© 2007 WILLIAM TSE HORNG LIU

Proibida a reprodução total ou parcial por qualquer meio de impressão, em forma idêntica, resumida ou modificada, em língua
portuguesa ou qualquer outro idioma.
Depósito Legal na Biblioteca Nacional

© Copyright 2015 Oficina de Textos

Conselho editorial Cylon Gonçalves da Silva; Doris C. C. K. Kowaltowski;

José Galizia Tundisi; Luis Enrique Sánchez;
Paulo Helene; Rozely Ferreira dos Santos;
Teresa Gallotti Florenzano

Capa  Malu Vallim
Projeto gráfico  Daniel Neves
Diagramação  Allzone Digital Services Limited
Revisão de textos  Gislene Fernandes Soares e Helio Hideki Iraha

Ficha catalográfica elaborada pela Biblioteca Central da UNIDERP

   
Liu, William Tse Horng.
L783a    Aplicações de sensoriamento remoto / William Tse Horng Liu. –
Campo Grande: Ed. UNIDERP, 2006.
   908 p: il. color.
 
   Inclui bibliografia.
   ISBN 85-7704-040-0
 eISBN 978-85-7975-177-6
 
1. Satélites - Sensoriamento remoto 2. Monitoramento I. Título.
 
 
CDD 21.ed. 621.3678
526.982  

Todos os direitos reservados à Oficina de Textos

Rua Cubatão, 959
CEP 04013-043 – São Paulo – Brasil
Fone (11) 3085 7933  Fax (11) 3083 0849
www.ofitexto.com.br  e-mail: atend@ofitexto.com.br
 Biografia

William Tse Horng Liu, nascido em Tungshiao, Taiwan, em 20 de agosto de 1942, foi premiado várias vezes
como estudante padrão e jovem padrão durante o período em que cursou o ensino fundamental e o médio. Em 1956
foi premiado na categoria Excelência Acadêmica com nota A em todas as matérias, um fato inédito na história do
Primeiro Colégio Estadual Taichung, onde estudou. Após concluir o bacharelado em Ciência do Solo na
Universidade Nacional Chung Hsing, em Taiwan, foi aos Estados Unidos para realizar seus estudos de pós-
graduação, obtendo seu mestrado na Universidade de New Hampshire, em Durham, em 1970, e seu Ph.D. na
Universidade de Cornell, em Ithaca (Nova York), em 1974.
Ao longo de sua carreira realizou várias visitas internacionais com fins científicos, nas quais proferiu diversas
palestras, incluindo aquelas realizadas no International Crops Research Institute for the Semi-Arid Tropics
(ICRISAT), em Hyderabad, Índia, onde concluiu os estudos de pós-doutorado; na Divisão das Aplicações Climáticas
do NESDIS/NOAA e na Universidade de Missouri em Columbia por duas vezes como parte dos estudos de pós-
doutorado; no Satellite Applications Laboratory do NESDIS/NOAA e no World Weather Center, em Camp Springs
(Maryland), por duas vezes; no Goddard Space Flight Center (GSFC), da Nasa, em Greenbelt (Maryland); no World
Agricultural Outlook Board/USDA, em Washington D.C.; na Universidade Estadual de Colorado, em Fort Collins;
no Winand Staring Centre for Integrated Land, Soil and Water Research (SC-DLO), em Wageningen, Holanda; no
Instituto Nacional de Tecnologia Agrária (INTA), em Buenos Aires, Argentina; no Serviço Florestal/USDA, em
Washington D.C.; no Serviço Geológico em Pequim e Nanquim, China; no Serviço Meteorológico em Xangai,
China; no Serviço Meteorológico em Taipei, Taiwan; na Universidade Nacional Chung Yang, em Taiwan; na
Universidade de Estrasburgo, na França, e no Centro Nacional de Pesquisas Bioclimáticas, em Avignon, França; na
Ducks Unlimited e na Universidade de Tennessee em Memphis, entre outras.
Antes de lecionar na Universidade Nacional Chung Hsing, em Taiwan, trabalhou no Centro de Pesquisa
Agropecuária do Trópico Semi-Árido (CPATSA/Embrapa), em Petrolina, Pernambuco, em 1976. Como
coordenador do Programa de Sistema de Produção em Área de Sequeiro do CPATSA, desenvolveu vários sistemas
de captação de água para minimizar o risco da perda de produção na região Nordeste brasileira. Em 1978, foi
contratado pelo Centro Tecnológico (Cetec) de Minais Gerais, em Belo Horizonte, e desenvolveu o método e
produziu os mapas de zoneamento ecológico das culturas energéticas, incluindo cana-de-açúcar, mandioca e sorgo
sacarino, para todos os Estados do Brasil em escala de 1:1.000.000. Também desenvolveu os métodos alternativos
de previsão da safra agrícola, incluindo modelos estatísticos, modelos de processos fisiológicos e modelos via
satélite. Em 1988, foi contratado para lecionar no Departamento de Ciências Atmosféricas do Instituto Astronômico
e Geofísico da Universidade de São Paulo. Criou o Laboratório de Aplicações de Sensoriamento Remoto,
desenvolveu as técnicas de previsão de safra agrícola via satélite e executou as validações de métodos de estimativa
de parâmetros biofísicos, tais como albedo, temperatura da superfície e balanço de energia da superfície via satélite
NOAA em campo. Em 2000, foi contratado pela Universidade Católica Dom Bosco, em Campo Grande, Mato
Grosso do Sul, e desenvolveu técnicas de previsão de cota, cheias e tendência de erosão da bacia do rio Alto
Paraguai (BAP), métodos de zoneamento ecológico-econômico aplicando o modelo de Sistema de Informações
Geográficas e modelos de manejo sustentável dessa bacia hidrográfica. Por meio desses vários projetos, foram
gerados os mapas da base cartográfica e dos usos atuais do solo da BAP em escala de 1:100.000 e desenvolvidos o
plano sustentável de manejo da bacia do rio Miranda e o plano de manejo do Parque Estadual do Rio Alto Taquari.
Tem a honra de ser membro da equipe de revisores da revista internacional International Journal of Remote
Sensing desde 2002. Seus trabalhos publicados incluem: revistas nacionais (5), revistas internacionais (11),
simpósios e congressos (103), relatórios técnicos (23), capítulos de livros (2), palestras proferidas (44) e publicações
em língua chinesa (7).
 Prefácio à segunda edição

Os mil exemplares da primeira edição do livro Aplicações de Sensoriamento Remoto esgotaram no início do
ano de 2014. Visando dar continuidade às aquisições do livro por leitores e às facilidades para a pesquisa e o ensino
na área de Sensoriamento Remoto, tomei a decisão de publicar esta segunda edição com o apoio da Editora Oficina
de Textos. Nesta edição, além de corrigir os erros ocorridos na primeira edição, acrescentei o Cap. 16, Modelo
Universal de Previsão de Safra Agrícola (MUPSA). MUPSA é um modelo que pode ser aplicado para prever as
produções agrícolas para quaisquer tipos de vegetação em qualquer área e para monitorar as evoluções temporais e
espaciais da superfície do planeta Terra. Trata-se de um modelo inédito internacionalmente, fruto valioso da
integração dos conhecimentos nas diversas áreas científicas. Essa integração só se tornou possível com a visita, no
ano de 2008, ao Setor de Agrimensura e Geoprocessamento do Departamento de Engenharia Civil da Universidade
de Viçosa (MG), liderado pelo Prof. Dr. Carlos Vieira, especialista na aplicação do software Redes Neurais para
identificar e classificar culturas usando os dados multi-espectrais, multi-temporais e multi-fontes. A visita foi
financiada pelo CNPq, por meio da Bolsa de Professor Visitante, pelo período de um ano. Gostaria de divulgar o
MUPSA àqueles que têm interesse em aplicar esse modelo para prever as produções agrícolas e para monitorar as
evoluções temporais e espaciais de usos da terra do mundo inteiro.

Agradeço cordialmente o apoio da Sra. Hélida Machado Pelozio e do Sr. Marcel Iha, da Editora Oficina de
Textos. Sem esse incentivo, seria impossível realizar a divulgação desta segunda edição.

Curitiba, PR, junho de 2014.

 

William Tse Horng Liu, Ph.D.

liu_rslivro@hotmail.com
 Prefácio à primeira edição

Apresentações extensas sobre os fundamentos teóricos de sensoriamento remoto via satélite e suas aplicações
podem ser encontradas nos dois volumes do livro, chamado Manual de Sensoriamento Remoto (Manual of Remote
Sensing), editado por Colwell em 1985. Os conteúdos das aplicações baseiam-se nos resultados das pesquisas
obtidas nas décadas de 1960 e 1970 e no início da década de 1980. Os avanços das aplicações nas diversas
disciplinas somente podem ser encontrados nas revistas, tais como international Journal of Remote Sensing, Remote
Sensing of Envrionment, IEEE Transaction on Geoscience and Remote Sening, International Journal of
Photogrammetry and Remote Sensing, e nos artigos de outras revistas que contestam as aplicações dos dados
adquiridos por satélites nas diversas áreas.

Desde a publicação de Colwell, passaram-se mais de 20 anos e sem que se pudesse encontrar outro livro
abordando as aplicações dos dados de sensoriamento remoto via satélite tão abrangente. Este livro apresenta as
técnicas modernas de sensoriamento remoto aplicadas em diversas disciplinas. Os três motivos que me levaram a
escrever este livro foram: fazer uma revisão mais ampla das potencialidades de aplicações dos dados adquiridos por
satélites; escrever em Língua Portuguesa para facilitar os ensinos e as pesquisas; fornecer sucintamente os
conhecimentos básicos das diversas disciplinas, principalmente nas áreas de micrometeorologia, solo e fisiologia
vegetal, entre outros, para ampliar suas aplicações. Nesse contexto, as aplicações atuais mais destacadas são
apresentadas e revisadas e os avanços das pesquisas nas décadas de 1960 a 1980, citados por Colwell, também são
incluídos neste livro para formar um fluxo contínuo do assunto.

O livro recebeu o título “Aplicações de Sensoriamento Remoto”. O conteúdo é apresentado em 15 capítulos:

fundamento teórico; sistema de satélites; características espectrais de solo; características espectrais de vegetação;
aplicações em geologia; recursos hídricos; índices de vegetação; balanço de energia da superfície terrestre;
monitoramento das secas; usos do solo urbano; monitoramento de queimadas; previsão de safra agrícola;
processamento de dados de satélites; classificação de imagem digital e sistema de informações geográficas.

Considerando-se que o assunto das aplicações de satélites ambientais envolve uma gigantesca gama das
diversas disciplinas e a ciência de sensoriamento remoto avança rapidamente, as contribuições significantes das
aplicações de dados de satélites são de fato vastas e dinâmicas. Portanto é impossível englobar todas as descobertas e
as contribuições distintas nas diversas áreas publicadas por todos os pesquisadores e profissionais em todas
disciplinas neste espaço limitado. Entre as contribuições das mais distintas, pode acontecer de algumas não terem
sido discutidas neste livro. Suas opiniões e críticas são importantes e bem-vindas. Espero que as informações
apresentadas por este livro sirvam para facilitar o trabalho de pesquisadores, professores, profissionais e alunos de
alguma maneira, a fim de explorarem as possíveis aplicações dos dados de sensoriamento remoto via satélite nas
suas especialidades.

Campo Grande, MS, janeiro de 2007.

 
William Tse Horng Liu, Ph.D.
liu_rslivro@hotmail.com
 Agradecimentos

À Diretora-Geral da EDITORA UNIDERP, Profa. Maysa de Oliveira Brum Bueno, às Profas. Lúcia Helena
Paula do Canto, Edmara Moraes Veloso e Rúbia de Oliveira Vasques, revisoras. Ao M. Sc. Aloizo Rodrigues dos
Santos, assessor técnico da Editora UNIDERP, e equipe, Daniel Neves, Ricardo Rojas, Adalberto Souza, Alex Joboji
e Kátia Barbosa pela produção do livro; ao Prof. Dr. Edson Kassar, Departamento de Física da UFMS, Prof. Dr.
Gutemberg França, Departamento de Ciências Atmosféricas, UFRJ, e Dr. Ronbinson Negon Juarez, School of Earth
and Atmospheric Sciences, Geórgia Institute of Technology, Atlanta, Geórgia, USA, que revisaram o conteúdo
científico contribuindo valiosas sugestões. Ao meu filho Shinjen A. Liu e Daniel Neves, que revisaram e finalizaram
a arte gráfica das figuras, tabelas, conteúdo, formato e diagramação.
À Sra. Teresinha S. Martins, do WWF Regional do Estado de Mato Grosso do Sul; Profa. Cristina França
Monteiro Kassar, FUNLEC, e Sra. Rachel Rabello Soriani, Secretária Estadual de Meio Ambiente/MS, que
revisaram previamente este livro, e ao Sr. Edson Luis Santiami, técnico do Laboratório de Geoprocessamento da
UCDB, que produziu previamente as figuras e as imagens para o livro. Ao Dr. André Luiz Farias de Souza do
Centro de Previsões do Tempo e Estudos Climáticos; ao Rafael Galvan Barbosa Ferraz, aluno do Programa de
Mestrado em Desenvolvimento Local; aos acadêmicos do Programa de Iniciação Científica, incluindo: Maria
Fernanda Hungria Cabral, Priscila Quevedo Monteiro, Moacir Ademilson Stumpf, Frederico Lício Pereira, Suelen
Ferreira dos Santos, Bruna Peixoto Fonseca; aos estagiários do Laboratório de Geoprocessamento, incluindo
Gustavo Ferreira de Souza, Paulo Jun Adachi Kanazawa e aos demais acadêmicos da UCDB, que contribuiram para
o desenvolvimento do livro.
Só a ajuda desses queridos colegas e alunos tornou possível apresentar este livro dentro da perfeição que
condiz com nossa humanidade.

Campo Grande, MS, janeiro de 2007.

 

William Tse Horng Liu

 Sumário

1  Fundamento Teórico
1.1      Introdução
1.2      Energia eletromagnética
1.3      Polarização de onda eletromagnética
1.4      Espectro energia eletromagnética
1.5      Espectro da radiação solar
1.6      Interações com superfícies
1.6.1      Intensidade da radiação solar
1.6.2      Reflectância
1.6.3      Superfície lambertiana
1.6.4      Transmitância
1.6.5      Refração
1.6.6      Absorção e emissão
1.7      Atenuação atmosférica
1.7.1      Janelas atmosféricas
1.8      Aplicações de assinatura de espectro da onda eletromagnética
1.8.1      Assinatura espectral
1.8.2      Assinatura espacial
1.8.3      Assinatura angular
1.8.4      Assinatura temporal
1.8.5      Assinatura polarizada
1.9      Potencial de aplicações
Referências

2      Sistema de Satélites
2.1      História dos satélites
2.2      Classificação dos satélites
2.2.1      Órbitas polares
2.2.2      Órbita geosincronizada e geoestacionária
2.3      Resoluções espectral e espacial
2.4      Características de sensores
2.4.1      Sensores não-imageadoras
2.4.2      Sensores imageadoras
2.4.2.1      Sensores fotográficos
2.4.2.2      Sensores eletro-óticos
2.4.2.3      Sensores de microondas
2.4.2.4      Sensores de LIDAR
2.4.3      Vantagens e limitações dos diferentes sistemas de sensores
2.5      Sistema de satélites
2.5.1      Landsat
2.5.1.1      Características do sistema e sensores dos satélites Landsat 1, 2 e 3
2.5.1.2      Características do sistema e sensores dos satélites Landsat 4 e 5
2.5.1.3      Características do sistema e sensores dos satélites Landsat 7
2.5.1.4      Diferenças entre o Landsat 7 e Landsat 5
2.5.2      SPOT
2.5.2.1      Características de sistema e sensores do SPOT
2.5.2.2      SPOT 5
2.5.3      IKONOS
2.5.4      QuickBird
2.5.5      KOMPSAT
2.5.6      EROS
2.5.7      ERS
2.5.7.1      Características gerais do ERS
2.5.7.2      Níveis de processamento ERS
2.5.8      ENVISAT
2.5.8.1      Instrumento ASAR
2.5.8.2      Instrumento MERIS
2.5.9        IRIS
2.5.10      OrbView 3
2.5.11      TERRA
2.5.12      NOAA
2.5.13      GOES
2.5.14      METEOSAT
2.5.15      DMSP
2.5.16      ADEOS
2.5.17      INSAT
2.5.18      CBERS
Referências
Anexo 2A Lista dos principais satélites ambientais

3      Características Espectrais de Solo

3.1      Introdução
3.2      Natureza e propriedade de solo
3.2.1      Perfil do solo
3.2.2      Água no solo – uma solução dinâmica
3.2.3      Ar do solo
3.2.4      Densidade do solo
3.2.5      Umidade do solo
3.2.6      Propriedades químicas de solo
3.2.6.1      Colóides de solo
3.2.6.2      Absorção de cátions
3.2.6.3      Capacidade de troca de cátios
3.2.6.4      Acidez do solo
3.3      Fatores que afetam a reflectância espectral de solos
3.3.1      Cores de solo
3.3.2      Composições minerais
3.3.3      Matérias orgânicas
3.3.4      Textura de solo
3.3.5      Rugosidade e estrutura de solo
3.3.6      Emessividade do solo
3.3.7      Propriedades de polarização
3.4      Assinaturas espectrais de vários tipos de solo
3.5      Classificação do solo
Referências

4      Características Espectrais de Vegetação

4.1      Introdução
4.2      Estrutura de uma folha
4.3      Reflectância de uma folha madura e de uma folha nova
4.4      Reflectância, transmitância e absorção de energia eletromagnética
4.5      Fatores fisiológicos que afetam as reflectâncias espectrais de uma folha
4.5.1      Maturidade da folha
4.5.2      Pigmentos
4.5.3      Orientação estrutural do mesófilo
4.5.4      Folhas danificadas
4.5.5      Folhas no sol ou na sombra
4.5.6      Folhas pilosas
4.5.7      Conteúdo de água na folha
4.5.8      Plantas suculentas
4.5.9      Espaço poroso de ar na folha
4.5.10    Envelhecimento das folhas
4.5.11    Salinidade
4.5.12    Nutrientes
4.6      Reflectância espectrais da copa de vegetação
4.7      Monitoramento da vegetação terrestre via satélite
Referências

5      Aplicações em Geologia
5.1      Introdução
5.2      Geomorfologia
5.3      Litologia
5.4      Estruturas Geológicas e Tectônicas
5.5      Geologia econômica
5.6      Engenharia geológica
5.7      Desastres geológicos
5.8      Glaciais
5.9      Geologia marinha
5.10     Geobotânica
5.11     Geologia arqueológica
Referências

6      Recursos Hídricos
6.1      Introdução
6.2      Interação entre luz e água
6.3      Estimativa de profundidade e área da superfície da água
6.4      Monitoramento de água subterrânea
6.5      Monitoramento de aqüíferos rasos de areias e cascalhos
6.6      Monitoramento de qualidade da água
6.7      Monitoramento de inundação
6.7.1      Monitoramento de área inundada
6.7.2      Previsão e estimativas de área inundada da bacia do Rio Alto Paraguai
Referências

7 Índices de Vegetação
7.1      Introdução
7.2      Tipos de índice de vegetação
7.2.1      Índice de vegetação pela razão
7.2.2      Índice de brilho de solo e índice de vegetação verde
7.2.3      Verde sobre solo nu
7.2.4      Índice de vegetação pela diferença
7.2.5      Índice de vegetação da diferença normalizada
7.2.6      Índice de vegetação perpendicular
7.2.7      Índice de vegetação ajustado por solo
7.2.8      Índice de vegetação modificado com linha de solo ajustado
7.2.9      Índice de razão ajustado por solo
7.2.10    Índice de vegetação ajustado por solo transformado
7.2.11    Índice de vegetação com resistência atmosférica
7.2.12    Índice de linha do solo com resistência atmosférica
7.2.13    Índice de vegetação ajustado por dois eixos
7.2.14    Índice da condição de vegetação
7.2.15    Índice da diferença de temperatura do brilho
7.2.16    Índice de segunda derivada
7.2.17    Índice da condição de temperatura de brilho
7.2.18    Índice de monitoramento do meio ambiente global
7.2.19    Índice de vegetação angular
7.2.20    SAVI Otimizado
7.2.21    Índice Amarelo
7.3      Aplicações de NDVI
7.3.1      Condições do crescimento da cultura
7.3.2      Índice de área foliar e radiação fotossintética ativa
Referências

8      Balanço de Energia da Superfície Terrestre

8.1      Introdução
8.2      Estimativa de albedo
8.2.1      Modelo de Wydick
8.2.2      Modelo de Valiente
8.2.3      Modelo de Hucek e Jacobowitz
8.2.4      Mapas dinâmicos de albedo da superfície terrestre
8.3      Estimativa de emissividade
8.3.1      Método de Kerr
 8.3.2      Método de Griend e Owe
8.3.3      Método de Valor e Caselles
8.3.4      Método de Kealy e Hook
8.3.5      Metódo de Becker e Li
8.3.6      Método da caixa preta
8.4      Estimativa de temperatura da superfície terrestre
8.4.1      Estimativa de temperatura da superfície oceânica
8.4.2      Método da banda única em infravermelho
8.4.3      Método de janela dividida
8.4.4      Método de ângulos múltiplos
8.4.5      Método da combinação de janela dividida e ângulos múltiplos
8.4.6      Método de janela dividida local
8.4.7      Mapas dinâmicos de temperatura da superfície terrestre
8.4.8      Comparação de três métodos de estimativa de Tst
8.4.9      Métodos de microondas na estimativa de temperatura da superfície
8.4.10    Perspectivas futuras de estimativa de temperatura
8.5      Balanço de energia na superfície terrestre
8.5.1      Radiação solar líquida recebida
8.5.1.1      Estimativa de radiação solar incidente
8.5.1.2      Estimativa da radiação onda curta líquida
8.5.1.3      Estimativa da radiação onda longa líquida
8.5.2      Fluxos de balanço de energia da superfície terrestre
8.5.2.1      Fluxo do calor ao solo
8.5.2.2      Fluxo do calor sensível ao ar
8.6      Fluxo de calor latente ou evapotranspiração
8.6.1      Definições de evapotranspiração
8.6.2      Fatores que afetam a evapotranspiração
8.6.3      Microclimas
8.6.4      Métodos de estimativa de evapotranspiração
8.6.4.1      Método de lisímetro
8.6.4.2      Métodos empíricos
8.6.4.3      Métodos micrometeorológicos
8.6.4.4      Métodos de sensoriamento remoto via satélite
8.6.4.5      Modelo SEBAL na estimativa do fluxo do calor latente
8.7      Perspectivas futuras de estimativa dos fluxos de balanço de energia da superfície
Referências
Anexo 8A programa de cálculo de evapotranspiração pelo método de Hargraves
Anexo 8B programa de cálculo de albedo, temperatura da superfície terrestre e NDVI

9 Monitoramento das Secas

9.1      Introdução
9.2      Potencial da água
9.3      Tensão da água no solo
9.4      Características de curvas de umedecimento e secagem do solo
9.5      Movimento de água no solo
9.5.1      Movimento de água no solo saturado
9.5.2      Movimento de água no solo não saturado
9.5.3      Movimento de vapor da água
9.5.4      Movimento de água no solo - equação geral
 9.5.5      Movimento de sais
9.6      Movimento de água nas plantas
9.7      Movimento de água no sistema solo-planta-atmosfera
9.8      Medições de umidade e potencial da água
9.8.1      Medições de umidade de água no solo
9.8.2      Medições de teor de água nas plantas
9.8.3      Medição de resistência de estômatos
9.9      Índices de seca
9.9.1      Índice de aridez do Thornthwaite
9.9.2      Índice de deficiência de evapotranspiração
9.9.3      Índice de água disponível de Hargreaves
9.9.4      Índice de risco agrícola
9.9.5      Índice de Palmer
9.9.6      Índice de graus dia de estresse hídrico
9.10      Balanço hídrico
9.10.1      Balanço hídrico do planeta Terra
9.10.2      Balanço hídrico das culturas
9.11      Monitoramento da umidade do solo via satélite
9.11.1      Umidade do solo inferido pelo NDVI
9.11.2      Umidade do solo inferida pela amplitude diária de temperatura da superfície
9.11.3      Umidade do solo por microondas
9.12      Monitoramento das variabilidades climáticas pelo NDVI
9.13      Monitoramento das variabilidades climáticas pelos NDVI e VCI
9.14      Imagens dinâmicas de NDVI da superfície terrestre
9.15      Imagens compostas de albedo, temperatura e NDVI
9.16      Análise variabilidade espacial pela técnica FFT
9.16.1      Técnica de análise da FFT
9.16.2      NDVI da Região Nordeste Brasileira
9.16.3      Imagem de fase do NDVI
9.16.4      Imagens de amplitude de NDVI
9.16.5      Delineamento da variabilidade climática baseada na análise da FFT
9.17      Perspectivas futuras
Referências
Anexo 9A programa do balanço hídrico de Baier
Anexo 9B programa de fast fourier transform

10 Usos do Solo Urbano

10.1      Introdução
10.2      Propriedade espectral de usos do solo urbano
10.3      Propriedade espacial de usos do solo urbano
10.4      Classificação de usos do solo urbano
10.5      Estimativa da população
10.5.1      Unidade de moradia
10.5.2      Densidade de residência
 10.5.3      Área construída
10.5.4      Análise automática de imagem digital
10.6      Qualidade da moradia
10.7      Monitoramento da conservação de energia e ilha de calor urbano
10.8      Evolução temporal de usos do solo urbano
Referências

11 Monitoramento de Queimadas
11.1      Introdução
11.2      Fatores que afetam comportamento do fogo
11.2.1      Combustível
11.2.2      Clima
11.2.3      Topografia
11.3      Detecção de ocorrência de queimadas via satélite
11.4      Estimativa de área de queimadas via satélite
11.5      Modelos de índices de suscetibilidade de risco de ocorrências de queimadas
11.6      Perspectivas futuras
Referências

12 Previsão de Safra Agrícola

12.1      Introdução
12.2      Estimativa de área plantada
12.2.1      Estimativa de área baseada na estratificação e amostragem de segmentos
12.2.2      Estimativa de área via satélite usando técnicas de regressão
12.3      Estimativa de produtividade
12.3.1      Crescimento e desenvolvimento da planta
12.3.1.1      Ponto de compensação
12.3.1.2      Ponto de saturação
12.3.1.3      Fotossíntese bruta, aparente e aiquida
12.3.1.4      Radiação fotossintética ativa
12.3.1.5      Eficiência fotossintética
12.3.1.6      Caminho da fixação de dióxido de carbono
12.3.1.7      Fatores afetam a taxa de fotossíntese
12.3.1.8      Influências ambientais na respiração
12.3.1.9      Balanço de CO2 no campo
12.3.1.10    Grau dia do crescimento
12.3.2      Modelos estatísticos agroclimatológicos
12.3.2.1      Modelos de regressão múltipla
12.3.2.2      Modelos de regressão múltipla com reajuste fenológico
12.3.2.3      Modelos multifatoriais
12.3.2.4      Modelos de lei do mínimo
12.3.3      Modelos de simulação dos processos fisiológicos
12.3.4      Modelos de produtividade primária líquida
12.3.5      Modelos de previsão de safra agrícola via satélite
12.3.5.1      Técnicas de decomposição espacial e temporal
12.3.5.2      Avaliação estatística de modelos de previsão de safra agrícola
12.3.5.3      Modelos de índices de vegetação via satélites
12.4      Sistema operacional de previsão da safra agrícola
12.5      Sistema de agricultura de precisão
12.5.1      Mapas de propriedades de solos
12.5.2      Mapas de parâmetros meteorológicos
12.5.3      Mapeamento da produtividade potencial
12.5.4      Monitoramento de variabilidades anuais de fatores ambientais
12.6      Perspectivas futuras
Referências
Anexo 12A cálculo de radiação solar diária pelo método de Black

13 Processamento de Dados de Satélites

13.1      Introdução
13.2      Horário local de passagem dos satélites
13.2.1      Horário local de passagem do satélite NOAA
13.2.2      Deslocamentos das passagens de Landsat e SPOT
13.2.3      Deslocamentos de dias das passagens do Landsat e SPOT
13.2.4      Deslocamento de horário de passagem de Landsat e SPOT
13.3      Calibrações radiométricas
13.3.1      Calibrações radiométricas dos canais 1 e 2 de NOAA AVHRR
13.3.1.1      Método de correção radiométrica de Teillet e Holben
13.3.1.2      Método de Rao e Chen
13.3.2      Calibrações de canais 3, 4 e 5 do NOAA AVHRR
13.3.3      Calibração dos sensores de satélites SPOT e Landsat
13.3.4      Calibração radiométrica do satélite EOS
13.3.5      Calibração radiométrica dos satélites Meteosat
13.4      Correção atmosférica
13.4.1      Métodos de correção atmosférica no espectro solar
13.4.1.1      Método de Tanré para correção atmosférica de NOAA AVHRR
13.4.1.2      Método de Paltridge e Mitchell para NOAA AVHRR Canal 1 e 2
13.4.1.3      Método de Gilabert et al. para Landsat TM
13.4.1.4      Métodos de correção para o SPOT
13.4.1.5      Método de correção para o METEOSAT
13.4.2      Correção atmosférica para espectro termal
13.5      Efeito bidirecional
13.6      Correção geométrica
13.7      Eliminação de contaminação de nuvens
13.8      Técnicas de filtragem dos ruídos de sinais recebidos pelos sensores
13.9      Extração de fisionomia
13.10    Processamento de dados de SAR
13.11    Extração de informação das imagens de SAR
13.12    Classificação e segmentação de imagens do SAR
  Referências

14 Classificação de Imagem Digital

14.1      Introdução
14.2      Cartografia digital
14.2.1      Coordenada geográfica
14.2.2      Escala de mapa
14.2.3      Projeções cartográficas
14.2.4      Datum
14.2.5      Articulação das folhas do mapa do Brasil
14.2.6      Sistema de posicionamento global
14.2.7      Geração de mapa digital
14.2.7.1      Escaneamento de base cartográfica
14.2.7.2      Georreferenciamento de mapa digital
14.2.7.3      Vetorização
14.3      Imagem digital
14.3.1      Coleta dos dados de pontos de controle
14.3.2      Georreferenciamento de imagem
14.3.3      Visualização de imagem
14.4      Assinaturas espectrais de imagem digital
14.4.1      Análises das reflectâncias dos pixels puros e de misturas
14.4.2      Reflectâncias espectrais de água, solo, vegetação, área queimada e área urbana
14.4.3      Reflectâncias espectrais dos tipos de vegetação
14.4.4      Reflectâncias espectrais dos solos
14.4.5      Reflectâncias espectrais de várias superfícies de água
14.4.6      Análise da área de transição do solo para vegetação
14.4.7      Análise da área de transição de água para solo
14.4.8      Análise da área de transição de água para vegetação
14.5      Classificação de imagem de satélite
14.5.1      Classificações não supervisionadas
14.5.1.1      ISODATA
14.5.1.2      K-means
14.5.2      Classificação supervisionada
14.5.2.1      Análise de componente principal
14.5.2.2      Classificador de máxima verossimilhança
14.5.2.3      Análise de textura
14.5.2.4      Modelo de mistura linear
14.5.2.5      Método do paralelepípedo
14.5.2.6      Regressão múltipla
14.5.2.7      Krigagem
14.5.2.8      Espaço-S
14.5.2.9      Modelo de percepção na camada múltipla
14.5.2.10    Redes neurais flocosas de ARTMAP
14.5.2.11    Máquinas de vetor de suporte
14.6      Aplicações da combinação dos métodos de classificação
14.7      Pós-classificação
14.8      Perspectivas futuras das análises dos dados adquiridos via satélite
 Referências

15 Sistema de Informações Geográficas

15.1      Introdução
15.2      Tipos de dados em SIG
15.3      Modelo digital de elevação
15.4      Modelagem dinâmica
 15.4.1      Modelo de cadeia markoviana
15.4.2      Modelos logísticos de difusão
15.4.3      Modelo de regressão
15.4.4      Autômatos celulares
15.4.5      Modelo de simulação
15.4.5.1      Modelo de estimativa de fluxos de escoamento superficial e drenagem subterrânea de uma bacia
hidrográfica.
15.4.5.2      Modelo dinâmico de processos urbanos
15.5      SIG no desenvolvimento sustentável da bacia do Rio Miranda
15.5.1      Objetivos
15.5.2      Introdução
15.5.3      Metodologia
15.5.3.1      Coleta de dados
15.5.3.2      Produção de dados temáticos
15.5.3.3      Construção de modelos SIG
15.5.4      Geração do mapa de áreas de conflito
15.5.5      Simulação e validação dos modelos TMDL e ReVA
15.5.6      Impactos de desenvolvimento nas mudanças climáticas
15.5.6.1      Evolução de usos do solo
15.5.6.2      Mudança climática regional
15.5.7      Plano de gerenciamento da BRM
15.6      Pespectivas futuras
Referências

16      Modelo Universal de Previsão de Safra Agrícola (MUPSA)

16.1      Introdução
16.2      Fundamento teórico
16.2.1      Revisão de conceitos importantes
16.2.1.1      Estimativa de área plantada e de produtividade
16.2.1.2      Modelos estatísticos agrometeorológicos
16.2.1.3      Modelos de processos fisiológicos
16.2.1.4      Modelos de índices de vegetação via satélite
16.2.1.5      Modelos de produtividade primária
16.2.2      MUPSA
16.3      Metodologia
16.3.1      Área de estudo
16.3.1.1      Primeira etapa: estudo-piloto (dois anos)
16.3.2      Dados de estações meteorológicas, culturas e satélites
16.3.3      Estimativa de área plantada pelo MUPSA
16.3.3.1      Ciclo fenológico inferido por NDVI de nível de um pixel
16.3.3.2      Geração da curva de evolução temporal de NDVI
16.3.3.3      Datas de iniciação e duração do ciclo fenológico determinadas por GDD
16.3.3.5      Identificação dos efeitos de nutrientes e doenças e pragas na curva de NDVI
16.3.3.6      Delineamento das áreas ocupadas por uma determinada cultura
16.3.4      Estimativa de produtividade pelo MUPSA
16.3.4.1      Estimativa de produtividade em função de NDVI e PAR
16.3.5      Estimativa de produtividade pelo MODIS PSN
16.3.6      Delineamento da unidade homogênea
16.3.7      Cálculo da PSN em nível municipal
16.3.8      Estimativa de produtividade
16.3.9      Sistema operacional de previsão de safra agrícola
16.3.10      Sistema MUPSA do globo
16.4      Cronograma de atividades de execução (24 meses)
16.4.1      Primeira etapa
16.4.2      Segunda etapa
Referências
Anexo 16A – Experimentos para a validação do MUPSA
Lista de siglas
Índice de assuntos
Índice de autores
1.1 Introdução
O satélite é uma máquina fantástica que possui lentes em vários comprimentos de onda eletromagnética e vigia
cada pedaço do planeta Terra para informar rapidamente e minuciosamente o que está acontecendo nele em uma altitude
de 822 quilômetros e em uma velocidade que demora de 101,4 minutos para circular o globo terrestre de um pólo ao
outro, de uma vez. Essas lentes vivas são compostas de um conjunto de sensores que captam várias faixas de energia da
onda eletromagnética, que se originam da radiação solar refletida e emitida pelos objetos presentes na superfície da
Terra.
Por que o satélite pode ver nitidamente ruas, carros, plantações, florestas, rios, montanhas e outros, com altitude e
velocidade tão altas? Para responder a essa questão, primeiro, é importante saber que a energia solar é um tipo de energia
eletromagnética composta de uma determinada faixa de onda. As características e magnitudes das energias refletidas e
emitidas pelos objetos e captadas pelos sensores são fontes essenciais de informações para saber identificar os objetos.
Portanto, é preciso conhecer a energia eletromagnética, suas propriedades de propagação e interações com os objetos na
superfície.
Além disso, para saber qual é o limite teórico a partir do qual um sensor de satélite pode identificar os alvos na
superfície terrestre, é comparada a velocidade do satélite com a velocidade de registrar os sinais manifestados pelo alvo
na superfície. O registro dos sinais do alvo pelo sensor de um satélite depende da altura e velocidade do satélite.
A intensidade de energia eletromagnética diminui quando a distância entre o sensor e o alvo aumenta. A
diminuição da intensidade é igual à distância ao quadrado. Considerando que a altitude do satélite seja de 822 km, tal
como Satellite Pour l’Observation de la Terre (SPOT), por exemplo, a velocidade do satélite é o fator crucial para
calcular sua capacidade de identificar o alvo na superfície, porque ele passa rapidamente e o sensor tem seu limite de
tempo para registrar as informações do alvo.
A energia manifestada pelo alvo na superfície pode ser considerada inalterada em um curtíssimo período de tempo.
O problema é que o sistema de computador do sensor deve registrar rapidamente os sinais manifestados pelo alvo antes
que o sensor passe para outro. Portanto, é preciso comparar as velocidades de satélite e a velocidade da energia
eletromagnética para calcular o limite da resolução espacial do satélite. O limite máximo da velocidade da gravação de
um computador é a velocidade de energia eletromagnética que é igual à velocidade da luz no vácuo, ou seja, 300.000
km/s. Já um satélite, do tipo SPOT, em uma altitude de 822 km gasta 101,4 minutos para circular o globo a uma só vez.
O semi-eixo equatorial é de 6.378,4 km e a circunferência é de 40.076,7 km. A órbita do SPOT em uma altitude de 822
km é de 45.242 km. A velocidade do SPOT é de 446,2 km/min, isto é, 7,44 km/s. Considerando a velocidade da
gravação de 300.000 km/s, que é 40.344 vezes mais rápida do que a do satélite, cada sensor do satélite pode registrar
40.344 informações quando o satélite passa a uma distância de 7,44 km em cada segundo. Dividindo os 40.344 registros
por 7,44 km, obtém-se um valor de 18,43 cm por registro. Esta é a variação espacial máxima de um alvo com o tamanho
de 18,43 cm que um sensor pode registrar. Então, pode-se dizer que a resolução espacial máxima teórica de um sensor do
satélite de altitude de 822 km é de 18,43 centímetros. Mas considerando a complexidade das combinações entre as
direções da rotação da Terra e do satélite, a resolução pode ser alterada dependendo da sua velocidade relativa. Além
disso, a energia emitida e/ou refletida pela superfície passa por uma camada atmosférica de 822 km, sofrendo duas vezes
as interferências atmosféricas.
A energia máxima da radiação solar que chega ao topo de atmosfera sem interferência atmosférica é de 1.367
2
W/m . Uma área 18,43 cm × 18,43 cm receberá uma energia de 46,43 W. Para captar essa energia refletida por um pixel,
que já é pequena e ainda sofre as interferências atmosféricas, a alta tecnologia e o alto custo do investimento são exigidos
para construir um sensor de alta sensibilidade. O limite da resolução espacial pode ser aumentado quando a altitude do
satélite é mais baixa, mas em compensação mais vulnerável aos atritos e às interferências atmosféricas. Outra opção é a
utilização de um conjunto de sensores que possam captar a mesma energia do mesmo alvo em várias vezes para
aumentar sua sensibilidade, o que pode resultar em aumento da resolução espacial. Por exemplo, dois sensores do SPOT
5 gravam dois pixels com o meio pixel da mesma área que resulta o aumento da resolução espacial de 5 metros para 2,5
m.
O avanço rápido das tecnologias de sistema e sensores de satélites torna as resoluções espacial e espectral cada vez
mais refinadas. Com as tecnologias atuais, os satélites militares e comerciais já possuem sensores hiperespectrais de alta
resolução espectral, tal como o Moderate Resolution Imaging Spectroradiometer (MODIS) e os sensores de alta
resolução espacial, tais como os sensores a bordo do satélite QuickBird II com uma resolução de 61 cm e do satélite
IKONOS de 1 m. Mas, comparando-as com a capacidade de olhos humanos, as resoluções espacial e espectral ainda
estão longe de serem perfeitas. Apesar de os olhos humanos só poderem ver os objetos na faixa visível, bem estreita no
espectro da energia eletromagnética, os olhos têm o poder de ver um objeto com alta resolução espacial em detalhes
minuciosos. A luz emitida ou refletida pelos objetos do ambiente chega às lentes dos olhos. As lentes dos olhos projetam
as imagens desses objetos nas retinas que transmitem a mensagem ao cérebro. A imagem ótica da retina estimula cerca
de 130 milhões de receptores microscopicamente pequenos e cada um deles reage ao comprimento de onda e a
intensidade da luz que recebe (Gombrich, 1986). Para construir os sensores compatíveis aos receptores das lentes dos
olhos que não têm limite de resolução espacial, os cientistas ainda têm longa jornada para caminhar. Mas, teoricamente é
possível construir um satélite do futuro que poderá identificar a pessoa com seu código de Dioxyribo-Neuclic Acid
(DNA), armazenado no banco de DNA quando aumentarem as resoluções espacial e espectral.
Sensoriamento Remoto (SR) é definido como uma técnica de aquisição e de aplicações das informações sobre um
objeto sem nenhum contato físico com ele. Os sensores de satélite captam as energias eletromagnéticas da superfície do
planeta sem contato com ela. A informação é adquirida pela detecção e medição das mudanças que o objeto impõe ao
campo na sua redondeza, Esse sinal pode incluir um campo eletromagnético emitido e/ou refletido, ondas acústicas
refletidas e/ou perturbadas pelo objeto ou as perturbações do campo de gravidade ou potencial magnético com a presença
do objeto. Geralmente a aquisição de informações é baseada na captação dos sinais eletromagnéticos que cobrem o
espectro inteiro das ondas eletromagnéticas desde a onda longa de rádio, passando pelas microondas, submilímetro,
infravermelho, infravermelho próximo, visível, ultravioleta, raios x até raios gama.

1.2 Energia eletromagnética

A energia eletromagnética é o meio pelo qual a informação é transmitida de um objeto ao sensor com uma
velocidade de 300.000 km/s no vácuo. A informação pode ser codificada em forma de conteúdo de freqüência,
intensidade ou polarização da onda da energia eletromagnética. A informação é propagada pela radiação que é a energia
eletromagnética com a velocidade da luz diretamente da fonte por meio do espaço livre ou indiretamente pela
reflectância, espalhamento e reirradiância ao sensor nas condições de não vácuo. As informações gravadas pelos sensores
de satélites registram as interações da energia eletromagnética com a superfície terrestre. É necessário entender o
comportamento dessa energia quando ela passa pela camada atmosférica e depois é refletida pela superfície terrestre.
Portanto, o conhecimento das propriedades e comportamento da radiação eletromagnética é fundamental no campo do
Sensoriamento Remoto.
As interações entre as ondas eletromagnéticas e as superfícies naturais ou a atmosfera dependem fortemente das
freqüências das ondas. As ondas das diferentes bandas espectrais resultam em diferentes interações que envolvem vários
mecanismos da Física Quântica, tais como rotação, vibração e deslocamento das órbitas elétrons e das moléculas.
Quando uma onda excita uma superfície da matéria, que seja gasosa, líquida ou sólida, os elétrons, moléculas e/ou
núcleos são excitados a vários tipos de movimento, tais como rotação, vibração ou deslocamento das suas órbitas. Isto
resulta um intercâmbio das energias entre a onda e a matéria. De modo geral, os sistemas atômicos e moleculares de uma
matéria específica possuem os níveis de energia nos vários estados estacionários bem definidos. Considerando um átomo
isolado, os níveis de energia estão relacionados com as órbitas dos elétrons que são chamados “níveis eletrônicos”. No
caso de um sistema molecular, os níveis adicionais de energia, que incluem energias rotacional e vibracional,
correspondem às dinâmicas de interações dos átomos dos constituintes que compõem a molécula. Teoricamente, na
temperatura de 0° K, todos os átomos estão no estado de base ground state, ou seja, seus níveis de energia são nulos.

1.3 Polarização da onda eletromagnética

Uma onda eletromagnética consiste de um campo acoplado pelas forças elétricas e magnéticas. No espaço livre, o
campo elétrico é perpendicular ao magnético e ambos os campos são perpendiculares à direção da propagação da onda
eletromagnética. A figura 1.1 mostra os campos elétricos e magnéticos da onda eletromagnética e a sua direção da
propagação. A polarização de uma onda eletromagnética, em geral, é definida pela figura geométrica que o vetor do
campo elétrico descreve no espaço. As configurações das polarizações consistem em:

a)   polarização linear - uma onda eletromagnética que produz um campo elétrico em um plano fixo na direção da
propagação da onda. Pode ser:
•    horizontal - é definida como o estado onde o plano elétrico é perpendicular ao plano que incide;
•    vertical - é definida como o estado onde o plano elétrico fica no mesmo plano que incide;
b)   polarização circular ou elíptica - duas ondas eletromagnéticas possuem a mesma freqüência e a mesma direção
da propagação, mas em diferentes direções da polarização que juntas produzem um campo elétrico resultante
vetorial. Isto resulta em uma polarização circular, elíptica ou linear;
c)   onda não-polarizada - no caso de radiação solar, o campo elétrico não tem nenhuma polarização definida
claramente.
 Figura 1.1 - Campos elétrico (E) e magnético (M) da onda de energia eletromagnética, comprimento da onda (λ) e a direção de
propagação (z).

As fontes artificiais de onda eletromagnética, tais como rádio, radar e laser, transmitem as ondas com a polarização
bem definida. Os estados específicos da polarização das fontes artificiais que incidem e irradiam têm suas características
e interpretações diferentes. Isto exatamente exige diversas técnicas de sensoriamento remoto a serem desenvolvidas para
estudar as propriedades das radiâncias que são espalhadas, absorvidas, refletidas e remetidas por um objeto atingido por
uma onda eletromagnética artificial. O efeito Brewster é o caso de uma onda eletromagnética polarizada que incide
verticalmente na superfície plana da água e toda a energia penetra na água.

1.4 Espectro energia eletromagnética

A energia eletromagnética possui as três propriedades, incluindo comprimento da onda (λ), freqüência (ν) e
amplitude (A). O comprimento da onda é a distância de um pico da onda ao outro. A freqüência é mensurada pelo
número das ondas que passam por um ponto fixo em um segundo. A unidade da freqüência é definida como hertz (Hz).
Por exemplo, um Hz é uma oscilação a cada segundo. A amplitude é a altura de cada pico que é a metade da distância
entre o pico máximo e o pico mínimo. A figura 1.2 mostra as relações entre essas três propriedades:

a)   a amplitude = A, a freqüência = ν e o comprimento da onda = λ;

b)   a amplitude = A, a freqüência = 2ν e o comprimento da onda = λ/2;
c)   a amplitude = A/2, a freqüência = ν e o comprimento da onda = λ.
 Figura 1.2 – Propriedades da onda de energia eletromagnética: a) a amplitude = A, a freqüência = ν e o comprimento da onda = λ; b)
a amplitude = A, a freqüência = 2ν e o comprimento da onda = λ/2; c) a amplitude = A/2, a freqüência = ν e o comprimento da onda
= λ.

A figura 1.3 mostra a classificação do espectro eletromagnético. A atmosfera absorve quase toda a energia
eletromagnética emitida pela radiação solar com o comprimento de onda inferior a 0,3 μm que incluem raios gama, raios
X e radiação ultravioleta. Desta forma, a utilização das ondas inferiores a 0,3 μm em sensoriamento remoto é restrita a
estudos de laboratório ou em condição sem interferência da atmosfera. Todavia, a maioria da radiação solar com o
comprimento de onda maior que 0,3 μm pode penetrar a atmosfera e chegar a superfície terrestre. Portanto, a maioria dos
sensores de satélite é desenvolvida para registrar os sinais de energia eletromagnética refletida ou emitida no
comprimento da onda localizado nas faixas de visível, infravermelho e microondas.
 Figura 1.3 – A classificação do espectro da energia eletromagnética.

Os sensores que medem a energia solar refletida por um alvo na superfície terrestre são construídos na faixa de 0,4
a 3 μm e os que medem a energia emitida pela superfície são construídos na faixa de 10 a 12 μm. Esses são passivos. Na
região de microonda com o comprimento da onda entre 0,4 mm a 0,4 m, incluem os sensores passivos que medem a
energia emitida pela superfície terrestre e os sensores ativos que produzem fonte artificial em certa banda excitando o
alvo e medem suas intensidades emitidas e refletidas simultaneamente. Recém-desenvolvida, a técnica de Light
Detection and Ranging (LIDAR) emite raio laser que também é um tipo de sensor ativo.

1.5 Espectro da radiação solar

De acordo com a hipótese proposta por Planck, a radiação eletromagnética de um corpo negro é composta pelos
pacotes de quantas e expressa pela Função de Planck (NERRY; LABED; STOLL, 1990) descrita pela equação (1.1) a
seguir:

Em que:  
R(λ, T) = Função Planck, radiância (W m−2);
λ = comprimento da onda (μm);
C1 = 1,1909 × 104 W cm−2 sr −1 μm4;
C2 = 1,4388 × 104 μm °K;
T = temperatura verdadeira em °K.

Planck ganhou o prêmio Nobel de 1918 pela descoberta da Função de Planck. Considerando que a radiação
emitida por um corpo negro é independente da direção, a excitação da energia radiante é simplesmente igual ao R(λ,T).
Para um objeto em uma determinada temperatura, R(λ, T) tem um pico de energia que é localizado em um determinado
comprimento máximo da onda (λmax). Esse λmax pode ser determinado pela derivação parcial da R(λ, T) de acordo com
o cumprimento da λ no seu pico em determinada temperatura T. Isto é conhecido como o deslocamento da Lei Wein que
é representada pela equação (1.2) a seguir:

Em que:  
λmax = comprimento máximo da onda (μm);
T = temperatura absoluta (°K).

É importante localizar o valor de λmax de um alvo em uma determinada temperatura para que o desenho da faixa
do comprimento da onda do sensor coincida com esse máximo. Por exemplo, considerando a temperatura do Sol de
5.900°K, aplica-se essa temperatura na equação (1.2) para obter o valor de λmax 0,49 μm. Portanto, o pico de energia do
Sol é 0,49 μm que é dentro da faixa de 0,4 a 0, 7 μm, conhecido como radiação visível, ou seja, a luz. Assim, a maioria
dos sensores que registram as reflectâncias dos alvos na superfície terrestre durante o dia é desenhado nessa faixa. Pode-
se obter o valor de λmax do globo terrestre também, aplicando a temperatura média do globo inteiro, que é de 288°K na
equação (1.2). O resultado é o pico de energia localizado no λmax de 10,06 μm, que é a energia máxima emitida pela
superfície terrestre. Os sensores de banda termal são localizados nessa faixa de 10 a 12 μm (radiação onda longa). A
figura 1.4 mostra a distribuição e o pico de comprimento da onda eletromagnética de energia da radiação solar e do
planeta Terra e as absorções da energia eletromagnética pelos vários tipos de gás da atmosfera nas várias faixas de
comprimento da onda.
 Figura 1.4 – A distribuição e o pico de comprimento da onda eletromagnética de energia da radiação solar e do planeta Terra e as
absorções da energia eletromagnética pelos vários tipos de gases da atmosfera nas várias faixas de comprimento da onda. Fonte:
(IGBAL, 1983).

1.6 Interações com superfícies

1.6.1 Intensidade da radiação solar

A intensidade da radiação solar recebida pela superfície depende do ângulo zenital solar (figura 1.5) que é
calculada pela equação (1.3) a seguir:

Em que:  
Ri = radiação incidida;
Io = intensidade da radiação solar;
θ = ângulo zenital solar.
 Figura 1.5 – Intensidade da radiação solar recebida pela superfície terrestre varia com o ângulo zenital solar (θ).

1.6.2 Reflectância

A reflectância ocorre quando um feixe de luz que chega à superfície de um objeto não transparente é
redirecionada. A propriedade da reflectância depende da rugosidade ou do tamanho das irregularidades da superfície em
relação ao comprimento da onda da radiação considerada. Se a superfície for relativamente suave ao comprimento da
onda, isto quer dizer que se a rugosidade for menor que o comprimento da onda, a reflectância especular será semelhante
à reflectância de um espelho. A reflectância especular redireciona quase toda a radiação incidente em uma só direção.
Para tais superfícies, o ângulo de incidência é igual ao ângulo de reflexão. Para a radiação de visível, a reflectância
especular pode ocorrer em superfícies como espelho, metais lisos ou água parada.

1.6.3 Superfície lambertiana

Se uma superfície for um refletor difuso perfeito que reflete a energia da radiação igualmente em todas as direções,
é conhecida como superfície lambertiana. Na faixa de radiação visível, muitas superfícies naturais comportam-se como
refletores difusos, por exemplo, as superfícies uniformes de gramas, florestas e plantações de culturas. O conceito da
superfície lambertiana é freqüentemente usado no campo de sensoriamento remoto como uma aproximação do
comportamento ótico das superfícies naturais. Mas, é importante anotar que o brilho de uma superfície difusa depende da
rugosidade da superfície relacionada com o comprimento da onda e o ângulo da iluminação.

1.6.4 Transmitância

A transmitância ocorre quando a radiação incide sobre um objeto sem atenuação sensível na passagem. A
transmitância é calculada pela razão da radiação transmitida e incidida. Nos objetos naturais, a água limpa tem alta
transmitância de radiação; as folhas também transmitem razoavelmente a radiação nas faixas infravermelhas, mas não
nas faixas visíveis. Portanto, a transmitância dos objetos naturais depende das propriedades dos objetos e das faixas de
onda da radiação eletromagnética.

1.6.5 Refração

Refração é a mudança na direção dos feixes de luz quando a luz passa de um meio para o outro. Por exemplo, a luz
passa de uma camada atmosférica e entra na água. O índice de refração é calculado pelas equações (1.4) e (1.5) a seguir:

Em que:
n = índice de refração;
C = velocidade de luz em vácuo;
Cn = velocidade de luz em um meio.

Em que:  
 n 1 e n2 = índices de refração dos meios 1 e 2;
θ1 e θ2 = ângulo de incidência e refração.

A figura 1.6 mostra os componentes de reflexão (Rr1), refração (Rr2) e um feixe de luz incidente (R1) quando passa
pela camada atmosférica e entra na água. Para a radiação solar, os valores de índice de refração são de 2,42 para o
diamante, 1,46 para o quartzo fundido e o álcool etílico e 1,33 para a água.

Figura 1.6 – Os componentes de reflectância (Rr1), refração (Rr2) e um feixe de luz incidente (R1) quando passa pela camada
atmosférica (meio n1) e entra na água (meio n2).

1.6.6 Absorção e emissão

A energia da radiação é absorvida e re-emitida nas bandas mais longas, tais como bandas termais. Na atmosfera, a
radiação é absorvida quando a atmosfera tem alta concentração de moléculas, principalmente ozônio (O3), dióxido de
carbono (CO2) e vapor de água (H2O). A absorção da radiação ultravioleta (<0,3 μm) pelo gás ozônio ocorre na camada
estratosférica em altitude de 20 a 50 km. O ozônio na estratosfera desempenha uma função importante de prevenir a
chegada da radiação ultravioleta à superfície. A diminuição de concentração de ozônio na estratosfera aumenta a
intensidade da radiação ultravioleta que chega à superfície causando câncer de pele e danificando a flora e fauna. A
absorção de radiação na faixa de 13 a 17,5 μm pelo CO2 ocorre na camada abaixo de 20 km de altitude. As erupções
vulcânicas e as atividades humanas, tais como queimadas, transportes e indústrias, são as principais fontes de aumento da
concentração de CO2. A absorção da radiação pelo vapor de água é localizada nas faixas em torno de 1,95, 5,5, 7 μm e
acima de 27 μm. A concentração de vapor de água varia drastica e sazonalmente e de local a local que é diferente da
concentração de CO2 ou ozônio. A alta concentração de vapor de água na atmosfera em um determinado local pode
absorver mais de 80% da radiação nas bandas mencionadas.

1.7 Atenuação atmosférica

Até um feixe de radiação solar (R0) ao chegar à superfície terrestre sofre vários tipos de interferências atmosféricas
que incluem espalhamentos, absorções, reflectâncias múltiplas. A figura 1.7 mostra os caminhos dos feixes de R0 que
chegam ao alvo na superfície e os caminhos da energia eletromagnética refletida pela superfície que chegam aos sensores
de satélite (GILABERT; CONESE; MASELLI, 1994). As trajetórias possíveis dos feixes de radiação antes de chegarem
aos sensores incluem:

a)   Rd é a radiação solar incidente diretamente na superfície de um alvo;

b)   Ra é a radiação solar difusa incidente indiretamente na superfície de um alvo;
c)   Rrs é a energia regististrada pelo sensor de satélite;
 d)   Rn é o efeito causado pelo espalhamento da atmosfera;
e)   Rnm é o efeito causado pelo espalhamento múltiplo da atmosfera;
f)   Rv é o efeito do alvo adjacente.

Figura 1.7 – Caminhos dos feixes de radiação solar (R0) que chegam ao alvo na superfície e os caminhos da energia eletromagnética
refletida pela superfície que chegam aos sensores do satélite. Fonte: (GILABERT; CONESE; MASELLI, 1994).

O Rrs é a soma das reflectâncias de Rd e Ra do alvo que o sensor pretende registrar. Nos últimos três casos, os
erros embutidos são impossíveis de serem corrigidos. A soma total dos erros é de cerca de 5% (GILABERT; CONESE;
MASELLI, 1994). Portanto, a acurácia máxima que um sensor pode alcançar é de 95%. Mas, nas aplicações práticas, a
finalidade é identificar e distinguir as diferentes assinaturas de reflectâncias espectrais dos diferentes objetos.
Considerando-se uma determinada superfície em um determinado local que tem suas propriedades físicas e químicas da
superfície e condições atmosféricas semelhantes, a assinatura espectral distinta de cada objeto pode ser usada para
discriminá-lo de outros pela comparação dos diferentes valores de reflectâncias nas várias bandas-chave obtidas via
sensoriamento remoto no mesmo local sob as mesmas condições atmosféricas. O erro de 5% causado pelas energias
eletromagnéticas perdidas ou outras fontes não afeta significativamente suas aplicações. Portanto, os valores de
reflectâncias comparativos são suficientes para suas aplicações somente no caso de o objetivo de aplicação ser para
estimar o valor absoluto da energia solar disponível ou o balanço de energia na superfície que exige acurácia absoluta.

1.7.1 Janelas atmosféricas

A atmosfera do planeta Terra não é totalmente transparente à radiação solar porque os gases e aerosóis formam
barreiras que impedem que essa radiação chegue à superfície terrestre. Mas, a atmosfera seletivamente transmite quase
totalmente a radiação em determinadas faixas de comprimento da onda eletromagnética. Essas faixas de comprimento da
onda, incluindo ultravioleta e visível (0,30 a 0,75 μm), infravermelha próxima (0,77 a 0,91 μm), infravermelha termal (8
a 9,2 μm e 10,2 a 12,4 μm) e microondas (7,5 a 11,5 mm e >20 mm), são chamadas de janelas atmosféricas. Fora dessas
bandas, a energia da radiação eletromagnética é atenuada severamente. Assim, os sensores de satélites são desenhados
nas faixas de janelas atmosféricas que tentem evitar ao máximo o efeito das atenuações atmosféricas. A figura 1.8 mostra
nas várias faixas de comprimento da onda que a atmosfera é relativamente transparente à radiação solar. Os sensores do
monitoramento da superfície terrestre são desenhados nas faixas com alta transmitância atmosférica. Nas bandas de
submilímetro e infravermelho longo, a absorção é quase total pelos constituintes atmosféricos. Por isso, o sensoriamento
remoto da atmosfera é concentrado nessa faixa de ondas.
 Figura 1.8 – Porcentagens de transmitância da radiação solar na camada atmosférica nas várias faixas de comprimento da onda de
energia eletromagnética. Fonte: (IGBAL, 1983).

Nas faixas de visível e infravermelho próximo, as absorções são por causa das presenças de vapor da água e CO2.
Na faixa de ultravioleta, a camada de ozônio é a principal absorção. A presença de nuvens aumenta a opacidade
atmosférica por causa da absorção e do espalhamento pelas gotículas de nuvens. Isto limita as capacidades de
observações via sensoriamento remoto nas faixas de visível, infravermelho e submilímetro. Mas, nas faixas de
microondas e rádio, a nuvem é praticamente transparente.
Os dados de reflectâncias medidos pelos sensores de diferentes tipos de satélites são os sinais que devem passar
pela atmosfera antes de chegar aos sensores. Os fótons das fontes de radiação solar e das microondas ativas devem passar
pela atmosfera duas vezes: uma para chegar à superfície e outra para chegar aos sensores do satélite. Entretanto, na
radiação termal emitida pela superfície terrestre, os fótons passam pela atmosfera somente uma vez.
Os comprimentos das ondas de microondas são na ordem de milímetros até centímetros que são bem maiores que
os diâmetros dos constituintes atmosféricos em ordem de micrômetros ou menos. Isto resulta que as interferências
atmosféricas nas medições de microondas são desprezíveis exceto na aplicação do monitoramento da precipitação e do
granizo. Pelo contrário, a interferência atmosférica é muito importante por causa dos comprimentos das ondas de
radiação solar que abrangem entre 0,4 a 12 μm. Os sinais obtidos pelos sensores no espaço incluem uma parte dos fótons
originados de um determinado alvo refletidos pela atmosfera que nunca chegam à superfície e outra parte de fótons
espelhados pela atmosféra que cheguem aos sensores. Ambos os casos contribuem à maior incerteza dos sinais que
realmente representam as características da superfície interessada. Isto causa o erro na medição. Além disso, as absorções
pelos gases atmosféricos também interferem nas medições. Atualmente, várias técnicas de correção atmosférica estão
sendo desenvolvidas. O efeito das interferências atmosféricas nas reflectâncias das faixas de visível e infravermelho
próximo alcança uma variação máxima de 7% em reflectância em ambas as bandas. A reflectância registrada pelos
sensores de satélites varia com os ângulos de visada e de elevação do Sol que causam o erro na comparação dos dados
registrados em diferentes horários de passagem de satélites. Esse erro é chamado de efeito de reflectância bidirecional.
Os efeitos pelas reflectâncias bidirecionais na medição de reflectância envolvem ângulo de visada e ângulo zenital solar.
A variação da reflectância alcança 10% na banda do visível e 25% na banda do infravermelho próximo. Entretanto, os
erros causados pelas interferências atmosféricas e pelas reflectâncias bidirecionais são da mesma magnitude. Muitas
técnicas são desenvolvidas para tentar diminuir esses erros. Mas suas aplicações são limitadas pelo fato de que os
modelos devem ser validados para cada região específica. Os métodos de correções atmosféricas e de correções dos
efeitos de reflectância bidirecional serão apresentados no Capítulo 13: Processamento de Dados de Satélites.

1.8 Aplicações de assinaturas de espectro da onda eletromagnética

Qualquer objeto com a temperatura acima de 0°K se manifesta em uma energia singular no espectro da onda
eletromagnética que pode ser detectado. Os sensores de satélite são desenvolvidos para captar essa energia emitida ou
refletida pelos diferentes objetos. Os sinais podem estar na faixa da radiação solar, que são energias refletidas ou
emitidas pelo alvo e registradas pelos sensores de ótica, e na faixa da microonda, que são registrados como energias
eletromagnéticas polarizadas pelos sensores de radar. Diferentes objetos emitem e refletem diferentes energias singulares
no espectro eletromagnético. Portanto, as técnicas de sensoriamento remoto são desenvolvidas para captar e identificar as
energias manifestadas pelos diferentes objetos. A singularidade de energia manifestada no espectro eletromagnético por
um determinado objeto pode ser detectada por cinco assinaturas: espectral, espacial, angular, temporal e polarizada
(GERSTL, 1990). A tendência atual é desenvolver as técnicas que exploram uma aplicação conjunta de ambos os
sistemas, óticos e radar, para monitorar a evolução da superfície terrestre, porque as informações fornecidas são
complementares.

1.8.1 Assinatura espectral

Cada objeto tem sua curva singular de energia no espectro eletromagnético, que é conhecida como assinatura
espectral do objeto. Esse caráter pode ser aplicado para identificar os objetos com suas assinaturas espectrais singulares.
Geralmente, um conjunto de valores de energia em certas bandas-chave em determinado objeto detectado pelos sensores
de satélite é usado para identificar e separá-lo de outros objetos. A figura 1.9 mostra as assinaturas espectrais de vários
tipos de objetos na superfície terrestre. Comparando as curvas de assinatura espectral dos vários objetos, pode-se
observar que as gramas têm alta reflectância nas faixas de 0,75 a 0,90 μm e baixa reflectância na faixa de 0,4 a 0,68 μm
com uma ligeira alta ao redor de 0,55 μm. A superfície de concreto reflete cerca de 26% a 33 % em todas as faixas de 0,4
a 0,9 μm. A superfície da água tem baixa reflectância, 5% na faixa de 0,5 a 0,7 μm e nula acima de 0,75 μm. A superfície
do asfalto reflete ao redor de 8% na faixa de 0,4 a 0,9 μm. A reflectância de solo arenoso aumenta linearmente de 2,5% a
25% na faixa de 0,4 a 0,90 μm. A baixa absorção da faixa visível nas gramas é por causa da absorção da radiação nessa
faixa pelas plantas para fabricar as matérias secas por meio do processo fotossintético. A alta diferença da reflectância na
faixa infravermelha próxima e na faixa visível das gramas pode ser usada para distinguir gramas de outros objetos.
Vários índices de vegetação que inferem no grau de verde são derivações baseadas nessas duas faixas (Capítulo 7).

Figura 1.9 – Assinaturas espectrais de vários tipos de objetos na superfície terrestre. Fonte: (JENSEN,1979).

1.8.2 Assinatura espacial

As reflectâncias dos objetos similares uniformes aparecem com uma textura uniforme na imagem. A análise da
textura espacial da imagem fornece uma técnica importante para classificar diferentes tipos de objetos. A figura 1.10
mostra uma imagem das principais ruas no centro da Brasília, DF, gerada pelo satélite IKONOS. Dependendo da
resolução espacial de sensores, os satélites com alta resolução espacial, tais como IKONOS com uma resolução de 1m e
QuickBird com uma resolução de 0,61m, podem distinguir os objetos, tais como carros, árvores e ruas que são
compatíveis às fotografias aéreas.
 Figura 1.10 – Imagem do Capital do Brasil, Brasília DF, adquirida por satélite IKONOS no dia 29 de abril de  2001 às 13h24min.
Eixo Monumental, perto da Antena de Televisão.
Fonte: (Disponível em: <http://www.spaceimaging.com>, acesso em 20 de abril de 2004).

1.8.3 Assinatura angular

As assinaturas angulares podem ser utilizadas para identificar os diferentes objetos enquanto as diferentes
reflectâncias podem ser obtidas pelas diferentes direções de observação. Todas as superfícies de três dimensões,
especialmente a vegetação, variam suas reflectâncias com as variações de ângulo de visada e de ângulo solar. Essa
característica é chamada de função de distribuição da reflectância bidirecional, Bidirecional Reflectance Distribution
Function (BRDF), que é a base da assinatura angular. A figura 1.11 mostra os três tipos de assinatura angular típica:

a)   tipo a: assinatura angular completa. A função da distribuição de reflectância bi-direcional;

b)   tipo b: pico de reflectância especular (reflectância de espelho, Sun Glint sobre água).
c)   tipo c: Assinatura angular do pico da reflectância pelo retroespalhamento ou ponto quente (Hot Spot) que
acontece enquanto a direção do ângulo de visada coincide com o do raio solar. A figura 1.12 mostra uma
imagem de Hot Spot na região da África central obtida pelos sensores MODIS do satélite TERRA
(VERMOTE; ROY, 2002).

Figura 1.11 – Três tipos de assinatura angular típica: a. assinatura de reflectância bidirecional; b. pico de reflexão peculiar ou reflexão
de espelho (Sun Glint) e c. ponto quente (Hot Spot). Fonte: (GERSTL, 1990).
 Figura 1.12 – Imagem de Hot Spot na região África central obtida pelos sensores MODIS do satélite TERRA. Fonte: (VERMOTE;
ROY, 2002).

A figura 1.13 mostra as assinaturas angulares de vários tipos de vegetação. As três figuras de cima para baixo são
obtidas com três ângulos de zenital solar (θ = 10°, 40° e 60°). Os números do centro da circunferência de cada figura
representam o valor de reflectância zero até um determinado valor variando de 0,05 (figuras à direita) a 0,3 (figuras à
esquerda). As figuras da esquerda são as reflectâncias de ângulos de visada (φ) do sensor variando de zero a 180°,
obtidas para pastagem, e as da direita, para floresta decidual. Pode-se observar que as reflectâncias de pastagem são mais
altas que as de floresta decidual, especialmente na faixa de ângulo de visada de sensor de 140° a 160°.
 Figura 1.13 - Assinaturas angulares de pastagem (esquerda) e floresta decidual (direita). Três ângulos de zenital solar (θ = 10°, 40° e
60°). Fonte: (GERSTL, 1990).

Gao (1993) desenvolveu um modelo de BRDF analítico com os dados coletados na pastagem homogênea no
campo. Observaram-se os efeitos de BRDF calculados pelo modelo que se correlacionaram, bem como os dados
observados. Também se observou que o retroespalhamento (backward scattering) é mais forte que o espalhamento
frontal (forward scattering) na banda de visível. O modelo estimou a variação de Normalized Difference Vegetation
Index (NDVI) de 10% a 20 % com a variação de ângulo de visada entre retroespalhamento e espalhamento frontal. O
valor de NDVI do espalhamento frontal é mais alto do que o retroespalhamento.
Cihlar; Manak e Voisin (1994) estudaram os efeitos de BRDF na vegetação no pico da estação chuvosa da região
central do Canadá e observaram que os efeitos de BRDF nos dados de Advanced Very High Resolution Radiometer
(AVHRR) Local Area Coverage (LAC) dependem do tipo da cobertura da superfície, banda espectral, geometria de
visada e do processo de correção atmosférica. A correção atmosférica aumenta o valor de NDVI, mas reduz a variação
causada por ângulo zenital. A dependência das reflectâncias dos canais 1 e 2 do satélite National Oceanic and
Atmospheric Administration (NOAA) na BRDF pode ser modelada precisamente, mas os efeitos das bandas espectrais e
o tipo de cobertura específica no modelo de BRDF requerem uma validação rigorosa com os dados coletados no campo.
Privette et al. (1994) apresentaram um modelo de BRDF chamado 1-D turbid medium BRDF model (CANTEQ)
baseado em uma solução utilizando a equação de transferência radiativa para simular os efeitos de tipos de vegetação,
níveis de ruídos e amostragem geométrica. Os resultados mostraram que o modelo estimou bem os parâmetros de solo e
vegetação, albedo, radiação absolvida até eficiência fotossintética com uma acurácia satisfatória. Os métodos de correção
BRDF serão apresentados no Capítulo 13.

1.8.4 Assinatura temporal

As reflectâncias das diferentes bandas espectrais variam de acordo com as diferentes superfícies vegetativas, suas
condições de crescimento e seus ciclos fenológicos. As diferentes espécies de planta têm ciclos fenológicos distintos que
podem ser identificados com as assinaturas temporais das reflectâncias obtidas via satélite. A figura 1.14 mostra alguns
exemplos das assinaturas temporais de NDVI que foram usadas por Townshend, Justice e Kab (1987), para classificar a
distribuição de vegetação na América do Sul. A figura 1.15 mostra o mapa da distribuição de 16 tipos de vegetação na
América do Sul, elaborado pelos Townshend, Justice e Kab (1987) baseado nos dados de NOAA, AVHRR e Global
Área Coverage (GAC). Loveland et al. (2000) apresentaram um mapa das 17 classes de classificação da vegetação do
globo baseado nos dados de NDVI gerados com os dados de NOAA AVHRR LAC de 1992 a 1993. Os resultados são
compatíveis ao mapa elaborado por Olson (1994). Os mapas de classificação de tipos de vegetação do globo terrestre
apresentados por eles são bem próximos.

Figura 1.14 – Assinaturas temporais de Normalized Difference Vegetation Index (NDVI) de vários tipos de vegetação em várias
localidades do Continente Sul-Americano. Fonte: (TOWNSHEND; JUSTICE; KALB, 1987).
 Figura 1.15 – Mapa da distribuição de 16 tipos de vegetação na América do Sul produzido com os dados de perfil NDVI gerados
pelos dados de NOAA AVHRR GAC: 1. floresta tropical chuvosa, 2. cerradão, 3. cerrado e semidecidual, 4. caatinga, 5. chaco, 6.
floresta degradada, 7. agricultura tropical, 8. pastagem, 9. cerrado, 10. agricultura do clima temperado, 11. estepe do tipo arbusto, 12.
estepe espinhosa, 13. floresta do clima frio, 14. estepe,15. floresta decidual montanhoso. 16. deserto. Fonte: (TOWNSHEND;
JUSTICE; KALB, 1987).

1.8.5 Assinatura polarizada

Os sensores de microondas podem produzir as condições de iluminação polarizada específicas. As características

das diferentes combinações da polarização dos sinais recebidos dependem das características específicas da superfície do
alvo. Com o conhecimento das intensidades e mudanças de polarização da energia eletromagnética em microondas
emitidas e/ou refletidas de um objeto específico e os sinais em quatro tipos de polarização, incluindo Horizontal-
Horizontal (HH), Horizontal-Vertical (HV), Vertical-Horizontal (VH) e Vertical-Vertical (VV), é possível identificar os
objetos por meio de assinaturas polarizadas singulares. Freeman et al. (1994) elaboraram um mapa de distribuição de
plantação das culturas de batata, trigo, feijão, beterraba, pastagem e floresta pelos dados de HH, HV, VH e VV obtidos
pelo RADARSAT (figura 1.16).
 Figura 1.16 – Mapa de distribuição de plantação das culturas de uva, feijão, linho, trigo, floresta, beterraba e batata pelos dados de 4
combinações de polarizações da microonda (HH, HV, VH e VV) obtidos pelo RADARSAT. Fonte: (FREEMAN et al., 1994).

1.9 Potencial de aplicações

Uma disciplina nova chamada Ciências de Sistema Terrestre (Earth System Sciences) surgiu recentemente pela
necessidade de aprimorar o entendimento do sistema do planeta Terra, como ele está funcionando em escala global.
Ciências de Sistema Terrestre investiga como os componentes do globo e sua interações funcionam atualmente e prevê
suas tendências no funcionamento no futuro pela agregação de todas as disciplinas clássicas, tais como Geociências,
Biologia, Micrometeorologia, Pedologia e outras, e as disciplinas modernas, tais como Sensoriamento Remoto, Ciências
Espaciais, Sistema de Informações Geográficas, Ciências de Computação, e outras. Isto envolve freqüentemente um
treinamento e trabalho multidisciplinar.
As aplicações atuais da Ciência de Sensoriamento Remoto via satélite abrangem monitoramento dinâmico de usos
de solo e evoluções de biodiversidade, recursos naturais, precipitação, clima, manejo dos recursos hídricos da superfície,
exploração dos recursos hídricos no subsolo, inventário e monitoramento de usos do solo, das pastagens e das coberturas
vegetais, monitoramento da produção primária das florestas e pastagens, monitoramento das ocorrências dos eventos
catastróficos, tais como geadas, enchentes, secas, doenças e pragas das culturas, monitoramento dos focos de queimadas,
mapeamento topográfico, monitoramento da degradação e erosão de solos, estudo das mudanças climáticas, e outros. O
objetivo mais urgente no presente estado da comunidade de Ciências de Sistema Terrestre é o estabelecimento de um
banco de dados globais que possa ser utilizado por todos os cientistas, para investigar e estudar os diversos processos que
ocorrem nas várias esferas, tais como biosfera, geosfera e atmosfera do planeta terrestre (Landgrebe, 2005). Neste livro,
abordam-se os fundamentos teóricos e suas aplicações de satélites ambientais.

Referências
CAMPBELL, J. B., 1987. Introduction to Remote Sensing. The Guilford Press, New York, USA. 551p.
CHARLES, E., 1987. Introduction to the Physics and Techniques of Remote Sensing. John Wiley & Sons, Inc., New York, USA. 512p.
CIHLAR, J.; MANAK. D.; VOISIN, N., 1994. AVHRR bidirectional reflectance effects. Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 48:77-88.
COLWELL, R. N., 1963. Basic matter and energy relationships involved in remote reconnaissance. Potogrammetric Engineering, Elsevier
Science Publishing Co., New York, USA. 29:61-799.
COLWELL, R. N., 1985. Manual of Remote Sensing, Second Edition. American Society of Photogrammetry. The Sheridan Press, New
York, USA, V1:1-1232, V2:1233-2400.
FREEMAN, A.; VILLASENSOR, J.; KLEIN, J. D.; HOOGEBOOM, P.; GROOT, J., 1994. On the use of multi-frequency and
polarmetric radar backscattering features for classification of agricultural crops. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 15:1799-1812.
GAO, W., 1993. A simple bidirectional reflectance model applied to a tallgrass. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 45:209-224.
GERSTL, S. A. W., 1990. Physics concepts of optical and radar reflectance signatures. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 11:1109-1117.
GILABERT, M. A.; CONESE, C.; MASELLI, F., 1994. An atmospheric correction method for the automatic retrieval of surface
reflectance from TM images. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:2065-2086.
GOMBRICH, E. H., 1986. Arte e Ilusão – Um estudo da psicologia da representação. 1a edição Brasileira, Livraria Martins Fontes
Editora Ltda. São Paulo, Brasil. 383p.
JENSEN, J. R., 1979. Spectral and textural features to classify elusive land cover at the urban fringe. The Professional Geographer, the
Association of American Geographer, Washington D.C., USA. 31:400-409.
IGBAL, M., 1983. An Introduction to Solar Radiation. Academic Press, New York, USA. 361p.
KUSHWAHA, S. P.; KUNTZ, S.; OESTEN, G., 1994. Applications of image texture in forest classification. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 15:2273-2284.
LANDGREBE, D. A., 2005. Multispectral land sensing: where from, where to? IEEE Transactions on Geoscience and Remote Sensing,
IEEE Geoscience and Remote Sensing Society of America, New Jersey, USA. 43:414-421.
LOVELAND, T. R.; REED, B. C.; BROWN, J. F.; OHLEN, D. O.; ZHU, Z.; YANG, L.; MERCHANT, J. W., 2000. Development of a
global land cover characteristics database and IGBP Discover from 1 km AVHRR data. International Journal of Remote Sensing, Taylor
& Francis Ltd, London, UK. 21:1303-1330.
NERRY, F.; LABED, J.; STOLL, M. P., 1990. Spectral properties of land surface in the thermal infrared1. Laboratory measurements of
absolute spectral emissivity signatures. Journal of Geophisical Research, American Geophysical Union, St Louis, Missouri, USA.
95:7027-7044.
NOVO, E. M., 1988. Sensoriamento Remoto: Princípios e Aplicações. INPE/MCT, São Jose dos Campos, SP, Brasil. 363p.
OLSON, J. S., 1994. Global Ecosystems Framework: definitions. Internal Report, USGS EROS Data Center, Sioux Falls, SD, USA. 121p.
PRIVETTE, J. L.; MYNENI, R. B.; TUCKER, C. J.; EMERY, W. J., 1994. Invertibility of a 1-D discrete ordinates canopy reflectance
model. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 48:89-105.
ROUJEAN, J. L.; LEROY, M.; PODAIRE, A.; DESCHAMPS, P. Y., 1992. Evidence of surface reflectance bidirectional effects from
NOAA/AVHRR multi-temporal data set. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:685-698.
TOWNSHEND, J. R. G.; JUSTICE, C. O.; KALB, V., 1987. Characterization and classification of South American land cover types using
satellite data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 8:1189-1207.
VERMOTE, E. F.; ROY, D. P., 2002. Land surface hot-spot observed by MODIS over central Africa. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 23:2141-2143.
2.1 História dos satélites
O desenvolvimento da técnica de sensoriamento remoto via satélite pode ser dividido em duas épocas: uma antes
do lançamento do primeiro satélite pelos Russos em 04 de outubro de 1957, em que a técnica de fotografia aérea era a
única técnica e a outra, após essa data, em que os diversos sensores de satélites foram desenvolvidos com o rápido
avanço do programa espacial. A idéia de desenvolver uma máquina fotográfica foi originada por um experimento
chamado “Câmera Obscura”, conduzido por Aristóteles cerca de 2300 anos atrás. Desde essa época, vários experimentos
foram conduzidos pelos cientistas entre os séculos XIII e XIX. Em agosto de 1839, os Franceses Louis Jacques Mandem
Daguerre e Joseph Nicephoce declararam que desenvolveram o primeiro processo de revelação de filme da fotografia
chamado Daguerratype que removia o produto químico não reagido separando-se com o reagido para produzir a imagem
fotográfica.
Em 1859, Gaspard Felix Tournachon fotografou a bordo de um balão a paisagem da superfície terrestre em uma
vila perto de Paris chamada Petit Becetre. Em 1860, Samuel A. King e James W. Black fotografaram a cidade de Boston
a bordo de um balão a uma altura de 400 metros. No fim do século XIX, as técnicas de fotografia moderna já estavam
disponíveis. Durante a Primeira Guerra Mundial, os militares usaram avião para tirar fotografias da superfície terrestre.
Nesse tempo surgiram as primeiras fotografias aéreas históricas. Entre a Primeira e a Segunda Guerra Mundial, as
técnicas de fotografia aérea foram aplicadas para levantamento de recursos naturais, tais como formações geológicas,
florestas, solos, agricultura e para a elaboração dos mapas cartográficos. O crescente uso de fotografias aéreas incentivou
o aprimoramento das técnicas de sensoriamento remoto. Durante a Segunda Guerra Mundial, as técnicas de fotografia
aérea do infravermelho termal e radar de microonda ativa foram desenvolvidas, mas somente após a Segunda Guerra
Mundial, é que foi possível utilizar um sensor radiométrico capaz de detectar os sinais de radiação eletromagnética e um
computador com capacidade de gravar e armazenar rapidamente os imensos dados adquiridos.
Os Estados Unidos lançaram o segundo satélite, chamado Explorer 1 no dia 31 de janeiro de 1958. As tecnologias
aeroespaciais e de satélites avançaram rapidamente após a criação de um centro de pesquisa nos Estados Unidos, a
National Aeronautics and Space Administration (NASA), no dia 1 de outubro de 1958. O primeiro satélite que carregou
instrumentos meteorológicos foi o Vanguard 2. Lançado no dia 17 de fevereiro de 1959, ele tinha um par de células
fotográficas atrás da lente para registrar as imagens visíveis, mas infelizmente, não registraram as imagens porque o foco
dos dois celulares fotográficos se cruzaram. A primeira fotografia obtida por via satélite deu-se pelo Explorer 6 da
NASA em 7 de agosto de 1959, mas os sensores de radiômetros também falharam ao registrar os valores digitais. O
primeiro sucesso no registro de dados meteorológicos foi com o lançamento do Explorer 7 no dia 13 de outubro de 1959,
que produziu pela primeira vez mapas globais da radiação solar refletida e da radiação de infravermelho emitida. O
primeiro satélite exclusivamente destinado para fins meteorológicos foi lançado no dia 1 de abril de 1960, denominando-
se Television and Infrared Observational Satellite, (TIROS 1), que foi o vigésimo segundo satélite lançado pelos Estados
Unidos. A primeira imagem que mostra o globo terrestre e os sistemas de circulação atmosférica foi produzida pelo
TIROS 1. Essa imagem impressionou cientistas e pessoas do mundo inteiro. A vida do TIROS 1 durou somente 79 dias,
mas gerou 23.000 imagens. Em 1960, foram obtidas as primeiras fotografias orbitais espaciais. Com os avanços das
ciências espacial e computacional, as técnicas de sensoriamento remoto por satélite evoluíram rapidamente. Desde então,
déz satélites da série TIROS foram lançados até 1965. O TIROS 9, lançado no dia 22 de janeiro de 1965, introduziu uma
nova configuração chamada carrinho de roda (Cartwheel). O carrinho de roda permitiu a inclinação do eixo do satélite
perpendicular ao plano orbital e as máquinas dos sensores foram reorientadas para serem o lado de fora do satélite,
possibilitando que os sensores apontassem para o globo terrestre toda hora. Graças a este desenho engenhoso, imagens
mosaicadas do globo inteiro foram produzidas pela primeira vez. Uma série de satélites Nimbus, que são satélites
meteorológicos experimentais, foram lançadas a partir do lançamento do Nimbus 1 no dia 28 de agosto de 1964. Ele foi
o primeiro satélite solar sincronizado a passar sob um ponto do planeta Terra na mesma hora do dia. Um total de sete
satélites Nimbus foram lançados até o dia 24 de outubro de 1978. De 3 de fevereiro de 1966 a 26 de fevereiro de 1969,
nove satélites operacionais da série Environmental Science Service Adminstration (ESSA) foram lançados. Os satélites
ESSA são semelhantes aos TIROS 9, e possuem a configuração do carrinho de roda, mas são sincronizados com o Sol.
Os números ímpares dos satélites ESSA têm maquinas fotográficas do sistema Advanced Vidicon Camera Systems
(AVCS), que permitem gravar e transmitir as imagens às estações de recepção terrestre. Os números pares têm as
máquinas de Automatic Picture Transmission (APT), que transmitem automaticamente as imagens às estações de
recepção terrestre. No dia 16 de setembro de 1966, A Força Aérea dos Estados Unidos lançou o seu primeiro satélite
meteorológico, chamado The Defense Meteorological Satellite Program (DMSP). No dia 26 de março de 1969, os
Russos lançaram o seu primeiro satélite meteorológico, chamado Meteor 1. O Meteor 31 foi lançado no dia 10 de julho
de 1981. A partir do dia 26 de abril de 1971 até 29 de julho de 1976, cinco satélites de órbita sincronizada com o Sol da
série NOAA foram lançados. Esses satélites apresentavam sensores radiômetros de alta resolução, chamados Very High
Resolution Radiometer (VHRR).
O primeiro satélite geoestacionário, chamado Synchronous Meteorological Satellite 1 (SMS 1), foi lançado no dia
17 de maio de 1974. O SMS 1 foi o primeiro satélite com facilidade de receber e transmitir os dados das estações
meteorológicas terrestres do tipo Plataforma de Coleta de Dados (PCD), possibilitando a coleta de dados meteorológicos
em áreas remotas. O primeiro satélite geoestacionário em modo operacional, chamado Geostationary Operational
Environmental Satellite 1 (GOES), foi lançado no dia 16 de outubro de 1975. A partir do lançamento do SMS 2, os
Estados Unidos passaram a ter 2 satélites geoestacionários em órbita, um na longitude 75° oeste e outro na 135° oeste.
Entre 1977 e 1978, os japoneses lançaram o Geostationary Meteorological Satellite 1 (GMS 1) na longitude 140° leste e
a Agência Espacial Européia lançou o Meteorological Satellite 1 (METEOSAT 1) no meridiano zero grau. O
METEOSAT foi o primeiro satélite a produzir imagens de vapor de água na banda 6,7 μm nas médias e altas troposferas.
A Índia lançou seu primeiro satélite meteorológico, Indian Meteorological Satellite (INSAT) em 1979. A partir de 27 de
junho de 1979, o NOAA 6, um dos nove satélites da segunda geração da série NOAA, foi lançado. Os sensores a bordo
nesses satélites NOAA incluem Advanced Very High Resolution Radiometers (AVHRR) e TIROS N Operational
Vertical Sounder (TOVS). No dia 13 de maio de 1998, foi lançado o satélite NOAA K para uso ambiental, chamado
Polar Operacional Environment Satellite (POES). Em seguida, foram lançados os NOAA L, NOAA M e NOAA N, que
são referidos como NOAA KLM, a terceira geração da série NOAA. Os sensores óticos de varredura mecânica, os
sensores de microondas tal como o Synthetic Aperture Radar (SAR), os sensores hiperespectrais e, mais recentemente, os
sensores de Light Detection Ranging (LIDAR) foram desenvolvidos progressivamente ao longo das últimas cinco
décadas.
Os satélites de monitoramento de recursos ambientais, tais como da série Land Satellite (Landsat) e SPOT são
destinados a monitorar os recursos naturais do planeta Terra. Desde 1972, foram lançados sete satélites, mas o Landsat 6
não foi lançado com sucesso. O SPOT 1 foi lançado no dia 22 de fevereiro de 1986, depois dele já foram lançados com
sucesso os SPOT 2, 3, 4 e 5. Posteriormente, foram lançados vários satélites ambientais de alta resolução espacial com
sensores pancromáticos (PAN) que variam de 0,61 a 6,6 m, tais como: Indian Remote Sensing Satellite 1A (IRS 1A)
com resolução de 5,8 m lançado em 1988, IRS 1B lançado em 1991 e IRS 1C lançado em 1995, IKONOS II PAN com
resolução espacial de 1 m lançado no dia em 24 de setembro de 1999, Korea Multi-Purpose Satellite 1 (KOMPSAT I)
PAN com resolução de 6,6 m no dia 21 de dezembro de 1999, Earth Resources Observation Satellite A1 (EROS A1)
PAN de 1,8 m no dia 5 de dezembro de 2000, QuickBird I PAN com resolução de 1 m lançado em novembro de 2000 e
QuickBird II PAN de 0,61 m em dezembro de 2001. As características de sistema e sensores dos satélites nas órbitas são
descritas no ítem a seguir.

2.2 Classificação dos satélites

Existem dois tipos de satélites: satélites geoestacionários (geossincronizados) e satélites de órbita polar (satélite
solarsincronizado, ou seja, satélites de órbitas sincronizadas com o Sol). Quanto às suas aplicações, são classificados em
três tipos: satélites de comunicações, satélites meteorológicos e satélites de recursos ambientais. Os satélites de
comunicações e os satélites meteorológicos como GOES e METEOSAT são satélites geoestacionários. Os satélites
geoestacionários são posicionados num ponto fixo no espaço de tal maneira que se sincronizem com a rotação da Terra e
permaneçam sempre estacionados sobre um ponto geográfico da superfície da Terra. Os satélites de órbita polar, tais
como Landsat, SPOT e NOAA, estão circulando de pólo a pólo do globo com um ângulo de inclinação de 99°, cruzando
o plano da linha do equador.

2.2.1 Órbitas polares

Pelo fato de a superfície do planeta Terra não ser redonda, a altura de um satélite varia de acordo com sua posição
na órbita. O eixo maior do globo é geralmente usado para descrever a altura da órbita de um satélite. O satélite
movimenta-se em uma órbita elíptica em um ponto central do globo, de modo a manter a órbita elíptica de forma
constante e controlada pelo posicionamento reajustado em terceira dimensão apontando para as estrelas referenciais no
espaço. A órbita é constantemente reajustada para compensar as perturbações causadas pelas várias forças, incluindo o
eixo da órbita elíptica, excentricidade, velocidade angular, anomalia da média da altura, modo de ascensão e tempo. Mas
as perturbações, exceto o eixo da órbita elíptica, são relativamente pequenas (KIDDER; VON DE HAAR, 1995).
Operacionalmente, os elementos orbitais são observados e reajustados periodicamente.
O globo terrestre completa uma rotação (2π radianos) em torno do Sol em um ano tropical (31.556.925,9747 s).
Portanto, a ascensão do Sol tem uma taxa média de 1,991064×10−7 rad s−1 ou 0,9856473° dia−1. Se a inclinação do
satélite for corretamente selecionada, sua taxa de ascensão pode ser programada para coincidir com a taxa de ascensão do
Sol. Portanto, esse tipo de satélite é chamado satélite sincronizado com o Sol. Para um satélite com o eixo maior da
órbita de 7.228 km e excentricidade nula, o ângulo da inclinação deve ser de 98,8° para que seja sincronizado com o Sol.
Os satélites de órbita polar passam no equador sempre no mesmo horário e no mesmo local, por causa do ângulo
ascendente referente ao Sol e à Terra ser constante. As figuras 2.1a e 2.1b mostram as órbitas do satélite da série NOAA
que passam sobre o equador sempre ao meio-dia. Comparando a posição do NOAA 14 nas figuras 2.1a e 2.1b, pode-se
observar o NOAA 14 deslocando-se da Latitude de 0,5°S a 49,6°S gastando 14 minutos e 10 segundos. Isso demonstra
que o NOAA 14 circula o globo de pólo a pólo gastando cerca de 104 minutos.
 Figura 2.1a – O satélite NOAA 14 que passa a oeste do Peru cruza o equador (a latitude 0,5°S) às 12h 39min 44s. Fonte: (Disponível
em: <http://www.science.nasa.gov/Realtime/Jtrack/3D/Jtrack3D.html> Acesso em 03 de março de 2003).

Figura 2.1b – O satélite NOAA 14 desloca-se da latitude 0,5°N a 49,6°S e gasta 14 minutos e 10 segundos. Fonte: (Disponível em:
<http://www.science.nasa.gov/Realtime/Jtrack/3D/Jtrack3D.html> Acesso em 03 de março de 2003).

2.2.2 Órbita geossincronizada e geoestacionária

Para uma órbita geossincronizada com zero grau de inclinação e excentricidade nula, o eixo maior da órbita do
satélite deve ser de 42.168 km. Há uma pequena diferença entre os satélites geoestacionários e geossincronizados. Os
geossincronizados têm a mesma velocidade angular da Terra. Os geoestacionários também são geossincronizados, mas
devem ter inclinação e excentricidade nula. Portanto, os satélites geoestacionários ficam parados em um ponto fixo
acima do equador e requerem constante correção de suas órbitas. Os geossincronizados deslocam-se um pouco a oeste de
tempos em tempos. A figura 2.2 mostra o satélite GOES que fica acima do plano equatorial a aproximadamente 35.000
km acima do centro do globo terrestre no espaço fixo.
 Figura 2.2 – O satélite GOES circula o equador aproximadamente a 35.000 km acima do centro do globo terrestre no espaço fixo.
Disponível em: <http://www.science.nasa.gov/Realtime/Jtrack/3D/Jtrack3D.html> acesso em 03 de março de 2003).

2.3 Resoluções espectral e espacial

Para avaliar a capacidade dos sensores a bordo dos diferentes tipos de satélites, geralmente são aplicados dois
critérios: resolução espectral e resolução espacial. A resolução espectral é definida como a capacidade de um sensor de
espectrorradiômetro de medir a reflectância de uma determinada faixa de comprimento da onda eletromagnética. A
banda espectral mais estreita significa a resolução mais alta. A resolução espectral é utilizada para detectar as
características distintas da reflectância em determinadas bandas específicas pelas diferentes superfícies.
A resolução espacial é calculada pela distância resolvida na superfície, Ground Resolved Distance, (GRD) que é
definida pela equação (2.1).

Em que:  
H = altitude de satélite em m;
f = comprimento do foco em mm;
R = resolução do sistema em Line Pairs per Milimeter (LPM).

O Line Pairs per Milimeter (LPM) é uma medida-padrão que caracteriza o alvo para a estimativa da resolução de
imagem. A resolução espacial é definida como a capacidade que um sensor a bordo de um satélite apresenta na
identificação de um alvo-padrão na superfície terrestre.
A Força Armada dos Estados Unidos desenvolveu alvos-padrão que consistem em vários conjuntos de linhas
pretas paralelas separadas pelos espaços brancos. A largura do espaço é igual à largura da linha preta. Esses alvos-padrão
foram desenvolvidos pela Força Armada dos Estados Unidos são usados para o teste do poder da resolução espacial. A
figura 2.3 ilustra o alvo padrão. Um alvo é composto por três linhas pretas e duas linhas brancas com as mesmas larguras
e espaçamento formando uma área quadrada. Vários conjuntos formam alvos quadrados de vários tamanhos. Se as linhas
pretas forem identificadas separadamente pela visão, elas são chamadas espacialmente resolvidas. Em certa altura do
espaço, procura-se o alvo menor para que suas linhas pretas e brancas possam ser identificadas claramente. Esse alvo
identificado é usado para calcular sua resolução espacial. A distância composta de uma linha preta e uma linha branca é
definida como o comprimento de um par de linhas. O LPM é utilizado para calcular a quantidade de linhas por
milímetro. Por exemplo, um par de linhas ocupa 0,04 mm, a resolução R é 1mm/0,04mm = 25 LPM. Esse valor R de 25
LPM é utilizado na equação 2.1 para calcular sua resolução.

Figura 2.3 – Um alvo-padrão, que consiste em vários conjuntos de linhas pretas paralelas separadas por espaços brancos usado pelo
Exército dos Estados Unidos para estimativa de resolução espacial dos satélites. Fonte: Image Interpretation Handbook (1967).

2.4 Características de sensores

Os sensores, que operam na região ótica do espectro eletromagnético, tais como nas bandas de visível,
infravermelho próximo e infravermelho termal, são classificados como sensores óticos. Os sensores de microondas
operam nas bandas de microondas. Os sensores óticos são sensores passivos. Os sensores de microondas podem ser
ativos quando os sensores servem simultaneamente como uma fonte e um receptor da energia eletromagnética e ser
passivo quando somente recebem. Os sensores Laser do LIDAR são sensores ativos.

2.4.1 Sensores não-imageadores

Os sensores não-imageadores não produzem uma imagem do objeto observado. Esses sensores incluem
radiômetros e espectrorradiômetros (NOVO, 1988). Os radiômetros medem as reflectâncias das determinadas bandas
mais largas, tal como piranômetros usados para medir radiação solar ou radiação de onda curta (0,3 a 3 μm), e os
espectrorradiômetros medem as bandas mais estreitas, tais como espectrorradiômetros de canal visível (0,55 a 0,68 μm)
do sensor de AVHRR do satélite NOAA. Os sensores microondas do radar nas faixas de 0,3 cm a 100 cm também são
sensores não-imagiadores. A figura 2.4a apresenta as faixas de comprimento de onda (λ) e freqüência (ν) dos sensores de
espectrorradiômetros e os sensores microondas de radar no espectro da energia eletromagnética. A figura 2.4b apresenta
as faixas de comprimento de onda (λ) e freqüência (ν) dos sensores microondas do radar denominados como bandas P, L,
S, C, X, K, Q, V e W, de acordo com o comprimento da onda.
 Figura 2.4 – Faixas de comprimento de onda (λ) dos sensores de espectrorradiômetros e os sensores microondas do radar no espectro
da energia eletromagnética. Fonte: (CORINA et al., 2003).

2.4.2 Sensores imageadores

Os sensores imageadores produzem imagens. Esses sensores podem ser sensores fotográficos, sensores de
eletroótica, radar de visada lateral chamado Radar de Abertura Sintética, Synthetic Aperture Radar (SAR).

2.4.2.1 Sensores fotográficos

As imagens produzidas pelos sensores fotográficos envolvem dois processos: exposição e revelação. Esses
processos são como os de uma máquina fotográfica comum, só que existem filtros específicos para captar separadamente
as energias refletidas ou emitidas pelas diferentes faixas espectrais entre o visível e o infravermelho.
A resolução espacial dos sensores óticos é calculada pela seguinte equação:

Em que:  
Rso = resolução dos sensores óticos;
λ = comprimento da onda;
H = a altura do sensor ou a distância entre o sensor e o alvo;
D = diâmetro da abertura do sensor ótico.

A resolução de um sensor fotográfico deve levar em consideração os limites de resolução e a qualidade do filme.

2.4.2.2 Sensores elétroóticos

Os sensores imageadores eletroóticos adquirem as imagens processadas com os sinais elétricos recebidos. Isto
permite a transmissão e o armazenamento rápido de um grande volume de dados coletados. Todos sensores imageadores
têm dois componentes básicos: o sistema ótico e o detector. O sistema ótico focaliza a energia proveniente da cena no
detector. Dependendo do projeto do sistema imageador, os sensores atualmente usados são dos tipos: Imageador
Vidicon, Imageador de Varredura Eletrônica e Imageador Varredura Mecânica. O imageador Vidicon é um tipo de
máquina fotográfica de grande foco, chamada Return Beam Vidicon (RBV) que registra a imagem de alta resolução
semelhante à resolução de televisão. A tabela 2.1 resume os diversos tipos de dados adquiridos pelos diferentes tipos de
sensores imageadores e não-imageadores.
A resolução de um alvo na superfície terrestre imageado pelo sensor elétroótico é calculada pela equação (2.3):

Em que:  
 Reo = a resolução do sensor elétroótico;
d =o diâmetro do detector;
H = a altura da plataforma;
f = a distância focal.

Tabela 2.1 – Tipos de dados adquiridos pelos diferentes tipos de sensores imageadores e não imageadores. Fonte: (NOVO, 1988).

Tipo de informação Adquirida Tipo de Sensores Exemplos de Sensores

Alta resolução espacial com grande cobertura
Alta resolução espacial no nadir
Resolução espectral limitada com alta
resolução espacial
Alta resolução espectral e espacial.
Alta precisão da intensidade medida no nadir
Alta precisão da intensidade medida com
grande cobertura
Altas precisões na localização e no perfil
Mapeamento de topografia tridimensionais
Sensores imageadores; Máquina
fotográfica
Espectrômetros; Espectroradiômetros
Mapeadores Multiespectrais
Espectrometros Imageadores
Radiômetros e Polarizadores em
microondas
Radiômetros, Imageadores
Altímetro, sondador
Altímetros rastreadores
Máquina Fotográfica com grande formato;
Radar Seasat
Radiômetro Multiespectral do imageador do
Shutler
Landsat MSS e TM, SPOT, ERS - 1
Espectrômetro Imageador Aeroespacial
Polarizadores Seasat
Radiômetro em Microonda com rastreamento
eletrônico
Altímetro do Seasat; Radar Orbital Pioneiro
Vênus.
Altímetro Rastreador de alta resolução do
Shuttle

2.4.2.3 Sensores de microondas

Os sensores de radar na faixa de microondas são denominados com letras, tais como banda P com o comprimento
de onda ( λ ) localizado acima de 77 cm e freqüência ( ν ) abaixo de 0,39 GHz; banda L com λ entre 77 a 9,2 cm e ν entre
0,39 a 1,56 GHz; banda S com λ entre 9,2 a 7,7 cm e ν entre 1,56 a 3,9 GHz; banda C com λ entre 7,7 a 5,2 cm e ν entre
3,9 a 5,75 GHz; banda X com λ entre 5,2 a 2,75 cm e ν entre 5,75 a 10,9 GHz; banda K com λ entre 2,75 a 0,83 cm e ν
entre 10,9 a 36 GHz; banda Q com λ entre 0,83 a 0,65 cm e ν entre 36 a 46 GHz e banda V com λ entre 0,65 a 0,47 cm e
ν entre 46 a 56 GHz (figura 2.4).
Os sensores ativos de microondas a bordo dos satélites são os sensores de radar de abertura sintética, do tipo
chamado Synthetic Aperture Radar (SAR), que utiliza o efeito de Doppler para minimizar o tamanho da antena. Os
parâmetros referentes ao sistema de radar que influenciam os sinais de retroespalhamentos incluem freqüência,
polarização, ângulo de incidência e resolução. Cada sensor tem sua freqüência específica, assim como a banda L com a
freqüência de 1,275 GHz. Os sensores de radar emitem os sinais com polarizações horizontais (H) e verticais (V) e
recebem os sinais de retorno de polarizações vertical e horizontal. Portanto, a análise de uma imagem de radar é baseada
na análise dos sinais de retroespalhamentos registrados pelo alvo. Os sinais contêm quatro combinações entre V e H,
incluindo: HH, HV, VH e VV, que podem ser usadas para identificar e distinguir os alvos na superfície. O ângulo de
incidência é definido como o ângulo entre a linha de visada do radar e a linha perpendicular a superfície.
A antena do SAR tem um ângulo de abertura específico que consiste em um ângulo para uma linha mais próxima
do nadir (θ1, “near range”) e um outro mais distante (θ2, “far range”) que cobre uma faixa da superfície chamada faixa
imageada. O ângulo de incidência aumenta com o aumento da distância, o que resulta no aumento do tempo de retorno
dos sinais e, em geral, na diminuição da intensidade dos sinais de retorno. A figura 2.5 mostra o atraso do tempo de
propagação e o retorno dos pulsos das ondas nos alvos mais próximos e mais distantes. Os números na figura
representam os tempos da propagação das ondas emitidas e retornadas ao sensor, que são representados pelos pulsos. O
número do pulso maior significa o tempo de retorno mais demorado. Ao mesmo tempo, o sinal do alvo A recebido pelo
sensor é registrado com o pulso 11 e o do alvo B com o pulso 15. No caso de um terreno inclinado com um ângulo α, a
distância do alvo mais distante fica (no ponto N na figura 2.6) mais curta (no ponto E na figura 2.6). Isso causa o
encurtamento do tempo de retorno do alvo mais distante. O número de pulso do sinal de retorno diminui de 17 pulsos no
ponto N para 12 pulsos no ponto E. Os sinais retornados dos alvos mais distantes, tais como B, C e D, encurtaram seus
tempos de retorno por causa da superfície inclinada em direção ao SAR. No caso de um ângulo θ2 de 0°, ou seja na
inclinação de 90°, o encurtamento é máximo. Por outro lado, um ângulo θ2 de 90°, ou seja, na inclinação de 0°, os sinais
de retorno mais distantes demoram o tempo infinito. Por causa da inclinação da superfície, as ondas eletromagnéticas não
alcançam outro lado do terreno, o que resulta na perda da informação na área indicada pela área EFN na figura 2.6, que é
chamada de sombreada. A figura 2.7 mostra os vários espalhamentos incoerentes dos sinais não recebidos pelos sensores
de radar, causados pelas diferentes formas e rugosidade da superfície, tais como superfície espelhada, terrenos
ondulados, terrenos rugosos, paredes verticais, copas das vegetações e outros.
A equação (2.4) que segue representa a equação geral para o cálculo dos sinais de retroespalhamento de um radar
ativo.

Em que:  
PR = potência de sinais de retorno em pulso em microssegundos;
PT = potência de transmissão do sistema de radar;
G = geometria de propagação;
PTG = potência transmitida em pulso em microssegundos;
1/4πRt2 = espalhamento isotrópico da transmissão;
σ = seção transversal do alvo;
1/4πRr2 = espalhamento isotrópico dos sinais de retroespalhamento recebidos;
A = área de recepção da antena.

Figura 2.5 – A alteração do tempo de propagação dos pulsos das ondas e seus retornos nos alvos mais próximos (A) e mais distantes
(B). Os números representam a seqüência temporal de propagação das ondas em pulsos. Fonte: (CORINA et al., 2003).

Figura 2.6 – Ângulos θ1 e θ2 relacionados à posição do sensor a bordo do satélite, a superfície e o encurtamento da distância dos
sinais retornados por causa da inclinação da superfície e a direção do sensor em um ângulo α. Os números representam a seqüência
temporal de propagação das ondas. Fonte: (CORINA et al., 2003).
 Figura 2.7 – Cinco tipos de espalhamentos incoerentes dos sinais não-recebidos pelos sensores de radar por causa das diferentes
formas e rugosidade da superfície: superfície espelhada, terrenos ondulados e terrenos rugosos (3 figuras de cima) e paredes verticais,
copas das vegetações (2 figuras de abaixo). Fonte: (CORINA et al., 2003).

A resolução espacial dos sensores de radar de visada lateral e do SAR é composta de duas resoluções: resolução
azimutal e resolução radial. A figura 2.8 mostra uma área definida pelas resoluções azimutal e radial (área cinza) que é a
resolução espacial calculada pelas equações 2.5 a 2.7.

A resolução azimutal de radar é calculada pela equação (2.5):

Em que:  
ρa = resolução azimutal;
β = ângulo de abertura do sensor;
h = altura do sensor;
θ = ângulo de incidência;
λ = comprimento da onda;
L = distância da cobertura na direção do vôo.

A resolução azimutal do SAR é calculada pela equação (2.6):

 Figura 2.8 – Resolução espacial dos sensores do tipo SAR e do radar de visada lateral definida pelas resoluções azimutal e radial: ρa
= resolução azimutal; ρr = resolução radial; β = ângulo de abertura; h = altura do sensor; θ = ângulo de incidência; ë = comprimento
da onda e L = deslocamento do vôo. Fonte: (CORINA et al., 2003).

A resolução radial do SAR e dos sensores de radar de visada lateral é calculada pela equação (2.7). A figura 2.9
mostra a resolução radial no plano horizontal em relação ao ângulo de incidência θ e a velocidade de transmissão de
pulso dos sensores de um sistema de radar de visada lateral.

Em que:  
ρr = resolução radial no plano horizontal;
C = velocidade do pulso, que é igual à velocidade da luz;
PT = potência de transmissão em pulso em microssegundos (μs);
θ = ângulo da incidência.

Os parâmetros do alvo incluem rugosidade, propriedades de constante dielétrica e geometria do alvo. A rugosidade
de uma superfície depende do comprimento da onda. Geralmente, uma superfície é considerada pelo sensor de
microonda como superfície rugosa se o comprimento da onda é menor que a rugosidade da superfície. Por outro lado, se
a superfície lisa possui a rugosidade menor que o comprimento da onda, a rugosidade afeta a fase de sinais do retorno. A
constante dielétrica é o parâmetro que descreve as propriedades dielétricas do alvo. A geometria afeta a fase e a
intensidade de retroespalhamentos dos sinais polarizados. Portanto, as propriedades da constante dielétrica dos alvos, o
ângulo de incidência e a geometria do alvo afetam a intensidade de sinais polarizados retornados. A interferometria de
imagens SAR é uma técnica para estimar a diferença de fase de sinais retornados do mesmo pixel adquiridos pelas duas
antenas do SAR. Essa técnica pode ser aplicada para separar a intensidade de sinais de retorno causada pelas
propriedades dielétricas do alvo pela rugosidade, ângulo de incidência e inclinação da superfície do alvo e serve para
geração de modelo digital do terreno, Digital Elevation Model (DEM), com alta precisão. As descrições detalhadas sobre
os fundamentos teóricos e as aplicações das imagens adquiridas pelo SAR e pela interferometria em diversas disciplinas
podem ser encontradas no livro publicado por Floyd e Lewis (1998).
 Figura 2.9 – Resolução radial no plano horizontal (ρr) em relações ao ângulo de incidência θ de um sistema de radar de visada lateral.
Fonte: (CORINA et al., 2003).

2.4.2.4 Sensores de LIDAR

Os sensores de Light Detection and Ranging (LIDAR) usam um pulso do laser para medir a distância entre o
sensor e a superfície da Terra (FLOOD; GUTELIUS, 1997). O posicionamento de uma área rastreada pelo escaneador é
registrado pelo Differential Global Positioning System (DGPS). Os limites de uma unidade de área posicionam cada
ponto a ser identificado e registrado pelo DGPS (WEHR; LOHR, 1999). Um modelo digital da superfície, chamado
Digital Surface Model (DSM), pode ser gerado automaticamente baseado nos dados de elevação dos pontos registrados.
O DSM fornece as informações de geomorfologia e feições da superfície terrestre e fisionomias da morfologia da
superfície. A separação dos elementos dessas paisagens na superfície de um DSM cria um modelo digital de terreno,
Digital Terrain Model (DTM) e um modelo de altura das copas de vegetação e dos prédios. Esse modelo de altura pode
fornecer as informações de altura, densidade, cobertura das copas e biomassa das árvores para caracterizar a estrutura das
florestas.
A integração dos dados multiespectrais e DTM fornece uma ferramenta importante para mapear a cobertura
tridimensional da superfície. Isto pode ser aplicado para classificação dos objetos das superfícies naturais e artificiais,
tais como tipo de vegetação, solo, usos do solo urbano e rural (ACKERMANN, 1999; HAALA; BRENNER, 1999). Hill
et al. (2002) apresentaram um modelo de paisagem usando a integração dos dados multiespectrais e LIDAR. A figura
2.10 mostra os mapas gerados pelo modelo, incluindo: a) Modelo digital da superfície (DSM); b) as fisionomias da
superfície após a eliminação das variações locais; c) os níveis de altura das culturas e pastagens; d) o DSM original
mostra as alturas relativas das árvores, vegetações e prédios. Os sensores de LIDAR tornam-se cada vez mais usados
para adquirir os dados de elevação digital (LLOYD; ATKINSON, 2002). Os dados de LIDAR são obtidos em um ponto
referencial. É necessário usar um modelo de superfície digital (DSM) para a geração de uma imagem vetorial quando for
adquirido por usuários. Quando os dados forem numerosos e as amostragens ocorrerem em espaços próximos, um
algoritmo de interpolação linear simples é suficiente.
 Figura 2.10 – Mapas gerados com os dados de Airborne Laser Terrain Mapper (ALTM): a) Modelo Digital da Superfície (DSM); b)
As fisionomias da superfície após a eliminação das variações locais; c) Os níveis de altura das culturas e pastagens; d) o DSM
original mostra as alturas relativas das árvores, vegetações e prédios. Local: região próxima a Corsham, Wiltshire, Inglaterra. Fonte:
(HILL et al., 2002).

2.4.3 Vantagens e limitações dos diferentes sistemas de sensores

Para avaliar as potencialidades das aplicações dos sensores e do sensoriamento remoto via satélite, é preciso
conhecer as limitações e as vantagens dos diferentes tipos de sensores e seus objetivos de aplicações.
Os sensores fotográficos, quando comparados com os não fotográficos têm as seguintes vantagens:

a)   a resolução espacial ou geométrica é superior para a mesma escala. Por exemplo, uma fotografia aérea na
escala 1:5.000 obtida com o valor R de 50 pares de linhas por mm e o LPM tem uma resolução de 50 mm;
enquanto um sensor de varredura ótica-mecânica com um ângulo instantâneo de visada de 1 mrad, na mesma
escala (1:5.000), terá uma resolução de 1,5 m;
b)   as fotografias são bem orientadas espacialmente e não há necessidade da correção geométrica;
c)   as fotografias aéreas e seus produtos são fáceis de processar e interpretar. Entretanto, apresentam como
limitações: os filmes estão disponíveis apenas entre as bandas de ultravioleta e infravermelho próximo que
sujeitam às interferências atmosféricas.

Os sensores não-fotográficos como os imageadores e radares apresentam as seguintes vantagens:

a)   Operam durante o dia e a noite numa ampla faixa do espectro da energia eletromagnética e suas bandas
abrangem desde a ultravioleta até as microondas;
b)   a transmissão dos dados pode ser feita a distância, do satélite à estação de recepção terrestre via sinais
eletrônicos;
c)   os sensores não-fotográficos coletam os dados digitais de imagens nas várias bandas da onda eletromagnética
em uma velocidade que pode alcançar a velocidade da luz se o sistema do computador tiver a capacidade de
transmissão e armazenamento desse volume gigantesco do fluxo de dados;
d)   as vantagens dos sensores SAR incluem: imagens de textura fina, alta resolução espacial, obtenção de dados
de altimetria. O sistema do radar opera de dia e de noite, com boa penetração de nuvens, independentes de
interferências atmosféricas.

As limitações dos sensores não-fotográficos e não-imageadores incluem:

a)   Exigem alta tecnologia na construção e na operação do sistema e no processamento e interpretação dos dados;
b)   a resolução espacial da banda infravermelha é inferior comparando-se com a dos sensores fotográficos;
c)   alto custo de aquisição dos sistemas de sensores não imageadores;
d)   as desvantagens dos sensores SAR incluem speckle, que são altos ruídos granulares múltiplos em vez de
 aditivos, altas distorções radiométricas e geométricas, métodos complexos de processamento dos dados, difícil
interpretação visual e extração de dados biofísicos se não existir o processamento de dados adequado.

2.5 Sistema de satélites

Os satélites com alta resolução espacial tais como IKONOS, EROS e QuickBird têm alta resolução espacial de
0,62 m a 1 m, os de média resolução, tais como SPOT e Landsat, têm a resolução espacial de 2,5 m a 30 m e a resolução
temporal de 16 a 26 dias. Por outro lado, os satélites meteorológicos, tais como os satélites NOAA, têm a resolução
espacial de 1,1 km e a resolução temporal de 12 horas e os GOES e METEOSAT têm suas resoluções temporais em 30
minutos e suas resoluções espaciais de 4 a 7 km. Para explorar a potencialidade da aplicação dos diferentes satélites no
monitoramento das variabilidades bioclimáticas e recursos ambientais da superfície terrestre é necessário conhecer a
capacidade e o limite dos dados adquiridos pelos satélites disponíveis. As informações sobre os sistemas e as
características dos sensores dos vários satélites são apresentadas neste capítulo. Considerando que novos satélites são
lançados todos os anos, as informações dos novos satélites devem ser atualizadas em tempo hábil. Os principais satélites
ambientais incluindo os satélites desativados, os em órbita e os programados para lançamento são listados no final deste
capítulo (Anexo 2A). As informações adicionais dos satélites nas órbitas e as informações atualizadas para os novos
satélites lançados recentemente podem ser encontradas nos vários websites pela Internet, tais como:

a)   http://www.gsfc.nasa.gov;
b)   http://www.nesdis.noaa.gov;
c)   http://www.engesat.com.br;
d)   http://www.sulsoft.com.br;
e)   http://www.inpe.br;
f)    http://www.cnpm.embrapa.br;
g)   http://www.geodecision.com.br;
h)   http://www.spaceimaging.com;
i)    http://www.intersat.com.br.

2.5.1 Landsat

No dia 23 de julho de 1972, a NASA lançou nos Estados Unidos um primeiro satélite chamado Earth Resources
Technology Satellite (ERTS 1). Logo após o lançamento, o ERTS 1 foi rebatizado como Landsat. Os satélites Landsat
são destinados à exploração dos recursos do planeta Terra. Desde o ano 1972, foram lançados uma série de Landsat: 1, 2,
3, 4, 5 e 7. Os dados históricos de lançamento e funcionamento são listados a seguir:

a)   Landsat 1: Lançado em 23 de julho de 1972 - Desativado em 6 de janeiro de 1978;

b)   Landsat 2: Lançado em 22 de janeiro de 1975 - Desativado em 25 de fevereiro de 1982;
c)   Landsat 3: Lançado em 5 de março de 1978 - Desativado em 31 de março de1983;
d)   Landsat 4: Lançado em 16 de julho de 1982 - Ativo até o momento;
e)   Landsat 5: Lançado em 1 de março de 1984 - Ativo até o momento;
f)   Landsat 6: Lançado em 5 de outubro de 1993 - Perdido após o lançamento;
g)   Landsat 7: Lançado em 15 de abril de 1999 - Ativo até o momento.

Em princípio, os satélites Landsat 1, 2 e 3 possuem os sensores Multi Spectral Scanners (MSS) e os Landsat 4 e 5
possuem Thematic Mapper (TM) que melhoram sua resolução espacial de 80 m para 30 m. Com o fracasso do
lançamento do Landsat 6 em 1993, além do lançamento do Landsat 7 em abril de 1999, o Landsat 5 que foi lançado em
1984, ainda está em funcionamento, muito além do seu tempo previsto de vida útil. Mas as imagens geradas são de baixa
qualidade e estão cada vez mais degradadas. O principal objetivo do Landsat 5 foi a utilização dos sensores
multiespectrais para geração de mapas da superfície terrestre com média resolução espacial. O Landsat 7 possui os
sensores Enhanced Thematic Mapper Plus (ETM+) e acrescentou um sensor pancromático e dois sensores de banda
termal em vez de um sensor somente. A antena do Instituto Naional de Pesquisas Espaciais (INPE) em Cuiabá, recebe de
forma contínua as imagens de todo o território brasileiro, desde os anos setenta. Isso constitui um enorme e o único
acervo de dados de longo período sobre o Brasil e a América do Sul.

Principais aplicações:

a)   Acompanhamento de usos do solo;

b)   apoio ao monitoramento de áreas de preservação;
c)   atividades mineradoras;
d)   cartografia e atualização de mapas;
 e)   desmatamentos;
f)   detecção de invasões em áreas indígenas;
g)   dinâmica de urbanização;
h)   estimativas de fitomassa;
i)   monitoramento da cobertura e condições do crescimento vegetal;
j)   queimadas;
l)   secas e inundações;
m)   sedimentos em suspensão nos rios e estuários;
n)   monitoramento de qualidade de água.

