO PARA IDENTIFICAÇÃO DE ÁREA
CONSTRUÍDA E VEGETAÇÃO DENSA EM ÁREAS URBANAS NA AMAZÔNIA
Ariadne Reinaldo Trindade1, Vítor Abner Borges Dutra2, Paulo Amador Tavares3, Jefferson Inayan de
Oliveira Souto4, Norma Ely Santos Beltrão5 e Hebe Morganne Campos Ribeiro6
1
Universidade do Estado do Pará, dnetrindade@gmail.com; 2 Universidade do Estado do Pará, abner_dutra_@hotmail.com;
3
Universidade do Estado do Pará, atavares.paulo@gmail.com; 4Universidade do Estado do Pará, inayansouto@gmail.com;
5
Universidade do Estado do Pará, normaelybeltrao@gmail.com; 6Universidade do Estado do Pará, hebemcr@gmail.com;
RESUMO
Os índices de vegetação são importantes técnicas para
identificação de parâmetros biofísicos da superfície terrestre.
Objetivou-se com esse estudo a identificação via
sensoriamento remoto da área verde urbana e da área
construída do município de Santarém, Pará. Como
procedimento metodológicos, utilizou-se uma cena do
Sentinel-2, a qual foi pré-processada, e por fim calculou-se os
índices de vegetação NDVI e NDBI. A vegetação densa foi
identificada no NDVI a partir de valores de 0,7, o que resultou
em uma área de 37,68 km². A área urbana no NDBI foi
considerada na faixa de 0 até 0,5, o que totalizou uma área
total de 21,37 km². Notou-se uma similaridade forte entre os
valores para área urbana e a água com sedimento no local, ao
que futuros estudos devem ser desenvolvidos.
Palavras-chave — NDVI, NDBI, análise espacial,
sensoriamento remoto, Sentinel-2.
ABSTRACT
Vegetation indices are important techniques for the
identification of biophysical parameters of the terrestrial
surface. This study aimed to identify via remote sensing the
urban green areas and the built-up area of the municipality
of Santarém, Pará-BR. As a methodological procedure, it
was used one Sentinel-2 scene, which was pre-processed, and
in it, we applied the NDVI and NDBI vegetation indexes. The
dense vegetation was identified from 0.7 in the NDVI range,
resulting in an area of 37.68 km². From the NDBI we
extracted in the range of 0 to 0.5 the built-up area, which had
in total 21.37 km². A strong similarity was identified between
the built-up pixels’ values and the water with sediments
value, to which future studies should be developed.
Key words — NDVI, NDBI, spatial analysis, remote
sensing, Sentinel-2.
1. INTRODUÇÃO
O sensoriamento remoto (SR) possibilita o monitoramento e
identificação de alterações que ocorrem constantemente na
superfície terrestre, sejam elas ocasionadas por fenômenos
naturais ou por ações antrópicas. Com diferentes
configurações espaciais e resoluções espectrais, as
observações por satélite podem fornecer globalmente
medições consistentes e repetitivas da superfície da Terra [1].
A partir do SR, podem ser gerados índices, os quais são
importantes ferramentas para a classificação rápida e precisa
de vegetação densa ou terrenos construídos a partir de
imagens de satélite. Esses índices passaram a ser propostos
desde a década de 1970 [2], [3].
As imagens digitais advindas dos sensores remotos
orbitais são constituídas por pixels, cada um com seu valor de
número digital, e que possui uma relação direta com a
radiação eletromagnética dos alvos que chega ao sensor [4].
Diante disto, Jensen [3], afirma que os índices são medidas
radiométricas amplas e sua utilização pode facilitar a
identificação de informações sobre a cobertura do solo.
Os índices de vegetação possibilitam a caracterização e
quantificação de parâmetros biofísicos da superfície, pois
reduzem a dimensão das informações multiespectrais
fornecidas pelos satélites [6]. Para áreas urbanas, é
importante mapear-se as áreas construídas de tal maneira a
compreender a distribuição espacial e o crescimento das áreas
urbanas, para essa função os produtos do SR, via satélite
orbitais, são um recurso inestimável para esse mapeamento
[5].
Imagens de alta resolução espacial, como as do Sentinel-
2, lançando em 2015, apoiam o monitoramento de mudanças
na vegetação dentro de sua determinada estação de
crescimento [7]. Elas possibilitam o cálculo de índices de
vegetação como o Normalized Difference Vegetation Index
(NDVI) e o Normalized Difference Built-up Index (NDBI).,
que são obtidos através de operações matemáticas com a
combinação de bandas específicas nas quais alguns
comprimentos de onda do espectro eletromagnético são
absorvidos e outros são refletidos, de modo a destacar o alvo
desejado [3].
Assim, o presente estudo teve por objetivo identificar a
área impermável, através do NDBI, e a área de vegetação
densa, através do NDVI, do município de Santarém, Pará.
1647
Alcançou-se também a produção de histogramas de
quantidade de frequência de pixels por valores dos índices e
suas respectivas representações visuais.