2.5.1.1 Características do sistema e sensores dos satélites Landsat 1, 2 e 3

Os Lansat 1, 2 e 3 são satélites de órbita circular e quase polar, sincronizados com o Sol numa altitude de 912 km.
Uma órbita cobre uma faixa terrestre de 185 km e gasta 103 minutos e 27 segundos para completar uma volta ao globo.
O horário de passagem pelo equador é 9h9min. O Landsat completa 14 faixas da superfície terrestre por dia. Depois
completa 252 órbitas em 18 dias, o Landsat passa no mesmo local da Terra que produz a cobertura repetida da superfície.
Portanto, são necessários 19 dias para repetir a passagem na mesma faixa da superfície terrestre. Os Landsat 1 e 2 usaram
os sensores MSS e os três sensores no sistema de máquina fotográfica, chamada Return Beam Vidicon Camera (RBV)
que produziram as imagens da superfície do globo terrestre semelhantes às de televisão. Os sensores MSS têm uma
resolução espacial de 80 m. Os RBVs operaram independentemente nas três bandas espectrais localizadas entre 0,275 a
0,83 μm (tabela 2.2). Por as falhas eletrônicas, os RBVs foram desligados após um mês de operação. Portanto, poucos
dados foram adquiridos pelos sensores de RBV. No Landsat 3, os RBV foram modificados para incluir duas máquinas
fotográficas pancromáticas em vez de três. Um par de RBV cobriu uma área de 99 km × 185 km. A resolução espacial
aumentou de 80 m para 40 m por causa do aperfeiçoamento do foco da câmara do RBV do Landsat 3. Em compensação,
o RBV do Landsat 3 tem uma banda larga só de 0,505 a 0,750 μm. Mas o RBV sofreu os problemas técnicos que
resultaram no abandono das imagens adquiridas. Por problemas encontrados nos sensores de RBVs nos Landsat 1 e 2, os
sensores de MSS tornaram-se os principais sensores dos Landsat 4 e 5. As principais características dos sensores dos seis
satélites da série Landsat são apresentadas na tabela 2.2.

2.5.1.2 Características do sistema e sensores dos satélites Landsat 4 e 5

Com o aperfeiçoamento das tecnologias espaciais, os satélites Landsat 4 e 5 tornaram-se superiores aos Landsat 1,
2 e 3. Os avanços incluem o fornecimento direto das imagens às estações de recepção localizadas nas várias regiões do
globo via satélites de telecomunicação para receberem os sinais registrados pelos sensores MSS e TM, distribuição de
energia para a operação de instrumentos, sensores e equipamentos de suporte, controle da estabilidade da altura
relacionada às estações terrestres e intercomunicação com os ônibus espaciais. O sensor MSS é um instrumento de
varredura que usa um espelho plano que oscila para varrer uma largura de 185 km da superfície perpendicular ao trilho
da órbita. A radiação solar refletida no espelho é direcionada ao buquê de fibra ótica localizado no plano focal de um
telescópio. Os feixes de fibra ótica transmitem a energia aos detectores projetados em quatro faixas de comprimento da
onda eletromagnética específica. Cada varredura tem seis detectores para cada banda que resulta em uma varredura de
474 m de largura com a resolução espacial de 79 m (6 × 79 m = 474 m). A figura 2.11 mostra o padrão de uma varredura
com seis linhas de aquisição de dados do sistema Lansat MSS. Os Landsat 4 e 5 também carregam os sensores novos
chamados TM, além dos sensores MSS. Os sensores TM fornecem melhor resolução espacial (30 m), fidelidade
geométrica aperfeiçoada, maior detalhe radiométrico e melhor definição das bandas espectrais.

Figura 2.11 – Padrão de uma varredura com seis linhas de aquisição dos dados do sistema Lansat MSS. Fonte: (CAMPBELL, 1987).

A órbita dos satélites Landsat 4 e 5 é semelhante à dos anteriores. Sua órbita é circular, quase polar, sincronizada
ao Sol e com uma altitude de 705 Km. Os sensores cobrem a mesma faixa terrestre de 185 Km, mas com a velocidade
maior que 98,2 minutos por órbita e 17 dias para cobrir exatamente a mesma faixa terrestre. O horário de passagem pelo
equador é 9h27min. A figura 2.12 apresenta o padrão de cobertura do terreno dos satélites Landsat 4 e 5. O sistema de
recobrimento da superfície é realizado a cada 16 dias. As 16 órbitas são deslocadas alternativamente para aprimorar a
revisita da mesma área com maior freqüência. Por exemplo, a faixa adjacente à primeira órbita será recoberta pelo
satélite na oitava órbita. O espelho do sensor TM adquire 16 linhas por banda em cada varredura exceto a banda 6 que
adquire somente quatro linhas. A largura de uma varredura consiste em 30 m por linha e 16 linhas que resultam em uma
varredura de uma faixa de 480 m. Os sensores TM têm resolução espacial de 30 m, com exceção da banda 6 (banda
termal), com 120 m. Portanto, a banda termal do Landsat TM tem a resolução espacial de 120 m. As características
principais do sistema e sensores são apresentadas na tabela 2.2.

Figura 2.12 – O padrão das 16 órbitas cobrindo a superfície do globo terrestre pelos satélites Lansat 4 e 5. Fonte: (CAMPBELL,
1987).

2.5.1.3 Características do sistema e dos sensores do Landsat 7

O Landsat 7 foi lançado no dia 15 de abril de 1999. A figura 2.13 mostra a imagem composta da região
metropolitana da cidade de Campo Grande, Estado de Mato Grosso do Sul, adquirida pelo Landsat 7 no ano de 2002
(LIU; SANTIAMI; FERRAZ, 2005). O Landsat 7 tem novos sensores, chamados Enhanced Thematic Mapper Plus
(ETM+). A operação do satélite em órbita é administrada pela NASA e a produção e comercialização de imagens ficam
sob os cuidados da United States Geological Survey (USGS). Sua vida útil está prevista para ser superior a cinco anos
em órbita. Uma imagem Landsat 7 ETM+ é composta por oito bandas espectrais (tabela 2.2) que podem ser combinadas
em inúmeras possibilidades de composições coloridas e opções de processamento. Comparando-se o Landsat 7 ao seu
antecessor, destacam-se como as principais melhorias técnicas, a adição de uma banda espectral, Banda Pancromática
(PAN), com a resolução espacial de 15 m, perfeitamente co-registrada com as demais bandas (por exemplo, um pixel de
30 m da banda 1 contém 4 pixels da banda PAN), as melhorias nas características geométricas e radiométricas e o
aumento da resolução espacial da banda termal para 60 m. Esses avanços tecnológicos permitem qualificar o Landsat 7
como o satélite mais interessante para a geração de imagens pancromáticas com aplicações diretas até a escala 1:75.000,
em áreas rurais principalmente, mesmo em grandes extensões de território, como acontece freqüentemente no Brasil.
Tabela 2.2 – Principais características dos sensores dos satélites Landsat.
 Figura 2.13 – Imagem Landsat 7 ETM+ R/G/B 5/4/3, Cena 224/74 do ano de 2002 mostra a região metropolitana de Campo Grande,
capital do Estado de Mato Grosso do Sul, Brasil. Fonte: (LIU, et al., 2005).

O Landsat 7 pode adquirir imagens de uma área que se estende desde 81° de latitude norte até 81° de latitude sul e
obviamente, em todas as longitudes do globo terrestre. Uma órbita do Landsat 7 é realizada em aproximadamente 99
minutos, permitindo ao satélite dar 14 voltas na Terra por dia, completando a cobertura total do nosso planeta sendo
completada em 16 dias. A órbita é descendente, ou seja, de norte para sul, o satélite cruza a linha do equador entre 10h e
10h15min na hora local em cada passagem. O Landsat 7 é “heliossincronizado”, ou seja, sempre passa num mesmo local
no mesmo horário solar. Outro fato importante é que o satélite Landsat 7 tem o mesmo período de revisita que o Landsat
5 (17 dias) e a sua órbita resultou na mesma grade de referência do Landsat 5 e tem a mesma área imageada (185 × 185
km por cena). A conservação destes parâmetros técnicos facilita o processo de pesquisa de imagens, pois pode ser feito
com a mesma grade de referência e a perfeita integração no processamento das imagens do Landsat 7 com os dados
históricos do Landsat 5, existentes desde 1985, no caso de utilização dos dois tipos de dados simultâneaos no mesmo
projeto para a mesma área como, por exemplo, em estudo multitemporal.

2.5.1.4 Diferenças entre o Landsat 7 e o Landsat 5

O aperfeiçoamento dos sensores ETM+ e do sistema do satélite Landsat 7 são listados a seguir:

a)   Adição de uma PAN no Landsat 7 com resolução espacial de 15 m;

b)   aprimoramento do sistema de calibração radiométrica dos sensores, o que garante uma precisão radiométrica
absoluta de ±5%;
c)   aprimoramento na geometria de imageamento, o que resulta em maior precisão de imagens corrigidas apenas a
partir de dados de efemérides de satélite geradas pelo Global Positioning System (GPS) de bordo, muito
próxima da precisão obtida com imagens georreferenciadas com pontos de controle cartográficos;
d)   a banda PAN é a grande novidade. A sua resolução espacial de 15 m registrados com as demais bandas
facultam as imagens geradas pelo sensor ETM+ do satélite Landsat 7 de serem trabalhadas para ampliações até
a escala de 1:75.000. Trabalha na faixa espectral de 0,52 a 0,90 μm gerando uma imagem de boa
separabilidade dos alvos de interesse tanto em área rural como urbana. O Landsat 7 gera a banda 6 com baixo
ganho (banda 6L, 10,42 μm) e alto ganho (banda 6H,12,5 μm) com a resolução de 60 m . Isso permite várias
opções de análise e aplicações, tais como a medição relativa de temperatura radiante ou o cálculo de
temperatura absoluta.

Em todas as imagens, os algoritmos das correções do sistema do satélite são aplicados automaticamente para
retificação das imagens brutas ainda na estação de recepção, usando-se os parâmetros espaciais, tais como dados de
posicionamento e efemérides do satélite contidos nos arquivos descritos na imagem. As variações espaciais internas
presentes na imagem em seu estado bruto, tais como os ângulos de curvatura da Terra, variações de velocidade, altura e
altitude do satélite e deslocamentos de órbita são minimizados. As imagens Landsat 7 são disponíveis em três níveis de
correção geométrica: 0, 1R e 1G. O nível 1G é um nível de correção sistemática em que a imagem é corrigida
radiometricamente e geometricamente de forma sistemática e associada a um sistema de projeção cartográfica (Capítulo
14). Teoricamente, a precisão geométrica e espacial de um produto 1G é de pelo menos 250 metros em áreas planas e ao
nível do mar. Todavia, durante a fase de teste, a imagem analisada apresentou uma precisão geométrica superior a esse
valor. Mas ainda é insuficiente para suas aplicações. Ao se imaginar um cruzamento de duas estradas deslocando-se 250
metros na imagem, é impossível de identificar e localizar os alvos de interesse na imagem. Portanto, as imagens digitais
adquiridas de nível 1G ou outros níveis devem ser georreferenciadas para que sejam aplicáveis. A altitude do satélite,
efemérides e parâmetros de altitude do satélite, descritos no arquivo Payload Correction Data (PCD) e no arquivo
Calibration Parameter File (CPF), são componentes fundamentais usados para a geração de produtos 1G e garantem a
fidelidade geométrica geral da imagem 1G.
A interpretação das imagens de satélites pelos usuários finais depende principalmente dos atributos de textura e
cores presentes na imagem, principalmente para discriminar alvos que apresentem grande variedade, como tipos de
vegetação e espécies, padrões específicos de uso e ocupação do solo e interpretações ligados à morfologia. As imagens
geradas pelo processo de fusão espectral reúnem em uma única imagem as feições de texturas oriundas do canal de
melhor resolução espacial de 15 m da banda PAN (banda 8) no caso do Landsat 7 e a informação temática de cor,
resultante da combinação das diversas bandas espectrais disponíveis das 6 bandas espectrais com resolução espacial de
30 m. O resultado é uma imagem com 15 m de resolução, contra 30 m do produto original, na qual as tonalidades são
bastante similares à composição com as bandas originais, ou seja, que não altera o seu conteúdo temático. Esse novo
produto é conhecido como “fusão” e é oferecido aos usuários como um produto padronizado, em CD ROM ou papel
fotográfico até a escala 1:25.000. O produto pode ser solicitado isoladamente ou adicionalmente às bandas originais.
Utiliza-se sempre como princípio original de geração da “fusão” de um lado a banda Landsat 7 sensor ETM+ com
resolução de 15 m (PAN) e de outro lado, 3 bandas de 30 m de resolução a escolher para produzir novas imagens com as
seguintes características: melhor qualidade geométrica do PAN e melhor qualidade espectral das demais bandas
escolhidas. Assim, as possibilidades de combinações são tão numerosas como são às possibilidades de combinação de 3
bandas com resolução original de 30 m.

2.5.2 SPOT

O satélite Le Systeme Pour l’Observation de la Terrere (SPOT 1) foi lançado no dia 21 de fevereiro de 1986. O
programa SPOT foi planejado e projetado desde o início como um sistema operacional e comercial de observação da
Terra. Estabelecido por iniciativa do governo francês em 1978, com a participação da Suécia e Bélgica, o programa é
gerenciado pelo Centro Nacional de Estudos Espaciais (CNES), que é o responsável pelo desenvolvimento do programa
e pela operação dos satélites. Desde o lançamento do SPOT 1, já foram lançados com sucesso os SPOT 2, 3 e 4. O SPOT
5, que foi lançado no dia 04 de maio de 2002, está com novas especificações incluindo resolução espacial de 2,5 m numa
faixa de 60 Km.
A órbita do satélite SPOT é polar e solarsincronizada com uma altitude de 822 Km, mantendo uma inclinação de
98°7’ em relação ao plano equatorial. O plano orbital movimenta-se em relação ao eixo da Terra, de modo que completa
uma revolução em 365 dias. Isso permite que o satélite mantenha o ângulo constante ao longo do ano entre o plano
orbital e a direção do Sol e mesmo horário solar sempre das 10h30min quando cruza a linha do equador.

2.5.2.1 Características de sistema e sensores do SPOT

O sistema do SPOT consiste em dois instrumentos distintos, um transmissor telemétrico e um gravador de fita
magnética. O sistema dos sensores do SPOT consiste em dois sensores chamados de sistema de High Resolution Visible
(HRV). O HRV usa a tecnologia de varredura “pushbroom” baseada no desenho de carregamento acoplado, chamado
Charge Coupled Devices (CCD) que pode adquirir simultaneamente uma varredura inteira de dados, cruzando-se o eixo
do trilho da órbita. A importante vantagem é que sem as peças móveis de varredura mecânica oferecendo maior
estabilidade e maior resolução espacial, pode-se compará-lo com o sistema dos sensores dos Landsat. Cada varredura de
60 km consiste em 6.000 detectores por banda. Outra inovação do SPOT é a capacidade de controlar a orientação de
espelho pelo comando terrestre, que permite o satélite adquirir as imagens fora da cobertura de 60 km. Portanto, a
resolução alcança 10 m em modo pancromático. O sistema HRV opera em dois modos: um modo multiespectral (HRV-
M) que permite a aquisição de dados em três bandas (0,50 a 0,59 μm, 0,61 a 0,68 μm e 0,79 a 0,89 μm) com uma
resolução espacial de 20 m e um modo pancromático da banda visível (0,51 a 0,73 μm) com uma resolução de 10 m. As
datas de lançamento e as características principais do sistema SPOT são apresentadas nas tabelas 2.3, 2.4 e 2.5.
Tabela 2.3 – Datas de lançamento de satélites de série SPOT
SPOT 1 21 de Fevereiro de 1986, operacional
SPOT 2 22 de Janeiro de 1990, operacional
SPOT 3 26 de Setembro de 1993, perdido em 14 de Novembro de 1997
SPOT 4 24 de Março de 1998
 SPOT 5 4 de Maio de 2002

Tabela 2.4 – Características do sistema dos SPOT 1, 2 e 3

SPOT 1, 2 e 3 Características
Peso total inicial em início de vida útil 1870 kg
Potência dos painéis solares 1 kW
Largura dos painéis solares 8,032 m
Altitude média no Equador 822 km
Tamanho do corpo do satélite 2 m × 2 m × 4,5 m
Freqüência da telemetria da imagem 8,253 GHz
Fluxo de transmissão 2 × 25 Mbits/sec
Foguete lançador Ariane 2/3
Capacidade de gravação a bordo 2 × 22 minutos
Duração da vida útil prevista > a 3 anos
Ciclo orbital 26 dias
Duração de uma órbita (nominal) 101,4 min
Inclinação da órbita 98,7°
Nó descendente 10h39min
órbita Circular e heliosincronizada

Tabela 2.5 – Características do sistema do SPOT 4

SPOT 4 Características
Peso total inicial em Início de vida útil 2700 kg
Potência dos painéis solares 2,1 kW
Largura dos painéis solares 8,14 m
Altitude média no Equador 822 km
Tamanho do corpo do satélite 2 m × 2 m × 5,6 m
Freqüência da telemetria da Imagem 8,253 GHz
Fluxo de transmissão 2 × 25 Mbits/sec
Foguete lançador Ariane 4
Capacidade de gravação a bordo 2 × 40 minutos + 3 min
Duração da vida útil prevista > a 5 anos
Ciclo orbital 26 dias
Duração de uma órbita (nominal) 101,4 min
Inclinação da órbita 98,7°
Nó descendente 10h39min
Órbita Circular e heliosincronizada

Dois sensores idênticos do HRV estão a bordo do satélite e podem ser utilizados independentemente, tanto na
geometria de visada como no modo espectral. Cada instrumento tem uma faixa de varredura de 60 km. Quando os dois
instrumentos operam em modo “geminado” captando áreas contínuas, a área total coberta é de 117 km, ou seja, duas
faixas de 60 Km de largura cada uma com 3 km de sobreposição. A figura 2.14a mostra as faixas de varredura do SPOT.
Os instrumentos HRV podem rastrear no nadir, isto é, no plano perpendicular ao plano orbital do satélite
controlado por um espelho móvel que pode ser comandado para rastrear a superfície com um ângulo desejado apontando
para as áreas de interesse com 27° fora do ângulo do nadir. Isso permite o acesso de uma faixa de 950 Km de largura
(figura 2.14b). Quando as cenas são adquiridas com um determinado ângulo de visada, o efeito de perspectiva faz com
que a área rastreada possa ser mais larga, até 80 Km com o angulo de 27°. Essa possibilidade confere aos satélites SPOT
uma capacidade de revisita de uma área de interesse em apenas alguns dias, que variam entre 2 e 4 dias dependendo da
variação de latitude, muito superior à periodicidade da órbita que é de 26 dias e permite igualmente a aquisição de
imagens em estereoscopia.
Todas as imagens do SPOT são codificadas em oito bits. Nos modos multiespectrais, as observações são feitas em
três bandas espectrais (modo XS) para o SPOT 1, 2, 3 e quatro bandas no SPOT 4 (modo XI), sempre com resolução de
20 m. No modo pancromático ou monoespectral, as observações são feitas por uma única banda de 0,51 μm a 0,73 μm,
no caso do SPOT 1, 2, 3 e 0,61 a 0,68 μm no SPOT 4, sempre com uma resolução de 10 m. A tabela 2.6 mostra as
características dos sensores e suas resoluções do SPOT 1, 2, 3, 4 e 5.
 Figura 2.14 – Faixas de varredura do SPOT, que com o controle de ângulo do espelho, podem rastrear uma faixa de 950 km.
Disponível em:<http://www.spotimage.fr> acesso em 10 de abril de 2004.

Tabela 2.6 – Características dos sensores e suas resoluções dos satélites da série SPOT. Disponível em: <http://www.spotimage.fr> acesso
em 10 de abril de 2004.

O modo PAN ou monoespectral é aconselhado para aplicações que procuram precisão geométrica e resolução. O
modo multiespectral XS ou XI é recomendado para aplicações temáticas, para estudos de vegetação, usos do solo, entre
outros. Os modos PAN e XS podem ser combinados rendendo uma imagem PAN+XS, colorida, com 3 bandas e 10 m de
resolução. As imagens PAN e XI do SPOT 4, quando adquiridas simultaneamente, são registradas entre si, o que faz
desse processamento uma tarefa muito simples e sistemática. Isso é possível porque a imagem no modo monoespectral
do SPOT 4, diferentemente do que acontece no SPOT 1, 2 e 3, é gerada pela banda 2 do instrumento XI de 20 m de
resolução, sendo então plenamente compatível geometricamente com a imagem PAN adquirida simultaneamente pelo
mesmo instrumento.

2.5.2.2 SPOT 5

O Satélite SPOT 5 foi desenvolvido pela CNES da França em conexão com o Programa de Satélite de Observação
Militar HELIOS II, uma solução que gerou economia de recursos em ambos os programas. O programa SPOT 5 tem
igualmente um componente político e um objetivo estratégico: “é uma questão de soberania não deixar a terceiros o
monopólio do poder de observação” comenta um Diretor do CNES. O satélite SPOT 5 foi concluído e entregue para o
CNES pela empresa ASTRIUM em Toulouse no final de janeiro de 2002, após passar com sucesso em todos os testes
finais de aceitação. Ele foi enviado para o Centro espacial de Kourou na Guiana Francesa no final de fevereiro e o seu
lançamento foi realizado no dia 4 de maio de 2002.
O SPOT 5 apresenta alta resolução espacial e larga faixa rastreada. Os dois novos instrumentos High Resolution
Geometric (HRG) imageiam com 5 m de resolução em pancromático e 2,5 metros em “supermode” (tabela 2.6). Cada
um dos dois instrumentos recobre uma faixa de 60 Km na Terra, dentro de um corredor potencial de visibilidade de ±420
km. Da mesma forma que os sensores dos antecessores do SPOT 5, os instrumentos HRG podem imagear igualmente em
modo multiespectral em quatro bandas (faixa espectral da luz verde, vermelho, infravermelho próximo e infravermelho
médio). Na tabela 2.7 listam-se as características do sistema e sensores do SPOT 5. Os produtos SPOT 5 foram
concebidos para satisfazer os requisitos do mercado em termos de fornecimento de informação geográfica operacional,
na área de aplicações cartográficas, defesa, agricultura, redes de telecomunicações, planejamento urbano, gerenciamento
de desastres naturais. Um outro ponto forte do sistema SPOT é a sua capacidade de revisita em uma mesma área de
interesse. Nominalmente, para um satélite isoladamente, seria de três a cinco dias. Com quatro satélites operando, a
freqüência de revisita pode ser praticamente diária. O SPOT 5 assegura a continuidade das operações comerciais da
SPOT IMAGE e tem condições de gerar um grande aumento da capacidade atual de coleta de dados do SPOT 4, em
plena operação desde 1998.
Tabela 2.7 – Características do sistema do SPOT 5. Disponível em:<http://www.spotimage.fr> acesso em 10 de abril de 2004.
Características do sistema do SPOT 5
Peso de 3.000 Kg.
Órbita na altitude de 832 km
Precisão de localização da órbita de 50 m contra 350 m dos antecessores
Memória “Solid State” de 90 Gb.
Downlink para as estações de 2 canais de 50 Mbps, garantido a transmissão de 5 canais de imageamento simultaneamente (2
Instrumentos HRS, 2 Instrumentos HRG e Vegetação)
Dois instrumentos High Resolution Geometric (HRG) que imageiam com 5 m de resolução em Pancromático e 2,5 m em “supermode”.
Cada um dos dois instrumentos recobre uma faixa de 60 Km no solo, dentro de um corredor potencial de visibilidade de ± 420 km. Da
mesma forma que os sensores dos antecessores do SPOT 5, os instrumentos HRG podem imagear igualmente em modo multiespectral
em quatro bandas (faixa espectral de luz verde, vermelho, infravermelho próximo e infravermelho médio).
Dois instrumentos High Resolution Stereoscopic (HRS) que fornecem cobertura estereoscópica de amplas regiões, adquiridas pelos dois
telescópios que formam o conjunto, sendo um deles com visada dianteira e outro com visada traseira, e capazes de fornecer dados em
estereoscopia adquiridos numa mesma órbita e com alguns segundos de intervalo somente, e que uma vez processados, resultarão em
Modelos Numéricos de Terreno de 10 m de precisão altimétrica, servindo a inúmeras e novas aplicações que exigem precisão
altimétrica, tal como cartografia, base de dados militares e civis, telecomunicações (telefonia celular em particular), simuladores de vôo
e sistemas de aproximação aeroportuária e Sistemas de Informação Geográfica. O Instrumento HRS foi desenvolvido por uma parceria
inovadora entre o CNES, ASTRIUM e a própria SPOT IMAGE.

Ao lado do Instrumento HRS do SPOT 5 está o instrumento VEGETATION (VGT), similar ao que opera em
ângulo de visada larga até 27° do sensor HRV no SPOT 4. Com um imageador multiespectral de 1 Km de resolução, ele
continua fornecendo uma visão em pequena escala da Terra, com uma faixa imageada de 2.250 Km de largura. A sua
resolução espacial permite medir variações sutis na cobertura do planeta, possibilitando um monitoramento global de
grande valor científico. Os dados adquiridos pelo instrumento VGT do SPOT 5, semelhantes aos dados adquridos pelos
sensores AVHRR do NOAA são usados para monitoramento contínuo da biosfera e geosfera em nível regional até
global. Os dados adquiridos permitem analisar os impactos do aumento da concentração de CO2 causado pelas atividades
humanas nas mudanças climáticas globais e nas condições do crescimento da vegetação. O Instrumento VGT, montado
no SPOT 5, é uma versão aprimorada do sensor inicial, com melhorias nos detectores e na parte ótica.
HRS: Estereoscopia numa única passagem bem menor no seu tamanho de que os instrumentos HRG, mas em sua
base está a grande novidade do SPOT 5, o instrumento High Resolution Strereoscopic (HRS). Os dois sensores que o
compõem têm um ângulo de visada de 20 graus, sendo que um rastreia na frente do satélite e, logo depois, outro rastreia
atrás do satélite, adquirindo dessa forma um par estereoscópico de maneira sistemática. Até o presente momento, o
satélite SPOT adquiria pares estereoscópicos provenientes de aquisições de várias órbitas distintas e com ângulos
variáveis. Entre as duas passagens que formavam as cenas para o estereoscópico, as condições de cobertura da área de
interesse imageada e as condições de iluminação, bem como a meteorologia mudava bastante, o que resultava em
dificuldades adicionais para os softwares de produção e extração de altimetria e Modelo Numérico de Terreno. Nesses
aspectos, a tecnologia e a metodologia empregada agora no Instrumento HRS do SPOT 5 representam um progresso
indiscutível. Os Instrumentos HRS têm capacidade de adquirir diariamente 126.000 km2 de área em estereoscopia ou
seja, de 6.000.000 a 10.000.000 km2 por ano. Isso permite a geracao de um Modelo Numérico de Terreno global, Digital
Elevation Model (DEM) global, possibilitando a geração de ortoimagens e visualizações 3D cobrindo mais 30.000.000 a
50.000.000 km2 num período de 5 anos (duração mínima da vida útil do SPOT 5) ou seja, mais de 1/3 da superfície da
Terra. Esses produtos têm grande acurácia, mesmo sem o uso de pontos de controle: precisão altimétrica igual ou melhor
que 10 m e precisão absoluta de localização igual ou melhor a 15 m, o que possibilita compor uma base de dados de
DEM em nível mundial. A figura 2.15 mostra uma imagem do SPOT 5 na região metropolitana de Canberra, Austrália,
com uma resolução espacial de 2,5 m. A imagem foi adquirida em fevereiro de 2003. Fonte: (http://www.spotimage.fr).

Figura 2.15 – Imagem do SPOT 5 – com a resolução de 2,5 m, Canberra, Austrália, Fevereiro de 2003. Disponívem em:
<http://www.spotimage.fr> acesso em 10 de abril de 2004.

2.5.3 IKONOS

As imagens de alta resolução geradas pelo satélite da série IKONOS são conseqüência direta da liberação de alta
tecnologia em ciência espacial promovida em 1994 pelo Governo Americano. Anteriormente, essa tecnologia estava
somente disponível para satélites de fins militares. Lançado em 12 de agosto de 1997, o satélite IKONOS foi o primeiro
satélite de alta resolução com fins comerciais. O satélite possui uma câmera que registra informações com 1 m de
resolução na banda pancromática (escala de cinza) e de 4 metros nas faixas espectrais (vermelho, azul, verde e
infravermelho próximo). Ele é operado pela SPACE IMAGING que detém os Direitos de Comercialização em nível
mundial. O satélite IKONOS I fornece imagens da Terra com grande detalhamento e bastante utilizadas pela sociedade.
O IKONOS II foi lançado no dia 24 de setembro de 1999 e está em operação desde o início de janeiro de 2000. A tabela
2.8 mostra as características do sistema do satélite IKONOS II.
Tabela 2.8 – Características e dados do sistema do satélite IKONOS II. Disponível em: <http://www.spaceimaging.com> acesso em 10 de
abril de 2004.
IKONOS II Características
Data do lançamento do satélite 24/9/1999
Foguete Athena II
Local de lançamento Base da Força Aérea em Vandenberg,  Califórnia, USA.
Altitude 681 km
Inclinação 98,1°
Velocidade 7 km/s
Sentido da órbita Descendente
Duração da órbita 98 min
Tipo de órbita Solarsincronizada
Ângulo de visada Rápida alternância entre diferentes ângulos
Pancromática: 1 m
Resolução espacial de cada banda
Banda Espectral: 4 m
 Pancromática 0,45 a 0,90 μm
Azul 0,45 a 0,52 μm
Bandas espectrais Verde 0,52 a 0,60 μm
Vermelho 0,63 a 0,69 μm
Infravermelho próximo 0,76 a 0,90 μm
Faixa de imageamento 13 km no nadir (cena simples 13 km ×13 km)
11 km × 100 km até 11 km × 1000 km
Tamanho da cena Mosaicos de 12.000 a 20.000 km2 de
área imageada em uma passagem
Latitudinal:12 m
Precisão espacial Longitudinal:10 m
(sem pontos de controle cartográfico)
2,9 dias (PAN) e 1,5 dia (multiespectral) para os alvos ao longo da latitude de
Tempo de revisita
40°. O tempo aumenta com o aumento da latitude

As vantagens e os benefícios de aplicações de dados adquiridos pelo satélite IKONOS são:

a)   Alta resolução espacial entre as imagens orbitais atualmente disponível no mercado;

b)   possibilidade da fusão das imagens PAN em tons de cinza (gray scale) com as imagens multiespectrais para a
geração de imagens coloridas com 1 m de resolução;
c)   grande quantidade de informação disponível que facilita a interpretação visual;
d)   algoritmos específicos, como o classificador chamado “Expert Classifier”, disponível na versão 8.4 do
software “ERDAS Image Analysis”, já são capazes de extrair as informações para sua interpretação;
e)   imagens gravadas em formato de 11 bits (2048 níveis de cinza) aumentam o poder de contraste e de
discriminação das imagens;
f)   produto com grande resolução espacial (identificar feições ricas em detalhes), mas não com grande precisão
cartográfica. A precisão cartográfica pode ser obtida por ortocorreção e/ou retificação das imagens;
g)   bandas espectrais na faixa visível são mais largas (quando comparadas com Landsat 5 e 7) que permitem uma
maior penetração na atmosfera e maior poder de discriminação dos alvos terrestres, principalmente da
cobertura vegetal, áreas sombreadas e superfície de água;
h)   imagens com 4 m de resolução espacial oferecem até 25 vezes mais informações que imagens com 20 m de
resolução. Nas imagens pancromáticas de 1 m é possível distinguir objetos do tamanho de 1 m2.

As aplicações das imagens do IKONOS abrangem quase todos os ramos do conhecimento. Algumas aplicações
são citadas a seguir:

a)   Projetos de Geographical Information Systems (GIS), tais como redes, telecomunicações, planejamento, meio
ambiente;
b)   mapas de cadastramento dos usos do solo urbano e rural;
c)   elaboração e atualização de mapas de cadastro;
d)   defesa militar;
e)   fonte de apoio para trabalhos com GPS;
f)   projetos ambientais em grandes escalas;
g)   meio ambiente, arquitetura, urbanismo e paisagismo;
h)   demarcação, legalização e fiscalização das propriedades particulares e públicas;
i)   agricultura de precisão, previsão de safra e otimização do sistema de manejo da produção;
j)   manejos florestais incluindo as estimativas de produtividade e potencial econômico, projetos de
desenvolvimento sustentável e censo de árvores;
l)   planejamento e gerenciamento do turismo, incluindo identificação de locais específicos, mapas pictóricos e
localização de pontos atrativos turísticos;
m)   mercado da internet: imagens de pequenas áreas podem ser comercializadas pela Internet para atender o
pequeno usuário, que quer apenas localizar sua casa ou propriedade.

2.5.4 QuickBird

Em novembro de 2000, a EarthWatch lançou o satélite QuickBird I, da área de lançamentos de Plesetsk, na Rússia.
O QuickBird 1 não conseguiu alcançar sua órbita. Em setembro de 2001, a EarthWatch tornou-se a DigitalGlobe – uma
mudança no nome e no seu foco para refletir melhor os objetivos da companhia. A DigitalGlobe tinha como missão
reunir o maior e mais completo acervo de imagens digitais existente, a fim de prover a seus clientes acesso a informações
atualizadas do globo terrestre. Para atingir seus objetivos, ela planejou lançar e operar o satélite QuickBird II, somando
esforços ao trabalho da Ball Aerospace, contratou os serviços da Eastman Kodak Company e a Fokker Space B. V. para
o projeto, o desenvolvimento e a fabricação dos componentes e da espaçonave do QuickBird. Os sistemas terrestres
foram aperfeiçoados para receber, processar e transmitir os dados do satélite QuickBird por meio de duas estações
terrestres (Noruega e Alasca), ligados ao Centro de Controle da Missão, Mission Control Center (MCC), localizado na
sede da DigitalGlobe, no Colorado. No início de 2001, a empresa ampliou a resolução do satélite QuickBird para 0,61 m
em modo pancromático e 2,44 m no modo multiespectral (azul, verde, vermelho e infravermelho próximo). Os sistemas
do QuickBird foram construídos para obterem uma alta resolução espacial, uma apurada precisão em
geoposicionamento, uma extensa área de imageamento e a disponibilização de um quadro flexível de horários de
imageamento. O QuickBird II foi lançado no dia 18 de outubro de 2001. A tabela 2.9 mostra as datas de lançamento e o
sistema do QuickBird II. Suas aplicações são iguais as listadas na seção anterior (IKONOS).

As vantagens das imagens adquiridas pelo QuickBird II:

a)   A mais alta resolução espacial dos sensores óticos disponíveis comercialmente: 0,61 m em modo pancromático
no nadir e 2,44 m multiespectral no nadir. A possibilidade de fusão desses modos que forma uma imagem
colorida é de 0.61 m;
b)   alta qualidade na aquisição da imagem, possibilitando a criação de mapas de monitoramento e análise de
imagens com muito mais precisão;
c)   plataforma extremamente precisa que permite a identificação das localidades com muito mais confiança;
d)   georreferenciamento menor que 23 m, possibilitando a criação de mapas em áreas remotas sem a necessidade
do uso de pontos de controle no terreno;
e)   cobertura de uma passagem com 16,5 km de largura da cena com alta qualidade de imagem;
f)   maior capacidade interna de armazenamento de dados - 128 Gb que permitem as condições de captar e
atualizar uma grande quantidade de imagens mais rapidamente que qualquer outro satélite comercial em
operação;
g)   aumento da capacidade de captação e processamento da imagem que permitem adquirir as imagens de alta
qualidade com baixos níveis de luz.
Tabela 2.9 – Data de lançamento e características do satélite QuickBird II. Disponível em:
<http://www.sat.cnpm.embrapa.br/satelite/quickbird.html> acesso em 10 de abril de 2004.

QuickBird  II Características

Data de lançamento 18 de outubro de 2001
Veículo de lançamento Boeing Delta II
Local de lançamento Base de Força Aérea em Vandenberg, Califórnia
Capacidade de armazenamento de 128 Gbytes, aproximadamente 57 áreas de imagens simples.
dados
Altitude da órbita 450 km
Inclinação da órbita 98 graus, sincronizada com o Sol
Velocidade 7,1 km / segundo
Horário de passagem 10h30min
Duração da órbita 98 minutos
Capacidade de envio de dados 320 Mbps em banda X
Peso, tamanho 953 kg, 3,04 m de comprimento
Tempo de vida útil No mínimo 7 anos
Tempo de revisita 1 a 3,5 dias, dependendo da latitude (30° off-nadir)
Largura do imageamento 16,5 km × 16,5 km, no nadir
Precisão métrica latitudinal: 23 m
longitudinal: 17 m
Digitalização 11 bits
Resolução PAN: 61 cm (nadir) e 72 cm (25° off-nadir)
Multiespectral: de 2,44 m (nadir) até 2,88 m (25° off-adir)
Formatos disponíveis GeoTIFF 1.0, NITF 2.1 ou NITF 2.0
Bandas Pancromática 450 - 900 nm
Azul: 450 - 520 nm
Verde: 520 - 600 nm
Vermelho: 630 - 690 nm
Infravermelho próximo: 760 - 900 nm

A figura 12.6 mostra a imagem do Parque Ibirapuera da cidade metropolitana de São Paulo, no Brasil adquirida
pelo QuickBird II. O círculo branco brilhante é o topo de um edifício. O edifício retangular alongado de cor cinza,
localizado na esquerda da imagem é o prédio de Museu de Arte Moderna, que realiza as exposições de artes modernas.
 Figura 2.16 – Imagem QuickBird, 2004 – Parque do Ibirapuera, Cidade Metropolitana de São Paulo, Brasil. Disponível em:
<http://www.sat.cnpm.embrapa.br> acesso em 15 de julho de 2005.

2.5.5 KOMPSAT

O Satélite Korea Multi-Purpose Satellite (KOMPSAT) é baseado na tecnologia de plataformas leves com
adaptações para se adequar aos objetivos do Instituto Coreano de Pesquisa Aeroespacial, Korea Aerospace Research
Institute (KARI). Em Março de 1995, a companhia TRW assinou um contrato de desenvolvimento de um satélite
multifuncional leve no qual a indústria coreana também estaria envolvida. Durante 5 anos os engenheiros do KARI, da
indústria coreana e da TRW trabalharam em estreita colaboração para produzir dois modelos completos de um satélite,
aprovados para lançamento, adquirindo assim o conhecimento em conceber, construir e usar satélites para servir aos
interesses da República da Coréia na área ambiental e científica.
O programa KOMPSAT consiste em dois modelos completos de um mesmo satélite aptos para o lançamento. O
primeiro satélite, o protótipo de vôo, foi montado, integrado e testado nas instalações industriais da TRW em Redondo
Beach, Califórnia, USA. A equipe da TRW que liderava o projeto, junto com aproximadamente 112 engenheiros do
KARI e da indústria coreana, completaram o trabalho no primeiro satélite e ele foi enviado para a Coréia em abril de
1998. O objetivo desse primeiro protótipo era principalmente comprovar a qualidade da estrutura e das funcionalidades
do satélite. Vários componentes eletrônicos, térmicos, estruturais e de subsistemas de propulsão foram produzidos por
parceiros da indústria coreana, com assistência constante da TRW na Coréia para garantir a qualidade e a
compatibilidade dos componentes entre si na integração final do satélite. No segundo satélite, o modelo de vôo foi
montado, integrado e testado nas instalações do KARI em Taejon, República da Coréia, pelos engenheiros do KARI com
o suporte dos engenheiros da TRW.
O satélite KOMPSAT 1 define-se como um satélite multifuncional do KARI que foi lançado no dia 21 de
dezembro de 1999 pelo foguete Taurus, da base aérea Vandenberg da Força Aérea Americana, USA. O KOMPSAT 1
pesa 500 kg e tem a bordo vários sensores e instrumentos:

•    O Electro-Optical Camera (EOC);

•    Ocean Scanning Multi-Spectral Imager (OSMI);
•    Space Physics Sensor (SPS),

O satélite está numa órbita heliosíncronizada, numa altitude de 685 km, e com expectativa de vida útil de 3 anos. A
missão principal do instrumento EOC é fornecer imagens da Terra para cartografia até a escala 1:25.000, principalmente
do território coreano. Ele registra a imagem com uma câmera que funciona com o princípio pushbroom (sistema similar
ao dos satélites SPOT entre outros), uma faixa de 17 km de largura, com cenas básicas recobrindo uma área de 17 km
por 17 km. A resolução espacial é de 6,6 m, codificados em 8 bites, sensibilidade espectral de 510 a 730 nm. O EOC
pode imagear no nadir e até 45 graus lateralmente, graças à capacidade de orientação do corpo do satélite. Apesar da
missão principal do EOC e do KOMPSAT 1 ser dirigida principalmente à Península Coreana, ele pode ser usado para
aquisição de imagens de toda a Terra pois comporta um sistema de gravação a bordo com capacidade de 2,5 Gigabytes
em gravador do tipo estado de sólido (“Solid State Recorder”). Assim, as imagens do KOMPSAT podem ser facilmente
adquiridas para áreas de interesse na América Latina. O sensor OSMI fornece dados para o monitoramento mundial dos
oceanos com a finalidade de estudos na área de biologia e oceanografia. Ele gera imagens com 6 bandas espectrais com
uma faixa imageada de 800 km e resolução espacial de 1 km. O OSMI é provido de um sistema que permite selecionar e
mudar a faixa espectral entre 400 e 900 nm a partir do controle do satélite em terra. Essa flexibilidade de configuração
espectral permite o uso do OSMI para múltiplas aplicações e principalmente para suporte de pesquisa, para o
dimensionamento e a elaboração de sensores de nova geração
 O instrumento SPS é composto de dois sensores distintos:

a)   High Energy Particle Detector (HEPD) é um detector de partículas de alta energia. A missão deste sensor
HEPD é de caracterizar o ambiente orbital do satélite, a influência das partículas de alta energia e os efeitos de
radiações na microeletrônica.
b)   Ionosphere Measurement Sensor (IMS) é um sensor de medição da ionosfera. O IMS mede a densidade e a
temperatura de elétrons na ionosfera e monitora as irregularidades da ionosfera na órbita do satélite
KOMPSAT 1.

O KOMPSAT 1 representa o primeiro passo do KARI em projetos de construção de um satélite e é uma etapa
essencial para a República da Coréia poder pleitear a sua entrada no clube reservado das nações que têm agora um real
acesso ao espaço de maneira independente. A Indústria Aeroespacial Coreana está planejando o lançamento de uma
família completa de satélites de observação da Terra com 7 satélites KOMPSAT até 2015.

2.5.6 EROS

O Programa Earth Resources Observation Satellite (EROS) foi criado para ser acessível a todos os parceiros que
irão implementá-lo e produzir resultados concretos para os clientes que irão usá-lo, sem comprometer o nível de
qualidade dos produtos gerados. Os satélites da série EROS são plataformas espaciais de baixo custo, alta performance,
leves, ágeis e construídas para atuar em órbita baixa. Por terem sido construídos para serem leves e ágeis, para serem
apontados e estabilizados rapidamente, os satélites EROS são imbatíveis na sua capacidade de imagear seqüências de
múltiplas áreas geográficas de interesse de seus clientes, procurando atender a todos rapidamente.
Os lançamentos dos satélites da Série EROS A, B e C foram programados a partir de 2000. O primeiro EROS A
foi lançado no dia 5 de dezembro de 2000. Os satélites iniciais da família EROS pesam cada um 240 kg no lançamento e
são feitos para operarem numa órbita de 480 km. Eles são equipados com uma câmera com detectores Charge Coupled
Device (CCD) na quantidade de mais de 7000 registros por linha de rastreamento e produzem imagens de 1,8 m de
resolução. A expectativa de vida útil do EROS A é de no mínimo 4 anos em órbita. Os EROS B1 a B6, a geração
seguinte, pesarão menos de 350 kg no lançamento e serão operados numa órbita de 600 km. Eles serão equipados com
uma câmera de detectores Charge Coupled Device/Time Delay Integration (CCD/TDI) que lhes permitirão imagear
mesmo em condições desfavoráveis de pouca iluminação solar.
O sistema imageador fornecerá 20.000 píxels por linha e resolução de 0,82 m ou 82 cm. A expectativa de vida útil
desses satélites será de no mínimo 6 anos em órbita. Todos os satélites EROS vão operar numa órbita polar. Eles são
todos heliosincronizados, ou seja, todas as imagens adquiridas por um mesmo satélite possuem o mesmo horário local ou
hora solar, não importando qual dia, mês ou ano. A taxa de transmissão dos dados é de 70 Mbit/s para o EROS A e 280
Mbit/s para o EROS B em banda X. A tabela 2.10 lista as características dos sistemas e sensores dos satélites da série
EROS. A tabela 2.11 lista as capacidades dos sensores.
Os satélites da série EROS possibilitam o recobrimento completo da Terra e assegurarão a capacidade de revisita
diária das áreas de interesse, para que os clientes e usuários possam verificar as mudanças rápidas que devem ser
monitoradas. Uma órbita ou revolução em volta da Terra demora 90 minutos, assim o satélite EROS pode completar 16
voltas na Terra por dia, incluindo nessa quantidade duas a três passagens por dia na área de visibilidade de uma das
estações de recepção do Sistema EROS. Essa freqüência varia em função da latitude de localização da estação. A
capacidade de cobertura diária de uma área de interesse dada pelo sistema EROS dependerá de quantos satélites estarão
operacionais. Para um satélite, o tempo médio de resposta é de 1,8 dias, e o intervalo máximo entre duas passagens seria
de 4 dias. A Estação Internacional de Controle em Terra da ImageSat transmite diariamente para o satélite a Planificação
de Tarefas de Rastreamento, na Banda S, quando o satélite está dentro do círculo de visibilidade da antena dessa estação.
Simultaneamente, a estação recebe as informações sobre o satélite (dados para rastreamento e transmissão de dados das
áreas imageadas). O plano de rastreamento, incluindo o plano de aquisições, arquivamento, distribuição, serviço de
programação urgente e prioritário, é quem gerencia e dirige a atividade da câmera do satélite por várias órbitas. No
entanto, as tarefas de rastreamento podem ser atualizadas e alteradas a qualquer momento em que o satélite estiver ao
alcance da Estação Internacional de Controle em Terra.
Tabela 2.10 – Características de sistema dos satélites EROS. Disponível em: <http://www.gsfc.nasa.gov> acesso em 10 de abril 2004.
Parâmetros EROS A EROS B1 EROS B2 a B6
480 km circular
Órbita Altitude e Tipo 600 km 600 km Heliossincronizada
Heliossincronizada
Resolução 1,8 m 0,82 m 0,82 m
Faixa Rastreada 12,5 km 16 km 16 km
Não-sincronizado até Não-sincronizado até Sincronizado e não sincronizado
Escaneamento
750 linhas/sec 3.050 linhas/sec (9.000 linhas/sec)
Tipo de Detector CCD CCD/TDI CCD/TDI
Banda Espectral 0,5 até 0,9 μm 0,5 até 0,9 μm 0,5 até 0,9 μm
 Formato 11 Bits 8 Bits 8 Bits
Pixels por linha 7.800 20.000 20.000
Inferior a 2 em 2048 Inferior a 2 em 256 tons
Sinal / Ruído Inferior a 2 em 1024 tons de cinza
tons de cinza de cinza
Melhor que 30 m cena de 16×16
Precisão de Posicionamento do Satélite Melhor que 100 m Melhor que 100 m
km
Melhor que 100 m cena
Precisão Relativa das imagens    
de 12,5×12,5 km
Capacidade de Imagem Multiespectral Não Não Sim
Velocidade de Transmissão 70 Mbit/sec 280 Mbit/sec 280 Mbit/sec

A concepção básica dos satélites EROS, leve e inovadora, permite-lhe comportar-se com bastante agilidade nos
seus movimentos. O satélite pode ser orientado em até 45° para qualquer direção na sua órbita, facultando-lhe o acesso
para rastreamento de várias áreas distintas ao longo de uma única passagem. A capacidade do satélite em apontar as suas
respectivas câmeras e adquirir imagens nas mais diversas geometrias confere-lhe a capacidade de imagear em
estereoscopia a partir de uma mesma órbita. A câmera dos satélites EROS é fixada de modo rígido na estrutura principal
do satélite, assim o apontamento do satélite resulta no apontamento da câmera. O sistema de rastreamento dos satélites
EROS faz uso da técnica de pushbroom, como se o satélite estivesse deslizando sobre a área de interesse a ser rastreada,
em grandes faixas. O satélite EROS A fornece uma faixa rastreada de 12,5 km de largura e o EROS B rastreia uma
largura de 16 km. A duração de tempo que o satélite leva para sobrevoar uma área de interesse determina a duração do
rastreamento e conseqüentemente, o comprimento da área rastreada.
Tabela 2.11 – Capacidades dos Sensores dos Satélites EROS. Disponível em: <http://www.gsfc.nasa.gov> acesso em 10 de abril de 2004.
Satélite EROS A* EROS B1 EROS B2 até B6
Faixa de imagem única 5 cenas de 4 cenas de 1 cena de
(120×12,5 km) (305×16 km) (5300×16 km)
Cenas 28 cenas de 4 cenas de 58 cenas de
(12.5×12,5 km) (305×16 km) (16×16 km)
Mosaicos 7 cenas de 12 cenas de 18 cenas de
(25×25 km) (32×32 km) (32×32 km)
Faixa Estéreo única 18 cenas de 2 cenas de 4 cenas de
(32×32 km) (160×16 km) (530×16 km)
Mosaico Estéreo 7 cenas de 5 cenas de 6 cenas de
(25×25 km) (48×48 km) (48×48 km)
Cenas em estereoscopia 10 cenas de 15 cenas de 20 cenas de
(24 Graus) (12,5×12,5 km) (16×16 km) (16×16 km)
* Numero máximo de cenas adquiridas por passagem (~10 min)

Os satélites do tipo A podem operar em modo não-sincronizado, permitindo que a câmera seja apontada para a
área de interesse numa velocidade inferior à velocidade de movimento do satélite com relação ao chão. Para atingir esse
objetivo, o satélite é apontado para trás na órbita dele, e é movido constantemente a uma velocidade angular constante de
tal modo que os detectores permaneçam mais tempo observando uma área. Dessa maneira, eles recebem mais energia
refletida pelo alvo (luz), melhorando significativamente a qualidade dos sinais sobre ruídos e permitindo uma melhoria
na resolução espacial e espectral das imagens. Os satélites EROS do tipo B operam em ambos os modos, sincronizado ou
não-sincronizado. No modo sincronizado, o satélite não pode ser apontado para trás na sua órbita e as imagens são
registradas na mesma velocidade que a velocidade de movimento do satélite com relação ao chão. Mas em modo não-
sincronizado, é permitido que a câmera seja apontada para a área de interesse numa velocidade inferior à velocidade de
movimento do satélite com relação ao chão. A capacidade de recobrimento diário de uma área de interesse dada pelo
sistema EROS dependerá de quantos satélites estarão em órbita. Quando os seis satélites EROS estiverem juntos em
órbita, será possível então para qualquer localidade na Terra, obter no mínimo uma oportunidade de rastreamento para
qualquer área que esteja na área de visibilidade de uma estação. Com oito satélites operacionais, essa mesma área poderá
ser rastreada mais de duas vezes por dia.

2.5.7 European Remote Sensing Satelite (ERS)

A série de satélites radares European Remote Sensing Satellite (ERS), foi iniciada com o lançamento do ERS 1 em
julho de 1991, pela Agência Espacial Européia – European Space Agency (ESA) e teve continuidade no ERS 2. Dotados
de vários instrumentos (sensores de varredura, câmeras entre outros), esses satélites geram um fluxo contínuo de
informações sobre os oceanos e as terras emersas. Um dos aspectos interessantes sobre o satélite ERS é a utilização de
microondas que atravessam as nuvens. A Embrapa tem trabalhado com dados do ERS em vários pontos da região semi-
árida do Nordeste, identificando feições geológicas e geomorfológicas, monitoramento de queimadas e águas
subterrâneas.
O ERS obtém um fluxo contínuo de informações sobre a superfície dos oceanos e terras emersas adquiridas pelos
vários tipos de sensores, incluindo:

a)   Synthetic Aperture Radar (SAR);

b)   Wind Scaterrometer (SCAT);
c)   Radar Altimeter (RA);
d)   Along-Track Scanning Radiometer (ATSR);
e)   Sondagens em microondas (“Microwave Sounder”);
f)   Global Ozone Monitoring Experiment (GOME);
g)   Precise Range and Range-Rate Equipament (PRARE);
h)   Laser Retro-Reflector (LRR).

2.5.7.1 Características gerais do ERS

As características dos radares do ERS 1 e 2 incluem: SAR de Banda C, com comprimento de onda de 5,60 cm,
freqüência de 5,3 GHz, polarização VV e ângulo de visada de 23°. Cada cena recobre uma área de 100 km por 100 km
(10.000 km2) com uma resolução espacial de 25 m.
As principais aplicações desenvolvidas e reconhecidas dos dados ERS-SAR são:

a)   Cartografia básica e temática em regiões tropicais de difícil acesso com sensores óticos;
b)   produto de coerência, geração de base de pontos de controle para correção de imagens de outros sensores do
tipo Radar a Óticos;
c)   mapeamento de movimentos da crosta terrestre;
d)   mapeamento de desastres naturais;
e)   mapeamento geológico;
f)   exploração petroleira marinha;
g)   monitoramento de poluição marinha de petróleo e derivada;
h)   monitoramento de tráfico de navios;
i)   gerenciamento costeiro;
j)   monitoramento agrícola.

2.5.7.2 Níveis de processamento ERS

Para melhor compreensão, os níveis de processamento são classificados por ordem crescente de precisão
geométrica final resultante. Trata-se de dados brutos, tais como os dados adquiridos pelo satélite usados para gerar a
produção de imagens ERS para aplicações de interferometria. Nas imagens com visada única em formato complexo, os
valores da fase e amplitude são associados a cada pixel, fornecendo os dados de fase e amplitude dos sinais de
Interferômetros. A intensidade da imagem é gerada pelo processamento com a calibração absoluta e pelo processamento
da visada múltipla em 3-D. A alta qualidade radiométrica serve para análise quantitativa. Os dados podem ser aplicados
para monitoramento na agricultura, meio ambiente, geologia e hidrologia. O DEM está disponível na ESA ou é fornecido
pelo usuário para que possa ser usado para corrigir as distorções provocadas pelo relevo. Esses produtos servem para
aplicações cartográficas, interpretação visual e processamento de imagens para uma grande variedade de aplicações
temáticas, tais como agricultura, meio ambiente, geologia e hidrologia. Podem ser sobrepostos em outros dados na
mesma projeção cartográfica. A figura 2.17 mostra uma imagem composta pelas duas imagens do ERS 2 SAR,
adquiridas no dia 16 de outubro de 1997 e no dia 5 de novembro de 1998 (ERS 2 órbitas 18531, 13020, quadrantes 3285,
3303). As áreas de cor azul mostram as áreas inundadas na Bacia do Rio Olua, Honduras.
 Figura 2.17 – Imagem composta das duas imagens do ERS 2 SAR, adquiridas no dia 16 de outubro de 1997 e no dia 5 de novembro
de 1998. As áreas de cor azul mostram as áreas inundadas do Delta do Rio Olua, Honduras.
Disponível em: <http://www.eduspace.esa.int/eduspace/casestudy> acesso em 10 de abril de 2004.

2.5.8 ENVISAT

O ENVISAT foi lançado em 1 de março de 2002. Em 28 de março de 2002 iniciou a aquisição de dados da Terra
com observações da atmosfera, dos oceanos, dos continentes e áreas recobertas de gelo. Os instrumentos mais inovadores
incluem: Advanced Synthetic Aperture Radar (ASAR) e Médium Resolution Imaging Spectrometer (MERIS). As
primeiras imagens do ASAR e do MERIS foram adquiridas pelo ENVISAT em áreas da Antártica e do oeste do
Continente Africano, respectivamente.

2.5.8.1 Instrumento ASAR

O Instrumento ASAR é uma versão aprimorada do instrumento SAR que já estava operando a bordo dos satélites
ERS 1 e ERS 2. O ASAR tem uma antena de 10 m de comprimento e opera em 5 modos distintos, com resoluções
variando de 25 m a 1 km, foi especialmente desenvolvido para observar áreas continentais, áreas oceânicas e as calotas
polares. Por exemplo, no modo Wide Swath imagens de 150 m de resolução e 400 km de faixa recoberta podem ser
adquiridas pelo ASAR. Operando em Banda C, o ASAR assegura a continuidade no fornecimento de dados no modo
imagem SAR dos satélites da família ERS. Ele oferece assim capacidade ampliada em termos de cobertura, ângulos de
incidência, polarização e modo de operação. Essa evolução foi possível graças às significativas melhorias incluídas na
construção do novo ASAR: a antena ativa do tipo fileira equipada com módulos distribuídos de recepção e transmissão
que possibilitam a separação dos sinais de transmissão e recepção, um gerador digital de onda para a geração do pulso,
um sistema de quantificação adaptado em bloco e um modo de operação do ScanSAR para varredura. A figura 2.18
mostra uma imagem da área metropolitana da Cidade de Berlin, Alemanha adquirida pelo ENVISAT ASAR.
O princípio de medição do ASAR depende do emprego de um sinal coerente, assim como do conhecimento
aprofundado do ponto exato de recepção e transmissão do pulso de energia da microonda. As principais aplicações das
imagens ASAR são:

a)   Mapeamento e monitoramento do movimento das áreas e placas de gelo;

b)   monitoramento e vigilância das condições oceânicas, tais como poluição, detecção de navios, atividades
costeiras;
c)   cartografia e topografia, Modelos Numéricos de Terreno;
d)   mapeamento de superfície para geologia e hidrologia;
e)   napeamento de movimentos superficiais de solo e movimentos sísmicos;
f)   mapeamento da vegetação (desmatamento florestal, monitoramento agrícola);
g)   acompanhamento de desastres naturais (terremotos, incêndios florestais, inundações).

Figura 2.18 – Imagem da região de Aufnahme Von, em Cidade de Berlin, Alemanha, adquirida pelo ENVISAT ASAR. Disponível
em:<http://www.ilexikon.com/Envisat.html> acesso em 15 de julho de 2006.

2.5.8.2 Instrumento MERIS

O Instrumento MERIS é um espectrorradiômetro imageador do tipo pushbroom com ângulo de visada de 68,5
graus que mede e grava intensidade da radiação solar refletida pela Terra com uma resolução espacial de 300 m em 15
bandas espectrais que podem ser programadas para adquirir uma determinada banda espectral com a largura da faixa
espectral variada entre a faixa de visível a infravermelho. O instrumento MERIS completa a cobertura do globo em 3
dias. A faixa de rastreamento é de 1.150 km de largura, a resolução das imagens é de 300 m ou 1.200 m, dependendo da
configuração do rastreamento. A missão primária do instrumento MERIS é medir a coloração dos oceanos e das áreas
costeiras. Os dados sobre a cor dos oceanos podem ser convertidos em medição da concentração de pigmento clorofila e
a concentração de fitoplâncton dos oceanos, bem como a concentração de sedimentos e carga de aerossóis no ambiente
marinho de estudo.

2.5.9 Indian Remote Sensing Satélite (IRS)

O Indian Remote Sensing Satélite (IRS), possui as imagens PAN de 5,8 m de resolução. Cada imagem cobre uma
área de 70 km por 70 km. Uma grande parte da região sul do Brasil, incluindo os estados de Acre (AC), Mato Grosso do
Sul (MS), Mato Grosso (MT), Rondônia (RO), São Paulo (SP), Rio de Janeiro (RJ), Minas Gerais (MG), Goiás (GO) e
Espírito Santos (ES), está coberta pelo IRS. As principais estações de recepção do IRS são de Shadnagar, na Índia e
Norman, Oklahoma, USA. Na América do Sul, as estações de Cotopaxi, no Equador e Córdoba na Argentina, recebem as
imagens IRS.
Foram lançados os satélites IRS 1A em 1988, IRS 1B em 1991 e IRS 1C em 1995. A tabela 2.12 lista as
características dos sensores do IRS.
Tabela 2.12 – Características dos sensores do satélite IRS. Disponível em: <http://www.inpe.br> acesso em 10 de abril de 2004.
IRIS Características
Banda espectral (PAN) 0,5 – 0,75 μm
Resolução espacial (PAN) 5,8 m
Resolução espacial dos sensores espectrais 23,5 m
Largura da faixa rastreada 70 km
Estereoscopia Sim
Freqüência de revisita ao Nadir 24 dias no equador
Possibilidades de rastreamento com visada obliqua 5 dias com visada até ± 26°
2.5.10 OrbView

Uma companhia chamada Orbimage Corporative Information, localizada na cidade Dulles, Virgina, USA,
emprega um sistema global integrado de imagens de satélites, estações de recepção e canais de venda para coletar,
processar e vender os produtos de imagens por preços competitivos. Em abril de 1995, o primeiro satélite de sensores
multiespectrais para monitoramento dos parâmetros relacionados às condições atmosféricas do globo foi lançado pela
NASA. O satélite foi chamado OrbView 1. Em seguida, foi lançado o OrbView 2 em agosto de 1997, que adquiriu as
imagens multiespectrais da superfície terrestre e oceânica sem precedente. As imagens do OrbView 2 de 1 km de
resolução espacial são aplicadas para monitoramento das concentrações de cardumes de peixes, fitoplânctons e
sedimentos marítimos em nível global. Com o avanço das tecnologias de projeto dos sensores, um satélite de alta
resolução espacial e espectral, OrbView 3, foi lançado no dia 26 de junho de 2003. Os instrumentos imageadores do
OrbView 3 fornecem imagens digitais de 1 m de resolução espacial no modo pancromático e de 4 m de resolução no
modo multiespectral, ambas numa faixa rastreada de 8 km de largura. As imagens permitem a identificação e a análise de
objetos tais como imóveis, automóveis e aeronaves individualmente, e permitirá a elaboração de mapas de alta precisão e
simulações tridimensionais da superfície terrestre, tanto em ambiente rural como urbano. Por sua vez, imagens
multiespectrais coloridas com informação igualmente no infravermelho possibilitam caracterizar áreas agrícolas e a
vegetação natural com alto poder de discriminação geométrica.
O OrbView 3 tem a capacidade de ser programado para rastrear uma área de interesse na superfície da Terra em
menos de 3 dias, com visada lateral de até 45° a partir de sua órbita polar. As imagens adquiridas pelo OrbView 3 são
transmitidas em tempo real para a Terra nas Estações de Recepção e Gravação credenciadas pela Orbimage ou gravadas
a bordo do satélite e transmitidas para as Estações do Sistema Orbimage nos Estados Unidos. A figura 2.19 mostra a
imagem da cidade de Londres adquirida pelo OrbView 3. A tabela 2.13 resume as características principais do satélite
OrbView 3 e de seus instrumentos.

Figura 2.19 – Imagem da cidade de Londres do ano 2005, adquirida pelo satélite OrbView-3. Disponível em:
<http://www.orbimage.com> acesso em 15 de julho de 2006.

Tabela 2.13 – Características principais do Satélite OrbView 3. Disponível em: <http://www.orbimage.com> acesso em 12 de maio de
2004.
OrbView 3 Características
Data do lançamento 26 de junho de 2003  
Modo de Imageamento Pancromático Multiespectral
Resolução Espacial 1 metro 4 metros
Bandas Espectrais 1 banda 4 bandas
Faixas Espectrais 450 – 900 nm 450 – 520 nm
    520 – 600 nm
    625 – 695 nm
    760 – 900 nm
Faixa de Imageamento 8 km
Área de cada Imagem Definida pelo cliente
Freqüência de revisita Inferior a 3 dias
Altitude de Órbita 470 km
 Horário solar da passagem 10h30min
Vida útil 5 anos

2.5.11 TERRA

O satélite TERRA foi lançado no dia 18 de dezembro de 1999 pela NASA. O lançamento do satélite TERRA,
formalmente conhecido como EOS AM, marca uma nova era do monitoramento da atmosfera, oceanos e continentes da
Terra fornecendo observações globais e esclarecimentos científicos sobre a mudança da concentração de CO2, cobertura
do solo, produtividade primária liquida global, mudanças climáticas e riscos naturais e o ozônio da atmosfera. O satélite
TERRA opera numa órbita polar sincronizada com o Sol, com uma inclinação de aproximadamente 98,2 graus, período
orbital de 98,88 minutos e a hora do cruzamento descendente no equador é às 10h30min. A altitude média é de 705 km e
a velocidade no solo é de 6,7 km/s. A distância entre órbitas adjacentes é de 172 km e o ciclo de recorrência é de 16 dias
no equador com 233 órbitas. A figura 2.20 mostra os tipos de sensores a bordo do satélite TERRA. Os cinco
instrumentos do satélite TERRA incluem: Moderate Resolution Imaging Spectroradiometer (MODIS), Advanced
Spacebone Thermal Emission and Reflection Radiometer (ASTER), Multi-Angle Imaging Spectroradiometer (MISR),
Mearurement of Pollution in the Troposphere (MOPITT) e Earth Radiation Budget Experiment (CERES). As funções
dos sensores do satélite TERRA listados na tabela 2.14. Os sensores são desenhados para atender aos seguintes
propósitos:

a)   Fornecer o monitoramento global das variabilidades bioclimáticas sazonais do globo, incluindo as condições
das produtividades primárias ou biomassas terrestre e oceânica, neve e gelo, temperatura da superfície, nuvens,
vapor da água e coberturas do solo;
b)   aperfeiçoar a capacidade de detectar e prever os impactos das atividades humanas nas mudanças climáticas e
biodiversidade dos ecossistemas;
c)   fornecer informações de longo prazo para desenvolver novas tecnologias para monitorar e prever os eventos
desastrosos naturais e artificiais reduzindo riscos e danos.

Figura 2.20 – Tipos dos sensores do Satélite TERRA ou EOS AM-1. Disponível em: <http://www.gsfc.nasa.gov.br> acesso em 12 de
maio de 2005.

Tabela 2.14 – As funções dos sensores do satélite TERRA (EOS AM-1). Disponível em: <http://www.gsfc.nasa.gov/> acesso em 12 de
maio de 2005.
Alvos Medições Instrumentos EOS AM
Propriedades das nuvens MODIS, MISR, ASTER
Fluxo de Energia e Radiação CERES, MODIS, MISR
Atmosfera Química da Troposfera MOPITT
Propriedades dos Aerossóis MISR, MODIS
Umidade da Atmosfera MODIS
Cobertura da Terra e Usos da terra MODIS, MISR, ASTER
Dinâmica da Vegetação MODIS, MISR, ASTER
Temperatura da Superfície MODIS, ASTER
Solo
Ocorrência de Incêndios MODIS, ASTER
Efeitos Vulcânicos MODIS, MISR, ASTER
Umidade da Superfície ASTER
Temperatura da Superfície MODIS
Oceano Fitoplâncton e Material Orgânico
MODIS, MISR
Dissolvido
Mudança na cobertura de Gelo na Terra ASTER
Gelos Gelo do mar MODIS, ASTER
Cobertura de Neve MODIS, ASTER
 O sensor MODIS é o principal instrumento a bordo do satélite TERRA (EOS AM-1), que é um dos sistemas de
observação da Terra da NASA. O MODIS realiza observações de toda a superfície terrestre a cada 1 ou 2 dias e adquire
dados em 36 bandas espectrais que se situam entre 0,4 e 14,4 μm e se distribuem em diferentes grupos de resolução
espacial. Esses dados contribuem para melhorar a compreensão da dinâmica global e os processos que ocorrem na terra,
nos oceanos e na atmosfera mais baixa. O sensor MODIS do satélite TERRA tem a resolução espacial de 250 m. O
tamanho do pixel em terra varia de 250 a 1.000 m para as várias bandas específicas. A faixa de rastreamento é de 2.330
km e a quantidade de pixels na imagem varia para as bandas específicas por causa da variação da resolução espacial. O
formato para distribuição aos usuários dos dados é TERRA MODIS High Density File (HDF) de nível 1b. Um arquivo
HDF contém, além das imagens propriamente ditas, dados de calibração, navegação, informações a respeito da missão,
características do sensor, indicadores de qualidade, tipo e lugar do processamento, estação receptora, tempo de início e
fim da tomada da imagem e referências geográficas. O sensor MOPITT tem uma resolução espacial de 22 km em nadir e
uma faixa de 640 km. Ele coleta os dados de monóxido de carbono e metano na troposfera vertical até 3 km com 10% de
erro. O sensor CERES tem três bandas: 0,3 a 5,0 mm, 8 a 12 mm e 0,3 a 200 mm. Os dados coletados pelo CERES são
usados para monitoramento da radiação e de nuvens. Os sensores MISR têm uma resolução espacial de 275 m e seus
dados são usados para monitorar tipos e concentrações de aerossóis, tipos e alturas de nuvens e usos do solo.
O Advanced Spacebone Thermal Emission and Reflection Radiometer (ASTER) é um dos instrumentos a bordo
do satélite EOS AM-1 e registra imagens de alta resolução espacial de 15 m a 90 m da Terra em 14 bandas nas faixas de
Visível, Infravermelho Próximo, Near Infrared (NIR), Infravermelho médio, Medium Infrared (MIR) e Infravermelho
Térmico, Thermal Infrared (TIR). O Instrumento The Terra Advanced Spaceborne Thermal Emission and Reflectance
Radiometer (ASTER) é constituído de três subsistemas de telescópio distinto: NIR, MIR e TIR. O ASTER possui altas
resoluções espaciais e espectrais. A separação espectral é completada por filtros que passam as faixas do comprimento da
onda específica. Cada subsistema opera numa região espectral diferente e possui seu próprio telescópio. A tabela 2.15
lista as características e a figura 2.21 mostra as novas faixas espectrais dos sensores ASTER.
Tabela 2.15 – Características dos sensores ASTER do satélite TERRA ou EOS AM-1. Disponível em: <http://www.gsfc.nasa.gov> acesso
em 12 de maio de 2005.
Bandas Espectrais Descrição
NIR 0,5 - 0,9 μm
MIR 1,6 - 2,5 μm
TIR 8 - 12 μm
15 m (NIR: 3 bandas),
Resolução Espacial 30 m (MIR: 6 bandas),
90 m (TIR: 5 bandas)
Ciclo Obrigatório 8%
Velocidade 8,3 Mbps (média), 89,2 Mbps (pico)
Massa 450 kg
Potência 525 W (média), 761 W (pico)

Figura 2.21 – Novas bandas espectrais do ASTER, do satélite TERRA ou EOS AM-1, IVP=Infravermelho próximo. Disponível em:
<http://www.gsfc.nasa.gov> acesso em 12 de maio de 2005.

O instrumento ASTER opera por um tempo limitado em partes do dia e da noite ao longo de uma órbita. A
configuração completa de todas as bandas em estéreo plus coleta dados numa média de 8 minutos por órbita. O
instrumento ASTER é o instrumento de maior resolução espacial do satélite EOS AM-1 e o único que não adquire dados
continuamente. Os produtos de dados do ASTER incluem radiações e reflectâncias espectrais da superfície da Terra,
temperatura da superfície e emissividade, imagens digitais de elevação obtidas por estereografia, mapas da vegetação e
usos de solo, nuvens, gelo do mar e gelo polar e observação de desastres naturais, tais como vulcões, terremotos,
tornados, furacões, enchentes, e outros. Cuartero; Felicísimo; Ariza (2005) compararam a precisão do DEM gerado por
SPOT 5 HRV e EOS AM-1 ASTER usando os dados de pontos de controle obtidos em campo pelo Differential Global
Positioning Systems (DGPS). Concluíram que o erro de desvio-padrão do DEM gerado pelo EOS AM-1 (TERRA
ASTER) foi de 13 m e de 7,3 m pelo SPOT 5 HRV.
A figura 2.22 mostra uma imagem adquirida pelo ASTER que mostra o ponto de encontro do Rio Negro, de cor
negra, indicando alta concentração de minerais, com o Rio Salomão, de cor marrom, indicando alta concentração de
sedimentos. O ponto de encontro dos dois rios localizado está na região da cidade de Manaus, Brasil.

Figura 2.22 – Imagem obtida pelo EOS AM-1 ASTER, mostrando o ponto de encontro do Rio Negro, da cor negra, indicando alta
concentração de minerais, com o Rio Salomão da cor marrom indicando alta concentração de sedimento. Imagem obtida no dia 16 de
julho de 2000 pela equipe cientifica dos Estados Unidos e Japão. Disponível em: <http://www.nasa.gov/gsfc/meti/ersdac/jaros>
acesso em 16 de julho de 2005.

2.5.12 NOAA

O programa de satélites da série NOAA é gerenciado por meio do National Environmental Satellite Data and
Information Service (NESDIS/NOAA) e pela NASA, que é responsável pelo desenvolvimento e lançamento dos
aparelhos. Este programa começou com a denominação Television and Infrared Observation Satellite (TIROS) e foi
desenvolvido pela NASA e pelo Departamento de Defesa dos Estados Unidos na tentativa de desenvolver um sistema de
satélites meteorológicos. Entre 1960 e 1965 foram lançados dez satélites TIROS. Entre 1966 e 1969, foram lançados
nove novos satélites, denominados TIROS Operational Satellites (TOS), operados pela Environmental Science Services
Administration (ESSA), pertencente à NOAA. No dia 23 de janeiro de 1970, foi lançado o Improved TIROS Operational
System, (ITOS) que é o TOS aperfeiçoado. O lançamento do ITOS iniciou a primeira geração da série de NOAA
satélites que incluíam sensores infravermelhos. Posteriormente os cinco satélites da série ITOS M foram renomeados
para NOAA 1, NOAA 2, NOAA 3, NOAA 4 e NOAA 5.
No dia 13 de outubro de 1978 foi lançado o satélite da série TIROS N, que era a segunda geração da nova série de
satélites, na qual se incluem o NOAA 6 e o NOAA 7. Essa série foi substituída a partir de 1983 pela série Advanced
TIROS N (ATN) com o lançamento do satélite NOAA 8. Os satélites da série NOAA recebem uma letra de designação
antes do lançamento, após a qual lhes é atribuído um número. Os satélites da série NOAA são de órbita polar que
circulam o globo a uma altura de 833 km. Sua órbita é sincronizada com o Sol e gasta 102 minutos por órbita. Entre duas
passagens do satélite pelo equador, o satélite passa para a próxima região em que o Sol está aproximadamente na mesma
posição e na mesma hora solar que na passagem anterior. Essa característica permite que ele observe a Terra em pontos
que existem o mesmo tipo de iluminação. Em um dia, eles completam 16 órbitas. O satélite avança em sua órbita quase
perpendicular ao equador com uma faixa rastreada de 2.700 km. Normalmente, dois satélites são operados ao mesmo
tempo. Enquanto um faz observações do começo da manhã ao começo da tarde (nó descendente), o outro, faz do começo
da tarde ao meio da noite (nó ascendente). O principal instrumento do NOAA é o sensor chamado Advanced Very High
Resolution Radiometer (AVHRR). Em sua versão mais recente, apresenta um radiômetro com cinco canais espectrais,
incluindo: visível, infravermelho próximo, infravermelho médio e dois infravermelhos termais. Os dados são
transmitidos em tempo real, ao mesmo tempo em que são armazenados a bordo da nave espacial para retransmissão, sob
o comando e a aquisição de dados das duas estações terrestres: Wallops Island, Virginia ou Fairbanks, Alaska. As
transmissões diretas recebidas por antenas são chamadas High Resolution Picture Transmission (HRPT). Cada satélite
passa pelo mesmo local uma vez, a cada 12 horas (uma de dia, outra de noite). Com dois satélites podem-se obter
informações quatro vezes por dia. Os dados dos sensores AVHRR da série NOAA podem ser acessados no site:
<http://glcf/umiacs.umd.edu/data/gimms/>.
O Brasil dispõe de várias estações de recepção dos dados do NOAA, como: do Instituto Nacional de Pesquisas
Espaciais (INPE) em Cachoeira Paulista, SP, da Unicamp em Campinas, SP; do Instituto Nacional de Meteorologia em
Brasília (INMET); da Fundação Cearense de Meteorologia e Hidrologia (Funceme) em Fortaleza, Ceará, da
Universidade Federal de Rio Grande do Sul em Pelotas (UFRS-Pel), RS; da Universidade Federal de Rio de Janeiro
(UFRJ) em Rio de Janeiro. As características dos sistemas e sensores do satélite NOAA são apresentadas na tabela 2.16.
Essa série de satélites NOAA gera diariamente observações globais de parâmetros meteorológicos e condições
ambientais na forma de dados quantitativos. Essas informações são a base para estudos de monitoramento de queimadas
e variabilidades bioclimáticas, acompanhamento das condições de crescimento das vegetações, previsão do tempo,
zoneamentos agroclimatológicos, estudos de comportamento térmico de paisagens.
Na primavera de 1998, uma série do satélite de órbita polar NOAA operacional para uso ambiental, Polar
Operational Environmental Satellites (POES) começou com o lançamento do NOAA K. Em seguida, foram lançados os
NOAA L e NOAA M, representando um aperfeiçoamento comparando-se com os TIROS de NOAA 6 a NOAA 15. Os
NOAA K, NOAA L e NOAA M são os satélites NOAA de terceira geração, referidos como NOAA KLM.
Posteriormente, os NOAA K, NOAA L, NOAA M e NOAA N foram integrados como a série de NOAA pelos números e
retornando aos nomes como NOAA 15, NOAA 16, NOAA 17 e NOAA 18, respectivamente. As características do
sistema e sensores são apresentadas nas tabelas 2.17 e 2.18. O manual do NOAA KLM pode ser acessado pelo site:
<http://www2.ncdc.noaa.gov/docs/klm> ou <ftp://ftp2.ncdc.noaa.gov/pub/dpc/klmguide/>.
Tabela 2.16 – Características do sistema e dos sensores AVHRR dos Satélites da série NOAA do tipo órbita polar. Fonte: (KIDWELL,
1995).
Inclinação da órbita 99,092°
Altitude acima da superfície da terra 833 km
Número de órbita/dia 14,1
2h30min descendendo
Hora que passa pelo equador
14h30min ascendendo
Período orbital 102 min
Cobertura latitudinal 90°
Ciclo de duração 16 órbitas/dia
Cobertura na Terra 2700 km
Ângulo de visada + 55,4° a – 55,4°
Ângulo de visada instantâneo 1,39 −1,51 Miliradiano
Resolução na Terra (nadir) 1,1 km
Resolução máxima na Terra 2,4 km ao longo da trilha
Cobertura fora do nadir 6,9 km transversal à trilha de varredura
Canal 1 0,550 - 0,680 μm
Canal 2 0,725 - 1,100 μm
Canal 3 3,550 - 3,930 μm
Canal 4 10,30 - 11,30 μm
Canal 5 11,50 - 12,40 μm

Tabela 2.17 – Sistema de satélite da série NOAA KLM. Fonte: (GOODRUM; KIDWEL; WINSTON, 2006). Disponível em
<http://www2.ncdc.noaa.gov. acesso em 6 de maio de 2006.
Informação Especificação do NOAA KLM
NOAA K (NOAA 15): 13/5/1998
NOAA L (NOAA 16): 21/9/2000
Data do lançamento NOAA M (NOAA 17): 24/6/2002
NOAA N (NOAA 18): 20/5/2005
NPOESS (NOAA 19): 31/10/2006 (previsão)
Vida da missão Mínimo 2 anos
 Órbita Solar sincronizada, 833 ± 19 km or 870 ± 19 km
Veiculo do lançamento United States Air Force (USAF) Titan II
  Nave espacial
Massa 1478,9 kg na órbita e 2231,7 kg no lançamento
Comprimento / Diâmetro 4,18 m / 1,88 m
Controle da Altitude 3-eixos estabilizados

Tabela 12.18 – Características dos sensores dos satélites da série NOAA KLM. Fonte: (GOODRUM; KIDWEL; WINSTON, 2006).
Disponível em <http://www2.ncdc.noaa.gov. acesso em 6 de maio de 2006.
NOAA KLM AVHRR
Relação Sinal/ruído ou variação da
Canal Banda espectral (μm) resolução em nadir (km)
Temperatura(ΔT)
1 (Visível) 0,580 – 0,68 1,1 9:1 na 0,5% Albedo
2 (NIR) 0,725 – 1,00 1,1 9:1 na 0,5% Albedo
3A (NIR) 1,580 – 1,64 1,1 20:1 na 0,5% Albedo
3B (IR-janela) 3,550 – 3,93 1,1 0,12 °K na 300 °K
4 (IR-janela) 10,300 – 11,3 1,1 0,12 °K na 300 °K
5 (IR-janela) 11,500 – 12,5 1,1 0,12 °K na 300 °K

2.5.13 GOES

Os satélites estacionários que cobrem o globo inteiro com a finalidade de fazer previsão do tempo são lançados por
vários países no mundo. A figura 2.23 mostra a cobertura global dos diversos satélites geoestacionários, tais como
Geostationary Operational Environmental Satellite (GOES) dos Estados Unidos, Meteorological Satellite (METEOSAT),
da Agência Espacial Européia, European Space Agency (ESA), Meteor da Rússia, India Meteorlogical Satellite (INSAT)
da Índia e GMS do Japão. Os satélites GOES são operados pela NOAA. São geoestacionários e posicionados a cerca de
36.000 km acima da superfície terrestre, em órbita equatorial geossincronizada. O sistema de rastreamento é fundamental
para a meteorologia mundial que consiste de GOES leste, GOES oeste, METEOSAT, INSAT e GMS que cobrem o
globo inteiro. As imagens adquiridas pelo GOES leste e GOES oeste são usadas para previsão do tempo da América do
Sul (figura 2.23). As características dos satélites geoestacionários são semelhantes. O GOES gira a 100 rotações por
minutos em torno de um eixo paralelo ao eixo norte-sul da Terra. Um telescópio de 3.650 mm de distância focal
visualiza a Terra e registra a cada rotação do satélite uma linha cuja aquisição se efetua em 30 minutos. A aquisição
completa das 2.500 linhas exige 2.500 rotações em 25 minutos. Os 5 minutos restantes são utilizados para a calibração
dos sensores e o deslocamento do telescópio na sua posição inicial. As imagens de cada 30 minutos dos GOES são
disponibilizadas diariamente em tempo quase real pela Internet: <http://www.cpetec.inpe.br>.

Figura 2.23 – As coberturas globais dos satélites estacionários. Disponível em: <http://www.nesdis.noaa.gov> acesso em 3 de janeiro
de 2004.

Os principais sensores do satélite GOES são os radiômetros nas bandas de visível e infravermelho. O satélite gira a
cem rotações por minuto. Em cada rotação, um radiômetro de alta resolução varre a superfície terrestre de oeste para
leste. Em geral, nos satélites GOES, os instrumentos Visible-Infrared Spin Scan Radiometer (VISSR) fornecem maior
capacidade para uma sondagem atmosférica. A maioria dos instrumentos são formalmente denominados como Vertical
VISSR Atmospheric Sounder (VAS). O VAS permite uma visão multiespectral adicional. O modo de rastreamento
multiespectral permite coletar e transmitir dados provenientes de três canais infravermelhos diferentes, em adição ao
canal visível. Nesse caso, as resoluções espaciais são de 1 km no nadir para o canal visível e 13,8 km para os canais do
infravermelho.

2.5.14 METEOSAT

A série METEOSAT iniciou-se em 1977, como resultado de uma iniciativa da Agência Espacial Européia (ESA)
para a produção de dados primários relacionados à previsão de tempo e às condições meteorológicas. Em 16 anos, foram
lançados sete satélites da série METEOSAT, culminando com o posicionamento em órbita geoestacionária do
METEOSAT 7, em 2 de setembro de 1997. O METEOSAT situa-se na altitude de 35.800 km acima da linha do equador
com inclinação de 5° cobrindo 42% da superfícies do globo, incluindo: Alemanha, Áustria, Bélgica, Dinamarca,
Espanha, Finlândia, França, Irlanda, Itália, Noruega, Países Baixos, Inglaterra, Suécia e Suíça (figura 2.23).

2.5.15 Defense Meteorological Satellite Program (DMSP)

No dia 11 de setembro de 1976, foi lançado o satélite Defense Meteorological Satellite Program (DMSP) pela
força área dos Estados Unidos. O programa do DMSP, iniciado em 1960, é um programa de satélites inicialmente
destinados a atividades de defesa, cujos dados também têm sido utilizados para estudos meteorológicos. Uma das
características especiais do Satélite DMSP é a capacidade de gerar imagens com pouca quantidade de luz, como a
refletida pela Lua, que permite uma detecção excelente de cidades e pontos de luz noturnos, como os focos das
queimadas. O DMSP está sob responsabilidade do Air Force Space and Missile Systems Center (SMC), órgão que
implementa, lança e mantém os vários satélites de defesa dos Estados Unidos. As imagens do DMSP estão disponíveis
pela Internet com algumas restrições. Os satélites DMSP foram lançados em órbita polar hélio-sincronizada a uma
altitude aproximada de 835 km. O satélite DMSP oferece uma cobertura global da atmosfera a cada seis horas, cruzando
o mesmo ponto sobre a Terra a cada dois dias. O DMSP tem o sensor chamado Special Sensor Microwave Imager
(SSM/I), um sensor especial com sete canais para imagens de baixa resolução, que varia entre 15 e 50 km, dependendo
do comprimento de onda. Outro instrumento, chamado Operational Line scanning System (OLS) é um imageador de alta
resolução projetado para radiação nas bandas do visível e do infravermelho. O sensor visível tem a resolução espacial de
500 m, compatível com o índice de transmissão de dados e uma cobertura global durante o dia. O infravermelho possui a
capacidade de detectar baixos níveis de radiação no infravermelho próximo (NIR) durante a noite. Nesse caso, a
configuração do sensor é usualmente reversa sendo os dados visíveis transmitidos em baixa resolução, enquanto os dados
do infravermelho em resolução total. A tabela 2.19 mostra as características dos sensores do DMSP.
Tabela 2.19 – Características dos sensores do DMSP. Disponível em: <http://www.nasa.gsfc.gov> acesso em 11 de janeiro de 2004.
Sistema operacional do rastreamento linear
OLS
(Operational Line scanning System)
SSM/I Imageador da microonda (Microwave Imager)
SSM/T Perfil da temperatura atmosférica (Atmospheric Temperature Profiler)
SSM/T2 Perfil de vapor de água atmosférica (Atmospheric Water Vapor Profiler)
SSJ/4 Espectrômetro de íon e elétron (Electron and Ion Spectrometer)
SSIES Monitor íons por cintilação (Ion Scintillation Monitor)
SSM Magnetômetro

2.5.16 ADEOS

A plataforma orbital japonesa Advanced Earth Observing Satellite (ADEOS), lançada em 1996, tem por objetivo
principal contribuir com o monitoramento terrestre, pela aquisição de dados ambientais e do desenvolvimento de novas
tecnologias espaciais de observação global. Para a observação contínua da superfície da Terra e sua atmosfera, essa
plataforma carrega sensores como: radiômetro, escanearômetro, espectrômetro e interferômetro, desenvolvidos pela
NASDA, NASA, CNES e Agência de Meio Ambiente do Japão. Para possibilitar as observações simultâneas da
superfície da Terra e da sua atmosfera, a plataforma carrega uma variedade de instrumentos que possibilitam a aquisição
de grande quantidade de dados ambientais. Suas principais aplicações incluem monitoramento do impacto das atividades
humanas no meio ambiente e as mudanças climáticas. Os sensores do ADEOS são: Advanced Visible and Near Infrared
Radiometer (AVNIR), Ocean Color and Temperature Sensor (OCTS), Scatterometer (NSCAT), Total Ozone Mapping
Spectrometer (TOMS), Polarization and Directionality of the Earth’s Reflectance (POLDER), Interferometric Monitor
for Greenhouse Gases (IMG), Improved Limb Atmospheric Spectrometer (LAS) e Retroreflector in Space (RIS).
2.5.17 INSAT

O meteorological satélite INSAT foi lançado pela Índia em junho de 1990 e estacionado em longitude de 74°E
acima da latitude zero no equador. Os sensores são do tipo Very High Resolution Radiometer (VHRR) que é um
instrumento de 3 canais: o canal do visível de 0,47 a 0,7 μm, o canal do infravermelho de 10,5 a 12,5 μm e o canal do
vapor de água é 5,7 a 7,1 μm. No canal do visível, a resolução espacial é de 2 km. Nos canais do infravermelho e do
vapor de água, a resolução é de 8 km.

2.5.18 China Brazil Earth Resources Satellite (CBERS)

Um programa de cooperação foi assinado em 6 de julho de 1988 entre a China e o Brasil para desenvolver dois
satélites de observação da Terra. Esse programa conjunto de desenvolvimento dos Satélites da série China Brazil Earth
Resources Satellite (CBERS), satélites Sino-Brasileiro de recursos terrestres, combina os recursos financeiros e de
tecnológicos dos dois países para estabelecer um sistema completo de sensoriamento remoto, que é competitivo e
compatível com o presente cenário internacional. O programa CBERS foi concebido como modelo de cooperação
horizontal e intercâmbio entre países em desenvolvimento. O primeiro satélite desenvolvido, o CBERS 1, foi lançado
com grande sucesso pelo foguete chinês Longa Marcha 4B, do Centro de Lançamento de Taiyuan em 14 de outubro de
1999. O lançamento ocorreu à 1h15min (horário de Brasília). O CBERS 2 é tecnicamente idêntico ao CBERS 1. O
CBERS 2 foi lançado com sucesso no dia 21 de outubro de 2003, partindo do Centro de Lançamento de Taiyuan, na
China. O horário do lançamento foi às 11h16min (horário de Pequim), o que corresponde à 1h16min em Brasília. O
CBERS 2 foi integrado e testado no Laboratório de Integração e Testes do INPE.
O satélite CBERS é composto por dois módulos. O primeiro módulo “carga útil” acomoda os sistemas óticos de
três sensores, incluindo: High Resolution CCD Cameras (CCD), Infra-Red Multi-Spectral Scanner (IRMSS), Wide Field
Imager (WFI), e os eletrônicos usados para observação da Terra e coleta de dados. O segundo módulo de “serviço” tem
os equipamentos que asseguram o suprimento de energia, os controles, as telecomunicações e as demais funções
necessárias à operação do satélite. Além do módulo da carga útil, o satélite possui um sistema de coleta de dados, Data
Collection System (DCS) para retransmitir dados ambientais colhidos no solo; um monitor do ambiente espacial, Sensor
for Environmental Monitoring (SEM) para detecção da radiação de alta energia no espaço; e um gravador de fita de alta
densidade, High Density Tape Recorder (HDTR), para gravação de imagens a bordo. Os 1100 W de potência elétrica são
necessários para o funcionamento dos equipamentos a bordo alimentados pelos painéis solares. Os dados internos para
monitoramento do estado de funcionamento do satélite são coletados e processados por um sistema de computadores,
antes de serem transmitidos à Terra. Uma característica singular do CBERS é o modulo de carga útil dos sensores
múltiplos que controla as resoluções espaciais e freqüências de observação variadas. Os dados de múltiplos sensores são
especialmente interessantes para acompanhar ecossistemas que requerem alta freqüência de cobertura.
A órbita do CBERS é heliosincronizada numa altitude de 778 km com 14 órbitas por dia. O satélite cruza o
equador sempre na mesma hora local, às 10h30min, permitindo as mesmas condições de iluminação solar para a
comparação de imagens adquiridas em dias diferentes. O satélite gasta 26 dias para retornar ao mesmo ponto de
cobertura da Terra, que é o tempo necessário para cobrir uma vez o globo terrestre pelos sensores de CCD e IRMSS. O
CCD opera em 5 faixas espectrais, incluindo uma faixa pancromática de 0,51 a 0,73 μm, e tem a capacidade de orientar
seu campo de visada dentro de ± 32 graus, possibilitando a obtenção de imagens estreoscópicas de uma certa região. O
IRMSS tem quatro faixas espectrais e estende o espectro de observação do CBERS até o infravermelho termal. O
IRMSS produz imagens de uma faixa de 120 km de largura, com uma resolução de 80 m nas bandas visíveis e 160 m nas
bandas termais. A tabela 2.20 mostra as características dos sensores CCD e a tabela 2.21 mostra as do IRMSS. O WFI
gasta 5 dias para obter uma cobertura completa do globo em duas bandas espectrais centradas em 0,66 μm (vermelho) e
0,83 μm (infravermelho próximo). Ele registra as reflectâncias espectrais de uma faixa de 890 km de largura, fornecendo
uma visão sinótica com uma resolução espacial de 260 × 260 m. A tabela 2.22 mostra as características do WFI.
Qualquer fenômeno detectado pelo WFI pode ser focalizado pelo sensor CCD pelo apontamento apropriado de seu
campo de visada, no máximo a cada 3 dias. As duas faixas espectrais do WFI são também empregadas no CCD para
permitir a combinação dos dados obtidos pelo CCD e pelo WFI.
Tabela 2.20 – Características do Instrumento Imageador CCD. Disponível em: (<http://www.inpe.br> acesso em 6 de maio de 2005).
0,51 – 0,73 μm (PAN)
0,45 – 0,52 μm (azul)
Bandas espectrais 0,52 – 0,59 μm (verde)
0,63 – 0,69 μm (vermelho)
0,77 – 0,89 μm (infravermelho próximo)
Campo de visada 8,3°
Resolução espacial 20 × 20 m
Largura da faixa imageada 113 km
Capacidade de apontamento do espelho ±32°
Resolução temporal 26 dias com visada vertical (3 dias com visada lateral)
 Freqüência da portadora 8103 & 8321 MHz
Taxa de dados da imagem 2 × 53 Mbits/s

Tabela 2.21 – Características do Instrumento Imageador IRMSS. Disponível em: (<http://www.inpe.br> acesso em 6 de maio de 2005).
0,50 −1,10 μm (pancromática)
1,55 −1,75 μm (infravermelho médio)
Bandas espectrais
2,08 - 2,35 μm (infravermelho médio)
10,40 − 12,50 μm (infravermelho termal)
Campo de visada 8.8°
Resolução espacial 80 × 80 m (160 × 160 m termal)
Largura da faixa imageada 120 km
Resolução temporal 26 dias
Freqüência da portadora 8216,84 MHz
Taxa de dados da imagem 6,13 Mbits/s

Tabela 2.22 – Características do Instrumento Imageador WFI. Disponível em: (<http://www.inpe.br> acesso em 6 de maio de 2005).
0,63 - 0,69 μm (vermelho)
Bandas espectrais
0,77 - 0,89 μm (infra-vermelho)
Campo de visada 60°
Resolução espacial 260 × 260 m
Largura da faixa imageada 890 km
Resolução temporal 5 dias
Freqüência da portadora 8203,35 MHz
Taxa de dados da imagem 1,1 Mbits/s

O CBERS incorpora um sistema de coleta de dados destinado à retransmissão, em tempo real de dados ambientais
coletados na Terra e transmitidos ao satélite por meio de pequenas estações autônomas. Os dados provenientes de
centenas dessas estações localizadas em qualquer ponto da Terra são adquiridos ao mesmo tempo, pelos centrais de
processamento e pelos usuários finais, por transmissões em freqüências diferentes. A figura 2.24 mostra uma imagem de
Brasília e seu contorno adquirida pelo sensor CCD do satélite CBERS 2 Órbita Ponto: 157_117 no dia oito de setembro
de 2004. Destaca-se o cinturão das cidades-satélite em plena expansão, bem como a presença de novos loteamentos.
Disponível em: (<http://www.cbers.inpe.br/pt/imprensa/gimagens.htm> acesso em 6 de maio de 2005).
 Figura 2.24 - uma imagem de Brasíilia e seu contorno adquirida pelo sensor CCD do satélite CBERS 2 Órbita Ponto: 157_117, no dia
8/9/2004. Disponível em: <http://www.cbers.inpe.br/pt/imprensa/gimagens.htm> acesso em 6 de maio de 2006.

Referências
ACKERMANN, F., 1999. Airborne laser scanning: present status and future expectations. Journal of Photogrammetry and Remote
Sensing, Elsevier Science Publishing Co., New York, USA. 54: 64-67.
CAMPBELL, J. B., 1987. Introduction to Remote Sensing. The Guilford Press. New York, USA. 551p.
COLWELL, R. N., 1985. Manual of Remote Sensing, 2nd edition. American Society of Photogrammetry, The Sheridan Press, New York,
USA, V1:1-1232, V2:1233-2400.
CORINA, C. F.; MURA, J. C.; DUTRA, L. V.; ANNA, S. S., 2003. Conceitos e Ferramentas para Análise de Imagens de Radar de
Abertura Sintética. Apostilha do Curso oferecido no XI Simpósio Brasileiro de Sensoriamento Remoto, Belo Horizonte, 5 e 6 de abril de
2003. Departamento de Processamento de Imagens, INPE, São José dos Campos, São Paulo, Brasil. 168p.
CUARTERO, A.; FELICÍSIMO, A. M.; ARIZA, F. J., 2005. Accuracy, reliability and depuration of SPOT HRV and TERRA ASTER
digital elevation. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America,
Piscataway, New Jersey, USA. 43:404-407.
EIDENSHINK, J. C.; FAUNDEEN, J. L., 1997. The 1-km AVHRR global land data set: first stages in implementation. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 51:39-56.
FLOOD, M.; GUTELIUS, B., 1997. Commercial implications of topographic terrain mapping using scanning airborne laser radar.
Photogrammetric Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 63: 327-366.
FLOYD, H. N.; LEWIS, A. J., 1998. Manual of Remote Sensing, Volume 3: Principles and Applications of imaging Radar. Third Edition.
John Wiley & Sons, Inc., New York, USA. 896p.
GOODRUM, G.; KIDWELL, C.; WINSTON, W., 2006. NOAA KLM user’s guide, NESDIS/NOAA, Washington D. C. USA. Disponível
em <http://www2.ncdc.noaa.gov. acesso em 6 de maio de 2006.
GOMBRICH, E. H., 1986. Art and Illusion - a study in the psychology of pictorial presentation. 1 edição. Brasileira, Livraria Martins
Fontes Editora Ltda. São Paulo, Brasil. 383p.
HAALA, N.; BRENNER, R., 1999. Extraction of buildings and trees in urban environments. Journal of Photogrammetry and Remote
Sensing, Elsevier Science Publishing Co., New York, USA. 54: 130-137.
HILL, R. A.; SMITH, G. M.; FULLER, R. M.; VEITCH, N., 2002. Landscape modelling using integrated airborne multi-spectral and
laser scanning laser data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23: 2327-2334.
IMAGE INTERPRETATION HANDBOOK, 1967. Departments of Army, Navy and Air Force, USA. TM 30-245. Washington D.C.,
USA. 864p.
KIDDER, S. Q.; VON DE HAAR, T. H., 1995. Satellite Meteorology - An Introduction. Academic Press, New York, USA. 476p.
KIDWELL, K. B., 1995. NOAA polar orbiter data user’s guide. NOAA NESDIS, Washington D. C., USA. 435p.
KOGAN, F. N., 1990. Remote sensing of weather impacts on vegetation in nonhomogeneous areas. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:1405-1420.
LIU W. T.; SANTIAMI, E. L., FERRAZ, R. G.; TORRECHILA, S.; AYRES, F., 2005. Atualização da Base Cartográfica da Bacia do
Alto Paraguai, Projeto GEF/ANA/PNUMA/OEA, Relatório Final, Anexo 2: Mapas de Usos do Solo. UCDB, Campo Grande, MS, Brasil.
LLOYD, C. D.; ATKINSON, P. M., 2002. Deriving DSMs from LIDAR data with kriging. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 23:2519-2524.
NOVO, E. M., 1988. Sensoriamento Remoto: Princípios e Aplicações. INPE/MCT, São Jose dos Campos, SP, Brasil. 363p.
RAO, C. R. N.; CHEN, J., 1995. Inter-satellite calibration linkages for the visible and near-IR channels of the AVHRR on the NOAA 7,
−9 and −11 spacecraft. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16:1931-1942.
RAO, C. R. N.; CHEN, J., 1996. Post-launch calibration of the visible and near-IR channels of the AVHRR on the NOAA 14 spacecraft.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:2743-2747.
RUNNING, S.; LOVELAND, T.; PIERCE, L.; NEMANI, R.; HUNT, E., 1995. A remote sensing based vegetation classification logic for
global land cover analysis. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 51:39-48.
SELLERS, P. J.; NEESON, B. W.; HALL, F. G.; ASRAR, G.; MURPHY, R.; SCHIFFER, R.; BRETHERTON, F.; DICKSON, R.;
ELLINGSON, R.; FIELD, C.; HUEMMRICH, K.; JASTICE, C.; MELACK, J.; ROULET, N.; SCHIMEL, D.; TRY, P., 1995. Remote
sensing of the land surface for studies of global change: model-algorithm-experiments. Remote Sensing of Environment. Elsevier Science
Publishing Co., New York, USA. 51:3-26.
VERMOTE, E. F.; ROY, D. P., 2002. Land surface hot-spot observed by MODIS over Central Africa. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 23:2141-2144.
WEHR, A.; LOHR, U., 1999. Airborne laser scanning-an introduction and overview. Journal of Photogrammetry and Remote Sensing,
Elsevier Science Publishing Co., New York, USA. 54: 68-82.
WHITE, M.; THORNTON, P. E.; RUNNING, S., 1997. A continental phenology model for monitoring vegetation responses to interanual
climate variability. Global Biogeochemistry Cycles, Elsevier Science Publishing Co., New York, USA. 11:217-234.
http://www2.ncdc.noaa.gov/docs/klm. ftp://ftp2.ncdc.noaa.gov/pub/doc/klmguide.
http://www.cnpm.embrapa.br
http://www.desdis.noaa.gov
http://www.eduspace.esa.int/eduspace
http://www.engesat.com.br
http://www.geodecision.com.br
http://www.gsfc.nasa.gov
http://www.inpe.br
http://www.intersat.com.br
http://www.sulsoft.com.br

Anexo 2A – Quadro compondo os principais satélites ambientais incluindo os satélites desativados, os em órbita e os
programados para lançamento. Disponível em: (<http://www.sat.cnpm.embrapa.br/texto/satelite.html> acesso em 16 de
maio de 2006).
3.1 Introdução
Com a crescente preocupação com a degradação do planeta Terra causada pelo uso impróprio do solo, as pesquisas
nas áreas de desenvolvimento das técnicas modernas de medição, previsão e controle de erosão e conservação e
recuperação do solo são muito ativas (TOY; FOSTER; RENARD, 2002). As técnicas rápidas e eficientes para identificar
e delinear usos do solo, identificar as propriedades químicas e físicas do solo, delinear os limites de tipos do solo e,
conseqüentemente, classificar e mapear tipos de solo são fundamentais para monitorar, diagnosticar e planejar as ações
na conservação e na preservação dos recursos naturais. As técnicas de fotografias aéreas são utilizadas tradicionalmente
no levantamento do solo.
Com o recente avanço da tecnologia espacial, os satélites de alta resolução temporal e espacial oferecem
possibilidades ilimitadas para desenvolver técnicas viáveis para monitorar as condições de usos do solo em tempo real.
As imagens e os dados digitais dos satélites Landsat, SPOT, IKONOS e TERRA/MODIS são empregados para facilitar
levantamento e delineamento de tipos e de usos do solo. Antes, a apresentação das aplicações dos dados de
sensoriamento remoto nas áreas, os conhecimentos básicos de ciências do solo, tais como perfil do solo, propriedades
físicas e químicas do solo e outros são apresentados brevemente para facilitar suas aplicações. Os fundamentos teóricos e
as aplicações das técnicas no monitoramento dos movimentos de água nos solos saturados e não saturados são
apresentados no Capítulo 9.

3.2 Natureza e propriedades de solo

3.2.1 Perfil de solo

Pode-se ver algum trecho de solo exposto na beirada de uma estrada, quando se viaja. Observa-se que o solo tem
materiais soltos depositados sobre as rochas como mostra a figura 3.1. Um perfil típico de solo consiste em solo de
superfície, subsolo e substrato. As camadas, que formam um perfil de solo, são representadas por quatro letras: O, A, B e
C. As subdivisões destas são chamadas horizontes. A figura 3.2 apresenta um perfil típico de solo. A camada O é o
horizonte orgânico que se forma sobre o solo mineral. Esta é uma conseqüência de decomposição das plantas e animais
mortos. O horizonte A, chamado horizonte iluvial, é o horizonte de minerais, que fica perto da superfície. O horizonte
mineral é a zona de lixiviação. O horizonte B, chamado horizonte aluvial, é a camada que recebe os depósitos vindos de
cima ou de baixo. Esse horizonte é a região que acumula os minerais, tais como óxidos de ferro, alumínio, silicatos de
argilas, carbonatos de cálcio, fosfato de cálcio e outros.
O perfil estratificado, chamado solo (solum), incluindo horizontes A e B, é a zona de um perfil desenvolvido por
meio de processo de formação do solo sob a influência do clima. O horizonte C consiste em materiais não consolidados
abaixo do perfil estratificado, que pode ter ou não ter os mesmos materiais que formaram o perfil estratificado acima
dele. O horizonte C geralmente não entra no processo de formação do solo pelos efeitos climáticos, mas pode no futuro
começar esse processo, especialmente, na camada superior mais próxima da superfície. Al-Bilbisi et al. (2004)
apresentaram um modelo de análise de multicamadas para estimar as espessuras dos diferentes tipos do solo na camada
superior incluindo horizontes A e B nas regiões áridas e semi-áridas no nordeste da Jordânia. Usando os dados de SAR
banda L do satélite Japanese Earth Resources Satellite 1 (JERS 1), compararam com os dados obtidos em campo. Os
resultados mostraram que as estimativas das espessuras contra as observadas são de 55 cm contra 50 cm para o solo com
uma camada sólida impermeável chamada duripã ou fragipã, 74 cm contra 70 cm para o solo arenoso e 46 cm contra 40
cm nas áreas de herbáceos. O duripã e o fragipã são os horizontes endurecidos, cimentados por um agente solúvel em
álcali concentrado ou por carbonato de cálcio.

Figura 3.1 – Exemplo de perfil de solo encontrado em campo. Fonte: (BUCKMAN; BRADY, 1969).

3.2.2 Água no solo: uma solução dinâmica

As águas, retidas nos poros do solo com vários graus de umidade, envolvem um processo complexo no estudo de
movimento da água no solo. A água no solo pode ser tratada como uma solução por conter sais minerais nela dissolvidos.
Essa solução fornece os nutrientes para o crescimento das plantas.
 Figura 3.2 – Horizontes das camadas de O, A, B, C e R de um perfil de solo. Fonte: (BUCKMAN; BRADY, 1969).

3.2.3 Ar do solo

O ar no solo é diferente do ar na atmosfera em vários sentidos. Primeiro, não é contínuo, porque o ar pode ser
isolado e captado dentro dos blocos sólidos do solo. Segundo, geralmente, contém mais umidade que o ar na atmosfera,
chegando perto de 100% de umidade nas condições úmidas. Terceiro, tem a concentração de CO2 de 3%, que é 100
vezes mais alta que a do ar atmosférico com 0,03% e a concentração de oxigênio de 12% que é mais baixa que a do ar
atmosférico com 20%. O conteúdo e a composição do ar no solo dependem da umidade de água. A drenagem rápida da
água nos poros após uma chuva aumenta o crescimento das plantas e as atividades de microorganismos e animais que
vivem no solo.

3.2.4 Densidade do solo

As definições de densidade de partículas (dp), densidade global (dg) e porosidade (ρ) são representadas pelas
equações (3.1), (3.2) e (3.3) respectivamente.

Em que:  
dp = densidade das partículas ( g/cm3 );
Ws = peso do solo (g);
Vs = volume real do solo (cm3).

Em que:  
dg = densidade global, (g/cm3);
Vt = volume total de amostra em estado natural (cm3).

Em que:  
ρ = porosidade (%);
dg = densidade global (g/cm3);
 dp = densidade das partículas.

3.2.5 Umidade do solo

O teor da água no solo geralmente é calculado pela porcentagem de peso seco (método gravimétrico) ou pela
porcentagem de volume da água (método volumétrico). Umidade Gravimétrica (θw) e Umidade Volumétrica (θv) são
calculadas pelas equações (3.4) e (3.5), respectivamente.

Em que:  
θw = umidade gravimétrica (g/g);
Wf = peso do solo fresco (g);
Ws = peso do solo seco (g).

O peso seco de amostra do solo é obtido sob as condições padronizadas. A amostra é seca dentro de uma estufa
ventilada, mantendo a temperatura de 105 ºC por 48 horas.

Em que:  
θv = umidade volumétrica (cm3/cm3);
Wf = peso do solo fresco (g);
Ws = peso do solo seco (g);
Vt = volume total de amostra em estado natural (cm3).

O valor de peso de água obtido pela diferença de (Wf - Ws) pode ser convertido para o volume de água em
umidade de cm3, porque um grama de água é igual 1 cm3. A vantagem de usar θv para quantificar o teor de água no solo
é que facilita ao cálculo de balanço hídrico (Capítulo 9) em que a medição da precipitação é em mm e o teor de água
pode ser tratado como a quantidade de água em cm de uma área de um metro quadrado. O valor de θv pode ser obtido
pela densidade global multiplicada pela umidade gravimétrica (dg × θw).

3.2.6 Propriedades químicas de solo

3.2.6.1 Colóides de solo

Os solos contêm colóides minerais, materiais orgânicos e minerais orgânicos, conhecidos como minerais de argilas
e húmus. Os tamanhos das partículas coloidais da fração de argila do solo variam de 0,1 μm a 1 μm. Portanto, o solo
manifesta ricas reações químicas. As argilas do solo são aluminossilicatos hidratados. Os elementos predominantes de
alumínio e silício juntam-se e formam estruturas cristalinas, que podem ser identificadas pelas assinaturas espectrais dos
raios X ou pelas imagens obtidas com os microscópios eletrônicos (GRIM, 1968).
Dois grupos de argilas silicatos, tipo 1:1 e tipo 2:1, tais como caulinita (tipo 1:1), montmorilonita e micas
hidratadas (tipo 2:1), são freqüentemente usados para identificação dos minerais. A vermiculita e a clorita, também
pertencem ao tipo 2:1. A figura 3.3 mostra as estruturas de minerais aluminossilicatos do tipo 1:1 e a figura 3.4 mostra as
do tipo 2:1.

Figura 3.3 – Estrutura de minerais do tipo 1:1. Fonte: (GRIM, 1968).

 Figura 3.4 – Estrutura de minerais do tipo 2:1. Fonte: (GRIM, 1968).

3.2.6.2 Absorção de cátions

As cargas elétricas de superfícies de argilas silicatos são negativas, que podem absorver os cátions. As cargas
negativas de argilas silicatos são originadas pelas margens quebradas das micelas que resultam as valências não-
saturadas e também pelos íons hidrogênio H+ dissociados de OH−, que partem da superfície e ficam negativas. A
equação (3.6) mostra que os cátions absorvidos pelas placas de micelas podem ser substituídos pelos íons hidrogênio
durante o processo de lixiviação pela chuva.

3.2.6.3 Capacidade de troca de cátions

A Capacidade de Troca de Cátions (CTC) é definida como a quantidade de cátions absorvida nas superfícies das
partículas do solo por uma unidade de massa do solo, sob condições químicas de acidez neutra (pH=7), e é
aproximadamente constante, independendo da espécie de cátions. Por exemplo, o valor de CTC de 1 me/100g significa
sua capacidade de reter 1 miligrama ou 1 miliequivalente (me) de H+ por 100 g de argilas.
Para solos minerais, o valor de CTC varia em média de uns poucos até 60 me/100g. Mas nas argilas, especialmente
com alto teor de matéria orgânica, no estado de húmus, o CTC aumenta bastante. Enquanto a montmorilonita tem um
CTC em cerca de 95 me/100g, a caulinita tem de 4 a 9 me/100g. A atração de um cátion para uma micela de argila
carregada negativamente aumenta com o aumento da valência de cátion. A valência de cátion mais alta substitui a
valência de cátion mais baixa e afilia-se à micela de argilas. A ordem de preferência dos cátions em reações de troca é
apresentada a seguir:

Os cátions são geralmente cercados por moléculas de água, retidas pelas forças hidrostáticas que exercem grande
influência na absorção de água nas superfícies dos cátions.

3.2.6.4 Acidez do solo

O solo geralmente é pouco ácido nas regiões que têm a precipitação suficiente para lavar as bases trocáveis nos
horizontes do solo. As cargas negativas nos colóides do solo são originadas de argilas silicatos que resultam um valor de
pH constante.
O pH é definido como um valor negativo do logaritmo da concentração de íon H+. (equação 3.7)
 A concentração de [H+] de 10−6 representa 10−6 equivalentes de [H+] por 1 litro de solução. O padrão de
preparação da solução para determinar o pH é uma porção de solo seco e uma porção de água destilada. A faixa do valor
geral de pH entre 6 e 7 é considerada a faixa ótima para promover a libação de nutrientes para o crescimento das plantas.
A figura 3.5 mostra as faixas de pH em que os cátions estão disponíveis no solo. Em geral, os solos tropicais são solos
ácidos com pH abaixo de 6. Para fins de produção agrícola, a acidez do solo deve ser corrigida pela aplicação de CaCO3.
A aplicação de CaCO3 é conhecida como calagem.

3.3 Fatores que afetam reflectância espectral de solos

As características química e física do solo são intimamente ligadas com os fatores da formação do solo, tais como
materiais parentescos, relevo e clima. Mas, pouco se conhece sobre a ligação desses fatores com as características das
reflectâncias espectrais que podem ser aplicadas para identificar os diferentes tipos do solo. Na década de 1980, a
maioria das técnicas de aplicações dos dados de satélites na interpretação do solo eram baseadas nas correlações
empíricas entre as características de reflectâncias espectrais e as propriedades físicas e químicas dos solos.
Posteriormente, um Sistema de Informação Geográfica (SIG) (Geographical Information System – GIS), que registra e
integra os dados das diferentes reflectâncias espectrais obtidas via satélite correspondendo às diferentes propriedades do
solo, é empregado sistematicamente para identificar e delinear os limites da unidade do solo.

Figura 3.5 – Faixas de pH em que os cátions estão disponíveis no solo. Fonte: (BUCKMAN; BRADY, 1969.)

Recentemente, as assinaturas espectrais foram obtidas por sensores hiperespectrais do MODIS, com 36 bandas
espectrais que facilitam a construção de uma curva de assinatura singular de um determinado tipo de solo para sua
identificação. Além disso, a identificação e a classificação de tipos de solo pelo método de Espaço-S (Spectral Space ou
S-Space) proposto por Bielski et al. (2002), que usa as bandas espectrais como a terceira dimensão e aplica um
determinado modelo de assinatura espectral singular para cada tipo do solo, tornam-se mais precisas. Antes de explorar
as possibilidades de aplicação das técnicas de identificação e classificação de tipos de solos, as características básicas e
distintas de cada fator que possam ser empregadas para identificação e discriminação de cada tipo do solo serão
discutidas em seguida.

3.3.1 Cores de solo

A cor é geralmente usada para distinguir os grandes grupos de solos. Os tipos do solo geralmente podem ser
distinguidos baseados nas cores e tonalidades do solo. Todos os tipos de solo têm suas características de reflectância
espectrais ligadas às suas cores específicas. A cor do solo é incluída na discrição do perfil do solo.
O sistema “Munsell” da roda de cores oferece um sistema para descrever as três propriedades da cor: brilho, matiz
e pureza, O sistema foi adaptado para estabelecer o sistema padrão das cores do solo. A figura 3.6 mostra esse sistema. O
brilho é a intensidade da cor com escala de 10 a zero que corresponde de branca a preta situada no eixo central da roda
de cor. O matiz descreve a cor localizada na superfície da roda de cores no sistema da cor Munsell. A pureza é o grau de
mistura das cores complementares que diminui a pureza quando a cor se afasta da superfície direcionada ao centro da
roda e se aproxima a cor complementar no lado oposto da roda. Por exemplo, na descrição de um perfil do solo,
geralmente encontram-se os dados de descrição pelo sistema Munsell da roda de cores como:

2,5 YR 3/6.

YR – Y = Yellow (amarelo) e R = Red (vermelho);

2,5 YR – 25% de R e 75% de Y;
3 – 3 são 30% de valor da saturação (a preta = 0 ou 0%; a branca = 10 ou 100%) nesse caso, 3 significa
cinza-escuro;
6 −6 são 60% da pureza de cor na escala da pureza (sem cor = 0 ou 0%; a cor pura = 10 ou 100%).

A figura 3.6 mostra o sistema Munsell da roda de cores. As cores começam em Red (R), passam por Yellow (Y),
Green (G), Blue (B), Purple (P) e voltam para Red (R). A roda é subdividida em dez escalas de cor: R RY Y YG G BG
B BP P PR. As dez cores são ainda mais subdivididas em cinco escalas entre si. A figura 3.7 mostra as variações das
cores em tridimensionais baseadas nesse sistema. A tabela 3.1 mostra as porcentagens de cores e suas apresentações
entre essas escalas de cor.
A tonalidade é visualizada como a reflectância do espectro da cor dominante que corresponde à reflectância da
faixa do comprimento da onda detectada pelo sensor de satélite nas faixas de visível a infravermelho próximo (0,4 a 1,0
μm). O valor refere-se ao brilho relativo da cor ou intensidade de reflectância que é em função da quantidade total da luz
refletida. No caso de não refletir nenhuma radiação, o valor é zero e a cor é preta. Pureza é a cor na sua intensidade
máxima que se situa em uma determinada faixa de cor na superfície da roda de cores.
A cor da superfície do solo, que é diferente da cor do material parentesco do fundo, pode ser utilizada para
prognosticar o processo da formação do solo e também para identificar os processos de erosão ou desertificação pela
deposição excessiva de sais minerais. Obukhov e Orlov (1964) observaram que quase todos tipos de solos são
intimamente ligados com as reflectâncias das características espectrais das cores. Reflectância mínima ocorre na faixa
espectral de violeta azul que varia de 13% da reflectância nos perfis de solos profundos com cor escura, tais como os
solos ocupados pelas pastagens nativas e florestas no clima temperado, até 18% nos solos podzólicos e arenosos com cor
mais cinza. Reflectância máxima ocorre nas faixas espectrais de vermelho que varia de 15% a 44% com o aumento da
argila nos solos de Latossolos Vermelho-Amarelo até Latossolos Roxos. Portanto, as faixas de vermelho visível e
infravermelho próximo são mais importantes na identificação de tipos de solos. Além dessas faixas, outras de radiação
eletromagnética, tais como ultravioleta, infravermelho e microonda, também são importantes na identificação de tipos de
solos.
 Figura 3.6 – Sistema Munsell da roda de cores: R (Red, vermelha), Y(Yellow, amarela), G(Green, verde), B(Blue, azul) e P(Purple,
roxo). Fonte: (LIN, 1983).

Figura 3.7 – Variações das cores em tridimensionais baseadas no sistema Munsell da roda de cores. Fonte: (LIN, 1983).

Tabela 3.1 – Exemplo da apresentação de subdivisão das dez escalas de cores e suas respectivas porcentagens de cores R e RY. Fonte:
(LIN, 1983).

5R ...................... 100% R
7,5 R ...................... 25% R e 75% Y
10 R ...................... 50% R e 50% Y
2,5 YR ...................... 25% R e 75% Y
5Y ...................... 100% Y

3.3.2 Composições minerais

Da Costa (1979) observou que a reflectância espectral de minerais depende das propriedades de vibração entre
moléculas próximas à superfície das micelas e deslocamento das órbitas dos elétrons. As vibrações moleculares
fundamentais ocorrem principalmente na faixa de 8 a 14 μm. No solo com o grupo de ferro Fe+++, o deslocamento das
órbitas de elétrons ocorre nas faixas de 0,4, 0,7 e 0,87 μm e o grupo de ferro com de Fe++ responde bem nas faixas de
0,43; 0,45; 0,51; 0,55 e 1,0 μm. Mg++ na coordenação octahedral é identificado pelas faixas de 0,34 a 0,37; 0,4 a 0,45 e
0,45 a 0,55 μm. A maioria das rochas e minerais contém silicatos. Mas estes não podem ser identificados pelas faixas de
visível e infravermelho próximo. Na presença de água em minerais, as reflectâncias nas faixas de 1,4 e 1,9 μm são
utilizadas para identificar a capacidade da absorção de água. Mas embora montmorilonita e vermiculita tenham alta
absorção de água, por causa da alta presença de matéria orgânica, as reflectâncias nas faixas de vermelho e
infravermelho próximo são baixas. Da Costa (1979) apontou que quartzo e feldspato não têm características espectrais
distintas nessas faixas, e caulinita, gipsita e moscovita demonstraram a resposta espectral do efeito hidroxila com a
presença de água. A composição de carbonatos em minerais pode ser detectada com as bandas de 1,9, 2, 2,16, 2,35 e 2,55
μm.
Clevers; Kooistra e Salas (2004) usaram os dados de primeiro derivado da reflectância espectral na banda estreita
centralizada em vermelho para detectar a contaminação de metais pesados na planície dos rios alagados. Os dados de
concentração de metais pesados foram obtidos em campo e os dados de reflectância espectral da superfície de vegetação
foram obtidos pelo espectrorradiômetro em campo. O primeiro derivado espectral mostrou a presença de vários picos na
faixa de vermelho que indicou a presença de metais pesados. O valor de coeficiente da determinação R2 de 0,64 foi
obtido pela correlação entre a concentração de metais pesados e o primeiro derivado da reflectância da faixa de
vermelho.
Obukhov e Orlov (1964) descobriram que os solos e seus perfis contêm alta concentração de ferro podem ser
identificados como Fe2O3 puro pelo espectrofotômetro. A intensidade de reflectância na faixa de 0,5 a 0,64 μm é
inversamente proporcional ao teor de ferro. Apresentaram uma equação de regressão linear (equação 3.8) para estimar a
porcentagem de ferro pela reflectância na banda 0,64 μm. Essa equação pode ser usada para estimar quantitativamente o
teor de ferro nos solos.

Em que:  
R = % da reflectância na banda 0,64 μm;
C = % Fe2O3.

3.3.3 Matérias orgânicas

Matérias Orgânicas (MO) nos solos têm sua influência profunda na variação da cor do solo. A concentração de
MO varia muito com o tipo do clima e o sistema de manejo. Da Costa (1979) mostrou que o aumento do conteúdo da
MO resulta a diminuição da reflectância nas bandas 4, 5 e 6 dos sensores do Landsat MSS. Isto demonstra que a
importância de identificação visual na concentração de MO nos solos pela faixa de visível com uma faixa de
infravermelho próximo. Por causa da cor escura indicando a alta concentração de MO, em geral, o aumento da MO
resulta na diminuição da reflectância do solo. A MO na extrema alta decomposição mostra extrema baixa reflectância na
faixa de 0,5 a 2,3 μm. Mas no caso do MO em estágio de decomposição, por causa das superfícies rígida e suave dos
tecidos das folhas com estruturas ainda bem formadas, aumenta a concentração de MO resulta o aumento da reflectância
na faixa de infravermelho próximo.

3.3.4 Textura de solo

Tamanho de partículas de solo influência reflectância e difusividade termal de solos e indiretamente umidade do
solo. Textura de solo é um termo usado para descrever o tamanho das partículas de solo. De acordo com a classificação
da Sociedade Internacional de Ciências de Solos, International Soil Science Society (ISSS), os solos são classificados em
6 classes: cascalho, areia grossa, areia fina, limo e argila. O Departamento de Agricultura dos Estados Unidos, United
States Departamento of Agriculture (USDA) tem uma classificação mais detalhada na classe de areia que foi subdividido
em cinco classes em vez de duas. A tabela 3.2 apresenta as faixas de tamanho das classes propostas por ISSS e USDA. A
figura 3.8 mostra denominações da diferentes combinações de areia, limo e argila, representadas pelo triângulo textual
baseado na classificação USDA.
Estudos realizados nos laboratórios contestam que o aumento de tamanho de partículas do solo arenoso resulta na
diminuição da reflectância espectral. Isto é correto quando os solos de uma determinada textura com as partículas
uniformes preparadas no laboratório passam em uma determinada faixa de malhas de peneiras. Os agregados naturais
presentes no campo são destruídos. Portanto, dependendo das condições dos agregados naturais presentes no campo, os
resultados podem ser diferentes.
Tabela 3.2 – Faixas de tamanho da textura de solos das classes classificadas por ISSS e USDA.
 Figura 3.8 – Denominações das diferentes combinações de areia, limo e argila, representadas pelo triângulo textual baseado na
classificação do USDA. Fonte: (KLAR, 1984).

Geralmente, os agregados grossos com as formas irregulares formam uma superfície muito complexa com um
grande número de espaços interagregados, tais como poros e rachaduras. Mas, em geral, uma superfície mais uniforme
formada pelas areias mais finas tem a reflectância mais alta, porque tem a alta possibilidade de se formar uma superfície
mais suave e menos espaços vagos que refletem mais a luz. Entretanto, para os solos argilosos com a textura muita fina,
a reflectância diminui, por causa dos aumentos de matéria orgânica, umidade de solo, que diminuem as reflectâncias. Os
solos com baixo nível de areia (10% a 30% de areia) têm baixa reflectância nas bandas 0,4 a 0,86 μm. Os solos de areia
pura têm alta reflectância nessa faixa. É importante notar que, na condição natural, no campo, a reflectância é afetada
pela forma da superfície e do tamanho de agregados e não pela composição química dos solos.
O tamanho de partículas de solos tem efeito significativo na transferência de calor. Chudnovskii (1962) mostrou
que a condutividade termal dos solos limos aumenta quatro vezes se comparado aos solos arenosos. Quando há aumento
do teor da umidade do solo, os espaços vagos nos poros do solo diminuem e, em conseqüência, aumenta a condutividade
termal no solo, pois a condutividade termal do ar é várias vezes menos que a dos solos e água. A capacidade calorífica
volumétrica das argilas é menor nos solos secos e maior nos solos úmidos por causa da maior porosidade das argilas que
absorve mais água e a água tem a capacidade calorífica mais alta.
A figura 3.9 mostra as reflectâncias espectrais de três tipos de solos da região do Estado de Indiana nos Estados
Unidos. As condições de teor da umidade dos solos são semelhantes (JOHANNSON; BAUMGARDNER, 1968). O solo
de limo tem mais de 90% de limos e quase 0% de MO. Portanto, o solo de limo tem alta reflectância em todas as faixas
espectrais de 0,4 a 2,5 μm. O solo argiloso com 60% de argila tem uma curva distinta com alta reflectância na faixa de
visível por causa de sua cor vermelha originada do solo tipo caulinita e sua absorção de água distinta nas faixas de 1,45 e
1,95 μm.
 Figura 3.9 – Reflectâncias espectrais de três tipos de solos da região do Estado de Indiana nos Estados Unidos. Fonte:
(JOHANNSEN; BAUMGARDNES, 1968).

O solo arenoso tem a reflectância variando linearmente de 20% a 30% nas faixas espectrais de 0,4 a 2,5 μm.
Johannsen e Baumgardnes (1968) mediram as reflectâncias de cinco bandas entre 0,40 a 0,86 μm nas várias misturas de
porcentagem de areia e argila. Concluíram que o baixo conteúdo de areia (10% a 30%) tem baixa reflectância e areia fina
pura tem reflectância mais alta. A porcentagem da reflectância no determinado nível de areia aumenta quando a
comprimento de onda aumenta. Capacidade de Troca de Cátions (CTC) tem correlação negativa com a reflectância nas
bandas entre 2,08 a 2,32 μm, considerando-se que a CTC é intimamente ligada com o conteúdo de MO e o tipo de argila.

3.3.5 Rugosidade e estrutura de solo

A textura do solo é importante na determinação das propriedades de reflectância. Mas, os seus agregados formados
em diferentes tipos de partículas nos solos naturais também são importante sob o ponto de vista de atividades agrícolas,
por terem esses agregados as condições física e química diferentes que afetam o crescimento de plantas.
O solo de boa estrutura fornece as melhores condições de umidade, oxigênio e nutrientes para o crescimento de
plantas. O solo pode ser dominado por um tipo de agregado. Mas, geralmente, encontram-se vários tipos enquanto se
examina o perfil inteiro. A figura 3.10 apresenta os quatro tipos de agregados: em formas de placa, prisma, bloco e
esférica. A forma prisma se subdivide em dois tipos: forma prisma com topo chato e colunas com topo redondo. A forma
de bloco também se subdivide em dois tipos: cúbica e subangular. A forma esférica tem dois tipos: granular porosa e
fragmento extremo poroso (BUCKMAN; BRADY, 1969).
Rugosidade de solo geralmente é chamada como agregação de solo que é modificado pelo processo de aragem.
Rugosidade afeta a reflectância do solo pela variação de estrutura dos agregados. Em geral, se aumenta a rugosidade, a
reflectância diminui.
Estrutura de solo é um termo usado para descrever o grupo de partículas predominante em uma determinada classe
de textura. Portanto, estrutura é unicamente um termo usado para descrever os agregados gerais ou arranjos de solos
sólidos presentes em campo. Os solos sem estrutura distinta refletem 10% a 20% mais do que os com estrutura bem
definida. A reflectância dos agregados de 2 mm ou maior é praticamente constante. A consideração da rugosidade da
superfície na utilização da técnica de microonda importante porque a rugosidade altera as propriedades dietéticas (LU;
MEYER, 2002) e em conseqüência altera a emissividade e a temperatura de brilho.
 Figura 3.10 – Tipos de estrutura de solos presentes nos solos minerais.
Fonte: (BUCKMAN; BRADY, 1969).

3.3.6 Emissividade de solo

A emissividade termal é definida como a razão da energia radiante emitida pela superfície de uma determinada
matéria à energia emitida pelo corpo negro na mesma temperatura. A faixa de infravermelho da radiação eletromagnética
pode ser dividida em três partes:

a)   infravermelho próximo (0,7 a 1,1 μm) que é a radiação refletida;

b)   infravermelho médio (3,5 a 5,5 μm) que é a suma da radiação refletida e emitida;
c)   infravermelho longo (8 a 14 μm) que é a radiação emitida.

As radiações emitidas pelas faixas de infravermelho médio e longo são recebidas pelos sensores de satélites, como
o calor que se manifesta em temperatura radiante. A temperatura radiante é a temperatura externa manifestada pela
temperatura verdadeira (Tv) ou temperatura cinética de um objeto. A temperatura radiante geralmente é chamada como
temperatura de brilho (Tb). A relação entre Tv e Tb é expressa pela equação (3.9), seguindo a Lei de Stephan-Bolzman:

Em que:  
Tb = temperatura de brilho em W m−2;
ε = emissividade;
σ = constante Stephan-Boltzman = 5,6697 × 10−8 W m−2 °K−4;
Tv4 = temperatura verdadeira em °K.

Para obter a temperatura da superfície via satélite, é preciso requerer os dados de emissividade do alvo para
converter Tb a Tv. Portanto, a estimativa da Temperatura da Superfície Terrestre (Tst) é muito complexa, porque é difícil
de separar os efeitos das condições atmosféricas e da emissividade da superfície. Vários algoritmos baseados no método
de Janela Dividida (split-window) foram desenvolvidos recentemente (BECKER; LI, 1990; KERR 1992; COLL et al.
1994; FRANÇA; CRACKNELL, 1994; VÁZQUEZ; REYES; ARBOLEDAS, 1997). Entre eles, o método de Janela
Dividida Local (Local Split-Window) proposto por Becker e Li (1990) foi considerado o método mais estável em termos
de variação de erros (SOBRINO et al., 1996).
A maior dificuldade na estimativa de temperatura da superfície terrestre via satélite é a obtenção dos dados de
emissividade e das condições atmosféricas locais. Uma pequena variação da emissividade na superfície terrestre resulta
uma alta variação da temperatura. Portanto, a estimativa de emissividade é crucial no cálculo da temperatura da
superfície terrestre (Capítulo 8).
De acordo com a equação 3.9, o erro na estimativa de emissividade da superfície terrestre pode causar um grande
erro na estimativa da temperatura. Por exemplo, a emissividade de uma superfície de 300 °K varia de 0,98 a 0,99. A
variação de emissividade de 0,01 resulta uma variação de 0,76 °K. Portanto, no caso de estimativa de temperatura da
superfície oceânica (Tso) que tem a emissividade variando de 0,98 a 0,99, o erro embutido é de 0,76°K. A tabela 3.3 lista
os valores típicos de emissividade dos vários materiais citados pelos vários autores.
Tabela 3.3 – Valores típicos de emissividade dos vários materiais apresentados por vários autores.
 As temperaturas extremas e a taxa de variação de temperatura são influenciadas pelas várias propriedades
térmicas, incluindo condutividade termal (k), capacidade calorífica (c) e inércia termal (P) dos materiais. Condutividade
termal é uma medida da taxa de propagação do calor pelo material que é expressa como cal cm−2 s-1 °C-1. Capacidade
calorífica é a capacidade de um objeto poder armazenar o calor expresso em cal g -1 °C1. Inércia termal é a taxa de
resposta termal de um objeto à mudança de temperatura expressa em cal cm−1 s−½ °C-1. A inter-relação entre P, c e k é
expressa pela equação (3.10).

Em que:  
P = inércia termal (cal cm−2 s−½ °C−1);
k = condutividade termal (cal cm−1 s−1 °C−1.);
c = capacidade calorífica (cal g−1 °C−1);
d = densidade de material (g cm−3).

A água tem alta capacidade calorífica e baixa inércia termal comparando-se com os solos e as rochas. Portanto, a
água se aquece mais lentamente e se resfria também mais lentamente que os solos e as rochas. O solo aquece
rapidamente durante o dia e esfria rapidamente à noite comparando-se com a água. Portanto, a temperatura da água fica
mais alta que a do solo à noite. A transferência do calor no perfil de solo é muito complexa. O ganho e a perda de calor
no solo dependem da condutividade termal do solo que é afetada pela variação da umidade do solo em determinado perfil
do solo. A presença de vegetação também afeta a temperatura do solo, porque, pela transpiração, a vegetação absorve a
energia solar e libera o vapor da água pelos estômatos para manter sua temperatura em uma faixa desejável para o
crescimento que é geralmente mais baixa do que a do solo. Assim, a copa da vegetação diminui a amplitude da variação
diurna da temperatura comparando-se com a do solo nu.
As tabelas 3.4 e 3.5 listam as propriedades termais dos vários materiais naturais e construções urbanas levantados
por Oke (1987). Nota-se que a água pura em 4 °C tem a capacidade calorífica de 4,18 ×106 J m−3 °K−1 e o calor
específico de 4,181×103J kg−1 °K−1 que são os valores mais altos de todos os materiais. Por causa da alta capacidade
calorífica da água, a amplitude da variação da temperatura diária diminui enquanto a umidade do solo aumenta. Portanto,
a medição da amplitude da temperatura diária no solo em uma determinada região pode ser uma boa opção para
monitoramento da umidade do solo nas regiões mais úmidas. Os métodos de estimativa da emissividade e da temperatura
de superfície terrestre via satélite são apresentados no Capítulo 8.
Radiômetros de microondas medem as freqüências de energia eletromagnética emitidas na faixa de 1 a 30 GHz.
Lundien (1966) apontou que os sinais de retroespalhamento das microondas são menos sensíveis à variação de textura de
solo em campo e mais sensíveis à vegetação e umidade de solo. Solo arenoso e seco absorve bem energia
eletromagnética emitida pela microonda e resulta pouco sinal de retroespalhamento da microonda. Na banda de 1,55 cm
das microondas, a emissividade é 9,4 para água, 0,60 para solo úmido e 0,4 para solo seco. A variação da emissividade
entre o solo seco e úmido de 0,4 a 0,6 pode ser utilizada para estimar a umidade do solo baseada na correlação
preestabelecida entre a umidade do solo e a intensidade dos sinais recebidos de uma determinada banda das microondas.
Tabela 3.4 – Propriedades termais de vários materiais naturais. Fonte: (OKE, 1987).

Definições dos termos:

 
ρ = densidade (kg m−3×103)
c = calor específico (J kg−1 °K−1×103)
C = capacidade calorífica (J m−3 °K−1×106)
k = condutividade termal (W m−1 °K−1)
 κ = difusividade termal (m2 s−1 ×10−6)
μ = transmitância termal (J m−2 s−½ °K−1)

Tabela 3.5 – Propriedades termais de vários materiais usados nas construções. Fonte: (OKE, 1987).

Definições dos termos:

ρ = densidade (kg m−3×103)
c = calor específico (J kg−1 °K−1×103)
C = capacidade calorífica (J m−3 °K−1×106)
k = condutividade termal (W m−1 °K−1)
κ = difusividade termal (m2 s−1 ×10−6)
μ = transmitância termal (J m−2 s−½ °K−1)

3.3.7 Propriedades de polarização

Coulson (1966) mostrou que nas faixas de visível e infravermelho próximo, as superfícies escura e úmida de baixa
reflectância polarizam mais do que as claras e a seca de alta reflectância. Portando, o grau de polarização nestas faixas
pode ser utilizado para estimar a umidade do solo em um tipo de solo específico. Em geral, a reflectância da superfície
do solo é principalmente difusa e a da superfície de água é altamente peculiar. Curran (1979) mostrou essa extrema
diferença de reflectância entre a superfície de água e a superfície de solos minerais. Demonstrou que os altos valores de
polarização, obtidos nos ângulos maiores de fase, em torno de 50° a 60° (o ângulo de Brewsters é 53°), dependem
altamente da umidade do solo com muito pouca dependência da opacidade atmosférica, nuvens e declividade e
rugosidade de solos. Usou a luz de visível polarizada gravada no filme pancromático e as reflectâncias de faixas de
visível e infravermelho gravadas no filme infravermelho colorido para obter a variação de reflectância polarizada nas
várias condições de umidade de solo no solo arenoso limo. Os resultados mostraram que a relação entre a luz visível
polarizada e a umidade de solo somente funcionou em uma faixa limitada de umidade de solo. Os métodos de
monitoramento da umidade do solo via satélite são apresentados no Capítulo 9.

3.4 Assinaturas espectrais de vários tipos de solo

É difícil registrar os valores reais da reflectância de uma superfície natural no campo, por causa das variações dos
seguintes fatores:

a)   absorções atmosféricas, tais como absorções de O3, CO2 e vapor da água na atmosfera antes de a radiação
solar chegar à superfície;
b)   variação de intensidade de radiação solar incidente de acordo com o ângulo zenital, a elevação solar e o ângulo
da visada do satélite;
c)   variação da reflectância da superfície do solo por causa das variações das propriedades física e química do
solo;
d)   a intensidade máxima da radiação solar localizada na banda de 0,5 μm. A diminuição da intensidade dos sinais
de reflectância nas faixas de ondas curtas e longas, recebidos pelos sensores remotos, dificulta sua medição.

Fundamentada na análise dos dados de reflectância nas faixas adequadas, os níveis de matéria orgânica, umidade
do solo, conteúdos de Fe+++, Fe++ e OH−, textura e estrutura podem ser determinados para os solos nus em uma área
específica. As informações adicionais, tais como linhas de drenagem, tipos do solo e tipos de vegetação, podem ser
utilizadas para a melhoria na interpretação do solo e para delinear as áreas homogêneas. Alguns tipos de solos são
difíceis de serem distinguidos entre si. Shockley; Knight; Lipscomb (1962) sugeriram a utilização de vários níveis de
umidade de solo para obter as reflectâncias espectrais que possam ser usadas para separar diferentes tipos de solos.
Utilizaram os diferentes valores da assinatura espectral da capacidade de absorção de água no solo nas bandas de 1,40;
1,75; 1,94; 2,25; 4 e 4,5 μm para identificar os tipos de solos. Bauer (et al. 1978), baseados na análise estatística e
avaliação qualitativa das características de absorção e reflectância do solo, estabeleceram as bandas-chave para
identificar os diversos tipos do solo nas diferentes zonas climáticas. As bandas usadas são assim listadas:

a)   0,52 a 0,62 μm – alta absorção pela vegetação nessa faixa verde;

b)   0,7 e 0,9 μm – a presença do íon Fe+++ tem alta absorção nessas duas faixas;
c)   1 μm – os grupos com Fe++ e com gibbsita de hidroxila têm alta absorção;
d)   1,22 a 1,32 μm e 1,55 a 1,75 μm – altas reflectâncias para a maioria dos tipos do solo se correlacionaram bem
com várias propriedades do solo;
e)   2,08 a 2,32 μm – alta absorção pela alta umidade do solo.

Bauer et al. (1978) usaram esses critérios para classificar quatro tipos de solo ocorridos nos Estados Unidos,
incluindo: solos dos estados de Arizona, North Dakota, Montana e Nevadas. A figura 3.11 mostra a classificação desses
quatro tipos de solo com dois níveis de umidade do solo baseada nas cinco faixas-chave de comprimento da onda de
eletromagnética. Apesar de a absorção de água ser distinta nas faixas de 1,44 e 1,94 μm, pode ser observado que a
pequena absorção ocorreu na banda 2,2 μm em alguns tipos de solos. A absorção da banda 2,2 μm é por causa da
presença do grupo hidróxido que é essencialmente pela presença das argilas de caulinita e montmorilonita. Outra faixa de
absorção bem definida ocorre na faixa de 0,7 a 0,9 μm por causa da presença de oxissolos ou latossolos vermelhos que
têm alto teor de Fe2O3. A porcentagem de Fe2O3 nesses solos pode chegar a 25%.
 Figura 3.11 – Bandas espectrais chaves usadas por Bauer et al. (1978) para classificação dos quatro tipos de solos ocorridos nos
Estados Unidos, incluindo: solos dos estados de Arizona (AZ), North Dakota (ND), Montana (MT) e Nevada (NV). Os valores de
porcentagem das curvas indicam a umidade do solo gravimétrica. Fonte: (BAUER et al., 1978).

Demattê et al. (2005) usaram as bandas de 1, 2, 3, 4, 5 e 7 do Landsat 7 ETM+ para descriminar os solos basaltos e
arenitos na região de Paraguaçu Paulista, Estado de São Paulo. Observaram que os latossolos vermelhos aumentaram a
reflectância quando as suas texturas são mais arenosas. A refectância dos solos eutróficos foi mais alta que a dos álicos.
Sugeriram que essas bandas-chave podem ser aplicadas para classificar e gerar o mapa do solo da região.

3.5 Classificação do solo

A crescente degradação do meio ambiente do planeta Terra pelos usos impróprios dos recursos naturais forçou a
união dos cientistas multidisciplinares de vários países do mundo para tentar salvar o planeta. Os estudos das mudanças
climáticas e dos monitoramentos das evoluções dos ecossistemas, em escala planetária, são possíveis graças aos satélites
ambientais que coletam os dados contínuos do globo. As informações de usos do solo servirão como uma base de dados
que pode ser usada para avaliar seu grau de degradação. Portanto, o levantamento do solo do globo é uma tarefa
prioritária. Para cumpri-la, foram desenvolvidas várias novas técnicas e ferramentas. A técnica mais usada é a
superposição da imagem de fotografia aérea sobre a imagem espectral do satélite que permite o engenheiro agrônomo
delinear os limites das unidades de solo com facilidade. Por exemplo, a imagem pancromática do Landsat 7 ETM+ com a
resolução espacial de 15 m representa uma área de 0,0225 hectare. A escala do mapa cartográfica é determinada pela
distância de 5 pontos em um milímetro no mapa. Por exemplo, um pixel do Landsat de 15 metros representa 0,2 mm no
mapa. Portanto, a escala de Landsat de resolução de 15 m é 1:75.000. Os dados de satélites de alta resolução espacial de
0,61 a 1 m, tais como IKONOS e QuickBird, ou de 5 m, tais como SPOT, IRS e COSMOS, as interpretações visual e
digital são mais precisas. Recentemente, os dados de sensores de alta resolução espectral, tal como sensores MODIS com
36 sensores de hiperespectrais, fornecem uma fonte de dados que podem ser usados para distinguir e classificar os
diferentes tipos de solo por meio da construção de um modelo composto das bandas-chave baseado na análise das
assinaturas espectrais singulares de cada tipo de solo. As técnicas de classificação de usos de solo são apresentadas no
Capítulo 14.
O procedimento de mapeamento do solo pode ser acelerado pelo mapeamento baseado na análise das reflectâncias
espectrais das bandas-chave, se o engenheiro agrônomo tiver as informações das correlações entre as assinaturas
espectrais e as características física e química de um determinado tipo do solo. Entretanto, o engenheiro agrônomo
também pode identificar as características física e química do solo pela análise das assinaturas espectrais dos solos. A
análise dessas assinaturas espectrais pode diminuir a incidência de erros do mapeamento do solo causados pela
heterogeneidade de usos do solo, pela topografia e pela falta de dados de tipos do solo obtidos durante a pesquisa em
campo.
Por causa da mudança espacial de um tipo de clima ou vegetação, tendência gradual e difusa, o delineamento dos
limites, usando a técnica tradicional de fotografia aérea, é difícil. Mas com a técnica do mapeamento espectral por
satélites, essa tarefa pode ser facilmente cumprida. Geralmente, as associações do solo ocorrem em padrões repetitivos
em relação às imagens pancromáticas do SPOT 5 em escala de 1:25.000 que podem ser utilizadas para detectar as
mudanças de uso da terra, declividade, padrão de drenagem, os traços hidrológicos e outras características distintas da
paisagem, e, em conseqüência, facilita o delineamento dos limites das associações. Para as regiões remotas nos países em
desenvolvimento, o mapeamento do solo em escala de 1:150.000 do Landsat ETM+ tornou-se possível por causa das
imagens com uma resolução de 30 m fornecendo uma base de dados para identificar e delinear as unidades do solo e
diminuir o custo de operação.
Ben-Dor et al. (2002) usaram os dados dos sensores hiperespectrais do sistema DAIS-7915 a bordo do avião para
mapear as várias propriedades físicas do solo. O 79 channel Digital Airborne Imaging Spectrometer (DAIS-7915) é um
instrumento hiperespectral fabricado pela companhia GER Inc., USA, e aperfeiçoado pelo German Aerospace Center
(DLR). Os sensores hiperespectrais com o total de 79 bandas são localizados nas faixas de banda visível, infravermelho
próximo até infravermelho longo (0,4 a 14 μm). As características específicas do sistema DAIS 7915 podem ser
encontradas no site: http://www.op.dlr.de/dais/dais-scr.htm. As amostras representativas das respostas espectrais das
propriedades físicas do solo obtidas no laboratório foram aplicadas para identificar as classes das propriedades do solo
com os dados espectrais obtidos pelo avião. Um modelo foi construído para identificar cada propriedade física, incluindo
condutividade elétrica, umidades do solo saturado e não-saturado, e conteúdo de matérias orgânica, aplicando-se à
assinatura espectral singular delas. A figura 3.12 mostra a distribuição espacial de propriedades físicas de solo: a)
condutividade elétrica; b) umidade de solo; c) materiais orgânicos; d) umidade de solo saturado; e) mapa base. A figura
3.13 mostra o mapa temático produzido dessas propriedades. Zhang; Younan; O’Hara (2005) aplicaram dois modelos
estatísticos utilizando técnicas ondeletas, incluindo o modelo de Máxima Verossimilhança e o modelo Markoviano
embutido para a classificação do solo usando as assinaturas hiperespectrais das texturas do solo, obtidos pelos sensores
hiperespectrais via satélite. Todos os testes indicaram que os dados hiperespectrais têm alta potencialidade de aplicação
na identificação e classificação dos tipos de solo.
Figura 3.12 Distribuição espacial de propriedades de solo na região de Zvaim Heights, Israel, mapeada com os dados de sensores
hiperespectrais a bordo do avião DAIS-7915: a. condutividade elétrica; b. umidade de solo; c. materiais orgãnicos; d. umidade de
solo saturado, e. mapa base. Fonte: (BEN-DOR et al., 2002).
 Figura 3.13. Mapas tematicos produzidos a partir dos dados das propriedades fisicas do solo, adquiridos pelos sensores
hiperespectrais a bordo do aviao DAIS-7915, incluindo: a. condutividade eletrica (CE), b. umidade de solo (θv), c. materiais
organicos (MO), d. umidade de solo saturado (θvs), na regiao de Zvaim Heights, Israel. Fonte: (BEN-DOR et al., 2002).

Referências
AL-BILBISI, H.; TATEISHI, R.; TETUKO, J., 2004. A technique to estimate topsoil thickness in arid and semi-arid areas of north-
eastern Jordan using synthetic aperture radar data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3873-
3882.
BAUER, M. E.; HIXON, M. M.; BIEHL, L. L.; ROBINSON, B. F.; STONER, E. R., 1978. Agricultural scene understanding, Project
contract N°. 112578, JSC, Final Technical Report V1. Purdue University, Lafayette, Indiana, USA. 236p.
BECKER, F.; LI., Z. L., 1990. Towards a local split window over land surfaces. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 11:369-393.
BEN-DOR, E.; PATKIN, K.; BANIN, A.; KARNIELI, A., 2002. Mapping of several soil properties using DAIS-7915 hyperspectral
scanner data - a case study over daily soils in Israel. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
23:1043-1062.
BIELSKI, C. M.; DUBE, P.; VAVAYAS, F.; MARCEAU, D. J., 2002. S-Space: a new concept for information extraction from imaging
spectrometer data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:2005-2022.
BUCKMAN, H. O.; BRADY, N. C., 1969. The Nature and Properties of Soils. 7th edition. The MacMillian Company, New York, 653p.
BUETTNER, K. J. K.; KERN, C. D., 1965. The determination of infrared emissivities of terrestrial surfaces. Journal of Geophysical
Research, American Geophysical Union, St Louis, Missouri, USA. 70:1329.
CAMPBELL, J. B., 1987. Introduction to Remote Sensing. Cuilford Press, New York, USA, 551p.
CHUDNOVSKII, A. F., 1962. Heat transfer in soil. Technical Note. National Science Foundation, USDA, The Israel Program for
Scientific Translation, Soil Conservation Society of America, Washington, D.C., USA. 54pp.
CLEVERS, J. G.; KOOISTRA, L.; SALAS, E. A., 2004. Study of heavy metal contamination in river floodplains using the red edge
position in spectroscope data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3883-3895.
COLL, C.; CASELLES, V.; SOBRINO, J. A.; VALOR, E., 1994. On the atmospheric dependence of the split-window equation for the
land surface temperature. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:105-122.
COLWELL, R. N., 1985. Manual of Remote Sensing, 2nd edition. American Society of Photogrammetry. The Sheridan Press, New York,
USA. V1:1-1232, V2:1233-2400.
COULSON, K. L., 1966. Effect of reflection properties of natural surfaces in aerial reconnaissance. Applied Optics, Optical Society of
America, Washington D.C., USA. 5:905-917.
CURRAN, P. J., 1979. The use of polarized panchromatic and false color infrared film in the monitoring of soil surface moisture. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 8:249-266.
DA COSTA, L. M., 1979. Surface Soil Color and Reflectance as Related to Physico-Chemical and Mineralogical Soil Properties. Ph. D.
These, University of Missouri, Columbia, Missouri, USA. 143pp.
DEMATTÊ, J. A.; MORETI, D.; VASCONCELOS, A. C.; GENÚ, A. M., 2005. Uso de imagens de satélites na descriminação de solos
desenvolvidos de basalto e arenito na região de Paraguaçu Paulista. Revista de Pesquisa Agropecuária Brasileira, Brasília, D. F., Brasil.
40:697-706.
FRANÇA, G. B.; CRACKNELL, A. P., 1994. Retrieval of the sea surface temperature using NOAA 11 AVHRR data in north-eastern
Brazil. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1695-1712.
GERBERMANN, A. H.; NEHER, D. D., 1979. Reflectance of varying mixtures of a clay soil and sand. Journal of Photogrammetric
Engineer and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 45:1145-1151.
GOOVAERTS, P., 1992. Factorial kriging analysis: a useful tool for exploring the structure of multivariate spatial soil information.
Journal of Soil Science, Soil Science Society of America, Madison, Wisconsin, USA. 43:597-619.
GRIM, R. E., 1968. Clay Mineralogy. 2nd edition. McGraw-Hill Book Company, New York, 596p.
JOHANNSON, C. J.; BAUMGARDNER, M. F., 1968. Remote sensing for planning resource conservation. Proceeding of 1968, Annual
Meeting of Soil Conservation Society of American, Soil Conservation Society of American, Washington D.C., USA. 149-155.
KERR, Y. H.; LAGOUARDE, J. P.; IMBERNON, J., 1992. Accurate surface temperature retrieval from AVHRR data with use of an
improved split window. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 41:197-208.
KLAR, A. E., 1984. A Água no Sistema Solo-Planta-Atmosfera. Livraria Nobel S.A., São Paulo, 408p.
LILLESAND, T. M.; KEIFER, R. W., 1987. Remote Sensing and Image interpretation. John Wiley & Sons, Inc., New York, 357p.
LIN, S. Y., 1983. Teoria das Cores. Editora San Ming, Taipei, Taiwan, 333p.
LU, Z.; MEYER, D. J., 2002. Study of high SAR backscattering caused by an increase of soil moisture over a sparely vegetation area:
complications of characteristics of backscattering. International of Remote Sensing, Taylor & Francis Ltd, London, UK. 23: 1063-1074.
LUNDIEN, J. R., 1966. The analysis by electromagnetic means of radar responses to laboratory prepared soil samples. US Army WES
Technical Report, Vicksburg, Mississippi, USA. 3, 55p.
MULLER, A.; ORTEL, D., 1997. DAIS large-scale facility, the DAIS-7915 imaging spectrometer in a European frame. Proceedings of
the Third International Airborne Remote Sensing Conference and Exhibition, Copenhagen, Denmark, Published by ERIM, Ann Arbor,
MI, II:684-691.
OBUKHOV, A.I.; ORLOV, D.C., 1964. Spectral reflectivity of the major soil groups and possibility of using diffuse reflection in soil
investigations, Pochvovedeniye, Moscow, Russia. No.2, 23-52.
OKE, T. R., 1987. Boundary Layer Climates. 2nd Edition. Methuen, New York and London, 435p.
PATKIN, E. K.; BANIN A.; KARNIELI, A., 2002. Mapping of several soil properties using DAIS-7915 hyperspectral scanner data - a
case study over clayey soils in Israel. International of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1043-1062.
RENCZ, A. N.; RYERSON, R. A., 1999. Manual of Remote Sensing, Volume 3: Remote Sensing for the earth Sciences. Third Edition.
John Wiley and Son, New York, USA. 728p.
SHOCKLEY, W. G.; KNIGHT, S. J.; LIPSCOMB, E. B., 1962. Identifying soil parameters with an infrared spectrometer. Proceedings of
2nd Symposium on Remote Sensing. University of Michigan Press, Ann Arbor, USA. 23-34.
SOBRINO, J. A.; LI, Z. L.; STOLL, M. P.; BECKER, F., 1996. Multi-channel and multi-angle algorithms for estimating sea and land
surface temperature with ATSR data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:2089-2114.
TOY, T. J.; FOSTER, G. R.; RENARD, K. G., 2002. Soil Erosion: Processes, Prediction, Measurement and Control. John Wiley & Sons,
Inc., New York, USA 352p.
VÁZQUEZ, D. P.; REYES, F. J.; ARBOLEDAS, L. A., 1997. A comparative study of algorithms for estimating the surface temperature
from AVHRR data. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 62:215-222.
ZHANG, X.; YOUNAN, N. H.; O’HARA, C. G., 2005. Wavelet domain statistical hyperspectral soil texture classification. IEEE
Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey,
USA. 43:615-624.
4.1 Introdução
A reflectância da radiação solar pela copa da vegetação envolve as reflectâncias conjunturais de vários fatores,
incluindo estrutura da planta, estágio de crescimento, propriedades físicas e químicas de solos na superfície e condições
atmosféricas. A heterogeneidade da paisagem criada pela natureza mãe, apesar de ser fascinante, complica a
identificação e interpretação da reflectância da radiação dos seres criados por ela. Mas graças à singularidade de cada ser
vivo que se manifesta pela sua assinatura espectral eletromagnética é possível extrair as informações distintas que se
repetem em um padrão de forma reconhecível. As características de reflectância de solos já foram discutidas no Capítulo
3. Nesta seção, serão apresentadas as características de reflectâncias de uma única folha e uma copa da vegetação pelos
espectrorradiômetros em laboratórios e campos. As suas identificações e classificações pelas imagens digitais de
fotografias aéreas e satélites serão apresentados no Capítulo 14.

4.2 Estrutura de uma folha

A figura 4.1 mostra a anatomia do corte transversal de uma folha. A epiderme envolve uma folha por meio de uma
camada de células simples sem espaços intercelulares, com exceção dos estômatos. O citoplasma das células epidérmicas
é incolor, contendo pouco cloroplasto a nenhum. Do lado de fora, a epiderme tem uma cutícula à prova de água que
contém cutina, material inerte e resistente à degradação enzimática provocada por microorganismos. É um material
protetor que, em alguns casos, aumenta de espessura quando a planta é submetida a tensões. Folhas de plantas de cebola
têm uma camada de cutina espessada quando submetidas a déficit de água, inclusive adquirindo coloração mais cinza.
Entre a camada superior e a inferior das células da epiderme, encontram-se as células que compõem o mesófilo onde se
encontra a clorofila. A clorofila é o centro de fabricação de matérias secas pelo processo fotossintético com a absorção
de luz na faixa visível (0,4 a 0,7 μm). As células paliçádicas são alongadas e dispostas logo abaixo, em ângulo reto, da
epiderme superior. As células lacunosas localizadas entre o parênquima paliçádico e a epiderme inferior estão
irregularmente dispostas, surgindo cavidades cheias de gases e ligadas aos estômatos. O transporte de água até as folhas
é feito por vasos que se ramificam por meio do mesófilo, e fazem parte do sistema vascular da planta.

Figura 4.1 – Anatomia da corte transversal de uma folha. Fonte: (NOBEL, 1974).

4.3 Reflectâncias de uma folha madura e de uma nova

Quando a radiação solar incide sobre uma folha da planta, sua energia sofre três alterações: refletida, absorvida e
transmitida. Dependendo da estrutura da folha e da espécie de planta, as energias refletidas, absorvidas e transmitidas são
diferentes. As figuras 4.2a e 4.2b apresentam as estruturas de uma folha nova e uma folha madura, respectivamente. Os
espaços vagos de ar nos mesófilos geralmente são formados pela separação que ocorre entre as paredes celulares. Esses
espaços intercelulares esponjosos são bem desenvolvidos quando o tamanho da folha atinge em cerca de um terço do
tamanho normal. Mas as folhas novas têm as células compactas com poucos espaços no mesófilo. A figura 4.3 mostra a
diferença de reflectância espectral de uma folha madura e de uma folha nova. A reflectância de uma folha madura
esponjosa são 5% menores que a de uma folha nova compacta na faixa de visível (Visible – VIS, 0,5 a 0,75 μm) porque a
camada de clorofila concentrada se próxima da epiderme superior que intercepta mais a radiação na faixa de visível.
Entretanto, a folha madura reflete 15% mais que a folha nova, na faixa de infravermelho próximo (Near Infra Red – NIR,
0,75 a 1,35 μm), por causa do aumento das cavidades bem estruturadas na camada de parênquima lacunoso próximo à
epiderme inferior.
 Figura 4.2 – a) Estruturas de uma folha nova e b) uma folha madura. Fonte: (COLWELL, 1983).

Figura 4.3 – Diferença de reflectância espectral de uma folha madura e uma folha nova. Fonte: (COLWELL, 1983).

4.4 Reflectância, transmitância e absorção de energia

eletromagnética
A figura 4.4 mostra as porcentagens de reflectância, transmitância e absortância espectrais da energia
eletromagnética de uma folha madura de laranja. Para facilitar sua interpretação, o comprimento de onda espectral entre
0,5 a 2,5 μm foi dividido em três categorias:

a)   a faixa de visível (VIS) (0,5 a 0,75 μm) – a zona com 90% de absorção da radiação, que é dominada pelos
pigmentos, incluindo clorofilas a e b, carotenóides e xantofilas, 2% de transmitância e 8% de reflectância;
b)   a faixa de infravermelho próximo (NIR) (0,75 a 1,35 μm) – a zona com 55% de reflectância, que é afetada pela
estrutura interna de folha, 40% de transmitância e 5 % de absorção;
c)   a faixa de infravermelho curto (Short Infrared – SIR) (1,35 a 2,5 μm) – a zona de absorção de radiação pela
presença de água com os picos em 1,45 μm (65%) e 1,95 μm (85%) e com os mínimos em 1,65 μm (30%) e 2,2
μm (60%). A absorção, de certa maneira, é afetada pela estrutura de folha.
 Figura 4.4 – Porcentagens de reflectância, transmitância e absortância de energia da radiação de uma folha madura de laranja. Fonte:
(COLWELL, 1985).

Em geral, os mesófilos esponjosos são responsáveis pelo espalhamento da radiação de infravermelho próximo. A
figura 4.4. mostra que a folha madura de laranja reflete 55%, transmite 40% e absorve 5% na faixa de infravermelho
próximo. Quando aumenta o número de espaços vagos, aumenta a reflectância de infravermelho próximo. Gao e Goetz
(1994) por meio de medições de reflectância espectral de vegetação verde, vegetação seca e água líquida nas faixas entre
0,8 a 2,5 μm em laboratório, observaram que a reflectância espectral da vegetação verde é controlada por componentes
dominantes de água líquida e de folhas secas, tais como ligninas e celuloses porque a curva da reflectância espectral da
água líquida não coincidiu com a da vegetação verde, devido à absorção das matérias secas das folhas secas. Zhao et al.
(2004) mediram as reflectâncias da faixa espectral entre 0,35 a 2,5 μm na plantação do trigo durante o período do
crescimento antes a alongamento dos caules. Os resultados foram correlacionados com um índice chamado Relative
Depth Index (RDI) para localizar os picos de absorção máxima. Observaram que dois picos de absorção máxima
ocorreram nas bandas 0,965 a 1,085 μm e 1,192 a 1,282 μm. Apontaram que as faixas espectrais de absorção máxima da
água da plantação de trigo descolaram comparando-se com os picos de absorção ocorridos nas faixas de 1,45 μm e 1,95
μm observadas anteriormente.

4.5 Fatores fisiológicos que afetam as reflectâncias espectrais de

uma folha
As características fisiológicas de uma folha que afetam as reflectâncias das diferentes faixas de comprimentos das
ondas de energia eletromagnética da radiação solar são apresentadas a seguir.

4.5.1 Maturidade de folha

Comparando-se as folhas maduras bem estruturadas e esponjosas com as novas compactas, as maduras absorvem
5% mais na faixa VIS e refletem 15% mais na faixa NIR (figura 4.3). As transmitâncias e reflectâncias múltiplas nas
várias camadas de folhas de uma copa da vegetação resultam a reflectância máxima de 75% na faixa NIR. A figura 4.5
mostra o aumento da reflectância da energia eletromagnética na faixa de 0,75 a 1,35 μm quando a folha do algodão
aumenta sua idade e a posição da folha fica mais longe do ápice. A reflectância também aumenta quando a área total de
folhas da copa de vegetação aumenta. Um índice chamado índice de área foliar (Leaf Área Index – LAI) é usado para
medir a área total das folhas. O LAI é definido como a soma da área total das folhas em uma área da superfície do solo
de um metro quadrado. O aumento chega a um valor constante quando o LAI alcança um valor máximo. O aumento da
reflectância na faixa NIR é o resultado das transmitâncias, absorções e reflectâncias múltiplas das folhas.

4.5.2 Pigmentos

Uma folha madura e saudável absorve cerca de 70% a 90% da radiação solar na faixa de 0,4 a 0,7 μm por causa da
presença dos pigmentos, incluindo carotenóides (caroteno e xantofila, cor amarela), clorofila (cor verde) e antocianina
(cor vermelha). Mas existe um pequeno pico de reflectância na faixa de 0,55 μm, que se manifesta em cor verde no
estágio do crescimento vegetativo e em cor amarela na maturação (COLWELL, 1985).

Figura 4.5 – Aumento da reflectância da energia eletromagnética na faixa de 0,75 a 1,35 μm quando a folha do algodão aumenta sua
idade de acordo com o aumento dos números, 2, 3, 4, 5 e 6 indicando seu afastamento do ápice. Fonte: (COLWELL, 1985).

A figura 4.6 mostra os pequenos picos de reflectância nessa faixa, observados nas folhas de algodão com quatro
tipos de coloração, incluindo verde, amarela, vermelha e vermelha escura. A reflectância da folha verde alcança 20% e a
da amarela 30%.
A folha mais verde no estágio do crescimento vegetativo e mais amarela no estágio de maturação são os sinais da
planta saudável, que podem ser usadas para o monitoramento das condições de crescimento da vegetação e a
produtividade de biomassa.
Por causa da rápida diminuição de concentração da clorofila durante a maturação, a intensidade do grau de verde
diminui, perdendo a sensibilidade como um indicador de produtividade de biomassa. Entretanto, a amplitude da variação
da reflectância pela presença e ausência dos pigmentos carotenóides na faixa de 0,55 μm e xantofilas na faixa de 0,62 μm
é previsível e pode ser usada como um indicador de produtividade e das condições de crescimento da planta no estado de
maturação.
Tucker; Miller e Pearson (1975), sugeriram que os dados de reflectâncias de carotenos e xantofilas podem ser
usados para estimativa de biomassa, especialmente no estado de maturação. Observaram também que, em campo das
pastagens na África, as reflectâncias nos picos de comprimento da onda eletromagnética de 0,45 e 0,68 μm foram mais
sensíveis à concentração de clorofila que no pico de 0,55 μm. A figura 4.7 mostra a comparação de reflectância de uma
folha verde e outra amarela de magnólia, árvore da América do Norte, preparada por Hoffer e Johannsen (1969).
Apontaram que a folha verde absorveu mais que a amarela. Singh et al. (2004) correlacionaram a concentração de
clorofila nas folhas do trigo com os sinais de retroespalhamento da microonda em banda X coletados em uma plantação
de trigo na Índia. Observaram que os valores de coeficientes de retroepalhamento aumentaram quando a concentração de
clorofila aumentou. Os sinais da polarização VV correlacionados com a concentração de clorofila são melhores que os
sinais da polarização HH com o ângulo incidente de 40°.
 Figura 4.6 – Reflectância na faixa 0,5 a 0,7 μm de folhas de quatro variedades de algodão com diferentes pigmentos, incluindo:
clorofila (folha verde), carotenóides (folha amarela), antocianina (folha vermelha), e antocianina escura, (folha vermelha escura).
Fonte: (COLWELL, 1985).

Figura 4.7 – Comparação de reflectância de uma folha verde e outra amarela de magnólia, árvore da América do Norte. Fonte:
(HOFFER; JOHANNSEN, 1969).

4.5.3 Orientação estrutural do mesófilo

A orientação estrutural de mesófilo tem seu maior efeito na reflectância, transmitância e absorvência na faixa entre
0,75 a 1,35 μm. A reflectância das folhas xeromórficas brilhantes alcança seu valor máximo em ângulos menores de 0°
até 15°. As folhas pilosas alcançam seu valor máximo de reflectância nos ângulos entre 10° a 15° e 60° a 70°. A
reflectância das folhas opacas e onduladas alcança seu valor máximo nos ângulos de 70° a 80°. Em geral, as folhas
compactas dos parênquimas paliçádicos refletem menos que as dos mesófilos parênquimas grossos e esponjosos. A
superfície da parte inferior das folhas dorsiventrais tem a reflectância mais alta que a superior. Isto indica que os
parênquimas lacunosos esponjosos dos mesófilos contribuem mais para o espalhamento da radiação. Rao, Brach e Mach
(1979) apontaram que o arranjo das folhas pode ser diferente, quando for olhado em ângulos diferentes. Portanto,
compactação, estrutura e distribuição dos mesófilos na folha afetam a reflectância desta.

4.5.4 Folhas danificadas

Colwell (1956) sugeriu o uso do filme infravermelho para registrar qualquer dano da folha causado por doenças.
Keegan et al. (1956) estudaram a reflectância da ferrugem de caule (Puccinia graminis tritici) do trigo. Observaram que
a reflectância na faixa de 0,75 a 0,9 μm diminuiu significativamente comparando-se com a do trigo com baixa infecção.
Geralmente, a reflectância e a transmitância na faixa de 0,5 a 1,35 μm diminuem por causa do aumento da opacidade da
folha pela descoloração marrom.
A descoloração dentro de uma folha causada por danos ou doenças e pragas pode ser detectada pelo sensoriamento
remoto alguns dias antes do aparecimento do sintoma. Manzer e Cooper (1967) observaram que a doença de batata
chamada late bright (Solanum tuberosum) pode ser detectada pela fotografia aérea três a cinco dias antes do
aparecimento do sintoma. Burns, Starzyk e Lynch (1969) descobriram que o vírus de mancha em anel (Ringspot virus)
do fumo (Nicotiana tabacum) pode ser detectado um dia antes do sintoma aparecer.
Tucker, Starzuk e Lynch (1985), utilizaram um índice de vegetação, Normalized Difference Vegetation Index
(NDVI), capaz de inferir o grau de verde da vegetação para estimar as populações e as áreas infectadas pelo ataque de
gafanhotos que ocorreu na região oeste da África, em 1981. Zhang e O’Neil (2002) detectaram as plantas de tomates
infectadas por Phytophthora infestans em campo, usando as reflectâncias das bandas de visível e de infravermelho
próximo obtidas pelo espectrorradiômetro, chamado GER2600.
Fletcher, Escobar e Skaria (2004), detectaram as plantas cítricas infetadas por Phytophthora parasítica dast usando
a razão da banda de infravermelho próximo e banda de vermelho. Campbell et al. (2004) detectaram os danos das folhas
dos abetos vermelhos, chamado Norway spruce, causados pela poluição do ar na floresta da República Tcheca usando as
imagens digitais das reflectâncias hiperespectrais obtidas pelos sensores a bordo do avião. Observaram que a banda da
faixa 673 a 724 nm foi mais sensível aos danos iniciais. Kharuk et al. (2004) detectaram as infecções de Silklmoth
Siberianas (Dendrolimus superans sibiricus Tschetw) que danificaram uma área de 700.000 hectares das florestas de
pinheiros, localizada no leste da Sibéria usando as imagens de NOAA AVHRR.

4.5.5 Folhas no Sol ou na sombra

Em geral, as folhas em locais sombrios são mais finas, com maior volume de espaços vagos, células paliçádicas
mais finas e menos estômatos que as folhas em locais ensolarados. O desenvolvimento das folhas na sombra é mais fraco
que o das folhas ao Sol. Portanto, a estrutura de mesófilo varia de acordo com a condição da luz incidente na folha
durante o seu desenvolvimento. A figura 4.8 mostra as reflectâncias das folhas do abacate na sombra e ao Sol. Na faixa
de 1 μm, as folhas velhas desenvolvidas ao Sol, que apresentam mesófilos maiores, têm o valor da reflectância mais alto
com 50,7%. As folhas novas desenvolvidas na sombra têm 43,9% e as desenvolvidas ao Sol têm menor reflectância com
30,1%. Essas diferenças também foram observadas nas faixas de 0,5 μm e 0,75 μm. Na faixa de 0,55 μm, pico máximo
da cor verde, as folhas novas desenvolvidas na sombra com baixa concentração de clorofila têm a reflectância mais alta,
comparando-se com as novas e velhas desenvolvidas ao Sol.

Figura 4.8 – Comparação de reflectância das folhas novas na sombra com as folhas velhas e novas ao Sol de um abacateiro. Fonte:
(COLWELL, 1985).

4.5.6 Folhas pilosas

Gausman e Cardenas (1969) observaram que as folhas pilosas superiores de Gynura aurantiaca (planta velvete)
removidas com barbeador elétrico absorveram cerca de 4% mais nas faixas infravermelhas próximas (0,75 e 1 μm).
Teoricamente, as folhas pilosas não removidas são altamente transparentes à luz nas faixas infravermelhas próximas
(0,75 e 1 μm). Após a remoção, as folhas transparentes tornam-se mais opacas e a absorção de luz aumenta. O aumento
da opacidade foi claramente causado pela descoloração dos “exsudante nos troncos”. Gausman et al. (1977a) usaram a
diferença da reflectância das folhas pilosas e pouco pilosas para identificar as invasoras em uma plantação de girassol.
Os dados de reflectância na faixa de visível a infravermelho médio (0,5 a 2,5 μm) foram obtidos na plantação utilizando
a máquina fotográfica a bordo em um avião com o filme Estaman Kodak infravermelho tipo 2443. Observaram que as
folhas pilosas do girassol de espécies invasoras, tal como o de folhas prata pilosas, refletem mais do que as pouco pilosas
da espécie normal. Sugeriram que a técnica de fotografia aérea usando o filme infravermelho pode ser aplicada para
monitorar o alastramento das plantas invasoras tal como girassol de folhas prata pilosas. O método pode ser aplicado no
sensoriamento remoto via satélite com os sensores nas faixas de infravermelho.

4.5.7 Conteúdo de água na folha

As folhas novas com células imaturas compactadas e poucos espaços vagos contêm menos água que as maduras.
Thomas et al. (1968) observaram que a reflectância aumenta quando a turgescência relativa da folha diminui abaixo de
80%. A turgescência relativa geralmente é calculada pelo teor relativo de água da folha chamado Relative Water Content
(RWC). O RWC é calculado pela equação (4.1).

Em que:
RWC = teor relativo de água na folha (%);
Wf = peso da folha fresca (mg);
Ws = peso da folha seca (mg);
Wt = peso da folha túrgida (mg).

Os pesos de folha fresca, túrgida e seca são obtidos pelo seguinte procedimento padronizado:

a)   cortar discos de folhas frescas;

b)   pesar material fresco para obter o peso da folha fresca (Wf);
c)   colocar os discos de folha na água por quatro horas;
d)   secar e pesar para obter o peso de folha túrgida (Wt);
e)   colocar amostras no forno elétrico com ventilador, mantendo a temperatura de 80°C por 24 horas;
f)   pesar material seco para obter o peso da folha seca (Ws).

A figura 4.9 mostra o aumento progressivo das reflectâncias nas faixas do comprimento da onda entre 0,5 a 2,5 μm
com a secagem progressiva das folhas de algodão sem irrigação durante o período de oito dias: 4 de março a 11 de março
de 1968 (THOMAS et al., 1968). Em geral, a diminuição de água na folha causa o aumento de reflectância nas faixas de
0,54; 0,85; 1,65 e 2,2 μm. A absorção de água nas faixas de 1,45 e 1,95 μm é máxima. Pu et al. (2003) correlacionaram
RWC com reflectância espectral normalizada de folhas do carvalho mensurada com radiômetro espectral entre 0,35 a 2,5
μm. A figura 4.10 mostra a alta variação de absorção de água nas três bandas centralizadas em 0,975 μm, 1,2 μm e 1,75
μm com a variação do RWC. A normalização da reflectância é usada para diminuir o efeito das diferentes intensidades
da luz nas medições feitas nos diferentes horários do dia. Observaram que a reflectância diminuiu nas bandas 0,975 e 1,2
μm, mas aumentou na banda 1,75 μm quando o valor de RWC diminuiu. Aplicaram essas três bandas-chave para
monitorar o conteúdo da água na floresta de carvalho na região costeira do Estado de Califórnia nos Estados Unidos.
Comparando as figuras 4.9 e 4.10, foi observado que os resultados são opostos. Thomas et al. (1968) observaram que a
secagem das folhas resulta no aumento da reflectância na faixa de 0,8 a 2,5 μm e que é contrário aos resultados
apresentados por Pu et al. (2003). Creio que os resultados de Pu et al. são mais corretas porque a perda da água nas
folhas causam o murchamento e resulta a diminuição de espaços de vácuos no mesófilo de fato que mais água nos
vácuos agindo como inúmeros espelhos que são responsáveis no aumento da reflectância na faixa de infravermelho
próximo e os sete dias de secagem do experimento de Thomas et al. possivelmente não causam déficit hídrico nas folhas.
 Figura 4.9 – Aumento progressivo das reflectâncias nas faixas entre 0,5 a 2,5 m com a diminuição progressiva da secagem das folhas
de algodão sem irrigação durante o período de 4 a 11 de março de 1968. Fonte: (THOMAS et al., 1968).

Figura 4.10 – Variação de absorção de água nas faixas centralizadas em 975 nm, 1.200 nm e 1.750 nm com a variação do teor
relativo de água nas folhas, Relative Water Content (RWC) de 53,50%, 52,36%, 37,96%, 28,82% e 10,10% da plantação de floresta
de carvalho. Fonte: (PU et al., 2003).

4.5.8 Plantas suculentas

As plantas suculentas têm tecidos de armazenamento de água nos mesófilos que resultam em um conteúdo de água
mais alto e absorvem mais radiação na faixa de 1,35 a 2,5 μm, comparando-se com as plantas não suculentas. A figura
4.11 mostra a alta absorção na faixa de 1,35 a 2,5 μm da superfície superior da folha de peperômia. Mas não afeta a
reflectância nessa faixa pela superfície inferior da peperômia. A absorção é por causa do armazenamento de água nas
células hipodérmicas da peperômia que é um tipo de planta suculenta. Essa diferença de absorção pode ser utilizada para
separar as plantas suculentas com as não suculentas, tais como as culturas e as plantas lenhosas (GAUSMAN;
ESCOBAR; KNIPLING, 1977b).

4.5.9 Espaços porosos de ar na folha

A maioria da reflectância de luz na folha ocorre no espaço interno da folha. A redução da reflectância ocorre se a
folha for saturada pela água (PEARMAN, 1966; WOOLLEY, 1971). A figura 4.12 mostra a redução da reflectância na
faixa de 0,5 a 2,5 μm nas folhas infiltradas por água. A reflectância na faixa de 1,35 a 2,5 μm de uma folha ocorre
principalmente nas interfaces entre a parede e o ar nas células hidratadas. Os poros de ar, que causam o rompimento de
continuidade entre membranas celulares, cristais, paredes celulares e protoplasmas, contribuem para o aumento da
reflectância na faixa de 0,85 μm.

Figura 4.11 – Alta absorção na faixa de 1,35 a 2,5 μm das superfícies superiore e inferior da folha de peperômia, comparada com a
superfície superior de sorgo. Fonte: (GAUSMAN ESCOBAR; KNIPLING, 1977b).

Figura 4.12 – Redução da reflectância na faixa de 0,5 a 2,5 μm das folhas de citros infiltradas por água, comparando com as folhas
infiltradas. Fonte: (WOOLLEY, 1971).

4.5.10 Envelhecimento de folhas

Envelhecimento é um sintoma da deterioração em folhas, flores, frutas, caules e raízes da planta quando ela chega
ao fim da sua vida funcional. Nas várias plantas perenes, parte aérea da vegetação, principalmente, as folhas morrem
anualmente, mas seu tronco e raízes ficam vivos. Folhas morrem nas plantas deciduais perenes, mas caules e raízes ficam
vivos e as folhas renascem, quando a estação chuvosa chega. A maioria das plantas herbáceas anuais tem o processo de
envelhecimento progressivo, quando entra a estação seca. No início, as folhas mudam da cor verde para a marrom e
caem em seguida pela morte dos caules e raízes. Mas, geralmente, as plantas herbáceas se recuperam no início da estação
chuvosa antes da morte das raízes. Durante o envelhecimento das folhas, carboidratos, clorofilas, proteínas e
componentes de ácido ribonucléico degradam e os produtos catabólicos podem ser translocados para áreas anabólicas das
plantas. A coloração das folhas é causada pela revelação dos pigmentos carotenóides amarelo-laranja e antocianinas
avermelhados, quando ocorre o desaparecimento das clorofilas verdes. O envelhecimento de uma folha pode ser causado
pela alta temperatura, seca, fotoperiodismo curto, deficiências de nutrientes e maturação. Quando as folhas envelhecem,
a reflectância aumenta na faixa de visível (0,4 a 0,7 μm) exceto o pico em 0,55 μm (verde) e diminui na faixa de
infravermelho próximo (0,75 a 1,35 μm) por causa da diminuição de clorofila e da abundância dos pigmentos
carotenóides que contribuem para o aumento de reflectância nas faixas vermelha e azul (KINIPLING, 1967). O pico da
faixa 0,55 μm desaparece e a cor verde também.

4.5.11 Salinidade

As plantas com alta concentração de salina têm as folhas mais grossas, mais parênquima paliçádico compacto,
menos cloroplastos, menos clorofila, espaços intercelulares menores e menos estômatos. Isto resulta na diminuição de
reflectância e o aumento de transmitância na faixa NIR. A maturidade das folhas é muito importante para avaliar o efeito
de salinidade na reflectância da luz. Nas folhas novas com alta salinidade, por causa do crescimento mais lento e
envelhecimento mais rápido que as normais, a reflectância é mais alta, comparando-se com as folhas normais de mesma
idade. Wang, Wilson e Shanson (2002), compararam as reflectâncias da cultura de soja com irrigação usando água salina
e água sem salina. Um radiômetro multiespectral foi usado para obter as reflectâncias da banda de visível de 0,46 a 0,47
μm e da banda de infravermelho próximo de 0,81 a 0,95 μm durante o período do dois meses correspondendo o período
do estágio do crescimento vegetativo até o estágio da maturação. A figura 4.13 mostra os efeitos de irrigação com água
salina nas reflectâncias da banda de 0,46 a 0,47 μm e da banda de 0,81 a 0,95 μm em seis medições durante o período de
dois meses. Os resultados mostraram que as reflectâncias na banda de visível não têm a diferença entre as copas de soja
com a irrigação de água salina e sem salina. Mas as reflectâncias na banda de infravermelho próximo diminuíram na
cultura de soja irrigada com água salina, principalmente no estágio de crescimento vegetavio.

4.5.12 Nutrientes

Thomas (1970) e Thomas e Oerther (1972) usaram o espectrorradiômetro para medir as reflectâncias de faixa
visível das plantações de pimenta, repolho e espinafre. Observaram que a diminuição da reflectância nessa faixa visível
depende principalmente das concentrações de clorofila a e b e carotenóides. A deficiência de nitrogênio reduz a
concentração da clorofila e aumenta a reflectância na faixa visível. As características de reflectâncias multiespectrais do
satélite Landsat podem ser utilizadas para detectar as deficiências de nutrientes das culturas. Por exemplo, o sensor do
Landsat MSS banda 1 pode ser usado para detectar a deficiência de ferro da cultura de sorgo e o da banda 5 pode ser
usado para detectar a concentração de clorofila (GAUSMAN; GERBEMANN; WIEGAND, 1975).
 Figura 4.13 – Efeitos da irrigação com água salina nas reflectâncias da banda de visível de 460 a 470 nm e da banda de infravermelho
próximo de 810 a 950 nm. Dados obtidos na plantação de soja durante o período de dia juliano de 226 a 289 de 1998 usando
radiômetro multiespectral. Fonte: (WANG; WILSON; SHANNON, 2002).

4.6 Reflectâncias espectrais da copa de vegetação

As reflectâncias de um alvo como vegetação é um conjunto resultante da reflectância bidirecional da copa da
vegetação que é uma mistura dos diferentes componentes listados a seguir listados.

a)   transmitância de folha;
b)   quantidade e orientação da folha;
c)   características dos componentes da planta, tais como caules, galhos, troncos e sua arquitetura;
d)   características de fundo, tais como reflectância do solo, folhas caídas, sombras e outras;
e)   ângulo zenital do Sol;
f)   ângulo de elevação do Sol;
g)   ângulo de visada dos sensores de satélite.

Em geral, a radiação solar passa por várias camadas nas folhas de vegetação em campo. A radiação é refletida
uniformemente em todas direções pela Lei Lambertiana. A intensidade de radiação diminui exponencialmente na sua
passagem atravessando as várias camadas de folhas que absorverem a radiação subseqüentemente. Essa é refletida e
espalhada várias vezes até chegar à superfície do solo. Geralmente a intensidade da luz é próxima ao zero quando chega
a sua superfície.
As florestas, pastagens e culturas em campo geralmente produzem bastantes folhas, cobrindo o solo. Assim, a
intensidade final da radiação é muito baixa quando chega à sua superfície. Mas para as vegetações esparsas, a
reflectância do solo contribui com uma porção apreciável da reflectância. Isto complica mais a interpretação dos dados
de sensoriamento remoto. Parte da radiação é espalhada dentro das folhas da copa da vegetação pela reflectância
múltipla. Assim, a reflectância total de uma copa de vegetação raramente ultrapassa 25% da reflectância obtida de uma
folha.
O estudo de Colwell (1974) mostrou que as características da reflectância espectral na faixa de NIR de uma folha
não representam as da copa da vegetação no campo. Isto é por causa da radiação na faixa de infravermelho próximo ser
transmitida do topo para a superfície. Quando a radiação atravessa a copa, muda a qualidade da luz dentro da copa por
meio das reflectâncias múltiplas dentro da copa e retifica a reflectância no topo da copa. A figura 4.14 mostra as
reflectâncias espectrais de uma folha e uma copa de cultura do algodão na faixa de 0,5 a 1,6 μm. Foi observado que a
reflectância de uma folha única de algodão absorve menos na faixa visível, reflete mais na faixa de infravermelho
próximo e reflete menos na faixa de infravermelho médio, comparando-se com a reflectância de uma plantação de
algodão.
Os sensores de sete bandas disponíveis no satélite Landsat TM fornecem uma ferramenta importante na análise e
identificação da curva da reflectância espectral representada pelos diferentes tipos de vegetações. Também podem ser
utilizadas para delinear e estimar suas áreas. As características de reflectância das sete bandas de Landsat TM são
resumidas a seguir:

Figura 4.14 – Reflectâncias espectrais de uma folha e uma plantação de algodão na faixa de 0,5 a 1,6 μm. Fonte: (COLWELL, 1974).

a)   TM-1 (TM banda 1: 0,45 a 0,52 μm) – Na clorofila das folhas verdes, a banda azul (0,45 μm) e a banda
vermelha (0,68 μm) absorvem até 90% e a faixa verde (0,55 μm) absorve pouco menos. Tucker, Miller e
Pearson (1975) mostraram que a faixa de 0,45 μm foi mais sensível à concentração de clorofila que a de 0,55
μm no monitoramento da pastagem. A reflectância dessa faixa do TM-1 também pode ser integrada na
identificação do solo que necessita das cinco faixas mencionadas no Capítulo 3;
b)   TM-2 (TM banda 2: 0,52 a 0,62 μm) – A reflectância dessa banda aumenta quando a concentração dos
pigmentos, tais como clorofilas, carotenóides e antocianinas, diminui. Em geral, qualquer perturbação
fisiológica que retarda o crescimento e desenvolvimento da cultura resulta no aumento da reflectância;
c)   TM-3 (TM banda 3: 0,63 a 0,69 μm) – Nessa banda vermelha, a clorofila absorve cerca de 70% a 90%. O
maior contraste da reflectância espectral nos diferentes tipos do solo ocorre nessa faixa. Isto é um critério
importante para a identificação e classificação do solo;
d)   TM-4 (TM banda 4: 0,76 a 0,90 μm) – A alta reflectância nessa faixa NIR infere a saúde da planta em pleno
vigor do crescimento e o baixo valor indica que a planta não é sadia;
e)   TM-5 (TM banda 5: 1,55 a 1,75 μm) – A diminuição do conteúdo da água aumenta a reflectância nessa faixa.
As plantas com o armazenamento da água abundante têm alta absorção nesta faixa. Gausman, Escobar e
Knipling (1977b) mostraram que a identificação do tipo da vegetação suculenta pode ser feita com essa banda
e com a banda TM-7;
f)   TM-7 (TM banda 7: 2,08 a 2,35 μm) – O aumento do conteúdo da água nos tecidos da folha diminui a
reflectância nessa faixa. Gausman, Escobar e Knipling (1977b) separaram as plantas de madeira com as
plantas suculentas, usando as faixas de 1,3; 1,6 e 2,2 μm);
g)   TM-6 (TM banda 6: 10,4 a 12,5 μm) – A amplitude da temperatura diurna e noturna correlaciona
inversivamente com a umidade do solo em uma região específica. Em geral, o valor da amplitude diminui
quando a umidade do solo aumenta. Idso et al. (1981) apresentaram um índice chamado Graus Dia do Estresse
 (Stress Degree Day – SDD), que é calculado pela diferença da temperatura do ar e da vegetação acumulada
diariamente, para inferir o estresse hídrico da cultura. O valor de SDD aumenta quando as culturas sofrem o
estresse hídrico. Essa banda termal também pode ser usada para separar a temperatura da superfície ocupada
pela vegetação, água e solo.

4.7 Monitoramento da vegetação terrestre via satélite

Berman, Sanchez e Guasch (2005), usaram os dados dos sinais retroespalhamentos polarizados adquiridos pelo
interferômetro do radar SAR para estimar a LAI nas plantações de arroz e milho em função dos coeficientes de extinção
obtidos pelos sinais de microondas polarizados. Sugeriram que os dados de microondas polarizados adquiridos pelo
interferômetro SAR podem ser usados para monitoramento das condições do crescimento e estimativa da produtividade
das culturas. Kalacska et al. (2005) usaram os dados de Landsat 7 ETM+ e Shabanov et al. (2005) usaram os de TERRA
MODIS para a estimativa de LAI nas florestas tropicais e deciduais com boa acurácia.
Neeff et al. (2005) usaram a análise espectral dos dados de microondas polarizadas da SAR banda X para a
extração da variação espacial de estrutura e densidade da floresta da Bacia Amazônica. Os resultados foram validados
com os dados observados em campo com boa acurácia. Salovaara et al. (2005) usaram os dados de Landsat 7 ETM+ e
Digital Elevation Model, Shuttle Radar Topography Mission (DEM SRTM) para identificar e classificar as florestas da
Bacia Amazônica. Os resultados mostraram que a acurácia de 85% foi obtida para a variação da estrutura espacial em
uma área de 500 m × 500 m e 71% em uma área de 200 m × 200 m.
As análises das curvas de reflectâncias espectral, espacial e temporal, obtidas pelos sensores multiespectrais via
satélite, permitem a identificação, o delineamento e a estimativa de variações espaciais da distribuição dos diferentes
tipos de vegetação terrestre. Vários softwares que empregam as técnicas de classificação de usos do solo estão
disponíveis gratuito ou comercialmente, tais como SPRING, ArcView GIS, ERDAS e ENVI. Os métodos de
identificação e classificação são apresentados no Capítulo 14.

Referências
BARET, F.; GUYOT, G.; MAJOR, D., 1989. TSAVI: a vegetation index which minimizes soil brightness effects on LAI or APAR
estimate, Proceeding of the 12th Canadian Symposium of Remote Sensing, Vancouver, Canada, July 10-14. p34-37.
BÉGUÉ, A., 1993. Leaf area index, intercepted PAR and spectral vegetation index: a sensitivity analysis foe regular-clumped canopies.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 46:45-59.
BENEDITTI, R.; ROSSINI, P., 1993. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield
estimate and forecast in Emilia Romagna. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 45:311-
326.
BERMAN, B. J.; SANCHEZ, L. J.; GUASCH, F. J., 2005. Retrieval of biophysical parameters of agricultural crops using polarimetric
SAR interferometer. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America,
New Jersey, USA. 43:683-694.
BOUMAN, B. A., 1991. Crop parameter estimation from ground-based X-band (30cm wavelength) radar back scattering data. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 37:193-205.
BOUMAN, B. A., 1992. Accuracy of estimating the leaf area index from vegetation indices derived from crop reflectance characteristics,
a simulation study. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:3069-3084.
BOUMAN, B. A.; GOUDRIAAN M. C., 1989. Estimation of crop growth from optical and microwave soil cover. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 10:1843-1855.
BURNS, E. E.; STARZYK, M. J.; LYNCH, D. L., 1969. Detection of plant virus symptom with infrared photography. Transaction of
Illinois State Academic Science, Chicago, Illinois, USA. 62: 1-13.
CAMPBELL, P. K.; ROCK, B. N.; MARTIN, M. E.; NEEFUS, C. D.; IRONS, J. R.; MIDDLETON, E. M.; ALBRECHTOVA, J., 2004.
Detection of initial damage in Norway spruce canopies using hyperspectral airborne data. International Journal of Remote Sensing, Taylor
& Francis Ltd, London, UK. 25:5557-5584.
CARLSON, T. N.; PERRU, E. M.; SCHMUGGE, T. J., 1990. Remote estimation of soil moisture availability and fraction vegetation
cover for agricultural fields. Agricultural and Forest Meteorology, Elsevier Science Publishing Co. Amsterdam, The Netherlands. 52:45-
69.
COLWELL, R. N., 1956. Determining the prevalence of certain cereal crop diseases by means of aerial photograph, Journal of Ecology,
British Ecology Society, London, UK. 38:214-222.
COLWELL, R. N., 1974. Vegetation canopy reflectance. Remote Sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 3:175-183.
COLWELL, R. N., 1985. Manual of Remote Sensing, 2nd edition. American Society of Photogrammetry. The Sheridan Press, New York,
USA. V1:1-1232, V2:1233-2400.
CORVES, C.; PLACE, C. J., 1994. Mapping the reliability of satellite-derived landcover maps - an example from the Central Brazilian
Amazon Basin. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1283-1294.
DYMOND, J. R., 1992. How accurately do image classifiers estimate area? International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 13:1735-1742.
FISCHER, A., 1994. A model for the seasonal variation of vegetation indices in coarse resolution data and its inversion to extract crop
parameters. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 48:220-230.
FLETCHER, E. R.; ESCOBAR D. E.; SKARIA, M., 2004. Technical note: response of ratio vegetation indices to foot rot-infected citrus
trees. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3967-3972.
FREEMAN, A.; VILLASENSOR, J.; KLEIN, J. D.; HOOGEBOOM, P.; GROOT, J., 1994. On the use of multi-frequency and
polarimetric radar backscattering features for classification of agricultural crops. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 15:1799-1812.
GAO, B. C.; GOETZ, A. F. H., 1994. Extraction of dry leaf spectral features from reflectance spectra of green vegetation, Remote Sensing
of Environment, Elsevier Science Publishing Co., New York, USA. 47:369-374.
GONG, P.; HOWARTH, P. J., 1992. Land-use classification of SPOT HRV data using a cover-frequency method. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 13:1459-1471.
GÜNTHER, K. P.; DAHN, H. G.; LÜDEKER, W., 1994. Remote Sensing vegetation status by Laser-induced fluorescence. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 47:10-17.
GAUSMAN, H. W.; CARDENAS, R., 1969. Effect of leaf pubescence of Gynura aurantiaca on light reflectance. Botany Gaz, Moscow,
Russia. 130:158-162.
GAUSMAN, H. W.; GERBERMANN, A. H.; WIEGAND, C. L., 1975. Use of ERTS-1 data to detect chlorotic grain sorghum.
Photogrammetric Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 41:177-179.
GAUSMAN, H. W., 1977. Reflectance of leaf components. Remote Sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 6:1-9.
GAUSMAN, H. W.; MENGES, R. M.; ESCOBAR, D. E.; EVERITT, J. K.; BROWN, R. L., 1977a. Pubescence affects spectra and
imagery of silverleaf sunflower (Helienthus argophyllus), Weed Science, American Weed Science Society, Lawrence, Kansas, USA. 25:
437-440.
GAUSMAN, H. W.; ESCOBAR, D. E.; KNIPLING, E. B., 1977b. Relation of Peperomia obtusifolia anomalous leaf reflectance to its leaf
anatomy. Photogrammetric Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 43: 1183-1185.
HOOFER, R. M.; JOHANNSEN, M. T., 1969. Ecological potential in spectral signature analysis. In Remote Sensing in Ecology,
University of Georgia Press, Athens, Georgia, p.1-16.
HUETE, A. R., 1988. A soil-adjusted vegetation index. Remote Sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 25:295-309.
IDSO, S. B.; JACKSON, R. D.; PINTER, P. J.; REGINATO, R. J.; HATFIELD, J. L., 1981. Normalizing the stress-degree day parameter
for environmental variability. Agricultural and Forest Meteorology, Elsevier Science Publishing Co. Amsterdam, The Netherlands. 24:45-
55.
KALACSKA, M.; AZOFEIFA, S. G.; CAELLI, T.; RIVARD, B.; BOERLAGE, B., 2005. Estimating leaf area index from satellite
imagery using Bayesian networks. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society
of America, New Jersey, USA. 43:1866-1873.
KEEGAN, H. J.; SCHLETER, J. C.; HALL JR, W. A.; HAAS, G. M., 1956. Radiometric study of diseased and rust resisting cereal crops.
USDA National Bureau Standards Report. Washington D.C. 4591-4581.
KHARUK, V. I.; RANSON, K. J.; KOZUHOVSKAYA, A. G.; KONDAKOV, Y. P.; PESTUNOV, I. A., 2004. NOAA/AVHRR satellite
detection of Siberian silkmoth outbreaks in eastern Siberia. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
25:5543-5556.
KINIPLING, E. B., 1967. Physical and physiological basis for difference in reflectance of healthy and diseased plants. Federal Science
and technology Information, US department of Commerce, Washington D.C., USA. Technical Note: N°652, 24p.
KOGAN, F. N., 1990. Remote sensing of weather impacts on vegetation in non-homogeneous area. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:1405-1420.
KOROLYUK, T. V.; SCHERBENKO, H. V., 1994. Compiling soil maps on the basis of remote-sensed digital processing: soil
interpretation. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1379-1400.
KRAJICEK, V.; VRBOVA, M., 1994. Laser-induced fluorescence spectra of plants. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 47:51-54.
KUSTAS, W.; DRAIG, S. T.; DAUGHTRY, T.; VAN OEVELEN, P. J., 1993. Analytical treatment of the relationships between soil heat
flux/net radiation ratio and vegetation indices. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
46:319-330.
LEE, J. S.; GRUNES, M. R.; KWOK, R., 1994. Classification of Multi-look polarimetric SAR imagery based on complex phase
distribution. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:2299-2311.
LI, Y.; DEMETRIADES-SHAH, T. H.; KANEMAZU, E. T.; SHULTIS, J. K.; KIRKAM, M. B., 1993. Use of second derivatives of
canopy reflectance for monitoring prairie vegetation over different soil backgrounds. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 44:81-87.
LIN, D. S.; WOOD, E. F.; BEVEN, K.; SAATCHI, S., 1994. Soil moisture estimation over grass-covered areas using AIRSAR.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1323-2343.
LIN, D. S.; WOOD, E. F.; TROCH, P. A.; MANCINI, M.; JACKSON, T. J., 1994. Comparisons of remotely sensed and model-simulated
soil moisture over a heterogeneous watershed. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
48:159-171.
LIU, W. T.; COSTA, M. G.; NOMOTO, R., 1992. Comparação de três modelos de estimativa da produtividade de milho na região de
Ribeirão Preto-SP. Anais de VII Congresso Brasileiro de Meteorologia, Sociedade Brasileira de Meteorologia, Rio de Janeiro, RJ, Brasil.
2:553-557.
LUDOVIC, A.; SALAS, W. A.; SKOLE, D., 1994. Fourier analysis of multi-temporal AVHRR data applied to land cover classification.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1115-1122.
MAJOR, D. J.; BARET, F.; GUYOT, G., 1990. A ratio vegetation index adjusted for soil brightness. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:727-740.
MANZER, F. E.; COOPER, G. R., 1967. Aerophotographic methods of potato disease detection, Maine Agricultural Experimental Station
Bulletin, Portland, Maine, USA. 646:1-14.
NAGESWARA, P. P.; MOHANKUMAR, A., 1994. Cropland inventory in the command area of Krishnarajasasgar project. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1295-1305.
NEEFF, T.; DUTRA, L. V.; DOS SANTOS, J. R.; FREITAS, C. C.; ARAUJO, L. S., 2005. Power spectrum analysis of SAR data for
spatial forest characterization in Amazon. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26:2851-2864.
NOBEL, P. S., 1974. Introduction to Biophysical Plant Physiology. Freeman Press Company, San Francisco, California, USA. 488p.
NOMOTO, R.; LIU, W. T., 1992. Estimativa de produtividade agrícola de cultura de arroz baseada nos dados de índice de vegetação
obtido por satélite. Anais de VII Congresso Brasileiro de Meteorologia, Sociedade Brasileira de Meteorologia, Rio de Janeiro, RJ, Brasil.
V2:548-552.
PEARMAN, G. I., 1966. The reflectance of visible radiation from leaves of some western Australian species. Australian Journal of
Biological Science, CSIRO Publishing, Collingwood, Victoria, Australia. 1;97-103.
PENMAN, H. L., 1948. Natural evapotranspiration from open water, bare soil and grass. Proceeding of Royal Society London series: A.,
London, UK. 193:120-145.
PRINCE, S. D., 1990. A model of regional primary production for use with coarse resolution satellite data. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 12:1313-1331.
PU, R.; GE, S.; KELLY, N. M.; GONG, P., 2003. Spectral absorption features as indicators of water status in coast live oak (Quercus
agrifolia) leaves. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:1799-1810.
QI, J. A.,1993. Compositing multitemporal remote sensing data. Ph.D. Dissertation, Department of Soil and Water Science, University of
Arizona, Tucson, Arizona, USA, 200p.
QI, J. A.; CHEHBOUNI, A.; HUETE, R.; KERR, Y. H.; SOROOSHIAN, S., 1994. A modified soil adjusted vegetation index. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 48:119-126.
RAO, V. R.; BRACH, E. J.; MACH, A. R., 1979. Bidirectional reflectance of crops and the soil contribution. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 8:115-125.
RASON, K. J.; SUN, G., 1994. Northern forest classification using temporal multifrequency and multipolarimetric SAR images. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 47:142-153.
RAY, S. S.; POKHARNA, P. L.; AJAI, M. R., 1994. Cotton production estimation using IRS-1B and meteorological data. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1085-1090.
RENCZ, A. N.; RYERSON, R. A., 1999. Manual of Remote Sensing, Volume 3: Remote Sensing for the earth Sciences. Third Edition.
John Wiley & Sons, Inc., New York, USA. 728p.
RICHARDSON, A. J.; WIEGAND, C. L., 1977. Distinguishing vegetation from soil background information. Photogrammetric
Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 43:207-216.
ROSEMA, A., 1993. Using METEOSAT for operational evapotranspiration and biomass monitoring in the Sahel Region. Remote Sensing
of Environment, Elsevier Science Publishing Co., New York, USA. 46:27-44.
RUSSELL, G.; JARVIS, P. G.; MONTEITH, J. L., 1989. Absorption of radiation by canopies. In: Plant Canopies: The Growth, Form and
Function. Edited by G. Russell, P.G. Jarvis and. P. Marshall. Society of Experimental Biology Seminar Series, Vol. 31. Cambridge
University Press. Cambridge, UK. p21-41.
SALAS, W. A.; RANSON, J. K.; ROCK, B. N.; SMITH, K. T., 1994. Temporal and spatial variations in dielectric constant and water
status of dominant forest species from New England. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
47:109-119.
SALOVAARA, K. J.; THESSLER, S.; MALIK, R. N.; TUOMISTO, H., 2005. Classification of Amazonian primary rain forest vegetation
using Landsat ETM+ satellite imagery. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 97:39-51.
SHABANOV, N. V.; HUANG, D.; TAN, W. Y.; KNYAZIKHIN, B.; MYNENI, Y.;AHL, R. B.; GOWER, D. E.; HU, S. T.; ARAGAO,
A. R.; SHIMABUKURO, Y. E., 2005. Analysis and optimization of the MODIS leaf area index algorithm retrieval over broadleaf forests.
IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, New Jersey, USA.
43:1855-1865.
SINGH, D.; YAMAGUCHI, Y.; YAMADA, H.; SINGH, K. P., 2004. Retrieval of wheat chlorophyll by an X-band scattermeter.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4939-4951.
THOMAS, J.R.; MYERS, V. I.; HEIMAN, M. D.; WIEGAND, C. L., 1968. Factors affecting light reflectance of cotton. Proceeding of 4th
Symposium Remote Sensing of Environment. University of Michigan, Ann Arbor, Michigan, p305-312.
THOMAS, J. R., 1970. Soil water and Plant relations. In: Remote Sensing, National Academy of Science, Washington D.C., USA. p.264-
267.
THOMAS, J. R.; OERTHER, G. F., 1972. Estimating nitrogen content of sweet pepper leaves by reflectance measurements. Agronomy
Journal, American Society of Agronomy, Madison, Wisconsin, USA. 64:11-13.
TUCKER, C. J.; MILLER, L. D.; PEARSON, R. L., 1975. Short grass prairie spectral measurement, Photogrammetric Engineering and
Remote Sensing, Elsevier Science Publishing Co., New York, USA. 11:1157-1162.
TUCKER, C. J.; HIELKEMA, J. U.; ROFFEY, J., 1985. Satellite remote sensing monitoring desert locust breeding areas. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 6:127-132.
VERMA, S. B.; SELLERS, P. J.; WALTHALL, C. L.; HALL, F. G.; KIM, J.; GOETZ, S. J., 1993. Photosynthesis and stomata
conductance related to reflectance on the canopy scale. Remote Sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 44:103-116.
WANG, D.; WILSON, C.; SHANNON, M. C., 2002. Interpretation of salinity and irrigation effects on soybean canopy reflectance in
visible and near infrared spectrum domain. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:811-824.
WIEGAND, C. L.; GERBERMANN, A. H.; GALLO, K. P.; BLAD, B. L.; DUSEK, D., 1990. Multisite analyses of spectral-biophysical
data for corn. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 33:1-16.
WIEGAND, C. L.; RICHARDSON, A. J., 1990. Use of spectral vegetation indices to infer leaf area, evapotranspiration and yield. I.
rationale. II. results. Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 82:623-636.
WOOLLEY, J. T., 1971. Reflectance and transmittance of light by leaves. Plant Physiology, American Society of Plant Biologists,
Rockville, Maryland, USA. 47:656-662.
YANG, X.; DAMEN, M. C.; VAN ZUIDAM, R. A., 1999. Use of thematic mapper imagery with a GIS system for geomorphological
mapping in a large delta lowland environment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:659-681.
ZHANG, M.; LIU, X.; NEIL, M. O., 2002. Spectral discrimination of phytophthora infestans infection on tomatoes based on principle
component and cluster analyses. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1095-1107.
ZHAO, C. J.; ZHOU, Q.; WANG, J.; HUANG, W. J., 2004. Band selection for analyzing wheat water status under field conditions using
relative depth indices. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25: 2575-2584.
5.1 Introdução
O Sensoriamento Remoto Geológico é definido como a técnica de análise de dados obtidos pelo
sensoriamento remoto que monitora ou mensura as características físicas e ou químicas do ambiente geológico
estático ou dinâmico. As aplicações de sensoriamento remoto nas várias sub-disciplinas de Ciência Geológica foram
revisadas extensamente por Williams (1985). Bell, Campbell e Robinson (1999) apresentaram uma revisão geral de
exploração dos recursos geológicos planetários do sistema solar usando as técnicas de sensoriamento remoto. Este
capítulo concentra várias aplicações das disciplinas nas áreas mais ligadas com o meio ambiente do planeta Terra.
Por causa dos avanços rápidos das tecnologias espaciais e das técnicas de processamento e análise das imagens e dos
dados digitais de sensoriamento remoto ao longo das últimas três décadas, alguns exemplos das aplicações nas
Ciências de Geologia são apresentados neste capítulo.
Teoricamente, os minerais têm suas assinaturas singulares no espectro da energia eletromagnética, os
materiais presentes no planeta Terra podem ser identificados por suas reflectâncias nas várias bandas-chave de
comprimento da onda da energia eletromagnética que são concentradas nas faixas de visível, infravermelho próximo,
infravermelho termal e microonda.

5.2 Geomorfologia
O mapeamento geológico é a principal ferramenta empregada pelos geólogos para entender a natureza do
planeta Terra. Em uma determinada área envolve apresentação das informações de geomorfologia, litologia e
estrutura tectônica das rochas. No mapa geomorfológico encontram-se as características e naturezas das formas da
superfície do planeta. O mapa litológico apresenta as características litológicas e idade estratigráfica das rochas e o
mapa de estrutura tectônica apresenta os arranjos das estruturas tectônicas das rochas. As experiências e as pesquisas
no mapeamento geológico são apresentadas nesta e nas duas seções seguintes.
A geomorfologia é definida como a ciência que trata a configuração geral da superfície do planeta,
especificamente o estudo de classificação, descrição, natureza, origem, evolução dinâmica das paisagens e suas
inter-relações nas estruturas baixas, mudanças geológicas históricas registradas pelas fisionomias dessas superfícies.
O termo é especificamente aplicado à interpretação genética das paisagens, mas também envolve os resultados
gerados pelos processos de erosão e deposição dos minerais. Os mapas geomorfológicos fornecem dois tipos de
informações: feições de relevos tridimensionais e fisionomias espaciais e temporais. A geração do mapa de
fisionomia tridimensional necessita dos dados de estereoscópio adquiridos por fotografias aéreas, mas não do mapa
de fisionomia espacial. O mapa de fisionomia espacial fornece a variação espacial dos contrastes ou padrões de tipos
de solos e vegetação que podem ser gerados pelos dados digitais e imagens via sensoriamento remoto obtidos pelo
avião ou satélite dependendo da resolução exigida.
 Figura 5.1 – (a) Imagem composta de Landsat TM 7/4/2 mostra os rios paleo-gelos e dinâmicas das lâminas de gelo em
Península Storkerson, Islândia (b) Mapa geomorfológico produzido baseado na imagem composta de Landsat TM da Península
Storkerson, Islândia. Fonte: (STOKES, 2002).

Stokes (2002) usou a imagem composta de Landsat TM bandas 7, 4 e 2 (Figura 5.1a) para mapear
geomorfologia de rios paleógelos e analisar suas implicações nos funcionamentos desse tipo de rios e nas dinâmicas
das lâminas de gelo na Península Storkerson, Islândia. As paisagens de rios de paleógenos, resultados de
alinhamentos glaciais, são altamente atenuadas e exibem alto grau de conformidade paralela entre si, indicando o
fluxo veloz do deslocamento dos gelos. Essas formas de leitos glaciais exibem a ruptura marcante de margem que
também demarcaram os traços das margens dos rios glaciais. As posições de lagoas e rios nos leitos de rios são
governadas pelas direções anteriores dos fluxos de rios. Os depósitos grossos de pedra calcária aparecem em
tonalidade cinza, mas os sinais de águas derretidas e leques lavados compostos de areia, limo e cascalho aparecem
em tonalidades de rosa. A pouca vegetação do tipo tundra apareceu verde. A Figura 5.1b mostra o mapa
geomorfológico produzido e baseado na imagem composta da Figura 5.1a. Nota-se a conformidade de atenuação
extrema e paralela das formas de leitos que tinham sido modificadas por um fluxo de rio mais novo do sudeste.

5.3 Litologia
Os dados de reflectâncias espectrais de minerais, rochas e solos puros e mistos observados em laboratório têm
sido usados como bases teóricas e empíricas para interpretação dos dados obtidos pelo sensoriamento remoto. Os
dados de reflectâncias espectrais coletados em campo são freqüentemente usados para a validação das imagens
digitais adquiridas via avião ou satélite. O entendimento das informações espectrais nos dados adquiridos pelo
sensoriamento remoto está na dependência da seleção de técnicas de processamento e da análise das imagens
adquiridas para solucionar um determinado problema. Essas técnicas têm sido utilizadas para solucionar uma gama
grande de problemas em mapeamento geológico e exploração dos recursos minerais. A presença de minerais em
estado natural é geralmente dominada pela presença de ferro que manifesta sua reflectância espectral nas faixas de
VIS e NIR. As identificações de presenças de ferro F++ e F+++ já foram discutidas na seção de solo no Capítulo 3.
Em geral, a presença ou não de limonitos (óxidos de ferro) ou de vegetação pode ser identificada na faixa de
comprimento de onda entre 0,5 a 1,1 μm. Os minerais hidróxidos que possuem grupo Al-OH ou Mg-OH grupo
podem ser identificados nas faixas estreitas de 2,2 e 2,3 μm respectivamente (HUNT, 1980). Os minerais tais como
Caulinita, Muscuvita, montmolinonita, calcário e quartzo também podem ser identificados pelas faixas estreitas entre
2,0 e 2,5 μm. Os minerais carbonatos têm as absorções distintas entre 1,6 e 2,5 μm.
As emitâncias nas faixas de infravermelho médio Mid Infra Red (MIR) pela superfície podem ser usadas para
identificar rochas minerais também. A energia eletromagnética na faixa de 8 a 12 μm é uma janela espectral
excelente na atmosfera terrestre que emite a máxima energia da temperatura terrestre (VICENT, 1975). As variações
de bandas e suas intensidades nesta faixa de 8 a 12 μm podem ser usadas para identificar as composições e estruturas
das rochas que contém o grupo Si-O (HUNT; SALISBURY, 1976).

5.4 Estruturas Geológicas e Tectônicas

A aquisição dos dados com a resolução espacial certa para um determinado tamanho de objeto é importante
para detectar, identificar e analisar as características estruturais e tectônicas via sensoriamento remoto. As relações
de tamanhos de estruturas dominantes, homogeneidades estruturais e modelos semelhantes disponíveis para
interpretação são importantes para analisar corretamente as estruturas nas escalas de imagens obtidas pelo Landsat.
As imagens de alta resolução, além de fotografias aéreas, tais como IKONOS e QuickBird com os sensores
pancromáticos de resolução de 1 m e os sensores espectrais de 4 m, são mais adequadas para mapeamento de
estruturas em escalas macroscópicas, incluindo: falhas, dobramento, crateras, caldeiras, vulcões, diques, fraturas,
traços, lineamentos e outros. As imagens de satélistes tais como, RADARSAT, Landsat e SPOT podem ser usadas
para interpretação e mapeamento das características tectônicas em mega-escalas, incluindo: cinturão de dobramento
de montanhas, bacias, arcos de ilhas, vales, plutônios grandes, lineamentos, limites fisiográficos e tectônicos. A
técnica de morfologia tectônica usa as informações de topografia como critério primordial para estudar a
significância tectônica regional na formação das paisagens. Ela é uma ferramenta básica para a interpretação das
estruturas geológicas utilizando as imagens adquiridas por satélites.
As descontinuidades entre unidades de rochas e ou solos podem ser detectadas pelas diferenças de cor,
tonalidade, textura ou vegetação predominantes nas imagens. As diferenças das propriedades físicas e químicas
podem ser interpretadas pelas forças diferenciais da falha, zonas de deslizamentos, criação dos vagos causados pelas
junções e rachaduras, ou interconexão que resultam em zonas de alta porosidade e permeabilidade. Kowalik e Gold
(1976) mostram as descontinuidades de riscas cruzadas na região do Estado da Pensilvânia nos Estados Unidos
observadas pelas imagens de Landsat MSS banda 7. Na Figura 5.2, as linhas quebradas representam as falhas. As
montanhas Apalaquianas curvadas formam um cinturão na região central. A área com tonalidade escura crescente é
a bacia de carvão antracito. As linhas cruzadas são associadas às quedas drásticas e às zonas de fraturas
transgressivas. Os geólogos tradicionais raramente conhecem esse tipo de descontinuidade estrutural com aparência
das linhas cruzadas.
Ricchetti (2001) usou a fusão de imagens de Landsat TM e ERS 1 SAR para melhorar a interpretação de
limites de litologia e o reconhecimento de estruturas. Ricchetti usou um modelo digital de elevação de 25 m de
resolução para proceder à correção geométrica de dados de SAR do ERS 1. Também usou um modelo de iluminação
solar para corrigir os efeitos de sombras das imagens de Landsat TM. Abdelhamid (2001) usou igualmente a fusão
das imagens de Landsat TM e SAR para analisar as falhas em formas circulares concêntricas com tamanhos
variando de 1 km a 6 km localizadas na região central leste do Rio Jordão. Bilal e Ammar (2002) aplicaram as
técnicas de análise geológica para localizar abundância de água subterrânea. Os procedimentos apresentados servem
como um exemplo importante para aplicações de sensoriamento remoto em Geologia. Eles apresentaram um mapa
tectônico na região Sahel Akkar na Síria, produzido pela imagem SPOT. A Figura 5.3a mostra a área de estudo
localizada no canto a noroeste da imagem de SPOT obtida em 1992. A Figura 5.3b mostra as linhas de falhas e
fraturas. Compararam as imagens do SPOT com os mapas geológicos disponíveis e concluíram que nelas as falhas e
fraturas eram mais evidentes que nos mapas geológicos elaborados tradicionalmente. Apontaram que as estruturas
nessa região são mais fracas e instáveis do que demonstram os mapas geológicos tradicionais. Mapearam
lineamentos para a imagem inteira reconstruindo o mapa tectônico da região a fim de analisar as linhas de fraturas e
falhas, suas densidades de deformação, para estimativa de recarga de água subterrânea. As figuras 5.4a 5.4b e 5.4c
mostram a imagem de SPOT, linhas de falhas e fraturas, respectivamente. O número crescente de 1 a 4 na Figura
5.4c significa o aumento da densidade de deformação. Argumentaram que, para entender os movimentos de água na
superfície e subterrânea, o mapa litológico também deve ser construído, além do mapa tectônico. A ocorrência de
um sistema de rachadura sem informação litológica não permite que se entenda a circulação de água e vice-versa. A
conexão do mapa tectônico com o mapa litológico permite a produção de um mapa da mudança de fase da
distribuição de diferentes tipos de rochas.

Figura 5.2 – Descontinuidades de riscas cruzadas na região do Estado da Pensilvânia nos Estados Unidos observadas pelas
imagens de Landsat MSS banda 7. Fonte: (KOWALIK; GOLD, 1976).
 Figura 5.3 – a. Área de estudo localizada no canto a noroeste da região Sahel Akkar na Síria mostrada pela imagem do SPOT
obtida em 1992. b. linhas de falhas e fraturas. Fonte: (BILAL; AMMAR, 2002).

As figuras 5.5a a 5.5d mostraram as áreas de estudo na imagem SPOT, padrões de canais em rede (1. dendrito,
2. paralelo, 3. retangular, 4. cruzado, 5.pináculo e 6. não classificado), mapa de canais em rede e mapa de densidade
de deformação, respectivamente. Um modelo do mapa de recarga de água foi construído baseado nas informações
interpretadas dos mapas tectônico, litológico e dos padrões de canais em rede (Figura 5.6).
A figura 5.6a mostra o mapa da fase de distribuição das rochas. A Figura 5.6b mostra o mapa de recarga de
água subterrânea. Baseados nas informações obtidas nas figuras 5.3 a 5.6, Bilal e Ammar (2002) elaboraram um
mapa da potencialidade de exploração de recursos de água subterrânea que indicam as áreas favoráveis para
abastecimento de água pelas nascentes e cisternas, o número crescente significa o aumento do potencial da recarga
da água subterrânea. A Figura 5.7a mostra a distribuição provável de nascentes e cisternas. A Figura 5.7b mostra as
áreas promissoras verificadas em campo.
Figura 5.4 – a. Linhas de falhas; b. fraturas; c. densidades de deformação produzida com imagem de SPOT, na região Sahel
Akkar na Síria. Fonte: (BILAL; AMMAR, 2002).
 Figura 5.5 – a. as áreas de estudo na imagem SPOT; b. padrões de canais em rede (1. dendrito, 2. paralelo, 3. retangular, 4.
cruzado, 5. pináculo e 6. não classificado); c. mapa de canais em rede; d. mapa de densidade de deformação, na região Sahel
Akkar na Síria. Fonte: (BILAL; AMMAR, 2002).

Saraf et al. (2002a) apontaram que, nas regiões montanhosas em altas altitudes, tal como Himalaia, pelo difícil
acesso, o mapeamento geológico convencional é uma tarefa bastante trabalhosa. Uma combinação de interpretação
de dados observados em campo e as imagens de satélite IRS, usando o gerenciamento de dados pelo Sistema de
Informações Geográficas (SIG) podem aperfeiçoar a elaboração e a interpretação do mapa geológico, até mesmo,
das estruturas tectônicas e tipos de rochas expostas. Os autores apontaram que a integração das informações pelo
SIG é o método mais eficaz de preparação dos mapas geológicos com maior exatidão e mais econômica. A Figura
5.8 mostra as linhas do limite principal de deslizamento brutal Main Boundary Thrust (MBT) obtidas em campo
(linhas amarelas) e as linhas de MBT (linhas pretas), completando as descontinuidades das linhas observadas. A
causa das descontinuidades das linhas MBT ocorre pelo difícil acesso em campo. Kavak e Inan (2002)
demonstraram que as várias unidades de rochas e as fisionomias das estruturas expostas na região sul da Bacia Sivas
Terciária localizada na região Central de Anatólia, Turquia, podem ser mapeadas baseadas nas imagens retificadas
de SPOT XS. Eles observaram um fenômeno tectônico estratigráfico e geomorfológico surpreendente. Os folhelhos
(rochas argilitas estratificadas) foram observados na região da compressão predominante orientada em direção
noroeste a sudeste na zona de contacto entre os sedimentos folhelhos do Oligoceno e a série dos detritos do Médio-
Baixo Mioceno. Essa observação foi confirmada com os dados coletados em campo.
Figura 5.6 – a. mapa de fase de distribuição das rochas e b. mapa de recarga água subterrânea, na região Sahel Akkar na Síria. O
número representa o aumento da potencial de recarga da água subterrânea. Fonte: (BILAL; AMMAR, 2002).
 Figura 5.7 – a. Distribuição provável de nascentes e cisternas; b. áreas promissoras foram verificadas em campo, na região Sahel
Akkar na Síria. O número representa o aumento da potencial de recarga da água subterrânea. Fonte: (BILAL; AMMAR, 2002).

Figura 5.8 – As linhas de limite principal de deslizamento brutal Main Boundary Thrust (MBT) obtidas em campo (linhas
amarelas) e as linhas de MBT (linhas pretas) obtidas pelo satélite IRS-IC que completaram as descontinuidades das linhas de
MBT observadas, nas regiões montanhosas do Himaláia. Fonte: (SARAF et al.,2002a).

5.5 Geologia econômica

 Os geólogos são responsáveis pela exploração de recursos minerais e energéticos. A maioria dos estudos
utiliza as fotografias aéreas e as imagens de alta resolução espacial para diagnosticar os padrões de formas lineares
que são diretamente ligadas à geomorfologia e indiretamente ligadas às estruturas geológicas. As imagens de
infravermelha termal podem ser aplicadas para levantamento e mapeamento das áreas geotérmicas e vulcões.
Salas (1975) observou que os depósitos de minas têm alta correlação com os cruzamentos dos principais
lineamentos baseados na imagem de Landsat. Posteriormente, um estudo conjunto do grupo geológico do governo
Mexicano e da Unidade do Levantamento Geológico dos Estados Unidos (US Geological Survey) confirmou que a
região tem depósitos de minas de cobre e molibdênio na região de Sorona, no México (RAINES et al., 1980).
Keighley (1980) localizou o depósito aluvial de minas de estanho em Rondônia, no Brasil, usando as imagens
compostas do Landsat. Os granitos que contêm estanho ocorrem em um complexo de domos e anéis com diâmetro
variando de 1 a 18 km ao longo da fragilidade das zonas tectônicas fracas, estendendo-se a uma distância de 2.000
km do leste da Bolívia ao leste do Rio Xingu na região de 45°N e 65°W. Na década 1980, a produção desses
depósitos minerais foi de 6.000 toneladas de estanho por ano com o valor de US$ 100 milhões. A estimativa da
reserva indica que a produção pode ser dobrado no futuro.
Miller (1977) demonstrou o uso da análise visual na interpretação das imagens do Landsat para exploração de
petróleo nos países com carência de mapas geológicos detalhados tais como Sudão e Kenya. Definiu os lineamentos
observados nas imagens de Landsat como parte de um sistema de fratura regional localizada no extremo norte da
Lamu Embayment. Associou essas fraturas com a rachadura da greta no leste da África e interpretou como uma
falha imatura de junção tripla com um braço abrindo para o Cocho Rudolfo (Rudolf Trough) e outro estendendo para
a Bacia Ogaden para exploração de petróleo. Posteriormente, a mina de petróleo foi explorada pela companhia de
Óleo Chevron. Ford (1980) utilizou as imagens adquiridas pelo SEASAT SAR a bordo do satélite SEASAT para
exploração de depósitos de hidrocarbonatos na região sul das montanhas Apalaquianas. A imagem na Figura 5.9
mostra as formas topográficas com os lineamentos distintos. A possibilidade de depósitos de hidrocarbonatos é
favorável nas zonas de fraturas porosas, particularmente nos cruzamentos dos lineamentos. A Figura 5.10 mostra a
imagem retificada do Landsat MSS banda 6 que tem a mesma área da imagem do radar adquirida pelo SAR do
SEASAT. Os lineamentos das montanhas Apalaquianas são idênticos, mas a imagem do radar mostra claramente os
contrastes dos relevos na região norte.

Figura 5.9 – Formas topográficas com os lineamentos distintos da região sul das Montanhas Appalachianas produzidas pela
imagem do satélite SEASAT. Fonte: (FORD, 1980).
 Figura 5.10 – A imagem retificada do Landsat MSS banda 6 da região das Montanhas Appalachinas, mesma área da imagem de
radar adquirida pelo SESAT SAR. Os lineamentos das montanhas Appalachianas são idênticos, mas a imagem de radar mostra
os contrastes dos relevos na região Norte. Fonte: (FORD, 1980).

Uma série de levantamentos sísmicos compreensíveis foi realizada pelo acordo entre Corporativa Geoespectra
(Geospectral Corporation) e a Companhia de Óleo Wiser para a região da Baia Saginaw no leste central de Michigan
em 1978. A Figura 5.11 mostra a imagem retificada do Landsat 1 MSS banda 7. A técnica de retificação da imagem
processada pelo computador revelou que as fisionomias distintas são relacionadas com as estruturas geológicas no
fundo. A Figura 5.12 mostra a área de estudo sísmico na região da Formação Dundee Devoniana, na região da Baía
Saginaw, Michigan, USA. As cruzes pequenas mostram os pontos de disparos sísmicos. A linha quebrada,
localizada no lado direito da figura, é a parte do lineamento principal dentro da área de estudo sísmico. A área
composta das curvas de nível no topo da formação Dundee Devoniana é uma parte do campo da exploração de
petróleo localizado na região nordeste da imagem de Landsat. Esse mapa de curvas de nível confirmou a provável
presença de estrutura geológica subterrânea que acumulou os depósitos de hidrocarbonatos.
 Figura 5.11 – Imagem retificada do Landsat 1 MSS banda 7. A técnica de retificação da imagem processada pelo computador
revelou as fisionomias distintas relacionadas com as estruturas geológicas no fundo. Fonte: (COLWELL, 1985).

Figura 5.12 – Mapa da Formação Devoniana Dundee na região da Baía Saginaw, Michigan, USA, na área de levantamento
sísmico gerado pela imagem Landsat MSS da Figura 5.11. Fonte: (COLWELL, 1985).

McGonigle (1979) utilizou as fotografias aéreas para mostrar as unidades litográficas e os leitos de carvão no
sul da grande faixa de minas próximas à região Kemmerer, Wyoming, Estados Unidos. A Figura 5.13a mostra os
leitos de carvão (linhas quebradas) no mapa geológico da região de Elkol e Warfield Creek, sudoeste do Wyoming.
A Figura 5.13b mostra os leitos de carvão gerados pela fotografia aérea estereoscópica. O referido autor sugeriu que
a fotografia aérea estereoscópica é mais precisa para delinear e identificar os tipos de rochas e interpretar os leitos de
carvão que reduziram o tempo de mapeamento pela metade.
Ferrier et al. (2002) mapearam os depósitos de ouro associados com as zonas de alteração hidrotérmica na ilha
de Lesvos, Grécia, usando as imagens do Landsat TM e os dados coletados em campo para a confirmação dos
resultados. Nessa ilha o clima é muito árido e a topografia acentuada, com o surgimento das rochas bem evidentes
que facilitam a interpretação das imagens Landsat TM. As zonas de alta alteração hidrotérmica, associadas com a
mina de ouro, foram identificadas e delineadas com boa precisão e os resultados mostraram que a mina tem uma
concentração de ouro que varia de dezenas a centenas ppm.

Figura 5.13 – a. Os leitos de carvão (linhas quebradas) no mapa geológico da região de Elkol e Warfield Creek, Sudoeste do
Wyoming, USA; b. Os leitos de carvão (parte direita na fotografia aérea) na foto aérea vertical de um par estereoscópio da parte
da área na figura 5.13a. Fonte: (MCGONIGLE, 1979).

Mostafa e Bishta (2005) extraíram os dados de densidade e intersecção dos lineamentos das rochas na região
de Gharib-Dara localizada no Deserto, Nordeste do Egito utilizando os dados de Landsat ETM+, fotografias aéreas e
mapas existentes. Observaram que os lineamentos das rochas foram freqüentemente interrompidos e localizaram as
minas de Urano por meio da correlação entre a alta contagem de radioatividade e a densidade de cruzamento dos
lineamentos.

5.6 Engenharia geológica

As imagens adquiridas pelo sensoriamento remoto são freqüentemente usadas para atualizar os mapas
geológicos pelos engenheiros especialistas. As imagens são utilizadas como uma ferramenta importante para
planejamento, investigação, detecção das fisionomias distintas e não-distintas da superfície e suas ligações entre os
pontos de observação em campo. Infelizmente, somente as imagens sozinhas não resolvem os problemas em uma
investigação geológica, mas são essenciais, se as investigações exigidas forem completas. Inúmeras aplicações
podem ser feitas com as informações adquiridas pela técnica de sensoriamento remoto, tais como: monitoramento,
identificação e acompanhamento das áreas designadas aos depósitos de lixos líquidos e sólidos, lixos radiativos,
aterros, mineração superficial, materiais de construção e posse de terra. A combinação certa da interpretação das
imagens e dos dados coletados em campo permite que se alcance o objetivo em curto prazo e de forma mais
econômica. Kim et al. (2005) usaram os dados de interferômetros obtidos pelos sensores do SAR, banda L
diferencial a bordo do satélite JERS 1 para monitorar a taxa de abaixamento nos terrenos costeiros causada pelo
aumento do nível do mar e delinear as áreas de risco de inundação para as propriedades locais que podem receber a
recompensação pela perda das propriedades. Os dados de taxa de abaixamento foram validados com os dados dos
sensores extensômetros magnéticos obtidos nas 42 estações instaladas na área de estudo. O valor de correlação entre
os dados obtidos pelo SAR e os obtidos em campo foi 0,87 e o valor de erro padrão da média, Root Mean Square
Error (RMSE), foi de 1,42 cm. Sugeriram que os dados de SAR interferômetros diferenciais têm alta potencialidade
de aplicações na área de Engenharia Geológica.

5.7 Desastres geológicos

Os desastres geológicos, tais como terremotos, erupções vulcânicas, deslizamentos de terreno, fogos,
explosões e desabamentos em minas de carvão e rompimentos de barragens ocorrem freqüentemente no nosso
planeta Terra.
Infelizmente, algumas regiões são mais vulneráveis a alguns tipos de desastres que outras pelas diferenças de
assentamentos geológicos. Os impactos dos desastres geológicos são amplificados em termo das perdas dos bens
econômicos ou em termo de perdas das vidas nas regiões povoadas. As imagens adquiridas via sensoriamento
remoto podem ser usadas para monitoramento, identificação, prevenção, avaliação dos danos das áreas de alto risco
de ocorrência dos desastres geológicos e planejamento adequado nos gerenciamentos e mitigações dos desastres.
Saraf et al. (2002b) usaram as imagens pancromáticas com resolução de 5,8 m e as imagens dos sensores
espectrais com resolução de 23,5 m adquiridas pelo satélite indiano IRS para mapeamento do terremoto antes e
depois que ocorreu em 26 de janeiro de 2001 na região Kutch, no oeste do Gujarat, na Índia. A Figura 5.14 mostra a
comparação das duas imagens (uma antes e outra depois da ocorrência do terremoto). A imagem direta mostrou os
danos das casas e deslizamentos de terrenos identificados pela análise das texturas. Eles identificaram os
surgimentos de água e as áreas afetadas pela inundação, aplicando-se a técnica da transformação das imagens pela
falsa cor antes e depois do terremoto. As áreas vermelhas indicam o aumento da umidade de solo induzido pelo
terremoto.

Figura 5.14 – Comparação das duas imagens pancromáticas do IRS: imagem esquerda – no dia 10 de dezembro de 2000 antes
do terremoto e imagem direta – no dia 7 de fevereiro de 2001, depois da ocorrência do terremoto no dia 26 de janeiro de 2001 na
região Kutch, oeste de Gujarat, na Índia. Fonte: (SARAF et al., 2002b).

Saha, Gupta e Arosa (2002) delinearam as zonas de risco de deslizamento da terra no Vale Bahagirathi, na
região Garhwal do Himalaia usando as imagens pancromáticas e multiespectrais do satélite IRS e dados observados
em campo gerenciados pelo SIG. Observaram que a distribuição das zonas de deslizamento da terra foi governada
principalmente pela combinação da presença de formação Munsiari, com pouca ou até sem vegetação e das
condições geológicas ambientais à proximidade (< 500 m) da zona de ruptura. Stramondo, Doumaz e Cinti (2005)
detectaram o deslizamento da terra durante a ocorrência do terremoto na região de Bam, no Irã, no dia 26 de
dezembro de 2003, usando as imagens obtidas pelos interferômetros de ENVISAT ASAR. Sugeriram que os dados
de interferômetros fossem integrados aos dados de geologia, geodésia e sismografia para aperfeiçoar as
interpretações dos processos de rupturas geológicas. Bhaskaran et al. (2004) usaram os dados de reflectâncias
hiperespectrais obtidos pelos sensores do espectrorradiômetro a bordo do avião incorporando os mapas
cartográficos, gerenciados pelo SIG, para avaliar e manejar os danos causados pelas tempestades ocorridas em
Sydney, Austrália. Sugeriram que a incorporação das imagens hiperespectrais com os dados cartográficos no SIG
pode gerar informações de alta qualidade para gerenciar as tarefas após os eventos desastrosos. Chadwick et al.
(2005) usaram as imagens de satélite de alta resolução espacial, fotografias aéreas digitais e GPS para estimar o
deslizamento do córrego Salmon Falls na região centro sul do Estado de Idaho, nos Estados Unidos. O deslizamento
criou as lagoas e as enchentes que foram registradas em 1999. Por esse estudo, o deslocamento horizontal de 10,8 m
foi estimado, comparando-se com o deslocamento de 12 m observado em 2004. Kaya, Curran e Llewellyn (2005)
usaram a comparação das imagens da zona de falhas na região norte de Anatolina a noroeste da Turquia adquiridas
pelo SPOT HRVIR, PAN e HRVIR XI antes e depois da ocorrência de terremoto no dia 17 de agosto de 1999 para
identificar e estimar o número total dos prédios danificados. O número de prédios danificados foi comparado com o
número reportado pelo governo com uma diferença de 16%. Apesar de a estimativa ter sido um pouco superior a que
o governo anunciou, a informação da comparação dos prédios danificados antes e depois do terremoto serve para
identificar os prédios vulneráveis ao terremoto que devem ser controlados previamente pelo governo. Tralli et al.
(2005) apontaram que os dados de sensoriamento remoto via satélite que integram as imagens hiperespectrais de alta
resolução espacial, tais como sensores de IKONOS e QuickBird, os dados de Digital Elevation Model (DEM) de alta
resolução de elevação, tais como Interferômetro SAR, LIDAR e GPS, combinados com os dados de sísmicos e
geodésicos observados em campo, fornecem uma fonte de informações importante para reconstruir a evolução
histórica da superfície terrestre e prever as ocorrências dos eventos naturais desastrosos, tais como deslizamento de
terra, enchentes, terremotos e erupções vulcânicas. Sugeriram que um sistema operacional múltiplo de previsão das
ocorrências dos eventos desastrosos deve ser desenvolvido para auxiliar o combate e o manejo dos desastres naturais
do globo.

5.8 Glaciais
Os gelos glaciais cobrem cerca de 16 milhões km2 ou 10 % da área do planeta Terra. A maior parte deles estão
localizados na Antártica com 13.586.380 km2 (DREWRY; JORDAN; JANLOWSKI, 1982). As fotografias aéreas e
terrestres foram usadas para documentar as posições, as extensões e os tamanhos dos gelos glaciais e das capas de
gelos e para ilustrar os tipos de gelos glaciais e suas fisionomias (ARMSTRONG; ROBERTS; SWITHINBAN,
1973). A Figura 5.15 mostra uma cena do Vale Glacial Taylor localizado no oeste da Ilha Ross e o Vulcão Monte
Ersbus, na Antártica, conseguida por fotografia aérea no dia 7 de novembro de 1959 pela Marinha dos Estados
Unidos. A fotografia foi adquirida na altitude de 6.100 m com o foco de 153,99 mm e mostra claramente as
extensões de gelos glaciais em formas de línguas (SMITH, 1967).
A figura 5.16 mostra a imagem de NOAA 6 AVHRR da região McMurdo Sound e parte das Montanhas
Transantárticas, na Antártica adquirida no dia 27 de fevereiro de 1980 (BERG; WIESNET; LEGECKNIS,1982).
Isso demonstra que as imagens de NOAA podem ser usadas para monitorar as mudanças dinâmicas das áreas
costeiras, tais como os cortes de recifes de gelos e as saídas glaciais cobrindo grande área. As imagens também
cobrem as áreas de pólo Sul cujas imagens do Landsat não estão disponíveis naquela época. Nas regiões Árticas e
Antárticas, os gelos na superfície derretem na estação de verão, mas nos subsolos são congelados em espessura de
dezenas ou centenas de metros até 1.400 metros.
 Figura 5.15 – Cena do Vale Glacial Taylor localizado no oeste da Ilha Ross e Vulcão Monte Ersbus, Antártica registrada pela
fotografia aérea no dia 7 de novembro de 1959 pela Marinha dos Estados Unidos. Fonte: (SMITH, 1967).

A Figura 5.17 mostra uma imagem mosaicada do Landsat MSS sobreposta no mapa topográfico produzido
pelos dados de altímetros do radar SAR, adquiridos por SEASAT, a imagem está localizada na região gelada do
Amery e na região glacial do Lambert, leste da Antártica (BROOKS et al., 1982). Isso demonstra que as imagens do
Landsat podem ser usadas como os mapas básicos onde há dados dos pontos de controle geodésico para
mapeamento da extensão do gelo na Antártica.

Figura 5.16 – Imagem de satélite NOAA 6 AVHRR canal 2 da região McMurdo Sound e parte das montanhas transatlânticas
 adquiridas no dia 27 de fevereiro de 1980. Fonte: (BERG; WIESNET; LEGECKNIS, 1982).

5.9 Geologia marinha

Nas áreas costeiras, os geólogos tradicionais pararam de mapear os mapas geológicos na margem da área
litorânea. A topografia não termina na margem da área litorânea, mas continua se estendendo ao fundo do mar. Com
o avanço das tecnologias de sensoriamento remoto, é possível produzir os mapas geológicos mais completos nas
áreas costeiras. Pelas mudanças constantes das áreas costeiras, causada pelas ações das forças naturais e das
atividades humanas, os mapas topográficos devem ser freqüentemente atualizados para oferecer as informações
corretas das condições topográficas sobre constante mudança na regão costeira. Com a facilidade de acesso dos
dados de satélites, tais como Landsat e SPOT, os mapas de topografia dinâmica podem ser produzidos anualmente,
aplicando se a técnica SIG. Os ambientes submarinos e águas rasas podem ser mapeados por imagens compostas de
várias bandas espectrais disponíveis nos vários satélites. As morfologias submarinas podem ser investigadas por
dados adquiridos pelos sensores de sonda de varredura lateral. Os sensores de sonda de varredura lateral fornecem as
imagens de reflexão acústica dos leitos do mar em baixo ângulo que permitem a caracterização qualitativa da
variação espacial de topografia e materiais em grande área. A sonda de varredura lateral opera do mesmo modo que
o radar de varredura lateral de avião ou satélite. A diferença principal em aplicação é no ambiente marinho
(FLEMMING, 1981).

Figura 5.17 – Superposição da imagem do Landsat MSS e do mapa topográfico produzido pelo altímetro do radar SESAT SAR.
 A cena é localizada na região gelada do Amery e na região glacial do Lambert, leste da Antártica. Fonte: (BROOKS et al.,1982).