2. MATERIAIS E MÉTODOS

O estudo foi realizado na área urbana do município de

Santarém, estado do Pará, localizada nas coordenadas 2° 25′
30″ S, 54° 42′ 50″ W. A cidade é a mais importante do oeste
paraense, pois apresenta potencial especializado para
operação de novas atividades econômicas [8].
Santarém apresenta área territorial de 17.898,389 km² e
população estimada de 302.667 habitantes, com 43,3% de
arborização de vias públicas [9].
Para a derivação dos índices, o processamento digital das
imagens foi realizado através dos softwares Sentinel
Application Platform (SNAP) 6.0 e QGIS 2.17.18.
Os produtos foram obtidos diretamente através da
plataforma Copernicus Open Access Hub
(https://scihub.copernicus.eu/dhus/#/home), utilizando as
imagens do satélite orbital Sentinel-2. A cena escolhida é do
dia 6 de julho de 2017 e possui 0,8657% de cobertura de
nuvem, nenhuma dentro da área urbana do município.
As bandas utilizadas foram a 4 (red – 665nm), 8a (NIR –
842nm) e 12 (SWIR – 2190nm). A imagem foi corrigida
atmosfericamente através do algoritmo Sen2Cor e a banda 12
foi reamostrada para 10 metros de resolução espacial, de tal
maneira a ter-se resultados com melhor qualidade e precisão
[10].
Foram utilizados o NDVI e o NDBI na área de estudo. Figura 1. Mapa da distribuição dos valores encontrados para o
Ambos índices estão descritos na Tabela 1. cálculo do NDVI.

Tabela 1. Identificação dos índices de utilizados na área Os valores de NDVI atribuídos à área de estudo
urbana de Santarém e suas respectivas equações. identificaram satisfatoriamente a separação entre área
Índice de construída e vegetação densa. O histograma da Figura 2
Equação Referência
Vegetação corroborou essa distinção de faixas.
𝑁𝐼𝑅 − 𝑅𝑒𝑑
NDVI [3]
𝑁𝐼𝑅 + 𝑅𝑒𝑑
𝑆𝑊𝐼𝑅 − 𝑁𝐼𝑅 [11], [12]
NDBI
𝑆𝑊𝐼𝑅 + 𝑁𝐼𝑅

3. RESULTADOS

3.1 NDVI

A Figura 1 apresenta de maneira visual a distribuição de

vegetação densa na área urbana de Santarém. A resolução
espacial de 10m das bandas utilizadas dos dados Sentinel-2
permitem a distinção no NDVI de diferentes áreas
impermeáveis (área construída e vias asfaltadas ou não),
todos abaixo de 0. No ranqueamento de -1 até 1 do NDVI foi
possível perceber uma leve semelhança entre a água com
sedimento do rio que passa pela frente do município com a
área impermeável encontrada.
Figura 2. Histograma de distribuição e frequência de pixels
encontrados para o cálculo do NDVI.
Através da Figura 2, notou-se o pico de frequência de
pixels na faixa entre 0,75 e 1, indicando grande distribuição
de vegetação densa na cena. Pela análise da imagem (Figura
1) e do histograma (Figura 2) do NDVI, definiu-se como