5.10 Geobotânica
As reflectâncias distintas dos diferentes tipos de vegetação das superfícies terrestres podem ser usadas como
indicadores dos depósitos minerais e de combustões fósseis. As reflectâncias de vegetação variam de acordo com a
variação sazonal climática. Portanto, é importante selecionar uma época mais favorável para a aquisição das
imagens, a fim de que sua interpretação seja mais correta. Geralmente, somente alguns tipos de anomalia de
vegetação têm sido descobertos como indicadores dos depósitos de combustão fóssil e mineral, incluindo: áreas
esparsas, zona transitória de diferentes tipos de vegetação, mudanças de morfologia das plantas ou concentração de
clorofila e mudanças em fluorescência da clorofila. Infelizmente, todas essas anomalias também podem ser causadas
pela variação ou perturbação dos fatores ambientais. Entretanto, as imagens compostas das determinadas bandas são
imprescindíveis para identificação, classificação e mapeamento dessas anomalias de vegetação. Não se descarta,
porém, a validação dos mapas gerados com os dados obtidos em campo.
As plantas necessitam de macro e micronutrientes. O excesso de um determinado elemento mineral pode
intoxicar as plantas, sendo que o sintoma aparece nas folhas. Baseada na assinatura singular de cada elemento, uma
determinada banda ou uma combinação de determinadas bandas pode ser utilizada para identificar esse sintoma e
interferir na ocorrência desse elemento no subsolo. As características de reflectâncias de vegetação e minerais são
apresentadas nos capítulos de solo (Capítulo 3), vegetação (Capítulo 4) e índices de vegetação (Capítulo 7).

5.11 Geologia arqueológica

Os arqueólogos procuram a explicação e a interpretação de vidas, culturas e atividades dos povos passados por
meio da análise dos locais onde eles viviam e os objetos que usavam. Portanto, precisam usar grande variedade de
informações, incluindo as metodologias e as teorias de várias ciências tais como Geologia, Geografia, Biologia,
Economia, Antropologia e Ciências Políticas, mesmas as várias técnicas adaptadas nas áreas de fotografia,
sensoriamento remoto, levantamento em campo e ciências de materiais. Nesse contexto, as imagens de satélites e os
dados geológicos e geomorfológicos são os dados prioritários na seleção do local para realização de coleta de dados
em campo e na análise e interpretação arqueológica.

Referências
ABDELHAMID, G., 2001. Radarsat investigation of a circular feature in the east central Jordan. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 22:2231-2239.
ARMSTRONG, T.; ROBERTS, B.; SWITHINBANK, C., 1973. Orbital sensor capable of obtaining thermal infrared measurements
of earth’s surface: Proceedings of the Workshop on Geological Applications of Thermal Infrared Remote Sensing Techniques. Ed. by
M. Settle, Technical Report N°. 81-06, Lunar and Planetary Institute, Houston, Texas. p28-29.
BELL, J. F.; CAMPBELL, B. A.; ROBINSON, M. S., 1999. Planetary Geology. In: Rencz A. N. and R.A. Ryerson, 1999. Manual of
Remote Sensing, Volume 3: Remote Sensing for the earth Sciences. Third Edition. John Wiley & Sons, Inc., New York, USA. P.509-
564.
BERG, C. P.; WIESNET, D. R.; LEGECKNIS, R., 1982. The NOAA 6 mosaic of Antarctica: a Progress Report. Annuals of
Glaciology, Proceedings of the Third International Symposium on Antarctic Glaciology, Ohio State University, Columbus, Ohio,
USA. 3:23-26.
BHASKARAN, S.; DATT, B.; FOSTER, B.; NEAL, T.; BROWN, M., 2004. Integrating imaging spectroscope and geographic
information systems for post disaster management: a case of hailstorm damage in Sydney. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 25:2625-2639.
BILAL, A.; AMMAR, O, 2002. Technical note: Rainfall water management using satellite imagery-example from Syria.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:207-220.
BROOKS, R. L.; WILLIAMS, R. S.; FERRIGNO, J. G.; KTABILL, W. B., 1982. Amery Ice Shelf topography from satellite radar
altimetry. Proceedings of the Fourth International Symposium on Antarctic Earth Sciences, University of Adelaide, South Australia.
22-23.
CHADWICK, J.; DORSCH, S.; GLENN, N.; THACKRAY, G.; SHILLING, K., 2005. Application of multi-temporal high resolution
imagery and GPS in a study of the of a canyon rim landslide. Journal of Photogrammetry and Remote Sensing, Elsevier Science
Publishing Co., New York, USA. 59:212-221.
CHUNG, Y. S., 2002. Satellite observations of smoke plumes from forest fires in Canada. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 23:2341-2344.
COLWELL, R. N., 1985. Manual of Remote Sensing, 2nd Edition. American Society of Photogrammetry, The Sheridan Press, New
York, USA, V1:1-1232, V2:1233-2400.
DREWRY, D. J.; JORDAN, S. R.; JANLOWSKI, E., 1982. Measured properties of the Antarctic ice sheet: surface configuration, ice
thickness, volume and bedrock characteristics. Annuals of Glaciology, Moscow, Russia. 3:83-91.
FERRIER, G.; WHITE, K.; GRIFFITHS, G.; BRYANT, R.; STEFOULI, M., 2002. The mapping of hydrothermal alternation zones
on the island of Lesvos, Greece using an integrated remote sensing dataset. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 23: 341-356.
FLEMMING, B. W., 1981. Some implications of velocity variations and transmission losses of underwater sound on image accuracy
and range efficiency of side scan sonar systems. University of Cap Town, Marine Geoscience Unit, Private Bag, Rondebosch, South
Africa. Technical Report N°. 12, 153-159.
FORD, J. P., 1980. SEASAT orbital radar imagery for geological mapping of Tennessee-Kentucky-Virginia. American Association
of Petroleum Geologists, Tulsa, Oklahoma, USA. Bulletin V64: 2064-2094.
GROVE, C. I.; HOOK, S. J.; PAYLOR, E. D., 1992. Laboratory reflectance spectrum of 160 minerals, 0.4-2.5 micron. JPL
Publicación 92-2, Jet Propulsion Laboratory, Pasadena, California, USA.
HUNT, G. R., 1980. Electromagnetic radiation: the communication link in the remote sensing. In: Remote Sensing in Geology,
Edited by B.S. Siegal and A.R. Gillespie, John Wiley & Sons, Inc., New York, USA. 5-45.
HUNT, G. R.; SALISBURY, J. W., 1976. Mid infrared spectral behavior of metamorphic rocks. US Air Force, Cambridge Research
Laboratory, Technical Report AFCRL TR-76-0003, Bedford, Massachusetts, USA. 67p.
JACKSON, T. J.; HSU, A. Y.; VAN DE GRIEND, A.; EAGLEMAN, J. R., 2004. Skylab L-band microwave radiometer
observations of soil moisture revisited. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:2585-2606.
KAVAK, K. S.; INAN, S., 2002. Enhancement facilities of SPOT XS imagery in remote sensing geology: an example from the Siva
Tertiary Basin (central Anatolia, Turkey). International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:701-710.
KAYA, S.; CURRAN, P. J.; LLEWELLYN, G., 2005. Post-earthquake building collapse: a comparison of government statistics and
estimates derived from SPOT HRVIR data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26:2731-
2740.
KEIGHLEY, J. R.; LYNN, W. W.; NELSON, K. R., 1980. Use of Landsat images in the tin exploration, Brazil. Proceedings of 14th
International Symposium of Remote Sensing of Environment. Environmental Research Institute of Michigan, Ann Arbor, Michigan,
USA. V1: 341-343.
KIM, S. W.; LEE, C. W.; SONG, K. Y.; MIN, K. D.; WON, J. S., 2005. Application of L-band differential SAR interferometer to
subsidence rate estimation in reclaimed coastal land. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
26:1363-1381.
KOWALIK, W. S.; GOLD, D. P., 1976. The use of Lansat 1 imagery in mapping lineaments in Pennsylvania. Proceedings of the
First International Conference on the New Basement Tectonics, Utah Geological Association, Logan, Utah, USA. Utah Geological
Association Publication, N°. 5: 236-249.
MCGONIGLE, J. W., 1979. Preliminary geological map of the Warfield Creek quadrangle, Lincoln County. Southwestern
Wyoming. Utah Geological Association, Logan, Utah, USA. USGS Open File Report 79-1176, Scale 1:24.000.
MILLER, J. B., 1977. Lansat-1 image studies as applied to petroleum exploration in Kenya. U.S. Geological Service, Reston,
Virginia, USA., U.S. Geological Survey Professional paper Nº1015. p137-150.
MOSTAFA, M. E.; BISHTA, A. Z., 2005. Significance of lineament patterns in rock unit classification ad designation: a pilot study
on the Gharib-Dara area, northern eastern Desert, Egypt. International Journal of Remote Sensing, Taylor & Francis Ltd, London,
UK. 26:1463-1475.
RAINES, G. L.; FRISKEN, J. G.; KEINKOPF, M. D.; FUENTE, D., 1980. The discovery of the Alcaparroso mineral deposit,
Sorona, Mexico. Proceedings of the Sixth Annual William T. Pecora Memorial Symposium. Sioux Falls, South Dakota, USA. 67-69.
RENCZ, A. N.; RYERSON, R. A., 1999. Manual of Remote Sensing, Volume 3: Remote Sensing for the earth Sciences. Third
Edition. John Wiley & Sons, Inc., New York, USA. 728p.
RICCHETTI, E., 2001. Visible-infrared and radar imagery fusion for geological application: a new approach using DEM and sun-
illumination model. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:2219-2230.
SAHA, A. K.; GUPTA, R. P.; ARORA, M. K., 2002. GIS-based landslide hazard zonation in the Bhagirathi valley, Himalayas.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:357-369.
Salas G.P., 1975. Relationship of mineral resources to linear features in Mexico as determined from Landsat data. Proceedings of the
first Annual William T. Pecora Memorial Symposium. Sioux Falls, South Dakota, USA. 61-82.
SARAF, A. K.; MISHHRA, P.; SARMA, B.; MUKHOPADHYAY, D. K., 2002a. Technical note: Remote sensing and GIS
technologies for improvements in geological structures interpretation and mapping. International Journal of Remote Sensing, Taylor
& Francis Ltd, London, UK. 23:2527-2536.
SARAF, A. K.; SINVHAL, A.; SINVHAL, H.; GHOSH, P.; SARMA, B., 2002b. Satellite data reveals 26 January 2001 Kutch
earthquake-induced ground changes and appearance of water bodies. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 23:1749-1756.
SMITH, H.T.U., 1967. Photogeological interpretation in Antarctica. Photogrammetric Engineering and Remote Sensing, Elsevier
Science Publishing Co., New York, USA. 33:297-304.
STOKES, C. R., 2002. Identification and mapping of paleo-ice stream geomorphology from satellite imagery: implications for ice
steam functioning and ice sheet dynamics. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1557-
1564.
STRAMONDO, M.; MORO, A; DOUMAZ, F.; CINTI, F. R., 2005. The 26 December Bam Iran earthquake: surface displacement
from Envisat ASAR interferometer. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26:1027-1034.
TRALLI, D. M.; BLOM, R. G.; ZLOTNICKI, V.; DONNELLAN, A.; EVANS, D. L., 2005. Satellite remote sensing of earthquake,
volcano, flood, landslide and coastal inundation hazards. Journal of Photogrammetry and Remote Sensing, Elsevier Science
Publishing Co., New York, USA. 59:185-198.
VICENT, R. K., 1975. The potential role of thermal infrared multispectral scanners in geological remote sensing. Proceedings of the
Institute of Electrical and Electronic Engineering, Institute of Electrical and Electronic Engineering, New York, USA. 63: 137-147.
WASHBURN, A. L., 1979. Geocryology, A survey of Periglacial Processes and Environments. Edward Arnold, Publisher Ltd.,
London, UK. 406p.
WILLIAMS, R. S.,1985. Geological applications. In: Manual of Remote Sensing, 2nd Edition by Cowell, American Society of
Photogrammetry, The Sheridan Press, New York, USA. V2: 1666-1951.
YANG, X.; DAMEN, M. C.; VAN ZUIDAM, R. A., 1999. Use of thematic mapper imagery with a GIS system for geomorphologic
mapping in a large delta lowland environment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:659-
681.
6.1 Introdução
Os processos hidrológicos variam rapidamente no espaço e no tempo. Esses processos envolvem os fluxos de água
em formas líquida, sólida e gasosa que ocorrem na atmosfera, na superfície e no subterrâneo. As medições dos fluxos de
água em um sistema geosfera-biosfera-atmosfera tinham sido alcançadas principalmente pelas medições pontuais em
campo e por meio da simulação numérica. As estações hidrometeorológicas, cujas superfícies não podem ser
amplamente observáveis, freqüentemente não representam as mudanças espaciais dos processos hidrológicos e resultam
em incertezas para aplicações das medições.
As informações de sensoriamento remoto via satélite fornecem os dados de observação com alta freqüência
temporal e alta resolução espacial que cobrem uma imensa área e podem ser usados para complementar as áreas com
poucos dados de medições em campo disponíveis. Geralmente, os dados coletados na superfície não coincidem bem com
os dados via satélite por causa das medições na superfície que são pontuais e os coletados via satélite que são os valores
médios espaciais de uma área ocupada por um pixel que varia de acordo com a resolução espacial. Uma alternativa é a
extrapolação espacial dos dados pontuais da observação na superfície da região inteira por meio da correlação entre os
dados observados em campo e os dados sensoriados via satélite. Apesar de os dados via satélite apresentarem menor
acurácia, fornecem melhor estimativa em grande área com maior eficiência e menor custo.
A ciência do sensoriamento remoto hidrológico estuda os recursos hídricos utilizando os dados espectrais da
energia eletromagnética emitida ou refletida nas várias faixas de comprimento da onda desde 0,3 μm até as microondas.
Nas aplicações dessas, o entendimento das propriedades da superfície e seus efeitos nas respostas espectrais são
prioritários para podem se aplicar corretamente os dados obtidos via satélite.
A interpretação da imagem envolve a identificação e o delineamento dos padrões de redes hidrológicas que
correspondem às características geomorfológicas, linhas de drenagem e tipos da cobertura da superfície. A análise
geoidrológica da imagem é uma das mais difíceis técnicas de interpretação dos dados de sensoriamento remoto. Ben-Dor
et al. (2004) usaram os dados obtidos pelos sensores hiperespectrais a bordo em um avião para monitorar as taxas de
infiltração nos solos compactos e desagregados com as chuvas simuladas em laborátorio. Uma equação da correlação
entre a taxa de infiltração e as condições físicas do solo foi aplicada para estimar a taxa de infiltração em campo. Mas
essa taxa é afetada por um conjunto de vários fatores, além das condições de agregados, incluindo umidade do solo,
composições químicas, usos do solo e as condições físicas e químicas no subsolo, e outros. Portanto, é necessário usar os
dados hiperespectrais, incluindo as microondas para melhorar suas estimativas. Geralmente, as propriedades subterrâneas
são interpretadas pela observação das características das respostas espectrais das energias eletromagnéticas obtidas na
superfície. As técnicas de monitoramento de umidade do solo são apresentadas no Capítulo 9. As técnicas de
identificação, delineamento e classificação das imagens digitais são apresentadas no Capítulo 14. Nesta seção são
apresentados os fundamentos físicos de interação entre a luz e a água e as várias aplicações das técnicas de
monitoramento de recursos hídricos via satélite, incluindo: estimativa de profundidade e área da superfíce da água e
monitoramento de água subterrânea, qualidade de água e inundação.

6.2 Interação entre luz e água

Uma porção da energia de radiação solar que incide na superfície da água é refletida e outra penetra na água, chega
ao fundo e reflete fora da água. A interação entre luz e água pode ser resumida pela equação (6.1), a seguir:

Em que:  
Iinc = Intensidade de luz que incide na superfície da água;
Isup = Intensidade de luz refletida diretamente pela superfície da água quando chega à superfície da água;
Iabs = Intensidade de luz absorvida pela água;
Iref = Intensidade de luz que penetra na água, chega ao fundo e reflete fora da superfície da água e é
registrada pelo sensor do satélite.

A reflectância pela superfície da água é igual em todos os comprimentos da onda de energia eletromagnética que
muda o ângulo e o nível absoluto da intensidade recebida pelos sensores do satélite. Uma parte da energia solar
incidente, que não foi refletida pela superfície, penetra na água e muda sua direção. Essa mudança de direção de luz,
quando a luz passa de um meio para outro, é chamada refração, expressa pela mudança do ângulo de incidência dos
feixes de luz na superfície para dentro da água (Capítulo 1). Essa porção da radiação solar que entra e sai fora da água é a
que os sensores medem para monitorar as propriedades dos recursos hídricos. Essa parte de radiação sofre o
espalhamento e a absorção causados pela impureza da água, chega ao fundo, reflete pelo fundo, penetra na água de novo
e sai para a superfície. As características espectrais da absorção e espalhamento das matérias orgânica e inorgânica na
água são distintas e utilizadas para prognosticar a profundidade e mesmo a qualidade da água.
No caso da água limpa e rasa, a luz espalhada pela água e principalmente refletida pelo fundo é relativamente fácil
de ser detectada. A detecção do fundo para a estimativa da profundidade da água depende das condições de cor,
turvação, características da superfície do fundo e intensidade da luz que se mantém uniforme na água. A capacidade de
penetração de luz na água é medida pelo fator chamado coeficiente de extinção (k) que considera ambos efeitos de
absorção e espalhamento. A intensidade de luz refletida após atingir o fundo da água e sair para superfície pode ser
estimada pela equação (6.2), sabendo-se o valor do k desta água.
 Em que:  
Iinc = Intensidade de luz incidente na superfície da água;
Iref = Intensidade de luz que penetra na água e reflete para fora da superfície da água
registrada pelo sensor do satélite;
k = coeficiente de extinção;
x = a distância que a luz atravessa.

A figura 6.1 mostra a variação do valor do k quando a luz atravessa a água na faixa do comprimento da onda de
0,186 μm a 2,65 μm para água marítima pura (DEFANT, 1961). Examinando a figura 6.1, a intensidade da luz reduz
drasticamente, logo que penetra numa camada fina da água. Geralmente, o espalhamento da luz depende o tamanho das
partículas suspensas. Quando o tamanho das particulas suspensas for menor que o comprimento da onda da radiação
solar (onda curta entre 0,3 a 3,0 μm) ocorre o espalhamento da luz. As partículas suspensas mais finas (<0,5 μm)
favorecem mais o espalhamento nas ondas mais curtas, tal como azul, que pode atingir o espalhamento máximo e resulta
na cor azul da água. O céu azul e a água azul são ocasionados pelo espalhamento das partículas pequenas com o tamanho
menor que 0,5 μm. Esse fenômeno é chamado espalhamento Rayleigh. A cor muda gradualmente para verde quando o
tamanho das partículas suspensas aumenta. Teoricamente, a cor da água pura, profunda e infinita aparece na cor azul.
Mas, pela presença de impurezas nas partículas suspensas, a cor tem tendência para mudar na seqüência azul esverdeada,
verde, verde amarela, amarela e marrom. As presenças de vida na água, tais como algas e fitoplânctons, também alteram
a cor da água.

Figura 6.1 – Variação do valor de coeficiente de extinção (k) quando a luz atravessa a água na faixa do comprimento da onda de
0,186 μm a 2,65 μm para água marítima pura. Fonte: (DEFANT, 1961).

Baseado no conceito de coeficiente de extinção, a melhor faixa do comprimento da onda na detecção da

penetração profunda da luz na água é dentro da faixa visível (ao redor de 0,5 μm). Specht (1973) mostrou que a
transmitância máxima de luz da água pura destilada e a água marítima pura é alcançada no comprimento da onda em
cerca de 0,48 μm, o que coincide com a intensidade máxima da cor azul (figura 6.2). O pico da transmitância máxima
desloca-se do comprimento da onda mais longa, quando a impureza da água aumenta nas águas costeiras com a cor
esverdeada e baías com a cor verde amarelada. Ao contrário da alta transmitância da luz na água em faixa de visível,
quase toda energia solar incidente na faixa do infravermelho próximo (ao redor de 0,7 μm) é absorvida pela água pura.
Esse contraste é aproveitado pelos sensores nas faixas de visível e infravermelho próximo dos satélites para delinear a
superfície ocupada pela água. Lee et al. (2005) utilizaram os dados de reflectâncias e absorções da água marina obtidos
pelos sensores hiperespectrais de bandas 400 a 700 nm com 10 nm do incremento cada banda para calcular os
coeficientes de extinção das bandas hiperespectrais. Compararam os valores de coeficiente de extinção obtidos pelos
sensores com os dados obtidos em campo. Os resultados mostraram que foi obtido o valor médio de erro de 5%.
Apontaram que os coeficientes de extinção da água marina podem ser obtidos para as bandas hiperespectrais quando os
coeficientes das reflectâncias e absorções forem disponíveis.
 Figura 6.2 – Transmitância da luz em água pura destilada, água oceânica, água de baía e água costeira. Fonte: (SPECHT, 1973).

6.3 Estimativa de profundidade e área da superfície da água

O delineamento da localização e extensão espacial de superfície da água pode ser feito com boa acurácia utilizando
os dados obtidos nas faixas de infravermelho próximo e microondas. A acurácia de estimativa da área ocupada pela água
depende da resolução espacial, ângulo de visada do sensor e ângulo zenital solar. A superfície da água limpa com alguns
metros de profundidade absorve quase totalmente a energia solar na faixa de infravermelho próximo. Portanto, as áreas
com as reflectâncias na faixa de infravermelho próximo ao redor de zero são provavelmente ocupadas pela água. Além
de utilizar uma única faixa de infravermelho próximo para delinear a área de superfície ocupada pela água, vários índices
de vegetação calculados pelas várias combinações de bandas espectrais são freqüentemente usados com boa acurácia. As
assinaturas espectrais da reflectância na faixa de visível podem fornecer algumas informações sobre as condições físicas
das lagoas, rios e terra úmida.
A estimativa de profundidade da água usando os dados de sensoriamento remoto depende da intensidade da
energia eletromagnética refletida que é afetada pelos parâmetros, tais como, claridade da água, atenuação da
profundidade, reflectância do fundo, rugosidade da superfície da água, materiais orgânicos e inorgânicos em suspensão.
Várias bandas espectrais foram usadas para estimativa da profundidade da água. Kumar, Palit e Bhan (1997) usaram a
banda de 0,77 a 0.80 μm. Warne (1972) usou a banda 0,5 a 0,6 μm e Yi e Li (1988) usaram 0,47 a 0,54 μm. Considera
que a energia da radiação solar na banda espectral de 0,44 a 0,54 μm é transmitida pela água clara e penetra na água até
20 metros de profundidade. Portanto, a estimativa de profundidade de água pela reflectância na faixa de visível é viável
nas condições de água limpa e até a uma profundidade de cerca de 20 m por meio da correlação estatística entre os dados
registrados via satélite e coletados em campo. As técnicas de regressão que estimam a profundidade da água em função
de reflectâncias das várias bandas na faixa visível foram apresentadas por vários pesquisadores com resultados
satisfatórios (BENNY; DAWSON, 1983; STOVE, 1985; BARAN, 1993).
Correa e Avila (2002) mapearam a profundidade da água na região costeira do Coral Alacranes localizado na
Península Yucatan do Golfo México utilizando as imagens do Landsat TM. A equação (6.2) foi aplicada para estimar a
profundidade da água com a calibração dos dados em vários níveis de profundidade obtidos pelo batímetro. A figura 6.3
mostra o mapa do batímetro do Coral Alacranes produzido por Correa e Alvia (2002). Apontaram que o erro de
estimativa de profundidade da água aumentou quando a profundidade aumentou. Também o erro aumentou quando a
variação da topografia no fundo aumentou. O erro padrão da média do mapa gerado pela classificação supervisionada foi
em torno de 10% que é considerado aceitável. Tripathi e Rao (2002) apresentaram um modelo de estimativa de
profundidade da água da Baía Kakinada, na Índia em função linear da reflectância da banda 1 (0,52 a 0,59 μm) do
satélite Indiano Indian Remote Sensing Satellite-1D Multispectral Linear Imaging Self Scanning Sensor-III (IRS-1D
LISS-III) com resolução espacial de 23,5 m e a profundidade da água foi corrigida com a turvação da água. O valor de
coeficiente da correlação de 0,97 foi obtido com o valor médio dos erros absolutos de 9,47%. A figura 6.4 mostra a
imagem da Baía Kakinada, na Índia (figura 6.4a) e o mapa de batímetro estimado (figura 6.4b) pelo modelo de regressão
linear.

Figura 6.3 – Mapa da batímetro do Coral Alacranes localizado na Península Yucatan do Golfo México gerado pela imagem Landast
TM. Fonte: (CORREA; ALVIA, 2002).

Figura 6.4 – a. imagem da Baía Kakinada, Índia; b. o mapa de batímetro estimado pelo modelo de regressão linear. Fonte:
(TRIPATHI; RAO, 2002).

6.4 Monitoramento da água subterrânea

O monitoramento da água subterrânea via satélite é complicado, porque a água subterrânea não pode ser retratada
pelos sensores do satélite. Suas aplicações somente podem ser feitas pela interpretação dos dados que registram os
fenômenos da superfície. Os hidrólogos geralmente inferem as condições da água subterrânea baseados nos indicadores
da superfície, tais como: fisionomia e estrutura geológica da superfície, distribuição e tipos da vegetação, características
das correntezas dos rios, anomalias dos tipos e da umidade do solo, cobertura descontínua de gelos nos rios, fontes,
nascentes, e outros. As informações da área de interesse são indispensáveis para validação dos métodos empregados para
suas interpretações.
Para o monitoramento da água subterrânea, o termo “aqüífero” deve ser introduzido. O aqüífero pode ser definido
como a reserva de água subterrânea. Para o monitoramento de um aqüífero, primeiramente, é preciso requerer as
descrições dos parâmetros de transmissibilidade, coeficientes de armazenamento, profundidade de lençóis freáticos e
potencialidade hidráulica de carga artesiana no sistema do aqüífero inteiro. Esses dados não podem ser obtidos pelo
sensoriamento remoto via satélite, mas podem ser inferidos pelas características da superfície do aqüífero registradas
pelos satélites. O processamento dos dados digitais de várias bandas e a análise das imagens pelo reconhecimento de
padrão, agrupamento e classificação são essenciais para localizar a ocorrência de água subterrânea. Mais recente, os
modelos específicos de SIG, que agregam todos dados disponíveis via satélite, podem ser construídos para monitorar
água subterrânea em regiões específicas. Geralmente, as interpretações de litologia, estrutura e ocorrência de água
subterrânea podem ser alcançadas pelas análises de geomorfologia, fisionomia da superfície, tipos, tonalidades e padrões
do solo e da vegetação. Os dados de diferença da intensidade magnética do globo podem ser utilizados para estimativa da
grossura da rocha de sedimentação e a interpretação da base estrutural. Pelo inventário de fontes e nascentes e análises de
tipos, orientações e padrões de fraturas das rochas, pode se produzir o mapa hidrológico que mostra aqüíferos e áreas de
recarga e descarga. A interpretação das estruturas rasas e descargas laterais podem ser obtidas baseadas nas diferenças da
força da gravidade terrestre.
A resolução espacial é um fator crucial para a exploração dos recursos hídricos subterrâneos via satélite. O
monitoramento dos recursos hídricos locais requer uma resolução de alguns metros e o monitoramento regional requer
uma resolução mais grosseira. As imagens das bandas 2 (0,6 a 0,7 μm) e banda 4 (0,8 a 1,1 μm) dos sensores MSS do
Landsat são utilizadas para localizar os aqüíferos. A banda 3 (0,7 a 0,8 μm) é útil para detectar o padrão da umidade do
solo e a banda 1 (0,5 a 0,6 μm) é útil para identificar a vegetação. Uma imagem colorida produzida pela composição
dessas bandas é mais utilizada para a interpretação da água subterrânea. Várias características podem ser identificadas
baseadas nessa imagem colorida para localizar a presença dos aqüíferos. É importante adquirir uma imagem que facilita
as identificações dessas características. Isso depende muito da época do ano e das condições climáticas que fornecem
melhores informações, considerando os fatores como: baixo ângulo da elevação solar, área máxima do solo nu, padrões
de drenagem, derretimento de neve e umidade do solo, tipo e densidade de vegetação nativa, lagoas, estação seca e
litologia em terreno glacial passado.
Naturalmente, as rochas consolidadas contêm água subterrânea na profundidade rasa, mas a abundância de água
subterrânea depende do tipo de rocha e da quantidade e intensidade da fratura que aparecem na superfície. Algumas
características importantes para detectar aqüífero utilizando as imagens do Landsat são:

a)   Tipo da rocha exposta que varia com relevo, forma da drenagem, distribuição de lagoas, textura e tonalidade
da rocha e coberturas vegetais;
b)   alinhamento de fraturas que varie com formas lineares de rios e vales, alongamento de lagoas, vulcões e
buracos depressivos, padrões lineares de vegetação e tonalidade do solo.

Ghulam, Zhu e Abdrahman (2004) detectaram a localização de água subterrânea usando uma combinação das
imagens de Landsat 7 ETM+ e um modelo de simulação de profundidade do lençol freático em função dos dados
espectrais do satélite Landsat. O modelo de distribuição da água subterrânea foi desenvolvido com as correlações entre
as reflectâncias espectrais do Landsat 7 e os dados de observações terrestres. As imagens foram processadas com o
modelo da correção atmosférica chamado, 6S (Second Simulation of Satellite Signal in the Solar Spectrum, Vermote et
al., 1997) para reduzir a incerteza da localização de água subterrânea causada pelas interferências atmosféricas. O
coeficiente da correlação entre as águas subterrâneas localizadas pelas reflectâncias espectrais do Landsat 7 e pelos
dados observados em campo foi de 0,94. Lasne et al. (2005) aplicaram as assinaturas das fases de polarizações da banda
X (3,8 cm) e da banda L (26 cm) do radar SAR para detectar e mapear a umidade do subsolo nas regiões áridas com os
resultados satisfatórios.

6.5 Monitoramento de aqüíferos rasos de areias e cascalhos

Em geral, a maioria das areias e dos cascalhos apresentados em forma repetitiva e uniforme são os depósitos
fluviais que depositam em forma da correnteza, leque aluvial do rio ou depósitos do vale. As características, tais como
formas, padrões, tonalidades e texturas da superfície que indicam os materiais grossos, tais como areias e cascalhos e os
lençóis freáticos perto da superfície são os bons indicadores de aqüíferos rasos. As diferentes formas, originadas nos
vales largos com correntezas lentas, as praias, dunas, leques e deltas de sedimentação aluviais formadas nos lados dos
rios e as mudanças de areias finas e grossas e os tipos de vegetação são bons indicadores de aqüíferos rasos.
Os padrões de drenagem inferem bem a litologia e sua estrutura e as texturas e densidades inferem bem as
características físicas do solo tais como tamanho dos cascalhos, compatibilidade e permeabilidade. Os padrões de
distribuição dos tipos de vegetação natural mostram a extensão dos padrões de drenagem e áreas com alta umidade do
solo. As várias formas de lagoas e as áreas planas e alongadas das areias e cascalhos nos lados do rio inferem os vales do
rio passado. A cor mais escura da superfície do solo indica o solo mais fino e mais úmido que o mais grosso e seco. Os
tipos e as espécies de vegetação nativa são intimamente ligadas com os tipos e profundidades do solo, as características
de drenagem e as variações sazonais de lençóis freáticos. Nas regiões que sofrem inundações periódicas, a vegetação fica
na área mais baixa e as culturas ficam na área mais alta. Nas regiões com estações chuvosas e secas distintas, as áreas
com longo período de vegetação prolongando seu ciclo fenológico antes e depois da estação chuvosa indica os lençóis
freáticos altos. A textura uniforme de uma área na imagem apresenta a ocupação por um tipo de vegetação. A área de
vegetação esparsa infere a topografia nesta área tanto mais alta como a área com vegetação densa.
Em geral, a oscilação diária de temperatura do solo atinge a profundidade de um metro. Se houver a presença dos
lençóis freáticos rasos (0 a 0,3 m), a onda diária de temperatura do solo será atrasada pelo aumento da umidade do solo
no mesmo solo em que resulta o aumento da capacidade do calor latente. Esse atraso da onda de calor é chamado inércia
termal aparente. Portanto, a detecção da variação de inércia termal aparente pelos sensores das bandas termais (8 a 12
μm) pode ser utilizada para estimar a profundidade da presença de lençol freático e umidade do solo (MOORE; MYERS,
1972; WATSON, 1979) e mesmo para identificar a variação de tipos de solo (PRATT; ELLYETT, 1978). Price (1981)
sugeriu que a inércia termal aparente pode ser detectada também pelos dados de albedo na banda de visível e os dados da
amplitude de temperatura diária em superfície nas bandas termais durante as temperaturas diárias mínima (4h da manhã)
e a máxima (14h à tarde). O albedo é a porção da radiação solar (principalmente na faixa do comprimento da onda curta,
0,3 a 3,0 μm) refletida pela superfície (Capítulo 8). Baixos valores de albedo e baixos valores de amplitude diária de
temperatura indicam os lençóis freáticos rasos.
Os dados adquiridos pela missão do Mapeamento da Capacidade de Calor, chamada Heat Capacity Mapping
Mission (HCMM) foram usados para se desenvolver as técnicas de estimativa de profundidade dos lençóis freáticos,
umidade do solo e os problemas relacionados à drenagem (PRICE, 1981). Bilal e Ammar (2002) utilizaram varias
imagens do Landsat TM para mapear linhas de falhas, drenagens, densidade e água relacionadas ao fator topográfico e
mapas de lineamento relacionado ao fator litográfico (Capítulo 5). Isso permitiu a construção de um mapa para
recarregar a água subterrânea que facilita o gerenciamento dos recursos hídricos, tais como capacidade de água das
barragens, lagoas e subterrâneas.

6.6 Monitoramento de qualidade da água

A energia das radiações solares diretas e difusas penetra na superfície da água e sofre uma diminuição por um
conjunto de efeitos, incluindo absorção e espalhamento da água pura e absorção, refração e espalhamento das partículas
suspensas. Para a aplicação dos dados obtidos via satélite no monitoramento da qualidade da água, os vários parâmetros
devem ser considerados os que são listados a seguir (MOORE, 1978):

a)   Radiação solar incidida e refletida que varia com a latitude, dia juliano, ângulo zenital solar e ângulo de visada
do sensor do satélite;
b)   interferências pelos constituintes atmosféricos, incluindo aerossóis, vapor da água e moléculas;
c)   reflectâncias peculiares de radiação solar da superfície da água, tais como Hot Spot e Sun Glint;
d)   a superfície rugosa da água pode produzir mais reflectâncias peculiares que a superfície suave. Na alta
elevação do Sol, a área do Sun Glint pode ficar dentro do ângulo de visada do sensor do satélite;
e)   as bóias, os filmes, as espumas, os detritos, as plantas e os animais flutuando na superfície da água podem
alterar suas reflectâncias registradas pelos sensores do satélite;
f)   a cor da água alterada pelas matérias dissolvidas pode absorver mais a energia solar na água;
g)   a turvação da água pode aumentar a energia do retroespalhamento ocasionada pela concentração, tamanho,
forma e índice da refração das partículas suspensas. As partículas suspensas incluem sedimentação inorgânica,
fitoplânctons, zooplânctons e outros;
h)   espalhamentos e reflectâncias múltiplas que são difíceis de interpretar;
i)   profundidade e as sedimentações no fundo do lago;
j)   as vegetações submersas e emersas podem alterar suas características espectrais.

Bukin et al. (2001) usaram os dados de Sea-viewing Wide Field-of-View Sensor (SeaWiFS) para monitorar a
concentração de clorofila-a na região costeira do Oceano Pacífico e comparar com os resultados das medições de
reflectância da radiação pelos instrumentos a bordo no navio, incluindo fluorímetro, laser e espectrorradiômetro. Os erros
ultrapassaram 100% na concentração de clorofila-a abaixo de 0,06 μg/l, mas alcançaram menores que 25% na
concentração de 0,85 μg/l. Matthews et al. (2001) usaram os dados de Campact Airborne Spectrographic Imager (CASI)
para monitorar a concentração de clorofila-a na região costeira do norte de Norfolk, na Inglaterra. Os resultados foram
comparados com os dados obtidos pelo laser Fluorescente e pela razão de banda azul e banda verde. Os erros ainda
passaram 80%.
Pal e Mohanty (2002) usaram os dados de nível 1B do satélite Indiano (IRS-1B) para identificar e classificar a
qualidade da água na Lagoa Chilka na região leste da Índia. Os dados de banda 1 (0,45 a 0,52 μm), banda 2 (0,5 a 0,59
μm), banda 3 (0,62 a 0,68 μm) e banda 4 (0,77 a 0,86 μm) foram usados para a classificação das áreas de água profunda,
água rasa, água turva com sedimento, vegetação flutuante, vegetação emersa e vegetação submersa e para a comparação
da variabilidade sazonal desses fatores. O método de classificação supervisionada de Máxima Verossimilhança.
Maximum Likelyhood Classifier (MLC) foi usado para classificar e mapear as diferentes classes com o treinamento de
um conjunto de amostras coletadas na lagoa. Os resultados são interessantes por que demonstram a potencialidade da
aplicação dos sensores de espectrais estreitos no monitoramento da qualidade de água. As figuras 6.5a, 6.5b, 6.5c e 6.5d
mostram uma seqüência de quatro imagens geradas em dezembro de 1993, outubro de 1994, janeiro de 1995 e abril de
1995, respectivamente. As áreas de cor azul em diversas tonalidades indicam as áreas inundadas. A figura 6.5a tem
maior área azul que indica a extensão da área inundada na estação chuvosa. As áreas de azul claro indicam a água rasa
com alta turvação e descarregamento das sedimentações dos rios ao mar (figura 6.5b). A figura 6.5d tem menor área azul
indicando que a lagoa está muito seca. Na estação seca, uma mancha vermelha aparece no centro da imagem das figuras
6.5c e 6.5d é a ilha Nalabana. As várias tonalidades de cor vermelha indicam as vegetações emersas e/ou flutuando. As
áreas de cor preta indicam as vegetações submersas. Dwivedi e Sreenivas (2002) também usaram os dados de IRS para
identificar e estimar as áreas com águas salinas ou em estágio de salinização causado pelo projeto de irrigação com
manejo inadequado no sistema de drenagem.

Figuras 6.5 – Imagem IRS composta de bandas 4/3/2 (R/G/B) da Lagoa Chilka, Índia em a. dezembro de 1993, b. outubro de 1994, c.
janeiro de 1995 e d. abril de 1995. a. tem maior área azul indica a extensão da área inundada na estação chuvosa; b. as áreas de azul
claro indicam a água rasa com alta turvação e descarregamento das sedimentações dos rios ao mar; c. na estação seca, uma mancha
vermelha aparece no centro da imagem (ilha Nalabana); d. tem menor área azul indicando que a lagoa está muito seca. Fonte: (PAL;
MOHANTY, 2002).

Dekker, Vos e Peters (2002) apresentaram um modelo ótico analítico para estimativa de materiais suspensos totais
(MST) usando os dados de Landsat TM e SPOT com as informações das propriedades óticas calibradas com os dados
coletados em campo. A figura 6.6 mostra as curvas e equações dos modelos de estimativa de materiais suspensas totais
da Lagoa Frisiana na Austrália construídos com os dados Landsat TM e SPOT.

Figura 6.6 – As curvas e equações dos modelos de estimativa de materiais suspensas totais (MST) da Lagoa Frisiana em Austrália
construídos com os dados Landsat TM banda 2 e banda 3 (B2, B3) e SPOT banda (B). Fonte: (DEKKER; VOS; PETERS, 2002).
 Ammenberg et al. (2002) construíram modelos de estimativa de concentração de fitoplâncton (Cf), partículas
suspensas de materiais inorgânicos, Suspended Particulate Inorganic Material (SPIM) e materiais orgânicos coloridos
dissolvidos, Coloured Dissolved Organic Material (CDOM) usando os dados de reflectâncias de bandas centralizadas nas
550, 664 e 705 nm, coletados pelo avião Compact Airborne Spectrographic Imager (CASI) e os dados de qualidade de
água coletados na Lagoa Malaren, Sweden. Primeiramente, correlacionaram as medições de substâncias de ótica ativa
com as reflectâncias espectrais da superfície de água, aplicando-se a técnica de regressão linear. Depois, construíram os
modelos com os dados de reflectâncias obtidos pelo CASI. Devido os modelos baseados nos dados de reflectâncias da
superfície, as correções atmosféricas são cruciais para obter boa acurácia. Aplicaram o modelo de correção atmosférica
6S (VERMOTE et al., 1997) para executar as correções atmosféricas. Os modelos são apresentados a seguir:

Em que:  
Cf = concentração de fitoplâncton (μg/l);
SPIM = partículas suspensas de materiais inorgânicos Suspended Particulate Inorganic Material (SPIM);
CDOM = materiais orgânicos coloridos dissolvidos, Coloured Dissolved Organic Material (CDOM);
A letra B representa o valor de reflectância e os números dentro do parêntese representa o comprimento da onda
eletromagnética. O R2 representa o valor do coeficiente da determinação.

Recentemente, os modelos hidro-óticos são sugeridos para obter os parâmetros de qualidade de água baseados nos
dados de cor da água que consideram somente os efeitos de espalhamento e a absorção da radiação saindo da água.
Entretanto, evidencias sólidas de que os espalhamentos causados pelo efeito da fluorescência dos pigmentos de clorofila
em fitoplâncton e orgânicos dissolvidos podem afetar substancialmente a cor da água e a radiação que retorna à
superfície da água (FISCHER; KRONFELD, 1990; WATERS, 1995; COBLE; BROPHY, 1996). Pozdnyakov et al.
(2002) apresentaram um modelo hidro-ótico o que considera todos estes fatores na quantificação da qualidade da água.
Concluíram que a concentração de clorofila pode ser estimada com alta acurácia quando a concentração dos minerais
suspensos for alta e orgânicos dissolvidos for menor que 2 mgC/l. Se tiver ausência de orgânicos dissolvidos na água, a
concentração de clorofila também pode ser estimada com alta acurácia nas condições de baixa concentração de minerais
suspensos.
Warrick et al. (2004) monitoraram a concentração de sedimentos na água costeira do Canal Santa Babara,
Califórnia, utilizando a concentração de sedimentos em função não linear das reflectâncias dos sensores espectrais do
SeaWiFS com uma acurácia de 90%. Figueras et al. (2004) apresentaram um modelo que usa a banda 4 do SeaWiFS
centralizada na 510 nm para eliminar o efeito da presença dos fictoplânctons e o mesmo para calcular a concentração de
sedimentos. Gould e Amone (2004) correlacionaram a concentração de algas pela intensidade da cor oceânica, ou seja,
concentração de clorofila obtida pelos dados de SeaWiFS com a temperatura da superfície oceânica (Tso) monitorada
pelos dados de NOAA AVHRR no Mar Leste no Japão. Observaram que a correlação entre a Tso e a concentração de
algas varia sazonalmente: boa em abril entre Tso e concentração de algas, alta concentração de algas nas áreas de
convergências e divergências das correntezas em maio e a concentração de algas é invertida com a Tso perto das
correntes frontais em junho. Estas informações podem ser usadas para localização dos cardumes de peixes. Sváb et. al.
(2005) usaram os dados de Landsat para monitorar a qualidade de água da Lagoa Balaton na Escócia. Observaram que as
concentrações de clorofilas e carbonos orgânicos dissolvidos afetados pelos sedimentos suspensos podem ser detectadas
pela análise dos componentes principais e das regressões múltiplas dos dados de reflectâncias espectrais do Lansat
ETM+. Bruzzone e Melgani (2005) apresentaram um método que combina um conjunto de indicadores usando a técnica
de regressão com a técnica de classificação chamada maquina vetorial de suporte, Support Vector Mechines (SVM) para
estimar a concentração de clorofila da água marina. A concentração de clorofila varia de 0,02 a 25 mg/m3 com o desvio
padrão variando de 0,0005 a 0,012 mg/m3.

6.7 Monitoramento de inundação

6.7.1 Monitoramento de área inundada
 Sippel et al. (1998) delinearam a área inundada da Bacia Amazônia utilizando os sensores de Scanning
Multichannel Microwave Radiometer Sensor (SMMS) a bordo no satélite Nimus 7. Observaram que a área inundada
alcança seu máximo durante o período de maio a agosto. Estimaram também que a variação interanual da inundação
chega ao redor de 50 mil a 80 mil km2 que afeta os ciclos das atividades da flora e fauna. Shimabukuro, Novo e Merts
(2002) delinearam as áreas inundadas do rio principal da Bacia Amazônia da parte Brasileira utilizando 30 imagens
digitais de Landsat TM adquiridas no período de 1986 a 1995. As imagens foram adquiridas em um período de 10 anos
devido à alta pluviosidade da região que tornou impossível imagens sem a contaminação de nuvens no mesmo ano. A
área inundada na Bacia Amazônia estimada por Shimabukuro, Novo e Merts (2002) somente pode ser considerada
como a área de inundação potencial, porque as áreas inundadas foram delineadas usando 30 imagens adquiridas em
diferentes anos Portanto, a aplicação das imagens do Landsat na estimativa das áreas inundadas em uma região extensa
com alta pluviosidade e alta nebulosidade ainda não é viável. São mais viáveis os dados adquiridos pelos sensores de
microondas do satélite SAR, porque os sensores de microondas têm alta capacidade na penetração de nuvens e sofrem
menos atenuações atmosféricas.
Brivio et al. (2002) mapearam áreas inundadas da Bacia do Rio Tanara na Itália usando duas imagens de ERS
1 SAR, uma imagem do dia 4 de outubro de 1994 antes da inundação e outra do dia 9 de novembro de 1994 (três dias
após a inundação). A área inundada estimada pela imagem foi de 20% da área observada devido à imagem ter sido
adquirida nos três dias seguidos ao pico da inundação. Apresentaram um modelo SIG que descreve o peso espacial de
avanço de água em função da distância, elevação e impedimento espacial de propriedades físicas dos diferentes usos do
solo. Devido à falta dos dados que quantificam a complexidade de usos do solo, o modelo só considera a distância e a
elevação. A figura 6.7 mostra o preenchimento de áreas inundadas pelo modelo. O programa de conectividade no
software do ArcView foi aplicado para delinear os pixels com o valor de resistência menor que o pixel de inundação
classificado pelo SAR. A figura 6.8 mostra a comparação das áreas estimadas e observadas. As áreas de cor preta são as
áreas inundadas interpretadas pela imagem SAR. As áreas de cor cinza são as áreas inundadas reportadas oficialmente
pelo governo. A diferença é grande. Mas após a aplicação do modelo SIG que incluiu as possíveis áreas de inundação
com as pequenas manchas de água identificadas nos três dias após a ocorrência da inundação máxima. Os resultados
mostraram que o modelo estimou as áreas inundadas com 96,7% de acurácia que é considerada satisfatória. Sugeriram
que para melhorar a sua acurácia, as imagens SAR devem ser adquiridas no dia do pico da inundação com a aplicação do
modelo sugerido.

Figura 6.7 – Modelo de delineamento das áreas inundadas em função de elevação e distância. Fonte: (BRIVIO et al., 2002).
 Figura 6.8 – Comparação das áreas de inundação da Bacia do Rio Tanara na Itália ocorrida em dia 6 de novembro de 1994 estimadas
pela imagem SAR (áreas de cor preta) e reportadas pelo governo (áreas de cor cinza). Fonte: (BRIVIO et al., 2002).

Birkett (1998) utilizou os dados de JERS 1 SAR para estimar a variação da área inundada indicada pela distância
entre o avanço e o recuo da margem de área inundada do Rio Paraguai. Os dados de distância da margem de área
inundada foram convertidos para os dados de cota do rio baseados em um modelo de elevação digital aplicando SIG. Os
resultados mostram uma acurácia de 10 a 11 cm. Rosenqvist et al. (2002) apresentaram um modelo de estimativa de
áreas inundadas em função da taxa da emissão da banda L do Rio Negro da Bacia Amazônia usando os dados de JERS 1
SAR. A figura 6.9 mostra a imagem da sub-bacia do Rio Jaú gerada com os dados de SAR. A taxa de emissão da banda
L foi estimada pela função de variação diária de cota do rio. Concluíram que a taxa da banda L aumentou rapidamente,
quando a cota baixou rapidamente. Costa et al. (2002) identificaram e mapearam a variação interanual das plantas
aquáticas das áreas inundadas da Bacia Amazônia usando a combinação dos dados das Bandas C e L do JERS 1 SAR e
do RADARSAT com acurácia de 97%.
 Figura 6.9 – A imagem da sub-bacia do Rio Jaú da Bacia Amazônia gerada com dados de SAR. Fonte: (COSTA et. al., 2002).

Rosenqvist e Birkett (2002) estimaram a extensão máxima de inundação da Bacia do Rio Congo usando as
imagens de radar JERS 1. Os dados de cotas máxima e mínima foram consultados para adquirir as imagens de radar.
Usaram também os dados de altímetros do radar TOPEX/POSEIDON para complementar a falta de dados históricos da
cota. Concluíram que as imagens do JERS 1 serviram bem para a estimativa da extensão máxima da inundação, mas não
no monitoramento dinâmico e na variabilidade da área inundada na Bacia do Rio Congo. Sugeriram que a aplicação dos
dados de altímetro adquiridos por radar para monitoramento das cotas nas grandes bacias hidrográficas pode ser uma
alternativa atrativa. Posteriormente, Cherniawsky et al. (2004) usaram também os dados de altímetro do radar
TOPEX/POSEIDON e dos satélites ERS 2 para monitorar as variabilidades sazonais e interanuais do nível do mar nas
áreas costeiras da região Nordeste do Oceano Pacifico com boa acurácia. Mostraram que o nível do mar altera muito
durante o episódio de El Niño do ano 1997/1998 e os episódios de La Niña também. Observaram ainda as origens e os
ciclos da vida de grandes vórtices anticiclones gerados na costa do Canadá. Wang (2004) monitorou a variação inter
anual da área de inundação das várias bacias localizadas nos Estados Nort Carolina e South Carolina, USA, usando os
dados de SAR do JERS 1. O método de classificação chamado, classificação pela árvore de decisão (Decision Tree
Classification) foi aplicado e validado com os dados de observação em campo. Uma acurácia acima de 90% foi obtida.
Costa (2004) mapeou a distribuição sazonal das vegetações nas áreas sujeitas à inundação usando os dados de SAR
obtidos pelos RADARSAT e JERS 1. Argumentou que as diferenças dos sinais de retroespalhamentos das bandas C e L
permitem identificar e classificar vegetação semi-aquática, plantas aquáticas e plantas arbustivas. Os mapas sazonais da
distribuição espacial de vegetação têm uma acurácia de 95%. Amici et al. (2004) mapearam as áreas inundadas usando as
imagens de SAR aplicando as técnicas de classificação de Fuzzy Artificial Neural Networks (ANNs Fuzzy) com acurácia
de 90,3%. Mitra, Tangri e Singh (2005) detectaram que a freqüência das ocorrências dos arrombamentos do sistema dos
rios da Bacia do Rio Sarda que forma a planície Ganda na Índia aconteceu em um período de 10 a 100 anos usando as
informações obtidas pelo sensoriamento remoto, mapas topográficos e investigações em campo. Os processos dos
arrombamentos são causados pelas inundações.

6.7.2 Previsão e estimativa de área inundada da Bacia do Rio Alto Paraguai

A Bacia do Rio Alto Paraguai (BAP) tem uma área de drenagem em cerca de 484.970 km2, cobrindo partes de
Brasil, Bolívia e Paraguai (área bem levena figura 6.1). Caso inclua a parte Chaco Seco do Paraguai, a bacia aumentará
cerca de 45%. Devido à sub-bacia Chaco Seco contribuir com pouca água fez com que geralmente fosse excluído nas
análises hidrológicas da BAP. O Pantanal, localizado em Latitude: 18° a 23,30°S e Longitude: 56° a 60°W, ocupando
uma área de 138.000 km2 cobrindo três países, incluindo Brasil, Bolívia e Paraguai (área cinza na figura 6.10). Os
tributários da BAP formam um leque complexo dos rios na planície que favorece a freqüente ocorrência de inundação.
As figuras 6.11 e 6.12 mostram o leque dos rios entrelaçados e a formação dos milhares lagos quando a água recua na
estação seca. O Pantanal, que é considerado como um dos maiores patrimônios da diversidade biológica do Mundo, é um
refúgio perfeito para a diversa flora e fauna. Além das atividades agropecuárias, pescas e das comunidades indígenas, as
atividades do eco-turismo estão crescendo recentemente na região. As freqüentes cheias imprevistas na estação chuvosa
interrompem as rodovias que prejudicam as comunicações e transportes terrestres, as atividades agropecuárias e as
atividades do ecoturismo, além dos animais ficarem presos na água (figura 6.13). A freqüência da ocorrência de cheias
tem tendência de aumentar cada ano devido ao aumento do sedimento causado pela erosão nas regiões mais altas. Além
de elaborar um plano efetivo do controle da erosão em longo prazo, uma previsão confiável da ocorrência e do avanço
das cheias pode orientar as ações adequadas para minimizar os danos causados pela inundação.

Figura 6.10 – Limite da Bacia do Rio Alto Paraguai e as localidades das 6 estações pluviométricas e uma estação fluviométrica.
Fonte: (LIU; AYRES, 2005).

Vários estudos foram feitos para tentar prever a ocorrência de cheias no Pantanal. Galdino e Clarke (1997)
estimaram as probabilidades dos meses de ocorrência de cota máxima usando os dados de chuva e cota mensais da
estação hidrológica em Ladário, Hamilton, Sippel e Melack (1996) utilizaram os dados dos sensores SMMS a bordo do
satélite Nimus 7 para estimar a extensão das áreas inundadas no Pantanal. Simularam as áreas de inundação durante o
período de 1900 a 1995. Apresentaram também uma equação (6.6) para estimativa de área inundada em função da soma
da cota de dois meses após a ocorrência da inundação. Sugeriram o uso dos dados da cota para estimativa da área
inundada no Pantanal. Mas o modelo de Hamilton, Sippel e Melack (1996) não pode ser aplicado para prever a
ocorrência de inundação e estimar a área inundada porque usou dados das cotas dos dois meses após a ocorrência da
inundação.
 Figura 6.11 – Os tributários entrelaçados da Bacia do Rio Alto Paraguai que formaram um leque complexo no Pantanal, MS, Brasil.
Fonte: (LIU; AYRES. 2005).

Figura 6.12 – Milhares de pequenas lagoas formadas durante a estação de seca no Pantanal, MS, Brasil. Fonte: (LIU; AYRES. 2005).

Figura 6.13 – Regate de bovinos na área de inundação na região Nabileque do Pantanal, MS, Brasil. Fonte: (LIU; AYRES. 2005).

Em que:  
INUNDAt = área de Inundação de mês 1 (km);
RWL t+1 e RWLt+2 = cota de um e dois meses após mês t respectivamente.

Liu e Ayres (2005) analisaram a variação interanual de cota na estação hidrológica em Ladário para estudar o
comportamento da inundação da BAP. Observaram que a cota respondeu à precipitação (PCP) com 5 meses de atraso e
respondeu a NDVI com três meses de atraso. Apresentaram um modelo de estimativa de cota mensal em função dos
dados mensais de PCP e NDVI. A equação (6.7) mostra que a cota pode ser estimada com três meses antecedentes.

Em que:  
RWLt = Cota do mês t (m);
PCP = Precipitação mensal (m);
NDVI = NDVI mês na (adimensional);

Subscritos t−6, t−5 e t−4 representam os meses 6, 5 e 4 antes do mês t respectivamente.

Os resultados mostraram que o modelo de RWL teve R2 de 0,7903 e desvio padrão de 0,601. A figura 6.14 mostra
a comparação das cotas simuladas e observadas. A média dos erros absolutos 15,22 % foi obtida na simulação do
modelo. A figura 6.15 mostra a comparação das cotas previstos e observados. A media dos erros absolutos 14,45 % foi
obtida na validação do modelo. Isto indica que o funcionamento do modelo é estatisticamente estável.
 Figura 6.14 – Comparação das cotas observadas e simuladas usando os dados de cota, precipitação e NDVI do período de julho de
1981 a julho de 1994 da estação Ladário (19,1°S; 57,5°W), MS, Brasil. Fonte: (LIU; AYRES, 2005).

Figura 6.15 – Comparação das cotas observadas e previstas usando os dados de cota, precipitação e NDVI do período de novembro
de 1994 a outubro de 2000 da estação Ladário (19,1°S; 57,5°W), MS, Brasil. Fonte: (LIU; AYRES, 2005).

Em seguida, a equação (6.6) de estimativa de área Inundada proposto por Hamilton, Sippel e Melack (1996) foi
aplicada para prever a extensão da área inundada da BAP. Visando à equação (6.6) tem a tendência de prever a cota
máxima anual com um a três meses de atraso, um modelo de previsão da ocorrência de cota máxima anual pela equação
(6.8) foi sugerido para corrigir este erro.

Em que:  
Mmax = o mês que ocorre a Cota máxima anual;
COTA = COTA máxima anual (m).

A tabela 6.1 mostra os resultados da previsão da ocorrência da cota máxima anual que o modelo funcionou bem na
previsão. Dentro de 20 anos, o modelo acertou 12 anos. O resto dos 8 anos, o modelo estimou um mês antes da
ocorrência da cota máxima. Isto não é prejudicial porque a previsão da ocorrência antecipada dará o tempo maior para
mitigar o desastre da inundação ou controle de tráfico dos barcos quando ocorrerá a baixa cota. Sugeriram que pelo uso
combinado das equações (6.6) a (6.8), a área inundada do Pantanal pode ser prevista com um mês de antecedência com
acurácia razoável.
Tabela 6.1 – Comparação das cotas anual máxima (observadas e simuladas na estação hidrometeorológica em Ladário, MS, Brasil). Fonte:
(LIU; AYRES, 2005).
Figura 6.16 – Limites das seis sub-bacias que compõem a Bacia do Rio Alto Paraguai, incluindo: Cuiabá, Cáceres, São Francisco,
Ladário, Porto Esperança e Porto Murtinho, Brasil. Fonte: (LIU; AYRES, 2004).

Liu e Ayres (2004) apresentaram seis modelos de estimativa de cota das seis sub-bacias que compõem a BAP
visando ao atraso da resposta da cota nas diferentes estações hidrológicas ao longo do rio. Os dados mensais de
precipitação, NDVI, cota das seis estações hidrológicas que registram as águas drenadas das seis sub-bacias, incluem
Cuiabá, Cáceres, São Francisco, Ladário, Porto Esperança e Porto Murtinho, da cada sub-bacia do período de 1981 a
1993 foram usados para construir os modelos e os dados do período de 1995 a 2000 foram usados para a validação dos
modelos. A figura 6.16 mostra os limites dessas seis sub-bacias. Os resultados mostraram que os erros variam de 7,7% a
102%. Isto contesta que é impossível de prever as cotas dessas sub-bacias devido à complexidade das invasões das águas
drenadas das várias sub-bacias para outras. Sugeriram que uma investigação mais profunda para aperfeiçoar seus
métodos de previsão. Por exemplo, os modelos das sub-bacias devem ser construídos para prever a cota no ponto do rio
fora da área susceptível à inundação e considerar o peso da contribuição de água drenada de cada sub-bacia no soma total
da bacia inteira. Por outro lado, o aumento da deposição de sedimentos nos leitos ao longo dos rios, causado pelos
impróprios usos do solo, pode contribuir para o aumento da cota. Esta tendência do aumento ao longo prazo deve ser
eliminada para melhorar sua previsão, porque os efeitos das variabilidades interanuais de chuva e NDVI causam a
variação anual da cota e não a tendência de aumento de cota causada pelo aumento de sedimentos em longo prazo.

Referências
AMICI, G.; DELLÁCQUA, F.; GAMBÁ, P.; PULINA, G., 2004. A comparison of fuzzy and neuro-fuzzy data fusion for flooded area
mapping using SAR images. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4425-4430.
AMMENBERG, A.; FLINK, P.; LINDELL, T.; PIERSON, D.; STROMBECK, N., 2002. Bio-optical modeling combined with remote
sensing to assess water quality. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1621-1638.
BARAN, S. M., 1993. The evaluation of different algorithms by bathymetry charting of lakes using Landsat imagery. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.14: 2263-2273.
BEN-DOR, E.; PATKIN, K.; BANIN, A.; KAMIELI, A., 2002. Mapping of several soil properties using DAIS-7915 hyperspectral
scanner data - a case study over clayey soils in Israel. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
23:1043-1062.
BEN-DOR, E.; GOLDSHLEGER, N.; BRAUN, O.; KINDEL, B.; GOETZ, A.; BONFIL, D.; MARGALIT, N.; BINAYMINI, Y.;
KAMIELI, A.; AGASSI, M., 2004. Monitoring infiltration rates in semiarid soils using airborne hyperspectral technology. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:2607-2624.
BENNY, A. H.; DAWSON, G. J., 1983. Satellite imagery as an aid to bathymetric charting in the red sea. The Cartographic Journal,
Maney Publishing, London, UK. 20:5-16.
BILAL, A.; AMMAR, O., 2002. Rainfall water management using satellite imagery - example from Syria. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 23:207-219.
BIRKETT, C. M., 1998. Contribution of the TOPEX NASA radar altimeter to the global monitoring of large rivers and wetlands. Water
Resources Research, American Geophysical Union, St. Louis, MO, USA. 34:1223-1239.
BRIVIO, P. A.; COLUMBO, R.; MAGGI, M.; TOMASONI, R., 2002. Integration of remote sensing data and GIS for accurate mapping
of floods areas. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:429-442.:
BRUZZONE, L.; MELGANI, F., 2005. Robust estimator systems for the analysis of biophysical parameters from remotely sensed data.
IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New
Jersey, USA. 43:159-174.
BUKIN, O. A.; PAVLOV, A. N.; PERMYAKOV, M. S.; MAYOR, A. Y.; KONSTANTINOV, O. G.; MALEENOK, A. V.; OGAY, S.
A., 2001. Continuous measurements of chlorophyll-a concentration in the Pacific Ocean by shipborne laser fluorometer and radiometer:
comparison with SeaWiFS data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:429-442.
BURKE, E. J.; SIMMONDS, L. P., 2003. Effects of sub-pixel heterogeneity on the retrieval of soil moisture from passive microwave
radiometry. International of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:2085-2104.
COBLE, P. G.; BROPHY, M. M., 1996. Investigation of the geochemistry of dissolved organic matter in coastal waters using optical
properties. Proceedings of the XII Symposium of Ocean Optics, Symposium of Processing Image Electronically (SPIE), International
Society of Optical Engineering, Bellingham, Washington State, USA. 494:56-61.
COLWELL, R. N. 1985. Manual of Remote Sensing, 2nd Edition, American Society of Photogrammetry. The Sheridan Press, New York,
USA, V1:1-1232, V2:1233-2400.
CHERNIAWSKY, J. Y.; FOREMAN, M. G.; CRAWFORD, W. R.; BECKLEY, B. D., 2004. Altimeter observations of sea-level
variability off the west cost of North America. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1303-
1306.
CORREA, M. A. L.; AVILA, J. I. E., 2002. Assessment of coral reef bathymetric mapping using visible Landsat Thematic Mapper data.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1-14.
COSTA, M. P., 2004. Use of SAR satellites for mapping zonation of vegetation communities in the Amazon floodplain. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1817-1835.
COSTA, M. P.; NIEMANN, O.; NOVO, E.; AHERN, F., 2002. Biophysical properties and mapping of aquatic vegetation during the
hydrological cycle of the Amazon floodplain using JERS-1 SAR and RADARSAT. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 23:1401-1426.
DEFANT, A., 1961. Physical Oceanography, Pergamon Press, New York, V.1, 52.p
DEKKER, A. G.; VOS, R. J.; PETERS, S. W., 2002. Analytical algorithms for lake water TSM estimation for retrospective analyses of
Landsat TM and SPOT sensor data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23: 15-36.
DUCHEMIN, B.; GUYON, D.; LAGOUARDE, J. P., 1999. Potential and limits of NOAA AVHRR temporal composite data for
phenology and water stress monitoring of temperate forest ecosystems. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 20: 895-917.
DWIVEDI, R. S.; SREENIVAS, K., 2002. The vegetation and water logging dynamics as derived from space borne multispectral and
multitemporal data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:2729-2740.
FIGUERAS, D.; KAMIELI, A.; BRENNER, A.; KAUFMAN, Y. J., 2004. Masking turbid water in the southeastern Mediterranean Sea
using the SeaWiFS 510 nm spectral band. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4051-4059.
FISCHER, J.; KRONFELD, U., 1990. Sun-stimulated chlorophyll fluorescence I: Influence of oceanic properties. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 11:2125-2147.
GALDINO, S.; CLARKE, R. T., 1997. Probabilidade de ocorrência de cheia no Rio Paraguai, em Ladário. MS – Pantanal. 1997.
Circulação Técnica N° 23, EMBRAPA-CPAP, Corumbá, MS. 58p.
GALLO, K. P.; OWEN, T. W., 2002. A sampling strategy for satellite sensor-based assessments of the urban heat-island bias.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1935-1939.
GHULAM, A.; QIN, O.; ZHU, L.; ABDRAHMAN, P., 2004. Satellite remote sensing of ground water: quantitative modeling and
uncertainty reduction using 6S atmospheric simulations. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
25:5509-5524.
GOULD, R. W.; AMONE, R. A., 2004. Temporal and spatial variability of satellite sea surface temperature and ocean color in the
Japan/East Sea. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25: 1377-1382.
HAMILTON, S. K.; SIPPEL, S. J.; MELACK, J. M., 1996. Padrões de Inundação no wetland de Pantanal de América do Sul determinado
de microonda passiva sentindo remoto. Archeological Hydrobiology, Elsevier Science Publishing Co. New York, USA. 137:1-23.
HIELKEMA, J. U.; PRINCE, S D.; ASTLE, W. L., 1986. Rainfall and vegetation monitoring in the Savanna Zone of the Democratic
Republic of Sudan using the NOAA AVHRR. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 7:1499-1513.
IDSO, S. B.; SCHMUGGE, T. J.; JACKSON, R. D.; REGINATO, R. J., 1975. The utility of surface temperature measurements for
remote sensing of soil water status. Journal of Geophysical Research, American Geophysical Union, St. Louis, MO, USA. 80:3044-3049.
JACKSON, T. J.; HSU, A. Y.; SHUTKO, A.; TISHCHENKO, Y.; PETRENKO, B.; KUTUZA, B.; ARMAND, N., 2002. Evaluation of
the merging of SPOT multispectral and Panchromatic data for classification of an urban environment. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 23: 231-248.
JACKSON, T. J.; HSU, A.Y.; VAN DE GRIEND, A.; EAGLEMAN, J. R., 2004. Skylab L-band microwave radiometer observations of
soil moisture revisited. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:2584-2606.
KUMAR, V. K.; PALIT, A.; BHAN, S. K., 1997. Bathymetric mapping in Rupnarayan-Hooghly river confluence using IRS data.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18: 2269-2270.
LASNE, Y.; PAILLOU, P.; RUFFIE, G.; CRAPEAU, M., 2005. Effect of multiple scattering on the phase signature of wet subsurface
structures: applications to polarimetric L- and C-band SAR. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and
Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:1716-1726.
LEE, Z. P.; RHEA, W. J.; ARNONE, R.; GOODE, W., 2005. Absorption coefficients of marine waters: expanding multi information to
hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America,
Piscataway, New Jersey, USA. 43:118-124.
LIU, W. T.; AYRES, F. M.; SALLES, A. T.; PADOVANI, C., 2002. Upper Paraguay River water level prediction using NOAA AVHRR
NDVI. Proceedings of the First Symposium on the Recent Advances in Quantitative remote sensing, Valencia, Spain, 93-99.
LIU, W. T.; AYRES, F. M., 2004. Upper Paraguay river water level prediction from space: sub basin model. Abstract of the 25th Annual
Meeting Society of Wetland Scientist, Seattle, Washington, USA, p.158.
LIU, W. T.; AYRES, F. M., 2005. Upper Paraguay River inundation area prediction using rainfall and NDVI. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 26:4455-4470.
LU, Z.; MANN, D.; FREYMUELLER, J.; MEYER, D., 2000. Synthetic aperture radar interferometry coherence analysis over Okmok
volcano, Alaska: radar observation. Journal of Geophysical Research, American Geophysical Union, St. Louis, MO, USA. 105:10791-
10806.
LU, Z.; MEYER, D. J., 2002. Study of high SAR backscattering caused by an increase of soil moisture over a sparely vegetation area:
implications for characteristics of backscattering. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1063-
1074.
MASSONNET, D.; FEIGL, K., 1998. Radar interferometry and its application to changes in the earth surface. Review of Geophysics,
American Geophysical Union, St. Louis, MO, USA. 36:441-500.
MATTHEWS, A. M.; DUNCAN, A. G.; DAVISON, R. G., 2001. An assessment of validation techniques for estimating chlorophyll-a
concentration from airborne multispectral imagery. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 429-
447.
MITRA, D.; TANGRI, A. K.; SINGH, I. B., 2005. Channel avulsions of the Sadra River System, Ganga Plain. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 26:929-936.
MOORE, D. G.; MYERS, V. I., 1972. Environmental factors affecting thermal ground water mapping, Remote Sensing Institute,
Technical Report. South Dakota State University, Brookings, SD, USA. 71p.
MOORE, G. K., 1978. Satellite surveillance of physical water quality characteristics. Proceedings of 12th International Symposium on
Remote Sensing of Environment. Ann Arbor, Michigan, ERIM, 445-462.
PAL, S. R.; MOHANTY, P. K., 2002. Use of IRS-1B data for change detection of water quality and vegetation of Chilka lagoon, east of
India. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1027-1042.
POZDNYAKOV, D.; LYASKOVSKY, A.; GRASSL, H.; PETTERSSON, L., 2002. Numerical modelling of transspectral processes in
natural waters: implications for remote sensing. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1581-
1607.
PRATT, D. A.; ELLYETT, C. D., 1978. Image registration for thermal inertia mapping and its potential use for mapping soil moisture and
geology in Australia. Proceedings of the 12th International Symposium on Remote Sensing of Environment, ERIM, Ann Arbor, Michigan,
1207-1217.
PRICE, J. C., 1981. NASA to launch heat capacity mapping mission. Journal of the British Interplanetary Society, London, UK. 31:131-
136.
ROSENQVIST, A.; BIRKETT, C. M., 2002. Evaluation of JERS-1 SAR for hydrological applications in the Congo River Basin.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1283-1302.
ROSENQVIST, A.; FORSBERG, B. R.; PIMENTAL, T.; RAUSTE, Y. A.; RICHEYT, J. E., 2002. The use of space borne radar data to
model inundation patterns and trace gas emissions in the central Amazon floodplain. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 23:1303-1328.
SHIMABUKURO, Y. E.; NOVO, E. M.; MERTS, L. K., 2002. Amazon River mainstem floodplain Landsat digital mosaic. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:57-69.
SIPPEL, S.; HAMILTON, S. K.; MELACK, J. M.; MERTS, E. M., 1998. Passive microwave observations of inundation area and
area/stage relation in the Amazon River floodplain. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
19:3055-3074.
SPECHT, M. R., 1973. New Color film for water photography penetration, Photogrammetric Engineering and Remote Sensing, Elsevier
Science Publishing Co., New York, USA. 39:359-369.
STOVE, G. C., 1985. Use of high resolution satellite imagery in optical and infrared wavebands as an aid to hydrographic and coastal
engineering. Proceedings Conference on Electronics in Soil and Gas, London, UK. January 1985. p.509-530.
SVÁB, E.; TAYLOR, A. N.; PRESTON, T.; PRESING, M.; BALOGH, K. V., 2005. Characterizing the spectral reflectance of algae in
lake waters with high suspended sediment concentration. . International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
26:919-928.
TANSEY, K. J.; MILLINGTON, A. C., 2001. Investigating the potential for soil moisture and surface roughness monitoring in drylands
using ERS SAR data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:2129-2149.
TRIPATHI, N. K.; RAO, A. M., 2002. Bathymetric mapping in Kakinada Bay, India using IRS-1D LISS-III data. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1013-1025.
VERMOTE, E. F.; TANRÉ, D.; DEUZÉ, J. L.; HERMAN, L.; MORCRETTE, J., 1997. Second simulation of satellite signal in the solar
spectrum, 6S: an overview, IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of
America, Piscataway, New Jersey, USA. 35:675-686.
WARNE, D. K.; 1972. Landsat as an aid in the preparation of hydrographic charts. Photogrammetric Engineering and Remote Sensing,
Elsevier Science Publishing Co., New York, USA. 44:1011-1016.
WARRICK, J. A.; MERTES, L. A.; SIEGEL, D. A.; MACKENZIE, C., 2004. Estimating suspended sediment concentrations in turbid
waters of the Santa Barbara Channel with SeaWiFS. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
25:1995-2002.
WANG, Y., 2004. Seasonal change in the extent of inundation on floodplains detected by JERS-1 Synthetic Aperture Radar data.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:2497-2508.
WATERS, K. J., 1995. Effect of Raman scattering on water-leaving radiance. Journal of Geophysical Research, American Geophysical
Union, St. Louis, MO, USA. 100:13151-13161.
WATSON, K., 1979. Regional thermal inertia mapping to discriminate geologic materials. Proceedings of the 13th International
Symposium on Remote Sensing of Environment, ERIM, Ann Arbor, Michigan, 79-80.
YI, G.; LI, T., 1988. The ocean information contents of remotely sensed image and the acquisition of water depth message. Proceedings of
the 9th Asian Conference on Remote Sensing, Bangkok, Thailand, F3.1-F3.8.
7.1 Introdução
Nas aplicações de sensoriamento remoto, os cientistas desenvolveram os índices de vegetação para monitorar e
quantificar as condições e distribuições espaciais das vegetações, usando os dados digitais de reflectâncias espectrais da
radiação eletromagnética. Os índices de vegetação são obtidos das várias combinações matemáticas das reflectâncias em
várias faixas espectrais da radiação eletromagnética. Em princípio, o objetivo é utilizar os índices de vegetação para
condensar as informações espectrais e discriminar o que é vegetação e não vegetação, avaliar as condições de
crescimento das culturas, ocorrências de doenças, pragas, secas e geadas, e diversos eventos catastróficos
meteorológicos. As aplicações de índices de vegetação no monitoramento e na discriminação de usos do solo na
superfície terrestre têm várias vantagens. Citam-se as seguintes:
 a)    os dados compactos de índices de vegetação são calculados com os dados de reflectâncias das várias faixas
espectrais da energia de radiação eletromagnética;
b)    os valores relativos compensam a variação de intensidade da radiação;
c)    corrigem parcialmente os efeitos das variações locais das condições atmosféricas e das variações de ângulo de
visada de sensores e ângulos solares, considerando se esses efeitos na variação da reflectância recebida pelos
sensores nas bandas que compõem os índices são da mesma magnitude.

Bannari, Morin e Bonn (1995) apresentaram uma revisão extensa dos índices de vegetação gerados com os dados
de satélite. Apontaram que mais de quarenta índices de vegetação foram desenvolvidos durante os últimos 20 anos para
tentar explorar as aplicações das reflectâncias espectrais no monitoramento da vegetação. Em geral, a resposta espectral
da superfície de vegetação envolve uma mistura complexa de vegetação, os efeitos ambientais, brilho, cor e umidade do
solo e efeitos das variações espacial e temporal das condições atmosféricas. Na primeira etapa, os índices de vegetação
são fundamentados somente nas combinações lineares ou nos dados brutos da reflectância de zero a 100%,
correspondendo à escala de nível de cinza de zero a 255. Na segunda etapa, os índices de vegetação são fundamentados
no conhecimento dos fenômenos físicos que explicam as interações entre radiação eletromagnética, atmosfera, cobertura
da vegetação e superfície do solo. As pesquisas mostram que a segunda geração de índices de vegetação são menos
sensíveis aos efeitos atmosféricos e aos brilhos da superfície do solo. Portanto, os índices gerados pela simulação,
fundamentado nas equações de transferência da radiação sob as diferentes condições atmosféricas ideais, são mais
corretos. Mas tais índices conservam ou não a sua sensibilidade quando aplicados às condições atmosféricas das outras
regiões? Somente as pesquisas feitas nas várias regiões podem confirmar esse argumento.

7.2 Tipos de índice de vegetação

Geralmente, a superfície da vegetação absorve a radiação na faixa de visível, (Visible - VIS - de 0,4 a 0,7 μm) e
reflete na faixa de infravermelho próximo (Near Infrared - NIR - de 0,725 a 1,10 μm). Nesse caso, o índice de vegetação
pode ser uma razão, diferença ou várias combinações entre os valores de reflectância de VIS e NIR. Um índice de
vegetação ideal deve ser sensível à vegetação, insensível ao fundo do solo e não tem interferências atmosféricas.
Inicialmente, na década de 1970, foram desenvolvidos vários índices de vegetação, a maioria baseada nos satélites
Landsat. Posteriormente, vários índices de vegetação foram derivados baseados nos dados obtidos por outros satélites.
Os índices de vegetação não são mais restritos às reflectâncias das faixas VIS e NIR. Os índices também foram gerados
com os dados nas faixas de infravermelho termal e microondas. Boyd e Petitcolin (2004) apontaram que as reflectâncias
nas faixas de infravermelho médio entre 3 e 5 μm Middle Infrared (MIR) podem ser usadas para monitorar as evoluções
do meio ambiente terrestre aproveitando sua facilidade de penetração na camada atmosférica. Eles revisaram os
fundamentos teóricos das interações entre MIR e diferentes superfícies terrestres e também as técnicas de processamento
destes dados e suas aplicações atuais. Todos os índices gerados com as várias combinações dos dados adquiridos pelos
sensores de satélite são chamados de índices de vegetação. Os índices de vegetação mais usados são apresentados a
seguir.

7.2.1 Índice de vegetação pela razão

O índice de vegetação pela razão, (Ratio Vegetation Index – RVI) foi o primeiro índice proposto por Pearson e
Miller (1972), que é a razão das faixas de NIR e VIS representada pela equação (7.1). As folhas verdes absorvem a
radiação na faixa de VIS e refletem na faixa NIR. Por isso, o RVI pode ser um bom indicador do crescimento da cultura
e da estimativa da biomassa. Mas as interferências atmosféricas na radiação durante sua passagem na atmosfera,
principalmente a reflectância diferenciada entre NIR e VIS nos topos de nuvens, afetam o valor absoluto do RVI, o que
pode comprometer a interpretação dos resultados.

Em que:
RVI = índice de vegetação pela razão;
NIR = reflectância na faixa de infravermelho próximo (0,725 a 1,10 μm);
VIS = reflectância na faixa de visível (0,4 a 0,7 μm).

7.2.2 Índice de brilho de solo e índice de vegetação verde

Kauth e Thomas (1976) propuseram uma técnica para transformar as informações de quatro bandas de Landsat
MSS em dois índices de vegetação fundamentada na reflectância da copa da vegetação que são derivados da análise do
componente principal das quatro faixas do Landsat MSS representando quatro características espectrais: brilho, verde,
amarelo e nenhum destes três casos. A maioria das variações espectrais de culturas pode ser discriminada pelo brilho do
solo e grau de verde da vegetação. O valor de brilho foi chamado de índice de brilho do solo (Soil Brightness Index –
SBI) e o valor de verde de vegetação foi chamado de índice de verde da vegetação (Green Vegetation Index – GVI). Os
índices de SBI e VGI são calculados pelas equações (7.2) e (7.3).

Em que:
SBI = índice do brilho do solo. (Soil Brightness Index – SBI);
GVI = índice de verde de vegetação. (Green Vegetation Index – GVI).

Nota-se que os pesos de MSS5 e MSS6 são maiores nessas equações. O valor do brilho representa o valor médio
de albedo do solo que varia pouco durante o ciclo da cultura. O grau de verde representa a concentração de clorofila
inferindo na quantidade de biomassa da vegetação verde.

7.2.3 Verde sobre solo nu

Hay et al. (1979) apresentaram o índice de verde sobre solo nu (Greenness Above Bare Soil – GABS), que é a
diferença de grau de verde da superfície de vegetação e de solo nu calculada pelas equações (7.2) e (7.3). Isto é utilizado
para eliminar o efeito do solo na superfície à reflectância da vegetação. O valor do SBI da equação (7.2) é determinado
durante o solo sem vegetação, que serve como um valor limiar e deve ser subtraído no valor do GVI obtido na equação
(7.3). A equação (7.4) representa o cálculo do GABS.

Em que:  
GABS = índice de verde sobre solo nu (Greenness above Bare Soil – GABS).

7.2.4 Índice de vegetação pela diferença

O índice de vegetação pela diferença (Difference Vegetation Index – DVI) foi proposto por Richardson e Wiegand
(1977). Ele é calculado pela diferença da reflectância de NIR e VIS. Esse índice também infere a quantidade de
vegetação verde. Por essa mesma razão, como nos índices de vegetação pela razão RVI, a interferência atmosférica pode
comprometer as interpretações dos valores obtidos nas várias condições atmosféricas.

7.2.5 Índice de vegetação da diferença normalizada

O índice de vegetação da diferença normalizada (Normalized Difference Vegetation Index – NDVI) foi proposto
por Rouse et al. (1973). O NDVI é calculado pela diferença de reflectância entre a faixa de NIR e a de VIS. Essa
diferença é normalizada pela divisão da suma das faixas de NIR e VIS. A equação geral é representada pela equação
(7.5).

Em que:
NDVI = índice de vegetação da diferença normalizada;
NIR = reflectância da faixa de infravermelho próximo (0,725 a 1,10 μm);
VIS = reflectância da faixa de visível (0,4 a 0,7 μm).

Por ser resultado da combinação de duas bandas, o NDVI encobre parcialmente os efeitos de presença dos
constituintes atmosféricos e das perturbações radiométricas e geométricas (HOLBEN, 1986). A vantagem do NDVI
sobre os RVI e DVI é que ele elimina parcialmente as interferências atmosféricas. Por causa da normalização, os efeitos
das variações de ângulos solares e ângulo de visada dos sensores também são minimizados (HOLBEN, 1986). Os
sensores a bordo dos diferentes satélites têm suas faixas espectrais diferentes. Portanto, as duas bandas espectrais dos
sensores dos diferentes satélites que correspondem às faixas de NIR e VIS são usadas para calcular o NDVI. As
equações (7.6) a (7.9) são usadas para calcular o NDVI com as reflectâncias obtidas pelos sensores de Landsat MSS,
+
Landsat TM/ETM , NOAA AVHRR e SPOT HRV/HRG, respectivamente.

Satélite Landsat com os sensores de MSS:

MSS5 = banda 5 do sensor MSS do Landsat (0,6 a 0,7 μm);

MSS7 = banda 7 do sensor MSS do Landsat (0,8 a 1,1 μm).

Tucker (1977) argumentou que o valor de reflectância da banda do MSS6 foi mais alto que o valor da banda do
MSS7 e que a reflectância da banda do MSS6 inferiu melhor ao grau de verde que a da banda do MSS7. Portanto, os
dados do MSS7 foram substituídos pelos dados do MSS6, posteriormente.

Satélite Landsat com os sensores TM e ETM+:

TM3 = banda 3 do sensor TM ou ETM+ (0,63 a 0,69 μm);

TM4 = banda 4 do sensor TM ou ETM+ (0,76 a 0,90 μm).

Satélites NOAA com os sensores AVHRR,

Canal 1 = Canal 1 do sensor AVHRR do satélite NOAA (0,58 a 0,68 μm)

Canal 2 = Canal 2 do sensor AVHRR do satélite NOAA (0,725 a 1,1 μm)

Satélite SPOT com os sensores de HRV e HRG,

B2 = Banda 2 do SPOT (0,61 a 0,68 μm)

B3 = Banda 3 do SPOT (0,79 a 0,89 μm)

O valor de NDVI varia de −1 a +1. Os valores negativos representam as nuvens e ao redor de zero representam
solo nu ou sem vegetação. O valor de NDVI maior que zero representa a vegetação. O valor de NDVI mais alto indica o
grau de verde da superfície mais alto que pode ser usado para inferir na vegetação mais densa ou vegetação em pleno
vigor do crescimento. Em uma superfície de vegetação em pleno vigor de crescimento vegetativo, o grau de verde
alcança o valor máximo. A reflectância do NIR alcança o valor máximo de 0,55 e o VIS mínimo de 0,5. Aplicando esses
dados na equação (7.5), o valor máximo do NDVI é 0,833. Portanto, o valor de NDVI nunca ultrapassa 0,84. Depois,
para evitar o valor negativo de NDVI, Rouse et al. (1974) apresentaram o índice de vegetação transformada, chamado
Transformation Vegetation Index (TVI), que é calculado pela equação (7.10) a seguir:

Em que:  
TVI = índice de vegetação transformada, (Transforamation Vegetation Index – TVI).

Os sensores de NOAA AVHRR são utilizados para detectar as reflectâncias da energia da radiação
eletromagnética dos diferentes objetos na superfície terrestre, baseados no conceito de que qualquer objeto que tem a
temperatura maior que zero grau absoluto (> 0°K) emite radiação eletromagnética com sua característica espectral
singular. O uso de sensoriamento remoto para monitorar e detectar as evoluções temporal e espacial da superfície
terrestre consiste em aplicar a reflectância espectral singular de cada objeto que possa ser classificado por uma técnica da
análise espectral, conhecida como reconhecimento de padrões, usando os dados de reflectância espectral nas bandas-
chave (veja Capítulo 14). A figura 7.1 mostra que, usando apenas os canais 1 e 2 dos sensores AVHRR, é possível
separar a cultura do trigo do solo, pelo fato de que as suas respostas espectrais nessas são diferentes. O trigo sofrendo o
déficit hídrico tem a reflectância menor que o trigo sem déficit hídrico no canal 2. O solo reflete com quase a mesma
intensidade nos canais 1 e 2, comparando-se com o trigo sem déficit hídrico que tem maior reflectância no canal 2 e
absorve a radiação no canal 1 pela clorofila das folhas para fabricar a matéria seca por meio do processo fotossintético.
De modo geral, a superfície vegetativa tem baixa reflectância no canal 1 (VIS) do satélite NOAA AVHRR por
causa da alta absorção de luz pela clorofila das folhas túrgidas, mas tem alta reflectância no canal 2 (NIR), se comparada
às folhas com déficit hídrico (figura 7.1). Portanto, um índice, tal como NDVI que combina as duas bandas, pode ser
desenvolvido para inferir a condição do crescimento da vegetação. O índice de vegetação, que varia de acordo com o
desenvolvimento da planta nas várias estações do ano, foi derivado para se detectar o desenvolvimento da vegetação e
também para se estimar o rendimento de sua biomassa (PRINCE, 1991). Em superfícies tais como solo, asfalto e
cimento, o valor de NDVI está próximo de zero. As superfícies com vegetação têm alto valor de NDVI, por causa da alta
absorção do canal 1 pela clorofila nas folhas verdes e da alta reflectância do canal 2 por causa da elevada turgidez das
folhas saudáveis. Um NDVI ideal deve ser sensível à vegetação, mas insensível ao solo e não sofrer interferência dos
constituintes atmosféricos. É necessário mencionar que os dados de reflectâncias espectrais obtidos pelos sensores
NOAA AVHRR são mais sensíveis às perturbações atmosféricas quando comparados com os dados do Landsat, pelo
fato de satélites NOAA possuírem um ângulo de visada largo (±55,4°) e os de Landsat possuírem ângulo de visada
estreito (±6°). Disto resulta uma varredura com a largura de 2.700 km para os satélites NOAA e uma varredura com a
largura de 185 km para os Landsat. Portanto, os dados adquiridos em uma faixa maior sofrem mais interferências
atmosféricas. Por outro lado, por causa da combinação da varredura de uma faixa de 2.700 km e da baixa resolução
espacial de 1,1 km dos satélites NOAA, é possível coletar os dados de NDVI em grandes áreas, diariamente. Isto facilita
a comparação temporal dos dados de NDVI, permitindo a discriminação dos diferentes tipos de vegetação e o
monitoramento das características espectrais da vegetação durante o ciclo inteiro do seu crescimento.
O LAI alcança seu valor máximo quando a planta atinge seu crescimento vegetativo máximo e tem várias camadas
de folhas na copa da vegetação. O NDVI é sensível na superfície do solo parcialmente coberto pela vegetação e não é
sensível quando o LAI ultrapassa o valor de 7, porque o sensor do satélite somente capta a reflectância da superfície não
a reflectância das folhas abaixo da copa. O NDVI é utilizado com sucesso para classificar a distribuição global de
vegetação (TOWNSHEND; JUSTICE; KALB, 1987; LOVELAND et al., 2000), inferir as variabilidades ecológicas e
ambientais (CIHLAR; ST-LAURENT; DYER, 1991; LIU; MASSAMBANI; NOBRE, 1994; PINKER; KARNIELI,
1995), a produção de biomassa (PRINCE, 1991; LIU; FERREIRA, 1991; HUNT et al., 1994), o LAI (PRICE; BAUSCH,
1995), a radiação fotossintética ativa (FROUIN; PINKER, 1995) e a produtividade da cultura (WIEGAND et al., 1990;
BOUMAN, 1995). Portanto, o grau de verde inferido por esse índice reflete bem os efeitos dos fatores ambientais, tais
como disponibilidade de água e nutrientes no solo, presença de doenças e de pragas em uma vegetação específica.

Figura 7.1 – Reflectâncias dos canais 1 e 2 dos sensores AVHRR do satélite NOAA para a superfície de solo, a plantação de trigo
sem déficit hídrico e a plantação de trigo com déficit hídrico. Fonte: (GRAY; MCGRAY, 1981).

7.2.6 Índice de vegetação perpendicular

 Enquanto a superfície do solo ainda está parcialmente coberta com vegetação, o NDVI não infere bem a
quantidade da vegetação por causa do efeito da reflectância do solo abaixo da copa de vegetação. Para eliminar essa
interferência da reflectância da superfície do solo, Richardson e Wiegand (1977) desenvolveram o índice de vegetação
perpendicular (Perpendicular Vegetation Index – PVI), que é calculado pela equação (7.11) a seguir:

Em que:
PVI = a distância perpendicular entre o ponto da vegetação e a linha da superfície do solo abaixo da
vegetação;
Rgg = a reflectância da superfície do solo das bandas MSS5 e MSS 7, correspondendo ao ponto da
reflectância da vegetação;
Rp = a reflectância do ponto da vegetação nas faixas MSS5 e MSS7.

Para localizar essa linha, desenha-se uma linha com os valores de reflectância de vegetação nas bandas de VIS e
NIR e a linha de reflectância do solo nas mesmas bandas. Depois, desenha-se outra linha atravessando o ponto de
vegetação que é perpendicular à linha do solo. Em princípio, a presença de vegetação pode desviar essa linha. O PVI não
pode ser considerado independente do brilho do solo no fundo. Portanto, o PVI subestima o LAI nos solos úmidos, por
causa do efeito do brilho do solo (HUETE, 1985). Todavia, as interferências atmosféricas também podem afetar essa
linha, especialmente quando a reflectância do solo é baixa. O efeito das interferências atmosféricas pode induzir a um
erro relativo de 10% a 12% (JACKSON; SLATER; PINTER, 1983).

7.2.7 Índice de vegetação ajustado por solo

Huete (1988) propôs um índice de vegetação ajustado por solo (Soil Adjusted Vegetation Index – SAVI)
introduzindo um fator no NDVI para incorporar o efeito da presença do solo, mantendo-se o valor de NDVI dentro de −1
a +1. Esse índice é calculado pela equação (7.12):

Em que:
L = l1 + l2 = 2l.

A figura 7.2 mostra as linhas de reflectâncias de NIR e VIS calculadas pelos NDVI e SAVI. Para obter os valores
de (l1 + l2), primeiramente, desenha-se uma linha de NDVI usando as condições de solo úmido e seco sem vegetação. A
linha da razão de NIR/VIS aumenta sua declividade quando aumenta a porcentagem da superfície ocupada pela
vegetação. As linhas de razão de NIR/VIS convergem para a origem quando a umidade de solo aumenta (linhas
pontilhadas). Mas as linhas de PVI são paralelas à linha do solo seco ou úmido, formando as linhas (linhas quebradas).
Huete et al. (1985) e Huete e Jackson (1987) utilizaram os dados de reflectâncias de NIR e VIS obtidos nas plantações de
algodão em condições variadas de umidade de solo e de diferentes tipos de solos ao longo de vários anos. Observaram
que as linhas de vegetação possuem uma declividade, linha AD, que é entre as linhas de razão NIR/VIS (linhas radiais
originadas no O) e as linhas de PVI (paralela à linha AC). A declividade da linha AE ou AD varia de acordo com a
porcentagem de coberturas de vegetação; portanto, extrapolando a linha de AD e a linha de NDVI com solo seco e
úmido. As duas linhas passaram o ponto de origem e interceptaram no ponto E para obter os valores de l1 e l2, que
representam a porção da superfície de solo nu e a da cobertura de vegetação, respectivamente. O valor de l1 mais alto
indica a maior porção da superfície de solo nu e o l2 mais alto indica a cobertua da vegetação mais alta. Para simplificar
sua aplicação, os valores de l1 e l2 foram agrupados para obter L em três condições de cobertura da vegetação.
 Figura 7.2 – Relações entre índice de vegetação ajustado por solo (SAVI), índice de vegetação perpendicular (PVI) e índice de
vegetação de diferença normalizada (NDVI) ilustradas pelas reflectâncias espectrais das faixas de visível (VIS) e infravermelho
próximo (NIR). l1 e l2 representam a porção da superfície de solo nu e a da cobertura de vegetação, respectivamente. Fonte: (HUETE,
1988).

Os três valores de L, representando as três condições da superfície – solo nu, cobertura média da vegetação e
cobertura completa de vegetação, são listados a seguir:
 
L = 0,5 para a cobertura média de vegetação;
L = 1,0 para a superfície do solo nu ou pouca vegetação;
L = 0,25 para a cobertura completa de vegetação.

O SAVI com o valor de L de 0,5 representa melhor que NDVI e PVI nas várias condições da vegetação. Qi (1993)
observou que o fator do L não é um valor constante que se varia inversamente à porcentagem da vegetação presente.
Portanto, Qi (1993) e Qi et al. (1994) apresentaram uma modificação do L no cálculo do SVAI que é apresentado a
seguir.

7.2.8 Índice de vegetação modificado com linha de solo ajustado

Qi et al. (1994) apresentou o índice de vegetação modificado com linha de solo ajustado (Modified Soil Adjusted
Vegetation Index – MSVAI), que modificou o índice SAVI com o valor de L variando com o produto de NDVI e
Weighted Difference Vegtation Index (WDVI). As equações de (7.13), (7.14) e (7.15) são usadas para calcular o
MSAVI.

Em que:  
Lo = 1 – 2a(NDVI × WDVI);
WDVI = NIR – a VIS;
a = linha de declividade do solo.
 Continuando o processo iterativo de n vezes até o efeito do solo é minimizado, obtendo-se:

7.2.9 Índice de razão ajustado por solo

Major (1990) propôs um ajuste no índice de razão por solo chamado índice de razão ajustado por solo (Soil
Adjusted Ratio Vegetation Index – SARVI), que é calculado pela equação (7.16).

Os valores de a e b são os coeficientes obtidos com as reflectâncias do solo. Os valores de a e b variam de acordo
com as condições do solo seco ou úmido e a variação do ângulo zenital solar.

7.2.10 Índice de vegetação ajustado por solo transformado

Baret, Guyot e Major (1989) propuseram uma modificação do SAVI introduzindo dois coeficientes. O índice é
chamado índice de vegetação ajustado por solo transformado (Transformated Soil Adjusted Vegetation Index – TSAVI),
que é calculado pela equação (7.17). Os valores dos coeficientes a e b na equação (7.17) são obtidos pela regressão linear
simples que correlaciona NIS em função de VIS calculado pela equação (7.18) sob a condição do solo nu. O valor do a é
a declividade da linha do solo nu e o valor de b é a intercepção na coordenada do NIR da linha do solo nu.

Em seguida, TSAVI foi modificado por Baret e Guyot (1991) que é calculado pela equação (7.19).

Os valores de a e b também são obtidos pela equação (7.18). Baret e Guyot (1991) apontaram que os valores de a e
b da linha do solo nu podem ser determinados usando-se as imagens com os pixels de solo nu. O valor do TSAVI varia
de zero na superfície do solo nu a aproximadamente 0,7 nas florestas densas. O TSAVI é o melhor indicador de
vegetação quando a cobertura da vegetação é esparsa e também mais sensível à presença de vegetação em senescência
(CYR, 1993).

7.2.11 Índice de vegetação com resistência atmosférica

Kaufman e Tanré (1992) apresentaram um índice de vegetação com resistência atmosférica chamado
Atmospherically Resistant Vegetation Index (ARVI), que é uma versão nova do NDVI. A resistência aos efeitos
atmosféricos é alcançada por um processo de autocorreção do efeito atmosférico na banda vermelha (Red – R). A
diferença da radiância entre as bandas R e azul (Blue – B) gera uma nova banda vermelha e azul (Red Blue – RB). A
combinação minimiza os efeitos de espalhamentos atmosféricos causados pelos aerossóis na banda vermelha. Pela
simulação das várias condições atmosféricas usando o modelo de transferência da radiação na camada atmosférica
chamado Simulation du Signal Satellitaire dans le Spectre Solaire (5S), Kaufman e Tanré (1992) mostraram que o ARVI
tem a mesma variação dinâmica do NDVI, mas os efeitos atmosféricos são quatro vezes menores. As equações (7.20),
(7.21) e (7.22) representam o procedimento dos cálculos do ARVI.

Em que:
ARVI = índice de vegetação com resistência atmosférica, Atmospherically Resistant Vegetation
Index (ARVI);
NIR = banda do infravermelho próximo;
R = banda vermelha;
B = banda azul.

Em que:  
RB = a reflectância da combinação das bandas R e B;
γ = o fator de autocorreção atmosférica dependendo dos tipos de aerossóis.

Em que:  
ρa-r = a reflectância atmosférica na banda vermelha;
ρa-b = a reflectância atmosférica na banda azul.

O valor do ARVI depende das estimativas dos valores de ρa-r e ρa-b. No caso do valor de γ zero, o ARVI torna-se o
NDVI.

7.2.12 Índice de linha do solo com resistência atmosférica

Bannari, Morin e He (1994) apresentaram um índice de vegetação com resistência atmosférica e a linha do solo
transformada (Transformed Soil Atmospherically Resistant Vegetation Index – TSARVI). O TSARVI é calculado pela
equação (7.23) que é similar à equação (7.19) com os valores de a e b obtidos pela banda da combinação de RB. O RB é
calculado pelas equações (7.21) e (7.22).

Em que:  
TSARVI = índice da resistência atmosférica e a linha do solo transformada (Transformed Soil
Atmospherically Resistant Vegetation Index – TSARVI).

Os subscritos r e b representam a banda vermelha (R) e a banda azul (B), respectivamente. Os valores de a e b não
subscritos são obtidos pela equação (7.18) usando a banda da combinação de RB em vez de VIS.

7.2.13 Índice de vegetação ajustado por dois eixos

Li (1994) introduziu um fator no SAVI proposto por Huete (1988) e propondo um índice de vegetação ajustado
por dois eixos (Two-Axis Adjusted Vegetation Index – TWVI), para eliminar a variação da linha da superfície do solo
abaixo da copa da vegetação causada por diferentes tipos do solo. Esse índice é calculado pela equação (7.24):
 Em que:  
W = 1,414D[1 – (Ix – I)/(Im – I)];
D = (NIRs – MVISs – l)/ (1 + M2)½;
NIRs = [M (VISs)] + I;
M = a declividade da linha da reflectância do solo (NIR/VIS);
I = a intercepção da linha do solo;
Im = a intercepção na cobertura da vegetação máxima;
Ix = a intercepção da linha de cobertura da vegetação em que os dados da reflectância são
coletados via satélite.

O subscrito s representa solo;

O valor de (Ix – I)/(Im – I) representa a distância entre o pixel de interesse e o ponto máximo com a superfície
inteiramente coberta por vegetação. Esse valor varia de 0 na linha do solo até 1 na cobertura máxima da vegetação. A
equação é semelhante à equação (7.12) proposta por Huete (1988) com a introdução de um fator W. O valor W é o
desvio dos dados de NIR e VIS causado pela distância D à linha do solo para a compensação no segundo eixo. Se o valor
de D for zero (W = 0), a equação é idêntica à da equação (7.12) do SAVI; se W = 0 e L = 0, a equação volta para o
NDVI.

7.2.14 Índice da condição de vegetação

Kogan (1990) desenvolveu um índice chamado índice da condição de vegetação (Vegetation Condition Index –
VCI) para monitorar a variabilidade da seca regional inferida pelo NDVI, eliminando os efeitos geográfico e climáticos
regionais. O VCI é formulado pela equação (7.25):

Em que:  
VCI = índice da condição de vegetação (%) no período j;
NDVIj = NDVI no período j;
NDVImax e NDVImin são os valores históricos de NDVI máximo e mínimo no mesmo período j.

Kogan (1995) utilizou os dados de VCI obtidos pelos dados AVHRR dos satélites NOAA 9 e NOAA 11 para
mostrar a variação anual de ocorrência de seca nos Estados Unidos da semana 26 (última semana de julho) de 1985 a
1990. Classificou as condições climáticas em três classes de acordo com os valores de VCI:

a)   seca: VCI entre 0 a 36;

b)   seca leve: VCI entre 37 a 72;
c)   condição climática favorável: VCI entre 73-100.

A figura 7.3 mostra que a seca prevaleceu na maioria dos Estados no ano de 1988 e ocorreu só nas regiões
Nordeste e Noroeste no ano 1987. Mas a seca ocorreu todos os anos em diferentes regiões, indicando que a condição
climática varia de uma região para outra e é mais seca na Região Sudeste dos Estados Unidos.

7.2.15 Índice da diferença de temperatura do brilho

Choudhury et al. (1987) argumentaram que a copa da vegetação emite grande quantidade da radiação não
polarizada e age como o meio de absorver e espalhar as radiações polarizadas emitidas pela superfície do solo. Portanto,
utilizaram as temperaturas de brilho das polarizações vertical e horizontal obtidas pelos radiômetros de canais múltiplos
nas bandas de microondas SMMS do satélite Nimus 7 para desenvolver o índice da diferença de temperatura do brilho
(Microwave Polarization Difference Temperature – MPDT), que é expressa pela equação (7.26).

Em que:  
Tbv = temperatura do brilho de polarização vertical na faixa 37 GHz;
Tbh = temperatura do brilho de polarização horizontal na faixa 37 GHz.

Figura 7.3 – Comparação da ocorrência das secas nos Estados Unidos de 1985 a 1990 inferidas pelo VCI. As cores vermelha,
marrom e amarela indicam as regiões mais secas. Fonte: (KOGAN, 1995).

Choudhury et al. (1987) argumentaram que o valor de MPDT correlaciona-se inversamente com o valor de NDVI.
A vantagem dos sensores de microondas é penetrar nas nuvens com facilidades, resultando menos interferência
atmosférica comparando-se com os sensores das faixas de VIS e NIR dos satélites NOAA. Choudhury (1988) apresentou
um mapa de MPDT do globo terrestre e observou que a superfície da vegetação densa, como a Floresta Amazônica, tem
o valor de MPDT em torno de 5 °K e a superfície de vegetação esparsa, tais como Saara, Gobi e Desertos da Arábia
Saudita, tem o MPDT em torno de 20 °K. Apontaram que o MPDT é mais sensível a vegetação esparsa, e o NDVI, à
vegetação densa. Portanto, as informações adquiridas pelos NDVI e MPDT são complementares. Choudhury (1989)
mostrou que o MPDT correlacionou-se bem com precipitação, produtividade de biomassa e evapotranspiração e sugeriu
que é um índice importante para monitorar as condições do desenvolvimento em regiões com alta nebulosidade. Felde
(1998) apresentou um modelo de estimativa do teor da água da superfície terrestre usando a combinação dos dados de
MPDT e NDVI. Nas condições de vegetação modestamente densa, o NDVI é usado para monitorar a umidade da
superfície e, nas condições de vegetação esparsa, o MPDT.

7.2.16 Índice de segunda derivada

 Li et al. (1993) utilizaram a segunda derivada da reflectância (Second Derivative Reflectance – SDR) para separar
os vários graus da contribuição do solo no fundo à reflectância da vegetação. Argumentaram que a reflectância de uma
superfície da vegetação pode ser separada em duas partes: a contribuição da vegetação e a do solo, representada pela
equação (7.27).

Em que:  
α = a fração da área da copa visada por sensor do satélite;
1–α = a fração da área ocupada pelo solo;
ρc(λ) e ρs(λ) são a reflectância da copa e a reflectância do solo, respectivamente.

O valor muda de zero no solo nu até 1 na área totalmente coberta pela vegetação. A segunda derivada significa que
a taxa de mudança da declividade é em função da taxa de mudança de reflectância com o aumento do comprimento da
onda de energia eletromagnética (equação 7.28). Nesse caso, a declividade de reflectância da copa muda-se rapidamente
nos estágios de crescimento e a declividade da reflectância do solo está constante. As figuras 7.4 e 7.5 mostram,
respectivamente, a primeira derivada e a segunda derivada da reflectância espectral com o aumento do comprimento da
onda, para as superfícies de vegetação e solo nu. Li et al. (1993) mostraram que as segundas derivadas de reflectâncias de
MSS 2 e MSS 3 do Landsat correlacionaram bem com o valor de LAI e isolaram a contribuição do efeito da reflectância
do solo. O SDR parece um índice bem interessante e merece que os pesquisadores prestem mais atenção na
potencialidade da aplicação dele em condições de campo.

Em que:  
SDR = índice da segunda derivada da reflectância contra o aumento do comprimento da onda
eletromagnética;
ρ“(λ) = segunda derivada de reflectância no comprimento da onda;
α = a fração da área da copa visada pelo sensor do satélite;
1–α = a fração da área ocupada pelo solo;
ρc”(λ) e ρs”(λ) são a reflectância da copa e a reflectância da superfície do solo, respectivamente.

Figura 7.4 – A taxa da mudança de reflectância espectral com o aumento do comprimento da onda (a primeira derivada da
reflectância) para a superfície de vegetação e a superfície do solo nu. Fonte: (LI et al., 1993).
 Figura 7.5 – A segunda derivada da reflectância ou a taxa da mudança de reflectância espectral em função da taxa do aumento do
comprimento da onda eletromagnética para a superfície de vegetação e a superfície do solo nu. Fonte: (LI et al., 1993).

7.2.17 Índice da condição de temperatura de brilho

Kogan (1995) apresentou um índice condicional de temperatura de brilho (Temperature Condition Index – TCI) no
monitoramento da seca nos Estados Unidos. O TCI é calculado com os dados de AVHRR de temperatura de brilho na
banda 4 dos satélites da série NOAA que é apresentado pela equação (7.29).

Em que:  
TCIj = índice da condição de temperatura de brilho no período j;
Tb4j = Tb4 no período j;

TB4max e Tb4min são os valores históricos dos Tb4 máxima e mínima no mesmo período j.

Em seguida, Kogan (1997) propôs um índice que é o valor médio da soma de TCI e VCI (IM) para o
monitoramento da seca regional. Unganai e Kogan (1998) usaram esse índice para monitorar e estimar a produtividade
de milho na região de cinturão de milho (Corn Belts) nos Estados Unidos. O IM é calculado pela equação (7.30).

Em que:  
IM = índice do valor médio da soma de VIC e TCI;
VCI = índice condicional de vegetação;
TCI = índice condicional da temperatura do brilho.

Posteriormente, Kogan et al. (2004) redefiniram o IM como Vegetation Health Index (VH) e que os pesos de VCI
e TCI podem ser determinados pelos efeitos de VCI e TCI na produtividade de cultura ou vegetação em uma
determinada região (equação 7.31). A produtividade de biomassa da pastagem em Mongólia foi estimada pelo VH
baseado nos dados de NOAA AVHRR com os pesos de VCI e TCI iguais a 0,5 que não contestou a vantagem de aplicar
o VH nem demonstrou como obter os valores de pesos diferentes para VCI e TCI.

Em que:  
VH = índice de vegetação sadia (Vegetation Health Index – VH);
VCI = índice condicional de vegetação;
TCI = índice condicional da temperatura do brilho;
 a e b são os pesos assinados para VCI e TCI, respectivamente.

A figura 7.6 mostra a comparação das ocorrências de seca nos Estados Unidos nos anos de 1988, 1989 e 1996,
usando o IM. A seca severa em abril de 1996 ultrapassou a seca ocorrida nas regiões centrais da Grande Planície (Great
Plains) no ano de 1988, afetando a produção do trigo de inverno nos Estados de Kansas, Oklahoma, Missouri e Texas.
No ano de 1989, os dados de índice de vegetação mostraram que a seca foi severa e prolongada nas regiões central e leste
do Estado do Kansas e na região norte do Estado do Texas. Kogan (1997) argumentou que o valor médio de VCI e TCI
(IM) pode ser ajustado com os pesos diferentes, de acordo com os efeitos da seca de cada índice, nas diferentes regiões e
pode ser aplicado para previsão de safra agrícola (Capítulo 12).

Figura 7.6 – Comparação das ocorrências de seca nos Estados Unidos nos anos 1988, 1989 e 1996 usando o índice do valor médio de
TCI e VCI como indicador da seca. Fonte: (KOGAN, 1997).

7.2.18 Índice de monitoramento do meio ambiente global

O Índice de monitoramento do meio ambiente global (Global Environment Monitoring Index – GEMI), proposto
por Pinty e Verstraete (1992), foi desenvolvido especificamente para minimizar as interferências atmosféricas. O GEMI
é construído para explorar a alta transmitância atmosférica que resulta em alta amplitude de reflectância intimamente
ligada à variação da superfície terrestre. O GEMI utiliza uma combinação não-linear dos dados AVHRR de Canal 1 (C1)
e Canal 2 (C2) do satélite NOAA que é calculado pela equação (7.32).

Em que:
 η = [2(C22 – C12) + 1,5C2 + 0,5C1)] / (C2 + C1 + 0,5)

Apesar de o GEMI ser desenvolvido para monitorar o meio ambiente global sem efeitos atmosféricos, ele é afetado
consideravelmente pelo brilho e pela cor do solo nu. Portanto, o GEMI não é bem adaptado ao monitoramento da
cobertura de vegetação esparsa (BANNARI; MORIN; HE, 1994; PLUMMER; NORTH; BRIGGS, 1994).

7.2.19 Índice de vegetação angular

O índice de vegetação angular (Angular Vegetetion Index – AVI) é proposto por Plummer, North e Briggs (1994)
para diminuir os efeitos de espalhamentos atmosféricos. O AVI é calculada pela equação (7.33) usando dados das bandas
de NIR, R e G (Green) adquiridos pelos sensores ATSR-2 (Segunda geração).

Em que:  
AVI = índice de vegetação angular (Angular Vegetetion Index – AVI);
λ1; λ2 e λ3; = valor espectral da banda verde (G), vermelho (R) e NIR, respectivamente do ATSR-2.

7.2.20 SAVI otimizado

Leprieur, Kerr e Pichon (1996) avaliaram os índices de vegetação gerados com os dados de NOAA AVHRR,
incluindo NDVI, MSAVI e GEMI na região semi-árida em Sahel. Rondeaux et al. (1996) avaliaram a sensibilidade de
cinco índices de vegetação, incluindo NDVI, SAVI, TSAVI, MSAVI e GEMI, causada pelo efeito da superfície do solo.
Uma análise dos efeitos da variação de 26 amostras de solo foi feita para avaliar a aplicação desses cinco índices de
vegetação nas superfícies com três propriedades, incluindo: tipo de solo de cinco classes, LAI de seis classes (0,1; 0,5; 1;
2; 4 e 8), umidade de solo de três classes, rugosidade de três classes, ângulos de orientação das folhas de cinco classes
(25°; 35°; 45°; 55° e 65°) e cobertura da superfície. Descobriram que todos os índices com o valor de zero interceptaram
a cobertura de vegetação entre 0,16 a 0,2 e a maioria próxima a 0,16. Portanto, propuseram um índice chamado SAVI
otimizado (Optimized Soil Adjusted Vevetation Index – OSAVI), que é o valor do TSAVI sob as condições de a = 1 e b
= 0 na equação (7.19). Portanto, o OSAVI é a fórmula simplificada do TSAVI calculado pela equação (7.34).

As tabelas 7.1 e 7.2 mostram os resultados das avaliações aplicadas aos seis índices de vegetação, incluindo
OSAVI sugerido pelos autores. Foi observado que todos os índices melhoraram o valor de erro comparando-se com o de
NDVI nos casos de variações de LAI, cobertura vegetal e tipo, umidade e rugosidade de solos exceto o fator de variação
da orientação de ângulo de folhas que resulta a interceptação de luz diferente. Cada índice (NDVI, SAVI, TSAVI,
MSAVI, GEMI e OSAVI) tem alguma vantagem em relação ao outro. Mas somente o OSAVI é mais estável e
compatível ao SAVI.
Tabela 7.1 – Comparação da aplicação de seis índices de vegetação, incluindo NDVI, SAVI, TSAVI, MSAVI, GEMI e OSAVI, gerados
pelos dados de satélites. Fonte: (RONDEAUX; STEVENS; BARET, 1996).
Tabela 7.2 – Comparação dos seis índices de vegetação, incluindo NDVI, SAVI, TSAVI, MSAVI, GEMI e OSAVI, com os efeitos de 26
amostras do solo separados em três variáveis: tipo do solo com cinco classes, umidade do solo com 3 classes e rugosidade do solo com
três classes. Fonte: (RONDEAUX; STEVENS; BARET, 1996).

7.2.21 Índice amarelo

Adams, Philpot e Norvell (1999) introduziram o índice amarelo (Yellow Index – YI) para mensurar clorosis
(chlorosis), um processo do amarelamento das folhas nas plantas sofrendo estresse hídrico. O YI fornece uma medida da
mudança da forma da reflectância espectral entre a máxima de 0,55 μm e a mínima de 0,65 μm usando a equação (7.35).
O cálculo do YI é similar ao cálculo do SDR pela equação (7.28) proposto por Li et al. (1993). A diferença está nas
bandas usadas, já que ao invés de usar as bandas contínuas, o cálculo do YI usa somente a banda amarela. Argumentaram
que o YI tem várias vantagens no monitoramento da coloração no processo de amarelamento das folhas, tais como:

a)   medição de estresse hídrico em função da mudança na absorção da radiação pelo pigmento principal da
clorofila;
b)    o YI é calculado sem os efeitos de estrutura da folha e teor da água na folha;
c)    a combinação das informações obtidas pelos YI e NDVI fornece uma possibilidade de separar os efeitos sobre
a reflectância causados pelo estresse hídrico ou estrutura da folha;
d)    o YI é obtido pela segunda derivada da taxa da reflectância em função do comprimento da onda
eletromagnética que resulta menores efeitos das interferências atmosféricas e da superfície do solo na
reflectância que os do NDVI.

Portanto, o YI tem a potencialidade de obter os valores das reflectâncias da superfície mais consistentes sobre
diferentes condições atmosféricas quando as imagens obtidas em série temporal são comparadas em diferentes
localidades geográficas e diferentes períodos do tempo. O YI pode ser aplicado para o monitoramento das condições de
crescimento das culturas nas fases de maturação que o NDVI não infere bem, porque a cor das folhas torna-se amarelada
nas fases de maturação e colheita.

Em que:  
YI = índice amarelo;
R(λ−1) = reflectância do comprimento da onda (0,580 μm) localizado abaixo do central λo;
2R(λo) = reflectância do comprimento da onda central, λo (0,624 μm);
 R(λ+1) = reflectância do comprimento da onda (0,668 μm) localizado acima do central λo;
Δλ2 = a distância do comprimento da onda espectral entre (λo – λ−1) ou (λ+1 – λo).

7.3 Aplicações de NDVI

Entre os índices de vegetação apresentados, o NDVI é o mais usado pelos pesquisadores. Na década de 1980, o
NDVI gerado com os dados de NOAA AVHRR foi usado para classificar (TUCKER; TOWNSHEND; GOFF, 1985) e
monitorar (JUSTICE; HOLBEN; GWYNNE, 1986) as vegetações da superfície terrestre, para determinar os ciclos
fenológicos das culturas (GALLO; HEDDINGHAUS, 1981) e para monitorar os impactos da degradação ambiental nas
mudanças climáticas globais. Oindo e Skidmore (2002) usaram o NDVI acumulado anualmente para identificar a
abundância de espécies de vegetação nativa na região de Kenya, na África, e observaram que a região com alto valor de
NDVI anual tem menor número de espécies. Seto et al. (2004) usaram os dados de NDVI gerados pelo Landsat TM para
monitorar a variação espacial da riqueza das espécies de borboletas e pássaros. As potencialidades das aplicações de
índices de vegetação para estimativa de áreas plantadas e produtividades das culturas são apresentadas no Capítulo 12.
Nesta seção, são apresentadas as potencialidades das aplicações do NDVI no monitoramento das condições de vegetação
e das variabilidades bioclimáticas na superfície terrestre.

7.3.1 Condições do crescimento da cultura

A evolução temporal de NDVI correlacionou bem com os estágios do crescimento da cultura que é intimamente
ligado aos coeficientes da cultura (kc) e LAI. Neale, Bausch e Heermann (1989) apresentaram a equação (7.36) para
estimar kc em função linear do NDVI durante o ciclo fenológico da cultura.

Os valores de a e b variam com as variações da reflectância causadas pelos diferentes tipos do solo. Para
considerar os efeitos do solo no fundo, Bausch (1993) propôs a utilização do índice SAVI em vez do NDVI para a
estimativa dos coeficientes kc da cultura de milho, que é representado pela equação (7.37). O valor de SAVI é calculado
pela equação (7.12) com o valor de L=0,7.

Fischer (1994) desenvolveu um modelo da evolução de NDVI temporal baseado nos dados de NOAA AVHRR
LAC para determinar a data do plantio nas regiões de produção agrícola. Apontou que a data em que o aumento do
NDVI mudou de lento para rápido, na fase inicial do crescimento de uma determinada cultura, é um indicador útil para
estimar a data do plantio. Sugeriu que a data do plantio prevista pelo modelo de NDVI pode ser integrada aos modelos de
processos fisiológicos de previsão da safra agrícola. Salas et al. (1993) observaram as propriedades dielétricas de
microonda banda P (comprimento de onda entre 70 e 100 cm) que correlacionou bem com o conteúdo de água da copa
da floresta em New England. Günther, Dahn e Lüdeker (1994) utilizaram o instrumento da fluorescência induzida pelo
The Second Generation Far-field Fluorescence Lider (LIDAR 2) para monitorar as condições fisiológicas da planta. Os
resultados mostraram que o conteúdo de clorofila monitorado pelos sensores do LIDAR correlacionou bem com a taxa
de fixação de CO2, e o valor da razão de fluorescência de F685/F730 correlacionou bem com o déficit de água na planta.
Liu et al. (2004) monitoraram a taxa de degradação de pastagens nativas na região da Lagoa Quinhai, localizada no oeste
da China, usando os dados de NDVI e SAVI obtidos pelo satélite Landsat e comparados com os dados das variações
interanuais das áreas de pastagens coletados em campo. Concluíram que a acurácia da estimativa das áreas degradadas
alcançou 91,7%.

7.3.2 Índice de área foliar e radiação fotossintética ativa

Wiegand e Richardson (1990a) correlacionaram os índices de vegetação, tais como NDVI, PVI e RVI, com LAI e
a radiação fotossintética ativa (Photosynthetic Active Radiation – PAR) de uma plantação do milho. Os dados das
reflectâncias espectrais são medidos com um espectrorradiômetro, chamado Barnes Modular Multiband 12-1000
Radiometers (MMR). Os resultados mostraram que o NDVI correlacionou melhor com LAI e PAR nos estágios de
crescimento vegetativo, e o PVI correlacionou melhor no início do crescimento vegetativo. Na maioria dos casos, o RVI
tem menor correlação com LAI ou PAR comparado com o NDVI e PVI.
Wiegand e Richardson (1990b), posteriormente, usaram a correlação exponencial entre LAI e NDVI para estimar o
valor de LAI em função de NDVI para o ciclo fenológico inteiro de uma determinada cultura. As equações (7.38), (7.39)
e (7.40) apresentam as equações de LAI em função de NDVI exponencial para as culturas de algodão, trigo e milho
respectivamente. Os valores de coeficiente da correlação (R) obtidos são 0,98; 0,84 e 0,97 para algodão, trigo e milho,
respectivamente.

Para a cultura de algodão:

Para a cultura de trigo:

Para a cultura de milho:

Wiegand e Richardson (1990b) observaram que o NDVI se correlaciona bem com o LAI, fPAR (a fração de PAR
interceptada) e o rendimento para as culturas de milho, trigo, sorgo e algodão. A maioria dos estudos indica que o NDVI
aumenta rapidamente nas fases inicial do crescimento vegetativo, mas se satura rapidamente antes que o NDVI alcance o
valor máximo. Baseados nos resultados obtidos por Wiegand et al. (1990) e Wiegand e Richardson (1990b), propuseram
dois modelos: LAI em função do NDVI exponencial e LAI em função de NDVI potencial para estimar a taxa do
aumento de LAI pelas equações (7.41) e (7.42), respectivamente.

Bouman (1992) utilizou os índices de vegetação para estimar o LAI por um modelo da distribuição da radiação na
copa da vegetação. Os erros de estimativa são de 0,1 na faixa de 0 < LAI <1 até 0,35 na faixa de 3 < LAI < 7. Rasmussen
(1992) observou que o valor de NDVI acumulado até 30 dias antes da colheita correlacionou bem com o valor do
coeficiente da determinação (R2) de 0,93 para a cultura de milheto. Verma et al. (1993) obtiveram o valor de R2 de 0,62
na correlação entre o RVI e a taxa da resistência de estômato da copa e o valor de R2 de 0,53 na correlação entre o RVI e
a taxa de fotossíntese da copa. Concluíram que as estimativas adequadas de resistência de estômato e suas correlações
entre os estresses ambientais são os fatores importantes para aprimorar a sua acurácia. Bégué (1993) obteve o valor de R2
de 0,867 entre NDVI e PAR utilizando um modelo da transferência atmosférica da radiação. Geralmente, o alto valor de
LAI significa o alto crescimento vegetativo que resulta a alta produtividade da biomassa, e o alto valor de PAR significa
a alta taxa de fotossíntese que resulta também a alta produtividade. Todos os estudos indicam que o NDVI é um bom
indicador de LAI e PAR. Portanto, as boas correlações entre LAI, PAR e NDVI são aproveitadas nas aplicações dos
dados de sensoriamento remoto para a estimativa de produtividade de biomassa e mesmo para a estimativa de
produtividades agrícolas (ver Capítulo 12).

Referências
ADAMS, M. L.; PHILPOT, W. D.; NORVELL, W. A., 1999. Yellow index: an application of spectral second derivatives to estimate
chlorosis of leaves in stressed vegetation. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:3663-3675.
ANTHES, R. A., 1984. Enhancement of convective precipitation by mesoscale variations in vegetative covering in semi-arid regions.
Journal of Climate and Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA.23,541-554.
BANNARI, A.; MORIN, D.; HE, D. C., 1994. High spectral and spatial resolution remote sensing for the measurement of urban
environment. The First International Airborne Remote Sensing Conference and Exhibition, Strasburg, France, V.III:247-260.
BANNARI, A.; MORIN, D.; BONN, F., 1995. A review of vegetation indices. Remote Sensing Review, Taylor & Francis Ltd, London,
UK. 13:95-120.
BARET F.; GUYOT, G.; MAJOR, D., 1989. TSAVI: a vegetation index which minimizes soil brightness effects on LAI or APAR
estimate, Proceedings of the 12th Canadian Symposium of Remote Sensing, Vancouver, Canada, 1355-1358.
BAUSCH, W. C., 1993. Soil background effects on reflectance-based crop coefficient for corn. Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 46:213-222.
BÉGUÉ, A., 1993. Leaf area index, intercepted PAR and spectral vegetation index: a sensitivity analysis for regular-clumped canopies.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 46:45-59.
BENEDITTI, R.; ROSSINI, P., 1993. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield
estimate and forecast in Emilia Romagna. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 45:311-
326.
BOUMAN, B. A., 1991. Crop parameter estimation from ground-based X-band (30cm wave) radar back scattering data. Remote Sensing
of Environment, Elsevier Science Publishing Co., New York, USA. 37:193-207.
BOUMAN, B. A., 1992. Accuracy of estimating the leaf area index from vegetation indices derived from crop reflectance characteristics,
a simulation study. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:3069-3084.
BOUMAN, B. A.; GOUDRIAAN, M. C., 1989. Estimation of crop growth from optical and microwave soil cover. International Journal
of Remote Sensing, Taylor & Francis Ltd, London, UK. 10:1843-1857.
BOYD, D. S.; PETITCOLIN, F., 2004. Remote sensing of the terrestrial environment using middle infrared radiation (3.0-5.0μm).
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3343-3368.
BREST, C. L.; ROSSOW, W. B., 1991. Radiometric calibration and monitoring of NOAA AVHRR data for ISCCP. International Journal
of Remote Sensing, Taylor & Francis Ltd, London, UK. 13,235-273
CHOUDHURY, B. J.; TUCKER, C. J., 1987. Monitoring global vegetation using Nimbus-7 37 GHz data-some empirical relations.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 8:1085-1090.
CHOUDHURY, B. J.; TUCKER, C. J.; GOLUS, R. E.; NEWCOMB, W. W., 1987. Monitoring global vegetation using Nimbus-7 37
GHz scanning microwave radiometer’s data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 8:533-538.
CHOUDHURY, B. J., 1988. Microwave vegetation index - a new long-term global data set for biosphere studies. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 9:185-186.
CHOUDHURY, B. J., 1989. Monitoring global land surface using Nimbus-7 37 GHz data: theory and examples. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 10:1579-1605.
CIHLAR, J.; ST-LAURENT, L.; DYER, J., 1991. Relation between the NDVI and ecological variables. Remote Sensing Environment,
Elsevier Science Publishing Co., New York, USA. 35:279-298.
COLWELL, R. N., 1985. Manual of Remote Sensing, 2nd Edition. American Society of Photogrammetry. The Sheridan Press, New York,
USA, V1:1-1232, V2:1233-2400.
CORVES, C.; PLACE, C. J., 1994. Mapping the reliability of satellite-derived landcover maps - an example from the Central Brazilian
Amazon Basin. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1283-1294.
CYR, L., 1993. Apport des indices de végétation pour l’evaluation de la couverture du sol en vue dúne modélisation spatiale de lérosion.
Mémoire de maítrise en télédétection, Départment de géographie et télédétection, Universite de Sherbrooke, Sherbrooke, Québec, Canada,
160p.
DI, L.; RUNDQUIST, D. C.; HAN, L., 1994. Modelling relationships between NDVI and precipitation during vegetation growth cycles.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:2121-2136.
DOORENBOS, J.; PRUITT, W. O., 1977. Crop water requirements. FAO Irrigation and Drainage Paper No. 24. Rome, Italy. 144pp.
DYMOND, J. R., 1992. How accurately do image classifiers estimate area. International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 13:1735-1742.
FELDE, G. W., 1998. The effect of soil moisture on the 37 GHz microwave polarization difference index (MPDI). Monitoring global
vegetation using Nimbus-7 37 GHz data-some empirical relations. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 19:1055-1078.
FISCHER, A., 1994. A model for the seasonal variation of vegetation indices in coarse resolution data and its inversion to extract crop
parameters. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 48:220-230.
FREEMAN, A.; VILLASENSOR, J.; KLEIN, D.; HOOGEBOOM, P.; GROOT, J., 1994. On the use of multi-frequency and polarimetric
radar backscattering features for classification of agricultural crops. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 15:1799-1812.
FROUIN, R.; PINKER, R., 1995. Estimating photosynthetically active radiation at the earth surface from satellite observation. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 51:98-107.
GALLO, K. P.; HEDDINGHAUS, K., 1981. The use of satellite-derived vegetation indices as indicators of climatic variability.
Proceedings of the sixth Conference on Applied Climatology, March 7-10 1981. Charleston, South Carolina, USA. p244-247.
GHOSH, T. K., 1997. Investigation of drought through digital analysis of satellite data and GIS. Theoretical and Applied Climatology,
American Society of Meteorology, Boston, Massachusetts, USA. 58:105-119.
GONG, P.; HOWARTH, P. J., 1992. Land-use classification of SPOT HRV data using a cover-frequency method. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 13:1459-1471.
GRAY, T. I. JR.; MCGRAY, D. G., 1981. The environmental vegetation index a tool potentially useful for arid land management -
AGRISTARS Report EW-N1-04076. JSC - 17132, Johnson Space Center, Houston, Texas, USA. 107p.
GÜNTHER, K. P.; DAHN H. G.; LÜDEKER, W., 1994. Remote sensing vegetation status by Laser-induced fluorescence. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 47:10-17.
HASTENRATH, S.; HELLER, L., 1977. Dynamics of climatic hazards in Northeast Brazil. Quarterly Journal of Royal Meteorological
Society, Royal Meteorological Society, London, UK. 103:77-92
HAY, C. M.; KURETZ, C. A.; ODENWELLER, J. B.; SCHEFFNER, E. J.; WOOD, B., 1979. Development of procedures for dealing
with the effects of episodical events on crop temporal spectral response. AGRISTARS, NASA, Huston, Texas, USA. SR-B9-00434,
Contract NASA 9-14565, 33p.
HIELKEMA, J. U.; PRINCE, S. D.; ASTLE, W. L., 1986. Rainfall and vegetation monitoring in the Savannah zone of the Democratic
Republic of Sudan using the NOAA AVHRR. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 7:1499-1514
HOLBEN, B. N. 1986. Characteristics of maximum-value composite images from the temporal AVHRR data. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 7:1417-1434
HOLBEN, B. N.; KAUFMAN, Y. J.; KENDALL, J. D., 1990. NOAA II-AVHRR red and near-infrared inflight calibration. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 8:1511-1520.
HOLBEN, B. N.; ECK, T. F.; FRASER, R. S., 1991. Temporal and spatial variability of aerosol optical depth in the Sahel region in
relation to vegetation remote sensing. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 12:1147-1164.
HUETE, A. R., 1985. Spectral response of a plant canopy with different soil background. Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 17:37-53.
HUETE, A. R., 1988. A soil-adjusted vegetation index. Remote Sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 25:295-309.
HUETE, A. R.; JACKSON, R. D., 1987. The suitability of spectral indices for evaluating vegetation characteristics on arid rangelands,
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 23:213-232.
HUETE, A. R.; JACKSON, R. D.; POST, D. F., 1987. Spectral response of a plant canopy with different soil background. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 17:37-53.
HUNT, E. R. JR., 1994. Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from
NDVI. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1725-1730.
JACKSON, R. D.; SLATER, P. N.; PINTER, P. J., 1983. Discrimination of growth and water stress in wheat by various vegetation
indices through clear and turbid atmospheres. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
13:187-208.
JUSTICE, C. O.; HOLBEN, B. N.; GWYNNE, M. D., 1986. Monitoring East African vegetation using AVHRR data. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 7:1453-1474.
JUSTICE, C. O.; ECK, T. F.; TANRÉ, D.; HOLBEN, B. N., 1991. The effect of water vapour on the normalized difference vegetation
index derived for the Sahelian region from NOAA AVHRR data. International Journal of Remote Sensing, Taylor & Francis Ltd, London,
UK. 12:1165-1188.
JUSTICE, C. O.; DUGDALE, G.; TOWNSHEND, J. R. G.; NARRACOTT, A. S.; KUMAR, M., 1991. Synergism between NOAA
AVHRR and METEOSAT data for studying vegetation development in semi-arid West Africa. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 12:1349-1368.
KAUTH, R. J.; THOMAS, G. S., 1976. The Tasselled cap - a graphic description of the spectral temporal development of agricultural
crops as seen by Landsat. Proceedings of the Symposium of Machine Processing of Remote Sensing data. Laboratory of Applications of
Remote Sensing, Purdue University, West Lafayette, Indiana, USA. 237-243.
KIDWELL, K. B., 1995. NOAA polar Orbiter Data Users Guide. NOAA NESDIS, Washington D.C., USA. http://www.nesdis.noaa.gov.
data de acesso: 10 de fevereiro de 2005.
KOGAN, F. N., 1990. Remote sensing of weather impacts on vegetation in non-homogeneous areas. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:1405-1420.
KOGAN, F. N., 1995. Application of vegetation index and brightness temperature for drought detection. Advances in Space Research,
Elsevier Science Publishing Co., New York, USA. 15: 91-100.
KOGAN, F. N., 1997. Global Drought watch from space. Bulletin of the American Meteorological Society, Boston, Massachusetts, USA.
78:621-636.
KOGAN, F. N., STARK, R.; GITELSON, A.; JARGALSAIKHAN, L.; DUGRAJAV, C.; TSOOJ, S., 2004. Derivation of pasture
biomass from AVHRR-based vegetation health indices. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
25:2889-2896.
KOROLYUK, T. V.; SCHERBENKO, H. V., 1994. Compiling soil maps on the basis of remote-sensed digital processing: soil
interpretation. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1379-1400.
KOUSKY, V. E., 1971. Frontal Influences on Northeast Brazil. Monthly Weather Review, American Society of Meteorology, Boston,
Massachusetts, USA. 1079:1140-1153.
KOUSKY, V. E.; KAGANO, M. T.; CAVALCANTI, I. F, 1984, A review of the Southern Oscillation: oceanic-atmospheric circulation
changes and related rainfall anomalies. Tellus, Swedish Geographical Society, Stockholm, Sweden. 36A, p.490-501.
KRAJICEK, V.; VRBOVA, M., 1994. Laser-induced fluorescence spectra of plants. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 47:51-54.
KUSTAS, W.; DRAIG, S. T.; DAUGHTRY, T.; VAN OEVELEN, P. J., 1993. Analytical treatment of the relationships between soil heat
flux/net radiation ratio and vegetation indices. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
46:319-330.
LEE, J. S.; GRUNES, M. R.; KWOK, D. R., 1994. Classification of Multi-look polarimetric SAR imagery based on complex wave
distribution. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:2299-2311.
LEPRIEUR, C.; KERR, Y. H.; PICHON, J. M., 1996. Critical assessment of vegetation indices from AVHRR in a semi-arid environment.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:2549-2563.
LI, XIA, 1994. A two-axis adjusted vegetation index (TWVI). International Journal of Remote Sensing, Taylor & Francis Ltd, London,
UK. 15:1447-1458.
LI, Y.; DEMETRIADES-SHAH, T. H.; KANEMAZU, E. T.; SHULTIS, J. K.; KIRKAM, M. B., 1993. Use of second derivatives of
canopy reflectance for monitoring prairie vegetation over different soil backgrounds. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 44:81-87.
LIN, D. S.; WOOD, E. F.; BEVEN, K.; SAATCHI, S., 1994. Soil moisture estimation over grass-covered areas using AIRSAR.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1323-2343.
LIN, D. S.; WOOD, E. F.; TROCH, P. A.; MANCINI, M.; JACKSON, T. J., 1994. Comparisons of remotely sensed and model-simulated
soil moisture over a heterogeneous watershed. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
48:159-171.
LIU, W. T.; COSTA, M. G.; NOMOTO, R., 1992. Comparação de três modelos de estimativa da produtividade de milho na região de
Ribeirão Preto-SP. Anais do VII Congresso Brasileiro de Meteorologia, Sociedade Brasileira de Meteorologia, São Paulo, SP, Brasil.
2:553-557.
LIU, W. T.; LIU, B. W., 1988. Comparação de modelo simples e composto de previsão de safra de soja no Estado de Minas Gerais.
Ciência e Cultura, Sociedade Brasileira para o progresso de Ciências, Universidade de Campinas, Campinas, SP, Brasil. 40:808-811.
LIU, W. T.; FERREIRA, A. V., 1991. Monitoring Crop production regions in the São Paulo State of Brasil using normalized difference
vegetation index. Proceedings of the 24th. International Symposium on Remote Sensing of Environment. Rio de Janeiro, RJ. Brasil. 447-
455.
LIU, W. T.; MASSAMBANI, O.; NOBRE, C., 1994. Satellite recorded vegetation response to drought in Brazil. International Journal of
Climatology, Royal Society of Meteorology, London, UK. 14:343-354.
LIU, Y.; ZHA, Y.; GAO, J.; NI, S., 2004. Assessment of grassland degradation near Lake Quinhai, west China, using Landsat TM and in
situ reflectance spectral data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4177-4189.
LOVELAND, T. R.; REED, B. C.; BROWN, J. F.; OHLEN, D. O.; ZHU, Z.; YANG, L.; MERCHANT, J. W., 2000. Development of a
global land cover characteristics database and IGBP Discover from 1 km AVHRR data. International Journal of Remote sensing, Taylor &
Francis Ltd, London, UK. 21:1303-1330.
LUDOVIC, A.; SALAS, W. A.; SKOLE, D., 1994. Fourier analysis of multi-temporal AVHRR data applied to land cover classification.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1115-1122.
MATTHEWS, E., 1983. Global vegetation and land use: new high resolution data bases for climate studies. Journal of Climate and
Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA.2:474-487
MAJOR, D. J.; BARET, F.; GUYOT, G., 1990. A ratio vegetation index adjusted for soil brightness. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:727-740.
NAGESWARA, P. P.; MOHANKUMAR, A., 1994. Cropland inventory in the command area of Krishnarajasasgar project. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1295-1307.
NEALE, C. M.; BAUSCH, W. C.; HEERMANN, D. F., 1989. Development of reflectance-based crop coefficients for corn. Transaction
on American Sociaty of Agricultural Engineering, Academic Press, New York, USA. 32:1891-1899.
NOMOTO, R.; LIU, W.T., 1992. Estimativa de produtividade agrícola de cultura de arroz baseada nos dados de índice de vegetação
obtido por satélite. Anais do VII Congresso Brasileiro de Meteorologia, Sociedade Brasileira de Meteorologia, São Paulo, SP, Brasil.
2:548-552.
OINDO, B. O.; SKIDMORE, A. K., 2002. Interannual variability of NDVI and species richness in Kenya. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 23:285-298.
PALOSCIA, S.; PAMPALONI, P., 1992. Microwave vegetation indexes for detecting biomass and water conditions of agricultural crops.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 40:15-26.
PALOSCIA, S.; PAMPALONI, P., 1993. Multifrequency passive microwave remote sensing of soil moisture and roughness. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 14:467-483.
PEARSON, R. L.; MILLER, L. D., 1972. Remote sensing of standing crop biomass for estimation of the productivity of the shortgrass
prairie. Proceedings of the 8th Symposium on Remote Sensing of Environment, University of Michigan, Ann Arbor, Michigan, USA.
p.1357-1381.
PINKER, R. T.; KARNIELI, E., 1995. Characteristic spectral reflectance of a semi-arid environment. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 16:1341-1363.
PINTY, B.; VERSTRAETE, M. M., 1992. GEMI: a non-linear index to monitor global vegetation from satellites. Vegetation,
International Association for Vegetation Science, Opulus Press, Grangarde, Sweden. 101:15-20.
PLUMMER, S. E.; NORTH, P. R.; BRIGGS, S. A., 1994. The angular vegetation index: an atmospherically resistant index for the second
along track scanning radiometer (ATSR-2). Proceedings of the sixth International Symposium on Physical measurements and Signatures
in Remote Sensing, Val d’Isére, France, p.121-142.
PRICE, J. C.; BAUSCH, W. C., 1995. Leaf area index estimation from visible and near-infrared reflectance data. Remote Sensing of
Environment. Elsevier Science Publishing Co., New York, USA. 52:55-65.
PRINCE, S. D., 1990. A model of regional primary production for use with coarse resolution satellite data. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 12:1313-1331.
PRINCE, S. D., 1991. Satellite remote sensing of primary production: comparison of results for Sahelian grasslands 1981-1988.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 12,1301-1311.
QI, J. A., 1993. Compositing multitemporal remote sensing data. Ph.D. Dissertation, Department of Soil and Water Science, University of
Arizona, Tucson, Arizona, USA, 200p.
QI, J.; CHEHBOUNI, A.; HUETE, A. R.; KERR, Y. H.; SOROOSHIAN, S., 1994. A modified soil adjusted vegetation index. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 48:119-126.
RAO, V. B.; HADA, K., 1990. Characteristics of rainfall over Brazil: annual variations and connection with the Southern Oscillation.
Theoretical and Applied Climatology, American Society of Meteorology, Boston, Massachusetts, USA. 42:81-92
RASMUSSEN, M. S., 1992. Assessment of millet yields and production in the northern Burkina Faso using integrated NDVI from the
AVHRR. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:3431-3442.
RASON, K. J.; SUN, G., 1994. Northern forest classification using temporal multifrequency and multipolarimetric SAR images. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 47:142-153.
REYES, S.; TREJO, A. M., 1991. Tropical perturbations in the eastern Pacific and the precipitation field over north-western Mexico in
relation to the ENSO phenomenon. International Journal of Climatology, Royal Society of Meteorology, London, UK. 11:515-528.
RICHARDSON, A. J.; WIEGAND, C. L., 1977. Distinguishing vegetation from soil background information. Photogrammetric
Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 43:207-216.
ROPELEWSKI, C. F.; HALPERT, M. S., 1987. Global and regional scale precipitation patterns associated with the El Niño/Southern
Oscillation. Monthly Weather Review, American Society of Meteorology, Boston, Massachusetts, USA. 115:1606-1626.
RONDEAUX, G.; STEVEN, M.; BARET, F., 1996. Optimization of soil adjusted vegetation index. Remote Sensing of Environment,
Elsevier Science Publishing Co., New York, USA. 55:95-107.
ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W., 1973. Monitoring vegetation systems in the Great Plains with ERTS.
Third Symposium of ERTS, Greenbelt, Maryland, USA. NASA SP-351, V1:309-317.
ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W., 1974. Monitoring the vernal advancement and retrogradation
(Greenwave effect) of nature vegetation. NASA/GSFCT Type III Final Report, Greenbelt, MD. USA. 64p.
ROSEMA, A., 1993. Using METEOSAT for operational evapotranspiration and biomass monitoring in the Sahel Region. Remote Sensing
of Environment, Elsevier Science Publishing Co., New York, USA. 46:27-44..
RUSSELL, G.; JARVIS, P. G.; MONTEITH, J. L., 1989. Absorption of radiation by canopies. In: Plant Canopies: The Growth, Form and
Function. Edited by G. Russell, P.G. Jarvis and Marshall. Society of Experimental Biology Seminar Series, Cambridge University Press,
Cambridge, UK. 31:21-41.
SALAS, W. A.; RANSON, J. K.; ROCK, B. N.; SMITH, K. T., 1994. Temporal and spatial variations in dielectric constant and water
status of dominant forest species from New England. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
47:109-119.
SETO, K. C.; FLEISHMAN, E.; FAY, J. P.; BETRUS, C. J., 2004. Linking spatial patterns of birds and butterfly species richness with
Landsat TM derived NDVI. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4309-4324.
TOWNSHEND, J. R.; JUSTICE, C. O.; KALB, V., 1987. Characterization and classification of South American land cover types using
satellite data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 8:1189-1207.
TUCKER, C. J., 1977. Use of near infrared/red radiance ratios for estimating vegetation biomass and physiological status. Proceedings of
the 11th Symposium of Remote Sensing of Environment, Ann Arbor, Michigan, ERIM, 13:493-494.
TUCKER, C. J.; TOWNSHEND, J. R.; GOFF, T. E., 1985. African land-cover classification using satellite data. Science, American
Association for Advancement of Science, Washington D. C., USA. 227:369-375.
UNGANAI, L. S.; KOGAN, F. N., 1998, Drought Monitoring and corn yield estimation in Southern Africa from AVHRR data, Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 63, 219-232.
VAIOPOULOS, D.; SKIANIS, G. A.; NIKOLAKOPOULOS, K., 2004. The contribution of probability theory in accessing the efficiency
of two frequently used vegetation indices. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4219-4236.
VERMA, S. B., SELLERS, P. J.; WALTHALL, C. L.; HALL, F. G.; KIM, J.; GOETZ, S. J., 1993. Photosynthesis and stomata
conductance related to reflectance on the canopy scale. Remote Sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 44:103-116.
WARD, M. N.; FOLLAND, C. K., 1991. Prediction of seasonal rainfall in the north Northeast of Brazil using eigenvectors of sea surface
temperature. International Journal of Climatology, Royal Society of Meteorology, London, UK. 11:709-818.
WIEGAND, C. L.; GERBERMANN, A. H.; GALLO, K. P.; BLAD B. L.; DUSEK, D.,1990. Multisite analyses of spectral-biophysical
data for corn. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 33:1-16.
WIEGAND, C. L.; RICHARDSON, A. J.,1990a. Use of spectral vegetation indices to infer leaf area evapotranspiration and yield. I.
Rationale, Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 83:623-629.
WIEGAND, C. L.; RICHARDSON, A. J., 1990b. Use of spectral vegetation indices to infer leaf area evapotranspiration and yield. II.
Results, Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA.83:630-636.
WIEGAND, C. L.; RICHARDSON, A. J.; ESCOBAR, D. E., 1991. Vegetation indices for crop assessments. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 35:105-120.
8.1 Introdução
A superfície recebe diariamente a energia da radiação solar. Uma parte da radiação é refletida pela superfície
(albedo); a segunda parte aquece o ar (fluxo de calor sensível ao ar, manifestado pela temperatura do ar); a terceira parte
aquece a terrestre (fluxo de calor sensível ao solo, manifestado pela temperatura do solo) e a última parte evapora a
superfície terrestre (fluxo de calor latente, manifestado pela evapotranspiração). Neste capítulo, serão apresentados os
métodos de estimativas de albedo, temperatura da superfície terrestre e evapotranspiração via satélite e os conhecimentos
básicos para facilitar as aplicações e as validações dos métodos.
Atualmente, a previsão diária do tempo local em 24 horas alcança uma acurácia acima de 90%. Os fatores que
contribuem com o resto da incerteza de 10% são principalmente as quantificações imprecisas dos fluxos de balanço de
energia da superfície terrestre que são afetados pelos parâmetros biofísicos locais variando drasticamente em espaço e
tempo. Portanto, para quantificar precisamente os fluxos de balanço de energia da superfície, é preciso entender melhor
as evoluções espacial e temporal dos parâmetros biofísicos, tais como rugosidade e estrutura da superfície, propriedades
físicas e químicas do solo, topografia, geomorfologia e usos do solo e os seus efeitos manifestados pelo microclima. Tem
havido grande esforço dos pesquisadores da área de modelagem numérica em previsão do tempo e das mudanças
climáticas para melhorar seu modelo nas quantificações de parâmetros biofísicos e dos fluxos de balanço de energia a
fim de aumentar a acurácia de previsão. Por causa dos dados meteorológicos coletados na superfície terrestre que são
freqüentemente insuficientes em escala espacial, a maioria dos sistemas operacionais dos modelos de previsão do tempo
usa os dados dos parâmetros biofísicos e fluxos de energia da superfície em uma resolução espacial de 50 até 200 km.
Avanços recentes na área de sensoriamento remoto via satélite fornecem os métodos alternativos de estimativas desses
parâmetros, usando os dados diários globais com uma resolução espacial de 1,1km adquiridos pelos sensores NOAA
AVHRR. Portanto, este capítulo tenta explorar aplicações dos dados de sensoriamento remoto na quantificação dos
parâmetros, incluindo: albedo, temperatura da superfície e os fluxos de bálano de energia para monitorar as
variabilidades bioclimáticas e melhorar as acurácias dos modelos de previsão do tempo.

8.2 Estimativa de albedo

O albedo (α) é definido como a reflectância da radiação solar pela superfície terrestre que cobre a faixa do
comprimento da onda eletromagnética de 0,4 μm a 3 μm (visível ao infravermelho médio). Atualmente, os dados de
NOAA AVHRR são largamente utilizados para estimativas do albedo. Por serem as bandas dos sensores de NOAA
AVHRR estreitas, um algoritmo, chamado Método de Banda Larga (Broad Band Method), que combinou canal 1 (0,58 a
0,68 μm) e canal 2 (0,725 a 1,10 μm) do NOAA AVHRR, é desenvolvido para a obtenção do albedo.
O valor de albedo da superfície terrestre varia de 5% a 55% dependendo do grau de verde, minerais e propriedades
físicas e químicas do solo. A reflectância da superfície oceânica e da superfície de água, normalmente, é baixa em toda a
faixa de radiação onda curta. A reflectância da superfície de água pode alcançar o valor de 100% no caso da reflectância
igual ao efeito do espelho, conhecido como sun glint. A reflectância de neves é alta nas faixas de visível e infravermelho
próximo, mas diminui rapidamente após o comprimento de onda alcançar o valor de 1 μm e tem dois picos de alta
absorção de água nas faixas de 1,45 μm e 1,95 μm. A reflectância de nuvens é semelhante à de água e neves, mas
mantendo a reflectância relativamente alta após 1 μm. A tabela 8.1 apresenta uma lista dos valores gerais de reflectância
de vários tipos de superfície que são encontrados nas literaturas. Os valores de albedo medidos pelos sensores de satélite
no espaço são afetados pelas atenuações atmosféricas e propriedades da superfície. Os efeitos principais dos constituintes
atmosféricos na conversão do albedo das bandas estreitas para o albedo da banda larga são listados a seguir.

a)   Espalhamento e absorção de aerossóis na faixa inteira de banda larga;

b)   Absorção de água nas faixas de 0,7 a 1 μm e nas faixas >1 μm;
c)   Absorção nas faixas de visível e ultravioleta.

Para a estimativa de albedo da superfície terrestre via satélite, os efeitos de presenças dos constituintes
atmosféricos devem ser corrigidos. Por esses efeitos envolverem os processos múltiplos de espalhamento, absorção,
transmissão, emissão e reflexão, vários modelos de simulação de transferência radiativa foram desenvolvidos para
sintetizar esses processos e tentar eliminar esses efeitos, como o modelo LOWTRAN 7 de Kneizys et al. (1988), o 5S de
Tanré et al. (1990) e o de Paltridge e Mitchell (1990). A maioria desses modelos requerem os dados de condições
atmosféricas locais durante a passagem do satélite, que freqüentemente não estão disponíveis. Portanto, o modelo de
Paltridge e Mitchell (1990), que é mais simples e requer poucos dados de inputs, foi usado por vários pesquisadores com
resultados satisfatórios (GUTMAN et al., 1989; Vázquez et al., 1997; Tsay; Liu, 1998). Knap et al. (1999) usaram os
dados Landsat TM para estimativas das superfícies de gelos e neves na região glacial na Suíça. Muramatsu (2000)
utilizou os dados de Landsat TM e Landsat MSS para estimativas de albedo das superfícies de água, solo nu e vegetação.
Disney et al. (2004) apresentaram um método de banda larga para estimativa de albedo usando os dados de MODIS e
validado com os dados obtidos na superfície terrestre. Esses autores observaram que os valores de albedo calculados
pelos dados de MODIS concordaram bem com os dados de albedo obtidos na superfície com a diferença de algumas
porcentagens. Liang, Yu e Defelice (2005) apresentaram um método de calcular albedo banda larga utilizando os dados
espectrais obtidos pelo espectrorradiômetro chamado, Visible/Infrared Imager/Radiometer Suit, (VIIRS) com a correção
dos efeitos atmosféricos pelo modelo de transferência atmosférica aplicando a análise estatística de regressão múltipla.
Concluíram que a acurácia alcançou a 95%. Para avaliar os métodos de estimativa de albedo usando os dados gerados
pelos satélites, serão apresentados três modelos de estimativa de albedo pelo Método de Banda Larga, utilizando os
dados AVRR do satélite de NOAA.
Tabela 8.1 – Lista de valores de albedo das várias superfícies terrestres.

Natureza da superfície Valor de albedo Fonte

Floresta Amazônica 0,134 Culf et al., 1994
Pastagem Amazônia 0,180 Culf et al., 1994
Neves 0,540 Knap et al., 1999
Gelos 0,19 Knap et al., 1999
Neves frescas 0,95 Oke, 1987
Neves velhas 0,40 Oke, 1987
Gelos do mar 0,30 - 0,45 Oke, 1987
Gelos glaciais 0,20 - 0,40 Oke, 1987
Água (ângulo zenital pequeno)) 0,03 - 0,10 Oke, 1987
Água (ângulo zenital maior) 0,10 - 1,00 Oke, 1987
Floresta decídua sem folhas 0,15 - 0,20 Oke, 1987
Floresta decídua com folhas 0,05 - 0,15 Oke, 1987
Floresta conífera 0,05 - 0,15 Oke, 1987
Pomares 0,15 - 0,20 Oke, 1987
Tundras 0,18 - 0,25 Oke, 1987
Culturas agrícolas verdes saudáveis 0,06 - 0,15 Oke, 1987
Pastagens com folhas longas (1m) 0,16 Oke, 1987
Pastagens com folhas curtas (0,02m) 0,26 Oke, 1987
Desertos 0,20 - 0,45 Oke, 1987
Solos nus úmidos e escuros 0,05 Oke, 1987
Solos nus secos e claros 0,40 Oke, 1987
Asfaltos 0,05 - 0,20 Oke, 1987
Concretos 0,10 - 0,35 Oke, 1987
Tijolos 0,20 - 0,40 Oke, 1987
Pedras 0,20 - 0,35 Oke, 1987
Telhados com tinta e cascalhos 0,08 - 0,18 Oke, 1987
Calhas 0,10 - 0,35 Oke, 1987
Ferros enferrujados 0,10 - 0,16 Oke, 1987
Vidro limpo com ângulo zenital < 40° 0,08 Oke, 1987
Vidro limpo com ângulo zenital 40° - 80° 0,09 - 0,52 Oke, 1987
Pinturas brancas de gelo ou neve 0,50 - 0,90 Oke, 1987
Pinturas de vermelho, marrom ou verde 0,20 - 0,35 Oke, 1987
Pinturas pretas 0,02 - 0,15 Oke, 1987
Áreas urbanas 0,10 - 0,27 Oke, 1987

8.2.1 Modelo de Wydick

Wydick, Davis e Gruber (1987) desenvolveram um algoritmo do Método de Banda Larga que combinou canal 1
(0,58 a 0,68 μm) e canal 2 (0,725 a 1,10 μm) do NOAA 9 para obter o albedo (α). A equação (8.1) apresenta o cálculo do
albedo pelo modelo de Wydick.

Em que:  
α = albedo;
C1 = canal 1 (0,58 a 0,68 μm) do satélite NOAA 9;
C2 = canal 2 (0,725 a 1,10 μm) do satélite NOAA 9.

Os coeficientes foram obtidos sob as condições atmosféricas do céu claro, usando os valores médios mensais de
ângulo zenital solar durante a hora de passagem do satélite NOAA 9. Pelo fato de os dados de AVHRR do satélite
NOAA 9 serem obtidos por volta das 14h às 15h (horário local) quando o valor de albedo é próximo ao valor médio
diurno, os valores obtidos por esses coeficientes são razoáveis no início do lançamento do satélite NOAA 9. Os valores
tornam-se menos precisos quando o tempo se prolonga, porque o satélite se afasta de sua órbita ao longo dos anos no
espaço. Portando, tais coeficientes são válidos somente entre o período de 1985 e 1988 (GUTMAN et. al., 1989). O
modelo de Wydick foi utilizado operacionalmente pelo NOAA para gerar os dados globais de albedo planetário desse o
mês de maio de 1998 com as correções da mudança das órbitas e degradação dos sensores ao longo do tempo (HUCEK;
JACOBOWITZ, 1995).

8.2.2 Modelo de Valiente

Valiente et al. (1995) desenvolveram os coeficientes do Método de Banda Larga para as bandas estreitas dos
sensores dos satélites METEOSAT e NOAA 11, utilizando as correlações entre os dados observados e via satélite. A
figura 8.1 mostra as respostas espectrais dos senhores do METEOSAT (banda de 0,40 a 1,1μm) e do NOAA 11 (canal 1
de 0,58 a 0,68 μm e canal 2 de 0,725 a 1,10 μm)
Os dados de albedo espectral da superfície foram obtidos por meio de medições de albedo pelo
espectrorradiômetro GER-IRIS, que mede a faixa espectral entre 0,35 a 2,5 μm, no experimento do Projeto European
Field Experiment in a Desertification-threatened Area (EFEDA), realizado na região de Castella La Mancha na Espanha,
durante o período de abril a junho de 1991. Os dados de albedo foram obtidos por meio de medições dos vinte tipos de
superfície, representando sete tipos de solo, oito tipos de vegetação natural e culturas secas e cinco tipos de culturas com
alto LAI. Os diferentes valores de albedo foram agregados em três tipos de superfície: solo nu, superfície natural e
culturas. Os dados de assinatura espectral desses três tipos de superfície foram utilizados para obter os dados observados
de albedo planetário, utilizando o modelo de transferência radiativa, 5S (TANRé, 1990). As equações (8.2) e (8.3)
representam os cálculos de albedo do método de Valiente para o METEOSAT e o NOAA11, respectivamente.

Figura 8.1 – As faixas de reflectância espectral dos sensores do: a. METEOSAT (banda de 0,40 a 1,1μm); b. NOAA 11 (canal 1 de
0,58 a 0,68 μm) e c. canal 2 (0,725 a 1,10 μm). Fonte: (VALIENTE et al.,1995).

Em que:  
α = albedo;
Met = reflectância na banda do METEOSAT (0,40 a 1,1μm).

Em que:  
α = albedo;
C1 = canal 1 (0,58 a 0,68 μm) do NOAA 11;
C2 = canal 2 (0,725 a 1,10 μm) do NOAA 11.

Os coeficientes foram obtidos fazendo-se as correlações entre os dados de satélite e os observados na superfície
terrestre. Os resultados mostraram que os valores do albedo estimados pela única banda 0,4 a 1,1 μm do METEOSAT
não foram satisfatórios, apesar de o seu coeficiente de correlação (R2) de 0,938 e o erro de padrão de 7,3% terem sido
considerados aceitáveis. Os estimados pelos canais 1 e 2 do satélite NOAA foram considerados mais precisos com o R2
de 0,982 e o erro de padrão de 4,4%. Valiente et al. (1995) concluíram que, com uma correção atmosférica adequada, a
equação (8.3) pode ser aplicada para estimar o albedo planetário com o erro em cerca de 5%.

8.2.3 Modelo de Hucek e Jacobowitz

Hucek e Jacobowitz (1995) argumentaram que os dados globais de albedo gerados pelo modelo de Wydick (1987)
têm erros causados pela variação regional em cerca de 22 e 37 W m−2 nos meses de julho e janeiro respectivamente.
Apontaram que os coeficientes do Método de Banda Larga da equação (8.1) variam de acordo com as informações de
localidade geográfica e de nebulosidade. Para aplicação dos dados de NOAA AVHRR na estimativa de albedo pelo
Método de Banda Larga pela equação (8.1), os dados de albedo de 18 regiões distintas da superfície terrestre, observados
durante o período de 1985 a 1986 no experimento do projeto Earth Radiation Budget Experiment (ERBE), foram usados
para gerar os coeficientes de estimativa de albedo via satélite NOAA. Dentre essas regiões, foram selecionadas seis
regiões típicas que representam as superfícies oceânicas, terrestre, neves, desertos, oceano subtropical e terrestre tropical
para desenvolver os coeficientes. A figura 8.2 mostra as áreas delineadas para essas seis regiões. Os dados de NOAA
AVHRR GAC com uma resolução de 8 km foram usados para correlacionar e gerar os coeficientes com os dados obtidos
pelo ERBE. Desenvolveram três conjuntos de coeficientes (a0, a1 e a2) da equação (8.1) para cada região, para calcular o
albedo que varia de acordo com três condições da superfície terrestre: modelo geral, propriedade da superfície e
nebulosidade. As tabelas 8.2, 8.3 e 8.4 apresentam os valores desses coeficientes para os três modelos de estimativa de
albedo, incluindo modelo regional da superfície dependente, modelo regional da cena dependente e modelo de índice da
diferença normalizada de albedo (Normalized Difference Albedo Index – NDAI). O NDAI em porcentagem é calculado
pela diferença de C2 e C1 dividida pela soma de C2 e C1, multiplicado por 100. Baseados nos resultados obtidos
sugeriram que o modelo de combinação de superfície e nebulosidade regionais é mais adequado para gerar mapas
dinâmicos de albedo do globo inteiro.

Figura 8.2 – As seis regiões típicas do globo que representam as superfícies oceânicas, terrestres, neves, desertos, oceano subtropical
e terrestre tropical para estimativa de albedo pelo modelo de Hucek e Jacobowitz (1995).

Tabela 8.2 – Lista dos valores dos coeficientes do modelo regional da superfície dependente da estimativa de albedo pela equação: α = a0
+ a1C1 + a2C2 do Método da Banda Larga. Fonte: (HUCEK; JACOBOWITZ, 1995).

Tabela 8.3a – Lista dos valores dos coeficientes do modelo regional da cena dependente da estimativa de albedo nas condições de céu
claro pela equação: α = a0 + a1C1 + a2C2 do Método da Banda Larga. Fonte: (HUCEK; JACOBOWITZ, 1995).
Tabela 8.3b – Lista dos valores dos coeficientes do modelo regional da cena dependente da estimativa de albedo nas condições
parcialmente nubladas pela equação: α = a0 + a1C1 + a2C2 do Método da Banda Larga. Fonte: (HUCEK; JACOBOWITZ, 1995).

Tabela 8.3c – Lista dos valores dos coeficientes do modelo regional da cena dependente da estimativa de albedo nas condições nubladas
pela equação: α = a0 + a1C1 + a2C2 do Método da Banda Larga. Fonte: (HUCEK; JACOBOWITZ, 1995).

Tabela 8.3d – Lista dos valores dos coeficientes do modelo regional da cena dependente da estimativa de albedo nas condições do céu
coberto pela equação: α = a0 + a1C1 + a2C2 do Método da Banda Larga. Fonte: (HUCEK; JACOBOWITZ, 1995).

Tabela 8.4 – Lista dos valores dos coeficientes do modelo de índice da diferença normalizada de albedo (Normalized Difference Albedo
Index – NDAI %) na estimativa de albedo pelo Método da Banda Larga: α = a0 + a1NDAI. Fonte: (HUCEK; JACOBOWITZ, 1995).
8.2.4 Mapas dinâmicos de albedo da superfície terrestre

Liu e Tsay (1998) aplicaram o modelo de Hucek e Jacobowitz (1995) para a geração de mapas sazonais do albedo
da superfície terrestre do globo inteiro. Por falta de dados de nebulosidade na hora de passagem de satélite NOAA 11 do
globo inteiro, os coeficientes da tabela 8.2 foram usados para gerar os mapas globais de albedo, utilizando os dados de
NOAA 11 AVHRR GAC 10 dias composto. As figuras 8.3a 8.3c apresentam os mapas de albedo para o globo inteiro
produzidos para os períodos de 1 a 10 de abril de 1992, 1 a 10 de julho e 1 a 10 de outubro de 1992, respectivamente. A
tabela 8.5 mostra uma distribuição de albedo do globo inteiro das imagens produzidas. Foi observado que, para o globo
inteiro, no ano todo, mais de 50% da superfície terrestre apresenta os valores de albedo entre 0,11 a 0,20, com valores
relativamente constantes: nos meses de abril com 55%, julho com 61% e outubro com 60%, exceto em janeiro, com
42%. Isto significa que o globo inteiro acima 50% da superfície terrestre está coberto pela vegetação e que a contribuição
da vegetação da superfície ao grau de verde do globo inteiro é relativamente constante, exceto para os meses de inverno
(dezembro a março) na maior parte do continente no Hemisfério Norte, onde as neves e gelos estão cobrindo a superfície
e as plantas estão em estado de dormência.
A variação sazonal de albedo foi observada na maior parte da superfície terrestre. Mas, em algumas regiões, os
valores são relativamente constantes e em outras oscilando com a alta amplitude. Por exemplo, comparando-se as
evoluções de albedo nos vários continentes por meio da análise das imagens das figuras 8.3a 8.3c, foi observado que as
regiões típicas, tais como os desertos de Saara e Gobi, por causa da seca, e o Planalto do Tibete, do gelo têm áreas com
valores altos (presenças das cores rosa e vermelha). Por outro lado, as variações sazonais distintas de albedo, que variam
do alto, no outono e inverno, ao baixo, na primavera e verão, são observadas nas regiões de alta latitude, incluindo
Sibéria, Canadá e oeste e extremo sul da América do Sul.
A presença de altos valores de albedo (0,20 a 0,50) na maior área da região norte da África, no ano inteiro, é
explicada pela presença do deserto de Saara. Esses altos valores obtidos coincidem bem com os valores obtidos por
Menenti, Bastiaanssen e Dick (1989) e Bastiaanssen (1995) para a mesma região (0,14 a 0,42). Exceto em janeiro, os
valores de albedo variam de 0,11 a 0,20 na região Amazônica, coincidindo bem com os valores de 0,12 a 0,19
observados por Culf, Fisch e Hodnett (1995). Gutman (1989) obteve os valores de albedo da região central dos Estados
Unidos, os quais variaram de 0,12 em abril a 0,26 em julho, utilizando os dados de AVHRR GAC com as correções
atmosféricas pelo método de Paltridge e Mitchell (1990).
Nas figuras 8.3a e 8.3b, observa-se que a área central dos Estados Unidos é mais verde-azulada com albedo em
torno de 0,1 a 0,15 em abril, tornando-se verde-amarelada, com albedo de 0,15 a 0,30 em julho. Comparando-se esses
valores com os estimados por Gutman (1989), os resultados são próximos. Portanto, os dados de albedo gerados pelo
Modelo de Hucek e Jaxobowitz são razoáveis. Esses dados gerados via satélite fornecem uma fonte de dados importantes
para estudos das variabilidades climáticas e mesmo para previsão do tempo em escala global. Moody et al. (2005)
utilizaram os dados adquiridos pelos sensores MODIS do satélite TERRA (conhecido como EOS-AM) da NASA para
gerar os dados de albedo do globo inteiro com uma resolução espacial de 300 m. Usaram uma técnica de interpolação
temporal do albedo em função da variação sazonal dos principais ecossistemas do globo terrestre para preencher as faltas
dos dados e as superfícies cobertas de neves. O produto do albedo global é disponível em uma área de 1/60 graus de
latitude e 1/60 graus de longitude. Os dados de albedo das três bandas largas do globo inteiro, incluindo 0,3 a 0,7 μm, 0,3
a 5,0 μm e 0,7 a 5,0 μm, são disponíveis. Observaram que o valor médio do albedo do globo terrestre varia de 0,219 a
0,296 com o valor residual de ±0,011 que coincide bem com os valores de albedo apresentados na tabela 8.5.
Tabela 8.5 – Porcentagens de distribuição global de albedo em cinco níveis: < 0,10; 0,11 a 0,20; 0,21 a 0,30; 0,31 a 0,55 e > 0,55 nas
quatro estações do ano. Fonte: (LIU; TSAY, 1988).
 Figura 8.3 – Mapas de albedo de um período de dez dias da superfície do planeta Terra do período: a. 1 a 10 de abril de 1992; b. 1 a
10 de julho de 1992 e c. 1 a 10 de outubro de 1992. Fonte: (LIU; TSAY, 1998).

8.3 Estimativa de emissividade

As radiações emitidas pelas faixas de infravermelho médio e longo são recebidas pelos sensores de satélites, como
o calor ou a temperatura radiante, que é a temperatura externa manifestada pela temperatura verdadeira (Tv) ou
temperatura cinética de um objeto. A temperatura radiante geralmente é chamada como temperatura de brilho (Tb). A
relação entre Tv e Tb é expressa pela equação 8.4, seguindo a Lei Stephan-Bolzman:
 Em que:  
Tb = temperatura de brilho registrada por sensor de satélite (W m−2);
ε = emissividade (não tem dimensão);
σ = constante Stephan-Boltzman (5,6697 × 10−8 W m−2 °K−4);
Tv4 = temperatura verdadeira em °K.

Vários algoritmos de estimativa da Tst baseados no Método de Janela Dividida (Split-Window) que requerem os
dados de emissividade foram desenvolvidos pelos vários pesquisadores: tais como Becker e Li (1990a), Kerr, Lagouarde
e Imbernon (1992), Coll et al. (1994), França e Cracknell (1994) e Vázquez, Reyes e Arboledas (1997). Entre eles, o
método de Janela Dividida Local (Local Split-Window), proposto por Becker e Li (1990a), foi considerado como o
método mais estável em termos de variação de erros (SOBRINO et al., 1996). Para obter a temperatura da superfície via
satélite pela equação (8.4), é preciso requerer os dados de emissividade do objeto para converter de Tb a Tv. A Tv é
considerada como a Temperatura da Superfície Terrestre (Tst). A variação do valor de emissividade causa a variação do
valor de Tst em quatro poderes. Portanto, a estimativa da Tst necessita uma estimativa precisa da emissividade para
alcançar uma boa acurácia. A estimativa da emissividade via satélite é muito complexa, porque é difícil de separar os
efeitos das condições atmosféricas na obtenção de emissividade da superfície. Portanto, antes de apresentar os métodos
de estimativa de Tst, os métodos de estimativa de emissividade via satélite devem ser discutidos.
A emissividade afeta a estimativa da Tst via satélite em três maneiras:

a)   a emissividade da superfície terrestre causa o aumento da radiância emitida e a redução da energia refletida
pela superfície;
b)   a emissividade da superfície terrestre varia com as propriedades e a geometria dos objetos que presença na
superfície e seu valor sempre menor que a emissividade de um corpo negro, que é uma unidade;
c)   as propriedades não isotrópicas de refletividade e emissividade de uma superfície terrestre com determinada
rugosidade podem reduzir ou aumentar a radiância total da superfície.

Desconhecimento da emissividade de uma determinada superfície pode introduzir o erro significativo na

estimativa da Tst. Se usar o valor de emissividade de 1, o erro pode chegar de 0,2 a 1,2 °K de uma superfície de
emissividade real de 0,98 no verão em região temperada e chegar de 0,8 a 1,4 °K no inverno da mesma região. O erro da
estimativa de Tst aumenta quando o valor de emissividade diminui (DASH et al., 2002). Por exemplo, o erro varia de 0,8
a 3,4 °K na superfície com a emissividade de 0,93 em vez de 1 em verão na região temperada e de 2,8 a 4,8 °K em
inverno (SCHADLICH; GOTTSCHE; OLESEN, 2001). Becker (1987) apresentou uma equação (equação 8.5) para
estimar o erro de estimativa de Tst causado pelo erro na estimativa de emissividade na aplicação do Método de Janela
Dividida Local na estimativa da Tst usando os dados de NOAA AVHRR canais 4 e 5.

Em que:  
ΔT = erro de estimativa de Tst (°K);
εavg = média de emissividade dos canais 4 e 5 do satélite NOAA;
Δε = diferença de emissividade entre canal 4 e canal 5 do NOAA.

O grupo de sensoriamento remoto no Laboratoire des Sciences de l’Image et de la Télédétection, Ecole Nationale
Supérieure de Physique de Strasbourg (LSIT/ENSPS), em Strasbourg, França, liderado por Becker (1977), é um dos
grupos mais ativos em pesquisa na área de sensoriamento remoto em infravermelho termal. A técnica de medição de
assinaturas espectrais absolutas de emissividade de superfície de solos em laboratório foi desenvolvida por esse grupo
(NERRY; LABEL; STOLL, 1988). As equações (8.6 a 8.8) apresentam o procedimento da obtenção da emissividade
pelo método de caixa preta desenvolvido por Nerry, Label e Stoll (1988).
A emissividade espectral direcional é definida, omitindo o efeito de banda específica do instrumento, como:

Em que:  
Rλ = a radiância emitida de um alvo com a temperatura de Tst;
ελ = emissividade espectral;
θ = ângulo de visada do sensor;
 Rλ° = Função Planck.

Em que:  
C1 = 1,1909 × 104 W cm−2 sr −1 μm4;
C2 = 1,4388 × 104 μm °K.
Para obter a emissividade por meio da medição de radiância, encontram-se dois problemas:

a)   medição precisa de Tst é quase impossível por causa do envolvimento de uma camada de superfície do solo
em torno de algumas micras de comprimento de onda;
b)   presença de radiância ambiental vindo de paredes, objetos no laboratório.

A equação (8.8) calcula a radiância observada envolvendo a radiância emitida pelo alvo e pelo meio ambiente:

Em que:  
ελ (θ) Rλ° (Tst) = a radiância emitida pelo alvo;
[1 – ελ (θ)] Raλ = a radiância emitida pelo meio ambiente.

Uma caixa preta com a superfície interior preparada com 100% de refletividade e o lado do fundo aberto à
superfície do alvo é utilizada para obter a radiância de um corpo negro de emissividade igual uma unidade. Portanto, a
Tst pode ser obtida pela equação (8.8) usando ελ (θ) =1. Todavia, na condição sem caixa preta, a radiância medida
composta da soma das radiância emitidas pelo meio ambiente e pelo alvo. Por meio das medições rápidas, alternando as
condições com ou sem a caixa preta, o valor de emissividade do alvo pode ser obtido aplicando-se a equação (8.8)
usando o valor de Tst obtido pela medição com a caixa preta. Apesar da medição sem caixa feita imediatamente após a
medição com a caixa preta, um certo tempo de atraso pode comprometer a variação de radiância entre as medições com e
sem a caixa preta que compromete a estimativa da Tst pela medição com a caixa preta. Portanto, uma série de medições
após tirar a caixa deve ser feita para extrapolar o valor de radiância no tempo zero e calcular a emissividade equivalente
com a presença de caixa (NERRY; LABEL; STOLL, 1990a). Os dados de emissividade obtidos pelo método de caixa
preta em campo geralmente são usados para validação dos métodos via sensoriamento remoto (LIU, 2000). Vários
métodos de obtenção da emissividade via sensoriamento remoto e o método de caixa preta são apresentados a seguir.

8.3.1 Método de Kerr

Um algoritmo semi-empírico foi proposto por Kerr, Lagouarde e Imbernon (1992) para calcular Tst baseado nos
dados observados nos campos sem utilizar os dados de emissividade. A variação de emissividade foi considerada
diretamente no cálculo de Tst utilizando as frações de Tst calculadas para as superfícies de solo nu e de vegetação.
Primeiramente, os efeitos bidirecionais causados por ângulo zenital solar, ângulo solar azimutal e ângulo de visada de
sensores do satélite na estimativa de temperatura de brilho de cada canal foram corrigidos por meio de uma correlação
entre a temperatura medida no campo e os dados de ângulos calculados durante a passagem do satélite. Depois, os
coeficientes da equação de Janela Dividida Local foram obtidos para a superfície de solo nu e a de vegetação.
Finalmente, a Tst é estimada pelas frações de superfície ocupadas pelo solo nu e pela vegetação. As equações (8.9) a
(8.15) apresentam o procedimento dos cálculos de efeito angular, T4c, T5c, Tst do solo nu para obter Tst.

Em que:  
γ = coeficiente de correção de efeito bidirecional para calcular T4 ou T5 das bandas 4 e 5
dos sensores do NOAA AVHRR;
θsz = ângulo zenital solar;
θsv = ângulo de visada de satélite;
α = = 1,03, considerando a diferença azimutal entre θsz e θsv.
 Em que:  
Tv = temperatura da superfície de vegetação;
Ts = temperatura da superfície de solo nu;
Tst = temperatura da superfície;
C = fração da cobertura de vegetação;
NDVIs = NDVI da superfície terrestre de solo nu;
NDVIv = NDVI da superfície de vegetação.

O método de Kerr considerou que os efeitos de atenuações atmosféricas foram inapreciáveis, comparando-se com
o efeito da variação de emissividade da superfície sob condições de céu claro. O coeficiente da correção do efeito
bidirecional foi obtido nas regiões específicas (pastagem nativa, em Avignon, França, e vegetação nativa, em Niger,
África). Esse valor deve ser aplicado para outras regiões com precaução. O método de Kerr não precisa dos dados de
emissividade local. A variação de emissividade foi considerada diretamente no cálculo de Tst utilizando as frações de Tst
calculadas para as superfícies de solo nu e de vegetação. A porcentagem de cobertura de vegetação foi estimada em
função de NDVI pela equação (8.15). Portanto, o método de Kerr, apesar de não exigir os dados de emissividade, na
realidade, incorpora o efeito de emissividade em função de NDVI nos coeficientes do cálculo de Tst pelo Método de
Janela Dividida Local.

8.3.2 Método de Griend e Owe

A estimativa de emissividade da superfície terrestre em função de NDVI foi primeiramente sugerida por Griend e
Owe (1993) e em seguida por Valor e Caselles (1996). Ambos os métodos utilizaram uma correlação empírica entre
emissividade e NDVI obtido no campo. O valor de emissividade estimada é o valor médio de emissividade das bandas 4
e 5. A estimativa de emissividade pelo método de Griend e Owe é apresentada a seguir:
 
Para NDVI < ou = 0,24, considerado como solo nu, ε = 0,94

Aplicando-se a equação proposta por Griend e Owe (1993):

NDVI = 0,240, obteve-se ε = 0,94;
NDVI = 0,727, obteve-se ε = 0,994.

Para a superfície de solo nu, o valor de ε é de 0,94 a 0,95, e para a vegetação, de 0,96 a 0,995. Portanto, a fórmula
de Griend e Owe (1993) pode ser aplicada com erros aceitáveis.

8.3.3 Método de valor e Caselles

Em vez de incorporar o valor de NDVI diretamente no cálculo de Tst pelo método de Kerr, Valor e Caselles
(1996) apresentaram uma equação (8.17) de estimar emissividade em função de NDVI, utilizando as correlações entre os
dados de NDVI via satélite NOAA e os de emissividade obtidos nos vários experimentos utilizando o
espectrorradiômetro na faixa de 8 a 12,5 μm realizados em vários continentes, incluindo Europa, África e América do
Sul, que representam várias condições geográficas e atmosféricas. Observaram que o valor de emissividade varia de 0,98
a 0,99 para a superfície de vegetação e de 0,95 a 0,97 para a superfície de solo nu. Baseados nessas observações, os
coeficientes de frações de superfícies de vegetação e de solo nu foram determinados. As equações de cálculos são
apresentadas a seguir:
 Em que:  
Pv = fração da cobertura de vegetação;
i = NDVI;
ig = NDVI do solo nu;
iv = NDVI da superfície de vegetação;
k = (ρ2v – ρ1v) / (ρ2g – ρ1g);
ρ1v e ρ2v = reflectância de vegetação dos canais 1 e 2 do NOAA;
ρ1g e ρ2g = reflectância de solo nu dos canais 1 e 2 do NOAA.

As tabelas 8.6 a 8.8 apresentam os resultados de comparações dos dados de emissividade observados e calculados
pelas equações (8.17) e (8.18) e seus erros de estimativa para as regiões do deserto de Sahel na África, Oásis Mendonça
na Argentina e Valência na Espanha, respectivamente. Os erros menores que 0,01 de estimativa nas vegetações e nos
vários tipos de solo são considerados satisfatórios. Mas nas vegetações com copas altas e esparsas, tais como oliveiras e
fruticulturas, o valor máximo de erro pode atingir 0,02. Isto pode causar erro significante na estimativa de Tst.
Tabela 8.6 – Comparações dos dados de emissividade observados e calculados pelo Método de Valor e Caselles e seus erros de estimativa
para as regiões do deserto de Sahel na África. Fonte: (VALOR; CASELLES, 1996).

Observações:  
εg = emissividade de solo nu;
εv = emissividade de vegetação;
H = altura das plantas;
L = espaçamento entre plantas;
S = espaçamento entre sulcos;
dεmax = erro máximo.

Tabela 8.7 – Comparações dos dados de emissividade observados e calculados pelo Método de Valor e Caselles e seus erros de estimativa
para região de Oásis Mendonça na Argentina. Fonte: (VALOR; CASELLES, 1996).

Observações:  
εg = emissividade de solo nu;
εv = emissividade de vegetação;
H= altura das plantas;
 L = espaçamento entre plantas;
S = espaçamento entre sulcos;
dεmax = erro máximo.

Tabela 8.8 – Comparações dos dados de emissividade observados e calculados pelo Método de Valor e Caselles e seus erros de estimativa
para região de Valência na Espanha. Fonte: (VALOR; CASELLES, 1996).

Observações:  
εg = emissividade de solo nu;
εv = emissividade de vegetação;
H = altura das plantas;
L = espaçamento entre plantas;
S = espaçamento entre sulcos;
dεmax = erro máximo.

8.3.4 Método de Kealy e Hook

O Método de Kealy e Hook (1993) utiliza a aproximação de Lei Wien em função de Planck para estimativa de
emissividade. As equações (8.19), (8.20) e (8.21) são usadas para calcular a emissividade.

Em que:  
Rj = radiância no canal j;
lj = comprimento de onda no canal j;
εj = a emissividade no canal j que é escrita como:

Em que:  
KJ = constante.
X é estimado da variância de , com os coeficientes C e M obtidos em medidas de laboratório.

Essa metodologia envolve a radiância da superfície; portanto, a correção atmosférica deve ser inicialmente
aplicada. O parâmetro X é dependente da resposta espectral da superfície. O sucesso do método depende da quantidade
de canais e de suas faixas de comprimento da onda eletromagnética, não sendo apropriado para os sensores do AVHRR,
que possuem apenas dois canais na região do infravermelho. Entretanto, esse método é adequado para pixels com baixa
resolução espacial, que são favoráveis a pixels misturados.
8.3.5 Metódo de Becker e Li

Becker e Li (1990b) utilizaram a reflectância do canal 3 dos sensores AVHRR do satélite NOAA para derivar os
dados de emissividade dos canais 4 e 5. No canal 3 do AVHRR, a radiância diurna é uma combinação da radiância
emitida pela superfície e a refletida por iluminação solar, e a radiância noturna envolve somente a radiância emitida.
Considerando a emissividade do canal 3 que não varia da noite ao dia, a emissividade pode ser estimada por meio das
medições da radiância diurna (soma da energia emitida e refletida) e noturna (somente a energia emitida). Portanto, um
conjunto dos dados de canais 3, 4 e 5 de NOAA AVHRR das imagens diurnas e noturnas é utilizado na separação das
radiâncias emitida e refletida. Desta forma, a refletividade é recuperada e a emissividade é deduzida assumindo um
comportamento lambertiano. As emissividades nos três canais do AVHRR são obtidas pelas equações (8.22), (8.23) e
(8.24). A metodologia envolve a medição da radiância da superfície. Logo, as interferências atmosféricas devem ser
corrigidas. A acurácia do método depende das medições de radiâncias diurna e noturna dos canais 3, 4 e 5, a reflectância
do canal 3 e as correções atmosféricas.

Em que:  
Ri = radiância diurna no canal i;
Ri = radiância noturna no canal i;
Rsun = irradiância solar no canal 3;
d= representa diurno;
n = representa noturno;
n34 = n3/n4;
ni é definido por Ri = ai Ti.

Pacheco (2002) listou diversos valores de emissividade encontrados na literatura (tabela 8.9). Salisbury e D’Aria
(1992) apontaram que a boa parte da base de dados disponíveis de emissividade está relacionada com as medidas de
laboratório e são apenas indicativos e não representativos de emissividade na escala dos pixels do NOAA AVHRR LAC
com uma resolução espacial de 1,1×1,1 km2. Entretanto, recentemente, os grupos de monitoramento da Tst, usando os
dados adquiridos pelos sensores MODIS e ASTER, disponibilizam um banco de dados de emissividade de diversos tipos
de materiais (água, gelo, neve, solos, minerais, vegetação e manufaturados). É uma biblioteca espectral resultante da
compilação de três bibliotecas: Jet Propulsion Laboratory (JPL), Johns Hopkins University (JHU), e United States
Geological Survey (USGS). As tabelas 8.9 a 8.11 listam os dados de emissividade pesquisados por Pacheco (2002),
Becker e Li, (1990a) e Sobrino, Coll e Caselles (1991), respectivamente.
Tabela 8.9 – Dados de emissividade encontrados na literatura. Fonte: (PACHECO, 2002).
Tabela 8.10 – Lista dos dados de emissividades das várias superfícies: εM2 = emissividade na banda termal do METEOSAT, ε4 =
emissividade do canal 4 e ε5 = emissividade do canal 5 da NOAA. Fonte: (BECKER; LI, 1990a).

Tabela 8.11 – Lista de dados de emissividade de vários tipos de solos na faixa termal
(8−12 μm) e nas bandas 4 e 5 do NOAA AVHRR e as suas diferenças. Fonte: (SOBRINO; COLL; CASELLES, 1991).

8.3.6 Método da caixa preta

 O grupo de cientistas na pesquisa de estimativa de Tst via satélite do LSIT/ENSPS, liderados por Becker e Stoll
(1977), desenvolvem as técnicas de validação da estimativa de Tst via satélite, usando os dados de emissividade obtidos
pelo método da caixa preta em laboratório. A estimativa da emissividade da superfície em campo dá-se por meio do
método da “Caixa Preta” ou “Caixa Dupla” (Double-Box). Este método, proposto originalmente por Buettner e Kern
(1965) e modificado por Nerry et al. (1990), visa a solucionar dois problemas fundamentais nas medidas de emissividade
no infravermelho. O primeiro é evitar a medição direta de temperatura da superfície e o segundo, controlar a radiação
ambiental que não pode ser desprezada (NERRY; LABEL; STOLL, 1990a).
Como procedimento inicial, supõe-se que o sistema a ser utilizado é ideal, ou seja, uma caixa sem fundo deve ser
colocada sobre a amostra a ser analisada. Por dentro, as paredes internas da caixa devem ser superfícies refletoras
perfeitas (εparede = 0).As medidas de radiação ascendente são efetuadas pelo espectrorradiômetro em uma determinada
banda espectral, por meio de um pequeno orifício sobre a tampa superior. A tampa deve ser um emissor perfeitamente
difuso (tampa preta com εtampa = 1). A temperatura dentro da caixa (Tc), tem-se como resultado a medida da radiância
efetiva L1. Substituindo-se a tampa por uma superfície refletora perfeita (tampa espelhada com εtampa = 0), que leva à
medida da radiância efetiva L2.
Em ambas as situações, o sistema é equivalente a duas superfícies paralelas infinitas. No primeiro caso, a
temperatura interna das superfícies (Ts) deve ser uniforme. No segundo caso, as duas superfícies internas estão em
temperaturas distintas em um determinado tempo, se o equilíbrio térmico não for atingido. Daí, utilizando a lei de
Kirchhoff, que somente é válida para corpos opacos, mostra-se que:

Em que:  
Li = valores da radiância efetiva que sai da base da caixa (medida pelo espectrorradiômetro) e i = 1, 2, 3
representamas três configurações: εtampa=1, εtampa= 0 e ε sem tampa, respectivamente;
εN(Ts) = a radiância emitida pelo alvo;
(1– ε) N(Tc) = a radiância emitida pelo ambiente;
Tc = temperatura do ambiente;
Ts = temperatura da superfície interna da caixa.

Como foi assumido que o sistema é ideal, para essas equações, não é importante que a superfície do alvo seja
lambertiana ou não. A radiância efetiva, N(T), medida pelo espectrorradiômetro na faixa de Δλ (λ1 a λ2), é determinada
da seguinte forma:

Em que:Ll(T) é função da radiância do corpo negro e f(l) é a função de transferência do instrumento (a

dependência angular foi desprezada). A emissividade média pode ser definida da seguinte forma:

é conhecida ou medida, a solução das equações para ε, levam à:

É importante salientar que os estados radiativos devem ser exatos para ambas as medidas. A ligação experimental
deve ser projetada para cumprir essa condição corretamente. O termo N(TC) pode ser designado como sendo L3.
Portanto, a emissividade (ε é obtida experimentalmente pela equação (8.30) a seguir.
 Em que: Li (com i = 1, 2, 3) são os valores da radiância efetiva que sai da base da caixa (medida pelo
espectrorradiômetro) para as três configurações: caixa preta com a tampa difusor perfeito (εtampa =1), a tampa de refletor
perfeito (εtampa = 0) e ε sem tampa (εo), respectivamente.
Na prática, a caixa utilizada para medir a emissividade é “não ideal”, entretanto, ela se aproxima do
comportamento ideal: emissividade na caixa com as paredes internas de perfeito refletor (εc ≈ 0) e com prefeito difusor
(εh ≈1). Para quantificar os efeitos que os materiais e as dimensões têm nas medidas, um estudo teórico do balanço de
energia dentro da caixa deve ser realizado entre o topo, as paredes e a amostra em consideração. Cada caso particular é
único (RUBIO; CASELLES; BADENAS, 1997).
Como conseqüência, a equação da emissividade deve ser modificada para incluir mais um termo de correção:

Em que o termo δε é o fator de correção que depende da geometria da caixa, da temperatura do alumínio polido e
das emissividades das duas tampas.

A avaliação da influência da caixa nas medidas requer uma modelagem da resposta reflexiva das paredes internas
dela. Quando isto é feito, as equações de balanço de enegia podem ser modeladas pelo uso de fatores que quantificam, de
forma simples, a resposta de reflectância das superfícies e as dimensões da caixa. Basicamente, há dois tipos de modelos
de resposta de reflectância. Sua própria simplicidade permite reduzir consideravelmente as análises matemáticas da
transferência de energia. A chave da questão é como assumir qual o tipo de comportamento que deve ser considerado.
Considerando-se o comportamento como sendo de duas formas: a reflectância lambertiana (um difusor perfeito) para as
paredes internas da caixa (SOBRINO; COLL; CASELLES, 1991) ou assumir que a superfície é um refletor especular
(NERRY; LABEL; STOLL, 1990a). Não há diferenças consideráveis entre o comportamento lambertiano e o especular
quando a quantidade total do fluxo de energia está envolvida. Quando a direção do fluxo é importante, a modelagem da
resposta reflexiva é crítica (RUBIO; CASELLES; BADENAS, 1997). Desta forma, as equações do balanço de energia
entre as diferentes paredes da caixa necessitam de algumas considerações. A reflexão das paredes é considerada como
especular (NERRY; LABEL; STOLL, 1990a) e as outras faces são perfeitos difusores. No caso da tampa fria (alumínio
polido), assume-se que não há direção preferencial, logo, não há problemas de reflexão.
A transferência de energia a ser considerada é somente radiativa. Considerando-se o balanço radiativo global
dentro da caixa, surge um conjunto de nove equações, que dependem do fluxo de energia nas superfícies, da
emissividade do material, da Função Planck integrada pela função filtro do espectrorradiômetro, e de dois fatores de
transferência de energia que dependem da geometria da caixa (P e Q). Resolvendo esse sistema de equações e
reescrevendo em função da emissividade, tem-se (RUBIO; CASELLES; BADENAS, 1997):

Em que:  
P = a proporção da energia ambiental que atinge o topo;
Q = a proporção da energia originada das paredes alcança a base ou o topo da caixa;
εc = emissividade de tampa fria;
Bc = emissividade de corpo negro de tampa preta fria.

Em que:  
F =a proporção da energia emitida da base da caixa preta que atinge o topo ou do topo que
atinge a base;
εc = emissividade de tampa de refletor perfeito;
εh = emissividade de tampa de difusor perfeito.
 Para uma caixa perfeita (εc= 0, εh= 1) e F = 1. A equação reduziu para a equação (8.30). Rubio, Caselles e
Badenas(1997) apresentaram os valores de P de 0,146 e Q de 0,2921 baseados na caixa construída por eles. O tamanho
da caixa é de 30 cm × 30 cm com a altura de 80 cm. Usando um símbolo Δ para representar o termo direta da equação
(8.32), a equação (8.32) torna-se equação (8.35). Insere a equação (8.35) na equação (8.31), obtendo a equação (8.36)
que calcula o valor da correção (δε).

Considerando um sensor que registra a energia da radiação que é em função do ângulo zenital solar (θ), ângulo da
visada do sensor (φ) e efeito da tamanho da caixa preta, o termo F calculado pela equação (8.37).

Em que:  
N = 1,2,3....N, s faixas de ângulo que usam para operar a integração;
θ = ângulo zenital solar;
φ = ângulo de visada do sensor;
n = função de x, y e φ (equação (8.38)).

Em que: O símbolo “Int” representa a parte real e o valor de l = H / cos (q). Os valores de εC (emissividade do
alumínio polido) e εh (emissividade alumínio anodizado) são 0,04 e 0,82, respectivamente. Comparando com os valores
fornecidos pela fábrica (εC=0,03 e εh =0.98), o valor de εC foi bem próximo, mas o εh foi bem diferente porque não é
fácil obter um difusor perfeito. O valor de F de 0,8674 foi obtido pela caixa construída por Rubio, Caselles e Badenas
(1997).
O Laboratório de Aplicações de Sensoriamento Remoto do Instituto Astronômico e Geofísico da Universidade de
São Paulo, liderado por Liu (2000) no projeto de pesquisa: “Estimativa de albedo, emissividade e temperatura da
superfície terrestre utilizando dados de satélite NOAA AVHRR”, financiado pela Fundação Amparo de Pesquisa do
Estado de São Paulo (FAPESP), realizou um experimento das medições de emissividade das bandas 4 e 5 em campo
utilizando o espectrorradiômetro chamado CE312 no ano 1999, para validação do método de estimativa de Tst pelos
sensores de NOAA AVHRR. O Laboratório construiu uma caixa preta e suas dimensões foram fornecidas diretamente
por Sobrino (SOBRINO et al., 1996), da Unidade de Mudanças Climáticas da Universitat de València. Como o objetivo
era fazer medidas com soja, as dimensões fornecidas tiveram de ser adaptadas a essa cultura, no que diz respeito as suas
dimensões.
A caixa possui as dimensões apresentadas na figura 8.4 e não apresenta fundo nem topo, ou seja, possui apenas
paredes laterais, envolvidas externamente por material isolante e internamente constituídas de paredes de alumínio
polido. As duas tampas são de dois tipos: a primeira, de paredes internas também de alumínio polido (tampa espelhada) e
a segunda, de um material anodizado (tampa preta com o sistema do aquecimento), e uma tampa é envolvida pelo mesmo
material isolante do restante da caixa.
A tampa preta possui uma resistência elétrica controlada por termostato e situada entre o material anodizado e a
cobertura externa isolante, além de quatro fios termopares, ligados a um computador com mostrador conectado com a
superfície negra (anodizada), que será aquecida em duas etapas da operação. Os termopares indicam a temperatura
interna da tampa anodizada, enquanto esta é aquecida. As duas tampas (anodizada e espelhada) possuem um orifício
circular em seu centro para o encaixe do espectrorradiômetro. As paredes internas são de alumínio polido (como um
espelho), devendo ser protegidas por um plástico isolante que não deve ser retirado até sua utilização em campo (nenhum
objeto deve arranhar a superfície polida). A estrutura da tampa quente pode ser observada na figura 8.5 e as espessuras
do alumínio polido e do material isolante na figura 8.6. O objetivo do material isolante é evitar trocas de energia com o
meio ambiente, pois, caso contrário, as medidas serão inconsistentes e instáveis (o alumínio polido possui uma espessura
de 1 mm). De todas as formas, é recomendável que o conjunto não seja muito pesado, uma vez que o objetivo é que uma
única pessoa possa realizar as medidas. Estas se fazem posicionando a caixa sobre a amostra de estudo (areia, argila,
vegetação, e outras).
 Figura 8.4 – Esquema da caixa preta, com paredes de 1 mm de alumínio polido. Fonte: (SOUZA, 2004).

Figura 8.5 – Esquema da tampa quente utilizada na caixa preta de alumínio anodizado, com furo central onde é inserido o radiômetro.
A superfície inferior é anodizada da cor preta. Fonte: (SOUZA, 2004).

Figura 8.6 – Corte transversal da parede da caixa com o isolamento. Todas as faces são isoladas com exceção da superior. Não há
face inferior. Fonte: (SOUZA, 2004).

As dimensões da caixa são: 0,5 m × 0,5 m (base) e 1,20 m (altura). De acordo com os intervalos considerados, o
valor de F que proporciona a correção da emissividade é 0,6544. As emissividades para o alumínio anodizado (εh) e
polido (εc) são 0,82 e 0,04, respectivamente. Em campo, a metodologia consiste em cobrir uma amostra da cultura com a
caixa de paredes laterais polidas, colocando primeiramente a tampa espelhada em seu topo e encaixando o
espectrorradiômetro no orifício dela, e após uma seqüência de medidas. Posteriormente, troca-se a tampa espelhada pela
tampa preta aquecida (≈ 60˚C). As figuras 8.7 e 8.8 mostram as fotos das cenas de medição de emissividade em campo
pelo espectrorradiômetro CE312.
 Figura 8.7 – Foto das cenas de medição de emissividade em campo pelo espectrorradiômetro CE312 sem caixa preta na plantação de
soja: Fazenda Azulão, Dourados, MS, realizada em dezembro de 1999. Fonte: (LIU, 2002).

Figura 8.8 – Foto das cenas de medição de emissividade em campo pelo espectrorradiômetro CE312, usando a caixa preta com a
tampa aquecida na plantação de soja: Fazenda Azulão, Dourados, MS, realizada em dezembro de 1999. Fonte:

Nos dois casos, o espectrorradiômetro mede a radiação ascendente, em seus quatro canais espectrais. No caso 1, o
topo da caixa se comporta como um perfeito refletor, εparedes/topo =0, (medida L1). No caso 2, o topo é um perfeito
emissor, εtopo =1, (medida L2). Desta relação, obtém-se a emissividade.
Um ponto importante é que o estado radiativo da amostra deve ser exatamente igual para as duas medidas L1 e L2,
ou seja, o procedimento de troca de tampas deve ser o mais rápido possível, minimizando as perdas energéticas. O
parâmetro N(Tc), ou L3, é obtido por meio da calibração das temperaturas de brilho do espectrorradiômetro (ou
radiâncias) em função das temperaturas obtidas pelos termopares da tampa preta (aquecida). Desta forma, uma equação
de regressão é adquirida e utilizada na conversão dessas temperaturas (ou radiâncias). Curva de calibração que fornece a
medida de N(Tc), ou L3 (que corresponde à emissão da tampa preta isoladamente), foi obtida posicionando-se a tampa
preta aquecida no topo da caixa e uma tampa espelhada sem orifício no fundo dela. Assim, foram simultaneamente
medidos L3 e a temperatura da tampa preta emissora, por meio do espectrorradiômetro e dos termopares,
respectivamente. Posteriormente, uma regressão linear entre esses dois conjuntos de dados, e as seguintes equações
foram encontradas para os canais 2 e 3 do espectrorradiômetro CE312 (canais 4 e 5 do AVHRR, respectivamente):
 Em que:  
N(Tc) = temperatura medida pelo espectrorradiômetro;
(Tc) = temperatura medida pelos termopares.

Os coeficientes de correlação para as equações (8.39) e (8.40) são de 0,9993 e 0,9992, respectivamente. As figuras
8.9 e 8.10 apresentam as curvas de calibração entre os dados dos termopares da caixa preta (°C) e a temperatura de brilho
(°C) dos canais 4 e 5 do satélite NOAA e do espectrorradiômetro CE312 respectivamente. A linearidade da curva de
regressão deve-se à pequena variação de temperatura durante o processo de calibração.
Assim, para cada medida no campo com a caixa tinha-se L1 e L2 dadas pelo espectrorradiômetro, e L3 em função
da temperatura da tampa preta medidas pelos termopares, durante cada medida no campo. Os dados de emissividade
foram obtidos seguindo essa metodologia e utilizando como ponto de corte os valores da emissividade do Latossolo
Roxo, obtidos por Pacheco (1995 e 2002), na Bacia do Paraná. As medidas de temperatura de brilho e emissividade
foram obtidas nas faixas espectrais disponíveis no espectrorradiômetro CE312. Na tabela 8.12, podem ser observados os
valores da emissividade. Na figura 8.11, observam-se as temperaturas de brilho no mesmo intervalo espectral dos canais
4 e 5 do AVHRR, obtidas pelo espectrorradiômetro CE312 e as respectivas emissividades.

Figura 8.9 – Curva de calibração entre os dados dos termopares da caixa preta (°C) e a temperatura de brilho (°C) do canal 2 do
espectrorradiômetro, que corresponde ao canal 4 do NOAA. Fonte: (SOUZA, 2004).

Figura 8.10 – Curva de calibração entre os dados dos termopares da caixa preta (°C) e a temperatura de brilho (°C) do canal 3 do
 espectrorradiômetro, que corresponde ao canal 5 do NOAA. Fonte: (SOUZA, 2004).

Comparando-se as temperaturas de brilho nos canais 4 e 5 com as temperaturas coletadas pelos termopares na
redondeza da caixa preta, observa-se a boa concordância, com coeficientes de explicação (R2) da ordem de 0,9165 e
0,9139, para os canais 4 e 5, respectivamente (figura 8.11). Avaliando-se os coeficientes de correlação, observa-se que o
vapor d’água exerce mais influência sobre o sinal medido do canal 5. Portanto, considerando-se que a altura do sensor
era de 1,2 m (correspondente à altura da caixa), as temperaturas de brilho tendem a ser mais próximas das medidas pelos
termopares.
Tabela 8.12 – Emissividade da superfície para os canais 4 e 5 do NOAA AVHRR, obtidas pelo método da Caixa Preta. Fonte: (SOUZA,
2004).
Dia e horário local Emissividades
  Canal 4 Canal 5
2 /12/1999, 14h8min 0,9864 0,9855
3 /12/1999, 14h24min 0,9443 0,9572
6 /12/1999, 14h 0,9577 0,9521
8 /12/1999, 19h49min 0,9579 0,9589
8 /12/1999, 22h3min 0,9579 0,9589
10 /12/1999, 13h18min 0,9412 0,9732
12/12/1999, 14h9min 0,9445 0.9422
13/12/1999, 16h5min 0,9225 0,9276
13/12/1999, 16h42min 0,9323 0,9344
15/12/1999, 7h14min 0,9452 0,9264
15/12/1999, 19h48min 0,9393 0,9140
16/12/1999, 8h40min 0,9553 0,9610
17/12/1999, 8h20min 0,9411 0,9454
17/12/1999, 20h43min 0,9010 0,9021
18/12/1999, 8h31min 0,9258 0,9214
18/12/1999, 10h40min 0,9685 0,9769

Figura 8.11 – Temperaturas de brilho e emissividades dos canais 4 e 5 do espectrorradiômetro CE312 para as coletas em campo
durante o experimento realizado em Dourados, Estado de Mato Grosso do Sul, Brasil. Fonte: (Souza, 2004).

8.4 Estimativa de temperatura da superfície terrestre

A temperatura da superfície terrestre (Tst) é diretamente ligada à estimativa de fluxos de radiação onda longa e
indiretamente ligada à dos fluxos de balanço de energia da superfície. É também um fator importante nos
monitoramentos de condições de vegetação, variabilidades bioclimáticas e nas aplicações de modelos de previsão das
mudanças climáticas globais e regionais. É quase impossível de obter Tst do globo inteiro por meio das estações
meteorológicas tradicionais. A estimativa de Tst via satélite oferece uma alternativa atraente porque fornece uma fonte
de dados contínuos de alta freqüência espaço-temporal com suas estimativas uniformes. Mas é muito complexa, porque é
difícil de separar os efeitos das condições atmosféricas na obtenção de emissividade da superfície. Os primeiros trabalhos
usando as propriedades de absorção diferencial do vapor de água na região da janela atmosférica para contabilizar o
efeito do vapor de água nas medidas da temperatura da superfície do espaço foram reportados por Anding e Kauth (1970)
e Prabhakara, Dalu e Kunde (1974). Esses trabalhos foram baseados no uso dos dados de espectrômetro a bordo dos
satélites Nimbus 3 e 4. McMillin (1975) introduziu a aproximação baseada na absorção diferencial em dois canais
infravermelhos adjacentes, denominada técnica de Janela Dividida, que é atualmente bastante usada com diferentes
refinamentos. Essa aproximação foi seguida por Singh (1984), Becker e Li (1990a), Sobrino (1991), França (1994), Coll
(1994), Becker e Li (1995) e Sobrino (1996). Holyer (1984) introduziu a idéia da correção atmosférica pela diferença de
absorção de radiação por causa do vapor de água em dois caminhos óticos diferentes. Essa técnica foi usada por Sobrino
et al. (1996).
Llewellyn et al. (1984) usaram a técnica de Janela Dividida para os canais 4 e 5 dos sensores do satélite NOAA
AVHRR e introduziu a aproximação da janela tripla para os canais 3, 4 e 5 para obter a temperatura da superfície
oceânica (Tso) para o Nordeste do Oceano Atlântico. Dados de perfis atmosféricos foram utilizados por diversos autores
para corrigir os efeitos da atmosfera em medidas termais para obtenção da Tso por satélites (Price, 1983; Barton; Cechet,
1989; França, 1994). Um dos primeiros produtos operacionais derivados de satélites foi o Computação da Temperatura
da Superfície do Mar Global Operacional, Global Operational Sea Surface Temperature Computation (GOSSTCOMP),
(BARTON, 1995), produto desenvolvido pela NOAA usando os dados dos primeiros satélites NOAA. O instrumental
básico era um espectrorradiômetro com uma faixa no canal infravermelho e outra no canal visível. A correção de vapor
de água era derivada dos canais de temperatura do espectrorradiômetro perfilhador de temperatura vertical, com um
simples canal de vapor de água. A comparação entre medidas de navios e bóias mostrou uma acurácia com o erro de 2
°K.
Durante 1983 e 1984, uma série de três reuniões científicas foram realizadas para comparar os diferentes métodos
de determinação da Tst por instrumentos de satélites. A comparação mostrou que, em condições de céu claro, a técnica
do infravermelho era superior às técnicas que usavam microondas (BARTON, 1995). Embora o sensor na faixa de
microondas podem atravessar as nuvens, a acurácia de tais medidas é precária (maior que 2 °K) e não permite um grande
avanço em relação ao uso de valores climatológicos. A principal fonte de erro na técnica de microondas resulta da
variação da emissividade da superfície devido à velocidade do vento e à absorção do vapor de água, em que a
temperatura representa um efeito de segunda ordem. Um grande avanço na medida da Tst foi feito com o lançamento do
primeiro AVHRR a bordo do satélite da série de TIROS N. Esse primeiro instrumento tinha um canal extra em 3,7 μm e
permitiu que a técnica de absorção diferencial fosse utilizada para derivar a correção da absorção do vapor de água na
atmosfera. O uso dessa técnica foi restrito ao período da noite, pelo fato de o canal de ondas curtas receber influência da
radiação solar refletida durante o dia. O AVHRR com 5 canais a bordo dos satélites meteorológicos NOAA, incluindo os
chamados canais segmentados, ou janela dividida (10,8 μm e 11,9 μm), permitiu a determinação da Tst durante o dia.
Pelo fato de o canal 3,7 μm ser afetado por muito ruído, seu uso ficou bastante limitado e os canais tipos das janelas
divididas tornaram-se referências para a determinação da Tso durante os últimos 15 anos. Os métodos de estimativa de
Tst e Tso desenvolvidos ao longo dos últimos anos são apresentados a seguir.

8.4.1 Estimativa de temperatura da superfície oceânica

As temperaturas da superfície terrestre (Tst) e as temperaturas do oceano (Tso) podem ser adquiridas por meio dos
sensores das bandas de infravermelho termal (Thermal Infra Red – TIR). A base física de estimativa da temperatura de
superfície fundamenta-se no princípio de que toda matéria emite uma radiação eletromagnética e possui um espectro
contínuo e singular. A estimativa de emissão é feita em referência a um corpo negro. Um corpo negro é considerado
como um objeto capaz de absorver toda a radiação incidente para qualquer que seja o comprimento de onda. Pelo fato de
a emissividade da superfície nem sempre se comporta como um corpo negro e a maioria menor que uma unidade, a
energia na faixa de TIR captada pelos sensores de satélite, chamada temperatura de brilho, deve ser convertida pela
equação de Stephan-Boltzman, que requerer os dados de emissividade de superfície específica. A equação (8.41)
representa a equação de Stephan-Bolztman.

Em que:  
Tb = temperatura de brilho em W m−2;
ε = emissividade;
σ = constante Stephan-Boltzman = 5,6697 × 10−8 W m−2 °K−4;
Tv4 = temperatura verdadeira em °K.

A estimativa da Tso via satélite é viável por causa da emissividade do oceano ser relativamente constante próximo
à unidade como o corpo negro. Com uma correção adequada das interferências atmosféricas, a acurácia da estimativa de
Tso via satélite pode alcançar um erro menor que 1°C. Os quatros métodos mais usados são apresentados em seguida.

8.4.2 Método da banda única em infravermelho

O método utilizou a radiância de infravermelho termal obtida pelo sensor de satélite com uma única banda
localizada na janela atmosférica (entre 8 a 11 μm) e um modelo da transferência da radiação solar para corrigir as
interferências atmosféricas para calcular a Tso (PRICE, 1983). Geralmente, os dados de perfis de temperatura, pressão e
umidade do ar, obtidos por radiossondagem, são necessários para corrigir as interferências atmosféricas. Li e McDonnell
(1988) propõem um método utilizando somente os dados de pressão, temperatura e umidade na superfície local. A
acurácia desse método é satisfatória com o erro padrão da média (Root Mean Square Error – RMS) menor que 1°C.

8.4.3 Método de janela dividida

A radiância medida pelo sensor de Infravermelho Termal (TIR) na faixa de 10,5 a 12,5 μm, pode ser convertida
para a temperatura no topo da atmosfera. Os sensores são desenhados para medir as faixas de radiação onda longa onde a
atmosfera é mais transparente. Embora a atmosfera seja mais transparente naquela faixa, ela ainda exerce uma
interferência significativa. Especialmente os sensores de TIR do NOAA AVHRR de banda 4 (10,30 a 11,30 μm) e banda
5 (11,5 a 12,5 μm) foram desenhados para evitar um pequeno pico de absorção pelas moléculas atmosféricas na faixa ao
redor de 11,25 a 11,5 μm. Por causa da energia radiativa na faixa de TIR responsável na medição de Tst cobrindo a faixa
de 10,5 a 12,5 μm, necessitam-se as radiâncias totais medidas pelos sensores de bandas 4 e 5. Portanto, o método de
Janela Dividida foi proposto por McMillin (1975) para calcular a temperatura baseada nos pesos dos canais 4 e 5. Por
esses sensores utilizarem o detector HgCdTs, as suas calibrações são ligeiramente não-lineares. As calibrações
radiométricas dos sensores de canais 4 e 5 dos satélites NOAA 9, NOAA 11 e NOAA 14, propostas por Rao e Chen
(1995; 1996), devem ser aplicadas para obter os dados de temperatura de brilho de canais 4 e 5. Vários métodos de
estimativa de Tso e Tst são apresentados a seguir.
O método de Janela Dividida proposto por McMillin (1975) é atualmente o mais usado para estimar Tso. Esse
método calcula a temperatura usando a combinação das duas bandas na TIR considerando a propriedade da absorção
diferenciada entre essas bandas. A acurácia de erro padrão da média é 0,4°K. A equação de Janela Dividida é expressa
em seguida:

Em que:  
Tso = temperatura da superfície oceânica;
T1 e T2 = temperatura de brilho dos canais 4 e 5 do satélite NOAA;
A0, A1, A2 = coeficientes.

Minnett (1990) argumentou que uma otimização regional para os coeficientes da equação (8.42) poderão melhorar
a sua acurácia de estimativa. O erro médio pode alcançar ao redor de 0,02 °K. Emery e Yu (1997) usaram o método de
Janela Dividida baseados nos dados de NOAA AVHRR canais 4 e 5 para mapear a Tso na região oeste do Oceano
Pacífico com o erro padrão da média de 0,5 °K. França e Carvalho (2004) utilizaram os dados de GOES 8 para
estimativa da temperatura oceânica na costa brasileira baseados no método de Janela Dividida. As temperaturas
estimadas foram comparadas com os dados de temperaturas obtidas pelos sensores de temperatura de bóias espalhadas na
costa brasileira. Concluíram que os erros médios foram menor que 1 °C. Florio et al. (2004) apresentaram dois modelos
de estimativa da temperatura do ar em função da temperatura da superfície calculada pelo método de Janela Dividida
usando as técnicas de regressão linear e krigagem. Nas validações dos modelos, concluíram que o erro médio do modelo
de krigagem foi de 0,9 °C e o modelo de regressão foi de 1,4 °C.

8.4.4 Método de ângulos múltiplos

Supondo que as condições atmosféricas da camada atmosférica local sejam espacialmente uniformes, o método de
ângulos múltiplos explora a absorção diferencial por causa da diferença do comprimento da passagem atmosférica pelos
dois sensores da mesma banda nos dois satélites com diferentes ângulos de visadas. Chedin, Scott e Berrior (1982)
utilizou os dados de sensor infravermelho coletados simultaneamente por dois satélites: um METEOSAT do satélite
geoestacionário e um TIROS N do satélite da órbita polar. A diferença das reflectâncias nas duas passagens atmosféricas
pode ser usada para calcular a absorção da radiação nas duas espesuras óticas, portanto, os efeitos da absorção
atmosférica são mais facilmente corrigidos.
Com o lançamento dos sensores Along Track Scanning Radimoter (ATSR) a bordo do satélite European Remote
Sensing Satellite 1(ERS 1), em julho de 1991, o primeiro sensor operando em modo biangulares tornou-se possível. O
sensor ATSR mensura no ângulo da faixa de 0 a 22° e no ângulo frontal sobre 55°. Sobrino et al. (1996) apresentaram
um procedimento de biângulo aperfeiçoado que é calculado pelas equações (43 a 46) a seguir:

Em que: B(Ts), B(Tn), B(Tf), B(Tan) e B(Taf) são temperatura de brilho de superfície (Ts), nadir (Tn), Frontal
(Tf), atmosférica corrigida nadir (Tan) e atmosférica corrigida frontal (Taf), respectivamente.

Em que:  
‫ح‬n = transmitância da radiação em nadir;
‫ح‬f = transmitância da radiação difusa;
53‫ح‬ = transmitância da radiação direta no ângulo de 53°.

Sobrino et al. (1996) concluíram que o erro de estimativa de temperatura da superfície oceânica por esse método
alcançou menor que 0,23 °K. Mas os dados de emissividade que variam de acordo com a variação de ângulo são
necessários. Sobrino e Cuenca (1999) mostraram que a emissividade diminui com o aumento de ângulo de visada e
apresentaram estes dados obtidos pelo experimento conduzido. A tabela 8.13 mostra a lista dos valores de diminuição da
emissividade de vários materiais pelo aumento dos ângulos de 0° aos 55°.

Tabela 8.13 – Lista dos valores de diminuição da emissividade de vários materiais pelo aumento dos ângulos de 00 aos 550. Fonte:
(Sobrino; Cuenca, 1999).
Superfície de objeto Diminuição de emissividade (%)
Água 3,3
Areia 1,9
Argila 0,5
Limo 0,9
Cascalhos 1,2
Pastagem 0,0

8.4.5 Método da combinação de janela dividida e ângulos múltiplos

Gorodetskii (1985) propôs a utilização dos dados coletados em duas bandas de infravermelho termal pelos dois
ângulos de visada dos sensores. Os espectrorradiômetros chamados ATSR, a bordo do satélite ERS 1, têm capacidade de
coletar todos os dados requeridos por esse método, o que facilita a sua aplicação. Mathew, Nagarani e Kirankumar
(2001) apresentaram um modelo físico de Janela Dividida e os algoritmos de Ângulos Múltiplos para realçar a obtenção
de temperatura da superfície oceânica. Demonstraram que a espessura ótica na janela de infravermelho termal pode ser
representada pela função separável de comprimento da onda e variáveis atmosféricas que simplifica profundamente o
modelo de transferência radiativa. Foram exploradas as correlações entre a temperatura da superfície oceânica e
temperatura média da atmosfera que resultaram uma correlação simples entre temperatura da superfície e temperatura de
brilho calculada por Janela Dividida ou Ângulos Múltiplos. As três espessuras óticas em vez de duas obtidas por esse
método melhoraram a acurácia com erros abaixo de 0,3 °C. Os erros são causados pelas condições atmosféricas não
uniformes, tais como inversões térmicas, instabilidades na camada limite e microclimas.
As três espessuras óticas podem ser obtidas pelas três bandas termais bem selecionadas ou três ângulos de uma
banda pelos sensores ângulos múltiplos. Uma combinação de multiespectrais e multiângulos, tal como os dados de ERS
1 ATSR também podem ser aplicados. Uma combinação de duas bandas de Split-Window centralizadas nas 11 e 12 μm
no ângulo nadir (0°) e uma banda de 12 μm no ângulo de 50o são consideradas como a melhor opção.

8.4.6 Método de janela dividida local

Baseado no método de Janela Dividida, Becker e Li (1990a) introduziram o método chamado Janela Dividida
Local, que incorpora o parâmetro de emissividade local para a estimativa de temperatura da superfície terrestre (Tst).
Apresentaram uma equação (8.47) com os coeficientes obtidos por uma técnica de regressão estatística que chamado
como o mínimo quadrado ajustado (least-squires fitting), utilizando os dados de 2.160 casos diferentes que cobrem
quatro classes de condições atmosféricas, 12 valores de Tst, cinco valores médios de emissividade variando de 0,90 a 1,0
e nove valores da diferença de emissividade entre bandas 4 e 5.

Em que:  
Tst = temperatura da superfície terrestre;
T4 e T5 = temperatura de brilho de canal 4 e canal 5 do NOAA AVHRR, respectivamente;
Ao = 1,274;
P = 1 + 0,15616 (1 – ε) / ε – 0,482 (Δε/ε2);
M = 6,26 + 3,98 (1 – ε) / ε + 38,33 (Δε/ε2);
ε = emissividade da superfície terrestre;
ε = (ε4 + ε5)/2;
Δε = ε4 – ε5.

A partir daí, vários métodos de estimativa da temperatura da superfície terrestre baseada no método de Janela
Dividida Local foram desenvolvidos. (PRATA; PLATT, 1991; KERR; LAGOUARDE; IMBERNON, 1992; COLL et
al., 1994; FRANçA; CRACKNELL, 1994). Para aplicar o método de Janela Dividida Local via satélite na estimativa de
Tst, são necessários dados de emissividade (ε) de bandas espectrais correspondendo aos canais 4 e 5 do NOAA AVHRR.
A obtenção de emissividade em função de NDVI pela correlação obtida no campo já foi discutida na seção anterior. Mas
as equações propostas por Kerr, Lagouarde e Imbernon (1992), Griend e Owe (1993), Valor e Caselles (1996) e
Vázquez, Reyes e Arboledas (1997) são obtidas sob as condições específicas: em superfícies com vegetação, sem dados
de umidade no solo e baseadas na única banda larga (8 a 12,5 μm). Portanto, as funções sugeridas não podem ser
aplicadas universalmente.
Vázquez, Reyes e Arboledas (1997) apresentaram uma comparação dos métodos de Kerr, Lagouarde e Imbernon
(1992), Ulivieri et al. (1994) e Price (1984) e concluíram que o método de Kerr, Lagouarde e Imbernon (1992) mais
simples, pois não usa os dados de emissividade e o método de Ulivieri et al. (1994) tem os erros menores e mais estáveis.
Apesar de alguns valores de ε4 e ε5 são apresentados na tabela 8.10 (BECKER; LI, 1990a) e tabela 8.11 (SOBRINO;
CASELLES, 1991), geralmente os dados de ε4 e ε5 não estão disponíveis. Uma interpretação é necessária para obter o
valor de Δε, (ε4 – ε5). A variação de emissividade de uma superfície afeta brutalmente a estimativa de Tst. A diferença da
emissividade entre banda 4 e banda 5 na temperatura do ar de uma região de 300 °K pode resultar um erro de 2 °K no
cálculo pelo método de Janela Dividida (QIN; KARNIELI, 1998). Por causa do difícil acesso aos dados de emissividade
de uma região específica, vários métodos empíricos foram desenvolvidos para estimar a emissividade local. Kerdiles et
al. (1998) utilizaram o valor de ε4 – ε5 = – 0,016 nos casos diurnos e de +0,016 nos casos noturnos. Becker e Li (1990b)
desenvolveram um método de estimar a emissividade de canais 4 e 5 dos sensores de AVHRR NOAA pela emissividade
de canal 3 obtida com uma intercomparação dos índices Temperature Independent Spectral Index (TISI) do dia e da
noite. Morgan (2005) utilizou um método interativo para estimar a temperatura da superfície e emissividade por meio da
resolução das n equações das n bandas espectrais (equação 8.4) com n+1 parâmetros. O método interativo é usado para
convergir às temperaturas estimadas das bandas hiperespectrais adquiridas pelos sensores MODIS dentro de uma faixa
estreita de temperatura e usou esses dados de temperatura da superfície para obter os dados de emissividade das mesmas
bandas hiperespectrais aplicando o mesmo método interativo até o valor de emissividade alcançar um valor mais
constante. Finalmente, recalcula a temperatura da superfície pela equação (8.4). O método utilizou o Moderate
Resolution Atmospheric Radiance and Tramittance Model code 4 (MODTRAN4) (BERK et al., 1999), para simular o
processo da transferência da radiação na atmosfera. Mas o método requerer os dados de temperatura da superfície e
emissividade da área de interesse das bandas espectrais para iniciar o processo interativo.
Suponha a faixa de emissividade variando entre 0,93 e 0,998 e redefinindo a escala de 0% a 100%, o valor de Δε
pode ser obtido em função de NDVI (GRIEND; OWE, 1993), aplicando as equações (8.48) e (8.49).

(0,998 – 0,93) = 0,068 corresponde NDVI de 0,01 a 0,74.

Em que: NDVI > 0,01

 Por outro lado, as correlações entre emissividade e NDVI podem não funcionar bem nos valores de emissividade
mais baixos (<0,96), ocorrendo nas superfícies de vegetação esparsa, vegetação em estresses ambientais ou solo sem
vegetação. As condições de umidade no solo, que certamente afetam os valores de emissividade, também não foram
incorporadas nos cálculos de emissividade. O valor de emissividade pode variar de abaixo de 0,96 no solo seco até 0,99
no solo úmido. O valor de NDVI não infere nessa variação porque o valor de NDVI de solo nu é muito baixo, podendo
ser negativo. Portanto, um espectrorradiômetro de infravermelho termal, tal como CE312, que mede especificamente as
radiâncias dos canais 4 e 5 do NOAA, é indispensável para obter as emissividades nessas bandas nas várias condições de
cobertura vegetal, umidade do solo nas várias condições atmosféricas. Esses dados deverão ser utilizados para
desenvolver e validar um método de estimativa de emissividade em funções de usos do solo, umidade do solo e banda
espectral e para aplicar o método de Janela Dividida Local na estimativa de Tst.

8.4.7 Mapas dinâmicos de temperatura da superfície terrestre

As figuras 8.12a a 8.12c mostram uma série de mapas decendiais de temperatura da superfície terrestre do globo
inteiro gerado entre abril de 1992 e outubro de 1993, utilizando o método de Griend e Owe (1993), na estimativa de
emissividade, e o método de Becker e Li (1990b), na estimativa da Tst.
A tabela 8.14 mostra os dados estatísticos de distribuição de temperatura da superfície terrestre nas quatro
estações. Foi observado que mais de 50% da superfície terrestre apresenta a temperatura entre 20 °C e 40 °C, durante o
ano inteiro, exceto no mês de janeiro, com 35%. A concentração de baixa temperatura em janeiro, com 32% da superfície
terrestre com temperatura abaixo de zero, comparando-se com o resto do planeta, significa que a variabilidade climática
no inverno no Hemisfério Norte é mais severa, uma vez que a maioria da superfície terrestre está concentrada nesse
Hemisfério sob influência do clima do tipo continental. Pela comparação de distribuição de temperatura na superfície
terrestre das três imagens, foi observado que a faixa de alta temperatura movimentou-se do Hemisfério Sul para o Norte,
de abril a julho, retornando ao Sul em outubro, e avançando mais para o Sul em janeiro, completando um ciclo anual de
onda de calor, de acordo com as estações sazonais opostas entre os Hemisférios Sul e Norte.
Em geral, os dados de temperatura da superfície terrestre calculados pelo método de Janela Dividida Local,
propostos por Becker e Li (1990a), são razoáveis. O método foi aplicado na estimativa da temperatura na região de Sahel
por Caselles et al. (1997). A imagem da distribuição da temperatura da superfície em setembro de 1992 varia de 35 °C a
52 °C na maior parte da área do experimento de Hydrologcal Atmospheric Pilot Experiment (HAPEX). Os valores estão
próximos dos resultados obtidos, 35 °C a 58 °C, na região norte do Continente Africano. Foi observada uma evolução
sazonal distinta de área de alta temperatura nas várias regiões (as áreas de cor violeta nas figuras 8.12a a 8.12c com
temperatura maior que 50 °C), tais como os desertos de Saara e de Gobi, a Península da Índia e norte do Continente
Australiano. Por exemplo, na região norte do Continente Australiano, a área de cor violeta diminuiu no período de
4/1992 a 7/1992, desapareceu em 10/1992 e dominou o Continente em pleno verão, em 1/1993 de acordo com as quatro
estações do ano. O programa de geração dos dados globais de albedo, temperatura da superfície terrestre e NDVI é
listado no Anexo 8B.
 Figura 8.12 – Mapa decendial de temperatura da superfície terrestre do globo inteiro gerado em a. abril de 1992, b. julho de 1992 e c.
outubro de 1992, utilizando o método de Janela Dividida Local. Fonte: (LIU; TSAY, 1998).

Tabela 8.14 – Porcentagens de distribuição global de temperatura da superfície terrestre em seis faixas: < 0; 0 a 20; 21 a 30; 31 a 40; 40 a
50 e > 50°C nas quatro estações do ano. Fonte: (LIU; TSAY, 1998).
8.4.8 Comparação de três métodos de estimativa de Tst

Tsay e Liu (2000) mostraram a comparação de três métodos de estimativa de temperatura da superfície terrestre
utilizando dados de AVHRR. Os métodos incluem: Kerr, Lagouarde e Imbernon (1992); Griend e Owe (1993); Valor e
Caselles (1996). Os dados de dez dias compostos dos canais 1, 2, 4 e 5 dos sensores AVHRR do satélite NOAA 11
(Local Area Coverage – LAC), com uma resolução de 1,1 km de uma região cobrindo o Estado de São Paulo (Latitude:
18,7°S a 25,6°S; Longitude: 42,5°W a 54,2°W), no período de abril a outubro de 1992, fornecidos pelo GSFC/NASA,
foram para calcular Tst. Esses dados utilizados já estavam disponíveis com as correções radiométricas e atmosféricas
feitas por Eidenshink e Faundeen (1997). Os dados dos canais 1 e 2 foram usados para gerar os dados de NDVI, que são
necessários no cálculo da emissividade. Os dados de temperatura do ar na hora de passagem do satélite NOAA11 (entre
16h e 17h) das estações meteorológicas do Instituto Astronômico e Geofísico na Água Funda e do Aeroporto de
Congonhas na cidade de São Paulo foram usados para comparar e avaliar os dados de temperatura da superfície terrestre
estimados. O método de Janela Dividida Local proposto por Becker e Li (1990a) foi aplicado para calcular Tst.
Os valores de Tst estimados nos pixels onde se localizam as estações de observação meteorológica foram obtidos e
comparados com os observados. Para cada método, um total de seis casos foi usado na comparação: três dias de Tst
(6/4/1992, 1/7/1992 e 2/10/1992) nas duas estações de observação meteorológica citadas. As tabelas 8.15 e 8.16 mostram
os resultados das comparações com os dados de temperatura do ar (Tar) nas estações de Água Funda e Congonhas
respectivamente, localizadas na cidade de São Paulo. Os resultados mostraram que a diferença entre a temperatura
observada e a estimada pelo método de Kerr, Lagouarde e Imbernon (1992) foi menor do que 2,0 °C nos quatro casos de
comparação, exceto no dia 1/7/1992, com a diferença de – 4,0 °C e no dia 2/10/1992, com +7,5 °C na estação de
Congonhas. A diferença extrema ocorreu nesses dois dias excepcionais na estação de Congonhas: foi de – 1 °C
(1/7/1992) e 10,5 °C (2/10/1992) pelo método de Valor e Caselles (1996), e de 2 (1/7/1992) e 9,5 °C (2/10/1992) pelo
método de Griend e Owe (1993). Mas, em ambos os métodos, a diferença concentrou-se na faixa de 3 °C a 4 °C nos
outros quatro casos. Considerando-se que a Tst é mais alta que a Tar por causa da baixa densidade de vegetação na área
urbana, os valores estimados pelos métodos de Griend e Owe (1993) e de Valor e Caselles (1996) são razoáveis.
A figura 8.13 mostra os mapas de distribuição de Tst da região do Estado de São Paulo gerados nos meses de abril,
julho e outubro de 1992 pelos três métodos utilizados. Foi observado que as porcentagens de Tst > 30 °C nos mapas
gerados pelos métodos de Valor e Caselles e de Griend e Owe foram altas: 89% e 84% em abril, 66% e 57% em julho e
93% e 76% em outubro, respectivamente. Para o método de Kerr, Lagouarde e Imbernon (1992) as porcentagens de Tst
> 30 °C foram modestas: 40% em abril, 17% em julho e 45% em outubro. O valor de 17% em julho obtido pelo método
de Kerr, Lagouarde e Imbernon (1992) indicou que a temperatura se concentrou na faixa de 20 °C a 30 °C em 75% da
área e que indicou razoavelmente o domínio de baixa temperatura no inverno. Pela incerteza, na qual o valor de Tar de
um ponto de observação representa o valor de Tar que coincide com o valor de Tst de um pixel cobrindo uma área de
1,21 km2, é difícil justificar que o valor médio dos valores de Tst próximo aos de Tar representa melhor ou não.
Medições de Tst e emissividade em campo serão necessárias para identificar melhor qual é o método mais adequado.
Tabela 8.15 – Comparação dos valores de temperatura estimados (Tst) pelos métodos de Kerr, Lagouarde e Imbernon (1992), de Griend e
Owe (1993) e de Valor e Caselles (1996), com os observados (Tar) na estação meteorológica de Água Funda na cidade de São Paulo.
Fonte: (LIU; TSAY, 1998).
Tst estimada ou Tar observada em Água Funda (°C)
Método 6/4/1992 1/7/1992 2/10/1992
Kerr, Lagouarde e Imbernon 28,0 25,0 22,0
Griend e Owe 33,0 29,0 25,0
Valor e Caselles 34,0 29,0 25,0
Água Funda 29,8 26,3 21,6

Tabela 8.16 – Comparação dos valores de temperatura estimados (Tst) por método de Kerr, Lagouarde e Imbernon (1992), de Griend e
Owe (1993) e de Valor e Caselles (1996), com os observados (Tar) na estação meteorológica de Congonhas na Cidade de São Paulo.
Fonte: (LIU; TSAY, 1998).
 Tst estimada ou Tar observada no Aeroporto de Congonhas (°C)
Método 6/4/1992 1/7/1992 2/10/1992
Kerr, Lagouarde e Imbernon 30,0 23,0 31,0
Griend e Owe 33,0 29,0 34,0
Valor e Caselles 34,0 26,0 35,0
Congonhas 30,5 27,0 23,5

Figura 8.13 – Mapas de distribuição de Tst da região do Estado de São Paulo gerados nos meses de abril, julho e outubro de 1992
pelos três métodos utilizados: método de Kerr, Lagouarde e Imbernon (1992)., de Griend e Owe (1993) e de Valor e Caselles (1996).
Fonte: (LIU; TSAY, 1998).

Observaram que os valores de Tst estimados pelo método de Kerr são próximos aos de Tar observados e os de
Griend e Owe e de Valor e Caselles são mais altos. Vázquez, Reyes e Arboledas (1997) compararam vários algoritmos
de estimativa de temperatura da superfície terrestre utilizando o método de Janela Dividida e concluíram que o
algoritmo, que integra o NDVI diretamente na equação de Janela Dividida proposto por Kerr, Lagouarde e Imbernon
(1992), é o mais simples e com uma acurácia próxima a dos outros que exigem dados locais de emissividade. Portanto,
as pesquisas nas medições de emissividade e Tst em campo em diferentes escalas espaciais devem ser realizadas para a
melhoria da avaliação dos métodos.

8.4.9 Métodos de microondas na estimativa de temperatura da superfície

A normalização da diferença das temperaturas de brilho entre 36 GHz e 10 GHz e o índice de polarização da banda
de 10 GHz foram utilizados por Paloscia e Pampaloni (1992) para estimar a biomassa e umidade da superfície na região
da produção agrícola em Tuscany, Itália. Recentemente, Dash et al. (2002) apresentaram uma revisão de aplicação dos
sensores de microondas passivas nas estimativas de temperatura da superfície e emissividade. As vantagens de utilizar os
dados de microondas passivas são a facilidade de penetração de nuvens das microondas. Os dados de microondas
adquiridos pelos sensores de SSM/I a bordo do satélite DMSP são usados para derivar as temperaturas de brilho da
superfície terrestre (KUMAR; SAHOO; SINGH, 1998). Mas existem alguns fatores que limitam a aplicação, incluindo:
baixa energia emitida pela superfície na faixa de 1 a 100 cm e as funções inadequadas dos pesos verticais largos
aplicadas na sondagem de temperatura que resultam baixa resolução vertical e baixa resolução espacial (SIMMER,
1999). Os sensores de SSM/I são de espectrorradiômetros varredores cônicos com o ângulo de visada de 53,1°, que
mensuram as emissões da superfície nas bandas de 19, 22, 37 e 85 GHz das polarizações vertical e horizontal, exceto a
banda 22 GHz que tem somente a polarização vertical. Nas bandas de microondas, a aproximação de Rayleigh-Jeans da
função Planck (equação 8.50) é válida.

Em que:  
R(λ, T) = R(λ), radiância (W m−2);
ε(λ) = emissividade espectral da onda λ;
λ = comprimento da onda (μm);
C1 = 1,1909 × 104 W cm−2 sr −1 μm4;
C2 = 1,4388 × 104 μm °K;
T = temperatura verdadeira em °K;
σ = Constante Stephan-Boltzman (5,6697 × 10−8 W m−2 °K−4).

Portanto, a radiância da microonda é proporcional à temperatura. As emissividades da superfície corrigida com a

interferência atmosférica em uma freqüência específica, ε(ν), são requeridas para a estimativa da temperatura pela
radiância de microondas (JONES; VONDER HAAR, 1997).

Em que:  
ε(ν) = emissividade de microonda de uma freqüência ν;
TB = temperatura de brilho;
TA = temperatura da superfície.

Givri (1997) argumentou que a temperatura não pode ser determinada por uma banda única nas microondas e
aplicou a técnica de Janela Dividida na estimativa de temperatura pela microonda nas bandas de 19 GHz e 22 GHz e
derivou a equação (8.52):

Em que:  
Ts = temperatura da superfície;
ν e ν’ = freqüências de 19 GHz e 22 GHz, respectivamente;
ΔT(ν) = TV(ν) – TH(ν);
ΔT(ν’) = TV(ν’) – THν’);
Δε(ν) = εV(ν) – εH(ν);
Δε(ν’) = εV(ν’) – εH(ν’);
εV = emissividade de polarização vertical;
εH = emissividade de polarização horizontal;
Tv = temperatura de polarização vertical;
TH = temperatura de polarização horizontal.

8.4.10 Perspectivas futuras de estimativa de temperatura

No passado, os satélites geoestacionários (METEOSAT, GOES, GMS, INSAT) tinham um único canal
infravermelho termal para medir a temperatura da superfície, que fornecia uma estimativa pobre da Tst. Porém, os atuais
satélites geoestacionários incluem canais das janelas divididas centradas próximos a 11 e 12 μm. Assim, as análises
técnicas desenvolvidas para os dados do AVHRR podem ser aplicadas para esses satélites. Um avanço nas técnicas de
estimativa da Tst por satélite foi o lançamento do espectrorradiômetro de varredura ao longo da trajetória, ATSR, a
bordo do satélite ERS 1. Esse instrumento foi especificamente designado para medir a Tst e, na época de seu lançamento,
era o estado da arte das técnicas de calibração e baixo ruído de sinal nos detectores. Uma vantagem extra é o uso do
sistema de varredura de dupla visada que permite corrigir a atmosfera usando duas passagens óticas diferentes, assim
como uma capacidade multiespectral. Conjuntos de dados globais de Tst derivados dos dados do ATSR estão disponíveis
para a comunidade científica para o uso em aplicações climáticas.
Os mais recentes avanços instrumentais orbitais para a obtenção da temperatura da superfície são os sensores
espectrorradiômetros de reflectância e emitância termais avançados, chamadas Advanced Spaceborne Thermal Emission
and Reflection Radiometer (ASTER) e o espectrorradiômetro imageador de resolução moderada, MODIS, a bordo do
satélite EOS AM1 (TERRA, lançado pela NOAA no dia 18 de dezembro de 1999. Esses sensores possuem cinco canais
dentro da janela atmosférica entre 8 e 12 μm (resolução espacial de 90 m, temporal de 16 dias e acurácia de 1 a 2 °K) e
36 canais na banda espectral entre 0,4 e 14,4 μm (resolução espacial de 1.000 m e resolução temporal de dois dias) e
acurácia de < 1 °K para a Tst e < 0,2 °K para a Tso, respectivamente. Inclusive permitem a obtenção da emissividade da
superfície continental. Donion, Nykjaer e Guntemann (2004) monitoraram a Tso no Oceano Atlântico usando a
combinação dos dados de The Tropical Rainfall Mapping Mission Microwave Imager (TRMMI) e dados de ERS 2
ATSR. Obtiveram os dados de Tso com uma acurácia que varia de 0,5 a 0,7 °K. A variabilidade interanual de Tso do
Oceano Pacífico foi investigada por Gloersen e Huang (2004), do Oceano Atlântico por Donion, Nykjaer e Guntemann
(2004) e do Mar Adriático por Barale et al. (2004) usando os dados de NOAA AVHRR. Barale et al. (2004) observaram
que a Tso do Mar Antártico aumentou em cerca de 2 °K nos últimos 20 anos. Gloersen e Huang (2004) observaram que a
Tso do Oceano Pacífico não varia drasticamente em últimos nove anos. Coll et al. (2005) conduziram um experimento de
medição de Tst em uma grande área homogênea, plana de uma plantação de arroz para a validação dos métodos de
Janela Dividida para a estimativa de Tst usando os dados de quatro bandas temais adquiridos pelos sensores MODIS do
satélite TERRA e Advanced ATSR (AATSR) do ENVISAT nas condições atmosféricas de céu limpo, sem nuvens. As
acurácias variam entre ±0,5 a ±0,9 °C. Apontaram que a maioria dos erros é por causa da variação espacial da Tst. É
importante empregar os métodos adequados para que os dados de Tso sejam confiáveis. Entretanto, seus dados
necessitam da validação antes de serem amplamente aplicados. Contudo, esses sensores possuem uma grande
potencialidade na geração dos dados de Tst e Tso.