1648
vegetação densa os valores superiores à 0,7. Com isso,
obteve-se na análise espacial a área para esse tipo de
cobertura do solo de 37,68 km².
3.2. NDBI
O NDBI apresentou valores satisfatórios, tendo atuado na
diferenciação de áreas com solo exposto das áreas construídas
e a vegetação do entorno, facilitando a classificação de
padrões urbanos, como visto na Figura 3.
Figura 3. Mapa da distribuição dos valores encontrados para o
cálculo do NDBI.
Salienta-se que, apesar da diferenciação visual ter sido
satisfatória para malha urbana e vegetação no NDBI, houve
uma classificação errônea dos valores dos pixels para faixas
de água. Em alguns trechos, as águas foram caracterizadas
como malha urbana, com valores entre 0,5 e 0,75.
O histograma da Figura 4 atribui a frequência de pixels
em função do NDBI para a área de estudo. Ressalta-se que a
peculiaridade citada anteriormente não é identificável nessa
distribuição, mas a avaliação pixel a pixel junto da análise
visual dos autores permitiu apontar a necessidade de
adaptação desse algoritmo para cidades amazônicas.
O histograma demonstrou aderência satisfatória aos
valores de pixel, onde os valores abaixo de -0,25 expressaram
a vegetação de forma análoga ao pico apontado na Figura 2.
Além disso, os valores entre 0,5 e 0,75 apresentaram
distribuição de pixels muito baixa no histograma. Mesmo
assim, os autores ressaltam a necessidade de adaptação deste
algoritmo para cidades banhadas por águas amazônicas, visto
a necessidade da correta classificação do NDBI para as
classes massa d’água, solo exposto e vegetação.
Figura 4. Histograma de distribuição e frequência de pixels
encontrados para o cálculo do NDBI.
A área urbana considerada foi na faixa do histograma
entre 0 e 0.5. A análise espacial com esses valores
possibilitou a identificação de uma área de 21,37 km² de área
urbana.
4. DISCUSSÃO
No que se refere as estimativas de NDVI para a vegetação
densa, na área de estudo estão de acordo com outros estudos
desenvolvidos em regiões tropicais. Estudos encontraram
valores de NDVI acima de 0,40 em áreas verdes e valores
entre 0,01 e 0,02 em aglomerados urbanos e valores próximos
a zero em corpos hídricos em Pernambuco, no entorno do
reservatório de Itaparica [4]. Outros estudos corroboram as
estimativas de NDVI, ao apontar que o índice pode variar de
0,72 em florestas urbanas a 0,39 em áreas urbanas em
Campos Puciari de Humaitá-AM [13].
Isso indica que, através dos índices de vegetação
investigados, as áreas periurbanas que apresentam vegetação
mais densa possuem valores mais elevados, enquanto áreas
com menor cobertura como nas áreas verdes urbanas,
apresentam valores mais baixos [14], [15]. Além disso, há
casos onde foram encontrados valores próximos a 0 para água
e valores acima de 0,6 para florestas em Coari, AM [6].
No que se refere ao NDBI, trata-se de um índice para
mapeamento rápido de áreas construídas, entretanto seu
desempenho pode ser afetado negativamente pela presença de
solos, cuja sua reflectância varia [5], [11]. Em outro estudo,
foram encontrados resultados semelhantes ao da área de
estudo, que o índice proporcionar uma melhor visualização
da área urbana [8].
1649
 A dubiedade dos valores no NDBI entre água e área
impermável citada pode ser explicada pelo padrão
sedimentológico inerente aos corpos hídricos amazônicos. Os
tributários realizam constantes trocas de sedimentos com o
rio principal, tanto pela influência sazonal quanto pela
influência do ciclo hidrológico [16].
5. CONCLUSÕES
A interpretação dos dados de NDVI permitiu a identificação
de áreas de vegetação densa, e o NDBI permitiu a
identificação da área urbana de maneira fidedigna a imagem
original. Destaca-se, entretanto, que na aplicação dos dois
índices, principalmente o NDBI, identificou-se uma confusão