8.5 Balanço de energia na superfície terrestre

A energia solar é a fonte da energia única recebida pelo planeta Terra. A energia solar de 1367 W m−2, recebida
em um plano perpendicular aos feixes solares acima da atmosfera (500 km acima da superfície), é constante e denomina-
se o constante solar. Por causa das atividades de manchas solares, esse valor sofre a variação de 5%. O valor médio
espacial anual da energia solar recebido no topo da atmosfera é um quarto do valor do constante solar que é de 338 W
m−2 ou 29,2 MJ m−2 dia−1 ou 696 cal cm−2 dia−1. A mesma quantidade da energia é perdida para o espaço dentro de um
ano nos processos de evaporação e resfriamento da superfície terrestre. Portanto, teoricamente, a temperatura média da
superfície do globo se mantém em torno de 15 °C. A figura 8.14 mostra o balanço de energia da superfície terrestre. As
nuvens atmosféricas refletem 19% da radiação solar ao espaço (K↑, figura 8.14a) e absorvem 5% (K*, figura 8.14a). Os
constituintes atmosféricos espalham e refletem 6% (K↑, figura 8.14b) ao espaço e absorvem 20% (K*, figura 8.14b). O
restante da energia solar é transmitido à superfície do globo onde 3% são refletidos ao espaço (K↑, figura 8.14b) e 47%
absorvidos pela superfície (K*(E)). Nessas 47% da energia, a perda de temperatura pela emissão da radiação onda longa
pelo terrestre são 18% por causa de a superfície receber 96% da radiação onda longa e emitir 114% (L*(E), figura 8.14c),
e 29% são a perda da energia pelos fluxos de calor sensível da superfície de 5% (QH, figura 8.14d) e de calor latente de
24% (QE, figura 8.14d). Na figura 8.14c, a radiação onda longa (L*↑) perde 72% para o espaço. Somando a perda da L*
de 72% e a perda total K↑ de 28% (19+6+3 nas figuras 8.14a e 8.14b), o valor de 100% da energia escapa para o espaço
anualmente que é igual o valor recebido no sistema atmosfera-terrestre. Portanto, o balanço anual de energia da
superfície terrestre resulta o ganho zero. Isto significa o planeta Terra mantendo a temperatura constante que não
aumenta nem esfria.
Os métodos de estimativa dos fluxos de balanço de energia na superfície terrestre envolvem duas partes: uma parte
é quantificar a energia líquida dos fluxos das radiações onda curta e onda longa recebida na superfície e a outra parte é
quantificar os fluxos da utilização da radiação líquida recebida pela superfície terrestre. A estimativa da radiação líquida
recebida na superfície é representada pela equação (8.53). A equação (8.54) representa que a radiação onda longa é
estimada por dois componentes, incluindo a energia emitida em forma do aumento da temperatura da superfície e a
energia da radiação onda longa refletida pela superfície à atmosfera e ao espaço. A energia emitida (=σ εTst4),
geralmente, é em torno de 4 a 7 W m−2 °K−1 na faixa de −15 a 45 °C.
 Figura 8.14 – Balanço dos fluxos de energia de radiação onda curta (K), radiação onda longa (L), calor sensível à atmosfera (QH) e
calor latente (QE) na superfície terrestre. As porcentagens representam os valores dos fluxos de energia absorvidas ou refletidas pela
atmosfera ou superfície terrestre. O valor de 100% é o valor médio anual de 338 W m−2 da radiação solar no topo da atmosfera.
Fonte: (OKE, 1987).

Em que:  
Rn = radiação líquida;
α = albedo;
Rc↓ = radiação onda curta incidida na superfície;
ε = emissividade da superfície;
Rl↓ = radiação onda longa incidida na superfície;
σ = constante Stefan-Boltzmann, 5,67×10 W m−2 K−4;
Rl↑ = radiação onda longa ao espaço;
Tst = temperatura da superfície terrestre.

A energia líquida recebida na superfície é usada no aquecimento do solo, G (fluxo de calor ao solo) e do ar, H
(fluxo do calor sensível ao ar) e no processo de evaporação, LvE (fluxo de calor latente), na fabricação da matéria seca
pelo processo fotossintético, P e nas trocas miscelâneas de energia entre o processo metabólico, M. Portanto, o balanço
de energia da superfície é fazendo a contabilidade do balanço dos fluxos de Rliq, G, H, LvE, P e M que é representado
pela equação (8.55).

Em que:  
Rn = radiação líquida, (W m−2 ou cal cm−2 dia−1);
H = Fluxo de calor sensível ao ar, (W m−2 ou cal cm−2 dia−1);
LvE = Fluxo de calor latente, (W m−2 ou cal cm−2 dia−1);
G = fluxo de calor sensível ao solo;
P = taxa de fotossíntese;
 M = trocas miscelâneas de energia entre o processo metabólico, planta, copa da vegetação e
o ambiente e outros.

Os termos de P e M são freqüentemente omitidos por serem seus valores menores que o erro de medição nos
componentes principais. A equação torna-se:

Em que:  
G = o fluxo do calor ao solo;
H = o fluxo do calor sensível ao ar;
LE = LvE foi simplificado pelo LE (Lv = calor latente de vaporização).

8.5.1 Radiação solar líquida recebida

A energia da radiação solar situa-se na faixa de 0,4 a 3 μm, chamada radiação onda curta, e concentra-se na faixa
de 0,4 a 0,7 μm. Por causa das absorções e espalhamentos pelos constituintes atmosféricos, vários fenômenos óticos
atmosféricos, tais como céu avermelhado, céu azul, espalhamento Rayleigh e espalhamento Mie, são observados.
Geralmente, o céu avermelhado é observado quando a radiação na faixa visível é reduzida por causa do aumento da
distância da passagem da radiação solar ao atravessar a atmosfera e chegar à superfície. O fenômeno de céu avermelhado
geralmente ocorre quando a elevação do Sol é baixa, nos casos do pôr-do-sol ou do sol nascente, os raios solares passam
a uma longa distância horizontal atravessando a atmosfera. Os raios das ondas mais curtas, tais como as azuis, são
refletidos e espalhados completamente. Somente os raios das ondas mais longas, como as ondas vermelhas, chegam à
superfície terrestre. Portanto, o céu fica vermelho no pôr-do-sol. Nas condições de atmosfera poluída, o Sol fica
vermelho também por causa dos diâmetros dos poluentes serem maiores que os comprimentos das ondas mais curtas que
resultam um bloqueio das ondas curtas deixando as ondas mais longas passarem.
Espalhamento Rayleigh ocorre quando a radiação é espalhada pelas moléculas dos aerossóis, vapor da água e
partículas presentes na atmosfera. O espalhamento Rayleigh ocorre quando os diâmetros das partículas menores que os
comprimentos das ondas de radiação solar estão livres das partículas com diâmetros acima de 0,4 μm. Isto resulta na
transmissibilidade da atmosfera para o azul maior que a violeta, apesar de o espalhamento da violeta ser maior que o
azul. Portanto, o céu azul significa o céu limpo. Espalhamento Mie ocorre quando a maioria dos diâmetros das partículas
atmosféricas ficam entre 0,4 a 0,7 μm, os raios da radiação nas faixas visíveis são espalhadas substancialmente. Isto
resulta em céu menos azul, torna-se branco, como nos casos de uma nuvem constituída de gotículas da água ou partículas
de gelos.
A radiação líquida recebida pela superfície terrestre controla a redistribuição da energia entre a superfície terrestre,
a atmosfera e o solo, que é um componente importante no balanço de energia da superfície terrestre. Os dados globais
dos componentes de radiação líquida na equação (8.50), incluindo radiações onda curta e onda longa, não ficam
disponíveis regularmente. A maioria dos dados é obtida pelos experimentos locais específicos. Recentemente, vários
métodos utilizando dados de satélites foram desenvolvidos para estimar os fluxos de radiação na superfície.

8.5.1.1 Estimativa de radiação solar incidente

Os fluxos de radiação onda curta são importantes no balanço de energia da superfície do planeta Terra. A obtenção
desses dados para o monitoramento das mudanças climáticas globais e para a previsão do tempo em escala global via
satélite é um assunto muito atraente. No ano do 1995, Pinker, Frouin e Li (1995) fizeram uma revisão dos métodos de
estimativa de Radiação Solar Onda Curta Direta (Direct Shortwave Solar Radiation – DSSR) e Radiação Solar Onda
Curta Direta Líquida (Net Shortwave Solar Radiation – NSSR) via satélite. A diferença total dos fluxos da radiação onda
curta medida pelos dados de NOAA AVHRR e pelo experimento chamado Earth Radiation Balance Experiment (ERBE)
é separada em dois termos: um é por erro da calibração radiométrica nas reflectâncias obtido pelo AVHRR, e o outro por
erro da diferença entre os fluxos de AVHRR e ERBE que vem embutido nos erros das medições. O procedimento da
calibração radiométrica já foi padronizado pelo NOAA (RAO; CHEN, 1995; 1996). Se os dados de ERBE representam
bem os dados de AVHRR da mesma área, o erro da diferença de amostragem pode ser minimizado. Só resta o erro de
modelo construído no cálculo dos fluxos do balanço da energia da superfície. Portanto, o método de estimativa de albedo
é crucial nas estimativas de DSSR e NSSR, se a calibração radiométrica for bem precisa.
Métodos de estimativa de DSSR via satélite variam desde os métodos estatísticos simples e empíricos até os de
processos físico e teórico. Citam-se os trabalhos de Tarpley (1979), GAUTIER, DIAK E MASSE (1980), Dedieu,
Deschamps e Kerr (1987), Darnell et al. (1988), Chou (1991), Pinker e Laszlo (1992). No ano 1986, o projeto de
climatologia – balanço da radiação da superfície foi executado pelo programa chamado World Climate Research
Program (WCRP). A partir deste, vários métodos de estimativa de fluxos de radiações onda curta e onda longa foram
desenvolvidos. Dentre os métodos, foram selecionados dois para gerar os fluxos do balanço da radiação onda curta
utilizando dados contínuos de satélites durante o período de março de 1985 a novembro de 1988.

•   Método de Staylor

O método de Staylor (1990) para a estimativa de fluxo de DSSR é baseado no modelo proposto por Darnell et al.
(1988). O fluxo de DSSR é estimado em função de DSSR no topo da atmosfera (DSSRtoa), transmitância atmosfera (τa)
e transmitância de nuvens (τc) que é representado pela equação (8.57).

Em que:  
DSSR = radiação solar incidente direta (Direct Surface Shortwave Radiation – DSSR);
DSSRtoa = DSSR no topo da atmosfera;
τa = transmitância atmosfera;
τc = transmitância de nuvens.

As correções de vapor de água, ozônio, e espalhamento Rayleigh usam os parâmetros propostos por Lacis e
Hansen (1974). As absorções pelos CO2 e O2 são estimadas pelo método proposto por Yamamoto (1962). A correção das
interferências dos aerossóis usa o método proposto pelo programa WCRP (1983). A transmitância de nuvens é
determinada pela técnica limiar.

Em que:  
Rovc = reflectância de alta nebulosidade no topo da atmosfera;
Rclr = reflectância de céu limpo no topo da atmosfera;
Rmeas = reflectância diária no topo da atmosfera obtida em cada três horas.

O método tem a vantagem de autocalibração mensalmente baseada nos dados de radiância da reflectância de
nuvens e espessura ótica fornecidos pelo International Satellite Cloud and Climatology Project (ISCCP), Schiffer e
Rossow (1983). Por necessidade de reajuste mensal do valor de Rovc para cada satélite, o método torna-se menos
independente.

•   Método de Pinker e Laszlo

O método de Pinker e Laszlo (1992) calcula os fluxos direto e indireto de cinco faixas espectrais entre 0,2 a 4 μm
na superfície e no topo da atmosfera, utilizando o modelo de transferência radiativa. Primeiro, o valor de albedo de banda
larga da superfície deve ser estimado para o céu claro. Em seguida, as funções óticas sob as condições de céu claro e de
alta nebulosidade serão obtidas por meio das correlações entre os albedos de banda larga do céu claro e do céu encoberto
de nuvens no topo da atmosfera, observados e estimados pelo modelo de transferência radiativa. As funções óticas
obtidas e os valores do albedo são usados para calcular os fluxos de DSSR do céu claro e do céu encoberto pela equação
(8.59).

Em que:  
DSSRtotal = radiação solar incidente total;
DSSRclr = radiação solar incidente no céu claro;
DSSRovc = radiação solar incidente no céu encoberto;

Nclr e Novc são os números de pixels do céu claro e do céu encoberto.

Ambos métodos do Staylor (1990) e do Pinker e Laszlo (1992), funcionaram bem para as regiões entre 60° N e 60°
S com a diferença menor que 30 W m−2. Recentemente, Hucek e Jacobowitz (1995) incorporam as variações geográficas
e condição de nebulosidade na estimativa do albedo de banda larga com os dados de canais 1 e 2 de NOAA AVHRR. O
erro de estimativa do albedo por esse método pode ser menor que 5 Wm−2 em escala global. Melhorando a estimativa do
albedo, a estimativa de DSSR também melhorará.
8.5.1.2 Estimativa da radiação onda curta líquida

A radiação onda curta líquida (NSSR) é definida como a diferença entre os fluxos de radiação onda curta incidente
e refletida pela superfície terrestre (ARINO et al., 1991) calculada pela equação (8.60).

Em que:  
NSSR = radiação líquida da onda curta na superfície;
α = albedo que é a razão da radiação refletida dividida por radiação incidente;
DSSR↓ = radiação onda curta incidente na superfície.

xsOs valores de albedo obtidos pelos sensores AVHRR dos canais 1 e 2 dos satélites da série NOAA podem ser
convertidos para os valores da radiância onda curta pela equação (8.61) e para calcular diretamente o valor da NSSR pela
equação (8.60). A tabela 8.17 apresenta os valores de F e W para os canais 1 e 2 dos satélites de série NOAA citados
pelo manual de satélite NOAA (KIDWELL, 1998).

Em que:  
SR = radiância espectral onda curta (W m−2 μm−1 steradiano−1);
α = % albedo;
F = irradiância espectral solar integrada com peso da resposta espectral em função da banda
espectral, W m−2;
W = Espessura equivalente da função de resposta espectral, μm.

Tabela 8.17- Valores de F e W para os canais 1 e 2 dos satélites de série NOAA citados pelo manual de satélite NOAA. Fonte:
(KIDWELL, 1998).

A estimativa do NSSR depende das estimativas de albedo e DSSR. O erro de estimativa de NSSR pode aumentar
por erros cumulativos de albedo e DSSR. Portanto, uma alternativa é deduzir o NSSR diretamente no topo da atmosfera
via satélite. A base teórica desse método é, de fato, fazer com que as absorções atmosféricas mantenham-se
relativamente constantes quando comparadas com a variação da radiação absorvida na superfície ou no topo da
atmosfera. Cess e Vulis (1989) mostram uma boa correlação entre NSSR observada e calculada via satélite com as
correções atmosféricas pelo modelo de transferência radiativa. Quando o ângulo zenital solar for grande, a correlação
pode piorar. Em seguida, Cess et al. (1991), pela correlação entre os dados de NSSR medidos pelos pireliômetros e via
satélite simultaneamente no experimento do projeto do ERBE, realizado no Boulder, Colorado, USA, estabeleceram um
algoritmo de estimativa de NSSR. O algoritmo estimou bem nas condições do céu limpo, mas não no céu encoberto. O
erro é maior no céu encoberto por causa dos efeitos de nuvens, albedo e ângulo zenital solar da superfície na absorção
atmosférica que não foram corrigidos. Chou (1991) demonstrou que a variação do ângulo zenital solar tem efeito
significativo na NSSRtoa e NSSR na superfície. Schmetz (1989) investigou os efeitos de espessura ótica de nuvens e
altitude do topo de nuvens na correlação linear entre DSSRtoa e NSSR na superfície. Descobriu que o algoritmo, tal
como o do Cess et al. (1991), que não conta esses efeitos, não é adequado para estimar o fluxo de NSSR na superfície
com boa acurácia. Portanto, propôs uma parametrização simples usando o ângulo zenital solar e a concentração do vapor
de água ou águas precipitáveis integrando a variação vertical da concentração do vapor de água na camada atmosférica
para calcular absorção atmosférica em todas as condições atmosféricas. Por causa dos efeitos da espessura ótica nas
nuvens que alteram o albedo planetário e a absorção atmosférica, o conhecimento a priori de albedo pode ser utilizado
para estimar a influência de nuvens na absorção atmosférica por meio da simulação pelo modelo de transferência
radiativa (PINKER; LAZSLO, 1992).
Li et al. (1993) simularam as condições da absorção atmosférica para mais de 100 combinações entre os tipos de
superfície, incluindo oceano, solo, deserto, neves, gelo, tipo de nuvem e ângulo zenital solar. Pelas correlações entre as
NSSR simuladas e as observadas no experimento do projeto do ERBS nas várias localidades, foi desenvolvida a equação
(8.62) para a estimativa da NSSR que é apresentada a seguir:

Em que:  
NSSR = radiação líquida da onda curta na superfície;
DSSRtoa = radiação onda curta incidente no topo da atmosfera;
r = albedo planetário local;
μ = ângulo zenital solar;
p = águas precipitáveis;
αeβ = coeficientes obtidos em função de μ e p, contando os efeitos da absorção atmosférica.

O método foi validado com os dados de NSSRtoa obtidos pelo satélite e os dados de NSSR na superfície coletados
pelas duas torres no experimento do ERBS: uma localizada em Boulder, Estado de Colorado, USA, e outra em
Saskatoon, Saskatchewan. Os erros do método de Li et al. (1993) podem diminuir de 28 W m−2 para 5 W m−2 e até quase
anular se obtiverem os dados da superfície com uma boa distribuição de rede de observação das condições de absorção
atmosférica dentro dos pixels utilizados no cálculo de NSSR (LI et al., 1994).

8.5.1.3 Estimativa da radiação onda longa líquida

A radiação onda longa líquida na superfície (Net Longwave Radiation – NLR) é a diferença entre os fluxos de
radiação onda longa para cima (Outgoing Longwave Radiation – OLR) e para baixo (Downward Longwave Radiation –
DLR). A maioria das pesquisas são direcionadas para a estimativa de DLR, porque os pesquisadores acreditam que a
estimativa de OLR pode alcançar uma acurácia satisfatória por meio dos dados de temperatura da superfície e
emissividade, apesar de os dados de emissividade local quase não existirem. Para a superfície de oceanos ou a de água
pode ser usada, porque o valor de emissividade é próximo à unidade. Mas para a superfície terrestre, uma pequena
variação de valor de emissividade pode causar um erro grande na estimativa de temperatura (BECKER; LI 1990a).
O sensor de satélite capta a radiância que representa um volume cônico de atmosfera com base terrestre curvada.
Os constituintes da atmosfera dentro desse cone não são necessariamente uniformes horizontalmente. Por isso, a
estimativa de DLR torna-se mais difícil, envolvendo variações de temperatura, absorções de gases, aerossóis e nuvens.
Mas, geralmente, tal fato é omitido. A atmosfera é considerada uniforme horizontalmente durante sua medição
instantânea de DLR incidente na superfície. A equação (8.57) apresenta a DLR incidente na superfície com a presença de
nuvens (ELLINGSON, 1995).

Em que:  
A = fração efetiva de nuvens para o fluxo de DLR na altitude da base de nuvens;
Fo = fluxo da DLR do céu limpo;
Fc = fluxo da DLR do céu encoberto de nuvens.

O valor de A é a fração efetiva de nuvens que afeta o fluxo da DLR na base de nuvens, obtida pela razão da DLR
na base de nuvens após a penetração da camada de nuvens e a DLR no céu limpo. Mas o efeito de espalhamento de
partículas de nuvens geralmente é omitido no cálculo da transferência radiativa em onda longa, por causa do aumento do
tempo no cálculo resultar um pequeno aumento de sua acurácia e a falta de bom conhecimento das propriedades óticas de
nuvens.
Cerca de 80% da DLR é originada na camada atmosférica de 0 a 500 m perto da superfície. Portanto, a opacidade
espectral atmosférica desta camada deve ser pequena para que a DLR possa ser monitorada pelos sensores do satélite no
espaço. Sem nuvens, a maioria da radiância da faixa termal da janela ao redor de 10 μm é originada pela superfície.
Outras faixas espectrais contribuem 20% da DLR por causa do gradiente de temperatura e da concentração do vapor de
água na troposfera. Em princípio, a OLR no céu limpo tem alguma informação sobre DLR. Mas, na presença de nuvens
densas, a radiância originada próximo ao topo de nuvens, não há informação sobre as radiâncias originadas na base de
nuvens ou na atmosfera abaixo das nuvens. Isto quer dizer que a radiância OLR não é acoplada pelo fluxo para a
superfície por causa da falta de informação sobre a posição da base das nuvens. Entretanto, os sensores captam a
radiância mista que vêm da atmosfera, da superfície e do topo de nuvens no céu parcialmente encoberto.
Em princípio, as radiâncias da coluna de atmosfera limpa contêm informação sobre a contribuição da emissão dos
gases atmosféricos à DLR. Se tiver as informações sobre altitude e quantidade das nuvens, a DLR pode ser obtida pela
integração das equações que descrevem as emissões atmosféricas à superfície. As técnicas de estimativa da DLR,
geralmente, são subdivididas em duas categorias: as técnicas estatísticas, (de fluxo inferido) e as físicas (de fluxo
calculado).
A técnica de fluxo inferido, proposta por Smith e Woolfe (1983), usou os dados de radiâncias obtidos pelos
sensores da Sondagem Atmosférica Vertical (Vertical Atmospheric Sounder – VAS) de Visible-Infrared Spin Scan
Radiometer (VISSR) para estimar DLR. Essa técnica é fundamentada nas correlações estatísticas entre as simulações
com os modelos de transferência radiativa e os inúmeros dados observados pela radiossondagem atmosférica. Os
resultados mostraram que o erro padrão da média foi em cerca de 10 W m−2 sob o céu limpo e de 46 W m−2 sob o céu
encoberto. A estimativa da DLR também pode ser feita com a diferença dos fluxos diurno e noturno da radiação onda
longa medidos via satélite. A técnica de fluxo inferido proposto por Lee (1993) usa a equação para calcular DLR. Mas
evita a necessidade de determinar os fluxos de DLR nas condições do céu limpo e do céu encoberto de nuvens baseados
na distribuição de temperatura e vapor da água na camada atmosférica. Os fluxos da DLR do céu limpo e céu encoberto
são obtidos pelas equações de regressão estatística que correlacionaram o fluxo da DLR de uma determinada altura da
base de nuvens ao fluxo de DLR no céu limpo. Entretanto, todas essas técnicas de regressão estatística, que requerem
observações precisas e estáveis da radiância da atmosfera, são válidas sob uma condição meteorológica específica. Se a
condição meteorológica mudar, os coeficientes devem ser restabelecidos. Por causa dessa técnica, empregando-se a
regressão estatística, a convergência de erros é sujeita à incerteza do processo no cálculo dos fluxos da superfície.
A técnica de estimativa do fluxo de DLR geralmente utiliza o modelo da transferência radiativa para calcular
diretamente o fluxo da DLR, utilizando os dados de temperatura e vapor de água obtidos pela radiossondagem e os dados
da fração e a altitude da base de nuvens estimadas. Esses modelos são mais sofisticados, porque utilizam, também, os
perfis de O3, CO2, CH4 e N2O. Não existe nenhum método de padrão para avaliar a acurácia absoluta de qualquer
modelo de transferência radiativa no cálculo do DLR. O modelo mais sofisticado, chamado Line By Line model (LBL),
tem uma resolução espectral próxima da máxima, mas não alcança uma acurácia absoluta por sua incerteza no cálculo
dos efeitos de vapor de água nos intervalos entre cada duas faixas ou linhas espectrais consideradas. A acurácia absoluta
dos dados observados e a acurácia absoluta dos dados meteorológicos servidos, como os inputs para o modelo LBL,
comprometem sua acurácia. Apesar de o modelo LBL não ser perfeito, é usado como um método referencial para testar
outros modelos menos sofisticados. O modelo LOWTRAN7, proposto por Kneizys et al. (1988), e mais recentemente o
MODTRAN4 (BERK et al., 1999), são mais usados pelos pesquisadores. Dutton (1993) apresentou os resultados da
comparação entre os dados observados em campo e os calculados pelas bandas detalhadas do modelo LOWTRAN7.
Mostrou que sua acurácia de estimativa de DLR alcança 10 W m−2.

8.5.2 Fluxos de balanço de energia da superfície terrestre

A estimativa dos fluxos de H, G e LE na equação (8.56) é geralmente conhecida como a dos fluxos do balanço da
energia da superfície terrestre. Todos os parâmetros desses fluxos podem ser medidos pelos instrumentos
mícrometeorológicos; são geralmente considerados como os métodos de padrão e usados para a validação dos métodos
via satélite. Por exemplo, Hurtado e Sobrino (2001) usaram os dados de NOAA AVHRR e temperatura do ar para a
estimativa de radiação líquida. Para a radiação líquida da onda curta, os dados do fluxo da radiação solar e o mapa de
albedo foram usados. O mapa de albedo foi gerado pelo método de banda larga do Saunders (1990). O fluxo da radiação
onda longa foi obtido pelo método de Janela Dividida Local (BECKER; LI, 1990a). Os resultados mostraram que o erro
de estimativa de LE de 1 mm/dia foi alcançado.
Visando à importância de quantificar os fluxos de balanço da energia na superfície terrestre para aperfeiçoar os
modelos de previsão do tempo, planejamento de freqüência da irrigação, previsão de safra agrícola e até monitoramento
dos recursos hídricos, os fundamentos teóricos de estimativa dos fluxos de balanço de energia da superfície terrestre e os
métodos de estimativa via satélite são apresentados a seguir.

8.5.2.1 Fluxo do calor ao solo

Considerando-se a troca do calor no solo somente vertical, o fluxo de calor na profundidade z abaixo do solo pode
ser apresentado pela equação (8.64):

Em que:  
Qz = a quantidade do calor transportado atravessa uma profundidade z, (cal cm−2 s−1);
k = condutibilidade calorífica do solo, (cal cm−2 s−1 °K−1);
T/ z = o gradiente da temperatura na entrada e na saída da profundidade z, (°K s−1)

O fluxo é negativo, porque o fluxo do calor propaga a temperatura de cima para baixo, T – ΔT, na direção do
aumento da profundidade, de z para z + Δz. Em uma camada fina de espessura z, a taxa da mudança de calor na camada
z deve ser igual ao fluxo de calor transportado nessa profundidade. A figura 8.15 mostra o fluxo de calor na camada z
esquematicamente:

Figura 8.15 – Fluxo de calor da camada z no solo.

A diferença do fluxo do calor nas duas profundidades z e z+z pode ser calculada pela equação (8.65) que é
derivada a seguir:

Qz na profundidade z:

Em que:  
Q = quantidade de calor (cal);
Cgs = calor específico do solo (J/kg/ °K);
M = ρV, massa do solo aquecida (kg);
  = densidade global do solo (g/cm3);
V = volume do solo (cm3).

A taxa de mudança de uma propriedade P por unidade de volume é expressa pela equação a seguir:

Considerando-se um fluxo vertical de calor que penetra a um volume unitário do solo (q) no estado estático:
Substitui-se q por Q/V, obtém-se: dq/dt = wdq/dz

Combinam-se as equações (8.65) e (8.69), obtém-se:

substitui-se (k/ρCgs) pelo D (D é difusividade do calor, em cm2 s−1),

 As variações das propriedades química e física do solo, tais como textura, estrutura, composições minerais,
compactação, umidade do solo e materiais orgânicos, são mais altas quanto mais próximas à superfície. É difícil de obter
os dados representativos de densidade volumétrica e condutibilidade calorífica no solo em campo. Portanto, para facilitar
o cálculo do fluxo de calor no solo, geralmente, os valores médios de v, k e D são utilizados. Para a melhoria da
estimativa, a variação dos valores de v, k e D em função da profundidade deve ser aplicada. Alguns pesquisadores
usaram a correlação linear.

•   Estimativa da temperatura da superfície do solo

Supondo que a variação diária da temperatura na interface de solo e atmosfera oscila senoidalmente, seu ciclo e
amplitudes máxima e mínima podem ser calculados pela equação a seguir:

Em que:  
T (o, t) = oscilação da temperatura na superfície do solo com amplitude o e tempo t;
= temperatura média diária;

A(o) = amplitude da oscilação entre máxima de + A(o) e mínima de – A(o);

ω = velocidade angular da rotação da Terra (radianos por segundo):

ω = 2/86400 = 7,27 × 10−5 rd s−1;
ω = (2/24)/hora para o ciclo diário com o t em hora;
ω = (2/365)/ano para o ciclo anual com o t em dia.

•   Estimativa da temperatura na profundidade z do solo

Em que:  
T (z, t) = oscilação da temperatura na profundidade z do solo com amplitude o e tempo t;
= temperatura média diária na superfície;

A(o) = amplitude da oscilação entre máxima de + A(o) e mínima de – A(o);

ω = velocidade angular da rotação da Terra (radianos por segundo):

ω = 2/86400 = 7,27 × 10−5 rd s−1;
ω = (2/24)/hora para o ciclo diário com t em hora;
ω = (2/365)/ano para o ciclo anual com o t em dia;
D = difusividade térmica, valor médio de 5×10 cm2 s−1.

•   Estimativa do fluxo de calor na profundidade z do solo

Aplicando-se a equação (8.64) na equação (8.73) que é representada pela equação (8.70).

Em que:  
T= temperatura média diária na z;
A(o) = amplitude da oscilação entre máxima de + A(o) e mínima de – A(o);

ω = velocidade angular da rotação da Terra (radianos por segundo):

ω = 2/86400 = 7,27 × 10−5 rd s−1;
ω = (2/24)/hora para o ciclo diário com o t em hora;
ω = (2/365)/ano para o ciclo anual com o t em dia;
D = difusividade térmica, valor médio de 5×10 cm−1 s −1.

A solução da equação (8.74):

Exemplo do cálculo do fluxo de calor na profundidade de 0,05 m nas 14h com as seguintes condições:
k = 2,5 × 10−3 cal cm−1 s−1 °C−1;
D = difusividade térmica, valor médio de 5×10 cm−1 s−1;
Tmax = 45 °C na superfície;
= 29 °C ocorre às 7h na superfície.

Solução:  
ω = 2 / 86400 = 7,27 × 10−5 rd s−1;
z = 5 cm
to =7h
t = 14 h
A(o) = Tmax – Tmédia = 45 – 29 = 16 °C
Qz = A(o) k(π/D)½ e -z(π/2D)½ sen{[π t - z(π/2D)½]+ π/4}
  = (16)(0,0025)(0,0000725/0,005)½ e [−5(0,00725)½] sen {[0,0000725(14 – 7)(3600) – 5(0,00725)½] + π/4}
  = 0,002554 cal cm−2 s−1 ou 0,1532 cal cm−2 min−1

•   Estimativa dos fluxos máximo e mínimo de calor no solo

A temperatura máxima coincide com a amplitude máxima que é 1 ou sen 90;

A temperatura mínima coincide com a amplitude mínima que é −1 ou sen 270.

•  Estimativa de condutibilidade e difusividade do calor por meio das medições de temperaturas máxima ou
mínima nas várias profundidades no solo

Aplica-se o logarítmico à equação (8.77) ou a equação (8.78), obtendo-se:

Plota-se a equação (8.79) na escala semilogarítmica que resulta em função linear:

Em que:  
a = lnAo(ω/D)½, intercepção da linha;
b = (ω/2D)½, declividade.

O valor de difusividade D pode ser obtido pela equação (8.79) após os valores de a e b obtidos pela plotagem.
 •   Estimativa do fluxo de calor na superfície do solo

Na superfície do solo, a profundidade é de zero, aplicando-se z=0 na equação (8.81), obtém-se:

•   Variações diurna e sazonal da temperatura do solo

Decréscimo de amplitude da temperatura do solo quando a profundidade aumenta. A figura 8.16 mostra as
variações diurnas e anuais da temperatura do solo em várias profundidades (OKE, 1987). A temperatura diurna na
profundidade de 10 mm alcança o valor máximo ao redor de 14h e o valor mínimo ao redor de 4h. A temperatura diurna
na profundidade de 0,8 m fica quase invariável. A temperatura anual do Hemisfério Sul na profundidade de 10 mm
alcança o valor máximo de 20 °C em janeiro e o mínimo de 2 °C em fevereiro e na profundidade de 10 m, varia pouco de
2 °C a 3 °C.

Figura 8.16 – Variações diurnas e anuais da temperatura no solo em várias profundidades. Fonte: (OKE, 1987).

O tempo de atraso entre duas profundidades pode ser estimado pela equação seguinte:

Em que:  
t2 e t1 = o tempo em que a temperatura máxima ou mínima é detectada na profundidade z2 e z1
respectivamente;
P = período da oscilação em segundo;
D = difusividade térmica.

A profundidade da oscilação da temperatura é definida como a profundidade em que a temperatura é reduzida a

um fator de e−1 (ou 0,37) da temperatura da superfície. Por exemplo, quando z = D, a amplitude da onda de temperatura é
0,37 vez à amplitude da superfície. O valor de G é um terço da radiação solar líquida (Rn) no pico da radiação solar
incidente, que é ao redor de 14h. Por ser o fluxo de calor G noturno negativo, o valor total diário é muito pequeno; por
isso freqüentemente é ignorado.
As correlações entre NDVI e a razão de G/Rn e LAI foram aperfeiçoadas por Kustas et. al. (1993). Eles
apresentaram as equações não-lineares para as estimativas de G/Rn e LAI:
 Em que:  
G = fluxo do calor ao solo;
Rn = radiação líquida;
VI = razão das bandas de infravermelho próximo e visível;

a= 0,42, b = – 0,53 e R2 = 0,70 para o caso de VI;

a= 0,095, b = – 0,68 e R2 = 0,51 para o caso de NDVI.

Em que:  
τ = 2(τvis – τnir) são os coeficientes de extinção da copa de vegetaçãode visível e
infravermelho medidos no campo.
a = 0,90
b = 0,86
τ = 1,26
R2 = 0,97

8.5.2.2 Fluxo do calor sensível ao ar

O fluxo de calor sensível é estimado pela equação seguinte:

ra é a resistência aerodinâmica expressa como:

Em que:  
Z = altura (cm);
zoh e zom = comprimentos de rugosidade para calor e movimento respectivamente (cm);
d = deslocamento do plano Z (cm);
k = constante von Karman, 0,41;
u = velocidade do vento (cm/séc).

É difícil estimar o perfil de vento via satélite. As técnicas de LIDAR (SUTTON; BENNETT, 1994) e microondas
recém-desenvolvidas mostram resultados promissores. Os valores de zoh e zom podem ser derivados dos dados de perfil
de vento obtidos na região específica. Perrier (1982) correlacionou zo com o índice de área foliar (Leaf Área Index –
LAI) e apresentou a equação (8.86) para calcular zo.

Em que:  
zo = comprimento de rugosidade no plano zero;
zh = altura da vegetação;
LAI = índice de área foliar.

Menenti et al. (1996) usaram um altímetro do Laser e uma câmara de vídeo a bordo do avião que voa em baixa
altitude de 150 a 200 m com a velocidade de 60 m/s para obter a variação espacial e vertical dos objetos da superfície. Os
dados foram usados para calcular o zo da superfície durante os experimentos realizados em vários projetos. Concluíram
que a acurácia da estimativa depende da escala espacial e o método é viável para os objetos de estruturas finas em uma
distância de alguns quilômetros. Vries et al. (2003) também usaram altímetro do Laser de alta resolução para obter os
parâmetros de zo e d na região predominante de dunas localizada no sul do Estado de New México nos Estados Unidos.
Obtiveram o valor médio de 4,3 cm para o zo e 70 cm para o d. Sugeriram que é possível estimar os valores de zo e d nos
terrenos complexos pelo sensoriamento remoto via satélite. O LAI pode ser estimado com os dados de NDVI. Portanto,
para estimar H, as estimativas de Ta e Ts são cruciais.

8.6 Fluxo de calor latente ou evapotranspiração

O fluxo do calor latente (LvE), um processo de perda de água na superfície sob a forma de vapor, é geralmente
conhecido como a evapotranspiração (ET) em áreas de produção agrícola e recursos hídricos. O termo LvE, em unidade
de w m−2, é mais usado nos cálculos de balanço da energia da superfície terrestre pelos meteorologistas, e o termo ET,
em unidade de mm/dia ou mm/hora, é mais usado pelos agricultores e hidrólogos nos cálculos do balanço hídrico. A
palavra evapotranspiração é uma palavra composta de evaporação e transpiração, que é a soma da perda de água da
superfície do solo ou da água (evaporação) e da perda de água pela vegetação controlada pela abertura de estômatos
(transpiração). Portanto, o fluxo de ET é um fluxo total do transporte de água da superfície do solo ou da água à
atmosfera pelo processo de evaporação e do transporte de água da superfície de folhas da vegetação à atmosfera peo
processo de transpiração. A ET, conhecida pelos meteorologistas como o fluxo de calor latente (Latente Heat
Evaporation – LvE), é um fator importante no balanço da energia da superfície terrestre, variando de acordo com a
variação do microclima de uma determinada região. Recentemente, os modelos de previsão do tempo em várias escalas
têm sido desenvolvidos com a inclusão de algum tipo de modelo de estimativa da ET para aperfeiçoar a sua acurácia da
previsão. É necessário conhecer a conversão entre LvE e ET e as definições de vários termos de ET para facilitar o
cálculo do fluxo de evapotranspiração pelo método de balanço hídrico ou do fluxo de calor latente pelo método de
balanço de energia da superfície terrestre.
O fluxo do calor latente na equação do balanço de energia da superfície terrestre é representado pelo LvE na
equação (8.56) que é repetida a seguir:

Em que:  
Rn = radiação líquida, (W m−2 ou cal cm−2 dia−1);
H = fluxo de calor sensível, (W m−2 ou cal cm−2 dia−1 );
LvE = fluxo de calor latente, (W m−2 ou cal cm−2 dia−1);
G = fluxo de calor sensível ao solo, (W m−2 ou cal cm−2 dia−1).

De ponto de vista do método de balanço hídrico, a taxa de mudança de umidade no solo em um determinado
volume do solo é calculada pela equação (8.90) a seguir:

Em que:  
P = precipitação ou irrigação, (mm dia−1);
Fe e Fs = entrada e saída de água pelo escoamento superficial,(mm dia−1);
Ge e Gs = entrada e saída de água pelo fluxo de subsolo, (mm dia−1);
ET = evapotranspiração ou condensação, (mm dia−1);
ΔW = armazenamento de água no solo em diversas formas, tais como: fotossíntese,
intercepção, umidade de água no ar, no solo e nos materiais orgânicos (mm dia−1).

A unidade de dimensão do fluxo de calor latente é em W m−2 ou cal cm−2dia−1 na equação (8.56) para
meteorologistas, mas é em mm dia−1 na equação (8.90) para agrometeorologistas. Essa diferença envolve o termo da
energia da vaporização de água, Lv, chamado calor latente. O calor latente é definido como a energia gasta para evaporar
um grama de água na fase líquida à fase gasosa em uma determinada temperatura, calculada pela equação (8.91).

Lv = calor latente, em cal g−1;

 O volume de um grama de água líquida é igual a um centímetro cúbico (cm3) ou 1.000 milímetros cúbicos (mm3).
Os dados de precipitação são expressos em mm/dia. Por conveniência, a unidade de ET também é em mm/dia, que
significa a perda da água de 1 mm de uma área de um milímetro quadrado. Portanto, a unidade do LvE em cal cm−2 dia−1
pode ser convertida à unidade da ET em mm/dia. Mas LE é geralmente usado para expressar LvE e ET é usada para
expressar E que é a perda de água em forma de vapor. O fluxo do calor latente na equação (8.56) pode ser convertido
para o fluxo de evapotranspiração na equação do balanço hídrico (8.90).

Por exemplo:

O fluxo de calor latente (LvE) = 114 W m−2 = 235,2 cal cm−2 dia−1
Considerando Lv = 589,4 cal g−1 na temperatura de 25 °C;

ET = LvE/Lv = (235,2cal cm−2 dia−1) / (589,4 cal g−1) = 0,4 g cm−2 dia−1 = 4 mm dia−1;

A unidade dimensional de ET em mm facilita o cálculo de balanço hídrico, porque a quantidade de chuva e a água
disponível no solo também são representadas em mm. Portanto, a introdução do conceito de ET aplicado na área de
produção agrícola, para substituir o conceito de energia do fluxo de calor latente conhecido pelos alunos na área de
meteorologia, é importante para suas aplicações na área de produção agrícola.
A cultura, pelo processo de transpiração, mantém sua turgidez e sua temperatura ideal para exercer os processos
fisiológicos de crescimento e de desenvolvimento. Embora somente em cerca de 1% a 2% da água absorvida pela planta
referente a seu peso final, a diminuição da taxa de ET pelos estresses ambientais pode afetar vitalmente a produção final.
Portanto, os dados de ET são freqüentemente utilizados como um critério fundamental no zoneamento agroclimatológico
e na previsão de safra das culturas. Também são usados para calcular o balanço hídrico fornecendo dados de volume de
água e freqüência na operação de irrigação. Vários termos referentes à ET, tais como evapotranspiraçao potencial (ETP),
evapotranspiraçao máxima (ETM), evapotranspiraçao real (ETR) e coeficiente de cultura (kc), são freqüentemente
usados para facilitar a obtençãoe a conversão desses dados usando os dados climáticos regionais no cálculo de balanço
hídrico. Assim, as definições desses termos são apresentadas antes da apresentação dos métodos de estimativa de ET.

8.6.1 Definições de evapotranspiração

A ETP é definida como o fluxo de vapor da água de uma superfície homogênea de uma plantação de grama curta,
verde e saudável, mantendo a sua altura entre 8 e 15 cm, em pleno vigor do crescimento sem quaisquer limitações de
água, nutrientes e livre das condições catastróficas, tais como doenças, pragas, enchentes, seca, geadas e outras. A ETP é
considerada como o valor referencial de ET (ETo), que varia de acordo com a demanda atmosférica de vapor da água de
uma determinada região.
A ETM é definida como a taxa máxima de ET de uma determinada cultura sob as ótimas condições de crescimento
e desenvolvimento sem quaisquer limitações para obter sua produtividade máxima. A taxa de ETM varia em cada estágio
do crescimento de acordo com o ciclo fenológico da cultura. A definição de ETM é semelhante à de ETP, substituindo a
plantação de grama curta por uma cultura específica. Por causa do consumo de água que varia com o estágio do
crescimento e com o código genético da cultura, a taxa de ETM não é um valor constante. Portanto, essa taxa deve ser
estimada para cada estágio do crescimento e para cada tipo de cultura.
Nas condições reais de uma plantação, o crescimento de culturas pode sofrer certos graus de diminuição quando
em condições ambientais desfavoráveis. Nesse caso, a taxa de ET não alcança seu valor máximo. Essa taxa real de ET é
chamada de evapotranspiração real (ETR). A taxa de ETR é igual ou menor que a de ETM. No caso da taxa de ETR
menor que a ETM, significa que as culturas sofreram estresses ambientais. Para as culturas em área sem irrigação, a taxa
de ETR menor que a de ETM significa que as culturas estão sofrendo déficit hídrico.
O coeficiente de requerimento de água da cultura (kc) é definido como a razão de ETM e ETP (kc = ETM/ETP).
Geralmente, a taxa de ETM de uma determinada cultura varia com o seu estágio do crescimento que é intimamente
ligada com a quantidade de folhas verdes ou índice de área foliar (LAI). O processo de estimativa da ETM é muito
trabalhoso e necessita instrumentos de alta acurácia e pesquisadores com especialização própria. Geralmente, esse
trabalho é conduzido por pesquisadores em campo experimental. Por outro lado, os dados de ETP são disponíveis nas
estações meteorológicas. A ETP é chamada de ET referencial em uma região com um tipo do clima específico porque é
obtida em uma plantação de grama curta mantendo o valor de LAI constante, que varia somente com a variabilidade
climática regional. Os pesquisadores introduziram o kc para facilitar a obtenção de ETM usando a correlação estatística
entre ETP e ETM durante o ciclo fenológico de uma determinada cultura, baseada nos dados coletados em campo
experimental.
A taxa de ETM pode ser calculada com os dados de kc e ETP. A taxa de ETP é geralmente calculada com os dados
de estação meteorológica. Os coeficientes de kc de uma determinada variedade, uma vez obtidos pelas pesquisas em
campo experimental, podem ser utilizados para outras regiões sem necessidade de repetir os experimentos para
determiná-los. Esta é uma vantagem da aplicação dos dados de kc. Um exemplo de uma curva de kc da cultura do milho
é apresentado na figura 8.17. Os dados de kc, cíclico fenológico e as durações de cada estágio do crescimento de
inúmeras variedades nas diversas regiões podem ser encontrados na publicação da FAO (DOORENBOS; KASSAM,
1979).

Figura 8.17 – Curva de kc da cultura do milho. Fonte: (DOORENBOS; KASSAM, 1979).

8.6.2 Fatores que afetam a evapotranspiração

•   Fatores meteorológicos:

Os efeitos dos fatores meteorológicos, tais como radiação, temperatura, umidade do ar, vento e pressão na perda de
água pela ET, são um conjunto do efeito complexo das interações entre esses fatores. Isto torna difícil separá-los por
ordem de importância, pelas complicadas relações entre eles. Para facilitar o entendimento do cada fator que afeta a ET,
será considerado somente o efeito de um determinado fator meteorológico mantendo os demais fatores em estados
inalterados:

a)   radiação – O processo fotossintético que fabrica matéria seca das vegetações requer a energia de
radiação solar na faixa visível. Por outro lado, a radiação solar torna-se um fator de considerável importância
por fornecer um calor latente de 589,4 cal/g de água a 25 °C, passando do estado líquido ao estado vapor,
pela transpiração, para manter sua temperatura dentro da faixa ótima do crescimento;

b)   temperatura – Como as temperaturas do ar e da água dependem da radiação solar incidente na superfície,

espera-se uma estreita relação delas com as taxas de evapotranspiração. A temperatura da superfície da água
governa a taxa de ET em que as moléculas de água de fase líquida passam para a fase gasosa e entram no ar.
A taxa de ET aumentam quando aumentar as temperaturas do ar e da água;

c)   umidade do ar – Como essa variável depende da temperatura, esta age indiretamente. A taxa de ET é
proporcional à diferença entre as umidades real e de saturação do ar de uma determinada temperatura. A
diminuição da temperatura do ar em um ambiente contendo uma certa quantidade de vapor da água resulta
no aumento da umidade relativa e na queda da ET;

d)   vento – O movimento do ar, levando o ar úmido que envolve uma massa líquida até o ar seco, promove
a perda de água pelas superfícies líquidas. Entretanto, sua influência vai até um certo valor crítico, quando
outras variáveis podem atuar mais intensamente. O vento diminui a espessura da “camada limite” das folhas.
Mas a velocidade do vento tem influência secundária na taxa de ET, porque, em determinadas condições de
umidade do ar, a queda de temperatura pelo efeito do vento pode aumentar a umidade do ar e diminuir a ET;

e)   pressão barométrica – Em geral, um decréscimo na pressão barométrica resulta no aumento da taxa de

ET. No entanto, alterações na pressão barométrica são associadas a mudanças em outros fenômenos
meteorológicos, de sorte que o efeito individual da pressão é inevitavelmente mascarado. Por exemplo: a
diminuição da pressão pelo aumento da altitude nas áreas montanhosas pode aumentar a ET. Mas a
temperatura do ar diminui com o aumento da elevação de uma taxa de – 0,6 °C/100 m. Portanto, o aumento
 da ET pela diminuição de pressão na região elevada é acoplado à diminuição da ET pela diminuição da
temperatura. Isto resulta na diminuição da ET com o aumento da altitude.

•   Fatores geográficos:

a)   qualidade da água – O aumento da impureza ou concentração de salinidade na água faz decrescer a taxa
da ET, por causa da queda na pressão de vapor da água suja e salina. O aumento da turbidez espalha e reflete
mais a energia da radiação solar incidente na água que resulta a diminuição da energia absorvida na água e,
conseqüentemente, causa a diminuição da temperatura e taxa de ET;

b)   profundidade, forma e tamanho de corpo de água – Nos corpos de água menores, tais como pequenos
lagos e rios rasos, a ET está intimamente ligada à temperatura do ar. No caso dos corpos de água imensa e
profunda, os atrasos de aquecimento e resfriamento da água podem diminuir a ET. A taxa de ET na
superfície aberta de água decresce com o aumento da área, e a umidade relativa do ar aumenta na superfície
contínua de água.

•   Fatores de solo:

a)   teor de umidade do solo – A evaporação da água do solo envolve as perdas de água absorvidas nas
micelas de silicatos e nos granulados de solo. Portanto, o teor de umidade do solo torna-se um fator óbvio e
direto na influência da ET. A taxa de ET decresce rapidamente com a queda da umidade do solo, por causa
das forças de retenção de água nos poros finos terem sua atuação ampliada. A primeira camada superficial
do solo em cerca de 10 cm tem efeito decisivo na ET do solo. O subsolo pode estar saturado, mas, por lenta
movimentação da água, a taxa de ET cai drasticamente se a camada superficial estiver seca. O tipo de solo
torna-se então primordial. Os solos argilosos não saturados têm maior facilidade para a condução de água.
Isto resulta a taxa maior de ET nos solos argilosos, comparando com a ET nos solos arenosos não saturados
no mesmo teor de umidade do solo. Ao contrário, nos solos arenosos saturados, a taxa de ET é maior que
nos solos argilosos saturados;

b)   profundidade do lençol freático – É um fator importante porque se estiver próximo da superfície, a

evapotranspiração alcançará o valor mais elevado e decrescerá rapidamente quando o lençol freático baixar.
Esse decréscimo é mais rápido quando o solo é mais arenoso;

c)   coloração do solo – A coloração do solo é um fator diretamente ligado às características de reflectância.

Os solos escuros, que absorvem mais calor que os solos claros, resultam o aumento da temperatura
superficial e no aumento da ET;

d)   textura do solo – A textura do solo mais fina tem mais facilidade de reter a água. Portanto, os solos mais
argilosos evaporam mais lentamente que os arenosos no mesmo teor de água do solo.

•   Fatores de planta:

A presença de vegetação produz sombreamento no solo, diminuindo a temperatura, a velocidade do vento e o

aumento da umidade relativa do ar na copa próxima ao solo. Isto resulta na diminuição da ET. Considerando a planta em
si, a transpiração decresce com a queda dos potenciais de água do solo. A taxa de ET vária de espécie, estágio e vigor do
crescimento das plantas.

•   Fatores de microclimas

Consideraram-se as descontinuidades espaciais do clima pelos efeitos dos terrenos não uniformes horizontalmente.
As diferenças microclimatológicas dos perfis de temperaturas, umidades e ventos são causados pela variação de radiação
solar que incide nos diferentes declives, variação de distribuição de chuva espacial, variação de velocidade do vento por
causa dos quebra-ventos e topografia diferente. Por causa da superfície não homogênea horizontalmente ou
espacialmente, as variações do microclima são afetadas pelos efeitos advectivos, topográficos e sistema de circulação
térmica. Uma das tarefas mais desafiadoras para a ciência da atmosfera moderna é tentar descrever os processos das
interações dos fluxos de calor, vento e vapor de água na camada limite da atmosfera com as superfícies não uniformes
horizontalmente. O melhor entendimento das interações desses fluxos na camada limite permite a integração de efeitos
microclimáticos na variação ou mudança de clima em escalas de tempo e espaço. O melhor conhecimento da circulação
local em micro até mesoescala envolve a circulação convectiva local causada pela instabilidade térmica diurna e noturna.
Esse conhecimento permite o melhor planejamento das atividades humanas, tais como a previsão dos possíveis padrões
de dispersão dos poluentes, a melhoria da produção agrícola, pois evita as ocorrências de geadas, e identificação de
ocorrências de jato noturno, para evitar os acidentes aéreos. A justaposição do contraste dos diferentes ambientes
térmicos, resultando nas forças desenvolvidas pelos gradientes de pressão horizontal que superam as forças de fricção na
superfície, pode causar o movimento do ar e atravessar os limites dos diferentes ambientes térmicos. Os exemplos típicos
são brisa marítima, brisa urbana, brisa conflagrante, brisa florestal, efeito oásis, efeito varal, bolsão de geadas, cinturão
térmico, vento do vale do dia, vento da montanha da noite, jato noturno em baixa altitude, e outros. As descrições
sucintas desses microclimas são apresentadas a seguir.

8.6.3 Microclimas

•   Jato noturno de baixa altitude

O perfil do vento mostra o valor máximo no topo da inversão, conhecido como jato noturno de baixa altitude
(low–level jet). A estabilidade da inversão liberta o ar de cima dos efeitos de fricção da superfície que resulta um
deslizamento da massa do ar acima com alta velocidade do vento. As propriedades do jato noturno de baixa altitude são
listadas a seguir:

a)   estratificação térmica causada pela inversão térmica;

b)   ocorrida na camada atmosférica próxima à superfície terrestre até centenas de metros de altura que tem a
queda drástica do gradiente de pressão no topo da inversão térmica;
c)   sopro acima (blow up) do fogo florestal só pode acontecer quando ocorre jato noturno de baixa altitude na
vizinhança;
d)   causa a curta aterrissagem do avião por causa da queda drástica do gradiente da pressão no topo da inversão
térmica;
e)   a velocidade do vento tem 70 nós nas alturas entre 25 m e 250 m e tem 5 nós próximo a superfície;
f)   ocorre no período da noite entre 20h e 8h.

•   Efeitos advectivos

As mudanças horizontais dos fluxos de calor sensível e calor latente, movimento, vapor de água, temperatura,
evapotranspiração, vento, pressão, e outros, nos terrenos não uniformes, resultam nas redistribuições desses fluxos na
superfície terrestre. As mudanças de velocidades deles ocorrem quando um fluxo do ar entra em uma superfície com as
velocidades dos fluxos diferentes do que as em uma superfície que ele ocupava.

•   Efeito varal (clothesline effect)

Um fluxo do ar seco e quente, entrando horizontalmente na plantação de culturas ou florestas que têm o ar mais
úmido e mais frio, causa o efeito varal. O ar seco e quente oferece o calor sensível que aquece a vegetação na bordadura
de uma plantação e causa o aumento do gradiente de vapor de água que resulta no aumento do fluxo da
evapotranspiração e seca a vegetação na bordadura. Esse efeito é semelhante ao efeito de secagem das roupas que se
secam mais rapidatamente na cabeçada do vento. Portanto, é chamado efeito varal. As plantas na bordadura que sofrem o
efeito varal podem sofrer o estresse hídrico que acaba por favorecer a ocorrência de doenças e pragas na faixa de alguns
metros da bordadura.

•   Efeito oásis

Por causa do resfriamento evaporativo, uma fonte úmida e isolada sempre pode ser encontrada na área verde em
um deserto. O oásis é um exemplo típico, onde a temperatura é mais fria e a umidade, mais alta, comparando-se com as
do deserto. O ar mais quente entra na área do oásis para trazer calor sensível e elevar a evapotranspiração. Isto resulta na
evaporação mais alta que a energia da radiação solar recebida na área. Os efeitos do oásis são observados nas áreas das
culturas irrigadas pelo vento advectivo que traz o ar quente para a área irrigada que tem o ambiente frio e úmido. Os
efeitos de oásis também ocorrem na superfície fria e úmida cercada por uma área grande de ar seco e quente tais como:

a)   a lagoa situa-se na área com o clima quente no verão;

b)   o glacial no vale das montanhas;
c)   monte de neve isolada;
d)   parque urbano;
e)   as árvores isoladas no campo aberto.

•   Neblina

O ar quente entra na superfície fria, causa o esfriamento do ar até o ponto de orvalho e forma as neblinas. A
neblina pode ocorrer também quando o ar frio sobre a água quente causa a saturação do vapor. O ar quente e úmido na
superfície da água condensa quando entra o ar frio que passa por cima. Algumas das misturas do ar supersaturado
condensam-se em neblinas. Esse fenômeno pode ser observado visualmente – os vapores condensados ou as neblinas
ascendem na superfície da lagoa quando o ar frio está passando acima da lagoa. Também pode ser observado quando se
respira no ambiente frio, a fumaça de vapor sai pelo nariz. Igualmente, nas madrugadas de verão ou outono, observam-se
neblinas acima das lagoas, especialmente nas noites frias com o céu claro, que drenam os ares frios pelas colinas das
montanhas para as lagoas.

•   Brisa urbana

Quando o vento da região é fraco, a cidade urbana é geralmente mais quente que a sua redondeza. Isto causa as
brisas em baixos níveis, que atravessam os perímetros da cidade e convergem para o centro da cidade. O aquecimento
rápido do dia causa a instabilidade atmosférica no centro da cidade e acelera a velocidade da brisa diurna. Por ser a
temperatura da cidade é sempre mais alta do que da zona rural, a brisa não é revertida diariamente. A área central da
cidade urbana é mais susceptível a poluição porque as brisas urbanas convergem de todas as direções para o centro,
resultando no aumento da concentração dos poluentes liberados na cidade.

•   Brisa conflagrante

O fogo florestal ou fogo do campo em escala maior pode gerar os ventos convergentes para o centro da fonte de
calor. O calor do fogo de alta temperatura causa a convergência do ar com o vento convectivo de alta velocidade que
puxa o ar na camada limite. Isto pode causar a queda de um avião que está, acima da área de queimadas, em baixa
altitude para combater o fogo.

•   Brisa florestal

Durante o dia, a plantação de uma floresta aquece mais lentamente que a sua redondeza. Isto resulta um ar mais
frio da floresta drenando para a redondeza, chamada brisa florestal. À noite, ao contrário, o ar da redondeza esfria mais
rápido que o ar da floresta. Isto causa o movimento do ar frio soprando para o centro da floresta.

•   Brisa térmica

O esfriamento da superfície à noite resulta em ar mais frio e denso que drena para a região mais quente e seca. A
brisa térmica é bem desenvolvida no verão e nas noites de céu claro e vento calmo que resulta em ar mais frio e denso
por ser a perda da radiação de onda longa para o espaço mais alta.

•   Brisa marítima

Durante o dia, a superfície terrestre aquece mais rápido que a superfície do mar. O ar mais quente na superfície
terrestre começa a subir. Isto resulta o ar mais frio e denso da superfície marítima, que sopra à direção terrestre,
conhecido como brisa marítima (figura 8.18a). A velocidade da brisa marítima pode alcançar de 2 a 5 m s−1, penetrando
até 30 km no litoral e soprando até 1 a 2 km em altitude. Ao contrário, durante a noite, a superfície terrestre esfria mais
rápido que a superfície marítima. O ar mais frio e denso drena a direção do mar que resulta a brisa terrestre (figura
8.18b). A velocidade da brisa terrestre alcança 1 a 2 m s−1. Geralmente, o avanço da frente da brisa marítima causa a
ascendência do ar que reforça mais a instabilidade da atmosfera. Porém, as nuvens cúmulos podem ser desenvolvidas e
imigram para o mar e até se dissipam como a chuva. A brisa marítima pode continuar e atravessar a noite se o ar no
litoral for ascendente e o ar sobre o mar se manter mais frio que o ar do litoral. A continuação da brisa marítima
atravessando a noite é por falta da inversão térmica que geralmente ocorre nas noites com céu claro e vento fraco. A
brisa marítima refresca o ambiente na região do clima quente.
 Figura 8.18 – a. Brisa marítima durante o dia; b. Brisa terrestre durante a noite. Fonte: (OKE, 1987).

•   Vento do vale

Durante o dia, as camadas de ar sobre as colinas e a base do vale são aquecidas pela radiação solar. A temperatura
no fundo do vale e nas colinas aumenta bem acima da temperatura do ar no centro do vale. O ar mais frio e denso acima
do fundo do vale desce e empurra o ar subindo ao longo das superfícies das colinas. Isto resulta um fluxo raso e
inevitável do vento ascendente nas colinas, chamado vento anabático ou vento antivale. Ao mesmo tempo, a temperatura
do vale aquece mais rapidamente que a da planície fora do vale, causando um fluxo do ar entrando no vale. Esse
fenômeno do vento soprando da planície ao vale é chamado vento do vale (figura 8.19). O padrão do vento depende da
orientação e a geometria do vale. O sistema do vento bem desenvolvido pode acontecer em um vale profundo, reto e
orientado no eixo de norte-sul. Normalmente, a brisa do vale tem a velocidade de 2 a 4 m s−1 com o valor máximo na
altura de 20 a 40 m acima da superfície. No topo das montanhas, as correntes do vento antivale sopram do vale para a
planície que completa o sistema de circulação local fechada, e pode desenvolver as nuvens anabáticas no topo das
montanhas. Portanto, nos vales tropicais, o topo das montanhas tem a pluviosidade mais alta.

Figura 8.19 – Vento do vale no dia. Fonte: (OKE, 1987).

•   Vento de Montanha

À noite, o ar na superfície do vale esfria rapidamente por causa da perda de radiação onda longa. O ar nas
superfícies das colinas do vale esfria e drena ao longo das superfícies das colinas para o fundo do vale (figura 8.20). Esse
vento é chamado vento katabásico ou vento antimontanha que geralmente corre nas colinas com a velocidade de 2 a 3 m
s−1. Mas a velocidade pode aumentar quando a camada de ar frio é muita densa e o declive é muito longo. A
convergência dos ventos para o fundo no centro do vale resulta em movimento de ar frio que drena na direção para fora
do vale, chamado vento da montanha.

•   Inversão do vale

Durante a noite, o ar frio no topo da montanha drena para o vale. Antes de o Sol nascer, a temperatura no fundo do
vale é mais baixa, o que resulta em uma inversão térmica. As ondas gravitacionais no topo do poço durante a ocorrência
da inversão do vale acontecem quando o ar nas colinas não é mais frio que o ar no fundo e o movimento da drenagem do
ar é suficiente para gerar a mistura turbulenta. O ar drenado para o vale fica oscilando e ao se misturar com o ar frio do
poço resulta nas misturas turbulentas e forma as nuvens onduladas, conhecidas como as ondas de nuvens gravitacionais.

•   Bolsões de geadas

O ar mais frio e denso que se situa nos níveis mais baixos do vale resulta na baixa temperatura do fundo do vale,
fato que favorece a ocorrência de geadas, os chamados bolsões de geadas.

•   Cinturão térmico

O processo do ar frio drenando para o fundo do vale pode enfraquecer quando o ar nas colinas ficar mais longe do
fundo do vale. Existe uma faixa nas colinas em que a temperatura do ar é mais alta que no topo da montanha e também
mais alta que no fundo do vale. Essa faixa de temperatura mais alta é chamada cinturão térmico, que fornece as
condições mais favoráveis para os habitantes e as culturas mais sensíveis aos danos de geadas.

8.6.4 Métodos de estimativa de evapotranspiração

O fluxo de ET envolve um processo complexo de balanço de energia da superfície terrestre (equação 8.56). A
radiação líquida (Rn) recebida pela superfície é decomposta em três componentes: fluxos de calor sensível ao ar (H), de
calor latente ou evapotranspiração (LvE ou ET) e de calor ao solo (G). Ressalta-se que cada método tem suas vantagens e
desvantagens. O importante é usar aquele que alcance o objetivo de aplicação, dependendo da acurácia requerida, a
conveniência e o custo. Por exemplo, para o planejamento da irrigação regional e o desenvolvimento dos recursos
hídricos, método de estimativa de ET mensal ou anual já é suficiente. O erro em torno de 15% a 25% é considerado
aceitável. Por outro lado, o planejamento da freqüência e da quantidade de água no sistema de operação da irrigação,
método de estimativa de ET para o período de três a dez dias com índice de erro menor que 15% é requerido. No caso de
pesquisa direcionada para estudar os efeitos de déficit hídrico no desenvolvimento de cultura, método de estimativa de
ET para o período de algumas horas a dois dias com índice de erro menor que 10 % é requerido. Por conveniência, os
métodos de estimativa de ET são classificados em três categorias: métodos de balanço hídrico, micrometeorológicos e
empíricos. Os métodos de balanço hídrico serão apresentados no Capítulo 9. Os métodos de balanço hídrico e
micrometeorológicos requerem os dados micrometeorológicos observados na região específica. Nesta seção, são
apresentados os métodos de lisímetro, empírico e micrometeorológico. Os métodos empíricos são baseados nos dados
meteorológicos observados nas estações meteorológicas e dados de radiação solar extraterrestre.

8.6.4.1 Método de lisímetro

 O método de lisímetro é o único que permite as estimativas de todos os termos na equação de balanço hídrico com
uma acurácia maior que 99 % dependendo de construção e instalação adequadas. Portanto, o método de lisímetro é o
método freqüentemente usado para a calibração dos demais métodos nas estimativas de ETP, ETM e ETR. O lisímetro é
uma medida que contém um volume de solo com vegetação, isolado hidrologicamente do solo da redondeza, mas ficando
no meio de uma plantação ideal, no sentido de condições ideais para as medições micrometeorológicas. As
características físicas e composições do solo dentro de um lisímetro devem manter as mesmas condições do solo natural
fora dele. Essa tarefa não é fácil de cumprir. Portanto, o método requer as técnicas rígidas e instrumentos sofisticados
para aplicá-lo (ROSENBERG, 1983). Algumas precauções devem ser consideradas na construção e operação do
lisímetro, listadas a seguir:

a)   profundidade de lisímetro – deve ser suficiente para evitar a limitação do crescimento de raízes, mas não pode
ser tão profunda a ponto de aumentar o custo da construção e fazer com que o excesso de volume possa
diminuir a acurácia;
b)   a profundidade é considerada adequada quando a profundidade de raízes dentro de um lisímetro for igual à de
fora;
c)   um bloco de solo cortado inteiramente no campo e transferido para o lisímetro será a técnica ideal;
d)   as condições térmicas dentro de um lisímetro devem ser iguais às condições fora dele, especialmente nas
paredes, evitando os espaços vazios entre as paredes e o solo no campo.

Vários tipos de lisímetro foram construídos, mas os mais usados são:

a)   lisímetro de percolação – a técnica é coletar a quantidade de água dentro de uma área isolada. O método
geralmente é aplicado no estudo da erosão em escala maior. A freqüência de coletar os dados é de uma semana
até um mês. A acurácia é bem grosseira;
b)   lisímetro de pesagem mecânica – este tipo de lisímetro é considerado como um lisímetro padrão. A ilustração
do tipo de lisímetro chamado van Bavel-Meyers, modificado por Rosenberg e Brown (1970), pode ser
encontrada na publicação do Rosenberg (1983). A acurácia atinge 0,01 mm de teor de umidade da água. A
medição pode ser feita para o período de uma até 24 horas;
c)   lisímetro flutuante – é geralmente mais simples e menos preciso, comparando-se com o de pesagem. Esse
lisímetro consiste em bases de cerâmica porosa, que mantêm a umidade do solo na capacidade de campo (em
cerca de – 0,3 bares), por meio de um tubo que drena o excesso de água;
d)   lisímetro hidráulico – O lisímetro é assentado sobre uma câmara de água. A mudança de pressão da água
dentro da câmara varia em função do peso do lisímetro. A acurácia pode chegar ao 0,01 mm, mas a calibração
de câmara hidráulica é um processo difícil e trabalhoso.

8.6.4.2 Métodos empíricos

Os métodos empíricos incluem os de Thornthwaite (THORNTHWAITE; HOLZMAN, 1942), de Jensen-Haise

(JENSEN; HAISE, 1963), de Hargreaves (1974), de Blaney-Criddle (1950), de Radiação e de Tanque Classe A
(DOORENBOS; PRUITT, 1977).

•   Método de Thornthwaite

Ess método é proposto por Thornthwaite e Holzman (1942). É um método mais simples. Calcula-se a estimativa
de ETP em função da temperatura do ar e um índice de calor, I, que converte a energia de calor em calor latente pelo
processo de evaporação. O método é de boa acurácia na estimativa de ETP mensal.

Em que:  
ETP = evapotranspiração mensal (mm/mês);
T = temperatura média mensal em °C;
Iano = índice de calor anual (o somatório de 12 índices mensais de I);
a = 6,75×10−7×I3 – 7,71×10−5×I2 −1,792×10−2xI – 0,49239.

A tabela 8.18 é utilizada para obter os valores mensais de I, correspondendo às temperaturas mensais, usados para
calcular a taxa de ETP pela equação (8.92) do método de Thornthwaite (THORNTHWAITE; MATHER, 1957).

O valor de I pode ser calculado pela equação a seguir:

 •   Método de Jensen-Haise

Jensen e Haise (1963) resumiram os dados de ETP coletados nos estados do oeste dos Estados Unidos e
desenvolveram um modelo de ETP em função da temperatura e radiação solar extraterrestre. O modelo funciona bem nas
condições atmosféricas não advectivas. A equação (8.94) estima a ETP em função de temperatura e radiação solar
extraterrestre (Ra). A tabela 8.19 apresenta o valor de Ra (mm/dia) em função de latitude para os Hemisférios Norte e
Sul.

Em que:  
ETP = evapotranspiração mensal (mm/dia);
T = temperatura em °F;
Ra = radiação solar extraterrestre, W/m2.

•   Método de Blaney-Criddle

Blaney e Criddle (1950) desenvolveram um modelo de estimar a taxa de ETP em função da temperatura média e
um fator p. O valor de p é a porcentagem de horas diurnas diarias de um determinado dia em relação às horas diurnas
totais de um ano que se varia em função de latitude e mês. A equação (8.95) representa o cáculo de ETP. O coeficiente c
na equação representa um fator que corrige os efeitos de umidade relativa mínima, vento diurno e horas de brilho. Os
valores de p e c podem ser encontrados na publicação da FAO (DOORENBOS; PRUITT, 1977). O método é
relativamente simples e com boa acurácia. São usados freqüentemente. O método só requer os dados de temperatura do
ar.
Tabela 8.18 – Valores mensais de I correspondendo às temperaturas médias mensais usados para calcular a taxa de ETP pela equação
(8.92) do método de Thornthwaite. Fonte: (THORNTHWAITE; MATHER, 1957).
Tabela 8.19 – Radiação solar extraterrestre (mm/dia) em função de latitude nos Hemisfério Norte e Hemsfério Sul. Fonte:
(DOORENBOS; PRUITT, 1977).
 Em que:  
ETP = evapotranspiração referêncial (mm/dia);
p = a porcentagem de horas diurnas diárias de um determinado dia em relação às horas
diurnas totais de um ano que varia em função de latitude e mês. (DOORENBOS;
PRUITT, 1977);
T = temperatura (°C);
c = o fator corrigido com os efeitos de umidade relativa mínima, vento e nebulosidade,
encontram-se os valores na publicação da FAO (DOORENBOS; PRUITT, 1977).

•   Método de Hargreaves

Hargreaves (1974) argumentou que a taxa da ETP é afetada pela umidade do ar especialmente nas regiões áridas e
semi-áridas, tal como a região semi-árida no Nordeste Brasileiro. Incorporou um coeficiente (Coefficient Humidity –
CH) para reajustar o efeito da umidade do ar na ETP. Portanto, apresentou a equação (8.96) para estimativa de ETP. O
fator mensal de latitude (Monthly Factor – MF) é usado para estimar evapotranspiração potencial que varia com a
radiação solar extraterrestre, comprimento do dia, ângulo do Sol e latitude. Os dados de MF podem ser encontrados na
tabela 8.20. O programa do cálculo de ETP escrito em linguagem Fortran está listado no Anexo 8A no final deste
capítulo.

Em que:  
ETP = evapotranspiração mensal (mm/mês);
MF = fator mensal de evapotranspiração potencial em função de latitude que varia com a
radiação solar extraterrestre (RMM), comprimento do dia, ângulo do Sol e latitude;
TMF = temperatura média em °F;
CH = 0,158 (100 - HM)½;
HM = umidade média mensal.

O valor de 0,158 é derivado para as condições tropicais do Brasil. A unidade de TMF é em (°F). Os dados com a
temperatura em °C devem ser convertidas para °F na equação (8.96).
Tabela 8.20 – Dados do fator mensal de latitude (Monthly Fator – MF) usados para estimar evapotranspiração potencial pelo método de
Hargreaves. Fonte: (HARGREAVES, 1974).
 •   Método de Radiação

A evidência experimental sugere que a maior parte da energia da evapotranspiração é originada da radiação solar
incidente, até mesmo para as regiões semi-áridas (TANNER; LEMON, 1962). Pela regressão linear, a ETP em função da
radiação solar pode ser obtida pela equaçõão (8.97). O coeficiente c é um fator para corrigir os efeitos de umidade
relativa média e a velocidade do vento na estimativa de ETP em funçao de radiação solar (Rs). O w representa um peso
que conta os efeitos de temperatura e altitude na ETP. A equaçao (8.98) estima a radiação solar em função de radiação
solar extraterrestre (Ra, tabela 8.19). O termo n/N é a porção de horas de brilho (n) dividida pelo valor máximo de horas
de brilho do dia de uma determinada latitude (N). Os valores de a, b, c e w de uma determinada localidade em um
determinado mês podem ser encontrados na publicação da FAO (DOORENBOS; PRUITT, 1977). Mas, em geral, os
valores de a de 0,25 e b de 0,50 podem ser aplicados para a maioria das regiões sem os valores determinados em campo.
A tabela 8.21 fornece os valores de N em função de mês e latitude (DOORENBOS; PRUITT, 1977).

Em que:  
ETP = evapotranspiração potencial (mm/dia);
Rs = radiação solar em (mm/dia);
c = fator corrigido pela umidade relativa média e a velocidade do vento diurno na altura de
2 m;
W = peso que depende da temperatura e da altitude (DOORENBOS; PRUITT, 1977);
aeb = coeficientes de local dependente (STANHILL, 1961; TANNER, 1967);
n = horas de brilho do dia;
N = horas máximas de brilho do dia de uma determinada latitude.
Ra = radiação solar extraterrestre.

Tabela 8.21 – Valores de N para cada mês de uma determinada latitude, usados para o cálculo de ETP pelo método de radiação. Fonte:
(DOORENBOS; PRUITT, 1977).
 •   Método de Tanque Classe A

Na estação meteorológica padrão, geralmente existe o Tanque Classe A, que mede a demanda de evaporação
atmosférica. A taxa de evaporação pela superfície de água no tanque é geralmente maior que a ETP pelas gramas curtas.
Um coeficiente chamado kp é introduzido para correlacionar os dados obtidos pelo tanque classe A e ETP de uma região
específica. A equação (8.99) calcula ETP pelo Tanque Classe A. O valor do kp varia de 0,4 ao 0,85 dependendo das
condições de vento, umidade relativa, posição do instrumento e superfície do solo nu ou com as gramas bem uniformes
com altura de 8 a 15 cm.

Em que:  
ETP = evapotranspiração potencial (mm/dia);
Kp = coeficiente do Tanque Classe A;
Etca = evaporação do Tanque Classe A (mm/dia).

8.6.4.3 Métodos micrometeorológicos

Os métodos micrometeorológicos fornecem, além da medição do fluxo de vapor da água, os fluxos de calor
sensível e CO2 em uma freqüência de alguns minutos. Os métodos micrometeorológicos tais como balanço de energia
conhecido como método de Penman (PENMAN, 1948), aerodinâmico (LEMON, 1960), correlação de redemoinhos
(Eddy Correlation) (DESJARDINS; Lemon, 1974), transporte de massa, resistência elétrica e Penman modificado têm os
erros abaixo de 10% e são considerados aceitáveis. Para realizar os experimentos de medições de taxa de ETP ou ETR
pelos métodos micrometeorológicos, exige-se um campo extenso plano e horizontalmente uniforme, propriamente dito,
um campo micrometeorologicamente ideal, fundamental para obter os dados representativos e realizar os experimentos
com boa acurácia.
Para aplicações dos métodos micrometeorológicos, as definições dos vários termos, tais como velocidade de
fricção, perfil do vento logarítmico, rugosidade, deslocamento do plano da superfície e outros, precisam ser introduzidas
para entender melhor os métodos empregados para estimativa de ETP ou ETR principalmente.
Velocidade de fricção (u*) é definida pela raiz quadrada da razão do estresse de deslizamento (τo) e densidade do
ar (ρa) que é representada pela equação (8.100) a seguir:

Em que:  
u* = velocidade de fricção;
τo = estresse de deslizamento;
ρo = densidade do ar.

Perfil do Vento Logarítmico – Sob as condições atmosféricas neutras e estáveis e o vento soprando acima de uma
superfície relativamente suave, plana e aberta, o perfil da velocidade média do vento pode ser representado pela função
logarítmica da altura acima da superfície. Imaginando-se o vento soprando acima de uma plantação de milho, diminui
sua velocidade quando soprando próxima a copa do milho. Por causa da rugosidade da superfície da plantação do milho,
a velocidade alcança zero na altura pouco abaixo da altura do milho. Isto quer dizer que o vento penetra um pouco no
topo da plantação de milho e pára a uma certa altura. A profundidade da penetração do vento depende da rugosidade da
copa ou densidade da plantação de milho (espaçamentos de fileiras e entre fileiras). O vento nunca penetra até a
superfície do solo porque plantas do milho formam uma camada de obstáculos. Portanto, o plano da superfície desloca-se
até uma certa altura e o vento turbulento cessa seus efeitos. O deslocamento deste plano é chamado deslocamento de
plano zero (d). A equação (8.101) representa o perfil típico da velocidade do vento em função logarítmica de altura (z),
rugosidade (zo) e deslocamento do plano zero (d) que é ilustrada pela figura 8.21a. A figura 8.21b mostra o
procedimento de obter os valores de d e zo usando os dados obtidos em experimento. Por meio da plotagem de loge(z-d)
contra U(z) e reajuste dos valores de d para obter uma linha reta que intercepta o eixo do loge(z-d). O valor interceptado
no eixo loge(z-d) é igual loge(zo) e o valor de d é o valor da linha reta que se usa para a plotagem (THOM, 1975).
Garratt (1980) apontou que o perfil do vento logarítmico não se representa bem nas superfícies com alta rugosidade, tal
como florestas.

Em que:  
U(z) = velocidade de vento em função na altura Z;
u* = velocidade de fricção;
k= constante von Karman que tem o valor em cerca de 0,41;
z = altura acima da superfície;
zo = rugosidade;
d = deslocamento do plano zero.

•   Método de transporte de massa

Dalton, aproximadamente em 1880 (ROSENBERG, 1983), sugeriu que a taxa de evaporação pode ser calculada
pela diferença da pressão do vapor da água, representada pela equação (8.102).

Tabela 8.21 – Valores de N para cada mês de uma determinada latitude, usados para o cálculo de ETP pelo método de radiação. Fonte:
(DOORENBOS; PRUITT, 1977).

Em que:  
ET = evapotranspiração;
eo = pressão de vapor da água na superfície;
ea = pressão de vapor da água;
C = um coeficiente empírico em função do vento.

Penman (1948) aplicou o argumento do Dalton e apresentou uma equação (8.103) para calcular ET que é
representada a seguir:
 U2 é o vento na altura de 2 metros. O método foi aperfeiçoado pela incorporação dos coeficientes empíricos, tais
como apresentados por Brutsaert e Yu (1968). O método funciona bem em relação à estimativa da evaporação nas
superfícies de água e lagoas, mas não funciona bem em relação às superfícies de solo nu e vegetação, especialmente
quando a umidade do solo abaixa ao nível da saturação ou as vegetações sofrem estresse hídrico (BLAD; ROSENBERG,
1974).

•   Método aerodinâmico

Thornthwaite e Holzman (1942) foram os primeiros micrometeorologistas a aplicarem o método aerodinâmico nas
medições de ET. Depois deles, vários pesquisadores incorporaram as correções para as diferentes estabilidades
atmosféricas para medir o fluxo de vapor (PASQUILL, 1950; MUNN, 1961; DYER, 1974). O método aerodinâmico
requer estritamente as medições precisas dos parâmetros, tais como velocidade do vento, pressão de vapor da água e
temperatura nas várias alturas, que permitem a identificação das condições de estabilidade atmosférica para que sejam
corrigidas. Na década de 1960, os engenheiros agrônomos começaram a fazer medições de fatores ambientais que afetam
a produtividade das culturas agrícolas. Tanner, na Universidade de Wisconsin, Medison, Estado de Wisconsin, USA,
desenvolveu o método de Razão de Bowen validado pelo lisímetro. Lemon (1960), na Universidade Cornell, Ithaca,
Estado de New York, USA, desenvolveu um sistema de medições pelo método de aerodinâmico, utilizando 100 sensores
(dez sensores orientados horizontalmente e dez sensores nas dez alturas) conectados pelos tubos que coletam as amostras
para medições de concentração de vapor de água, CO2 e pelos cabos para medições de temperatura, velocidade e direção
do vento em uma plantação de milho. Os dados foram gravados em um computador central instalado em uma casa
móvel. O sistema foi considerado padrão e foram realizados vários experimentos em vários países. O método também é
chamado de método de perfil. A equação (8.104) representa o cálculo da ETR pelo método aerodinâmico.

Em que:  
ρa = densidade de massa do ar, g/cm3;
Lv = 585 cal/g na 25 °C, 592 cal/g na 20 °C; Lv =(606,5 – 0,685×T°C), cal/g;
k = 0,41 que é o constante von Karman;
h = 0,622 que é a razão de H2O/ar, (18/28 = 0,622);
P = pressão total do ar em mbar;
e2, e1 = pressão de vapor da água nas duas alturas, em mbar;
u2, u1 = velocidade de vento na altura 1 e 2, cm/s;
z2, z1 = as duas alturas 2 e 1, em cm;
d = deslocamento do plano zero em cm.

Stanhill (1961) apresentou uma equação para calcular a distância do deslocamento do plano d em função da altura
da vegetação (h) que é apresentada pela equação a seguir:

Ψ12m, Ψ12e = funções para calcular as forças do movimento e vapor, respectivamente.

Sob três condições da estabilidade atmosférica:

 a)   condição neutra:

b)   condição instável:

Em que:  
u* = velocidade de fricção;
T = temperatura;
k = 0,41 que é o constante von Karman;
g = aceleração gravitacional, 981 cm/s2;
w’q’ = média de transporte instantâneo de calor ou temperatura vertical.

Em que:  
τ = estresse de deslizamento;
km = u’w’ / (du/dz);
u’w’ = transporte instantâneo de movimento vertical;
du = média de velocidade em função de dz;
dz = aumento de altura.
c)   condição estável:

•   Método de correlação de redemoninhos

O método de Correlação de Redemoninhos (Eddy Correlation), mede diretamente os fluxos turbulentos dentro da
camada limite entre a superfície terrestre e a atmosfera. O método calcula os fluxos de vapor de água (LE), calor sensível
(H) e gás carbono (CO2), associados com a velocidade vertical instanânea (w’) de movimentos dos redemoninhos
ocorrendo na camada transitória entre a vegetação e a atmosfera ou entre o ar e as superfícies das folhas dentro da copa
de vegetação. Os fluxos verticais de w’, LE, H e CO2 são calculados como a covariância da flutuação da velocidade
vertical instantânea com a variação local em escala pequena. A equação (8.115) representa a estimativa do fluxo de LE
por esse método. As equações para calcular os fluxos de H e CO2 são semelhantes à equação (8.115), somente substuir o
parâmetro LE pelo o de interesse (H ou CO2)
 Em que:  
ρ = densidade do ar;
q' = fluxo de umidade específica instantânea, g H2O / g ar;
w’ = velocidade vertical instantânea, cm/s.

A barra representa o fluxo médio;

A vírgula representa a velocidade instantânia de vórtice turbulento pequeno.

O fundamento teórico do método de Correlação de Redemoninhos foi estabelecido por Sir Osborne Reynolds
(REYNOLDS, 1895). A medição dos fluxos instantâneos reqerem os sensores de alta sensibilidade de resposta temporal.
Porém, por causa da limitação instrumental, a aplicação do método só foi possível até 1926 (Scrase 1930). Os primeiros
estudos, que incluíam anemômetros de resposta rápida e computadores digitais, foram realizados em áreas onde a
vegetação é uniforme verticalmente e com as condições atmosfericas estáveis (SWINBANK, 1951; LETTAU;
DAVIDSON, 1957; HAUGEN; KAIMAL; BRANDLEY, 1971; BUSINGER et al., 1971). Estudos pioneiros foram
realizados nas plantações florestais são apresentados por Denmead (1969), Baumgartner (1969) e Jarvis et al. (1976).
Desjardins e Lemon (1974) desenvolveram um sistema de medição de fluxos verticais de w’, CO2 e H usando um
anemômetro de fio quente para medir a velocidade do vento horizontal e um sensor de vento do protótipo vertical para
medir os fluxos verticais de H e CO2, em função de os sensores não responderem suficientemente rápidos para detectar
as flutuações pequenas e rápidas dos redemoninhos. O método não foi usado para estimativa de ET. Somente depois da
disponibilidade dos sensores de resposta rápida, incluindo anemômetros sônicos, higrômetros e espectrômetros de
infravermelho, o método tornou-se popular.
Os primeiros estudos usando os sensores sônicos foram reportados por Verma et al. (1986) e Shuttleworth et al.
(1984). Wofsy et al. (1993) realizaram o primeiro estudo em medir fluxos turbulentos de CO2, LE e H no período de um
ano. No Brasil, o monitoramento desses fluxos pelo método de Correlação de Redemoninhos foi iniciado pelo projeto
Anglo-Brazilian Amazonian Climate Observation Study (ABRACOS). Os resultados do ABRACOS (GASH et al., 1996)
estão disponíveis no site: (ftp://lba.cptec.inpe.br/lba_archives/Pre-lba/abracos/book). Em 1994, a NASA lançou um
projeto chamado FLUXNET, uma rede internacional para o monitoramento dos fluxos diários de CO2, LE e H da
superfície terrestre. A rede consiste de 200 torres micrometeorológicas com os sensores de anemômetros sônicos,
higrômetros e espectrômetros de infravermelho, instaladas nos diversos ecossistemas do globo (BALDOCCHI et al.,
2001). Os dados estão disponíveis no site: (http://www.fluxnet.oml.gov/fluxnet). O Brasil faz parte desta rede pelo
projeto Large Scale Biosphere Atmosphere Experiment (LBA). O experimento é localizado na Bacia Amazônica. (LBA,
1996; AVISSAR et al., 2002; KELLER; COAUTHORS, 2004). As informações sobre o projeto LBA podem ser
acessadas no site: (http://lba.cptec.inpe.br/lba/).

•   Método de Razão Bowen

Bowen (1926) argumentou que o processo da evaporação e difusão de vapor da água de uma superfície de água ao
ar acima dela era exatamente semelhante à condução ou difusão da energia de calor específico da superfície de água ao
ar. Por causa dessa semelhança, é possível representar uma razão de perda de calor pela evaporação descrita pela
equação (8.116). Essa relação entre o fluxo do calor latente (LE) e o fluxo do calor sensível (H) foi posteriormente
chamada Razão Bowen (β).

Em que:  
β = Razão Bowen;
Tw = temperatura no contacto da superfície da água;
Pw = pressão no contato da superfície da água
Ta = temperatura do ar acima;
Pa = pressão do ar acima;
P/760 = correção de pressão referida à pressão no nível do mar de 760 mm Hg.

A equação (8.116) converte exatamente a perda da temperatura (perda de energia de calor) pela vaporização (perda
de água pela evaporação). A determinação da evaporação de uma superfície da água é em termo da radiação líquida
absorvida pela água e o calor armazenado na água. Posteriormente, o método de estimativa de evaporação baseada no
balanço da energia da superfície foi nomeado como método de Razão Bowen.
 Em que:  
ET = evapotranspiração;
Rn = radiação líquida;
S = calor sensível ao solo;
ΔT = gradiente da temperatura em duas alturas;
Δe = gradiente da concentração de vapor em duas alturas;
β = Razão Bowen;
γ = Cp P / Lvh = 0,66 (constante psicrométrica);
Cp = capacidade calorífica do ar;
Lv = (606,5 – 0,685×T°C), cal/g;
Lv = 589,2 cal/g na 25 °C, 592,5 cal/g na 20 °C;
h = 0,622 que é a razão de H2O / ar, (18/28 = 0,622);
P = pressão total do ar em mbar.

O parâmetro γ é o constante psicrométrico, 0,66 mbar °C−1 nas condições 20 °C e 1000 mb.
Os valores de
β < −1 inversão térmica
β entre 0,2 a 0,3 superfície úmida
β entre 0,7 a 1,0 umidade média
β > 1 superfície seca

O método de Razão Bowen tem certas vantagens distintas para medição de ETR em campo. Os instrumentos
requeridos são simples e não necessitam de sensores com resposta rápida porque o fluxo médio de 15 minutos a uma
hora é adequado para obter bons resultados. Entretanto, é importante que os sensores sejam calibrados entre si, porque os
gradientes de ΔT e Δe são muito pequenos. Tanner (1963), Pruitt e Lourence (1968) e Denmead e Mcllroy (1970) se
dedicaram ao desenvolvimento dos sensores do sistema de medição de ET pelo método de Razão Bowen. Observaram
que os resultados foram satisfatórios comparando-se com os métodos de lisímetro. Mas Blad e Rosenberg (1974)
apontaram que o método subestimou o fluxo de ETR quando ocorre condições advectivas locais.

•   Método análogo de resistência elétrica

O método análogo de resistência elétrica considera que o transporte do vapor está diretamente ligado ao gradiente
da concentração de vapor entre a superfície de água e o ar acima. O transporte de vapor sofre resistência do ar e da
vegetação. Monteith (1963) propôs usar essas duas resistências em vez de um coeficiente C em função do vento na
equação (8.102). O uso do análogo de resistência elétrica na estimativa de fluxo de calor sensível e calor latente foram
criticados por Philip (1957) e Tanner (1963). Apontaram que as fontes e receptores dos fluxos de calor sensível e calor
latente são diferentes. Portanto, os mesmo valores de resistência de ar e vegetação não podem ser usados. Brown e
Rosenberg (1973) posteriormente propuseram um modelo de resistência elétrica mais complexo, que considera as
resistências em função dos fatores meteorológicos e da planta, representado pela equação (8.119). O modelo foi validado
pelo método de lisímetro e obteve uma acurácia de 10% a 15% (VERMA; ROSENBERG, 1977).

Em que:  
ea e ess = pressão de vapor no ar e pressão de vapor de saturação na superfície;
ra e rc = resistência do ar e resistência da copa de vegetação;
γ = Cp P / Lvh = 0,66, constante psicrométrica;
 ρa = densidade de massa do ar, g cm−3;
Cp = capacidade calorífica do ar.

•   Método de Penman

O método de Penman é uma combinação dos métodos de balanço de energia e aerodinâmica. O método é o mais
popular e largamente usado para estimar ETP. O procedimento do cálculo pode ser encontrado na publicação por
Doorenbos e Pruitt (1977). O método de Penman foi avaliado por vários pesquisadores com uma acurácia dentro de 15%
de erro. O método não pode ser aplicado nas condições advectivas locais como o método de Razão Bowen.
Posteriormente, Cull, Smith e McCaffery (1981) apresentaram uma forma modificada usando uma função do vento para
as regiões semi-áridas que funcionou bem nas regiões advectivas.

Em que:  
w = peso que varia com a temperatura e latitude;
Rn = radiação solar líquida, mm/dia;
es e ea = a pressão de vapor saturada e a pressão do ar, mbar;
c = fator corrigido para compensar os efeitos climáticos do dia e da noite;
f (u) = 0,27 (1 + U2 / 100), U2 é vento na altura de 2 metros.

Em que:  
de = es – ea;
dT = a diferença de temperatura do ar e temperatura do ponto da saturação.

Em que:  
Rn = radiação líquida;
Roc = radiação solar onda curta;
Rol = radiação solar onda longa.

Em que:  
Rs = radiação solar;
Ra = radiação solar extraterrestre.
Roc = radiação solar onda curta;
n/N = razão de horas de brilho divididas por horas de brilho máximo do dia;
α = albedo, para a maioria das culturas, α é de 0,25.
Roc = 0,75 Rs(No caso o valor do α é 0,25).

Os valores de w, (1–w), Ra, f(T), f(ea) e f(n/N) podem ser encontrados na publicação da FAO (DOORENBOS;
PRUIT, 1977). É importante apontar, também, que um programa computacional em linguagem FORTAN foi
desenvolvido por Gupta et al. (1977) para calcular os valores diários, semanais e mensais da ETP referencial pelos
métodos de Radiação, Blaney-Craddle, Penman e Tanque Classe A. O programa pode ser encontrado no anexo da
publicação da FAO (DOORENBOS; PRUIT, 1977).

•   Método de Penman simplificado

Jackson et al. (1977) simplificaram o método de Penman que estima ET em função de Rn e o gradiente da
temperatura entre o ar e a superfície. Por causa da dificuldade da medição da temperatura da superfície, o gradiente da
pressão do vapor foi introduzido na equação (8.126) para estimar ET diretamente.

Em que:  
ET = evapotranspiração em mm/dia;
Ea = 0,35(es – ea)(1 + U2 / 100), em mm/dia`;
Rn = radiação líquida, em mm/dia;
m = declividade da curva de pressão de vapor na temperatura média no ar Ta (°F).

•   Método de Penman modificado por Montieth

Monteith (1963) introduziu os termos de resistência no método do Penman. A equação (8.127) mostra os termos
de resistência, incluindo resistência estomatal ou resistência da vegetação (rs) e resistência do ar (ra) introduzidos na
parte aerodinâmica da equação do Penman. O método funcionou bem na estimativa da ETR nas plantações de culturas e
florestas. Mas requer os dados de rs e ra, que não são simplesmente disponíveis (SLABBERS, 1977; CALDER, 1977).

Em que:  
ET = evapotranspiração, em cal cm −2 min−1 ou mm min−1;
Δ = de/dT, o declive da pressão de vapor saturada entre a superfície e o ar;
Rn = radiação liquida, cal cm−2 min−1;
G = fluxo de calor ao solo, cal cm−2 min−1;
ea = pressão de vapor no ar, mb;
es = pressão de vapor de saturação na superfície, em mb;
ra = resistência do ar, s cm−1;
rc = resistência da copa de vegetação, cm−1;
γ = Cp P / Lvh = 0,66.

•   Método de Penman-Brustaert

O método de Penman modificado por Brutsaert que incorpora as condições de estabilidade atmosférica (KATUL;
PARLANGE, 1992). Portanto, a equação do Penman foi modificada pela introdução do parâmetro de estabilidade (Ea)
na parte aerodinâmica. As equações representam os cálculos de ET pelo método de Penman-Brutsaert.

Em que:  
w =

k = 0,4;
 u* = [(t0)/(r)]½;
q* = umidade específica saturada;
qa = umidade específica do ar;
z = altura da camada acima da superfície;
z ov = comprimento de rugosidade da superfície;
d ov = distância do deslocamento do plano da vegetação;
u* = velocidade de fricção;
ψv = a função de correção da estabilidade atmosférica.

Szeicz, Endrodi e Tajchman (1969) propuseram uma equação para calcular o comprimento de rugosidade da
superfície (zov) em função da altura de vegetação (h) que é apresentada a seguir:

O ψv é a função de correção da estabilidade atmosférica de acordo com a similaridade de Monin-Obukohov que é

em função de (z – dov)/L,

Em que:  
L = comprimento Monin-Obukohov;
L < 0, condição atmosférica instável;
L > 0, condição atmosférica estável;
|L| ≥ 100, condição atmosférica neutra.

Em que:  
Ta = temperatura do ar;
Cp = capacidade calorífica do ar;
E = evaporação.

Hv é o fluxo de calor sensível verdadeiro na superfície.

V = velocidade média horizontal que é usada para obter u*.

Condição atmosférica estável:

yv = ym = −5ln[(z – do) / (zo)], caso 1 < y ≤ 10(8.135)

Condição muito estável:

 Em que:  
zo+ = número Reynolds de rugosidade;
ν = viscosidade cinética.

Instável:

Primeiramente, o valor de L é obtido na condição neutra. Depois o sistema é repetido com as correções estáveis até
a estimativa de ET ser convergida. Em geral, após seis passos, a ET é convergida com a acurácia alcançando 0,1 W m−2.

•   Método de Priestley-Taylor

Priestley e Taylor (1972) argumentaram que a ETP está diretamente ligada à parte da evaporação pela radiação na
equação (8.120) do método do Penman nas condições atmosféricas sem vento advectivo. Portanto, a equação do Penman
foi simplificada sem o termo da parte aerodinâmica que é representada pela equação (8.143). Por causa do valor de α na
equação (8.143) ser obtido empiricamente, o método de Priestley-Taylor é considerado como um método semi-empírico.
Priestley e Taylor validaram o método na estimativa de várias superfícies úmidas e sugeriram que o valor do α ser ao
redor de 1,26, variando de 1,08 a 1,34. Thompson (1975) verificou o valor do α 1,26 para várias superfícies úmidas e
apontou que o método de Priestley-Taylor é muito confiável para a estimativa de ETP nas superfícies úmidas, mas não
recomendou para as regiões áridas, pelo fato de não ter sido validado nas áreas áridas.

Em que:  
ETP = evapotranspiraçao potencial;
α = o peso da parte da radiação pelo método de Priestley e Taylor;
Δ = dT/de, a razão do gradiente de temperatura contra o gradiente de vapor;
γ = constante psicrométrica (0,66);
Rn = radiação líquida;
S = calor sensível ao solo.

•   Método de Van Bavel

Van Bavel (1961) introduziu uma função empírica Bv na equação do Penman e obtiveram bons resultados
comparando com os resultados obtidos pelo método do Penman. Mas Rosenberg (1983) apontou que o Método do van
Bavel foi muito sensível às condições do vento calmo e ao valor do zo que usou.

Em que:  
ET = evapotranspiração, (cal cm−2 min−1);
Bv = função empírica, (g cm−2 min−1 mb−1);
 L = calor latente;
da = déficit de pressão de vapor na altura Za (mb);
Zo e Za = altura do plano zero e altura a;
k = constante Von Karman, 0,41;
Ua = velocidade do vento na altura Za, (m s−1);
P = pressão atmosférica, (mb).
m = declividade da curva de pressão de vapor na temperatura média no ar Ta (°F);
ρa = densidade do ar;
h = razão de H2O/ar (18/28 = 0,622);
γ = constante psicrométrico (0,66);
Rn = radiação líquida;
S = calor sensível ao solo.

McKenney e Rosenberg (1993) apresentaram a avaliação da sensibilidade dos oito métodos alternativos de
estimativa de ETP em relação às mudanças climáticas nas cinco regiões da Grande Planície dos Estados Unidos. Os oito
métodos incluem: Thornthwaite, Blaney-Criddle, Hargreaves, Samani-Hargreaves, Jensen-Haise, Prestley-Taylor,
Penman e Penman-Monteith. Nas figuras 8.22 mostram-se os resultados da comparação da sensibilidade dos oito
métodos de estimativa da ETP total anual causada pelas mudanças climáticas interanuais simuladas pelo modelo de
circulação geral (General Circulation Model – GCM) no Instituto Godard de Estudos Espaciais (Goddard Institute for
Space Studies – GISS). Apontaram que os métodos responderam, em alguns casos, com grandes diferenças em relação à
sensibilidade quanto às variações climáticas e temperaturas que foram afetadas pela localidade e pelos fatores climáticos
nos diferentes períodos do ano. As estimativas de ETP pelos métodos inadequados podem implicar a estimativa de
escoamento superficial e sua conseqüência pode comprometer o balanço hídrico de uma bacia hidrográfica.
Especialmente nas regiões mais áridas, a taxa de ETR é inferior à ETP, a estimativa inadequada da ETP pode intensificar
mais o erro da estimativa de taxa de escoamento superficial.
 Figura 8.22 – Comparação da sensibilidade dos oito métodos de estimativa da ETP total anual causada pelas mudanças climáticas
interanuais simuladas pelo modelo de circulação geral, (General Circulation Model – GCM) no Instituto Godard de Estudos
Espaciais (Goddard Institute for Space Studies – GISS). Legenda: Thornthwaite (THOR), Blaney-Criddle (B-C), Hargreaves
(HARG), Samani-Hargreaves (SAM), Jensen-Haise (J-H), Prestley-Taylor (P-T), Penman (PEN) e Penman-Monteith (P-M). Fonte:
(MCKENNEY; ROSENBERG, 1993).

8.6.4.4 Métodos de sensoriamento remoto via satélite

Dentro dos componentes da equação de balanço de energia, albedo, radiação solar, temperatura da superfície são
os parâmetros que atualmente podem ser monitorados pelas técnicas de sensoriamento remoto via satélite com acurácias
satisfatórias. Daughtry et al. (1990) usaram os dados de reflectâncias multiespectrais obtidos pelo espectrorradiômetro a
bordo de um avião para estimativa de radiação líquida e fluxo do calor ao solo e validados com os dados coletados em
campo com os resultados satisfatórios. Os erros de estimativa de radiação líquida foram menor que 7% e os erros de
estimativa do fluxo do calor ao solo foram menor que 13%. Recentemente, pesquisadores tentaram aplicar dados de
satélite para desenvolver métodos alternativos de estimar ET. A estimativa de ET diária via satélite é uma tarefa difícil,
mas é de interesse de muitos pesquisadores. A maioria dos métodos empíricos exige dados de ET medidos na superfície
para estabelecer uma correlação entre os dados observados de ET e os gerados via satélite. Por exemplo, Caselles,
Hurtado e Sobrino (1992) apresentaram uma equação (8.147) de estimativa da taxa diária de ETM.

Em que:  
kc = coeficiente da cultura;
Tamax = temperatura máxima do ar no meio dia via satélite NOAA;
Rs = radiação solar global via satélite NOAA.
 A, B e C são os parâmetros empíricos que deverão ser calibrados para uma região específica (CASELLES;
HURTADO; SOBRINO, 1992).

Os dados de ETM calculado são de local específico. Isto limita sua aplicação para outras regiões. Atualmente,
ainda não existe um método totalmente livre de usar dados observados na superfície (Sellers et al., 1995). O trabalho
mais recente é de Hurtado, Artigao e Caselles (1995) utilizaram os dados do NOAA AVHRR para estimar a
evapotranspiração diária em Albacete na Espanha. Uma equação empírica foi obtida pela correlação da temperatura da
superfície da copa de uma plantação de milho via satélite NOAA com os dados de temperatura do ar e radiação líquida
da estação meteorológica que é representada pela equação (8.148) a seguir:

Em que:  
Ed = evapotranspiração diária, mm/dia;
Rd = radiação líquida = Rn – G, mm/dia;
Bi = um constante semi-empírico que é 0,53 mm/dia/°K;
Ta = temperatura do ar;
Ts = temperatura da superfície.
A acurácia de estimativa pela equação (8.148) é com erro aproximado de 0,9 mm/dia, comparando-se com a
estimativa pelo método de Penman.

Na equação de balanço da radiação líquida (8.56), o G foi estimado como uma porção da radiação líquida:

G = (0,295 – 0,0133×)Rn ou (G = Rn – Rd) na equação (8.148). O valor de X é a razão das reflectâncias de banda
de infravermelho próximo e vermelho, segundo Clothier et al. (1986). Para a cultura de milho do trabalho dele, o valor
de X igual a 14,6 foi usado.
Expressando G em termo de Rd = Rn – G, a equação do balanço da energia da equação (8.56) torna-se:

Nos dias de céu claro, a razão de Hi/Ri ocorre ao meio-dia (i representa o fluxo ao meio-dia) e é próximo à razão
dos fluxos diários totais H/Rd:

Na equação (8.150), o fluxo de calor sensível ao meio-dia, o Hi é:

Substituindo-se as expressões de (8.150), (8.151) e (8.152) na (8.149), obtém-se:

Rd/L é radiação líquida em mm/dia da água, L é calor latente.

Para obter Bi, é necessário determinar Rd, Ri e rai. Uma correlação entre Rd e Ri pode ser obtida pelos dados
medidos no campo ou na estação meteorológica. A resistência do ar, rai, pode ser obtida pela equação (8.88). Ackerman e
Inoue (1994) utilizaram os dados de AVHRR do NOAA para identificar as características da superfície terrestre e das
condições de nuvens. Por essa informação, a técnica da estimativa de radiação líquida com os dados de
espectrorradiômetros do projeto Earth Energy Budget (ERB) foi aperfeiçoada. Kimura e Shimizu (1994) utilizaram a
simulação para estimar os fluxos de H e LE a partir dos dados de temperatura da superfície, mas só funcionou com o solo
nu.
Stewart et al. (1994) compararam os dados de temperatura da superfície terrestre medidas nas oito localidades com
os estimados via satélite e concluíram que a temperatura de brilho ou radiométrica calculada via sensores de satélite não
representa a temperatura aerodinâmica da superfície. Argumentaram também o uso da equação aerodinâmica para a
estimativa do fluxo de calor sensível com o gradiente do calor calculado pela diferença de Ta e Ts subestimou o fluxo.
Sugerem que os dados de NDVI podem ser utilizados para correlacionar com a resistência do fluxo e para melhorar suas
estimativas.
Sandholt e Andersen (1993) apresentaram uma estimativa de ETR pela regressão estatística entre os dados diários
observados no campo e os dados estimados pela equação de balanço de radiação baseados nos dados de radiação líquida
e temperatura da superfície terrestre derivados dos dados de NOAA AVHRR. A equação (8.156) foi apresentada para a
estimativa de evapotranspiração real diária.

Em que:  
ETR = evapotranspiração real;
Rn = radiação líquida;
Tst = temperatura da superfície terrestre;
Ta = temperatura do ar;

a, b são coeficientes obtidos em uma região específica.

Os valores sugeridos para as várias culturas com sua rugosidade Zo obtidos pelos vários pesquisadores são
apresentados na tabela 8.22.
Tabela 8.22 – Constantes utilizados no cálculo da evapotranspiração pelo método de Sandholt e Andersen (1993).
Vegetação a b Zo (cm)
Trigo 0 0,64 0,1
Pastagens 1,0 0,25 0,01
Cerrado −1,18 0,5 0,1

A estimativa de Tst pelo método de Janela Dividida:

Em que:  
T4 = temperatura de brilho do canal 4 do NOAA AVHRR;
T5 = temperatura de brilho do canal 5 do NOAA AVHRR.

Usando as emissividades de 0,96 para T4 e T5, o valor do coeficiente da determinação entre [ET – Rn] e [Tst-Ta]
de 0,74 foi obtido.
Hurtado, Artigao e Caselles (1995) também utilizaram o mesmo método de Sandholt e Andersen para estimar a
taxa de evapotranspiração diária da cultura de milho com os dados de temperatura da superfície obtidos pelo método de
Janela dividida.

Em que:  
ETd = ET diária;
Tsm = Ts máxima na ET máxima.

Em que:  
 ETM = ET máxima = 8,6 mm/dia;
B = 0,53 mm dia−1 °K −1para a cultura do milho;

i representa as medições feitas ao meio-dia.

Os resultados mostraram que o valor médio de Ed foi 4,2 mm/dia com o máximo de 8,6 mm/dia e o mínimo de 1,7
mm/dia e a acurácia com o erro de 0,7 mm/dia. Eymard e Taconet (1995) apresentaram uma revisão geral dos métodos
de estimativa de fluxos de energia da superfície terrestre via satélite. Um modelo chamado Surface Energy Balance
Algorithm for Land (SEBAL), que utilizou mínimo input de dados observados na superfície terrestre, foi proposto
recentemente por Bastiaanssen (1995). Sun et al. (2004) usaram os dados de NOAA AVHRR GAC NDVI total anual
para a estimativa de ET total anual da bacia do rio Amarelo na China com uma acurácia acima de 90%. Esse resultado é
esperado porque o NDVI anual infere bem a precipitação total anual com o coeficiente da correlação obtido acima de
0,98 (PRINCE, 1991). É importante obter um método de estimativa da taxa diária de ETR para fornecer aos agricultores
durante o planejamento de freqüência na aplicação de irrigação. O modelo SEBAL proposto por Bastiaassen (1995) é
considerado o método mais viável. Portanto, o algoritmo do método é apresentado a seguir para que o modelo seja
amplamente usado.

8.6.4.5 Modelo SEBAL na estimativa do fluxo do calor latente

O modelo SEBAL proposto por Bastiaanssen (1995) será aplicado para estimar os fluxos regionais dos parâmetros
de balanço de energia da superfície terrestre via satélite. O SEBAL é baseado principalmente no método
micrometeorológico com os parâmetros gerados com os dados de NOAA AVHRR LAC para calcular os componentes de
fluxos do balanço de energia da superfície terrestre. A estimativa do fluxo de ETR ou evapotranspiração atual (Actual
Evapotranspiration – ETA) é obtida pelo cálculo da equação de balanço de energia que trata o fluxo de ETR como o
termo residual da equação (8.161).

Em que:  
Q* = radiação líquida, (W m−2);
H = fluxo de calor sensível, (W m−2);
Go = fluxo de calor ao solo, (W m−2);
λE* = fluxo de calor latente ou evapotranspiração atual ou real (W m−2).

Em que:  
λEo = evaporação na superfície; λ = Lv = 589,4 cal/g na 25 °C, 592,5 cal/g na 20 °C;
Lv = (606,5 – 0,685×T°C), cal/g;
λEs = evaporação na sub-superfície;
λEt = transpiração da copa de vegetação.

Geralmente, o termo λE*, a soma de λEo e λEt, é chamado como ETR ou ETA. Porém, o λE* (ETR ou ETA) é
expresso como: λE* =λEo + λEt. Aplicando-se um análogo de lei de resistência elétrica, o fluxo de vapor de água na
camada próxima à superfície terrestre pode ser estimado pelo gradiente da concentração de vapor de água dividida pela
resistência do ar na camada considerada. A equação (8.164) em seguida descreve essa relação:

Em que:  
E = fluxo de vapor de água, (kg m−2 s−1);
ρ (z ) = densidade de vapor na superfície terrestre com a rugosidade aerodinâmica de zov, (kg
 v ov
m−3);
ρv(za) = densidade de vapor na altura, (kg m−3);
rav = resistência aerodinâmica ao transporte de vapor na altura Z (s m−1);

Por causa da perda de vapor de água originada nos vários tipos da superfície, o fluxo de vapor de água é composto
de três componentes obtidos pela equação que segue:

Em que:  
Eo = ρw nz, é o fluxo de vapor de água nos capilares pequenos, (ρw é densidade de água, e nz
é a taxa ascendente capilar);
Es = o fluxo de vapor no topo do solo seco pela difusão de vapor;
Et = transpiração pelas cavidades estomatais;

os subscritos o e s representam superfície e solo, respectivamente.

Em que:  
ρvsat(ze) = densidade de vapor saturada na altura referencial de ze;
ρv (zo) = densidade de vapor na altura de zo;
rsv = resistência de solo e vegetação ao transporte de vapor.

Em que:  
ρvsat = densidade de vapor saturado nas cavidades estomatais;
ρv (zo) = densidade de vapor na altura zo;
rc = resistência da copa de vegetação ao transporte do vapor.

Os cálculos matemáticos dos três componentes na equação (8.166) foram simplificados pelo famoso método de
Penman (1948), e posteriormente pelo método Penman-Monteith (MONTEITH, 1965). De acordo com o método desses
autores, o fluxo de vapor de água é estimado pela equação (8.168) a seguir:

Em que:  
ρvsat(To) = densidade de vapor saturado na temperatura de superfície To;
ρv (z) = densidade de vapor na altura z;
rav = resistência aerodinâmica ao transporte de vapor na altura Z;
rs = resistência de superfície terrestre à evaporação.

A resistência de superfície terrestre à evaporação, rs, que liga o fluxo de calor latente, λE*, na equação (8.56) de
balanço de energia, a evapotranspiração na equação (8.90) de balanço hídrico por causa da ETR é controlada pela água
disponível no solo. A taxa máxima de ETR de um tipo de vegetação específica varia com o estágio fenológico da
vegetação quando a rs está próxima de sua mínima. O valor de rs é fixado como zero quando a evaporação ocorre na
superfície de água pura (PENMAN, 1948).
Aplicando-se o conceito de resistência na formulação da equação de balanço de energia, o fluxo de calor sensível
ao ar e o fluxo de calor ao solo podem ser expressos pelas equações (8.169) e (8.170) em seguida:
 Introduzindo as expressões de H e Go à equação de balanço de energia, λE pode ser calculada pela equação
(8.171) como a seguir:

De acordo com a equação (8.171), o fluxo de calor latente, λE, pode ser obtido se os fluxos de outros três
componentes, Q*, H e Go, puderem ser estimados com os dados obtidos pelos dados do satélite. O modelo SEBAL é
direcionado para obter λE baseando-se nos dados de Q*, H e Go estimados com os dados do satélite. Os métodos de
cálculo dos fluxos de Q*, H e Go são apresentados nas seções em seguida.

•   Estimativa de Fluxo de Radiação Líquida via Satélite

A radiação líquida, Q*, é uma soma líquida da energia recebida pela superfície terrestre incluindo os fluxos de
radiações de onda curta e onda longa para cima e para baixo. A equação (8.172) representa o cálculo da radiação líquida.

Em que:  
Q* = fluxo de radiação líquida (W m−2);
K↓ = onda curta para baixo (0,3 a 3 μm);
K↑ = onda curta para cima (0,3 a 3 μm);
L↓ = onda longa para baixo (3 a 100 μm);
L↑ = onda longa para cima (3 a 100 μm).

A energia total do espectro inteiro da radiação solar que chega à superfície terrestre horizontal em uma área de um
pixel (x,y) pode ser calculada pela equação (8.173) que segue:

A radiação recebida no topo da atmosfera (K↓toa(x,y)) pelo sensor de satélite varia com os fatores, tais como:
ângulo zenital solar, nuvens, reflectância da superfície, espalhamentos e absorções múltiplas de presenças dos aerossóis e
das moléculas atmosféricas. Uma correlação linear entre K↓ (x,y) e o albedo planetário foi observada por Schmetz
(1989). Portanto, os dados de albedo calculados com os dados de NOAA AVHRR podem ser usados para calcular a
radiação líquida da onda curta, a soma de K↓ e K ↑na equação (8.172).
O fluxo de radiação onda longa para baixo, L↓, pode ser estimado com os dados de emissividade atmosférica
(εaavg) e temperatura do ar na altura de 2 metros (Ta) de uma área efetiva pela equação (8.174) que é expressa a seguir:

Na equação (8.175), o i representa o pixel i em uma área de n pixels. Baseado no resultado da observação em
campo por Bastiaanssen (1988), o valor de εaavg pode ser calculado pela equação (8.176) com o valor de τswavg variando
de 0,55 a 0,82.
 Em que:  
τsw” = duas passagens de transmitância atmosférica;
α0, αa = albedo da superfície e do ar respectivamente.

O valor de αa na equação (8.177) pode ser obtido com o albedo planetário (αp) no pixel que é situado no mar
profundo e escuro com a emissividade por volta de um.
De acordo com a Lei de Stefan-Boltzmann, a radiação onda longa para espaço, L↑(x,y), de uma determinada
temperatura, pode ser expressa pela equação (8.178) que segue:

O ε0 é a emissividade da superfície terrestre. A emissividade será calculada em função de NDVI pela equação
(8.179) proposta por Owe e Griend (1993).

A equação (8.179) é aplicada quando o valor de NDVI fica entre 0,16 e 0,74. O valor de ε0(x,y) é fixado em 1
enquanto NDVI > 0,74. Então, os fluxos de radiação líquidos podem ser obtidos pela somatória dos quatro componentes
na equação (8.180) a seguir:

Considerando-se a onda longa atmosférica para baixo, L↓, como um valor constante, Q*(x,y) pode ser obtido pela
somatória dos componentes de K↓(x,y), α0(x,y)K↓ e L↑(x,y) para cada pixel.

•   Estimativa de fluxo de calor ao solo

Pelo fato de o fluxo de calor sensível ao solo não poder ser mensurado diretamente via satélite, esse fluxo será
estimado como uma fração de radiação líquida (Γ(t)). As equações (8.181) e (8.182) são aplicadas para calcular o fluxo
de calor sensível em função de radiação líquida e NDVI (KUSTAS; DAUGHTRY, 1990).

Em que: Γ(t) = o fluxo de calor ao solo em uma fração de radiação líquida.

Em que:  
G (x,y) = fluxo de calor sensível ao solo (W m−2);
Q*(x,y) = fluxo de calor latente (W m−2);
x,y = o pixel x,y.

•   Estimativa do fluxo de calor sensível ao ar

As equações (8.183) a (8.185) são usadas para calcular o fluxo de calor sensível (H) em função de temperatura do
ar (Ta), temperatura da superfície terrestre (To) e a resistência aerodinâmica ao transporte do calor sensível (rah).
 O u é a velocidade de área efetiva próxima à superfície. Por causa de u*(x,y), zoh(x,y) e L(x,y) serem identificados
na camada atmosférica entre zoh < z < zsfc, Ψh-sfc(x,y) pode ser calculado em função de zsfc e L(x,y).

Mas o Ψm-sfc não é igual ao Ψh-sfc(x,y) nem ao Ψv-sfc(x,y). Portanto, a relação entre Ψh-sfc(x,y) e Ψm-sfc(x,y) deve
ser obtida pelos cálculos de z e L (comprimento Monin-Obukhov) nas equações em seguida:

kB−1 é a razão da rugosidade de movimento e de calor sensível. O valor de kB−1 é de 2,3, proposto por Brutsaert
(1982).

Sob a condição atmosférica instável:

Sob a condição atmosférica estável:

O u*(x,y) é a velocidade de fricção que pode ser estimada em função da rugosidade de superfície em termo de
LAI. As equações para calcular zom e u*(x,y), propostas por Raupach (1994), são apresentadas em seguida:

LAIshel é o valor limiar quando o efeito da rugosidade não afeta mais o cálculo.
O L é utilizado para descrever a estabilidade atmosférica pela equação (8.194):

Em que:  
Tp = o valor médio da temperatura potencial;
L = comprimento Monin-Obukhov.

A razão de T0 e α0 instantâneas (Λ = T0 / α0) foi introduzida pelo modelo SEBAL para evitar a exigência de
estimativa da temperatura via satélite com alta acurácia.
O limite superior da taxa de evaporação pode ser obtido pelo valor de Λ = 1 sobre uma superfície da água escura e
profunda, e o fluxo máximo de calor sensível também pode ser obtido com o valor Λ = 0 sobre uma superfície totalmente
seca. O valor limiar de α0 entre 0,2 e 0,33 na T0 máxima foi obtido pelo Bastiaanssen (1995). Portanto, o valor médio de
0,28 será usado para localizar o fluxo nulo de calor latente. Também, foi observado o valor de Λ = 1 quando α0 < 0,1. Se
o valor Λ for 1, a diferença de temperatura entre a superfície e o ar é desprezível. Portanto, a correlação linear entre To e
Ta pode ser obtida pelas equações em seguida:

Em que:

Um processo interativo de computação é utilizado para estimar H(x,y) com os inputs de u(zsfc) e zom(x,y), para
calcular u*(x,y) e L(x,y) até a diferença de H(x,y), entre duas estimativas, fica menor que um por cento. Desta maneira, o
valor de H(x,y) é garantido dentro dos valores extremos dos valores de Λ, T0, r0, e δTa-sfc. Os problemas originados com
os valores estimados imprecisos de z0m, kB−1 e u*, portanto, podem ser eliminados. O argumento surgido por causa dos
erros significativos das técnicas atuais de estimativa de temperatura da superfície terrestre via satélite pode ser superado.

•   Estimativa do fluxo de calor latente

O fluxo de calor latente, λE(x,y), pode ser obtido pela equação de balanço de energia por meio de estimativas dos
fluxos de radiação líquida, calor sensível e calor sensível ao solo pela equação (8.199):

Bastiaanssen (1995) validou seu modelo SEBAL utilizando os dados coletados dos fluxos de balanço de energia na
Espanha e no Egito e concluiu que os erros de estimativa de evapotranspiração diminuíram de 20% para 5% quando a
resolução espacial dos dados de NOAA AVHRR diminuiu de 1,1 km para 100 km nos dados de resolução espacial.
Apontou que a estimativa de evapotranspiração pelo SEBAL usando os dados de NOAA AVHRR pode contribuir
substancialmente para a melhoria dos modelos regionais de balanço hídrico e mesma a melhoria dos modelos de balanço
de energia da superfície nos modelos de previsão do tempo. Recentemente, Paiva (2005) aplicou o SEBAL para estimar
os parâmetros dos fluxos de balanço de energia usando os dados de NOAA AVHRR LAC e validou com os dados
micrometeorológicos e radiossondagem coletados na plantação de soja em Dourados, Estado de Mato Grosso do Sul. Os
resultados mostram que os erros de estimativa alcançaram menor que 10%, exceto os fluxos de calor sensível e calor
latente que são em torno de 15%. Isto demonstrou que a estimativa de ETR pelo modelo SEBAL é uma alternativa
viável.

8.7 Perspectivas futuras de estimativa dos fluxos de balanço de

energia da superfície
Sellers et al. (1995) revisaram os modelos disponíveis de balanços de energia, água e carbono da superfície
terrestre baseados nos dados de satélites para alimentar os modelos de previsão das mudanças climáticas globais e
concluíram que os algoritmos atualmente disponíveis na quantificação dos parâmetros biofísicos via sensoriamento
remoto são desenvolvidos com a validação do método por meio dos dados coletados em campo em uma região
específica. As aplicações desses algoritmos para outras regiões geralmente não funcionam bem por causa das condições
atmosféricas e ambientais serem diferentes de um local para outro. Portanto, esses algoritmos ainda não fornecem
efetivamente os dados globais para que se possam aprimorar os modelos dos fluxos de energia da superfície terrestre.
EYMARD e TACONET (1995) apresentaram uma revisão detalhada dos vários métodos de estimativa dos fluxos de
balanço de energia via satélite. Apontaram que a maioria dos métodos requer uma estimativa precisa de propriedades da
superfície terrestre. Para se obter a radiação líquida que envolve os fluxos de radiação líquida de onda longa e de onda
curta, além de requerer as estimativas precisas de parâmetros biofísicos, tais como albedo, temperatura e emissividade da
superfície terrestre, a informação correta das condições atmosféricas em cada pixel é essencial para alcançar uma
estimativa com boa acurácia. A maioria desses dados é de difícil acesso e também não são representativos da região
interessada. Muitos pesquisadores dedicam-se ao desenvolvimento das técnicas mais generalizadas a fim de melhorar a
acurácia na quantificação desses parâmetros em escala maior (GOETZ, 1997). O modelo SEBAL, proposto por
Bastiaanssen et al. (1996), utiliza a correlação entre albedo e temperatura baseada nos dados obtidos pelo satélite para
separar as participações de fluxos de calor sensível e calor latente e estimar os fluxos de balanço de energia. A vantagem
desse método é a exigência de dados mínimos de propriedades da superfície terrestre. Os dados dos parâmetros biofísicos
gerados via satélite, baseados nos métodos disponíveis, são comparados e avaliados com os dados observados nas várias
regiões por vários pesquisadores (GUTMAN et al., 1989; MENENTI; BASTIAANSSEN; DICK, 1989; Culf; FISCH;
HODNETT,1995; BASTIAANSSEN, 1996).
Gu, Smith e Merritt (1999) apresentaram um método de combinação de dados adquiridos por satélite e medidos
em campo para a estimativa dos fluxos de balanço de energia. Os dados de GOES foram usados para estimar a radiação
líquida. Os dados coletados pelas cinco torres de correlação de redemoinhos nas florestas boreais em cinco campos
experimentais foram usados para calcular os fluxos de calor latente, calor sensível ao ar. O fluxo de calor ao solo foi
estimado com uma porção em cerca de 9% da radiação solar líquida. Os resultados mostraram que o erro de estimativa
de radiação líquida foi em torno de ±7,5% ou ±21 W m−2. O erro de estimativa dos fluxos de calor latente e calor
sensível ao ar foi de −15%. Vale apontar que o valor de 9% da radiação líquida usado para generalizar o fluxo de calor
sensível ao solo nas florestas boreais nesse estudo, contudo esse valor pode comprometer a subestimativa dos fluxos do
balanço de energia pelo método de correlação de redemoinhos.
Boegh e Soegaard (2004) e Boegh et al. (2004) apresentaram um método de estimativa de ETR na Dinamarca
usando a combinação dos dados de NOAA AVHRR com os parâmetros meteorológicos gerados pelo modelo de previsão
do tempo. Apontaram que o método funcionou bem nas condições de vegetação densa e ampla umidade do solo. Mas
para as regiões secas, uma correção deve ser feita pela diminuição de ETR causada pela diferença de temperatura do ar e
temperatura de superfície da vegetação. Ressalta-se que a temperatura da superfície de vegetação pode ser mais alta do
que a temperatura do ar nas 14h por causa da vegetação sofrer o estresse hídrico que é semelhante ao Stress Degree Day
(SDD), proposto por Idso, Jackson e Reginato (1977). Portanto, a diminuição de taxa de ETR deve ser calculada pela
separação dos fluxos do calor sensível ao ar e do calor latente.
Kustas et al. (2004) argumentaram que a acurácia dos métodos de estimativa da taxa de ETR usando os dados de
NOAA AVHRR, com uma resolução espacial de 1,1 km, não é suficiente para distinguir a variabilidade de ETR diária
das diferentes plantações das culturas. Portanto, um experimento foi conduzido na região central do Estado de Iowa,
USA, para investigar qual é a resolução espacial ideal para monitorar a variação de ETR nas plantações de soja e milho
usando os dados do Landsat 7 ETM+. As estimativas de ETR foram feitas usando os dados de resolução espacial de 60
m, 120 m, 240 m e 960 m. Concluíram que a taxa de ETR calculada pelos dados de resolução espacial de 240 m foi
suficiente para detectar a diferença de ETR entre as culturas de milho e soja. Sugeriram que as informações mais precisas
de índices de vegetação e temperatura da superfície de cada plantação são essenciais para garantir sua acurácia.
Nagler et al. (2005) usaram os métodos de Razão de Bowen e Correlação de Redemoinhos para medições dos
fluxos do balanço de energia na região oeste dos Estados Unidos. Os dados foram usados para a validação de estimativa
das taxas de ETR pelos dados de índices de vegetação derivados com os dados de MODIS do satélite TERRA. Os
resultados mostraram que as taxas de ETR estimadas foram à maioria mais baixos que as medições obtidas pelos
instrumentos micrometeorológicas. Os erros podem ter sido causa dos efeitos de microclima, contribuídos por uma faixa
de superfície de água livre dos rios. A taxa de ETR de uma superfície da água livre é maior que a da superfície de
vegetação. Isto resulta a taxa de ETR referida pelo índice de vegetação derivado dos dados de MODIS que não
representa bem a taxa de ETR das vegetações ao longo dos rios.
French et al. (2005) aplicaram os dois modelos físicos de estimativa de fluxos de balanço de energia da superfície
(Two-Source Energy Balance Model – TSEB) e SEBAL no experimento Soil Moisture Atmosphere Coupling
Experiment (SMACEX) na região central do Estado de Iowa, USA. Os dados dos sensores ASTER de resolução espacial
de 15 m (bandas de visível e infravermelho próximo) e 90 m (banda termal) foram usados para obter os dados de Tst,
densidade de cobertura de vegetação e tipos de usos do solo que serviram como dados de entrada para rodar os modelos.
Os fluxos estimados pelos modelos com os dados derivados de ASTER foram validados com os dados obtidos pelo
método de correlação de redemoinhos com as medições micrometeorológicas em campo. Os resultados das estimativas
dos fluxos de balanço de energia pelos TSEB e SEBAL concordaram bem com as medidas pelo método de correlação de
redemoinhos com a diferença dentro de 50 W m−2. Isto demonstra que as aplicações dos parâmetros biofísicos, tais como
albedo, emissividade, Tst e densidade de vegetação da superfície monitorados via satélite de média resolução espacial,
nos modelos de estimativa dos fluxos de balanço de energia da superfície terrestre, são cada dia mais viáveis.
 Referências
ACKERMAN, S. A.; INOUE, T., 1994. Radiation energy budget studies using collocated AVHRR and ERBE observations. Journal
of Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 33:370-378.
ANDING, D.; KAUTH, R., 1970. Estimation of sea surface temperature from space. Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 1:217-220.
ARINO, O.; DEDIEU, G.; DESCHAMPS, P. Y., 1991. Accuracy of satellite land surface reflectance determination. Journal of
Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 30: 960-971.
AVISSAR, R.; DIAS, P. L.; DIAS, M. A.; NOBRE, C., 2002: The Large-Scale Biosphere-atmosphere Experiment in Amazon
(LBA): Insights and future research needs. Journal of Geophysical Research-Atmospheres, American Geophysical Union, St. Louis,
Missouri, USA.107 (D20), Art. No. 8086.
BALDOCCHI, D.; FALGE, E.; GU, L. H.; OLSON, R.; HOLLINGER, D.; RUNNING, S.; ANTHONI, P.; BERNHOFER, C.;
DAVIS, K.; EVANS, R.; FUENTES, J.; GOLDSTEIN, A.; KATUL, G.; LAW, B.; LEE, X. H.; MALHI, Y.; MEYERS, T.;
MUNGER, W.; OECHEL, W.; PAW, K. T.; PILEGAARD, K.; SCHMID, H. P.; VALENTINI, R.; VERMA, S.; VESALA, T.;
WILSON, K.; WOFSY, S., 2001. FLUXNET: A new tool to study the temporal and spatial variability of ecosystem-scale carbon
dioxide, water vapor, and energy flux densities. Bulletin of the American Meteorological Society, American Society of Meteorology,
Boston, Massachusetts, USA. 82(11), 2415–2434.
BARALE, V.; SCHILLER, C.; VILLACASTIN, C.; TACCHI, R., 2004. The Adriatic sea surface temperature historical record from
Advanced Very High Resolution Radiometer data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
25:1363-1370.
BARTON, I. J., 1995. Satellite derived sea surface temperature-current status. Journal of Geophysical Research, American
Geophysical Union, St. Louis, Missouri, USA. 15:8777-8790.
BASTIAANSSEN, W. G. M.; VAN DER WAL, T.; VISSER, T. N. M., 1996. Diagnosis of regional evaporation by remote sensing
to support irrigation performance assessment. Irrigation and Drainage systems, Springer Press, Amsterdam, the Netherlands. 10:1-23.
BAUMGARTNER, A., 1969. Meteorological approach to the exchange of CO2 between atmosphere and vegetation, particularly
forest stands. Photosynthetica, Amigos Services Press, Dallas, Texas, USA. 3, 127-149
BECKER, F., 1977. Thermal infrared remote sensing principles and applications. Remote Sensing Application in Agriculture and
Hydrology, ISPRA Courses given in November 21 to December 2 of 1977, The Joint Research Centre of ISPRA, Varese, Italy.
P.153-213.
BECKER, F., 1987. The impact of spectral emissivity on the measurement of land surface temperature from a satellite. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 8:1509–1522.
BECKER, F.; LI, Z. L., 1990a. Towards a local split window over land surfaces. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 11:369-393.
BECKER, F.; LI, Z. L., 1990b. Temperature independent spectral índices in thermal infrared bands. Remote Sensing of Environment,
Elsevier Science Publishing Co., New York, USA. 32:17-33.
BECKER, F.; LI, Z. L., 1995. Surface temperature and emissivity at various scales: definition, measurement and related problems.
Remote Sensing Review, Taylor & Francis Ltd, London, UK. 12:225-253.
BERK, A.; ANDERSON, G. P.; BERNSTEIN, L. S.; ACHARYA, P. K.; DOTHE, H.; MATTHEW, M. W.; ADLER-GOLDEN, S.
M.; CHETWYND JR., J. H.; RICHTSMEIER, S. C.; PUKALL, B.; ALLRED, C. L.; JEONG, L. S.; HOKE, M. L., 1999.
MODTRAN4 radiative transfer modeling for atmospheric correction. Symposium of Processing Image Electronically (SPIE), Optical
Spectroscopic Techniques and Instrumentation for Atmospheric and Space Research III, volume:3756, online available:
www.spectral.com/sr115.pdf. data de acesso: 11 de fevereiro de 2005.
BHATTACHARYA, B. K.; DADHWAL, V.K., 2003. Retrieval and validation of land surface temperature (LST) from NOAA
AVHRR thermal images of Gujarat, India. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:1197–
1206.
BLAD, B. L.; RONSENBERG, N. J., 1974. Evapotranspiration by subirrigated alfafa and pasture in the east Great Plains. Agronomy
Journal, American Society of Agronomy, Madison, Wisconsin, USA. 66:248-252.
BLANEY, H. F.; EWING, P. A., 1950. Determining water requirements in irrigated areas from climatological and irrigation data.
USDA, Washington D.C., USA. USDA Soil Conservation Technical Report Parer N°. 96, 48p.
BOEGH, E.; SOEGAARD, H., 2004. Remote sensing based estimation of evapotranspiration rates. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 25: 2535-2551.
BOEGH, E.; SOEGAARD, H.; CHRISTENSENM, J. H.; HASAGERR, C. B.; JENSEN, N. O.; NIELSEN, N. W.; RASUNUSSEN,
M.,S., 2004. Combining weather prediction and remote sensing data for the calculation of evapotranspiration rates: application to
Denmark. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25: 2553-2574.
BONAN, G., 1995. Land-atmosphere interactions for climate system models: coupling biophysical, biogeochemical and ecosystem
dynamic processes. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 51:57-73.
BOWEN, I. S., 1926. The ratio of heat losses by conduction and by evaporation from any water surface. Physical Review, American
Physical Society, Ridge, New York, USA. 27:779-787.
BROWN, K. W.; ROSENBERG, N. J., 1973. A resistance model to predict evapotranspiraton and its application to a sugar beets
field. Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 62:4-8.
BRUTSAERT, W., 1982. Evaporation into the atmosphere: theory, history and applications. D. Reidel Publication Company,
Dordrecht, the Netherlands, 299p.
BRUTSAERT, W.; YU, S. L., 1968. Mass transfer aspects of the pan evaporation. Journal of Applied Meteorology, American
Society of Meteorology, Boston, Massachusetts, 7: 563-566.
BUETTNER, K. J.; KERN, C. D., 1965. The determination of infrared emissivities of terrestrial surfaces. Journal of Geophysical
Research, American Geophysical Union, St. Louis, Missouri, USA. 70:1329-1337.
BUSINGER, J.; WYNGAARD, A.; IZUMI, Y.; BRADLEY, F., 1971. Flux-profile relationships in atmospheric surface layer.
Journal of the Atmospheric Sciences, American Society of Meteorology, Boston, Massachusetts, USA. 28: 181- 189.
CALDER, I. R., 1977. A model of transpiration and interception loss from spruce forest in Plynlimon Central Wales. Journal of
hydrology, Springer Press, Amsterdam, the Netherlands. 32: 27-265.
CASELLES, V.; ARTIGAO, M.; HURTADO, E.; COLL, C.; BRASA, A., 1998. Mapping actual evapotranspiration by combining
Landsat TM and NOAA AVHRR images: application to the Barrax Area, Albacete, Spain. Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 63:1-10.
CASELLES, V.; COLL. C.; VALOR, E., 1997. Land surface emissivity and temperature determination in the whole HAPEX-Sahel
area from AVHRR data. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 18:1009-1027.
CASELLES, V.; COLL, C.; VALOR, E.; RUBIO, E., 1995. Mapping land surface emissivity using NOAA AVHRR data:
Application to La Mancha, Spain. Remote Sensing Review, Taylor & Francis Ltd, London, UK. 12:311-333.
CASELLES, V.; HURTADO, E.; SOBRINO, J. A., 1992. Maximum evapotranspiration through NOAA satellite images. Application
to La Mancha region, Spain. Atmospheric Research. Elsevier Science Publishing Co., New York, USA. 28:365-374.
CESS, R. D.; VULIS, I. L., 1988. Inferring surface solar absorption from broad band satellite measurements. Journal of Climatology,
American Society of Meteorology, Boston, Massachusetts, USA. 2:974-985.
CESS, R. D.; DUTTON, E. G.; DELUISI, J. J.; JIANG, F., 1991. Determining surface solar absorption from broad band satellite
measurements for clear skies: comparison with surface measurements. Journal of Climatology, American Society of Meteorology,
Boston, Massachusetts, USA.4:236-248.
CHEDIN, A.; SCOTT, N. A.; BERROIR, A., 1982. A single channel, double viewing angle method for sea surface temperature
determination from coincident METEOSAT and TIROS-N radiometric measurements. Journal of Applied Meteorology, American
Society of Meteorology, Boston, Massachusetts, 21:613-618.
CHOU, M. D., 1991. The derivation of cloud parameters from satellite measured radiances for use in surface radiation calculations.
Journal of Atmospheric Science, American Society of Meteorology, Boston, Massachusetts, USA. 48:1549-1558.
CLOTHIER, B. E.; CLAWSON, K. L.; PINTER, P. J.; MORAN, M. S.; REGINATO, R. J.; JACKSON, R. D., 1986. Estimaton of
soil heat flux from net radiation during growth of alfalfa. Agricultural and Forest Meteorology, Elsevier Science Publishing Co.,
Amsterdam, the Netherlands. 37:319-328.
COLL, C.; CASELLES, V.; SOBRINO, J. A.; VALOR, E., 1994. On the atmospheric dependence of the split-window equation for
the surface temperature. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:105-122.
COLL, C.; CASELLES, V.; GALVE, J. M.; VALOR, E.; NICLÒS, R.; SÁNCHEZ, J. M.; RIVAS, R., 2005. Ground measurements
for the validation of land surface temperatures derived from ATSR and MODIS data. Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 97:288-300.
CULF, A. D.; FISCH, G.; HODNETT, M. G., 1995. The albedo of Amazonian forest and ranch land. Journal of Climatology,
American Society of Meteorology, Boston, Massachusetts, USA. 8:1544-1554.
CULL, P. O.; R. SMITH, C.; MCCAFFERY, K., 1981. Irrigation scheduling of cotton in a climate with uncertain rainfall. Irrigation
Science, Springer Press, Amsterdam, the Netherlands. 2:141-154.
DARNELL, W. L.; STAYLOR, W. F.; GUPTA, S. K., DENN, F. M., 1988. Estimation of surface insolation using sun-synchronous
satellite data. Journal of Climatology, American Society of Meteorology, Boston, Massachusetts, USA.1:820-835.
DASH, P.; GOTTSCHE, F. M.; OLESEN, F. S.; FISCHER, H., 2002. Review article, Land surface temperature and emissivity
estimation from passive sensor data: theory and practical-current trends. International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 23:2563-2594.
DAUGHTRY, C. S.; KUSTA, W. K.; MORAN, M. S.; PINTER, P. J.; JACKSON, R. D.; BROWN, P. W.; NICHOLS, W. D.; GAY,
L. W., 1990. Spectral estimates of net radiation and soil heat flux. Remote sensing of Environment, Elsevier Science Publishing Co.,
New York, USA. 32:111-124.
DEDIEU, G. P.; DESCHAMPS, Y.; KERR, Y., 1988. Satellite estimation of solar irradiance at the surface of the earth and of surface
albedo using a physical model applied to METEOSAT data. Journal of Climate and Applied Meteorology, American Society of
Meteorology, Boston, Massachusetts, 26:79-88.
DENMEAD, O. T., 1969. Comparative micrometeorology of a wheat field and a forest of Pinus radiata. Agricultural Meteorology,
Elsevier Science Publishing Co., Amsterdam, the Netherlands. 6, 357-371.
DENMEAD, O. T.; MCILROY, I. C., 1970. Measurements of nonpotential evaporation from wheat. Agricultural Meteorology,
Elsevier Science Publishing Co., Amsterdam, the Netherlands. 7:285-302.
DESJARDINS, R. L., 1972. CO2 flux measurements by eddy correlation methods. Bulletin of American Meteorological Society,
American Society of Meteorology, Boston, Massachusetts, USA. 53:1040.
DESJARDINS, R. L.; LEMON, E. R., 1974. Limitations of an eddy-correlation technique for the determination of the carbon dioxide
and sensible heat fluxes. Boundary Layer Meteorology, Springer Press, Amsterdam, the Netherlands. 5:475-488.
DISNEY, M.; LEWIS, P.; THACKRAH, G.; QUAIFE, T.; BARNSLEY, M., 2004. Comparison of MODIS broadband albedo over
an agricultural site with ground measurements and values derived from earth observation data at a range of spatial scales.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:5297-5317.
DONION, C. J.; NYKJAER, L.; GUNTEMANN, C., 2004. Using sea surface temperature measurement from microwave and
infrared satellite measurements. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1331-1336.
DOORENBOS, J.; KASSAM, A. H., 1979. Yield response to water. FAO Irrigation and Drainage Paper No. 33. FAO, Rome, Italy,
193pp.
DOORENBOS, J.; Pruitt, W. O., 1977. Crop water requirements. FAO Irrigation and Drainage Paper N° 24. FAO, Rome, Italy. 144p
DUGAS, W. A.; FRITCHEN, L. J.; GAY, L. W.; HELD, A. A.; MATTHIAS, A. D.; REICOSKY, D. C.; STEDUTO, P.; STEINER,
J. L., 1991. Bowen ratio, eddy correlation and portable chamber measurements of sensible heat flux over irrigation spring wheat.
Agricultural and Forest Meteorology, Elsevier Publishing Co. Amsterdam, the Netherlands. 56:1-20.
DUTTON, E. G., 1993. An extended comparison between Lowtran7 computed and observed broad band thermal irradiances: global
extreme and intermediate surface conditions. Journal of Atmospheric and Oceanic Technology, American Society of Meteorology,
Boston, Massachusetts, USA.10:326-336.
DYER, A. J., 1974. A review of flux profile relationship. Boundary Layer Meteorology, Springer Press, Amsterdam, the
Netherlands. 7:363-372.
EIDENSHINK, J. C.; FAUNDEEN, J. L., 1997. The 1-km AVHRR global land data set: first stages in implementation. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:39-56.
ELLINGSON, R. G., 1995. Surface longwave fluxes from satellite observations: a critical review. Remote Sensing of Environment,
Elsevier Science Publishing Co., New York, USA. 51:89-98.
EMERY, W. J.; YU, Y., 1997. Satellite sea surface temperature. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 18:323-334.
EYMARD, L.; TACONET, O., 1995. The methods for inferring surface fluxes from satellite data and their use for atmosphere model
validation. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16:1907-1930.
FIELD, C. B.; REERSON, J. T.; MALMSTRÖM, C. M., 1995. Global net primary production: combining ecology and remote
sensing. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 51:74-88.
FINNIGAN, J. J.; CLEMENT, R.; MALHI, Y.; LEUNING, R; CLEUGH, H.A., 2003. A re-evaluation of long term flux
measurement techniques. Part 1: Averaging and coordinate rotation. Boundary Layer Metorology, Springer Press, Amsterdam, the
Netherlands. 107:1-48.
FLORIO, E. N.; LELE, S. R.; CHANG, Y. C.; STERNER, R.; GLASS, G. E., 2004. Integrating AVHRR satellite data and NOAA
ground observations to predict surface air temperature: a statistical approach. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 25:2979-2994.
FRANÇA, G. B.; CRACKNELL, A. P., 1994. Retrieval of the sea surface temperature using NOAA 11 AVHRR data in north-
eastern Brazil. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1695-1712.
FRANÇA, G. B.; CRACKNELL, A. P., 1995. A simple cloud masking approach using NOAA daytime data for tropical areas.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16:1697-1705.
FRANÇA, G. B.; CARVALHO, W. S., 2004. Sea surface temperature GOES 8 estimation approach for the Brazilian coast.
International Journal of Remote Sensing, 2:3439–3450.
FRENCH, A. N.; JACOB, F.; ANDERSON, M. C.; KUSTAS, W. P.; TIMMERMANS, W.; GIESKE, A.; SU, Z.; SU, H.;
MCCABE, M. F.; LI, F.; PRUEGER, J.; BRUNSELL, N., 2005. Surface energy fluxes with the advanced spaceborne thermal
emission and reflection radiometer (ASTER) at the Iowa 2002 SMACEX site (USA). Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. on line: http://www.sciencedirect.com/science, data de acesso: 22 de ferereiro de 2005.
GARRATT, J. R., 1980. Surface influence upon vertical profile in the atmosphere near surface layer, Quartery Journal of Royal
Meteorological Society, Royal Meteorological Society, London, UK. 106:803-819.
GASH, J. H.; NOBRE, C. A.; ROBERTS, J. M.; VICTORIA, R. L., 1996. Amazonian Deforestation and Climate. John Wiley &
Sons, Inc., Chester, UK. 453p.
GAUTIER, C.; DIAK, G.; MASSE, S., 1980. A simple physical model to estimate incident solar radation at the surface from GOES
satellite data. Journal of Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 19:1005-1012.
GIVRI, J. R., 1997. The extension of the split window technique to passive microwave surface temperature assessment. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:335-353.
GLOERSEN, P.; HUANG, N., 2004. Interannual waves in the sea surface temperatures of the Pacific Ocean. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1325-1330.
GOETZ, S. J., 1997. Multi-sensor analysis of NDVI, surface temperature and biophyical variables at a mixed grassland site.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18: 71-94.
GORODETSKII, A. K., 1985. Earth surface temperature determination from angular radiance distribution in atmospheric windows.
Soviet Journal of Remote Sensing, Moscow, Russia. 2:981-998.
GRIEND, A. A.; OWE, M., 1993. On the relationship between thermal emissivity and NDVI for natural surfaces. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 14:1119-1131.
GU, J.; SMITH, E. A.; MERRITT, J., 1999. Testing energy balance closure with GOES retrieved net radiation and in situ measured
eddy correlation fluxes in Boreas. Journal of Geophyical Research, American Geophystcal Union, St. Louis, Missouri, USA.
104:881-893.
GUPTA, S. K.; PRUITT, W. O.; LONCZAK, J.; TANJI, K. K., 1977. Computer programme for estimation of reference crop
evapotranspiration. In: Crop Water Requirements, Edited by DOORENBOS, J.; PRUITT, W. O., 1977. FAO Irrigation and Drainage
Paper N° 24. FAO, Rome, Italy. 144p. Appendix III, p. 120-133.
GUTMAN, G.; OHRING, G.; TARPLEY, D.; AMBROZIAK, R., 1988. Albedo of the U S Great Plains as determined from NOAA
9 AVHRR data. Journal of Climatology, American Society of Meteorology, Boston, Massachusetts, USA.2:608-617.
HARGREAVES, G. H., 1974. Potential evapotranspiration and irrigation requirements for northeast Brazil. Utah State University,
On Farm Water Management Research Program Report. USAID contract N°. AID/CSD-2167, 54p.
HAUGEN, D. A.; KAIMAL, J. C.; BRADLEY, E. F., 1971. Experimental study of Reynolds stress and heat flux in atmospheric
surface layer. Quarterly Journal of The Royal Meteorological Society, Royal Meteorological Society, London, UK. 97 (412): 168-
180.
HOLYER, R. J., 1984: A two-satellite method for measurement of sea surface temperature. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 5:115-131.
HUCEK, R.; JACOBOWITZ, H., 1995. Impacts of scene dependence on AVHRR albedo model. Journal of Atmospheric and
Oceanic Technology, American Society of Meteorology, Boston, Massachusetts, USA. 12:697-711.
HURTADO, E.; ARTIGAO, M. M.; CASELLES, V., 1995. Estimating maize (Zea Mays) evapotranspiration from NOAA AVHRR
thermal data in the Albacete area, Spain. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 10:2023-2037.
HURTADO, E.; SOBRINO, J. A., 2001. Daily net radiation estimated from air temperature and NOAA AVHRR data: a caso study
for the Iberian Peninsula. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:1521-1533.
IDSO, S. B.; JACKSON, R. D.; REGINATO, R. J., 1977. Remote sensing of crop yield. Science, American Association for
Advancement of Science, Washington, D.C., USA. 196:19-25.
JACKSON, R. D.; REGINATO, R. J.; IDSO, S. B., 1976. Wheat canopy temperature: a practical tool for evaluating water
requirements. Water Resources Research, American Geophysical Union, St. Louis, Missouri, USA. 13:651-656.
JENSEN, M. E.; HAISE, H. R., 1963. Estimating evapotranspiration from solar radiation, Journal of Irrigation and Drainage
Division, American Society of Civil Engineering, Reston, Virginia, USA. 89:15-41.
JARVIS, P. G.; JAMES, G. B.; LANDSBERGS, J. J., 1976. Coniferous forest. In: Monteith J. L., editor, Vegetation and the
Atmosphere, Vol. 2., pp 171-240. Academic Press, London, UK.
JONES, A. S.; VONDER HAAR, T. H., 1997. Retrieval of microwave emittance over land using coincident microwave and infrared
measurements. Journal of Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 102:13609-13626.
KATUL, G. G.; PARLANGE, M. B., 1992. A Penman-Brutsaert model for wet surface evaporation. Water Resources Research,
American Geophysical Union, St. Louis, Missouri, USA. 28:121-126.
KEALY, P. S.; HOOK, S. J., 1993. Separating temperature and emissivity in thermal infrared multispectral scanner data:
implications for recovering land surface temperatures. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and
Remote Sensing Society of America, Piscataway, New Jersey, USA. 31:1155-1164.
KELLER, M.; COAUTHORS, K., 2004: Ecological research in the large-scale biosphere-atmosphere experiment in Amazon: Early
results. Ecological Applications, Ecological Society of America, Boulder, Colorado, USA. 14(4), Supplemental Series N : S3-S16.
KERDILES, H.; GRONDONA, M.; RODRIGUEZ, R.; SEGUIN, B., 1998. Frost mapping using NOAA AVHRR data in the
Pampean region, Argentina. Agricultural and Forest Meteorology, Elsevier Science Publishing Co., Amsterdam, the Netherlands. 79:
157-182.
KERR, Y. H.; LAGOUARDE, J. P.; IMBERNON, J., 1992. Accurate land surface temperature retrieval from AVHRR data with use
of an improved split window. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 41:197-208.
KIDWELL, K. B., 1998. NOAA polar orbiter data user’s guide. NOAA NESDIS, Washington D.C., November 1998 Revision, 394p.
http://www2.ncdc.noaa.gov/docs/klm.
KIMURA, F.; SHIMIZU, Y., 1994. Estimation of sensible and latent heat fluxes from soil surface temperature. Journal of Applied
Meteorology, American Society of Meteorology, Boston, Massachusetts, 33:477-488.
KNAP, W. H.; BROCK, B. W.; OERLEMANS, J.; WILLS, I. C., 1999. Comparison of Landsat TM derived and ground-based
albedos of Haut Glacier d’Arolla, Switzerland. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
20:3293-3310.
KNEIZYS, F. X.; EERSON, G. P.; SHETTLE, E. P.; GALLLERY, W. O.; ABREU, L. W.; SELBY, J. E.; CHETWYND, J. H.;
CLOUGH, S. A., 1988. User’s guide to Lowtran7. AFGL-TR-88-0177, Environment Research Paper No.1010. Air Force Geophysics
Laboratory. Hanscom, AFB, MA. USA. 137pp.
KUMAR, S.; SAHOO, P. K.; SINGH, R. P., 1998. Monitoring of brightness temperature over India and adjoining regions using
SSM/I data. International Journal of Remote Sensing, 20:2305-2307.
KUSTAS, W. P.; CRAIG, S.; DAUGHTRY, VAN OEVELEN, T.; P. J., 1993. Analytical treatment of the relationships between soil
heat flux/net radiation ratio and vegetation indices. Remote Sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 46:319-330.
KUSTAS, W.P.; LI, F.; JACKSON, T. J.; PRUEGE, J. HMACPHERSON,.; J. I.; WOLDE, M., 2004. Effects of remote sensing pixel
resolution on modeled energy flux variability of crop lands. Remote Sensing of Environment, Elsevier Science Publishing Co., New
York, USA. 92:535-547.
LACIS, A. A.; HANSEN, J. E., 1974. A parameterization for the absorption of solar radiation in the earth’s atmosphere. Journal of
Atmospheric Science, American Society of Meteorology, Boston, Massachusetts, USA. 31:118-132.
LBA, 1996. The Large Scale Biosphere-Atmosphere Experiment in Amazonia, Concise Experimental Plan. Compiled by the LBA
Science Planning Group. Doccument available at CPTEC/INPE, Cachoeira Paulista, SP, Brazil, 1996.
LEE, H. T., 1993. Development of statistical technique for estimating downward longwave flux at the surface from satellite
observations. Ph.D. dissertation, University of Maryland, College Park, Md, USA.150p.
LEMON, E. R., 1960. Photosynthesis under field conditions. II Aerodynamic method for determining the carbon dioxide exchangre
between the atmosphere and a cornfield. Agronmy Journal, 52:697-703.
LETTAU H.; DAVISON, B., 1957. Exploring the Atmosphere’s First Mile. Vol I and II, Pergamon, New York. 415p.
LIANG, S.; YU, Y.; DEFELICE, T. P., 2005. VIIRS narrow to broadband land surface albedo conversion: formula and validation.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26:1019-1025.
LI, Z. L.; BECKER, F., 1993. Feasibility of land surface temperature and emissivity determination from AVHRR data. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 46:67-85.
LI, Z. L.; BECKER, F.; STOLL, M. P.; WAN, Z., 1999. Evaluation of six methods for extracting relative emissivity spectra from
thermal infrared images. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 69:197-214.:
LI, Z. R.; MCDOMMELL, M. J., 1988. Atmospheric correction of thermal infrared images. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 9:107-121.
LI, Z.; LEIGHTON, H. G.; MASUDA, K.; TAKASHIMA, T., 1993. Estimation of SW flux absorbed at the surface from TOA
reflected flux. Journal of Climate, 6:317-330.
LI, Z.; WHITLOCK, C. H.; CHARLOOK, T. P., 1994. Assessment of the global monthly mean surface insolation estimated from
satellite measurements using global energy balance archive data. Journal of Climate, 7:412-425.
LIU, W. T.; TSAY, C. M., 1998. Geração de mapas globais de parâmetros biofísicos a partir de imagens NOAA/AVHRR. 1 .
Simpósio Brasileiro de Meteorologia por Satélite: X Congresso Brasileiro de Meteorologia – VIII Congresso da FLISMET, 26 a 30
de outubro, Brasília – DF. (MS98022 - CD-ROM).
Liu, W. T., 2000. Estimativa de albedo, emissividade e temperatura da superfície terrestre utilizando dados de satélite NOAA
AVHRR. Relatório Técnico do projeto financiado pela FAPESP, Instituto Astronômico e Geofísico, Universidade de São Paulo, São
Paulo, Brasil, 413p.
LLEWELLYNJONES, D. T.; MINNETT, P. J.; SAUNDERS, R. W.; ZAVODY, A. M., 1984. Sattelite multichannel infrared
measuraments of sea-surface temperature of the Atlantic ocean using AVHRR-2. Quarterly Journal of the Royal Meteorological
Society, Royal Meteorological Society, London, UK. 110:613-631.
MATHEW K.; NAGARANI, C. M.; KIRANKUMAR, A. S., 2001. Split-window and multi-angle methods of sea surface
temperature determination: an analysis. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:3237-3251.
MCKENNEY, M. S.; ROSENBERG, N. J., 1993. Sensitivity of some potential evapotraspiration estimation methods to climate
change. Agricultural and Forest Meteorology, Elsevier Science Publishing Co., Amsterdam, the Netherlands. 64:81-110.
MCMILLIN, L. M., 1975. Estimation of sea surface temperatures from two infrared window measurements with different absorption.
Journal of Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 36:5113-5117.
MENENTI, M.; BASTIAANSSEN, W.; VAN DICK, D., 1989. Determination of surface hemispherical reflectance with Thematic
Mapper data. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 28:327-337.
MENENTI, M.; RITCHIE, J. C.; HUMES, K. S.; PARRY, R.; PACHEPSKY, Y.; GIMENEZ, D.; LEGUIZAMON, S., 1996.
Estimation of aerodynamic roughness at various spatial scales. In: Scaling up in Hydrology Using Remote Sensing. Edited by J.B.
Steward, E.T. Engman, R.A. Feddes and Y. Kerr, 1996. Institute of Hydrology, DLO-Winand Staring Center, Wageningen, the
Netherlands. P.39-58.
MINNETT, P. J., 1990. The regional optimization of infrared measurements of sea sueface temperature from space. Journal of
Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 95:13497-13510.
MONTEITH, J. L., 1963. Gas exchange in the plant communities. In: Environmental Control of Plant Growth, Edited by L.T. Evans.
Academic Press, New York, USA. p.95-112.
MONTEITH, J. L., 1965. Evaporation and Environment. Symposium of Society for Experimental Biology, Society of Experimental
Biology, Southampton, UK. 19:205-234.
MOODY, E. G.; KING, M. D.; PLATNICK, S.; SCHAAF, C.; GAO, F., 2005. Spatially complete global spectral surface albedos:
values-added datasets derived from TERRA MODIS land Products. IEEE Transactions on Geoscience and Remote Sensing, IEEE
Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:144-154.
MORGAN, J. A., 2005. Bayesian estimation for land surface temperature retrieval: the nuisance of emissivities. IEEE Transactions
on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA.
43:1279-1288.
MUNN, R. E., 1961. Energy budget and mass transfer theories of evaporation. Proceedings of Secound Hydrology Symposium,
Toronto, Canada. P.8-30.
MURAMATSU, K.; FURUMI, S.; FUJIWARA, M., 2000. Pattern decomposition method in the albedo space for Landsat TM and
MSS data analysis. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 21: 99-119.
NAGLER, P. L.; SCOTT, R. L.; WESTENBURG, C.; CLEVERLY, J. R.; GLENN, E. P.; HUETE, A. R., 2005. Evapotranspiration
on western US Rivers estimated using the enhanced vegetation index from MODIS and data from eddy covariance and Bowen ratio
flux towers. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 97:337-351.
NERRY, F.; J.; LABEL, A. R., STOLL, M.,1988. Emissivity signatures in the thermal infrared band for remote sensing: calibration
procedure and method of measurement. Applied Optics, Optical Society of America, Washington D.C., USA. 27:758-774.
NERRY, F.; J.; LABEL, A. R., STOLL, M., 1990a. Spectral properties of the surface in the thermal infrared. 1. Laboratory
measurements of absolute spectral emissivity signatures. Journal of Goephysical Research, American Geophysical Union, St. Louis,
Missouri, USA 95:7027-7044.
NERRY, F.; J.; LABEL, A. R., STOLL, M., 1990b. Spectral properties of the surface in the thermal infrared. 2. Field method for
spectrally averaged emissivity measurements. Water resources Research, American Geophysical Union, St. Louis, Missouri, USA.
95:7045-7054.
OHTAKI, E., 1984. Application of an infrared carbon dioxide and humidity instrument to studies of turbulent transport. Boundary
Layer Meteorology, Springer Press, Amsterdam, the Netherlands. 29, 85-107.
OKE, T. R., 1987. Boundary Layer Climates. 2nd Edition. Methuen, New York and London, 435p.
PACHECO, A. P., 1995. Parâmetros Térmicos de Rochas por Aquecimento Transiente Observado no Infravermelho Termal (8 à 12
μm). Tese de Doutorado, IAG-USP, São Paulo, Brasil. 149p.
PACHECO, A. P., 2002. Sensoriamento remoto na faixa espectral do Infravermelho termal (8 - 12 μm). GEODESIA online
http://www.geodesia.com.br,. Data de acesso: 2 de março de 2005.
PAIVA, C. M., 2005. Extração de parâmetros quantitativos da superfície através dos dados satélite NOAA. Tese de doutorado.
Departamento de Ciências Atmosféricas da Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ, Brasil. 277p.
PALOSCIA, S.; PAMPALONI, P., 1992. Microwave vegetation indexes for detecting biomass and water condition of agrcultural
crops. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 40:15-28.
PALOSCIA, S.; PAMPALONI, P.; CHIARANTINI, L.; COPPO, P.; GAGLIANI, S.; LUZI, G., 1993. Multifrequency passive
microwave remote sensing of soil moisture and roughness. International Journal of Remote Sensing, Taylor & Francis Ltd, London,
UK. 14:467-483.
PALTRIDGE, G. W.; MITCHELL, R. M., 1990. Atmospheric and viewing angle correction of vegetation indices and grassland fuel
moisture content derived from NOAA AVHRR. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
31:121-135.
PARLANGE, M.; KATUL, G., 1992. An advection-aridity evaporation model. Water Resources Research, American Geophysical
Union, St. Louis, Missouri, USA. 28:127-132.
PARLANGE, M.; KATUL, G., 1992. Estimation of the diurnal variation of potential evaporation from a wet bare soil surface.
Journal of Hydrology, Springer Press, Amsterdeam, the Netherlands. 132:71-89.
PASQUILL, F., 1950. Some further consideration of the measurements and indirect evaluation of natural evaporation. Quatery
Journal of Royal Meteorological Society, Royal Meteorological Society, London, UK. 76:287-301.
PENMAN, H. L., 1948. Natural evapotranspiration from open water, bare soil and grass. Proceedings of Royal Society London,
Series A. 193:120-145.
PERRIER, A., 1982. Land surface processes: vegetation. In Land Surface Processes in Atmospheric General Circulation Models.
Edited by P. S. Eagleson, Cambridge University Press, Cambridge, UK, 1982. p.399-448.
PHILIP, J. R.; VRIES, D. A., 1957. Moisture movement in porous materials under temperature gradients. Transactions on American
Geophysics Union, American Geophysical Union, St. Louis, Missouri, USA. 38:222-231.
PINKER, R. T.; LASZLO, I., 1991. Effects of spatial sampling of satellite data on derived surface solar irradiance. Journal of
Atmospheric and Oceanic Technology, American Society of Meteorology, Boston, Massachusetts, USA. 8:96:107.
PINKER, R. T.; EWING, J. A., 1985. Modeling surface solar radiation. Journal of Climate and Applied Meteorology, American
Society of Meteorology, Boston, Massachusetts, 24:389-401.
PINKER, R. T.; EWING, J. A.; TARPLEY, J. D., 1985. The relationship between the planetary and surface net radiation. Journal of
Climate and Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, 24:1262-1268.
PINKER, R. T.; LASZLO, I., 1992. Modeling surface solar irradiance for satellite applications on global scale. Journal of Applied
Meteorology, American Society of Meteorology, Boston, Massachusetts, 31:194-28.
PINKER, R. T.; FROUIN, R.; LI, Z., 1995. A review of satellite methods to derive surface shortwave irradiance. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 51:108-124.
PINTY, B.; VERSTRAETE, M. M., 1992. On the design and validation of surface bidirectional reflectance and albedo models.
Remote Sensing of Envrinment, Elsevier Science Publishing Co., New York, USA. 41:155-167.
PRATA, A. J.; PLATT, C. M., 1991. Land surface temperature measurements from the AVHRR. Proceedings of 5th AVHRR data
user’s meeting. June 24-28 of 1991. Tromso, Norway, p.433-438.
PRATA, A. J.; CASELLES, V.; COLL, C.; OTTLÉ, C.; SOBRINO, J., 1995. Thermal remote sensing of land surface temperature
from satellite: current status and future prospects. Remote Sensing Review, Taylor & Francis Ltd, London, UK. 12:175-224.
PRABHAKARA, C.; DALU, G.; KUNDE, V. G., 1974. Estimation of sea surface temperature from remote sensing in the 11 to 13
μm window region. Journal of Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 79: 5039-5044.
PRICE, J. C., 1983. Estimation of surface temperatures from satellite thermal infrared data - a simple formulation for the atmospheric
effect. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 13:353-361.
PRICE, J. C., 1984. Land surface temperature measurements from split window channels of NOAA 7 AVHRR. Journal of
Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 89:7231-7238.
PRIESTLEY, C. H.; R. J., TALYOR, PRICE, J. C., 1972. On the assessment of surface heat flux and evaporation using large scale
parameters. Monthly Weather Review, American Society of Meteorology, Boston, Massachusetts, USA. 100:81-92.
PRUITT, W. O.; LOURENCE, F. J., 1968. Correlation of climatological data with water requirement of crops. Department of Water
Science and Engineering Paper, N°. 9001. University of California, Davis, USA. 32p.
QIN Z.; KARNIELI, A., 1998. Progress in the remote sensing of land surface temperature and ground emissivity using NOAA
AVHRR data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:2367-2393.
RAO, C. R. N.; CHEN, J., 1995. Inter-satellite calibration linkages for the visible and near-IR channels of the AVHRR on the NOAA
7, −9 and −11 spacecraft. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16:1931-1942.
RAO, C. R. N.; CHEN, J., 1996. Post-launch calibration of the visible and near-IR channels of the AVHRR on the NOAA 14
spacecraft. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:2743-2748.
RAUPACH, M. R., 1994. Simplified expressions for vegetatin roughness length and zero plane displacement as functions of canopy
height and leaf area index. Boundary Layer Meteorology, Springer Press, Amsterdam, the Netherlands. 71:211-216.
REYNOLDS, O., 1895. On the dynamical theory of incompressible viscous fluids and the determination of criterion. Philosophical
Transactions of Royal Society of London, London, UK. A174, 935-982.
ROSENBERG, N. J., 1983. Microclimate: the Biological Environment. 2nd Edition. John Wiley & Sons, Inc., New York, 495p.
ROSENBERG, N. J.; BROWN, W., 1970. Improvements in the van Baver-Myers automatic weighing lysimeter. Water Resources
Research, American Geophysical Union, St. Louis, Missouri, USA. 6:1227-1229.
RUBIO, E.; CASELLES, V.; C., BADENAS, 1997. Emissivity measuments of several types in the 8-14 μm wave-band: analysis of
two field methods. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 59: 490 – 521.
RUNNING, S.; LOVELE, T.; PIERCE, L.; NEMANI, R.; HUNT, E., 1995. A remote sensing based vegetation classification logic
for global land cover analysis. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 51:39-48.
SALISBURY, J. W.; DÁRIA, D. M., 1992. Emissivity of terrestrial materials in the 8-14 μm window. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 42:83-106.
SANDHOLT, I. H.; ANDERSEN, S. T., 1993. Derivation of actual evapotranspiration in the Senegalese Sahel, using NOAA
AVHRR data during the 1987 growing season. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
46:164-172.
SAUNDERS, R. W., 1990. The determination of broad band albedo from AVHRR visible and near infrared radiances. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 11:49-67.
SCHADLICH, S.; GOTTSCHE, F. M.; OLESEN, F. S., 2001. Influence of land parameters and atmosphere on METEOSAT
brightness temperatures and generation of land surface temperature maps by temporally and spatially interpolating atmospheric
correction. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 75:39-48.
SCHIFFER, R. A.; ROSSOW, W. B., 1983. The International Satellite Cloud and Climatology Project (ISCCP): The first project of
the World Climate Research Programme, Bulletin of American Meteorological Society, American Society of Meteorology, Boston,
Massachusetts, USA. 64:778-784.
SCHMETZ, J., 1989. Towards a surface radiation climatology: retrieval of downward irrandiances from staellite. Atmospheric
Research, Elsevier Science Publishing Co., New York, USA. 23:287-321.
SCRASE, F. J., 1930. Some characteristics of Eddy Motion in the Atmosphere, geophysical memoirs, N° 522, Meteorological Office,
London, UK. 56p.
SEGUIN, B.; ITIER, B., 1983. Using midday surface temperature to estimate daily evaporation from satellite thermal infrared IR
data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 4:371-383.
SELLERS, P. J.; NEESON, B. W.; HALL, F. G.; ASRAR, G.; MURPHY, R.; SCHIFFER, R.; BRETHERTON, F.; DICKSON, R.;
ELLINGSON, R.; FIELD, C.; HUEMMRICH, K.; JASTICE, C.; MELACK, J.; ROULET, N.; SCHIMEL, D.; TRY, P., 1995.
Remote sensing of the land surface for studies of global change: model-algorithm-experiments. Remote Sensing of Environment,
Elsevier Science Publishing Co., New York, USA. 51:3-26.
SHUTTLEWORTH, W. J.; GASH, H. C.; LLOYD, C. R.; MOORE, C. J.; ROBERTS, J.; MARQUES, A. D.; FISCH, G.; SILVA,
V.; RIBEIRO, M.; MOLION, L.; SA, D.; NOBRE, C.; CABRAL, O.; PATEL, S.; DEMORAES, J., 1984. Eddy-correlation
measurements of energy partition for Amazonian forest. Quarterly Journal of the Royal Meteorological Society, Royal
Meteorological Society, London, UK. 110: 1143-1162.
SIMMER, C., 1999. Contribution of microwave remote sensing from satellites to studies on the earth energy budget and the
hydrological cycle. Advances in Space Research, Elsevier Science Publishing Co., New York, USA. 24:897-905.
SINGH, S. M., 1984. Removal of atmospheric effects on a pixel by pixel basis from the thermal infrared data from instruments on
satellites: The Advanced Very High Resolution Radiometer (AVHRR). International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 5:161-183.
SLABBERS, P. J., 1977. Surface roughness of crops and potential evapotranspiration. Journal of Hydrology, Springer Press,
Amsterdam, the Netherlands. 34:181-191.
SMITH, W. L.; WOOLFE, H. M., 1983. Geostationary satellite sounding (VAS) observations of longwave radiation flux. WMO-
WCP-70. Geneva, 76p.
SOBRINO, J. A.; COLL, C.; CASELLES, V., 1991. Atmospheric correction for land surface temperature using NOAA 11 AVHRR
channel 4 and 5. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 38:19-34.
SOBRINO, J. A.; CUENCA, J., 1999. Angular variation of thermal infrared emissivity for some natural surfaces from experimental
measurement. Applied Optics, Optical Society of America, Washington D.C., USA. 38:3931-3938.
SOBRINO, J. A.; JIMÉNEZ–MUÑOZ, J. C.; EL–KHARRAZ, J.; GÓMEZ, M.; ROMAGUERRA, M.; SÒRIA, G., 2004. Single
channel and two channel methods for land surface temperature retrieval from DAIS data and its application to the Barrax site.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:215–230.
SOBRINO, J. A.; KHARRAZ, J. l., 2003. Surface temperature and water vapour retrieval from MODIS data. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 24:5161–5182.
SOBRINO, J. A.; LI, Z. L.; STOLL, M. P.; BECKER, F., 1996. Multi-channel and multi-angle algorithms for estimating sea and
land surface temperature with ATSR data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17: 2089-
2114.
SOBRINO, J. A.; RAISSOUNI. N.; LI, Z. L., 2001. A comparative study of land surface emissivity retrieval from NOAA data.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 75:256–266.
SOUZA, A. L., 2004. Aplicação de parâmetros biofísicos no desenvolvimento de modelos de previsão de safra agrícola. Tese de
doutorado, Departamento de Ciências Atmosféricas, Instituto Astronômico e Geofísico, Universidade de São Paulo, SP, Brasil, 217p.
STANHILL, G., 1961. A comparison of methods of calculating potential evapotranspiration from climatic data. Israel Journal of
Agriculture, Tel Aviv, Israel. 11:159-171.
STAYLOR, W. F., 1990. Degradation rates of the AVHRR visible channels for NOAA6, 7 and 9 spacescraft. Journal of Atmospheric
and Oceanic Technology, American Society of Meteorology, Boston, Massachusetts, USA. 7:411-423.
STEINMETZ, S.; LAGOUARDE, J.P.; DELECOLLE, R.; GUERIF, M.; SEGUIN, B., 1991. Evapotranspiration and water stress
using thermal infrared measurements. Proceedings of Physiology Breeding of Winter Cereals for Stressed Mediterranean
Environment. Montpelliar, França 3-6, July, 1989. Edited by INRA, Paris 1991. Lee Colloques N°. 55. p.89-114.
STEWART, J. B., 1983. A discussion of the relationships between the principal forms of the combination equation for estimating
crop evaporation. Agricultural Meteorology, Elsevier Publishing Co. Amsterdam, the Netherlands. 30:111-127.
STEWART, J. B.; KUSTAS, W. P.; HUMES, K. S.; NICHOLS, W. D.; MORGAN, M. S.; DE BRUIN, H. A., 1994. Sensible heat
flux - radiometric surface temperature relationship from 8 semiarid areas. Journal of Applied Meteorology, American Society of
Meteorology, Boston, Massachusetts, 33:1110-1117.
SUN, R.; GAO, X.; LIU, C. M.; LI, X. W., 2004. Evapotranspiration estimation in the Yellow River Basin, China using integrated
NDVI. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:2523-2534.
SUTTON, S.; BENNETT, M., 1994. Measurement of wind speed using a rapid-scanning LIDAR. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 15:375-380.
SWINBANK, W. C., 1951. The measurement of vertical tranfer of heat and water vapor by eddies in the lower atmosphere. Journal
of Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 8:135-145.
SZEICZ, G.; ENDRODI, G.; TAJCHMAN, S., 1969. Aerodynamic and surface factors in evaporation, Water Resources Research,
American Geophysical Union, St. Louis, Missouri, USA. 5:380-394.
SZEICZ, G.; LONG, I. F., 1969. Surface resistances to crop canopies. Water Resources Research, American Geophysical Union, St.
Louis, Missouri, USA. 5:622-631.
TANRÉ, D.; DEROO, C.; DUHAUT, P.; HERMAN, M.; MORCREITE, J. J.; PERBOS, J.; DESCHAMPS, P.Y., 1987. Simulation
of the satellite signal in the solar spectrum (5S). User’s Manual, Lab. d’Optique Atmospherique, University des Sciences et
Techniqui de Lille, France. 250pp.
TANRÉ, D.; DEROO, C.; DUHAUT, P.; HERMAN, M.; MORCREITE, J. J.; PERBOS, J.; DESCHAMPS, P. Y., 1990. Description
of a computer code to simulate the satellite signal in the solar spectrum, the 5S code. International Journal of Remote Sensing, Taylor
& Francis Ltd, London, UK. 11:659-668.
TANNER, C. B., 1963. Energy relations in plant communities. In Environmental Control of plant growth. Edited by L.T. Evans.
Academic Press, New York, p.141-148.
TANNER, C. B., 1967. Measurement of evapotranspiration. In Irrigation of Agricultural Land. Edited by R. M. Hagen, H. R. Haise
and T.W. Edminster, Amercian Society of Agronmy, Medison, Wisconsin. USA. Monography, 11:534-545.
TANNER, C. B.; LEMON, E. D., 1962. Radiation energy utilized in evapotranspiration. Agronomy Journal, American Society of
Agronomy, Madison, Wisconsin, USA. 54:207-212.
TARPLEY, J. D., 1978. Estimating incident solar radiation at the surface from geostationary satellite data. Journal of Applied
Meteorology. American Society of Meteorology, Boston, Massachusetts, USA. 18:1172-1181.
THOM, A. S., 1975. Momentum, mass and heat exchange of a plant communities. In: Vegetation and the Atmosphere, Edited by J.L.
Monteith, 1979. 2nd. edition. Academic Press, London, New York, Volume 1: Principles, 277p.
THOMPSON, J. R., 1975. Energy balance for three small plots - substitution of Priestley and Taylor’s large-scale evaporation
parameters. Journal of Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 20:250-254.
THORNTHWAITE, C. W., 1948. An approach toward a rational classification of climate. Geographical Review, American
Geographical Society, Clark University, Worcester, Massachusetts, USA. 38:55-94.
THORNTHWAITE, C. W.; HOLZMAN, B., 1942. Measurement of evaporation from land and water surface. Nature, Boston,
Massachusetts, USA. 181:408-409.
THORNTHWAITE, C. W.; MATHER, J. R., 1957. Instructions and tables for computing potential evapotranspiration and the water
balance. Laboratory of Climatology, Drexel Institute of Technology, Centerton, New Jersey. USA, Publication in Climatology,
Volume ×3:185-312.
TSAY, C. M.; LIU, W. T., 1998. Comparação de três métodos de estimativa de temperatura da superfície terrestre utilizando dados
de AVHRR. 1 . Simpósio Brasileiro de Meteorologia por Satélite: X Congresso Brasileiro de Meteorologia, Brasília DF. MS98021,
CD-ROM.
TSAY, C. M.; LIU, W. T., 2000. Estimativa de albedo, temperatura e NDVI do Estado de São Paulo através de Dados AVHRR do
Satélite NOAA. Anais do XI Congresso Brasileiro de Meteorologia, Rio de Janeiro, MS00015: p.3842-3850, CD-ROM.
ULIVIERI, C.; CASTRONOUVO, M.; FRANCIONI, R.; CARDILLO, A., 1994. A split window algorithm for estimating land
surface temperature from satellites. Advances in Space Research, Elsevier Science Publishing Co., New York, USA. 14:59-65.
VALIENTE, J. A.; NUNEZ, M.; LOPEZ-BAEZA, E.; MORENO, J. F., 1995. Narrow band to broad band conversion for
METEOSAT visible channel and broad band albedo using both AVHRR-1 and −2 channels. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 16:1147-1168.
VALOR, E.; CASELLES, V., 1996. Mapping land surface emissivity from NDVI: application to European, Africa and South
American areas. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 57: 167-184.
VAN BAVEL, C. H. M., 1961. Lysimeter measurement of evapotranspiration rates in the eastern United States. Soil Science Society
of America Proceeding, Soil Science Society of America, Madison, Wisconsin, USA. 25:138-141.
VÁZQUEZ, D. P.; REYES, F. J.; ARBOLEDAS, L. A., 1997. A comparative study of algorithms for estimating land surface
temperature from AVHRR data. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 62:215-222.
VERMA, S. B.; BALDOCCHI, D.; ANDERSON, E.; MATT, R.; CLEMENT, J., 1986. Eddy fluxes of CO2, water-vapor, and
sensible heat over a deciduous forest. Boundary-Layer Meteorology, Springer Press, Amsterdam, the Netherlands. 36: 71-91.
VERMA, S. B.; ROSENBERG, N. J., 1977. The Brown-Rosenberg resistance model of crop evapotranspiration modified tests in an
irrigated sorghum field. Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 69:776-782.
VRIES, DE A. C.; KUSTAS, W. P.; RITCHIE, J.; KLAASSEN, W.; MENETI, M.; RANGO, A.; PRUEGER, J. H., 2003. Effective
aerodynamic roughness estimated from airborne laser altimeter measurements of surface features. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 24: 1545-1558.
WCRP, 1983. Experts meeting on aerosols and their climate effects. In: World Climate Research Program, Edited by A. Deepak and
H.E. Gerber, WCP-55, World Meteorological Organization, Rome, Italy. 107p.
WOFSY, S. C.; GOULDEN, M. L.; MUNGER, J. M.; FAN, S.; BAKWIN, P.; DAUBE, B.; BASSOW, S.; BAZZAZ, W., 1993. Net
exchange of CO2 in a midlatitude forest. Science, American Association for Advancement of Science, Washington, D.C., USA. 260:
1314-1317.
WYDICK, J. E.; DAVIS, P. A.; GRUBER, A., 1987. Estimation of broadband planetary albedo from operational narrowband
satellite measurements. NOAA Technical Report. NESDIS 27, PB88-107644/AS, USDC, Washington D.C., USA. 32p.
YAMAMOTO, G. A., 1962. Direct absorption of solar radiation by atmospheric water vapor, carbon dioxide and molecular oxygen.
Journal of Atmospheric Science, 19:182-188.

ANEXO 8A – Programa do cálculo de Evapotranspiração Potencial pelo Método de Hargreaves. Fonte: (HARGREAVES, 1974.
Potential evapotranspiration and irregation requirements for northeast Brazil. Utah State University, On Farm Water Management
Research Program Report. USAID contractNo.AID/csd-2167, 54p.)
ANEXO 8B – Programa de cálculo de albedo, temperartura da superfície terrestre e NDVI baseado nos dados de NOAA AVHRR
PSG com resolução de 20 km × 20 km fornecidos por NESDIS/NOAA com correção atmosférica pelo método de Partridge e
Mitchell (1990) em FORTRAN. Fonte: (LIU, 2000).
9.1 Introdução
As faltas irregulares de chuva de uma determinada região podem afetar as atividades humanas e causam os
desequilíbrios dos ecossistemas que podem resultar em pânico social e alterações dos recursos de biodiversidade. O
fenômeno da seca depende da demanda e da oferta. Pode ocorrer quando o consumo de água ultrapassa a oferta.
Portanto, a falta de água pode ocorrer nas regiões que têm água abundante, mas com mau uso. Nesse caso, cabe aos
governantes planejar o gerenciamento dos recursos hídricos disponíveis em longo prazo para atender os diversos usos da
comunidade para evitar os eventuais pânicos. Este capítulo somente apresenta a ocorrência de secas causadas pelos
fenômenos naturais que envolvem as condições meteorológicas e micrometeorológicas, e os critérios de avaliar as secas
são estabelecidos com o objetivo voltado para produções agrícolas, no sentido de secas agrícolas. Vários índices de seca
são desenvolvidos para indicar a severidade da seca. Citam-se alguns exemplos, índice de Thornthwaite (1948), índice de
Palmer (1965), índice de umidade disponível (Moisture Avalable Index – MAI), por Hargreaves (1975) e Índice de
Deficiência de Evapotranspiração, por Doorenbos e Kassan (1979). Recentemente, os índices de vegetação derivados das
reflectâncias espectrais baseados nos dados obtidos pelo satélite são largamente usados para monitoramento das
ocorrências das secas. (IDSO; JACKSON; REGINATO, 1977; SEGUIN, 1983; KOGAN, 1990). As aplicações dos
índices de vegetação via satélite no monitoramento das ocorrências da seca têm suas vantagens, incluindo fornecimento
de informações contínuas de altas resoluções espaciais e temporais, e monitoramento em uma área de diversas escalas,
como fazenda, município, estado, país, continente até global, dependendo dos dados de satélite disponíveis. Antes de
apresentar as aplicações de dados de satélite no monitoramento de seca, os movimentos de água no solo e no sistema de
solo-planta-atmosfera, a definição de potencial de água, os cálculos de balanço hídrico e os índices de seca serão
introduzidos para facilitar o entendimento dos fenômenos da seca e a validação dos métodos de monitoramento da seca
via satélite.

9.2 Potencial da água

O potencial da água (ψ) pode definir-se como “a capacidade relativa da água de produzir trabalho, comparada
àquela da água pura numa mesma temperatura, fora dos campos de absorção” ou ainda “é a energia que gasta para
transferir a unidade de massa de água de um estado de referência, onde o potencial da água é zero, para outro estado de
energia potencial”. A Sociedade Internacional de Ciências do Solo (International Soil Science Society – ISSS) define o
potencial da água do solo como: a quantidade de trabalho que deve desenvolver-se para uma unidade de água pura ser
transportada, reversível e isotermicamente, de um ponto de referência à elevação específica, sob pressão atmosférica, à
mesma temperatura, ao ponto em consideração. Portanto, o potencial da água pode ser positivo ou negativo dependendo
da energia potencial abaixo ou acima do zero.
Considerando-se em um sistema de atmosfera em equilíbrio isotérmico, a densidade de vapor da água diminui com
o aumento da elevação dz, como mostrada na Figura 9.1.

Figura 9.1 – Relação da pressão de vapor da água (e) diminui com o aumento da elevação Z acima da superfície da água.

Na altura de ( z + dz ), a concentração de vapor da água diminui (e - de ). Isto pode ser representada pela equação
(9.1).

Em que:  
de = a diferença de pressão de vapor de água entre a superfície z e a altura dz da superfície (mb);
ρ = densidade de vapor de água (g cm−3)
g = aceleração gravitacional, 9,80665 m s−2;
dz = altura acima da superfície de água (cm).

O potencial de água, pela definição, é expresso como:

Em que:  
ψ = potencial de água (mb);
h = dz.

Para um pequeno incremento:

Portanto,

Aplicando-se a equação de gás ideal:

Em que:  
P = pressão do vapor (mb ou atm);
V = volume do vapor (cm3);
W = peso do vapor (g);
M = peso molecular do vapor (18 g/mol);
R = a constante geral dos gases na temperatura de 25°C, cujo valor é 0,082 atm l/[mol °K] ou 84,7cm
H2O l/[mol °K] ou 8,2 MPa m3/[mol °K];
T = a temperatura absoluta, °K;

Substitua e por P na equação (9.5):

e =[(W/M)RT]/V,
ρ = W/V
ρ = densidade

Portanto:

Combinam-se as equações (9.4) e (9.7):

Integrando-se à equação (9.9):

 As unidades de ψ podem ser representadas por ψw (potencial de água em carga hidráulica, cm), ψv (potencial de
água em força, dina/cm2) ou ψm (potencial de água em energia, erg cm−3).
 

1 b = 1 bar = 0,987 atm nas condições atmosféricas de padrão com a temperatura de 25 °C e o volume de 22,4
litros.

1 mb = 10−3 b;

1 atm = a pressão do ar de 1 atmosfera = 1013,6 mb;

1 kPa = 10 mb.

A tabela 9.1 mostra a lista dos valores de umidade do ar (%) e seus potenciais de água correspondentes em unidade
de kPa, atm e bar.
Tabela 9.1 – Conversão do valor da umidade do ar (%) à potencial de água (ψ).
UR (%) ψ
kPa atm bar
99,9 −140 −1,37 −1,4
99 −1390 −13,7 −13,9
80 −30900 −305 −309
60 −70100 −697 −701
20 −223000 −2197 −2230
10 −319000 −3144 −3190

9.3 Tensão da água no solo

Os poros existentes entre as partículas de solo compõem-se de água e ar que são os centros de trocas de íons pelas
reações químicas e demonstram as características físicas na estrutura do solo. Os poros no solo também são importantes
para as raízes se desenvolverem bem e funcionarem na absorção de nutrientes.
Para desenvolver o conceito de pressão negativa, coloque um pequeno tubo de vidro em um tanque de água. A
água vai subir dentro do tubo fino até a força capilar que suporta a coluna de água em equilíbrio com o peso da própria
coluna da água (figura 9.2a. coluna esquerda). A parede do tubo fino de vidro criou uma sucção capilar que é uma força
resultante da adesão e coesão da água na parede do tubo. As pressões das superfícies de água dentro e fora do tubo são
iguais a uma atmosfera. Mas a pressão atmosférica fora do tubo sustenta uma coluna de água dentro do tubo para que as
duas pressões fiquem em equilíbrio. Portanto, a força capilar no tubo é negativa que compensa o peso da coluna da água
no tubo. Por exemplo, coloque verticalmente um lado de uma toalha seca em contato com a água, esta vai molhar e subir
a toalha até uma certa altura, cujo peso da água é força de sucção em equilíbrio. O molhamento da toalha é por causa da
força capilar que absorve a água semelhante à água subindo no tubo fino pela força capilar. A figura 9.2a mostra que a
subida de uma coluna de água (+z) é causada pela força capilar maior que a força da tensão superficial (σ) de água. A
figura 9.2b mostra, ao contrário, que a descida de uma coluna de mercúrio (-z) é causada pela força capilar menor que a
força da tensão superficial (σ) de mercúrio.
 Figura 9.2 – a. A subida de uma coluna de água (+z) é causada pela força capilar maior que a força da tensão superficial (σ) de água;
b. A descida de uma coluna de mercúrio (-z) é causada pela força capilar menor que a força da tensão superficial de mercúrio. O
indica a superfície do líquido na altura referencial 0. água (esquerda) ou mercúrio (direta). O θ é o ângulo da interface entre a
superfície do líquido e a parede do tubo.

Os componentes do potencial total da água (ψt) incluem potencial matricial (ψm), osmótico (ψo), gravitacional (ψg)
e de pressão (ψp) apresentados pela equação (9.11).

Em que:  
ψt = potencial total de água;
ψm = potencial matricial;
ψo = potencial osmótico;
ψg = potencial gravitacional;
ψp = potencial de pressão.

O potencial matricial inclui três componentes:

Em que:  
ψa = potencial de absorção;
ψc = potencial capilar;
ψs = potencial da fase líquida entre os poros no solo.

O potencial de absorção (ψa) é o resultante das forças provenientes das primeiras camadas de moléculas adjacentes
à superfície das partículas. O potencial capilar (ψc), derivado das minuciosas curvas da interface ar-água, é relacionado
ao raio de curvatura (R) desta interface pela relação expressa na figura 9.2. Essa figura mostra que a água ascende em
função da tensão da superfície (σ) de uma coluna de água no tubo puxando a água até uma altura z no ponto em que o
peso da coluna da água está em equilíbrio com a tensão da superfície. Na figura 9.2, R é considerado como o raio de uma
suposta esfera, que se adapta à curva formada pelo menisco, e r é o raio do tubo capilar. Essa força é chamada potencial
capilar, ψc, que depende da força da superfície do líquido, e o raio do tubo é representado pela equação (9.13).
 Em que:  
ψc = potencial capilar;
σ = tensão superficial;
R = raio da curvatura de superfície da água.

Na condição de forças em equilíbrio:

Em que:  
θ = ângulo da interface entre a superfície do líquido e a parede do tubo;
r = o raio do tubo capilar;
g = força gravitacional, 981cm/s2;
ρ = o peso específico do líquido;
ρa = o peso específico do ar;
z = altura da coluna líquida.

Reorganize a equação (9.14) para obter σ pela equação (9.15):

A equação (9.15) considera o peso da coluna pela altura z que deve ser corrigida para incluir o peso do líquido
acima do fundo do menisco (área mais escura na figura 9.2a) ou abaixo da curvatura (área mais escura na figura 9.2b).
No caso da figura 9.2a, esse peso pode ser considerado como uma semi-esfera de raio r com o volume de (2πr3)/3. O
volume de líquido da curvatura é calculado pelo (πr3) – (2πr3/3) que é πr3/3. O peso do volume da água é convertido para
a pressão hidráulica agindo em uma área de πr2, que é (z+r/3) obtida pelo [z+(πr3/3)/πr2]. Portanto, a tensão da superfície
é calculada pela equação (9.16). A água em uma temperatura de 20 °C possui uma tensão superficial de 7,275×106 N
m−1.

Em que:  
ρ = o peso específico de líquido;
ρa = o peso específico de ar;
g = força gravitacional, 981 cm/s2;
z = a altura da coluna do líquido;
r = o raio interior da coluna do líquido;
θ = o ângulo da curvatura do líquido.

O potencial da fase líquida entre os poros no solo (ψs) é por causa das forças de atração entre as moléculas de água
e os íons das superfícies carregadas das partículas de argila. Portanto, os potenciais matriciais, que têm valores negativos,
também são conhecidos como sucção matricial, sucção da água do solo ou tensão de umidade do solo.
A atividade molecular da água diminui por causa da presença dos íons e outros solutos dissolvidos na água que
resultam uma energia potencial negativa chamada de potencial osmótico ou soluto (ψo). O ψo é o resultante das forças de
interação entre a água e as substâncias dissolvidas. Quanto maior a concentração de solutos ou íons na água, o estado da
energia da água é mais baixo, o que resulta a energia potencial negativa. O ψo pode ser calculado pela equação (9.17) de
Van’t Hoff.
 Em que:  
ψo = potencial osmótico ou soluto (mb ou atm);
R = a constante geral dos gases, cujo valor é 0,082 atm l/[mol°K] ou 84,7cm H2O l/[mol°K]
ou 8,2 MPa m3/[mol°K];
T = a temperatura absoluta, °K;
C = a concentração do soluto, mol/l.

Por exemplo, se tiver uma solução de NaCl com a concentração de 0,1 mol/l na temperatura de 27 °C, o valor de
ψo pode ser obtido pela aplicação da equação (9.17).
 

Coloque a solução de NaCl de 0,1 mol/l ao lado da solução de NaCl de 0,5 mol/l. No caso de NaCl de 0,5 mol/l, o
ψo é −12,3 atm. O ψo da NaCl de 0,1 é mais alto que o da NaCl de 0,5 mol/l. Isto cria a possibilidade de a água passar da
solução NaCl de 0,1 mol/l para a de 0,5 mol/l. Acontece, também, que os solutos se difundem da alta para a baixa
concentração. Depois de algum tempo, o equilíbrio é alcançado com a concentração de NaCl de 0,3 mol/l no final. Isto
demonstra que a diferença do potencial osmótico não causa o movimento significativo de água, mas sim o movimento
dos solutos: se tiver uma membrana semipermeável que permita a passagem de moléculas de água, ele não permite a
passagem de moléculas de NaCl. No equilíbrio, as moléculas de água passam à membrana semipermeável ao lado da de
baixa concentração de NaCl de 0,1 mol/l e entram na concentração de 0,5 mol/l, que resultam na expansão do volume até
a concentração alcançar um equilíbrio de 0,3 mol/l que resulta o ψo de −7,38 atm. O aumento da pressão de −12,3 atm
para −7,38 atm resulta um aumento da pressão positiva, que é um tipo de pressão hidrostática e definida como o
potencial de pressão (ψp).
O potencial gravitacional (ψg) é uma energia potencial originada pelo próprio peso de massa da água que depende
de um plano referencial. O ψg do plano referencial de água na superfície do solo é zero e a profundidade de 50 cm é
considerada o valor negativo de - 50 cm. A equação (9.2) pode ser usada para expressar o ψg.

Em que:  
ψg = potencial gravitacional;
ρw = densidade da água, 1g/cm3;
g = 981 cm/s2;
h = a água situa-se acima do plano referencial com a altura h (cm).

Por exemplo, o valor de ψg na profundidade de 50 cm abaixo da superfície do solo é calculado pela equação (9.2).

ψg = 1g/cm3×981cm/s2×(−50 cm)
= – 49050 (g/cms2)/cm2
= – 49050 dinas/cm2
= – 49050 dinas/cm2× (1 mb/103dinas/cm2s)
= – 4,905 mb.

Fundamentado no cálculo pela equação (9.2), o valor do ψg é – 4,905 mb. O potencial de pressão (ψp) é a
superfície da água submetida à pressão atmosférica de 1 atm. No caso de um solo inundado com uma lâmina de 20 cm, o
ψp no ponto da superfície do solo tem a pressão atmosférica e a carga hidráulica de 20 cm positiva. No caso de uma
coluna de água de altura de h, o ψg é ρwg h no topo da coluna e o ψp é ρwg h no fundo da coluna que resulta em um
anulando o outro.

9.4 Características de curvas de umedecimento e secagem do solo

Os solos arenosos retêm menos água nos poros que os argilosos no mesmo potencial de água e esvaziam mais
rápido quando diminui o potencial de água. A figura 9.3 mostra as relações entre o potencial de água e a umidade do solo
para os solos arenosos, limos e argilosos. Liu (1974) utilizou vários métodos de medições de umidade do solo e potencial
de água no solo, incluindo coluna de sucção, tensiômetro, placa de pressão, psicrômetro e umidade de vapor em
equilíbrio para obter uma curva que represente a variação de potencial de água com a umidade de água no solo, variando
das condições saturadas até completamente seca. Salienta-se, que as medições de potencial de água abaixo de 1.000
bares são raramente encontradas nas literaturas. A figura 9.4 mostra o potencial da água em função da umidade
volumétrica do solo obtido por Liu (1974). Esses dados são importantes para converter os dados do potencial da água
para dados de umidade do solo volumétrica que são geralmente usados para investigar o movimento de água no solo e o
cálculo de balanço hídrico.

Fenômeno da Histerese

A facilidade do movimento da água no solo depende da estrutura dos canais formados por vários tamanhos de
poros. Geralmente, a secagem de água nos poros mais finos é mais difícil que a de água nos poros maiores, por causa da
força de absorções entre moléculas de água e a superfície do solo e a força de tensão capilar entre os microporos. A
mesma razão para umedecer um solo seco, pois é difícil a água entrar nos poros mais finos por causa do ar, ficando presa
nos poros. Portanto, aplicando a mesma pressão para secar e molhar uma amostra de solo, os teores de umidade do solo
não são os mesmos. Isto quer dizer, é mais difícil de secar ou molhar totalmente o solo porque os poros finos têm mais
resistência de secagem e umedecimento. O teor de umidade do solo é sempre mais alto no processo de secagem que no
processo de umedecimento aplicando a mesma pressão. Esse fenômeno é chamado histerese. A figura 9.5 mostra o
fenômeno de histerese que ocorre nas várias fases de secagem e umedecimento. O fenômeno de histerese é mais intenso
nos solos mais argilosos que os solos mais arenosos.
Do ponto de vista da produção agrícola, os poros saturados com água prejudicam a respiração das raízes e, em
conseqüência, prejudicam o desenvolvimento das culturas. Todavia, a água retida na superfície dos microporos, as raízes
não têm forcas para extraí-las. Portanto, existe uma faixa de umidade no solo que é ideal para o desenvolvimento das
culturas chamada, água disponível no solo (ADS). Essa água para as culturas é calculada pela diferença entre a umidade
do solo no ponto de capacidade do campo (θpcc) e a umidade do solo no ponto de murchamento permanente (θpmp) que
é representada pela equação (9.18). O valor da θpcc é obtido três dias após uma chuva que satura o solo; o excesso de
água nos poros é drenado pela gravidade. O valor da θpmp é obtido quando as plantas murchas não se recuperam após a
irrigação. O valor de ADS geralmente é representado pela unidade igual à chuva em mm por uma profundidade de raízes
para uma determinada cultura. Por exemplo, o solo com uma profundidade de raízes de 1 m com o valor de θpcc igual a
0,48 e o valor de θpmp igual a 0,28, o valor de ADS é igual a (0,48 – 0,20)×1000 mm = 200 mm.

Figura 9.3 – Variações de potencial da água com a umidade da água no solo para os solos arenosos, limos e argilosos. Fonte: (LIU,
1974).
Figura 9.4 – Variações de potencial da água com a umidade volumétrica de um tipo do solo limo em uma plantação de uva do
município Hector, na região central do Estado de New York, USA. Fonte: (LIU, 1974).

Figura 9.5 – O fenômeno de histerese nos processos de secagem e umedecimento.

Em que:  
ADS = água disponível do solo (mm);
θpcc = umidade do solo no ponto de capacidade do campo;
θpmp = umidade do solo no ponto de murchamento permanente.
9.5 Movimento de água no solo
A água movimenta-se no solo proporcionalmente às forças que a retêm nos diversos pontos. O movimento da água
pode ocorrer em quatro condições diferentes:

a)   movimento da água líquida pelo gradiente de potencial da água;

b)   movimento de vapor da água pelo gradiente de potencial da água;
c)   movimento da água líquida pelo gradiente de temperatura da água;
d)   movimento de vapor da água pelo gradiente de temperatura da água.

De ponto de vista micrometeorológico, a dinâmica do movimento diurno de água em horas até alguns minutos é
mais complexa porque o processo envolve todas essas quatro fases do movimento. A simulação dos processos físicos de
evaporação diurna nas fases líquida e vapor sob a influência do gradiente de potencial de água e o gradiente da
temperatura, portanto, é uma tarefa complexa e fascinante que sempre atrai os pesquisadores.

9.5.1 Movimento de água no solo saturado

Em solos saturados, a água é movida pela força hidráulica e pela gravidade. A Lei Darcy é utilizada para descrever
esse movimento.

Em que:  
q = Q/A, cm/s, q é densidade de fluxo que representa a vazão Q cruzando uma área A;
k = condutibilidade hidráulica, cm/s;
Δh = a diferença de carga hidráulica, cm;
L = o comprimento de coluna do solo que conta a passagem da água entre duas cargas
hidráulicas, cm.

Por causa das condições complexas de distribuições de poros nos diferentes tipos do solo no campo, a
condutibilidade de água no solo é afetada pelas distribuições dos vários tamanhos de poros e pelas atrações químicas e
físicas dos componentes minerais e orgânicos do solo. Portanto, a Lei Darcy funciona bem nos solos arenosos, mas não
nos solos argilosos. Para aplicar a Lei Darcy na estimativa de fluxo de água no solo em condição saturada, a
condutibilidade hidráulica do solo deve ser determinada para cada tipo de solo interessado. Os valores médios da k
variam de 0,01 a 0,001 cm/s para os solos arenosos e de 0,0001 cm/s a 10 μm/s para os solos argilosos.

9.5.2 Movimento de água no solo não-saturado

Em solos não-saturados, existem espaços porosos maiores, que conferem maior condutibilidade na saturação e se
transformam em barreiras quando vazios. Esse é o motivo de queda brusca de condutividade quando da passagem da
condição de saturação para não-saturação.

Em que:  
q = Q/A, cm/s, q é densidade de fluxo que representa a vazão Q cruzando uma área A;
k = condutibilidade hidráulica, cm/s;
ψ = gradiente de potencial de água.

Para se obter uma equação geral do fluxo em condição dinâmica, pode-se introduzir a equação de continuidade:

Em que:  
δθ = a mudança da umidade volumétrica do solo (cm3/cm3);
 δt = o período do tempo considerado;
k(θ) =condutividade de água em função da umidade de solo volumétrica θ, cm/s;
ψ = gradiente do potencial de água;
= movimento vetorial de água em três dimensões.

Geralmente, trata-se do fluxo de água no solo de unidimensional que se muda em direção vertical no solo que é
representada pela equação (9.23).

Define-se a difusividade D como D = – k(δψ/δθ) e substitua k pelo –D/(δψ/δθ) na equação (9.23).

Em que:  
D = difusividade da água em cm2/s.

9.5.3 Movimento de vapor da água

Em que:  
qv = taxa de fluxo de vapor da água, g/cm2/s;
f = fator de tortuosidade, que é igual à razão de passagem real (Lt) de vapor e a distância
linear (L) entre dois pontos (f = Lt/L);
Dv = difusividade de vapor;
p = porosidade total, ou área da seção disponível à difusão de vapor;
dC/dz = gradiente da concentração de vapor da água.

9.5.4 Movimento de água no solo – equação geral

O movimento da água no solo envolve os movimentos de água em fase líquida e fase de vapor no solo saturado e
não-saturado sob o gradiente do potencial da água e o gradiente da temperatura (PHILIP; DE VRIES, 1957; ROSE,
1968a; ROSE, 1968b). Portanto, a equação geral do movimento da água no solo é representada pela equação (9.26). Para
quantificar o movimento de água no solo e calcular o balanço hídrico, é necessário obter os dados de condutividade da
água (k) no solo saturado, a difusividade da água em fase líquida no solo não-saturado sob o gradiente do potencial da
água (Dl) e sob o gradiente da temperatura (DTl) e difusividade da vapor da água sob o gradiente do potencial da água
(Dv) e sob o gradiente da temperatura (DTv). Por causa das contribuições dos movimentos de água nas fases de vapor
pelos gradientes de temperatura e concentração do vapor serem praticamente inapreciáveis, os métodos de estimativa do
movimento de água no solo, somente considera os movimentos de água do solo nas fases líquidas.

Em que:  
θ = umidade volumétrica cm3/cm3;
T = temperatura °C;
D = difusividade cm2/s;
v = fase vapor;
l = fase líquida;
k = condutibilidade, cm/s (fluxo no solo saturado);
 S = taxa de perda de água pela transpiração das raízes.

9.5.5 Movimento de sais

O movimento de sais no solo pode ser considerado como o movimento produzido pela variação do potencial de
água. A água é transportada do potencial de água mais alto com a concentração de sais mais baixa para o potencial de
água mais baixo com a concentração de sais mais alta (JACKSON, 1964; ROSE, 1968a). Portanto, além dos dados das
concentrações de sais nos dois pontos, os dados de difusividade dos sais são necessários para aplicar a equação (9.27)
para calcular a taxa do movimento de sais no solo. O fluxo de sais é contrário ao fluxo da água líquida. Portanto, a
equação (9.27) tem o sinal negativo.

Em que:  
qs = taxa de fluxo de sais, g cm−2 s−1;
Ds = difusividade de sais;
q = movimento de água no solo na equação (9.19);
dS/dl = gradiente da concentração de sais em distância l.

9.6 Movimento de água nas plantas

A pressão atmosférica eleva uma coluna de água pura em um tubo em vácuo à altura de 10,33 m. Mas as águas
subirão mais de 100 m nas árvores altas. Dixon (1914) formulou a “teoria da coesão” que explicou a perda da água nas
folhas pela transpiração, causando o fluxo de água no xilema que liga a saída da água nas folhas e a absorção de água nas
raízes puxada pelo gradiente de potencial da água. Durante a noite, a transpiração cessa e o potencial de água nas folhas
aumenta, o que estabelece um gradiente positivo do potencial da água das folhas aos pontos de crescimento, tais como
frutas e caules. Isto explica o aumento de diâmetro de frutos e caules durante a noite.
As plantas necessitam dos elementos minerais para compor seu crescimento em diversos órgãos. Para as raízes
poderem absorver os nutrientes minerais, existem duas teorias: bombeamento de hidrogênio (Hydrogen Pump) e
bombeamento de sódio (Sodium Pump). As teorias são baseadas no mecanismo da troca de íons entre dois
compartimentos separados por uma membrana semipermeável. Imagine a concentração de um elemento mineral, por
exemplo, o íon P+++ (fosfato) é consumido pelo processo do crescimento da planta, que se integra no tecido dos órgãos
da planta e baixa a concentração desse íon. As raízes liberam íon H+ (hidrogênio) para a solução do solo e absorvem íon
P+++ para reabastecer a falta desse elemento. Depois de alguns anos, o solo torna-se mais ácido por causa do aumento de
H+ no solo. A calagem é necessária para corrigir a acidez do solo de tempo em tempo, para manter o solo que seja
produtivo. O mecanismo da liberação de íons H+ pelas raízes em troca de entradas dos nutrientes íons P+++ é chamado de
Teoria do Bombeamento de Hidrogênio. A liberação de íons H pelas raízes resulta em um solo pouco mais ácido.
Fundamentados na mesma lógica, outros fisiologistas, especialmente na área da medicina, explicam o mecanismo de
absorção de nutrientes pelo íons de sódio em vez de hidrogênio, que é chamada Teoria de Bombeamento de Sódio
(KRAMER, 1969).

9.7 Movimento de água no sistema solo-planta-atmosfera

A transpiração que ocorre nas folhas durante o dia causa a diminuição do potencial de água até 80 bars negativos,
estabelecendo um gradiente de potencial de água entre o solo e as folhas que permite uma absorção passiva de água pelas
raízes. Segundo a Lei Darcy, o fluxo de água depende do gradiente de potencial de água e da condutibilidade. Em vez de
usar condutibilidade, a resistência, que é o inverso de condutibilidade, é usada para descrever esse fluxo.

Em que:  
q = fluxo de água;
Δψ = gradiente de potencial de água;
r = resistência ao fluxo.
 O movimento de água no sistema Solo-Planta-Atmosfera (Soil Plant Atmospheric System – SPA) descreve o
processo de evapotranspiração (ET) envolvendo os movimentos da água no solo, na planta, até entrar na atmosfera. O
conceito da resistência elétrica, semelhante à Lei Darcy, é usado para estimar a taxa de ET nesse sistema. O movimento
de água no sistema pode ser considerado como um fluxo de corrente elétrica que é em função do gradiente do potencial
elétrico dividido pela resistência. O fluxo de ET é resultante das resistências em várias partes de passagem no SPA. As
trajetórias de passagem de água incluem: movimentos de água de um ponto no solo até dentro de raízes (sr), de raízes até
os caules (rx), de caules até folhas (xf), de folhas até estômatos (fe), de estômatos ao topo da copa de vegetação (ec) e de
topo da vegetação até a atmosfera (ca). Considerando-se esse fluxo em estado estável, a taxa de ET pode ser estimada
pelo gradiente de potencial de água e a resistência em quaisquer dos dois pontos no SPA. O fluxo de ET pode ser
estimado por qualquer fluxo em qualquer passagem entre dois pontos no sistema SPA, utilizando-se um análogo de
resistência elétrica da equação (9.29).

Em que:  
q = fluxo de evapotranspiração;
Δψ = gradiente entre dois pontos no sistema solo-planta-atmosfera;
R = resistência do fluxo;
s = solo próximo às raízes;
r = raízes;
x = caules (xilema);
f = folhas;
e = estômatos;
c = copa da vegetação;
a = atmosfera acima da vegetação.

Liu et al. (1978) estimaram as resistências das partes de raízes, caules e folhas pela equação (9.29) usando os
dados de potencial de água das raízes, caules e folhas e a taxa de evapotranspiração real (ETR), obtidos na plantação de
uva localizada no município Hector, na região central do Estado de New York, USA. Observaram que as resistências do
fluxo de água no sistema SAP eram de 16, 13, 3 e 0,4 bars cm−3, para a planta inteira, as raízes, folhas e caules,
respectivamente, e concluíram que as raízes eram o principal controle do fluxo de água no sistema SAP na plantação de
uva. A variação diurna do potencial de água nas várias partes da planta mostrou que o gradiente de potencial de água no
sistema SAP alcançou o valor máximo em torno de 16 bars, quando a temperatura da superfície atingiu o valor máximo
ao redor das 14 horas. A figura 9.6 mostra um exemplo das variações diurnas de potencial de água nas folhas, caules e
cachos de frutas observadas em uma plantação de uva. É interessante observar que, durante o dia, o potencial de água das
folhas alcança um valor mínimo de −16 bars; em seguida, o potencial de água nos caules com o valor de – 12 bars e os
cachos de frutas com – 8 bars. Isto significa que a perda de água pela ETR cria um gradiente de fluxo de água puxando a
água desde o solo, através dos caules para as folhas. Após o anoitecer, a planta recuperou o potencial de água pelo
fechamento de estômatos. Nota-se na figura 9.6 que o potencial de água das folhas e caules alcançou – 2 bars nas 20h.
Mas o potencial de água nas frutas recuperou menos, com – 5 bars. Observa-se que o potencial de água das frutas (– 5
bars) foi mais baixo que o das folhas e caules (– 2 bars). O alto potencial de água nas folhas e caules resultou um fluxo
de água entrando nas frutas. Esse fluxo é contrário ao fluxo de ET ao meio-dia. A água é transportada das folhas,
atravessando os caules, para as frutas, carregando os nutrientes fabricados durante o dia pelo processo fotossintético para
o crescimento das frutas e plantas à noite. Tal observação explica o mecanismo pelo, qual as plantas aumentam seu
tamanho durante a noite (KRAMER, 1969).
 Figura 9.6 – Variações diurnas de potencial de água nas folhas, caules e cachos de frutas observadas em uma plantação de vinheiros
localizada em New York, USA. Fonte: (LIU et al., 1978).

9.8 Medições de umidade e potencial da água

O estudo das interações entre a vegetação e o ambiente surgiu na década de 1950 pela necessidade de melhor
entender os fatores ambientais que afetam o crescimento para o fim de produção agrícola. Foi assim que nasceu a ciência
de Micrometeorologia na década de 1960. Ao longo desses anos de pesquisa, somente hoje podem-se identificar os
frutos nas diversas áreas de aplicações, tais como utilização de instrumentos micrometeorológicos pelos melhoralistas,
para selecionar as variedades mais resistentes aos estresses ambientais, pelos meteorologistas, para quantificar os fluxos
de balanço de energia da superfície e para refinar seus modelos de previsão do tempo, e pelos especialistas em
sensoriamento remoto, para a validação de parâmetros estimados pelos satélites. Hoje, os técnicos de melhoramento
genético utilizam os porômetros, para medir resistência de estômato, câmara de pressão Scholander’s Pressure Bomb,
para medir potencial de água na planta, e espectrorradiômetro, para medir intensidade da radiação fotossintética ativa
(Photosynthetically Active Radiation – PAR).
O fluxo de água no sistema SPA é um processo dinâmico e complexo que envolve o processo de transporte de
água no solo sob as influências dos gradientes de água e temperatura, o processo de transporte de água na planta e o
processo de transporte turbulento entre a vegetação e a camada limite da superfície terrestre. Até hoje, as pesquisas ainda
são muito ativas nas áreas de transportes turbulentos na camada limite e de transportes de água no sistema SPA. Antes de
abordar o assunto de monitoramento da seca, é necessário conhecer os métodos de medições de umidade de solo e planta
no sistema SPA, freqüentemente usados para a validação dos métodos de monitoramento de umidade do solo via satélite.

9.8.1 Medições de umidade de água no solo

•    Métodos gravimétricos e volumétricos

Em que:  
θw = porcentagem de umidade do solo gravimétrica;
Wf = peso fresco da amostra de solo em campo;
Ws = peso seco da amostra de solo.

O peso seco é obtido na estufa, mantendo a temperatura entre 105 °C e 110 °C por 48 horas. Além de coletar o
peso fresco das amostras, ao mesmo tempo se obtêm os dados de volume do solo em campo para calcular a umidade
volumétrica do solo. Veja o Capítulo 3 em detalhe.

•    Métodos de sonda de nêutrons

O princípio do Método de Sonda de Nêutrons consiste em um emissor de nêutrons radiativos e um sensor que
detecta a concentração de íon H no solo. A presença de íon H diminui a velocidade de nêutrons que devem se espalhar
rapidamente fora da fonte. Os nêutrons, que diminuem suas propagações e se acumulam próximo à fonte, resultam em
aumento da concentração de nêutrons, que é proporcionar a alta umidade no solo. Uma curva de correlação entre a
concentração de nêutrons desacelerados com a umidade do solo volumétrica deve ser obtida no campo para cada tipo de
solo em cada região específica. Essa curva de calibração é necessária para converter os dados de Sonda de Nêutrons aos
dados de umidade do solo volumétrica (KLAR, 1984).

•    Medições de potencial da água no solo

O potencial da água no solo pode ser obtido diretamente pelos instrumentos que medem a pressão no estado de
equilíbrio entre solo e poros em uma câmara controlada. Para obter o teor de umidade do solo, uma curva de calibração
que correlaciona o teor de água e o potencial da água no solo deve ser estabelecida para cada tipo de solo específico.

•    Método do tensiômetro

O tensiômetro consiste em um tubo com uma cápsula de cerâmica e um medidor de pressão. Mede diretamente o
componente de potencial matricial (KLAR, 1984; Winter, 1984). Pela dificuldade de manter a coluna de água livre do ar,
sua medição somente chega até – 0,75 bars com a acurácia confiável. Os dados obtidos pelo tensiômetro podem ser
convertidos para os dados de umidade do solo utilizando a curva de correlação entre potencial de água e umidade do
solo.

•    Método da câmara de pressão

A câmara de pressão consiste em uma placa cerâmica dentro de uma câmara de metal fechada, com uma entrada
para a aplicação de pressão e uma saída embaixo da placa para drenar o excesso de água. Dependendo da porosidade da
placa cerâmica, a medição pode ser feita entre – 1 e – 20 bars (WINTER, 1984; KLAR, 1984).

•    Método do psicrômetro

O método mede o decréscimo da temperatura do bulbo úmido quando a água condensada no sensor evapora por
um efeito Peltier em uma pequena câmara no ambiente controlado (KLAR, 1984; WINTER, 1984). A depressão do
bulbo úmido corresponde ao potencial da água da amostra colocada na câmara. O método mede os componentes
osmótico e matricial de potencial da água que pode chegar a uma boa acurácia de menos que 0,5 bar e pode medir até –
50 bars. O método é muito sensível a pequenas mudanças de temperatura. Portanto, uma bacia de água que mantenha a
temperatura do ambiente constante é crucial para garantir a boa acurácia (KLAR, 1984; WINTER, 1984).

9.8.2 Medições de teor de água nas plantas

•    Método de teor relativo de água de folhas

Em que:  
RWC = teor relativo de água (Relative Water Content – RWC);
Pst, Pf e Ps = peso saturado, fresco e seco das folhas, respectivamente.

•  Método psicrômetro

Alguns instrumentos de medição de potencial de água no solo podem ser utilizados para medir o potencial de água
na planta, tal como o psicrômetro (KLAR, 1984; WINTER, 1984).

•    Câmara de pressão tipo Scholander

A câmara de pressão, chamada pressure bomb, foi introduzida por Scholander (1965). Em princípio, coloca-se
uma folha ou ramo em uma câmara e aumenta-se a pressão até a água das seivas do xilema aparecer na ponta do
material, ou do pecíolo, no caso da folha, que fica fora da câmara. Nesse ponto, a leitura da pressão aplicada representa a
pressão negativa na folha que é o resultante dos componentes matricial e osmótico do potencial da água nos vasos do
xilema. O componente osmótico no xilema é geralmente próximo a zero. Portanto, a câmara de pressão é usada para
medir o potencial matricial da planta (KLAR, 1984; WINTER, 1984).

9.8.3 Medição de resistência de estômatos

O porômetro de difusão consiste em uma pequena câmara com uma determinada abertura que recebe o vapor de
água transpirado pelos estômatos da folha, um sensor de temperatura e um de radiômetro para medir a temperatura e
intensidade de PAR, um sensor que mede a umidade dentro da câmara e uma bolha de borracha para bombear e esvaziar
o ar úmido antes de cada medição. O tempo medido da câmara seca até certa umidade escolhida significa a velocidade da
difusão de vapor da água através das aberturas de estômatos. Para as calibrações, várias curvas, que correlacionam as
taxas de difusão de vapor e diferentes aberturas de estômatos, devem ser obtidas para vários níveis de temperatura em
um ambiente controlado.

9.9 Índices de seca

O investimento na produção agrícola geralmente é considerado como um investimento de longo prazo que
necessita de um planejamento cuidadoso. Apesar das considerações sobre a dependência da política governamental para
facilitar o financiamento e a tendência de mercado favorável, uma avaliação adequada do risco agrícola de uma região
específica é importante na decisão de implantação de um sistema de produção agrícola. Os riscos agrícolas em geral
envolvem a avaliação de estresses ambientais, tais como seca, geada, enchente, queimada, doenças, pragas e anomalias
do tempo e outros que afetam crescimento e produtividade de culturas. Entre esses fatores, a seca é geralmente
considerada como um fator mais importante na produção agrícola. Portanto, esta seção apresenta vários índices de seca
agrícola e suas aplicações na estimativa de risco agrícola.

9.9.1 Índice de aridez do Thornthwaite

Thornthwaite (1948) apresentou um Índice de aridez (Ia) em função de comparação de precipitação (Pcp) e
evapotranspiração potencial (ETP). A equação (9.32) representa o cálculo do Ia.

Em que:  
Ia = Índice de aridez do Thornthwaite;
DH = ETP – Pcp;
Pcp = precipitação;
Quando ETP < Pcp, Trata-se: ETP = Pcp

O valor de Ia varia de 0 a 100. O valor zero infere que não tem déficit hídrico, e o valor 100 significa que o déficit
hídrico é máximo. Como na maioria das regiões, a distribuição de chuva sempre tem alguns meses de déficit hídrico e
alguns de excesso hídrico durante um ano, Thornthwaite (1948) propôs um índice chamado índice efetivo de umidade
para um ano inteiro, que é calculado a seguir:

Em que:  
Im = índice efetivo de umidade ou índice hídrico;
Iu = 100 EH/ETP;
EH = excesso hídrico.

O peso menor de la é por causa da diminuição da taxa de ETP, causada pelo déficit hídrico. A tabela 9.2 mostra as
nove classes da classificação climática do método de Thornthwaite (1948).

Tabela 9.2 – Classificação climática do método de Thornthwaite (1948).

Tipo climático Classificação Faixa de valor do Im
A super úmida 100 ≥ 100
B4 muito úmida 80 – 100
 B3 úmida 60 – 80
B2 meio úmida 40 – 60
B1 pouco úmida 20 – 40
C2 úmida e sub-úmida 0 – 20
C1 seca e sub-úmida −20 – 0
D semi-árida −20 – - 40
E árida −40 – - 60

9.9.2 Índice de deficiência de evapotranspiração

Doorenbos e Kassan (1979) apresentaram um índice de déficit hídrico (Idh) que é obtido pela comparação da ETR
com ETM usando a equação (9.34). Para uma determinada cultura, um índice da perda de produtividade (Ipp) foi
apresentado para calcular a perda de produtividade em um determinado estágio do crescimento, comparando-se a
produtividade real (Yr) com a produtividade máxima (Ym) obtida pela equação (9.35). Eles usaram a equação (9.36) que
estima a Yr/Ym em função de ETR/ETM acumulada para o ciclo fenológico inteiro.

Em que:  
Idh = índice de déficit hídrico;
Ipp = índice de perda de produtividade;
Yr = produtividade real;
Ym = produtividade máxima;
Ky = coeficiente de produtividade de cada estágio do crescimento;
Σ = somatório de estágios de um ciclo fenológico;
n = número total de estágios de um ciclo fenológico.

9.9.3 Índice de água disponível de Hargreaves

Hargreaves (1975) considerou que a probabilidade de ocorrência de chuva de 75% é uma quantia provável para o
planejamento de produção agrícola. Doorenbos e Pruitt (1977) também recomendam a probabilidade de ocorrência de
chuva de 75% como a chuva efetiva. Em vez de utilizar o valor de chuva mensal total como água disponível no cálculo
de balanço hídrico, Hargreaves utilizou a probabilidade de chuva de 75% (Pcp75%) e ETP para desenvolver um índice
de umidade disponível (Moisture Available Index – MAI) que é calculada pela equação (9.37).

Em que:  
MAI = índice de umidade disponível;
Pcp75% = probabilidade de chuva de 75%;
ETP = evapotranspiração potencial.

Para obter os dados mensais de chuva de 75% da probabilidade, uma curva de freqüência de distribuição da chuva
baseada nos dados históricos de chuva mensal de uma série acima de 30 anos deve ser construída. Além de utilizar os
dados observados, um método de suavizar a freqüência de distribuição, chamado Gama Incompleto, pode ser utilizado na
geração de vários níveis de probabilidade (THOM, 1968). O programa computacional do método de Gama Incompleta
pode ser encontrado na publicação de Hargreaves (1975) e em várias publicações. A tabela 9.3 apresenta as classes
baseadas nos valores de MAI. Hargreaves (1975) classificou o clima de uma região, que possui três meses consecutivos
do valor de MAI acima de 0,33, como apta para as culturas de ciclo fenológico curto, tal como feijão.
Tabela 9.3 – Classificação de umidade disponível do método de Hargreaves.
 Valor de MAI Classe
0,00 – 0,33 super deficiência hídrica
0,33 – 0,67 deficiência hídrica modesta
0,67 – 1,00 deficiência ocasional
1,00 – 1,33 adequada
1,34 – > 1,34 excesso hídrico

9.9.4 Índice de risco agrícola

A produtividade de uma determinada cultura pode ser afetada pela ocorrência de seca intensiva ou seca prolongada
ou uma combinação delas nos diferentes estágios do crescimento. Para integrar os diferentes níveis de intensidade e
prolongamento da seca, Liu, Steinmetz e B.W. Liu (1987) propuseram um índice chamado índice de risco agrícola (IRA)
para avaliar os efeitos da seca à produtividade das culturas na área de sequeiro. Os coeficientes de Kc e Ky apresentados
por Doorenbos e Kassam (1979) são incorporados para gerar o IRA que possa ser utilizado para classificar
adaptabilidade de culturas de sequeiro. A tabela 9.4 mostra a classificação de adaptabilidade de culturas de sequeiro
seguindo o método de Liu et al. (1987). A tabela 9.5 mostra as adaptabilidades classificadas pelo IRA para as culturas de
milho, arroz, sorgo e feijão de quatro localidades no Brasil: Cruzeta, Estado de Rio Grande do Norte, Goiânia, Estado de
Goiás, Santa Cruz do Rio Pardo, Estado de São Paulo e Conceição do Araguaia, Estado de Pará. Apontaram que as
distribuições de chuva nas regiões de Cruzeta e Goiânia são mais concentradas e menos erráticas, comparando-se com as
regiões de Santa Cruz do Rio Pardo e Conceição do Araguaia. Portanto, apesar da baixa pluviosidade em Cruzeta, os
riscos de perda das produtividades das culturas não são tão altos.
Tabela 9.4 – Classificação de adaptabilidade de culturas de sequeiro para quatro localidades no Brasil: Cruzeta, Estado de Rio Grande do
Norte, Goiânia, Estado de Goiás, Santa Cruz do Rio Pardo, Estado de São Paulo e Conceição do Araguaia, Estado de Pará, usando Índice
de Risco Agrícola (IRA) seguindo o método de Liu, Steinmetz e B.W. Liu (1987).
Valor de IRA Classe
0,00 – 0,25 boa
0,25 – 0,50 regular
0,50 – 0,75 restrita
0,75 – > 0,76 inapta

Tabela 9.5 – Valores de Índice de Risco Agrícola (IRA) para quatro localidades no Brasil: Cruzeta, Estado de Rio Grande do Norte,
Goiânia, Estado de Goiás, Santa Cruz do Rio Pardo, Estado de São Paulo e Conceição do Araguaia, Estado de Pará, Brasil. Fonte: (LIU;
STEINMETZ; LIU, 1987).

9.9.5 Índice de Palmer

A seca pode ser considerada estreitamente como um fenômeno meteorológico e avaliada pela anomalia
meteorológica. A anomalia meteorológica é caracterizada pela deficiência hídrica anormal prolongada. Um dos índices
mais usados pelos meteorologistas é chamado índice de Palmer, que utiliza os dados históricos de precipitação total
mensal, seus desvios e coeficiente mensal de precipitação em função dos coeficientes de evapotranspiração potencial,
recarga de umidade de água no solo, escoamento, perda de água no solo para calcular os pesos mensais de seca,
incluindo a intensidade e a duração da seca em uma região específica. Os valores de índice de Palmer, gerados com os
valores mensais sucessivos dos períodos de seca calculados com os pesos de severidade da seca, são utilizados para obter
quatro classes de seca: fraca, moderada, severa e extrema. O procedimento da derivação detalhada do índice de Palmer
pode ser encontrado em Palmer (1965). O procedimento sucinto na obtenção do Índice de Palmer é apresentado a seguir.
Palmer introduziu o peso do fator mensal das características climáticas, chamado K, que é obtido pela
normalização do K’ calculado pela equação (9.38).
 Em que:  
K = peso do fator mensal do tipo de clima das regiões consideradas;
K’ = peso do fator mensal do tipo de clima de uma determinada região;
D = valor absoluto do médio mensal de desvio (d) das condições normais, Cp.

Em que:  
P = precipitação mensal;
Cp = evapotranspiração nas condições climáticas existentes;
R = o valor médio de DK’ nas regiões consideradas;
Σ112 = somatória do valor mensal de DK’ de janeiro a dezembro.

Em que:  
ETR = evapotranspiração real média mensal;
R = recarga média mensal;
ES = escoamento médio mensal;
L = perda média mensal.

α, β, γ e δ são os coeficientes de ETP (equivalente ao kc), PR (potencial recarga), PES (potencial escoamento) e
PL(potencial perda), respectivamente. A equação (9.46) foi apresentada para obter o valor de K’, fundamentados nos
dados da região central dos Estados Unidos (PALMER, 1965).

Palmer (1965) apresentou um índice chamado z índice, que é um índice de anomalia de umidade e calculado pela
equação (9.47).

d = P – Pc, obtido pela equação (3.39).

Sob condição: Lu ≤ Su
 Em que:  
L = perda de água, Ls e Lu são perda da camada superior e inferior respectivamente;
Ss e Su = água disponível no solo da camada superior (0 a 25mm) e da camada inferior (25mm –
profundidade de raízes), respectivamente;
ADSM = água disponível no solo máxima;
P = precipitação;
ETP = evapotranspiração potencial.

O potencial da recarga de água (PR) é calculado pela diferença de ADSM e S:

Em que:  
S = água disponível no solo do mês anterior.

A severidade da seca é calculada pelo somatório de z do período da duração do tempo t da seca entre mês 1 ao mês
i, pela equação (9.57). Para incluir a contribuição da seca prolongada de vários meses, a taxa de severidade da seca entre
duas secas sucessivas, na região central dos Estados Unidos, é calculada pela equação (9.58).

O somatório de Xi é o valor de severidade da seca. A tabela 9.6 apresenta as classes de tipos do clima pelo índice
de Palmer. O início da seca pode ser identificado pelo valor de X < – 1,10 e o término da seca pelo valor de X < – 0,05.
Tabela 9.6 – Classes de tipos do clima baseadas no índice de Palmer (X). Fonte: (PALMER, 1965).
Índice de Palmer (X) Classificação climática
≥ 4,00 Úmida extrema
3,00 ao 3,99 Muito úmida
2,00 ao 2,99 Úmida modesta
1,00 ao 1,99 Úmida leve
0,50 ao 0,99 Úmida incipiente
0,49 ao −0,49 Quase normal
− 0,50 ao −,099 Seca incipiente
−1,00 ao −1,99 Seca leve
−2,00 ao −2,99 Seca modesta
−3,00 ao −3,99 Muita seca
≤ − 4,00 Seca extrema

9.9.6 Índice de graus de estresse hídrico

Idso, Jackson e Reginato (1977) apresentaram um índice de estresse hídrico da cultura (Crop Water Stress Index –
CWSI) para estimar a produtividade da cultura via satélite.

Em que:  
CWSI = índice de estresse hídrico da cultura;
SSD = dias de graus de estresse;

Os subscritos j, min e máx representam os valores do dia j, dia mínimo e dia máximo do SDD, respectivamente.

Em que:  
Ts = temperatura da vegetação sob estresse hídrico;
Ta = temperatura do ar.

A temperatura da vegetação pode ser obtida pelo método de Janela Dividida, usando os dados de bandas termais
do NOAA AVHRR LAC (BECKER; LI, 1990) e a temperatura do ar pode ser obtida pela estação meteorológica da
superfície. Portanto, os valores de SDD podem ser obtidos diariamente. Quando a correlação entre o SDD e a
produtividade de uma cultura específica for obtida, o SDD pode ser aplicado para monitorar as condições de crescimento
dessa cultura. O CWSI é semelhante ao (1 – ETR/ETM). O CWSI funcionou bem nas regiões árida e semi-árida, mas
não nas regiões úmidas, porque o CWSI varia com as variações micrometeorológicas. Dada a incerteza do CWSI
inferindo bem ou não nos ambientes com alta umidade do ar, Jackson et al. (1981) apresentaram uma correção para a
diferença de temperatura entre a vegetação e o ar em função do déficit da pressão do vapor no ar. Apesar de o CWSI
poder funcionar bem após correção, o método torna-se mais complexo porque necessita dos dados de umidade, além dos
de temperatura do ar. As condições micrometeorológicas incluem umidade relativa ou déficit de pressão do vapor da
água, vento, resistência aerodinâmica, radiação solar, idade da vegetação e condições do solo que afetam o crescimento
das raízes (STEINMETZ et al., 1991). Portanto, a aplicação do CWSI é mais difícil nas regiões úmidas. Park, Feddema e
Egbert (2005) correlacionaram os dados diários de temperatura da superfície, obtidos pelo MODIS, com os dados
agrometeorológicos obtidos pelo modelo de balanço hídrico diário, incluindo: umidade do solo, déficit hídrico, razão de
evapotranspiração real e evapotranspiração potencial e razão de déficit hídrico e evapotranspiração potencial.
Observaram que os dados de SDD, calculados pela diferença de Ts obtida pelo MODIS e Ta máxima obtida na estação
meteorológica, têm alta correlação com os parâmetros agrometeorológicos. Vale apontar que os dados são obtidos no
Estado de Kansas nos Estados Unidos, que é uma região mais seca.

9.10 Balanço hídrico

O balanço hídrico pode ser considerado como uma equação da conservação de massa. A quantidade da entrada e a
da saída de água em uma unidade cúbica do solo são iguais em um determinado período do tempo em consideração. A
entrada de água inclui chuva, neves, escoamento superficial, escoamento subterrâneo, água subterrânea entrando pelo
lençol freático, condensação dos orvalhos na superfície do solo, irrigação, gotejamentos originados de vegetação e
outros. A saída inclui ETR, escoamentos superficiais e subterrâneos, drenagem, consumidas pelos animais e
crescimentos das plantas, e outros. Em geral, o cálculo do balanço hídrico considera os principais componentes de
entrada e saídas. A figura 9.7 mostra as entradas e saída desses componentes.
 Figura 9.7 – Os principais componentes de entradas e saídas de água em uma determinada unidade do solo, incluem: chuva (Pcp),
evapotranspiração real (ETR), entrada e saída de escoamento superficial (ESe e ESs), entrada e saída laterais de água no subsolo (Qe
e Qs), drenagem (Ds), reabastecimento de água subterrânea (Se) e a água armazenada (Água Disponível no Solo – ΔADS).

O balanço hídrico é para quantificar o déficit ou o excesso hídrico no solo utilizando um procedimento para
calcular a taxa de mudança do teor da umidade no perfil do solo de um período de tempo para outro, tal como um dia,
uma semana ou um mês. A taxa de ETR é intimamente ligada ao poder de extração de água no solo. Esse poder varia
com a umidade de água no solo abaixo da capacidade máxima de armazenamento da água no solo que se varia com a
textura e a estrutura dos diferentes tipos do solo. Diversos métodos de cálculo dos efeitos das propriedades do solo no
cálculo da ETR no solo não-saturado e cálculo do balanço hídrico para uma determinada cultura foram desenvolvidos ao
longo dos últimos 40 anos (THORNTHWAITE; MATHER, 1957; RITCHIE; BURNETT; HERDERSON, 1972;
BAIER, 1979; DOORENBOS; KASSAM, 1979). Antes de apresentar os métodos de cálculo do balanço hídrico, os
conceitos de infiltração e índice universal de escoamento são sucintamente apresentados para facilitar as aplicações de
dados de satélites no balanço hídrico.

•    Infiltração

A infiltração é uma medida para avaliar a capacidade do solo de drenar a água, quando esta entra no solo. É uma
informação importante para o planejamento de irrigação e o manejo dos sistemas de produção agrícola (SALASSIER,
1986). A equação (9.61) é usada para calcular a taxa de infiltração. Ben-Dor et al. (2004) usaram os sensores de
espectrorradiômetro hiperespectral para estimar a taxa de infiltração. Primeiramente, construíram uma curva da
correlação entre reflectâncias espectrais nas faixas de visível e infravermelho próximo e propriedades físicas da
superfície do solo sob diferentes condições de chuva simuladas no laboratório. Baseada nesta calibração, a taxa de
infiltração em campo foi estimada pelos dados de reflectâncias coletados em avião com os resultados positivos.
Recomendaram que a faixa do comprimento da onda deve ser estendida para incluir as faixas de infravermelho médio a
infravermelho termal.

Em que:  
VI = velocidade de infiltração, (cm/hr);
a = constante dependente do tipo do solo;
T = tempo (hr);
n = constante dependente do tipo do solo, variando de 0 a 1.
 
•  Índice universal de escoamento superficial

Para a preservação dos recursos naturais com usos racionais, o controle de erosão é indispensável. Há dois fatores
que são responsáveis pela aceleração de erosão: remoção de coberturas naturais de vegetação e usos inadequados do
solo. A equação universal da perda de solo é representada pela equação (9.62).

Em que:  
 A = a perda de solo por unidade da área (kg/m2);
R = precipitação;
K = suscetibilidade de erosão do solo;
L = comprimento de declividade;
S = gradiente de declividade;
C = manejo de cultura;
P = sistema de controle de erosão.

Os dados de precipitação incluem quantidade e intensidade de um curto período considerado. Os dados das
propriedades físicas do solo incluem capacidade de infiltração e estabilidade de estrutura. Geralmente, as declividades
maiores e longas aceleram mais a erosão. As vegetações, florestas e pastagens são os melhores protetores contra erosão.
A taxa da erosão varia de acordo com os sistemas de manejo das plantações de culturas. Por exemplo, os terraços e
outros manejos que diminuem a velocidade de escoamento são aplicados para conter erosão (BUCKMAN; BRADY,
1969). Recentemente, Toy, Foster e Renard (2002) apresentaram uma descrição detalhada dos processos, principais
causas e tipos de erosão. Também apresentaram os métodos de medições, previsões, controles de erosão e conservação
dos recursos naturais. Alguns modelos práticos foram usados para demonstrar a elaboração do plano de conservação do
solo.

9.10.1 Balanço hídrico do planeta Terra

Vários estudos foram feitos para estimar o balanço hídrico em escala global. Apesar de os métodos utilizados
sofrerem muitas críticas, os valores apresentados são bem próximos um do outro. A tabela 9.7 apresenta as estimativas
desde o ano de 1970. O globo terrestre recebe a precipitação em torno de 0,73 m/ano e evapora aproximadamente 0,46
m/ano. O oceano recebe em torno de 1,14 m/ano e evapora aproximadamente 1,25 m/ano. A superfície do oceano é 2,43
vezes maior que a do globo terrestre. Portanto, no balanço hídrico do globo terrestre, a precipitação anual é igual à perda
pela evaporação anual.
A tabela 9.8 mostra a quantidade de água armazenada em várias formas no planeta Terra. A tabela 9.9 apresenta os
dados de evaporação anual dos continentes. (BRUTSAERT, 1982). Comparando-se a evaporação global de 1 m/ano e a
quantidade da água que fica na atmosfera de 0,025 m/ano, o tempo da água na atmosfera, em média, de nove dias
(1/0,025 = 40, 365/40 = 9 dias e pouco). Do ponto de vista da variabilidade climatológica, a freqüência de chuva de uma
determinada região varia em torno de nove dias, ou seja, de uma a duas semanas. Na região da Bacia Amazônica, com
evaporação em cerca de 2 m/ano, o ciclo é menor que cinco dias.
Tabela 9.7 – Estimativa de precipitação (P) e evaporação (E) no globo terrestre a partir de 1970. Fonte: (BRUTSAERT, 1982).

Tabela 9.8 – Quantidade de água armazenada em várias formas no planeta Terra. Fonte: (BRUTSAERT, 1982).
A tabela 9.9 – Valores médios anuais da evaporação dos continentes do globo (m). Fonte: (BRUTSAERT, 1982).

9.10.2 Balanço hídrico das culturas

Thornthwaite e Mather (1957) apresentaram um procedimento detalhado de calcular a ETP e o balanço hídrico. O
método requer as tabelas de estimativa da ETR nas condições de água disponível no solo abaixo da capacidade máxima
de armazenamento para diferentes tipos do solo. Isto torna o cálculo mais manual. Baier, Dyer e Sharp (1979)
apresentaram um procedimento de cálculo do balanço hídrico, chamado balanço de umidade do solo versátil (The
Veratile Soil Moisture Budget). Mota, Oliveira e Rosskoff (1979) adaptaram o método de Baier e elaboraram um
programa computacional para estimativa de balanço hídrico no Brasil. Tsuji, Uehara e Balas (1994) divulgaram vários
modelos de processos fisiológicos de desenvolvimento e crescimento das várias culturas utilizando o método de balanço
hídrico proposto por Rithie (1972). Todos os métodos requerem a estimativa da ETR enquanto a taxa de ETR é menor
que a ETP. A diminuição da taxa de ETR varia com a água disponível no solo (ADS) que é abaixo do armazenamento de
água no solo máximo (Água Disponível no Solo Máxima – ADSM). A figura 9.8 mostra várias propostas de
correlacionar a água disponível no solo e a razão de ETR e ETP (BAIER; DYER; SHARP, 1979). Na figura 9.8, as
curvas A, B e F são usadas para os solos mais argilosos; as curvas H, E, G são aplicadas para os solos de limos e as
curvas C e D são aplicadas para os solos arenosos. O programa original do método de balanço hídrico disponível em
linguagem FORTRAN, proposto por Baier, Dyer e Sharp (1979), é reproduzido em Anexo 9A deste capítulo.
 A Figura 9.8 – Várias propostas de correlacionar água disponível no solo e a razão de ETR e ETP. A, B, C, D, E, F, G, H indicam as
curvas de diferentes tipos de solos. Fonte: (BAIER; DYER; SHARP, 1979).

Para simplificar a estimativa de ETR nas condições de umidade de solo à baixa de ADSM, uma correlação
logarítmica entre ETR/ETP e umidade do solo, proposta por Hargreaves (1975), foi usada por Liu e Fereira (1991) para o
desenvolvimento do procedimento no cálculo do balanço hídrico, apresentado pela equação (9.63).

Em que:  
ADS = água disponível no solo;
P = precipitação;
ETR = evapotranspiração real;
ES = perda pelo escoamento superficial;
= perda ou ganho pelo escoamento subsolo e drenagem ou reabastecimento pela água
G
subterrânea;
Os números 1 e 2 representam o período 1 e 2, por exemplo, para o cálculo do balanço hídrico diário, 1 significa o
dia anterior, 2 é o dia interessado.

Para calcular ADS2 com maior acurácia, os componentes ADS1, ETR2, ES2, G2 e P1 devem ser medidos ou
estimados no campo específico com boa acurácia. P1 é obtido pelos dados pluviométricos na estação meteorológica em
mm. A acurácia de medição da precipitação nas redes pluviométricas é limitada pela representatividade de localidade e
pelo método empregado. Uma combinação de dados pluviométricos com os de radares e via satélite pode melhorar sua
estimativa da chuva regional. O valor inicial de ADS1 geralmente é medido no campo ou estimado em caso de faltar os
dados. O erro de estimativa do ADS1 pode causar um erro significativo no cálculo final do balanço hídrico.
A taxa de ETR2 depende da quantidade de água disponível no solo e sua taxa máxima em cada estágio do
crescimento. Isto quer dizer que a taxa varia de acordo com o clima da região, a variedade da cultura e o tipo do solo. A
medição de ETR2 no campo exige um trabalho especializado em área de micrometeorologia. O método de lisímetro é o
mais recomendado. Na prática, o ETR2 é estimado baseado nos dados de kc (coeficiente da cultura), e ETP obtidos pelo
método empírico de Hargreaves (1975). No caso sem limitação de ADS1, a ETR2 alcança sua máxima
(evapotranspiração máxima – ETM), que é obtida pela ETP multiplicada por kc (ETM = kc × ETP). Várias correlações
entre ETR2 e ADS1 são utilizadas para estimar a taxa de ETR2 no caso de ADS1 menor que ETM2. O valor de ADS1 é
o valor transitório, que é a quantidade de água disponível para ETR2 no período, antes de obter o valor de ADS2. Uma
equação geral proposta por Hargreaves (1975) é utilizada para calcular ETR2, que é apresentada a seguir:
 Em que:  
ADSM = água disponível no solo máxima;
θpcc = umidade de solo no ponto de capacidade do campo;
θpmp = umidade de solo no ponto de murchamento permanente;
Zr = profundidade de raízes.