de valores entre a área urbana e a água, isso por causa do alto
teor de sedimento encontrado nesse tipo de corpo hídrico.
Futuras investigações devem ser feitas para o aprimoramento
dos índices de vegetações em áreas que possuam corpos
hídricos amazônicos.
6. REFERÊNCIAS
[1] Xu, H. "Extraction of Urban Built-up Land Features from
Landsat Imagery Using a Thematicoriented Index
Combination Technique" Photogramm. Eng. Remote Sens.,
v. 73, n. 12, pp. 1381–1391, 2007.
[2] Estoque, R. C. e Murayama, Y. "Classification and
change detection of built-up lands from Landsat-7 ETM+ and
Landsat-8 OLI/TIRS imageries: A comparative assessment
of various spectral indices" Ecol. Indic., v. 56, pp. 205–217,
2015.
[3] Jensen, J. R. “Remote sensing of the environment: an
earth resource perspective”, 2nd ed., vol. 1. Harlow-
Inglaterra: Pearson New International, 2014.
[4] Teixeira, A. M. A., Candeias, A. L. B. e Junior, J. R. T.
"Comparação dos índices de vegetação para imagens
TM/Landsat 5, com correção e sem correção atmosférica"
Rev. Bras. Geomática, v. 5, n. 4, pp. 524–542, 2017.
[5] Bhatti, S. S. e Tripathi, N. K. "Built-up area extraction
using Landsat 8 OLI imagery" GIScience Remote Sens., v.
51, n. 4, pp. 445–467, 2014.
[6] Guilherme, A. P., Mota, A. B. S., Mota, D. S., Machado,
N. G. e Biudes, M. S. "Uso de índice de vegetação para
caracterizar a mudança no uso do solo em Coari-AM" Soc.
Nat., v. 28, n. 2, pp. 301–310, 2016.
[7] ESA, "Sentinel-2 User Handbook". ESA Standard
Document, European Space Agency: 2015.
Powered by TCPDF (www.tcpdf.org)
[8] Deus, R. A. S. G., Ramos, R. P. S., Costa, S. O. S. e
Gomes, D. D. M. "Análise Multitemporal da Expansão
Urbana do Município de Garanhuns - PE , Através do
Sensoriamento Remoto" Rev. do Cent. Ciências Nat. e Exatas
- UFSM St. Maria, v. 19, n. 2, pp. 1535–1544, 2015.
[9] IBGE, "IBGE Cidades - Santarém Dados
Socioeconômicos", 2018. [Online]. Disponível em:
https://cidades.ibge.gov.br/brasil/pa/santarem.
[10] Pertille, C. T., Silva, G. O., Souza, C. F. e Nicoletti, M.
F. "Estudo da eficiência de classificações supervisionadas
aplicadas em imagem de média resolução espacial" BIOFIX
Sci. J., v. 3, n. 2, pp. 289–296, 2018.
[11] Zha, Y., Gao, J. e Ni, S. "Use of normalized difference
built-up index in automatically mapping urban areas from
TM imagery" Int. J. Remote Sens., v. 24, n. 3, pp. 583–594,
2003.
[12] Sakuno, N. R. R., Kawakubo, F. S., Spalevic, V. e
Mincato, R. L. "Mapeamento de Superfícies Impermeáveis
em Áreas Urbanas Utilizando Imagens Índices Geradas Pelo
Sistema Landsat-5 Thematic Mapper Mapping Impervious
Surfaces in Urban Areas Using Index Images Generated
From The Landsat-5 Thematic Mapper System" Rev. do Dep.
Geogr. Univ. São Paulo, v. Especial, pp. 190–198, 2017.
[13] Tartari, R., Machado, N. G., Anjos, M. R., Cunha, J. M.,
Musis, C. R., Nogueira, J. S. e Biudes, M. S. "Análise de
índices biofísicos a partir de imagens TM Landsat 5 em
paisagem heterogênea no Sudoeste da Amazônia" Ambient.
Água - An Interdiscip. J. Appl. Sci., v. 10, n. 4, pp. 943–953,
2015.
[14] Fausto, M. A., Machado, N. G., Nogueira, J. S. e Biudes,
M. S. "Net radiation estimated by remote sensing in Cerrado
areas in the Upper Paraguay River Basin" J. Appl. Remote
Sens., v. 8, n. 1, pp. 1–18, 2014.
[15] Nascimento, F. C. A., Araújo, F. R. C. D., Santos, C. A.
C. e Santos, E. G. "Análise das mudanças ambientais
provocadas pela expansão urbana na cidade de Mossoró-RN,
através do uso de técnicas de Sensoriamento Remoto" Rev.
Bras. Geogr. Física, v. 7, n. 4, pp. 636–642, 2014.
[16] Wittmann, H., Oelze, M., Roig, H. e von Blanckenburg,
F. "Are seasonal variations in river-floodplain sediment
exchange in the lower Amazon River basin resolvable
through meteoric cosmogenic 10Be to stable 9Be ratios?"
Geomorphology, v. 322, pp. 148–158, 2018.
1650