A ADSM varia com o tipo de solo e a profundidade de desenvolvimento de raízes nos diferentes estágios do
crescimento. As perdas pelo escoamento superficial e pela drenagem geralmente são consideradas como excesso de água
quando ETR2 ultrapassar a soma de ETM2 e ADSM no período. Na fase de secagem do solo, se não houver o
reabastecimento de água pelo lençol freático, o valor de G2 geralmente é considerado zero. Em regiões de lençol freático
alto, a adição de água entrando pelo subsolo por meio de água subterrânea será estimada. Isto torna o cálculo de balanço
hídrico mais complicado e mais difícil de se obter boa acurácia.

9.11 Monitoramento da umidade do solo via satélite

Quase todas as bandas espectrais da energia eletromagnética são sensíveis à variação da umidade do solo. Mas as
informações de umidade no solo são limitadas na camada superficial do solo porque os sensores detectam as energias
refletidas e emitidas da radiação de energia eletromagnética pela superfície a menos de 1 mm de profundidade. Apesar de
a umidade do solo na camada superficial de certa maneira refletir bem a umidade do solo abaixo dela, não é necessário
representar à umidade do solo de um perfil inteiro, especialmente quando as texturas e estruturas do solo variam
consideradamente. Além disso, as energias espectrais refletidas e emitidas variam com a umidade do solo, rugosidade da
superfície, geometria da iluminação, matérias orgânicas, textura e estrutura do solo (IDSO; JACKSON; REGINATO,
1977). Esses fatores limitam a estimativa de umidade do solo utilizando os dados obtidos pelos sensores de radiômetro
nas bandas do espetro radiação solar e o mesmo pelos sensores de microondas, apesar das energias de microondas
penetrarem pouco mais que alguns centímetros. Portanto, as pesquisas são direcionadas para desenvolver os métodos
indiretos usando os parâmetros gerados com dados de satélites como indicadores de umidade do solo, tais como: índices
de vegetação, variação da amplitude da onda diária de temperatura da superfície e balanço de fluxos de energia da
superfície.

9.11.1 Umidade do solo inferido pelo NDVI

Huete e Warrick (1990) utilizaram o Soil Adjusted Vegetation Index (SAVI) para estudar a evolução dinâmica da
umidade do solo na superfície parcialmente coberta pela vegetação. Liu e Ferreira (1991) utilizaram o Normalized
Difference Vegetation Index (NDVI) para correlacionar com precipitação, ETP e déficit hídrico utilizando os dados
obtidos nas três regiões do Estado de São Paulo, incluindo: Franca, Ribeirão Preto e Pindorama. As correlações foram
feitas utilizando uma amostra de 72 observações no caso de dados mensais e uma amostra de 144 observações no caso de
dados quinzenais para cada localidade. A tabela 9.10 apresenta os resultados das correlações entre NDVI e déficit hídrico
mensais nos cinco níveis de ADSM: 50, 75, 100, 150 e 200 mm da região de Franca para demonstrar as correlações
obtidas. Várias correlações foram feitas para vários níveis de ADSM, analisar o efeito da variação de ADSM em
diferentes tipos de solo. Nos primeiros quatro casos com os níveis de ADSM de 50, 75, 100 e 150 mm, os valores mais
altos de coeficiente de correlação foram 0,80, 0,80, 0,78 e 0,74, respectivamente, obtidos com um mês de atraso do
NDVI. Isto quer dizer que o NDVI responde bem ao déficit hídrico do mês anterior. Isto foi observado em todas as três
localidades. Mas no nível de ADSM de 200 mm, os valores mais altos foram obtidos nos casos de zero atraso e um mês
de atraso em todas as localidades, o que significa que o tempo de atraso é entre zero e um mês. Portanto, para investigar
essa dúvida, as correlações foram feitas para os dados quinzenais. A tabela 9.11 apresenta os resultados das correlações
entre NDVI e déficit hídrico quinzenais nos cinco níveis de ADSM: 50, 75, 100, 150 e 200 mm, para a região de Franca.
Observa-se que os dados quinzenais não melhoram a correlação. Mas, o tempo de atraso de resposta do NDVI ao déficit
hídrico ficou de entre 15 dias e 30 dias. Essas observações demonstraram que o NDVI refere-se bem as condições de
crescimento das vegetações em geral com um tempo de atraso de 15 dias a um mês. Portanto, o acompanhamento das
condições de crescimento das vegetações pode ser realizado pelo monitoramento das evoluções espaciais e temporais das
imagens de NDVI desde que a informação do tempo de atraso de NDVI relacionado ao déficit hídrico da região é obtida.
Tabela 9.10 – Coeficientes da correlação (r) entre NDVI e déficit hídrico baseado nos dados mensais no período de agosto de 1981 a
junho de 1987 para a região de Franca – SP. Fonte: (LIU; FERREIRA, 1991).
Tabela 9.11 – Coeficientes da correlação (r) entre NDVI e déficit hídrico baseado nos dados quinzenais no período de agosto de 1981 a
julho de 1987 para a região de Franca – SP. Fonte: (LIU; FERREIRA, 1991).

Anteriormente, os pesquisadores observaram que existe uma boa correlação (r > 0,9) entre NDVI total anual e
precipitação total anual (TUCKER; TOWNSHEND; GOFF, 1985; HIELKEMA; PRINCE; ASTLE, 1986; KOGAN,
1990). Mas não conseguiram boa correlação entre NDVI e precipitação quando o período de comparação diminuiu para
sazonal ou mensal (KOGAN, 1990). É importante salientar que a resposta de NDVI ao déficit hídrico com 15 dias a um
mês de atraso foi, pela primeira vez, observada por Liu e Ferreira (1991). Esse tempo de atraso explica a razão de os
pesquisadores não terem encontrado uma boa correlação entre NDVI e precipitação. Eles usaram os dados de
precipitação e NDVI de mesmo mês, sem considerar a resposta da vegetação a chuva ter certo tempo de atraso. A
resposta do crescimento de vegetação monitorada pelo grau de verde de NDVI, por causa de a chuva não ser instantânea,
requer um certo tempo de atraso. Por exemplo, o baixo valor de NDVI infere à vegetação um estresse hídrico na estação
seca. Após receber uma boa chuva, a vegetação recomeça a crescer e as folhas se tornam mais verdes, o que resulta no
aumento do NDVI. O aumento do grau de verde sinaliza a recuperação do crescimento da vegetação que requer um certo
tempo após a seca. Portanto, o NDVI responde à chuva com um determinado tempo de atraso. Liu e Ferreira (1991)
também apresentaram os resultados das correlações entre precipitação e NDVI para dez localidades que representam
vários tipos de vegetação e diferentes regimes pluviométricos no Brasil. A tabela 9.12 e a figura 9.9 mostram as dez
localidades, seus regimes pluviométricos e as distribuições dos tipos de vegetação. A tabela 9.13 mostra os valores do
coeficiente de correlação (r) entre NDVI e precipitação mensais para dez localidades no Brasil. Observaram que o NDVI
com um mês de atraso correlacionou melhor com a precipitação para todas as localidades. As causas da baixa correlação
entre NDVI e precipitação em algumas localidades, podem ser atribuídas à insensibilidade do NDVI à alta precipitação,
porque o excesso de chuva não contribui para o aumento do grau de verde da vegetação nos casos de Manaus e Parintins,
e a distribuição da precipitação sem as estações seca e chuvosa distintas resulta à baixa amplitude da variação sazonal do
NDVI no caso de Bagé.
 Figura 9.9 – As localidades e as distribuições dos tipos de vegetação no Brasil. Fonte: (LIU; KOGAN, 1996).

Tabela 9.12 – Localização, tipo de vegetação e precipitação normal anual das dez localidades no Brasil. Fonte: (LIU; KOGAN, 1996).
Localidade Coordenadas Tipo de Vegetação precipitação (mm/ano)
Manaus 03°08’S 60°01’W floresta tropical chuvosa 2100
Paratins 02°38’S 56°44’W floresta tropical chuvosa 2312
Patos 07°02’S 37°15W caatinga 804
Petrolina 09°23’S 40°29’W caatinga 401
Picos 07°04’S 41°29’W caatinga 691
Barreiras 12°08’S 44°31’W cerrado 1164
Franca 20°33’S 47°26’W cerrado 1499
Ribeirão Preto 21°07’S 47°53’W agricultura 1436
Pindorama 21°10’S 48°56’W agricultura 1335
Bagé 31°20’S 54°06’W agricultura 1285

Tabela 9.13 – Coeficiente de correlação (r) entre NDVI e precipitação mensais para 10 localidades no Brasil. Dados usados: agosto de
1981 a julho de 1987.
Fonte: (LIU; KOGAN, 1996).
 Posteriormente, Di, Rundquist e Han (1994) desenvolveram um modelo do NDVI correlacionado com precipitação
diária utilizando os dados de Landsat TM e dados diários de precipitação na região de Nebraska, USA. O modelo foi
construído em função dos parâmetros climáticos, tipo de vegetação e topografia. Os resultados mostraram também que
teve um tempo de atraso da resposta da vegetação à precipitação como foi observado por Liu e Ferreira (1991). Mas o
tempo de atraso varia de 14 dias no início da estação chuvosa até 25 dias após o pico da estação chuvosa e volta-se para
12 dias no final dela. O modelo foi construído baseado nos dados de 30 valores de NDVI diário durante o período de
cinco anos, que é em média de seis amostragens por ano, ou um valor de NDVI por mês durante uma estação chuvosa de
seis meses. Os dados diários de NDVI foram obtidos pela interpolação linear, não os dados diários registrados. Isto que
dizer que a freqüência temporal de um mês dos dados NDVI usados ainda não foi suficiente para investigar a resposta
diária da precipitação. Apesar dessa limitação, o tempo de atraso da resposta do NDVI à precipitação no pico da estação
chuvosa de 25 dias coincidiu bem com o da resposta do NDVI ao déficit hídrico de 15 dias a um mês observado por Liu
e Ferreira (1991). É lógico que a resposta da vegetação nas primeiras chuvas no início da estação chuvosa é mais rápida
que a no meio da estação chuvosa. No pico da estação chuvosa, a água disponível no solo alcança o valor da ADSM que
resulta o NDVI, respondendo a chuva com 25 dias ou próximo um mês de atraso. Todavia, o processo da maturação que
diminui a concentração de clorofila resulta no declínio do NDVI. O aumento do déficit hídrico no final da estação
chuvosa também resulta no declínio do NDVI. Isto conduz a resposta rápida do NDVI à diminuição da precipitação.
Duchemin et al. (1999) usaram NDVI e temperatura da superfície obtida com os dados NOAA AVHRR para
monitoramento dos ciclos fenológicos e déficit hídrico de um ecossistema de floresta conífera temperada do Landes na
França. Observaram que a diferença de temperatura da superfície de AVHRR da banda 4 e a temperatura do ar da
estação meteorológica foi melhor indicador da umidade do solo comparando-se com o NDVI. A razão pode ser porque
os autores correlacionaram o NDVI e o déficit hídrico sem considerar o NDVI que responde ao déficit hídrico ou à chuva
com um certo tempo de atraso. Tian et al. (2001) usaram os dados de reflectância da radiação na faixa do infravermelho
médio (1,65 a 1,86 μm) para monitorar o teor relativo da umidade das folhas (Relative Water Content – RWC) de uma
plantação de trigo na região norte da China e comparar com os dados de RWC observados em campo. Obtiveram o valor
de erro médio absoluto menor que 6%. Zhao et al. (2004) correlacionaram os RWC e LAI com as reflectâncias da copa
de uma plantação do trigo na região norte da China medidas pelo espectrorradiômetro da faixa de 350 nm a 2.500 nm.
Observaram que o RWC não foi sensível à irrigação, mas LAI foi. As bandas de 965 a 1.085 nm e 1.195 a 1.282 nm
correlacionaram bem com o RWC.

9.11.2 Umidade do solo inferida pela amplitude diária de temperatura da superfície

Geralmente, a taxa de mudança da temperatura do solo é em função dos fatores internos e externos. Os fatores
internos são umidade, condutividade calorífica e capacidade calorífica do solo. As propriedades de condutividade e
capacidade calorífica de um determinado tipo do solo de uma área uniforme são mantidas relativamente inalteradas.
Teoricamente, a amplitude da oscilação diária de temperatura da superfície de uma área seca em um determinado tipo do
solo é constante sob as condições ambientais que têm as variações diárias dos fatores externos semelhantes. Pelo fato de
a água possuir a maior capacidade calorífica entre todas as materias, o aumento da umidade no solo diminui a amplitude
da oscilação de calor no solo. Os fatores externos são os fatores meteorológicos e ambientais que afetam o balanço dos
fluxos da energia na superfície terrestre, incluindo radiação solar, umidade do ar, velocidade do vento, temperatura do ar,
rugosidade da superfície e microclimas. Para uma região específica, os fatores externos podem ser considerados
constantes. Portanto, a diferença da amplitude da onda diária da temperatura da superfície pode ser relacionada bem com
a umidade de água no solo. Por meio da correlação da variação de amplitude diária da onda da energia eletromagnética
na faixa de infravermelho termal na superfície do solo com os dados de umidade do solo coletados durante as passagens
do satélite que ocorrem à temperatura máxima e à temperatura mínima, a umidade do solo pode ser monitorada
diariamente. Esse método de estimativa da umidade do solo usando amplitude da temperatura diária da superfície do solo
deve ser validado para cada área específica (IDSO; JACKSON; REGINATO, 1975). A figura 9.10 mostra as correlações
entre a amplitude diária de temperatura e a umidade de solo limo nos vários níveis de profundidade. Nota-se que a
temperatura diária oscila entre 18 °C e 42 °C desde a superfície a 4 cm de profundidade.

Figura 9.10 – Comparação de variação de amplitude diária de temperatura da superfície com a umidade do solo nos quatro níveis de
profundidade do solo baseados nos dados de 1970 a 1973. Fonte: (IDSO; JACKSON; REGINATO, 1975).

9.11.3 Umidade do solo por microondas

Lin et al. (1994a) utilizaram os dados multipolarização de banda P (0,44 GHz), banda L (1,25 GHz) e banda C
(5,33 GHz) da NASA/JPL AIRSAR (Airborne Synthetic Aperture Radar) coletados no ano 1991 para correlacionar com
os dados de umidade de solo coletados em um campo de pastagem. Observou-se que uma combinação linear de HH e
VV da banda L tem melhor estimativa da umidade do solo. Lin et al. (1994b) utilizaram ambos os sensores ativos de
SAR e passivos em microondas e radiômetros tipo Push Broom para estimar a umidade de solo em uma bacia
hidrográfica. Os resultados mostraram que as estimativas da variação temporal de umidade do solo via microondas foram
satisfatórios. Wickel, Jackson e Wood (2001) usaram os dados de RADARSAT SAR banda C (5,3 GHz, HH) para o
monitoramento da umidade de solo no experimento hidrológico realizado na região sul da Grande Planície (Great Plains)
nos Estados Unidos em 1997. Concluíram que uma alta correlação de 0,9 foi obtida entre os sinais de retroespalhamento
e a umidade volumétrica do solo em uma plantação de trigo, mas uma baixa correlação de 0,12 foi obtida para a
pastagem.
Jackson et al. (2002) utilizaram os dados de microondas adquiridos pelo módulo Priroda a borda da nave espacial
Russa, MIR, para monitorar a umidade do solo e comparar com os dados mensurados em campo na região sul da Grande
Planície (Great Plains) nos Estados Unidos. O MIR tem sua órbita circular com uma altitude de 360 km e inclinação de
51,7°. Foram mostrados que os dados de sensor 13 GHz H correlacionaram bem com os dados de umidade do solo, mas
as precauções na calibração e processamento de dados deverão ser tomadas. Blumberg et al. (2002) usaram os dados de
microondas obtidos pelo sensor de microonda ativa da banda P (comprimento da onda de 68 cm) a bordo do avião e os
dados de banda C (comprimento da onda de 5,3 cm) adquiridos por ERS 2 SAR para monitorar a umidade do solo na
região norte do Deserto Negev na África. Os dados foram validados com os coletados em campo, incluindo: textura da
superfície, umidade do solo volumétrica e umidade do solo gravimétrica, rugosidade da superfície e Time Domain
Reflectometry (TDR). Os resultados mostraram que o sensor de microonda ativa da banda P teve melhor correlação com
a umidade do solo volumétrica com o valor de coeficiente de correlação de 0,87 para os solos limos e 0,89 para os
arenosos. Concluíram que os dados de banda C do ERS 2 SAR também tiveram bons resultados. Apontaram que a
rugosidade afeta a estimativa de umidade do solo pela banda C do ERS 2.
Burke e Simmonds (2003) usaram a temperatura de brilho da banda L da microonda para monitorar a umidade do
solo na superfície terrestre. Observaram que a estimativa de umidade do solo na primeira camada de alguns centímetros
do solo nu pela Banda L da microonda foi satisfatória. Mas os erros aumentaram quando aumentou a vegetação.
Apontaram que nas condições de superfície com vegetação esparsa, o erro ainda ficou dentro de 3%. Jackson et al.
(2004) testaram os dados de sensores de Banda L da microonda coletados pelo instrumento chamado Skylab S-194 para
obter os dados de umidade do solo em várias condições de vegetação na superfície. Apontaram que os efeitos das
condições dos diferentes tipos de vegetação na variação de umidade do solo devem ser calibrados para que o
monitoramento de umidade do solo pela microonda na banda L seja viável. Holah et at. (2005) usaram os dados de
microondas adquiridos pelos sensores de Advanced Synthetic Aperture Radar (ASAR) para monitorar rugosidade da
superfície e umidade do solo na superfície de solo nu. As três polarizações, incluindo HH, HV e VV e vários ângulos de
incidente, foram usadas para estimar a rugosidade e umidade do solo. Observaram que os sinais de radar eram mais
sensíveis à rugosidade da superfície no ângulo maior que 43°, mas insensíveis quando a altura da vegetação for menor
que 3,56 cm. A estimativa da umidade do solo é viável quando a faixa do ângulo incide entre 20° e 37°.
A aplicação do radar SAR para monitorar a umidade do solo, apresenta ainda alguns problemas na aplicação, por
causa do efeito de rugosidade e declive da superfície (DOBSON; ULABY, 1986; ULABY; MOORE; FUNG, 1986). Na
maioria das superfícies naturais, o efeito da rugosidade geralmente é igual ou maior que o efeito da umidade do solo nos
sinais de retroespalhamento das microondas ativas recebidos. A mudança de rugosidade pode alterar ambos os efeitos, a
direção e o espalhamento dos sinais retornados de um determinado pixel, que causa as mudanças de intensidade e fase.
Todavia, a mudança de umidade do solo altera somente a intensidade, mas não a fase dos sinais retornados de um
determinado pixel. Portanto, para monitorar a mudança da umidade do solo em um determinado período de tempo de
uma determinada banda de microonda, os sinais devem ser processados para eliminar aqueles causados pelos efeitos de
rugosidade e declive dos sinais recebidos.
Engman e Chauhan (1995) apresentaram uma revisão sobre as potencialidades da aplicação dos dados de
microondas, adquiridos pelo sensoriamento remoto, no monitoramento da umidade do solo. Apontaram que as técnicas
de microondas passivas e ativas via satélite têm alta potencialidade no monitoramento da umidade do solo. Mas
alertaram que as respostas de umidade do solo às microondas são acopladas pelas texturas, estruturas e profundidade do
solo, geometrias das vegetações e rugosidades espaciais da superfície. Portanto, as inter-relações entre os sinais de
retroespalhamento das microondas e as estruturas e as rugosidades da superfície devem ser bem formuladas. A base
teórica da aplicação de microondas na medição de umidade do solo é baseada no grande contraste das propriedades
dielétricas da água líquida e do solo seco. A figura 9.11 mostra as respostas dos constantes dielétricos da parte real (ε’) e
da parte imaginária (ε”) das quatro freqüências das microondas ao aumento da umidade do solo nos solos de limos.
Quando a freqüência da microonda aumenta, a parte real do constante dielétrico diminui e a parte imaginária aumenta.
Os sensores das microondas passivas registram a temperatura de brilho e a emissividade. Os sensores das microondas
ativas registram os sinais de retroespalhamento de radar. Ambos os métodos requerem as validações com os dados de
umidade do solo coletados em campo. Outra alternativa é usar a comparação de mudanças de umidade do solo
correlacionadas com os sinais temporais que possam minimizar os impactos das variações de textura, rugosidade e
vegetação da superfície. Ulaby, Moore e Fung (1982) apontaram que os sensores de microondas têm seus limites de
penetração no solo que varia com a freqüência. A freqüência de 1,3 GHz (Banda L) penetra mais que a freqüência de 4
GHz (Banda C) e a freqüência de 4 GHz penetra mais do que a freqüência de 10 GHz (banda X). A figura 9.12 mostra a
capacidade de penetração no solo pelos sensores de microondas nas freqüências de 1,3 GHz, 4 GHz e 10 GHz no
monitoramento da umidade do solo de limos (ULABY; MOORE; FUNG, 1982).
 Figura 9.11 – Respostas dos constantes dielétricos da parte real (ε’) e da parte imaginária (ε”) das quatro freqüências das microondas
ao aumento da umidade do solo nos solos de limos. Fonte: (ULABY; MOORE; FUNG, 1982).

Figura 9.12 – Capacidade de penetração no solo pelos sensores de microondas nas freqüências de 1,3 GHz, 4 GHz e 10 GHz no
monitoramento da umidade do solo de limos. Fonte: (ULABY; MOORE; FUNG, 1982).

Tansey e Millington (2001) usaram os dados de ERS 1 e ERS 2 SAR para monitorar umidade e rugosidade na
superfície do solo. Apontaram que a sensibilidade do coeficiente de retroespalhamento às mudanças microtopográficas
da superfície não permite a possibilidade de usar os dados de SAR para estimativa da umidade do solo enquanto o valor
de erro-padrão da média (Root Mean Square – RMS), de rugosidade da superfície for menor que 0,5 cm. A baixa
correlação entre os dados de SAR e a umidade do solo para pastagem observada por Wickel, Jackson e Wood (2001)
pode ser explicada pela baixa rugosidade da pastagem. Concluíram que os dados das condições da superfície, incluindo
rugosidade e geomorfologia, são essenciais para usar os dados de SAR na estimativa de umidade do solo com boa
acurácia.
Jin e Wang (2001) apresentaram um algoritmo para obter rugosidade e umidade do solo usando o método de
interferômetro a partir dos dados dos parâmetros múltiplos do SAR. O método usa os dados interferométricos obtidos
pelo SAR a bordo do satélite ERS 1 para separar a diferença da fase causada pelo efeito de rugosidade da superfície do
solo e a intensidade causada pelo efeito da variação de umidade do solo. O método usa dois radares de microonda ativa a
bordo do avião com uma distância fixa, que emitem os sinais apontando simultaneamente ao mesmo alvo e recebem um
par de sinais de retroespalhamento do alvo. Teoricamente, as intensidades dos sinais de retroespalhamento recebidas pelo
dois radares devem ser iguais, porque apontam para o mesmo alvo. Também a diferença das fases dos sinais de
retroespalhamentos recebidos pelos dois radares deve ser constante porque eles são separados por uma distância fixa e os
ângulos de revisada também fixos. Portanto, as diferenças de fase e intensidade registradas pelos dois radares são
atribuídas ao efeito da rugosidade da superfície do alvo. Baseadas nas correlações entre as diferenças das intensidades
recebidas pelos dois sensores iguais e as rugosidades medidas em campo, o efeito da rugosidade na intensidade dos
sinais de retroespalhamento de um determinado alvo pode ser separado do efeito da variação de umidade do solo. O
método de interferômetro foi usado para identificar e quantificar a mudança da fase dos sinais retornados, e aplicado para
o monitoramento de rugosidade e umidade do solo. O método de interferômetro proposto por Lu e Meyer (2002) é
apresentado a seguir.
O retroespalhamento representa a quantidade da energia refletida ao sensor que é igual a soma das energias
retroespalhadas por todos os elementos que compõem o alvo. Os sinais de retroespalhamento do radar têm as mesmas
ordens do comprimento de microonda emitida. No pixel, os sinais retroespalhados das microondas consistem na
contribuição de milhares espalhamentos independentes. Os retroespalhamentos de um pixel na imagem de SAR podem
ser simplificados como um valor complexo de |σ°|e−jφ, onde |σ°| e φ representam a amplitude e a fase do
retroespalhamento, respectivamente. A fase φ é uma soma da fase do espalhamento que é uma variável estatística e a
propagação da fase é uma variável determinística que pode ser calculada. A fase da propagação é igual ao – (4π∕λ)r, em
que o r é a distância da faixa aparente de uma antena ao ponto mirado. A distância da faixa aparente é a soma da
distância absoluta da antena ao alvo e a faixa retrasada causada principalmente pelo vapor da água na atmosfera. A fase é
principalmente controlada pela macroestrutura e textura da superfície. As equações (9.66) e (9.67) apresentadas por Lu e
Meyer (2002) quantificam o grau das mudanças de fase e amplitude dos retroespalhamentos.

Em que:  
ρ = coeficiente da correlação ou coerência interferométrica;
φs = fase de retroespalhamento;
k = mudança do coeficiente de espalhamento;
φ1i e φ2i = fases de pixel i de duas imagens de SAR;
|σ° 1i| e |σ° 2i| = amplitudes de coeficiente de retroespalhamento de pixel i das duas imagens
de SAR nas datas diferentes;
ien = número de pixel e número total dos pixels, respectivamente.

O valor de (φ2pi – φ1pi) pode ser calculado com os dados do Modelo de Elevação Digital, geometria da imagem e
vetores restituídos do satélite. Os exemplos de aplicação são citados por Massonnet e Feigl (1998) e Lu et al. (2000). A
finalidade é eliminar os efeitos da fase de propagação entre duas passagens no cálculo do valor da correlação. Portanto, a
correlação reflete a mudança da fase do espalhamento. Uma janela de n pixels de ERS 1, que consiste 20 pixels com 2
pixels cruzando o trilho e 10 pixels ao longo do trilho, foi usada para estimar o valor do coeficiente da correlação. A
correlação é uma medida de variância da diferença de fase de espalhamento entre duas imagens do SAR. O valor da
correlação depende das mudanças das características dos espalhamentos da superfície entre duas imagens adquiridas. O
valor da correlação varia de 1, em caso de sem mudança de espalhamento, ao zero, em caso de alta mudança de
espalhamento das imagens do SAR. A correlação mais alta na superfície de solo nu, em seguida na superfície de
vegetação esparsa, é menor na vegetação densa, quando as condições das características de espalhamento na superfície
iluminada são inalteradas. A baixa correlação pode ser causada pelas mudanças de posições relativas de espalhamentos e
mudanças das propriedades de solo, além de aumento da densidade de vegetação. Portanto, a correlação pode ser usada
para delinear as regiões onde existem as mudanças de rugosidade da superfície ou propriedades do solo. Ao se poder
comprovar que a mudança dos espalhamentos do SAR não é causada pela mudança na rugosidade nem propriedades do
solo, a mudança será causada pela umidade do solo. Nesse caso, a umidade do solo pode ser monitorada pelas imagens
de espalhamentos do SAR.
 Nas regiões de vegetação esparsa, a umidade do solo é calculada pela equação (9.68):

Em que:  
| σ° | = coeficiente de retroespalhamento;
ε = constante dielétrica relativa da superfície;
θ = ângulo incidente do radar;
= parâmetro de rugosidade da superfície calculado pelo erro-padrão da média (Root Mean
s
Square – RMS);
l = comprimento de correlação da superfície (ULABY; MOORE; FUNG, 1986);
f e g são funções dependendo (ε,θ) e (θ,s,l) respectivamente;

Fundamentados no modelo da geometria ótica de uma superfície rugosa, Ulaby, Moore e Fung (1986) usaram a
equação (9.69) para substituir a equação (9.68):

Em que:  
Γ(0) = a relatividade Fresnel que é avaliada no ângulo incidente normal;
Γ(0) depende somente da função da constante de dielétrica relativa;
A função h(θ) depende somente do ângulo incidente (θ).

A função Γ(0) é calculada pela equação linear em função da umidade do solo volumétrica (θv).

Em que:
θv = umidade do solo volumétrica.

Caso haja certeza de que a rugosidade da superfície se manterá inalterada, a razão dos espalhamentos torna-se:

Em que:  
|σ°1| e |σ°2| = amplitudes de coeficiente de retroespalhamento de um pixel das duas imagens de SAR
nas duas datas diferentes.

Os efeitos de morfologia e rugosidade de um alvo nos sinais de retroespalhamento são iguais se as condições delas
forem se mantendo inalteradas. Portanto, a diferença dos dois sinais de retroespalhamento registrados pelo SAR nos
diferentes dias de passagem é causada pela variação da umidade do solo. Para determinar a umidade do solo na segunda
data de aquisição de dados pelo SAR, primeiramente, calcula-se a razão dos retroespalhamentos de duas imagens do
SAR, (R=|σ°1| σ°1 |σ°2|) pela equação (9.71). No caso de umidade do solo na primeira imagem (θv1) ser obtido em
campo, a umidade do solo na segunda imagem (θv2) pode ser calculada pela equação (9.70). A operação para obter a
umidade da segunda imagem é demonstrada a seguir:
Paso 1: calcular a razão dos retroespalhamentos de duas imagens do SAR pela equação (9.71);

Passo 2: obter Γ2(0) em função de Γ1(0) e R;

Passo 3: Calcular Γ1(0) em função de θv1 e Γ2 (0) em função de θv2 pela equação (9.70);
 A umidade do solo na primeira imagem adquirida é obtida em campo.

Passo 4: Substitui Γ2(0) por Γ1(0) ∕ R na equação do Passo 3 para calcular θv2,

Lu e Meyer (2002) aplicaram este algoritmo para monitorar a umidade do solo na região de Mercalar Ridge,
Estado de North Dakota, USA usando os dados de ERS 1 SAR banda C. Os resultados mostraram que a variação de
umidade do solo volumétrica de 5% a 20% correlacionou-se bem com a variação de intensidade dos sinais do SAR, após
a separação das contribuições de rugosidade e estrutura da superfície. Long, Spencer e Njoku (2005) usaram os dados de
microondas ativa e passiva da banda L, adquiridos no experimento da missão HYDROS da NASA, para estimar a
umidade do solo. Aplicaram as técnicas de realce da resolução e reconstrução para processar os dados de alta resolução
para estimativa de umidade do solo com resolução espacial de 10 km. Apontaram que, apesar de degradar a resolução
espacial, a acurácia de estimativa aumentou, as técnicas de processamento dos dados de microondas adquiridos pelo
experimento HYDROS são viáveis para monitorar a umidade do solo em escala global.
Crow et al. (2005) usaram uma combinação de um modelo de previsão dos parâmetros geofísicos da superfície do
solo e os dados de microonda passiva, adquiridos no experimento HYDROS da NASA, para estimar a umidade do solo.
O valor de erro-padrão da média de umidade do solo volumétrica alcançou 2% a 5%. Serbin e Or (2005) usaram um
radar de penetração terrestre, chamado Ground-Penetration Radar (GPR), com a antena suspena e o sensor de 1 GHz
para monitorar as propriedades da copa de vegetação e a umidade do solo. Os dados de reflexão da superfície e os
tempos de propagação de sinais foram usados separadamente para determinar permissividades dielétricas, umidade do
solo e teor da água na copa da vegetação. Apontaram que o sistema GPR é viável para a caracterização dos
retroespalhamentos da copa da vegetação e pode ser usado para calibrar e validar os métodos de monitoramento de
umidade do solo baseados nos dados adquiridos pelas microondas.

9.12. Monitoramento das variabilidades climáticas pelo NDVI

O NDVI é utilizado com sucesso para inferir as variabilidades ecológicas e ambientais (CIHLAR; ST-LAURENT;
DYER, 1991; GUTMAN, 1991; LIU; MASSAMBANI; NOBRE, 1994; DALL`OLMO; KARNIELI, 2002), a produção
de biomassa (PRINCE, 1991; HUNT, 1994), o índice de área foliar (PRICE; BAUSCH, 1995), a radiação fotossintética
ativa (FROUIN; PINKER, 1995) e a produtividade da cultura (WIEGAND; RICHARDSON, 1990; QUARMBY et al.,
1993; BOUMAN, 1995). Portanto, o grau de verde inferido pelo NDVI reflete bem os efeitos dos fatores ambientais, tais
como disponibilidade de água e nutrientes no solo, presença de doenças e de pragas em uma região específica. Na década
de 1980, o NDVI gerado com os dados de NOAA AVHRR foi usado para classificar (TUCKER; TOWNSHEND;
GOFF, 1985) e monitorar (JUSTICE; HOLBEN; GWYNNE, 1986) as vegetações da superfície terrestre, para determinar
os ciclos fenológicos das culturas (GALLO; HEDDINGHAUS, 1989) e para monitorar os recursos ambientais
manifestados pelas variações de clima, topografia, solo e vegetação em escalas continental e global. A variação anual de
NDVI de uma determinada região pode indicar bem o estresse ambiental causado pelo impacto climático regional
(KOGAN, 1990; LIU; MASSAMBANI; NOBRE, 1994).
A análise das variações espaciais e temporais das imagens de NDVI torna-se um método atraente para investigar a
variabilidade climática em escalas regional, continental e até global. Avanços recentes da tecnologia na área de
sensoriamento remoto fornecem uma fonte de dados multi-espectrais com altas freqüências temporal e espacial. Desta
forma, o estudo dos impactos das variabilidades climáticas nas condições do crescimento das vegetações tem avançado
rapidamente (MATHEWS, 1983; HIELKEMA; PRINCE; ASTLE, 1986; ANTHES, 1988; REYES; TREJO, 1991;
WARD; FOLLAND, 1991; BREST; ROSSOW, 1992). Fundamentado no argumento de que a evolução sazonal ou anual
do grau de verde da superfície terrestre inferido pelo NDVI responde intimamente à distribuição anual de precipitação,
utilizou as imagens de NDVI para monitorar a evolução dinâmica da seca de acordo com sua variação espacial por meio
de um ciclo anual da estação seca e da estação úmida, para investigar as variabilidades climáticas sazonais e interanuais
(LIU; MASSAMBANI; NOBRE, 1994; GHOSH, 1997).
De um modo geral, a maioria das precipitações tropicais ocorre dentro das zonas de convergência tropical, que
freqüentemente se caracterizam pelos ventos úmidos na superfície, que convergem e ascendem, favorecendo, desta
maneira, a formação de nuvens convectivas intensas, mas resultando em chuvas esparsas. As zonas de convergência
tropical mais importantes incluem Zona de Convergência Intertropical Inter-Tropical Convergence Zone (ITCZ), Zona
da Convergência do Pacífico do Sul, (The South Pacific Convergence Zone – SPCZ) e Zona da Convergência do
Atlântico do Sul (The South Atlantic Convergence Zone – SACZ). Nos oceanos tropicais, a circulação atmosférica está
geralmente acoplada direto ou remotamente à distribuição de temperatura na camada superior do oceano.
As mudanças na distribuição de temperatura da superfície do mar (Sea Surface Temperature – SST) estão
intimamente relacionadas com as mudanças da posição e da intensidade das zonas de convergências (KOUSKY, 1979).
O fenômeno da Oscilação Sul do El Niño (El Niño Southern Oscillation – ENSO) provoca grande perturbação
atmosférica no globo inteiro. Foram observadas secas severas na região Nordeste brasileira (NDB) e enchente intensa na
região Sudeste da América do Sul com a ocorrência de alguns episódios de El Niño (HASTENRATH; HELLER, 1977;
KOUSKY; KAGANO; CAVALCANTI, 1984; ROPELEWSKI; HALPERT, 1987).
Nemani et al. (1993) usaram a declividade ou razão de temperatura da superfície (Ts) e NDVI para correlacionar
com o índice de umidade do solo. Apontaram que a declividade de Ts/NDVI pode ser usada para monitorar a seca
regional nas áreas não irrigadas. Chauhan (1997) aplicou os dados das microondas obtidos pelo AIRSAR combinados
com os dados de Push-Broom Microwave Radiometer (PBMR) para monitorar a umidade do solo sob a copa da
vegetação. Observou que a umidade no solo abaixo da copa obtida pela combinação dos dados de AIRMR e PBMR
coincidiu muito bem com os dados de umidades no solo coletados em campo durante o experimento NASA Multisensor
Aircraft Campaign Hydrology Experiment (MACHYDRO) que foi realizado na região central do Estado da Pensilvânia
nos Estados Unidos. Kempeneers et al. (2005) aplicaram as técnicas de classificação baseadas nos ondaletes genéricos
dos dados hiperespectrais obtidos pelo espectrorradiômetro (Analytical Spectral Device – ASD), para detecção de
estresse das pomadas e validadas com os dados obtidos em campo. Sugeriram que o método possa ser aplicado para
detecção de estresse da vegetação usando os dados adquiridos pelos sensores ASD a bordo do avião CASI-2.
Liu, Massambani e Nobre (1994) utilizaram os dados de série temporal de NDVI da região NDB para monitorar as
evoluções dinâmicas da seca durante o período de 1981 a 1987. As figuras 9.13 e 9.14 ilustram as imagens mensais de
NDVI da América do Sul que foram usadas para o monitoramento da seca. A figura 9.13 é a imagem referente ao mês do
maio de 1983 e a figura 9.14 é a do maio de 1985. A escala de valores de NDVI, que variam de menor que zero, cor
marrom intenso, ao acima de 0,7, cor azul, é expressa em cores no lado esquerdo da imagem. O valor do NDVI aumenta
do negativo (marrom intenso), atravessando a cor violeta, vermelha, laranja, amarela, verde, verde-azulada, azul-clara,
até o valor acima de 0,7, cor azul, aumentando um intervalo de 0,1 para cada faixa de cor. A cor laranja representa o
valor limiar de NDVI de 0,21 que foi utilizado como o valor limiar para delinear as áreas de seca. As imagens mensais
de NDVI foram produzidas para o período de agosto de 1981 a julho de 1987 e foram utilizadas para estudar a
variabilidade climática. Nessas figuras, observa-se que as cores amarela e laranja predominaram na figura 9.13, mas
desapareceram na figura 9.14. Isto significa que o mês de maio foi mais seco no ano de 1983 do que no ano de 1985.
As imagens mensais de NDVI, processadas pelo procedimento do valor máximo composto de um mês (HOLBEN,
1986), foram utilizadas para delinear os mapas de área de seca com o valor de NDVI menor que 0,21. As evoluções
temporal e espacial de ocorrência de área de seca, durante o período de seis anos (1981 a 1987), foram comparadas para
investigar as variabilidades climáticas interanuais da América do Sul. Os mapas mensais de área seca durante o ano mais
seco (10/1982 a 9/1983) e o ano mais chuvoso (10/1984 a 9/1985) foram utilizados para identificar o padrão de migração
da seca ligado com a variabilidade climática na NDB. As porcentagens de área seca da região NDB para dois anos
(1982/1983 e 1984/1985) foram calculadas para demonstrar o impacto do evento de ENSO que ocorreu no ano
1982/1983.
A Tabela 9.14 mostra que os valores médios de NDVI acumulados por ano no período de 1981 a 1987 coincidem
bem com os quatro maiores tipos de vegetação distribuídos no Brasil: 5,40 para a vegetação predominante de floresta
tropical chuvosa (região Amazônica); 2,96 para a vegetação predominante de caatinga (região central do Nordeste); 4,30
para a vegetação predominante de cerrado (regiões Oeste e Centro-Oeste) e 4,96 para a vegetação predominante de
agricultura (regiões Sul e Sudeste).
Tabela 9.14 – NDVI total anual das quatro regiões do Brasil, obtido pelo valor médio de quatro localidades da cada região do período de
8/1981 a 7/1987. Fonte: (LIU; FERREIRA, 1991).
Figura 9.13 – NDVI mensal do valor máximo composto da América do Sul de maio de 1983 – típico do ano seco na região Nordeste
brasileira. Fonte: (LIU; MASSAMBANI; NOBRE, 1994).
 Figura 9.14 – NDVI mensal do valor máximo composto da América do Sul de maio de 1985 – típico do ano chuvoso na região
Nordeste brasileira. Fonte: (LIU; MASSAMBANI; NOBRE, 1994).

A figura 9.15 mostra a evolução mensal das áreas secas (as áreas da cor negra com NDVI < 0,21) de um mês
úmido (maio) e de um mês seco (setembro) da América do Sul do período de Maio/1982 a Setembro/1987. Foi
observado que, no mês de maio, a seca ocorreu na maior parte da região NDB nos anos de 1982 e 1983, em poucas áreas
nos anos de 1984, 1985 e 1986 e foi quase nula no ano de 1987. No mês de setembro, a seca predominou na região NDB
durante seis anos analisados e na região Sudeste da América do Sul no ano de 1984. A ocorrência da seca severa na
região NDB durante o período de Maio/1982 a Setembro/1983 coincidiu bem com a ocorrência do evento ENSO nesse
período. As figuras 9.16 e 9.17 mostram as evoluções mensais da área de seca da América do Sul dos períodos de
Outubro/1982 a Setembro/1983 e de Outubro/84 a Setembro/1985, respectivamente. Na comparação das evoluções
temporal e espacial de um ano seco (1982/1983) e de um ano úmido (1984/1985), foi observado que, no ano seco, tal
como 1982/1983, a ocorrência da seca foi persistente na NDB e não desapareceu totalmente nos meses da estação
chuvosa (pequenas áreas negras dos mapas de Março/1983, Abril/1983 e Maio/1983). Ao contrário da NDB, a seca não
ocorreu durante a maioria dos meses na Região Sudeste (as áreas negras somente nos meses de Novembro/1983,
Maio/1983, Julho/1983 e Agosto/1983). O fenômeno da ocorrência de seca no Nordeste e chuvosa no Sudeste do Brasil,
no ano 1983, é um caso típico do episódio da ENSO.
No ano 1984/1985, apesar de ainda serem observadas pequenas áreas secas na NDB na estação chuvosa, a área da
seca atinge sua mínima no mês de maio. Nos seis anos estudados, foi observado que, embora há existência de seca na
NDB durante o ano inteiro, sua ocorrência variou de região para região, de mês a mês e de ano a ano. Isto significa que
as áreas de seca não se repetem no mesmo local de um ano para outro. A freqüência de ocorrência de seca na NDB foi
alta durante quase todo o ano, mas raramente ocorreu no mesmo local em dois anos consecutivos.
Com o objetivo de investigar o efeito do ENSO na ocorrência de seca na NDB, as evoluções temporais do NDVI
quinzenal do período de Agosto/1981 a Julho/1987 nas cinco localidades: Picos, Patos, Petrolina, Teresina e Barreiras
foram analisados (figura 9.9). A figura 9.18 mostra as evoluções temporais do NDVI quinzenal do período de
Agosto/1981 a Julho/1987. O valor de NDVI representa um valor médio de 7 pixels por 7 pixels com uma resolução de 4
km de cada pixel, cobrindo uma área de 28 km × 28 km. A barra representa o desvio do valor médio dentro de uma
amostragem de 49 pixels de NDVI. Em geral, nos seis anos comparados, as curvas demonstraram que o valor de NDVI
anual, que soma os valores de NDVI mensal do período de Agosto/1982 a Julho/1983, foi o menor de todos, mostrando a
ocorrência do episódio da ENSO neste ano. O efeito mais pronunciado foi observado em Patos e em Petrolina, onde os
valores de NDVI foram baixos com o NVDI de 0,3 em apenas dois meses. Ao contrário, no ano 1984/1985, em sete
meses, os valores de NDVI ultrapassaram 0,3 nessas localidades.

Figura 9.15 – Evolução mensal da área seca (as áreas da cor negra com NDVI < 0,21) de um mês úmido (maio) e de um mês seco
(setembro) da América do Sul do período de maio/1982 a setembro/1987. Fonte: (LIU; MASSAMBANI; NOBRE, 1994).

Figura 9.16 – Evoluções mensais da área seca (as áreas da cor negra com NDVI < 0,21) da América do Sul dos períodos de
outubro/1982 a setembro/1983. Fonte: (LIU; MASSAMBANI; NOBRE, 1994).
 Figura 9.17 – Evoluções mensais da área seca (as áreas da cor negra com NDVI < 0,21) da América do Sul dos períodos de
outubro/1984 a setembro/1985. Fonte: (LIU; MASSAMBANI; NOBRE, 1994).

Com a finalidade de se investigar mais profundamente o comportamento da evolução da área seca na NDB, a
porcentagem da área seca nesta região foi calculada mensalmente para os anos 1982/1983 e 1984/1985. A figura 9.19
mostra a evolução temporal de porcentagem da área seca para esses dois anos. No ano 1982/1983, foram observados seis
meses com a área seca acima de 80%, um mês com 60%, quatro meses em torno de 40% e um mês com 10%. No ano
1984/1985, foram observados seis meses com a área seca abaixo de 10%, um mês abaixo de 22%, um mês abaixo de
55% e quatro meses acima de 60%. Isto significa que, durante o episódio do ENSO, a persistência da seca na NDB
estende-se da estação seca à estação chuvosa, confirmando a observação feita por Rao e Hada (1990). Apesar da entrada
da estação chuvosa, 40% da área do Nordeste ainda continuou sofrendo com a seca. O inverso ocorreu no ano
1984/1985. A maioria das áreas da NDB apresentou seis meses úmidos com boas safras durante este ano. Entretanto,
cerca da 10% da área não escapou à seca. Isto mais uma vez confirmou que a ocorrência de seca sempre existe na NDB
em todos os anos, mas não se repete na mesma área em dois anos consecutivos.
As porcentagens de área seca também foram comparadas anualmente nos meses de maio e setembro no período de
setembro/1981 a setembro/1987 (figura 9.20). No mês de setembro, a porcentagem de área seca ultrapassou 80% nos
anos 1982 e 1983 e ficou ao redor de 50% no ano 1985. No mês de maio, a porcentagem de área seca ultrapassou os 40%
nos anos 1982 e 1983 e ficou abaixo de 10% nos anos 1985, 1986 e 1987. Pelas comparações interanuais, pode-se dizer
que os anos de 1981, 1982 e 1983 foram mais secos. O ano de 1984 foi normal e os anos de 1985, 1986 e 1987 foram os
anos mais chuvosos.
Figura 9.18 – Comparação das evoluções temporais de NDVI quinzenais das cinco localidades no Brasil, incluindo Picos, Patos,
Petrolina, Teresina e Barreiras. Os valores de NDVI são dos valores médios de 50 pixels dos dados de NOAA AVHRR GAC NDVI e
as barras são dos valores de desvios dos médios. Fonte: (LIU; MASSAMBANI; NOBRE, 1994).

Figura 9.19 – Comparação da evolução da área seca (%) na região Nordeste brasileira de um ano seco (1982/1983) e um ano úmido
(1984/1985). Fonte: (LIU; MASSAMBANI; NOBRE, 1994).
 Figura 9.20 – Comparação da evolução da área seca (%) em histograma do mês seco (setembro) e mês úmido (maio) nos anos de
1981 a 1987. Fonte: (LIU; MASSAMBANI; NOBRE, 1994).

9.13 Monitoramento das variabilidades climáticas pelos NDVI e

VCI
Para inferir um conjunto de estresses ambientais de uma região específica, o índice Vegetation Condition Index
(VCI) proposto por Kogan (1990) foi aplicado para o monitoramento da seca nos Estados Unidos com resultados
significativos. Liu e Kogan (1996) usaram os dados mensais de NDVI e VCI para monitorar a dinâmica da seca regional
na América do Sul e para investigar seu impacto na produção agrícola do Brasil e da Argentina.
Com o objetivo de se estudar a variabilidade interanual da ocorrência de seca nas várias regiões da América do
Sul, as áreas com baixos valores de NDVI e VCI foram consideradas como as de alto risco de seca. Neste estudo, as
áreas de seca foram delineadas com os valores limiares de NDVI < 0.18 e VCI < 0.36. Baseados nesses critérios, as áreas
de seca foram mapeadas e comparadas com as distribuições de chuva no Brasil durante o período de julho de 1985 a
junho de 1992. As figuras 9.21 a 9.27 apresentam as comparações das evoluções da seca delineadas pelo NDVI e pelo
VCI com as áreas secas delineadas com os dados de chuva mensal abaixo de 50 mm e o desvio da chuva média mensal
durante o período de julho de 1985 a junho de 1999. Cada figura contém quatro evoluções temporais da seca delineadas
pelas: a) precipitação < 50mm; b) NDVI < 0,18; c) desvio da precipitação acima de 50% ou ≤ 50 mm e d) VCI < 36%,
de um período de um ano contado de julho a junho do ano seguinte.
No geral, foi observado que as evoluções das áreas secas delineadas pelos dados de precipitação (mapas de série a)
concordaram bem com as áreas secas delineadas pelos dados de NDVI (mapas de série b) com um mês de atraso. Isto
confirmou os resultados obtidos no Capítulo I por Liu e Ferreira (1991). Além disso, as áreas secas delineadas pelo
NDVI são mais detalhadas, comparando-se com os dados meteorológicos. Foi observado, também, que as áreas secas
delineadas pelo VCI (mapas de série d) concordaram bem com as áreas secas delineadas pelo desvio da chuva (mapas de
série c) e que a resolução espacial foi melhor.

Figura 9.21 – Evoluções temporais das áreas de seca do Brasil delineadas pela: a) precipitação < 50mm; b) NDVI < 0,18; c) desvio
da precipitação acima de 50% ou ≤ 50mm e d) VCI < 36%, de um período de julho/1985 a junho/1986. Fonte: (LIU; KOGAN,
1996).
Figura 9.22 – Evoluções temporais das áreas secas do Brasil delineadas pela: a) precipitação < 50mm; b) NDVI < 0,18; c) desvio da
precipitação acima de 50% ou ≤50mm e d) VCI < 36%, de um período de julho/1986 a junho/1987. Fonte: (LIU; KOGAN, 1996).

Figura 9.23 – Evoluções temporais das áreas secas do Brasil delineadas pela: a) precipitação < 50mm; b) NDVI < 0,18; c) desvio da
precipitação acima de 50% ou ≤50mm e d) VCI < 36%, de um período de julho/1987 a junho/1988. Fonte: (LIU; KOGAN, 1996).

Figura 9.24 – Evoluções temporais das áreas secas do Brasil delineadas pela: a) precipitação < 50mm; b) NDVI < 0,18; c) desvio da
precipitação acima de 50% ou ≤50mm e d) VCI < 36%, de um período de julho/1988 a junho/1989. Fonte: Fonte: (LIU; KOGAN,
1996).

Figura 9.25 – Evoluções temporais das áreas secas do Brasil delineadas pela: a) precipitação < 50mm; b) NDVI < 0,18; c) desvio da
precipitação acima de 50% ou ≤50mm e d) VCI < 36%, de um período de julho/1989 a junho/1990. Fonte: (LIU; KOGAN, 1996).
 Figura 9.26 – Evoluções temporais das áreas secas do Brasil delineadas pela: a) precipitação < 50mm; b) NDVI < 0,18; c) desvio da
precipitação acima de 50% ou ≤50mm e d) VCI < 36%, de um período de julho/1990 a junho/1991. Fonte: (LIU; KOGAN, 1996).

Figura 9.27 – Evoluções temporais das áreas secas do Brasil delineadas pela: a) precipitação < 50mm; b) NDVI < 0,18; c) desvio da
precipitação acima de 50% ou ≤50mm e d) VCI < 36%, de um período de julho/1991 a junho/1992. Fonte: (LIU; KOGAN, 1996).

No período estudado (sete anos), as variabilidades climáticas inferidas pelo NDVI e pelo VCI nos anos de 1986 e
1987 na América do Sul foram consideradas como anos normais; o de 1988 foi o ano mais seco, exceto na região Centro-
Oeste do Brasil; o de 1989 teve mais seca na estação seca e mais umidade na estação chuvosa, mas ocorreu uma seca
severa na região úmida dos Pampas, na Argentina; o de 1990 teve a estação seca mais chuvosa e a estação chuvosa mais
longa, mas ocorreu o veranico nos meses de janeiro e fevereiro; o ano de 1991 teve uma estação chuvosa mais longa e
mais chuvosa e o ano de 1992 teve a estação chuvosa mais seca no Nordeste e mais chuvosa no Sudeste.
A intensidade e a duração da seca apresentada nos mapas mensais de VCI (a série d das figuras 9.21 a 9.27 da série
d) nas regiões de produção agrícola do Brasil e da Argentina durante a estação chuvosa do verão (novembro a maio)
foram analisadas e comparadas visualmente com as produções das culturas de grãos. Por exemplo, nos seis anos
comparados, o ano com a maior área de seca na região produtora de um país é considerado como o ano com a ocorrência
de alta intensidade da seca no Brasil. A presença das áreas de seca em vários meses consecutivos na estação chuvosa no
verão é considerada como a ocorrência de longa duração da seca no Brasil. Portanto, a severidade da seca foi apresentada
em três níveis – fraca, moderada e severa, considerando o efeito somatório da intensidade e da duração da seca. A tabela
9.15 mostra uma análise qualitativa de severidade da seca nessas regiões produtivas, comparadas com as produções
nacionais das culturas de grãos na estação de verão. Na Argentina, a ocorrência da seca na região úmida dos Pampas,
durante os meses de dezembro a março de 1989 (figura 9.23d), que coincidiu com o ciclo do crescimento das culturas de
verão, resultou na mais baixa produção agrícola com 11 milhões de toneladas de grãos, nos sete anos analisados.
As produções mais altas foram observadas nos anos com baixa ocorrência de seca na estação chuvosa de verão,
como nos anos de 1989 e 1992 no Brasil, quando a produção ficou acima de 70 milhões de toneladas e nos anos de 1988,
1991 e 1992 na Argentina, quando a produção ficou ao redor de 20 milhões de toneladas. Nos anos com a ocorrência de
seca severa, em 1986 e 1990 no Brasil e em 1989 na Argentina, registraram-se as produções mais baixas – em torno de
55 toneladas no Brasil e de 10 toneladas na Argentina. Isto indicou que a análise da evolução de área de seca delineada
pelo VCI durante o ciclo fenológico das culturas de grãos no verão poderá ser utilizada para prever a tendência da queda
da produção nacional e até global causada pela seca. Do ponto de vista da globalização da economia, os modelos de
previsão de safra agrícola das culturas de grãos incorporando o parâmetro VCI poderão ser desenvolvidos para prever as
produções agrícolas mundiais em tempo hábil com maior facilidades para o fechamento dos acordos comerciais.
Tabela 9.15 – Comparação da severidade da seca analisada pelo VCI com a produção de grãos das culturas de verão no Brasil e na
Argentina. Fonte: (LIU; KOGAN, 1996).

O valor de NDVI infere bem a seca do mês anterior. A evolução temporal do NDVI na região Nordeste brasileira
retratou bem o forte episódio de ENSO no período de outubro/1982 a setembro/1983. A ocorrência de seca sempre existe
na região Nordeste brasileira em todos os anos, com um mínimo de 10% da área no ano chuvoso, até um máximo de
80% no ano seco, mas não se repete na mesma área em dois anos seguidos. Conclui-se que o NDVI pode inferir bem a
ocorrência e as variabilidades espacial e interanual da seca em escalas regional e continental.
Os dados semanais de NDVI e de VCI, calculados com os dados semanais de valor máximo composto de AVHRR
PSG no período de 1985 a 1992, foram utilizados para estudar as evoluções temporal e espacial de seca da América do
Sul e seus impactos na produção agrícola do Brasil e da Argentina. Os resultados mostraram que, no ano de 1989, a
ocorrência da seca severa, inferida pelo VCI, durante a estação chuvosa na região úmida dos Pampas da Argentina,
coincidiu bem com a baixa produção de grãos da Argentina (11 contra a média anual de 19 milhões toneladas) e que a
ausência da seca nos anos de 1989 e de 1992 no Brasil resultou nas altas produções (72 milhões toneladas em 1989 e 71
milhões toneladas em 1992, contra a média anual de 60 milhões toneladas). Portanto o NDVI reflete bem as vegetações
de diferentes tipos do clima e o VCI reflete bem as variabilidades bioclimáticas de uma região específica. Isto sugere que
a ocorrência e a severidade da secas analisadas pelo VCI nos ciclos fenológicos das culturas de uma determinada região
podem ser utilizadas para estimar qualitativamente a produção agrícola em grande escala, especialmente nas escalas
nacional e global. A incorporação dos dados de VCI nos modelos de previsão de safra agrícola via satélite pode melhorar
a acurácia da previsão.

9.14 Imagens dinâmicas de NDVI da superfície Terrestre

As figuras 9.28a, 9.28b, 9.28c e 9.28d mostram as quatro imagens decendiais de NDVI da superfície terrestre para
o globo inteiro produzidas para os períodos de 1/4/1992 a 10/4/1992, 1/7/1992 a 10/7/1992, 1/10/1992 a 11/10/1992 e
11/1/1993 a 20/01/93, respectivamente. Os dados estatísticos de distribuição de NDVI foram apresentados na tabela
9.16. Na figura 9.28a observou-se que, em abril de 1992, a cor vermelha predominou na superfície terrestre, significando
que a maior área da superfície terrestre (67%) que apresentou NDVI abaixo de 0,20 estava concentrada no Hemisfério
Norte, com exceção do Sudeste da América do Norte. A maioria da América do Sul, o Centro-Sul do Continente
Africano e o leste do Continente Australiano apresentaram as cores verde e azul, indicando que os valores de NDVI
estavam acima de 0,30. As áreas de alto NDVI avançaram das altas latitudes para o Equador (figura 9.28b) e atingiram
máximas em outubro (figura 9.28c) e recuaram em janeiro (figura 9.28d). Em geral, observou-se que, nos meses de julho
e outubro, o globo é mais verde, com 54% de área de NDVI acima de 0,20 em julho e 49% em outubro. Nos meses de
abril e janeiro, o globo é mais vermelho, com 33% de área de NDVI acima de 0,20 em abril e 32% em janeiro. A
importância da região de floresta tropical chuvosa da Bacia Amazônica pode ser observada nas análises das evoluções
temporal e espacial de NDVI nessas quatro figuras. A oscilação sazonal distinta de NDVI foi observada na maior parte
da superfície terrestre, e somente a América do Sul, especialmente na Bacia Amazônica, tem alto NDVI durante o ano
todo. A importância da grande área verde ocupada pela Floresta Tropical Chuvosa da Bacia Amazônica pode ser vista
nessa seqüência de imagens.
Os dados de NOAA AVHRR LAC foram usados para classificação e geração do mapa da distribuição de
vegetação do globo terrestre baseada nas distribuições espacial e temporal de NDVI (RUNNING et al., 1995;
VERHOEF, 1996; LOVELAND et al., 2000). A produtividade de biomassa e a taxa de fixação de gás carbono da
superfície terrestre também podem ser estimadas utilizando os dados de NDVI (FIELD; RAMDERSON;
MALMSTROM, 1995; SELLERS et al., 1995; SCHIMEL, 1995). Portanto, as imagens dinâmicas de NDVI geradas
fornecem um fluxo contínuo de dados para o monitoramento da evolução de vegetação da superfície terrestre, a
estimativa de produtividade de biomassa (WIEGAND; RICHARDSON, 1990) e o estudo de mudanças climáticas em
escala global (KOGAN, 1995; SELLERS et al., 1995, DICKINSON, 1995).

Figura 9.28 – a, b, c e d correspondem às imagens de NDVI, geradas para as quatro estações nos meses de abril/1992, julho/1992
outubro/1992 a janeiro/1993, respectivamente. Fonte: (TSAY; LIU, 2000).

Tabela 9.16 – Porcentagens de distribuição global de NDVI em seis níveis:< 0,0;0,0 a 0,20; 0,21 a 0,40; 0,41 a 0,60; 0,61 a 0,70 e > 0,70
nas quatro estações do ano.
9.15 Imagens compostas de albedo, temperatura e NDVI
As imagens compostas dos três parâmetros biofísicos, incluindo albedo, temperatura e NDVI, foram geradas para
as quatro estações nos meses de abril/1992, julho/1992, outubro/1992 a janeiro/1993 mostradas pelas figuras 9.29a,
9.29b, 9.29c e 9.29d, respectivamente. As faixas sem imagens da figura 9.29d indicam a falta dos dados de NOAA
AVHRR. A evolução sazonal de NDVI acompanhou bem com as evoluções de albedo e de temperatura. Isto significa
que as vegetações crescem com o aumento de temperatura e resultam em albedo menor, exceto nas regiões de desertos,
com geleiras permanentes e de superfícies oceânicas. Por exemplo, na América do Sul, a cor mudou de verde-amarelada
em abril (no outono) para a verde-azulada em julho (no inverno), voltando à verde-amarelada em outubro (na primavera)
e intensificando a verde-amarelada em janeiro (no verão). Comparando-se com as imagens de parâmetros biofísicos
apresentados no Capítulo 8, essas imagens compostas sintetizam as informações dos parâmetros biofísicos que podem
ser utilizadas para o monitoramento da evolução da vegetação terrestre sob as influências da temperatura, precipitação e
radiação solar.
 Figura 9.29 – a, b, c e d correspondem às imagens compostas dos três parâmetros biofísicos, incluindo albedo, temperatura e NDVI,
geradas para as quatro estações nos meses de 4/1992, 7/1992 10/1992 a 1/1993, respectivamente. Fonte: (TSAY; LIU, 2000).

9.16 Análise da variabilidade espacial pela técnica FFT

Vários estudos das variabilidades climáticas na região Nordeste brasileira (NDB) contestaram que a alta variação
temporal nessa região resulta a alta freqüência da ocorrência de seca (WALKER, 1923; HARGREAVES, 1975;
HASTENRATH; HELLER, 1977; KOUSKY, 1979; STOECKENIUS, 1981; RASMUSSON; WALLANCE, 1983;
ROPELEWSKI, HALPERT 1987; LIU; MASSAMBANI; NOBRE, 1994; LIU; KOGAN, 1997; LIU; JUAREZ, 2001;
KOUSKY, 1979). Pela análise dos dados de precipitação, mostrou que as flutuações anuais na NDB são causadas pelos
sistemas de circulação originados dos Hemisférios Norte e Sul. Guilford et al. (1992) apresentaram uma descrição
detalhada das peculiaridades climáticas e dos processos atmosféricos, bem como dos topográficos, que afetam a
distribuição da vegetação na NDB, e observaram que as secas freqüentes são resultantes dos distúrbios de sistemas
atmosféricos de grande escala no Hemisfério Norte e no Hemisfério Sul, das temperaturas da superfície do Oceano
Atlântico, que influenciam os ventos alísios e, conseqüentemente, provocam distúrbios no posicionamento da zona de
convergência intertropical (Inter Tropical Convergence Zone – ITCZ) e nos padrões de precipitação, bem como do
episódio do El Nino (El Nino Southern Oscillation – ENSO). As influências diferenciadas desses sistemas de circulação
atmosférica resulta a alta variação espacial do clima da NDB (HARGREAVES, 1975; KOUSKY, 1979; MENENTI et
al., 1993). Portanto, o clima varia muito de um local para o outro na NDB. É importante conhecer a distribuição do tipo
de clima regional na NDB para facilitar a elaboração do plano adequado para o desenvolvimento local sustentável com
menor risco de perdas causadas pela seca.
Hargreaves (1975) usou os dados de MAI para gerar um mapa de classificação climática da NDB. Kousky (1979)
utilizou os dados de anomalias da precipitação para confeccionar o mapa de variabilidade relativa da distribuição de
precipitação. Esses mapas foram gerados com as estações pluviométricas limitadas. Portanto, não delinearam
efetivamente as zonas transitórias dos diferentes tipos da circulação atmosférica atuando na NDB. Recentemente, a
técnica da Transformação Fourier Rápida (Fast Fourier Transform – FFT) foi aplicada para identificar e classificar tipos
de vegetação sob a influência de diferentes tipos de clima regional usando os dados de NOAA AVHRR NDVI com
resultados satisfatórios (MENENTI et al., 1993; VERHOEF; MENENTI; AZZALI, 1996; LIU; JUAREZ, 2001). Esses
autores mostraram que as imagens geradas pela FFT sobre uma série temporal de imagens de NDVI fornecem a
informação para identificar os ciclos periódicos repetitivos de um determinado ciclo fenológico da vegetação
condicionado por um tipo do clima específico.

9.16.1 Técnica de análise da FFT

A técnica de análise da FFT é uma ferramenta importante para estudar as variabilidades espaciais e temporais e as
zonas transitórias da distribuição da precipitação regional que são informações indispensáveis para otimizar o
planejamento de usos racionais dos recursos hídricos. Portanto, o algoritmo da aplicação da FFT e um exemplo da
análise dos produtos gerados na NDB são apresentados a seguir para demonstrar sua aplicação. O programa da FFT em
linguagem Fortran também está listado no Anexo 9B.
Um algoritmo, chamado Discrete Fourier Transform (DFT), representa um espectro de uma série temporal de
dados de amostras discretas, que é muito mais rápido que os métodos convencionais da técnica de FFT e, ao mesmo
tempo, é mais exato (BOX; JENKINS, 1976).
Suponha-se que uma série temporal de N amostras de Xk na figura 9.30a é dividida em duas funções, Yk e Zk, cada
uma delas com a metade dos pontos (N/2). A função Yk é composta de pontos pares (X0, X2, X4, .....), e Zk é composta de
um número ímpar de números (X1, X3, X5, .....). Essas funções são mostradas nas figuras 9.30a, 9.30b e 9.30c, e podem
ser escritas formalmente como:

Figura 9.30 – Decomposição de uma série temporal (Xk) em duas séries temporais (Yk e Zk), cada uma das quais tendo a metade das
amostras (Xk).
 Os valores de Yk e Zk são seqüências de N/2 pontos, que têm uma transformação discreta de Fourier definida pela
equação (9.74).

A transformada discreta de Fourier que se deseja é Ar, e pode-se escrevê-la em termos de pontos pares e ímpares.

r = 0,1,2...,N – 1
ou

Usam Br e Cr das equações (9.74) e (9.75) para representar os termos na equação (9.77) que resulta a equação
(9.78).

0 ≤ r < N/2

Para valores de r maiores que N/2, a transformada discreta de Fourier Br e Cr, repetem-se periodicamente os
valores tomados quando r < N/2. Portanto, substituindo r + N/2 para r na equação (9.78), a equação (9.78) torna-se a
equação (9.79).

0 ≤ r < N/2

Na equação (9.72) e equação (9.73), os primeiros N/2 e últimos N/2 pontos da transformada discreta de Fourier de
Xk podem ser obtidos simplesmente da DFT de Yk e Zk, ambas as seqüências de N/2 amostras. Contudo, como Yk e Zk são
transformados, e como o cálculo da transformada discreta de Fourier de N amostras pode ser reduzido no cálculo da DFT
de duas seqüências com N/2 amostras, o cálculo de Bk (ou Ck) pode ser reduzido no cálculo da seqüências de N/4
amostras. Essa redução pode ser feita tantas vezes quantos múltiplos de 2 tenha o número de amostras. Assim, se tiver
N=2n, terá n reduções, aplicando as equações (9.72) a (9.79), primeiro para N, logo para N/2 e assim sucessivamente para
uma função contendo dois pontos da série. A DFT de um ponto da função é, obviamente, a mesma amostra.
O algoritmo da FFT pode ser aplicado ao domínio temporal e espacial. Uma aproximação similar foi tomada por
Menenti et al. (1993), que usou a FFT para obter as fases e as amplitudes das imagens de dados da série temporal do
NDVI. Azzali e Menenti (1996) têm demonstrado o potencial da análise de Fourier nas séries temporais das imagens
NOAA NDVI para a classificação de zonas agrometeorológicas. Para isto foi desenvolvido o algoritmo Mixed radix FFT
(mrFFT). Uma breve descrição deste método é apresentada aqui.
 O algoritmo mrFFT foi desenvolvido no Laboratório de Aeroespacial Nacional (National Aerospace Laboratory –
LAN), em Amsterdam, na Holanda, e considera que a duração da série de tempo é N, onde N pode ser decomposto na
base dos números 2, 3, 4 e 5 e as amostras de imagens são eqüidistantes no tempo. Então o algoritmo permite descompor
o perfil do tempo de NDVI para cada pixel individual em um sinal médio mais N/2 componentes senoidais. As
amplitudes e fases de uma determinada freqüência, por exemplo, um período de 12 meses, pode ser relacionado com os
fenômenos agroecológicos, tais como o crescimento da vegetação em resposta aos padrões anuais recorrentes de
temperatura e precipitação. Embora N não esteja restrito a ser potência de 2, e o algoritmo seja extremamente rápido,
para uma melhor aplicação desta técnica, os dados de entrada devem estar relativamente livres de erros e sem os efeitos
de nuvens.
A série de imagens temporais do NDVI é chamada I(x,y,t), onde x é o número de pixel ou longitude, y é o número
de linha ou latitude e t é o intervalo temporal das imagens. I(x,y,t) pode ser representada como uma combinação linear de
funções periódicas elementares:

Em que:  
wn = freqüência;
A = amplitude;
g = fase;
a freqüência é relacionada com o período P como wn = 2π/Pn.

A dependência em (x,y) de A e g indica que os componentes de I(x,y,t) podem ser expressos como o movimento
em forma de onda no tempo por meio da área observada, do mesmo modo como é feita pela onda de água. Cada tipo de
onda possui uma determinada freqüência de wnn que infere um ciclo fenológico manifestado por um tipo de vegetação
que pode ser discriminado. Portanto, é útil introduzir um conceito de função de onda, que descreve um feixe estável de
partículas, que todas possuam a mesma energia. Assim, pelo princípio de probabilidade, em um determinado
experimento, a probabilidade de encontrar uma partícula entre x e x+Δx é proporcional à quantidade f*(x,t)•f(x,t)Δx) que
pode ser interpretada como o grau de densidade das partículas em uma função da posição e do tempo (MAIN, 1993).
Deste modo, a função de onda é representada pela equação (9.81).

Em que:  
s = uma coordenada espacial genérica;
= o vetor de onda relacionado com a velocidade de translação da onda ou velocidade de
q
fase (equação (9.75)).

A equação (9.80) pode ser escrita em termos da função de onda pela equação (9.83):

O algoritmo mrFFT pode ser aplicado para identificar a ocorrência periódica de certos tipos de distribuição
temporal da precipitação e zonas climáticas a partir da série temporal de imagens de NDVI em uma dada freqüência.
Valores de altas amplitudes indicam o componente periódico mais importante de uma série temporal de NDVI, que é
relacionado com a alta variabilidade climática. Os valores de fase indicam o início de um determinado ciclo de
crescimento da vegetação e, assim, inferem o início da estação chuvosa. O valor médio de NDVI tem sido gerado a partir
do mrFFT e mostra a adaptabilidade da vegetação em tempos longos para um certo tipo de clima, que resulta de um certo
tipo de regime de precipitação. Portanto, a imagem média da série temporal de NDVI está estreitamente relacionada com
os dados de precipitação normal. O algoritmo mrFFT foi usado por Juarez e Liu (2001) para gerar as imagens de fase,
amplitude e NDVI para um ciclo anual na região Nordeste brasileira, usando a série temporal de imagens de NDVI
durante o período de julho 1981 a junho de 1993. Um total de 144 meses foi usado para delinear a distribuição espacial
das zonas climáticas no NDB.

9.16.2 NDVI da região Nordeste brasileira

 A figura 9.31 mostra a imagem média da série temporal de NDVI, que foi obtida da média dos valores mensais do
NDVI de 144 imagens da série. Observam-se pequenas áreas com altos valores de NDVI (> 0,7) localizadas na região
Sudeste. Essas áreas coincidem bem com as áreas de precipitação anual maior que 2.100 mm. Uma mudança abrupta nos
valores de NDVI de 0,6 a 0,7 e de 0,4 a < 0,6 no leste, indica uma mudança drástica do tipo de vegetação ao longo da
linha costeira do leste. Essa mudança é por causa da rápida elevação do litoral ao interior variando do nível do mar a
maior que 500 m, o que ocasiona uma mudança na vegetação, bem como na distribuição da precipitação. Todavia, a
mudança nos valores de NDVI de 0,7 a 0,4 (cor verde-escura, celeste a verde-clara) foi suave no oeste. Do noroeste e
sudeste em direção ao centro da área em estudo, os valores de NDVI mudam gradualmente de 0,7 até valores menores de
0,3 (celeste, passando por verde-amarelo a vermelha), como mostra a figura 9.31. Isto indica que o clima muda da parte
tropical com períodos secos e períodos úmidos, e passa a climas de semi-árido, árido a muito árido, quando se observa o
centro da região do Polígono da Seca da região NDB que coincide bem com o mapa do clima classificado por
Hargreaves (figura 9.32). As áreas vermelhas localizadas nas latitudes de 5°S e 10°S a Nordeste e 10°S a 15°S a
Sudoeste são as regiões mais secas.

Figura 9.31 – Imagem de NDVI média anual para a região Nordeste brasileira baseada na análise da série de NDVI de julho de 1981
a junho de 1993. Fonte: (JUAREZ; LIU, 2001).
 Figura 9.32 – Classificação climatológica para a região Nordeste brasileira por HARGREAVES (1975).

9.16.3 Imagem de fase do NDVI

A figura 9.33 mostra a imagem de fase de NDVI de cada pixel, um ângulo de fase de 90°, ou seja, na sua máxima
amplitude. Como um determinado perfil senoidal de NDVI representa um determinado ciclo fenológico da vegetação, a
fase na sua máxima amplitude indica o valor máximo de NDVI na superfície de um determinado tipo de vegetação.
Portanto, a cor da imagem de fase na figura 9.33 indica o mês em que a vegetação alcança o seu crescimento máximo. A
imagem de fase mostra sete diferentes ciclos de crescimento da vegetação com o seu máximo ocorrido em janeiro (roxo)
e fevereiro (laranja) no sul, março (azul-claro) no centro, abril (verde-escuro) no norte, maio (verde-claro) e mudando de
junho (amarelo) e julho (vermelho) a agosto (azul) nas áreas do leste e noroeste. Nessa distribuição de fase, foi
observado que a mudança gradual de cor representa bem a mudança gradual de fase do noroeste e sudeste em junho, ao
centro em março e se movimentando ao sul em janeiro. Pela comparação entre a imagem de fase de NDVI na figura 9.33
e a precipitação máxima média mensal (figura 9.34) delineada por Kousky (1979), observa-se que a imagem de fase de
NDVI coincide bem com o mapa de precipitação, mas com um mês de atraso. Liu e Ferreira (1991), Di, Rundquist e Han
(1994), Potter e Brooks (1998) têm observado um tempo de retardo de um mês do NDVI em resposta à precipitação.
Figura 9.33 – Imagem de fases NDVI usando a FFT para a região Nordeste brasileira baseada na análise da série temporal de julho
1981 a junho 1993. Fonte: (JUAREZ; LIU, 2001).

Figura 9.34 – Distribuição da área de precipitação mensal máxima na região Nordeste brasileira. Fonte: (KOUSKY, 1979).
 A fase em agosto (área azul) e a fase em julho (pequenas áreas vermelhas) apareceram dentro das áreas amarelas, o
que indica uma drástica mudança de fase de agosto, julho a junho na costa leste e noroeste. Essa drástica mudança de
fase não foi observada no mapa de precipitação mensal máxima (figura 9.34). Isto mostra que a análise das imagens de
NDVI usando a FFT prevê uma variação espacial mais detalhada do pico de estação chuvosa. Além disso, a figura 9.34
apresenta apenas quatro regiões com picos chuvosos (dezembro no sul, março no norte, maio no leste e uma zona de
transição no centro), enquanto a imagem de fase de NDVI (figura 9.33) mostra 13 regiões com diferentes picos de
crescimento da vegetação, o que sugere o efeito conjunto dos diferentes sistemas oceânicos e atmosféricos (GUILFORD
et al., 1992)

9.16.4 Imagens de amplitude de NDVI

A figura 9.35 mostra as amplitudes menores que 0,125 (azul-claro), que se encontram no oeste e no sudeste da
região Nordeste brasileira (NDB). As áreas com alta amplitude coincidem bem com as áreas de alta anomalia da
precipitação delineadas por Kousky (1979), mostradas na figura 9.36. A presença das cores predominantes de verde a
amarelo no extremo norte do nordeste indicam que a região teve a amplitude anual mais alta de NDVI, variando de 0,15
a acima de 0,25. A variabilidade climática é maior que na porção esquerda do nordeste (3°S a 8°S e 35°W a 41°W), com
a amplitude maior que 0,25 apresentada pela cor amarela, ao passo que o clima mais seco na porção direita desta é
apresentado por valores médios de NDVI menores que 0,4 na figura 9.35. Isto indica que, embora a porção esquerda
dessa área no Nordeste tenha apresentado uma precipitação anual mais alta, a variabilidade climática foi maior que a
porção direita. A área com variabilidade relativa de precipitação maior que 30% no norte NDB (figura 9.36) coincide
bem com as áreas com amplitudes maiores que 0,25. Contudo, duas áreas com variabilidade relativa da precipitação
maior que 40% apareceram na figura 9.35, somente observadas na figura 9.35 como pequenas áreas com valores de
amplitude maior que 0,275 (cor laranja). Todavia, as pequenas áreas com amplitudes >0,275 (cor laranja), localizadas na
parte oeste das áreas com amplitudes entre 0,25 e 0,275 (cor amarela) foram observadas na figura 9.35, mas não na
figura 9.36. O mapa do Kousky (1979) usou somente duas estações localizadas na área de 3°S a 8°S e 35°W a 41°W, e a
insuficiência da resolução espacial pode resultar a omissão dessas áreas. Comparando-se a variabilidade climática
inferida pelas imagens de amplitude geradas na figura 9.35 e o mapa de variabilidade de precipitação relativa na figura
9.36 reportado por Kousky (1979), observa-se que a imagem de amplitude pode fornecer uma melhor delineação espacial
da variabilidade do clima aos métodos clássicos que empregam dados de precipitação, especialmente quando se tiver
uma limitada distribuição espacial de estações pluviométricas.

Figura 9.35 – Imagem das amplitudes do NDVI usando a FFT para a região Nordeste brasileira baseada na análise da série temporal
de julho 1981 a junho 1993. Fonte: (JUAREZ; LIU, 2001).
 Figura 9.36 – Mapa de variabilidade de precipitação relativa da região Nordeste brasileira. Fonte: (KOUSKY, 1979).

As áreas com amplitudes de 0,125 a 0,25, no sudoeste da figura 9.35, coincidem bem com as áreas de NDVI
médio menor que 0,4 (cor amarela), mostradas na figura 9.31. Embora essas áreas de amplitude tenham sido muito
menores que as de NDVI médio, os resultados mostraram consistentemente que, nessa região, teve alta variabilidade
climática maior e o tipo do clima mais seco. A área em forma de uma faixa amarela, com amplitudes maiores que 0,25,
observada no sul do vale do rio São Francisco (12°S a 15°S e 43°W a 44°W), indica que esta área teve uma alta
variabilidade climática. Na figura 9.36, é interessante notar que uma pequena área com amplitude <0,15, presente no
médio da área com amplitudes >0,25 entre 4,5°S e 7,5°S e 39°W a 40,5°W. Essa área, também, foi observada
persistentemente na imagem de NDVI médio e na imagem de fase (figuras 9.31 e 9.33). As baixas amplitudes e os altos
valores do NDVI médio indicam que esta área possui uma condição climática mais favorável. A presença de uma região
mais úmida no médio da região do Polígono Seco pode ser o resultado do efeito topográfico, pois a cadeia montanhosa
de forma semicircular localizada ao sul, capturando a umidade vinda do norte, pode resultar em uma probabilidade de
precipitação mais alta. A atividade agrícola presente nessa área é a evidência desse fenômeno de microclima.

9.16.5 Delineamento da variabilidade climática baseada na análise da FFT

Fundamentando-se na distribuição espacial das fases observadas nas imagens de fase da figura 9.33, 15 janelas de
amostragem homogênea, identificadas com os seus respectivos números, foram delineadas para apresentar diversos tipos
climáticos (figura 9.37). Essas 15 janelas foram agrupadas pela fase como: 1 e 15 (agosto), 2 e 14 (junho), 3 e 13 (verde-
claro), 4 e 12 (verde-escuro), 7 e 11 (azul-claro), 8 e 10 (lavanda) e 9 (violeta). Duas janelas adicionais, 5 e 6, foram
agregadas por considerar uma variação distintiva em ambas as amplitudes e o NDVI médio dentro da mesma área de
fase. A janela 5 foi incluída por considerar a ocorrência de altos valores de amplitudes e de NDVI médio na
correspondente área de fase referente a abril. A janela 6 foi incluída por considerar a ocorrência de baixos valores de
NDVI médio e baixos valores de amplitudes na área correspondente àfase de março (azul-claro na figura 9.33). Portanto,
um total de 15 janelas foi selecionado para representar as diversas zonas climáticas na NDB. O tamanho das janelas são
na sua maioria de 1° de latitude × 1°de longitude, exceto para as janelas 1, 3, 9, 14 e 15, que têm tamanhos menores por
causa das limitações de área ocupada na imagem de fase. A tabela 9.17 e a figura 9.37 mostram a localização e o
tamanho dessas 15 janelas.
 Figura 9.37 – Localização e limites das 15 janelas usadas para a análise de características climáticas na região Nordeste brasileira.
Fonte: (JUAREZ; LIU, 2001).

A curva senoidal de NDVI mostrada pela fase e amplitude sem conhecer o valor médio de NDVI pode inferir
somente o intervalo típico da mudança anual da superfície vegetada. É possível que uma curva senoidal de uma região
úmida coincida com a curva senoidal de uma região seca com as mesmas amplitudes, mas com diferentes valores de
NDVI médio, ou seja, um valor limiar do NDVI mensal deve ser estabelecido com o propósito de determinar o período
de seca e estimar a sua duração. O valor limiar de NDVI de um mês seco foi determinado considerando-se que a
vegetação começa a mostrar um sinal de estresse, quando o valor de NDVI é menor que dois terços do seu máximo.
Portanto, a duração da estação seca foi calculada como a soma dos meses com o valor de NDVI menor que dois terços do
máximo valor de NDVI entre todas as 15 janelas no NEB.
Entre essas janelas estudadas, o valor mais alto de NDVI foi de 0,72, observado na janela 13. Portanto, um valor
limiar de NDVI igual a 0,48 foi usado para calcular a duração da estação seca. A tabela 9.17 resume a localização das
janelas, os valores de precipitação anual, o NDVI médio, a fase, a amplitude e a duração da estação seca de cada uma das
15 janelas estudadas. Cada janela é descrita pelas diferenças no valor de NDVI médio, fase, amplitude e a duração da
estação seca. A mistura de fases observadas na área do sudeste indicou uma invasão mútua da fase vindo do sul ao norte.
Esta mistura de fases pode ser o resultado de diferentes sistemas atmosféricos vindo de diversas direções. Portanto, as
janelas 10, 11, e 12 foram incluídas com o propósito de estudar uma possível mudança do tipo de clima causada pelo
movimento da mistura de fase. Também essas três janelas estão localizadas na área onde se tem uma carência de dados
de precipitação. É importante que haja uma investigação mais minuciosa para se obter uma caracterização mais precisa
dessas áreas. Baseada na análise da FFT, 15 tipos do clima na NEB foram gerados e analisados com os resultados bem
mais detalhados comparando-se com os métodos clássicos apresentados por Hargreaves (1975) e Kousky (1979). Esse
exemplo demonstra que a variação espacial dos tipos de clima pode ser investigada com a aplicação dos três
componentes gerados pela FFT. Portanto, a aplicação da FFT na análise da série temporal de dados de NDVI fornece
uma ferramenta efetiva para o estudo da variabilidade climática.
Tabela 9.17 – Resumo da localização, precipitação normal anual (P) e os dados do NDVI usando a FFT para as 15 janelas estudadas da
região Nordeste brasileira. Fonte: (JUAREZ; LIU, 2001).
 Lat. = Latitude.
Lon. = Longitude.

9.17 Perspectivas futuras

Svoray e Shoshany (2004) mapearam os fatores intrínsecos das propriedades do solo para mapear a taxa de ETR
que resulta a perda da umidade no solo utilizando os dados multitemporais de Landsat TM e ERS 2 SAR gerenciados
pelo SIG. Tadesse, Brown e Hayes (2005) apresentaram uma ferramenta chamada data mining para simular os estresses
hídricos de vegetação por causa da seca e delinear a extensão das áreas de seca durante a estação do crescimento das
culturas. Os modelos de regressão estatísticos foram desenvolvidos para identificar as correlações entre tipos de usos de
solo, água disponível no solo, porcentagens de áreas irrigadas e tipos de ecossistema pelo gerenciamento dos dados
dinâmicos pelo SIG. Os modelos foram construídos e testados para monitoramento das secas ocorridas nos Estados de
Nebraska e Dakota do Sul nos Estados Unidos em 2002. Sugeriram que a modelagem pelas técnicas de Data Mining tem
alta potencialidade para previsão de ocorrência e extensão da seca. Entretanto, a tendência de pesquisas no
monitoramento de ocorrências e avanço das secas via satélite é aplicar as técnicas de fusão dos dados de
espectrorradiômetros e microondas no desenvolvimento dos modelos de previsão de secas gerenciados pelo SIG.

Referências
ANTHES, R. A., 1984. Enhancement of convective precipitation by mesoscale variations in vegetative covering in semi-arid regions.
Journal of Climate and Applied Meteorology. American Society of Meteorology, Boston, Massachusetts, 23:541-554.
AZZALL, S.; MENENTI, M., 1996. Fourier analysis of temporal NDVI in the Southern Africa and American Continents. NRSP-2, 95-23,
Final Report. Winand Staring Centre for Integrated Land, Soil and Water Research (SC-DLO). Wageningen, the Netherlands. 151p.
BAIER, W.; DYER, J. A.; SHARP, W. R., 1979. The versatile soil moisture budget. Technical Bulletin. N° 87. Land Resources Research
Institute, Agriculture Canada, Ottawa, Ontario, Canada, KIA 0C6: 52p.
BECKER, F.; LI, Z. L., 1990. Towards a local split window over land surfaces. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 11:369-393.
BEN-DOR, E.; GOLDSHLEGER, N.; BRAUN, O.; KINDEL, B.; GOETZ, A. F.; BONFIL, D.; MARGALIT, N.; BINAYMINI, Y.;
KARNIELI, A.; AGASSI, M., 2004. Monitoring infiltration rates in semiarid soils using airborne hyperspectral technology. International
Journal of Remote Sensing. Taylor & Francis Ltd, London, UK.25:2607-2624.
BLUMBERG, G.; FREILIKHER, V.; KAGANOVSKII, Y.; MARADUDIN, A. A., 2002, Subsurface microwave remote sensing of soil
water content: field studies in the Negev Desert and optical modeling. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK.23:4039-4054.
BOUMAN, B. A. M., 1995. Crop modeling and remote sensing for yield prediction, Netherlands Journal of Agriculture Science.
Wageningen, the Netherlands. 43:143-161.
BOX, G. E. P.; JENKINS, G. M., 1976. Time Series Analysis, Forecasting and Control. Holden-Day Press. Oakland, California, USA.
143p.
BREST, C. L.; ROSSOW, W. B., 1992. Radiometric calibration and monitoring of NOAA AVHRR data for ISCCP. International Journal
of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:235-273.
BRUTSAERT, W. A., 1982. Evaporation into the Atmosphere. Reidel Dordrecht, the Netherlands. 299p.
BUCKMAN, H. O.; BRADY, N. C., 1969. The nature and properties of soil. 7th edition. Macmillan Company, London, UK. 653pp.
BURKE, J.; SIMMONDS, L. P., 2003. Effects of sub-pixel heterogeneity on the retrieval of soil moisture from passive microwave
radiometry. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:2085-2104.
CIHLAR, J.; ST-LAURENT, B.; DYER, J. A., 1991. Relation between the Normalized Difference Vegetation Index and ecological
variables. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 35:279-298.
CHAUHAN, N. S., 1997. Soil moisture estimation under a vegetation cover: combined active passive microwave remote sensing
approach. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:1079-1097.
CROW, W. T.; CHAN, S. K.; ENTEKHABI, D.; HOUSER, P. R.; SU, A. Y.; JACKSON, T. J.; OAPOS, E. G.; NEILL, B.; SHI, J.;
ZHAN, X., 2005. An observing system simulation experiment for Hydros radiometer-only soil moisture products. IEEE Transactions on
Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:1289-
1303.
DALL’OLMO, G.; KARNIELI, A., 2002. Monitoring phenological cycles of desert ecosystems using NDVI and LST data derived from
NOAA AVHRR imagery. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:4055-4072.
DI, L.; RUNDQUIST, D. C.; HAN, L., 1994. Modelling relationships between NDVI and precipitation during vegetation growth cycles.
International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 15:2121-2136.
DICKINSON, R., 1995. Land processes in climate models. Remote Sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 51:27-38.
DIXON, H. H., 1914. Transpiration and ascent of sap plants. McMillian Press, New York, USA. 116p.
DOBSON, M. C.; ULABY, F. T., 1986. Active microwave soil moisture research. IEEE Transactions on Geoscience and Remote Sensing,
IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA.24:23-36.
DOORENBOS, J.; PRUITT, W. O., 1977. Crop water requirements. FAO Irrigation and Drainage Paper No. 24. Rome, Italy. 144pp.
DOORENBOS, J.; KASSAM, A. H., 1979. Yield response to water. FAO Irrigation & Drainage Paper No. 33. FAO, Rome Italy, 193pp.
ENGMAN, E. T.; CHAUHAN, N., 1995. Status of microwave soil moisture measurements with remote sensing., Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 51:189-198.
FELDE, G. W., 1998. The effect of soil moisture on the 37 GHz microwave polarization difference index (MPDI). International Journal of
remote Sensing, Taylor & Francis Ltd, London, UK. 19:1055-1078.
FIELD, C. B.; RANDERSON, J. T.; MALMSTROM, C. M., 1995. Global net primary production: combining ecology and remote
sensing, Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 51:74-88.
FROUIN, R.; PINKER, R., 1995. Estimating photosynthetically active radiation at the earth surface from satellite observation. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 51:98-107.
GALLO, K. P.; HEDDINGHAUS, K., 1989. The use of satellite-derived vegetation indices as indicators of climatic variability.
Proceeding of the sixth Conference on Applied Climatology, March 7-10 1989. Charleston, South Carolina, USA. p244-247.
GARDNER, W. R., 1960. Dynamics aspects of water availability to plants, Soil Science. American Association for Advancement of
Science, Washington D.C., USA. 89:63-73.
GHOSH, T. K., 1997. Investigation of drought through digital analysis of satellite data and GIS. Theoretical Applied Climatology.
American Society of Meteorology, Boston, Massachusetts, USA. 58:105-119.
GRAY, T. I. JR.; MCGRAY, D. G., 1981. The environmental vegetation index a tool potentially useful for arid land management -
AGRISTARS Report EW-N1-04076. JSC - 17132, Johnson Space Center, Houston, Texas, USA.
GUILFORD, M. T.; VOJTESAK, M. J.; MYLES, G.; BONAN, R. C.; MARTENS, D. L., 1992. South America, Southern of the Amazon
River, A Climatological study. USAFETAC/TN –92/004, Contract number: 62225-5116, USAF Environmental technical application
center, Scott Air Force Base, Illinois, USA, 131p.
GUTMAN, G. G., 1991. Vegetation indices in crop assessments. Remote Sensing of Environment, Elsevier Science Publishing Co., New
York, USA. 35:121-136.
HARGREAVES, G., 1975. Irrigation requirements and precipitation deficits for Brazil. Relatório Técnico, No. 75-D156, EMBRAPA.
Utah State University, Utah, USA, 49pp.
HASTENRATH, S.; HELLER, L., 1977. Dynamics of climatic hazards in Northeast Brazil. Quarterly Journal of Royal Meteorological
Society, Royal Meteorological Society, London, UK. 103: 77-92
HIELKEMA, J. U.; PRINCE, S. D.; ASTLE, W. L., 1986. Rainfall and vegetation monitoring in the Savannah zone of the Democratic
Republic of Sudan using the NOAA AVHRR, International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 7:1499-1514
HOLAH, N.; BAGHDADI, N.; ZRIBI, M.; BRUAND, A.; KING, K., 2005. Potential of ASRA/ENVISAT for the characterization of soil
surface parameters over bare agricultural fields. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
96:78-86.
HOLBEN, B. N., 1986. Characteristics of maximum-value composite images from the temporal AVHRR data. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 7:1417-1434
HOLBEN, B. N.; KAUFMAN. Y. J.; KENDALL, J. D., 1990. NOAA 11 AVHRR red and near-infrared inflight calibration. International
Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 8:1511-1520.
HOLBEN, B. N.; ECK, T. F.; FRASER, R. S., 1991. Temporal and spatial variability of aerosol optical depth in the Sahel region in
relation to vegetation remote sensing. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 12:1147-1164.
HUETE, A.R.; WARRICK, A. W., 1990. Assessment of vegetation and soil water regimes in partial canopies with optical remote sensed
data. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 32:155-167.
HUNT, E. R., 1994. Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from
NDVI. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 15:1725-1730.
IDSO, S. B.; JACKSON, R. D.; REGINATO, R. J., 1975. Detection of soil moisture by remote surveillance, American Scientists, The
Scientific Research Association of America, Research Triangle Park, North Carolina, USA. 63:131-145.
IDSO, S. B.; JACKSON, R. D.; REGINATO, R. J., 1977. Remote sensing of crop yield, Science, American Association for Advancement
of Science, Washington D.C., USA. 196:19-25.
IDSO, S. B.; JACKSON, R. D.; Pinter, P. J.; REGINATO, R. J.;. Hatfield, J. L., 1981. Normalizing the stress-degree day parameter for
environmental variability. Agricultural Meteorology. Elsevier Science Publishing Co., Amsterdam, the Netherlands. 24:45-55.
JACKSON, R. D., 1964. Water vapor diffusion in relatively dry soil: 1. theoretical considerations and sorption experiment. Soil Science
Society of America Proceeding, Soil Science Society of America, Madison, Wisconsin, USA. 28:172-176.
JACKSON, R. D.; IDSO, S. B.; REGINATO, R. J.; OINTER, JR. P. J., 1981. Canopy temperature as a crop water stress indicator. Water
Resources Research, American Geophysical Union, St. Louis, Missouri, USA. 17:1133-1138.
JACKSON, T. J.; HSU, A. Y.; SHUTKO, A.; TISHCHENKO, Y.; PETRENKO, B.; KUTUZA; ARMAND, N., 2002. Priroda microwave
radiometer observations in the southern Great Plains 1997 hydrology experiment. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 23:231-248.
JACKSON, T. J.; HSU, A. Y.; VAN DE GRIEND, A.; EAGLEMAN, J. R., 2004. Skylab L-band microwave radiometer observations of
soil moisture revisited. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 25:2585-2606.
JIN, Y. Q.; WANG, Y., 2001. A generic algorithm to simultaneously retrieve land surface roughness and soil wetness. International
Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 22:3093-3099.
JONES, C. A.; KINIRY, J. R., 1986. CERES-MAIZE, a simulation model of maize growth and development. Texas A&M University
Press. College Station, Texas, USA. 193pp.
JUÁREZ, R. N.; LIU, W. T., 2001. FFT analysis of NDVI annual cycle and climatic regionality in northeast Brazil. International Journal
of Climatology, Royal Society of Meteorology, London, UK. 21:1803-1820.
JUSTICE, C. O.; HOLBEN, B. N.; GWYNNE, M. D., 1986. Monitoring East African vegetation using AVHRR data. International
Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 7:1453-1474.
JUSTICE, C. O.; ECK, T.F.; TANRÉ, D.; HOLBEN, B. N., 1991. The effect of water vapor on the normalized difference vegetation
index derived for the Sahelian region from NOAA AVHRR data. International Journal of Remote Sensing. Taylor & Francis Ltd, London,
UK. 12:1165-1188.
JUSTICE, C. O.; DUGDALE, G.; TOWNSHEND, J. R. GNARRACOTT,.; A. S.; KUMAR, M., 1991. Synergism between NOAA
AVHRR and Meteosat data for studying vegetation development in semi-arid West Africa. International Journal of Remote Sensing.
Taylor & Francis Ltd, London, UK. 12:1349-1368.
KEMPENEERS, P.; BACKER, S.; DEBRUYN, W.; COPPIN, P.; SCHEUNDERS, P., 2005. Generic wavelet-based hyperspectral
classification applied to vegetation stress detection. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote
Sensing Society of America, Piscataway, New Jersey, USA. 43:610-614.
KIDWELL, K. B., 1995. NOAA polar Orbiter Data Users Guide. NOAA NESDIS, Washington D.C.413p. http://www.nesdis.noaa.gov,
data de acesso: 15 de abril de 2004.
KLAR, A. E., 1984. A Água no sistema Solo-Planta-Atmosfera. Livraria Nobel S.A., São Paulo, 407p.
KOGAN, F. N., 1990. Remote sensing of weather impacts on vegetation in non-homogeneous areas. International Journal of Remote
Sensing. Taylor & Francis Ltd, London, UK. 11:1405-1420
KOGAN, F. N., 1995. Application of vegetation index and brightness temperature for drought detection. Advances in Space Research.
Elsevier Science Publishing Co., New York, USA. 15:91-100.
KOGAN, F. N., 1997. Global drought watch from space. Bulletin of the American Meteorological Society, American Society of
Meteorology, Boston, Massachusetts, USA. 78:621-636.
KOUSKY, V. E., 1979. Frontal Influences on Northeast Brazil. Monthly Weather Review. American Society of Meteorology, Boston,
Massachusetts, USA. 1079:1140-1153.
KOUSKY, V.E.; KAGANO, M. T.; CAVALCANTI, I. F., 1984, A review of the Southern Oscillation: oceanic-atmospheric circulation
changes and related rainfall anomalies. Tellus, Swedish Geographical Society, Stockholm, Sweden. 36A, p.490-509.
KRAMER, P. J., 1969. Plant and Soil Water Relationships: a modern synthesis. McGraw-Hill, New York, 482p.
LIN, D. S.; WOOD, E. F.; BEVEN, K.; SAATCHI, S., 1994a. Soil moisture estimation over grass-covered areas using AIRSAR.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1323-2343.
LIN, D. S.; WOOD, E. F.; TROCH, P.A.; MANCINI, M.; JACKSON, T. J., 1994b. Comparisons of remotely sensed and model-simulated
soil moisture over a heterogeneous watershed. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
48:159-171.
LIU, W. T., 1974. Soil Plant Water Relations in a New York Vineyard, Ph.D. Thesis, Cornell University, Ithaca, New York, 149p.
LIU, W. T.; WENKERT, W.; ALLEN, L. H. JR.; LEMON, E. R., 1978. Soil-plant water relations in a New York Vineyard: resistances to
water movement, Journal of American Society of Horticulture Science, Mount Vernon, Virginia, USA. 103:226-230,
LIU, W. T., 1978. Comparação do Ambiente Climático e cultura para quatro locais do Nordeste Brasileiro. Relatório Técnico,
CPATSA/EMBRAPA, Petrolina, PE, Brasil, 109pp.
LIU, W. T.; ASSIS, F.; LIU, B. W., 1983. Um modelo de simulação de severidade da seca. Anais do III Congresso Brasileiro de
Agrometeorologia, UMICAMP, Campina, SP, Brasil. 337-344.
LIU, W. T.; LIU, B. W., 1983. Simulação estocástica de clima diário. Anais do III Congresso Brasileiro de Agrometeorologia, Unicamp,
Campina, SP, Brasil. 77-84.
LIU, W. T.; LIU, B. W., 1983. Seleção de melhores épocas de plantio de milho e sorgo na região de Alto São Francisco. Anais do III
Congresso Brasileiro de Agrometeorologia, UMICAMP, Campina, SP, Brasil. 69-76.
LIU, W. T.; LIU, B. W., 1988. Comparação de modelo simples e composto de previsão de safra de soja no Estado de Minas Gerais.
Ciência e Cultura, Sociedade Brasileira para o Progresso de Ciências, Unicamp, Campinas, SP, Brasil. 40:808-819.
LIU, W. T.; FERREIRA, A., 1991. Monitoring crop production regions in the São Paulo State of Brazil using NDVI. Proceedings of the
24th International Symposium of Remote Sensing for Environment, Rio de Janeiro, RJ, Brasil. V2:447-455.
LIU, W. T.; JUARÉZ, R. N., 2001. ENSO drought prediction of Northeast Brazil using NDVI. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 22: 3483-3501
LIU, W. T.; Massambani, O.; Nobre, C., 1994. Satellite recorded vegetation response to drought in Brazil. International Journal of
Climatology. Royal Society of Meteorology, London, UK. 14:343-354.
LIU, W. T.; KOGAN, F. N., 1996. Monitoring drought using vegetation condition index. International Journal of Remote Sensing, Taylor
& Francis Ltd, London, UK. 17:2761-2782.
LIU, W. T.; STEINMETZ, S.; LIU, B. W., 1987. Índice versátil para avaliar risco agrícola em culturas de sequeiro. Ciência e Cultura,
Sociedade Brasileira para o Progresso de Ciências, Unicamp, Campinas, SP, Brasil. 39:510-616.

LONG, D. G.; SPENCER, M. W.; NJOKU, E. G., 2005. Spatial resolution and processing tradeoffs for Hydros: application of
reconstruction and resolution enhancement techniques. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and
Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:3-12.
LOVELAND, T. R.; REED, B. C.; BROWN, J. F.; OHLEN, D. O.; ZHU, Z.; YANG, L.; J. MERCHANT, W., 2000. Development of a
global land cover characteristics database and IGBP discover from 1 km AVHRR data. International Journal of Remote sensing. Taylor &
Francis Ltd, London, UK. 21:1303-1330.
LU, Z.; MANN, D.; FREYMUELLER, J.; MEYER, D., 2000. Synthetic Aperture Radar interferometry of Okmok volcano, Alaska.
Journal of Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 105:10791-10806.
LU, Z.; MYER, D. J., 2002. Study of high SAR backscattering caused by an increase of soil moisture over a sparsely vegetated area:
implications for characteristics of backscattering. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1063-
1074.
LUDOVIC, A.; SALAS, W. A.; SKOLE, D., 1994. Fourier analysis of multi-temporal AVHRR data applied to land cover classification.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1115-1122.
MAIN, I. G., 1993. Vibrations and Waves in Physics. Cambridge University Press. Third Edition. Massachusetts, USA. 327p.
MASSONNET, D.; FEIGL, K., 1998. Radar interferometry and its application to changes in the earth’s surface. Review of Geophysics,
American Geophysical Union, St. Louis, Missouri, USA. 36:441-500.
MATTHEWS, E., 1983. Global vegetation and land use: new high-resolution data bases for climate studies. Journal Climate and Applied
Meteorology. American Society of Meteorology, Boston, Massachusetts, USA. 2:474-487
MENENTI, M.; AZZALI, A.; VERHOEF, W.; VAN SWOL, R., 1993. Mapping agroecological zones and time lag in vegetation growth
by means of Fourier Analysis of time series of NDVI images. Advances in Space Research, Elsevier Science Publishing Co., New York,
USA. 13:233-237.
MENENTI, M.; AZZALI, A.; VERHOEF, W., 1995. Classification of isogrowth zones by analysis of NDVI times series. Programme
Bureau. Netherlands Remote Sensing Board. Amsterdam, Netherlands, N°. 24, 76p.
MOTA, F. S.; OLIVEIRA, M.; ROSSKOFF, D. J., 1979. Programa de computador para estimar o balanço hídrico agrometeorológico
diário no Brasil. I Congresso Brasileiro de Agrometeoologia, Mossoro, RN, Brasil. 8-13 de julho de 1979.14pp.
NEMENI, P. R.; PIERCE, L.; RUNNING, S.; GOWARD, S., 1993. Developing Satellite derived estimates of surface moisture status.
Journal of Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 32:548-557.
PARK, S.; FEDDEMA, J. J.; EGBERT, S. L., 2005. MODIS land surface temperature composite data and their relationships with climatic
water budget factors in the central Great Plains. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 26: 1127-
1144.
PALMER, W. C., 1965. Meteorological drought. USDC, Research Paper N°. 45. Washington, D.C., 58p.
PENMAN, H. L., 1940. Gas and vapor movement in soil. 1. the diffusion of vapors through porous solids. Journal of Agriculture Science
of Cambridge, Cambridge, UK. 30:437-445.
PHILIP, J. R.; DE VRIES, S. L., 1957. Moisture movement in porous materials under temperature gradient. Transaction of American
Geophysics, American Geophysical Union, St. Louis, Missouri, USA. 38:222-232.
POTTER, C. S.; BROOKS, V., 1998. Global analysis of empirical relations between annual climate and seasonality of NDVI.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 19:2921-2948.
PRINCE, S. D., 1991. Satellite remote sensing of primary production: comparison of results for Sahelian grasslands 1981-1988.
International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 12:1301-1319.
PRICE, J. C.; BAUSCH, W. C., 1995. Leaf area index estimation from visible and near-infrared reflectance data., Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 52:55-65.
QUARMBY, N. A.; MILNES, M.; HINDLE, T. L.; SILLEOS, N., 1993, The use of multi-temporal NDVI measurements from AVHRR
data for crop yield estimation and prediction. International Journal of Remote Sensing Taylor & Francis Ltd, London, UK. 14:199-210.
RAO, B. V.; HADA, K., 1990. Characteristics of rainfall over Brazil: annual variations and connection with the Southern Oscillation.
Theoretical and Applied Climatology. American Society of Meteorology, Boston, Massachusetts, USA. 42:81-92.
RAO, B. V.; HADA, K.; HERDIES, D., 1995. On the severe droughts of 1993 in the North-East Brazil. International Journal of
Climatology, Royal Society of Meteorology, London, UK. 15:697-704.
RASMUSSON, E. M.; WALLANCE, J. M., 1983. Meteorological aspects of the El Niño/Southern Oscillation. Science, American
Association for Advancement of Science, Washington D.C., USA. 112:1195-1202.
REICHARDT, K., 1987. A Água em Sistemas Agrícolas. Editora Manoel. São Paulo, SP, Brasil. 188pp.
REYES, S.; TREJO, A. M., 1991. Tropical perturbations in the eastern Pacific and the precipitation field over north-western Mexico in
relation to the ENSO phenomenon. International Journal of Climatology. Royal Society of Meteorology, London, UK. 11:515-528

RITCHIE, J. T.; BURNETT, E.; HERDERSON, R. C., 1972. Dry land evaporative flux in a subhumid climate: III. soil water influence.
Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 64:168-173.
ROBERTSON, G. W., 1976. Dry and wet spells. UNDP/FAO, Tun Razak Agriculture Research Center. Tekam, Malaysia. Project Field
Report: Agrometeorology: A-6, 23pp.
ROPELEWSKI, C. F.; HALPERT, M. S., 1987. Global and regional scale precipitation patterns associated with the El Nino/Southern
Oscillation. Monthly Weather Review, Society of Meteorology, Boston, Massachusetts, USA. 115:1606-1626.
ROSE, C. W., 1968a. Water transport in soil with a daily temperature wave II: Analysis. Australian Journal of Soil Science, CSIRO
Publishing, Collingwod, Victoria, Australia. 6:31-44.
ROSE, C. W., 1968b. Water movement in porous materials: III. Evaporation of water from soil. British Journal of Applied Physics,
Institute of Physics Publishing, Temple Backm Bristol, UK. 2:1779-1791.
RUNNING, S. W.; LOVELAND, T. R.; PIERCE, L. L.; NEMANI, R. R.; HUNT, E. R. JR., 1995. A remote sensing based vegetation
classification logic for global land cover analysis. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
51:39-48.
SAKAMOTO, C. M., 1973. The z-index as a variable for crop yield estimation. Agricultural Meteorology, Elsevier Science Publishing
Co., Amsterdam, the Netherlands. 19:305-313.
SALASSIER, B., 1986. Manual de Irrigação. 4a Edição. Imprensa Universitária da Universidade Federal de Viçosa, Viçosa, MG, Brasil,
488p.
SCHIMEL, D., 1995. Terrestrial biogeochemical cycles: global estimates with remote sensing, Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 51:49-56.
SCHOLANDER, P. F.; HAMMEL, H. T.; BRADSTREET, E. D.; HEMMINGSEN, E. A., 1965. Sap pressure in vascular plants. Science.
American Association for Advancement of Science, Washington D.C., USA. 148:339-346.
SEGUIN, B.; ITIER, B., 1983. Using midday surface temperature to estimate daily evaporation from satellite thermal infrared IR data.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 4:371-383.
SELLERS, P. J.; NEESON, B. W.; HALL, F. G.; ASRAR, G.; MURPHY, R.; SCHIFFER, R.; BRETHERTON, F.; DICKSON, R.;
ELLINGSON, R.; FIELD, C.; HUEMMRICH, K.; JASTICE, C.; MELACK, J.; ROULET, N.; SCHIMEL, D.; TRY, P., 1995. Remote
sensing of the land surface for studies of global change: models-algorithms-experiments. Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 51:3-26.
SERBIN, G.; OR, D., 2005. Ground penetrating radar measurement of crop and surface water content dynamics. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 96:119-134.
STEINMETZ, S.; LAGOUARDE, J. P.; DELECOLLE, R.; GUERIF, M.; SEGUIN, B., 1991. Evapotranspiration and water stress using
thermal infrared measurements. Physiology Breeding of Winter Cereals for Stressed Mediterranean Environment. Proceeding,
Montpelliar, França 3-6, July, 1989. Ed. INRA, Paris 1991. Le Colloques No. 55. P89-114.
STOECKENIUS, T., 1981. Interannual variations of tropical precipitation patterns. Monthly Weather Review, Society of Meteorology,
Boston, Massachusetts, USA 109:1233-1247.
SVORAY, T.; SHOSHANY, M., 2004. Multi-scale analysis of intrinsic soil factors from SAR-based mapping of drying rates. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 92:233-246.
TADESSE, T.; BROWN, J. F.; HAYES, M. J., 2005. A new approach for predicting drought-related vegetation stress: integrating
satellite, climate and biophysical data over the US central plains, Journal of Photogrammetry and Remote Sensing, Elsevier Science
Publishing Co., New York, USA. 59: 244-253.
THOM, H. C. S., 1968. Direct and inverse tables of the Gamma distribution. USDC, Technical Report. EDS-2. Silver Spring, Maryland,
USA. 30PP.
TANSEY, K. J.; MILLINGTON, A. C., 2001. Investigating the potential for soil moisture and surface roughness monitoring in drylands
using ERS SAR data. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 22:2129-2149.
THORNTHWAITE, C. W., 1948. An approach towards a rational classification of climate. Geographical Review, American Geographical
Society, Clark University, Worcester, Massachusetts, USA. 38:55-94.
THORNTHWAITE, C. W.; MATHER, J. R., 1957. Instructions and tables for computing potential evapotranspiration and the water
balance. Laboratory of Climatology, Drexel Institute of Technology, Centerton, New Jersey. USA, Publication in Climatology, Volume ×
(3):185-312.
TIAN, Q.; TONG, Q.; PU, R.; GUO, X.; HHAO, C., 2001. Spectroscopic determination of wheat water status using 1650-1850 nm
spectral absorption features. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:2329-2338.
TOY T. J.; FOSTER, G. R.; RENARD, K. G., 2002. Soil Erosion: Processes, Prediction, Measurement and Control. John Wiley & Sons,
Inc., New York, USA 352p.
TSAY, C. M.; LIU, W. T., 2000. Estimativa de albedo, temperatura e NDVI do Estado de São Paulo através de Dados AVHRR do Satélite
NOAA. Anais do XI Congresso Brasileiro de Meteorologia, Rio de Janeiro, MS00015: p.3842-3850, CD-ROM.
TUCKER, C. J.; TOWNSHEND, J. R.; GOFF, T. E., 1985. African land-cover classification using satellite data. Science, American
Association for Advancement of Science, Washington, D.C., USA. 227:369-375.

TSUJI, G. Y.; UEHARA, G.; BALAS, S., 1994. A decision support system for agrotechnology transfer version 3, IBSNAT, University of
Hawaii, Honolulu, Hawaii, USA. v1-3. 787p.
ULABY, F. T.; MOORE, R. K.; FUNG, A. K., 1982. Microwave Remote Sensing: Active and Passive. Addison-Wesley, Reading,
Massachusetts, USA. 625p.
ULABY, F. T.; MOORE, R. K.; FUNG, A. K., 1986. Microwave Remote Sensing: Active and Passive, Volume III, Artech House,
Massachusetts, USA, 1125p.
VERHOEF, W.; MENETI, M.; AZZALI, S., 1996. A color composite of NOAA AVHRR NDVI based on time series analysis (1981-
1992). International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:231-235.
WALKER, G., 1923. Correlation in seasonal variation of weather. VIII. A preliminary study of world weather. Memorandum of Indian
Meteorology Department. New Deli, India, 24:75-131.
WARD, M. N.; FOLLAND, C. K., 1991. Prediction of seasonal rainfall in the north Northeast of Brazil using eigenvectors of sea surface
temperature. International Journal of Climatology. Royal Society of Meteorology, London, UK. 11:709-818.
WICKEL, A. J.; JACKSON, T. J.; WOOD, E. F., 2001. Multitemporal monitoring of soil moisture with Radarsat SAR during 1997
Southern Great Plains Hydrological Experiment. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 22:1571-
1583.
WIEGAND, C. L.; RICHARDSON, A. J., 1990. Use of spectral vegetation indices to infer leaf area, evapotranspiration and yield. I.
Rationale, and II. Results. Agronomy Journal. American Society of Agronomy, Madison, Wisconsin, USA. 83:623-636.
WINTER, E. J., 1984. A água, o Solo e a Planta. 2a Edição, Traduzido por K. Reichardt e P.L. Libardi, ESALQ/USP, Livraria Nobel
S.A., São Paulo, SP. Brasil. 170p.
ZHAO, C. J.; ZHOU, Q.; WANG, J.; HUANG, W. J., 2004. Band selection for analyzing wheat water status under field conditions using
relative depth indices. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 25:2575-2584.
ZRIBI, M.; BAGHDADI, N.; HOLAH, N.; FAFIN, O., 2005. New method for soil moisture estimation and its application to ENVISAT-
ASAR multi-incidence data inversion. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 96:485-496.

Anexo 9A – Programa do Balanço Hídrico de Baier et al. (1979)

Anexo 9B – Programa de Fast Fourier Transform (FFT). Fonte: (JUAREZ; LIU, 2001).
10.1 Introdução
Hoje, a industrialização e comercialização concentram-se nas cidades metropolitanas, o que resulta em um
crescimento rápido da população urbana. Para resolver os problemas causados por esse crescimento, há a
necessidade de se elaborar um plano diretor do desenvolvimento urbano. Para isso, o primeiro passo é obter as
informações dos usos atuais do solo para que possam projetar seu controle no futuro. Graças às técnicas de
sensoriamento remoto via satélite e Sistema de Informações Geográficas (SIG) (Geographical Informations System
– GIS), os mapas atuais e históricos de usos do solo com alta resolução espacial podem ser adquiridos para
acompanhar suas evoluções. Além disso, as novas técnicas que utilizam as características espectrais, espaciais e
temporais dos dados, adquiridas via satélite, permitem uma análise profunda dos fenômenos urbanos, tais como
população, qualidade de moradia, usos inadequados do solo, conservação de energia e invasão de terra e fornecem
uma ferramenta eficiente para adequação do planejamento na expansão urbana.

10.2 Propriedade espectral de usos do solo urbano

Uma imagem composta da combinação de várias bandas espectrais pode ser utilizada para identificar os
diferentes objetos, tais como concreto, asfalto, grama, gramas artificiais, telhados, água, florestas e outros, baseando-
se nas características espectrais singulares de cada objeto. Na figura 10.1 mostram-se as assinaturas espectrais de
vários objetos. Observa-se que a superfície de uma pastagem reflete mais na faixa de infravermelho próximo (50%)
e reflete menos na faixa visível (5% a 20%). A grama artificial reflete menor que 8%, mas tem um pico de
refletância (20%) do comprimento da onda em torno de 0,56 μm por causa da contribuição da cor verde. A superfície
de concreto reflete mais (28% a 32%) e a superfície de asfalto reflete menos (8%) em ambas as faixas de visível e
infravermelho próximo. Os solos arenosos e cascalhos e os solos preparados em sulcos e camalhões refletem em
torno de 5% a 18% na faixa de visível e 22% na faixa de infravermelho próximo. A superfície de água reflete pouca
luz na faixa do visível e quase absorve toda a luz na faixa do infravermelho (0% a 5%). Portanto, as assinaturas
espectrais dos diferentes objetos são utilizadas para sua própria identificação.
Para o monitoramento da evolução de usos do solo urbano, as imagens adquiridas devem ser sob mesmas
condições físicas, incluindo-se: ângulo de visada dos sensores, ângulo zenital solar, intensidade da radiação
incidente, atenuações atmosféricas. Por causa das informações incompletas das características espectrais dos
diversos objetos na área urbana, o monitoramento de usos do solo somente é limitado nos principais objetos.
Infelizmente, muitos materiais artificiais têm as assinaturas espectrais bem semelhantes o que dificulta a
identificação e mesmo a classificação. Portanto, as informações obtidas pelas assinaturas espectrais dos objetos
urbanos, usualmente, não são suficientes para identificar corretamente o fenômeno urbano. Para alcançar uma
análise mais detalhada, uma combinação das várias fontes de dados de censuras e das imagens obtidas pelas
fotografias aéreas, sensores multiespectrais e microondas dos satélites são necessários.
 Figura 10.1 – Assinaturas espectrais da energia eletromagnética dos vários objetos, incluindo: pastagens, concreto, solo arenoso,
cascalhos, sulcos e camalhões, asfalto, grama artificial e água limpa. Fonte: (JENSEN, 1985).

10.3 Propriedade espacial de usos do solo urbano

A complexidade de usos do solo urbano, compostos de prédios, redes de transporte, fábricas, parques, gramas
e usos mistos de vários objetos, exige uma imagem de alta resolução espacial para facilitar as diversas
identificações. O método mais usado para preparar o mapa de usos do solo urbano é fundamentado na interpretação
visual das imagens de fotografia aérea em escalas de 1:10.000 a 1:60.000. As imagens pancromáticas do Landsat
TM têm uma resolução de 15 m e do SPOT de 10 m fornecem os mapas com uma escala de 1:75.000 e 1:50.000,
respectivamente. Por essas imagens ainda não serem eficientes para uma análise precisa de usos do solo urbano, as
técnicas de análise de texturas e reflectâncias espectrais da imagem, tais como classificações supervisionadas e não
supervisionada são freqüentemente aplicadas para agrupar e delinear as classes de usos. Em geral, uma unidade
mínima de um objeto ocupando uma área de 2 m × 2 m, que pode ser identificada em um mapa com determinada
escala, é aceitável para elaboração de um mapa de usos do solo urbano. Recentemente, os satélites de alta resolução,
tais como as imagens pancromáticas do satélite IKONOS com resolução espacial de 1 m e a escala de 1: 5.000, e as
imagens pancromática do QuickBird II com a resolução espacial de 0,61 m e a escala de 1:3.050, são compatíveis
com as fotografias aéreas. Isto facilita muito para o monitoramento da evolução de usos do solo urbano. A figura
10.2 mostra um exemplo da imagem pancromática do satélite IKONOS da região de Arraial do Cabo, Rio do
Janeiro.
A maior parte do globo não possui mapas de grandes e médias escalas e, se existem, estão desatualizadas, ou
baixas confiabilidades. A capacidade de fornecer mapas na escala de 1:5.000 sem necessidade de usar os pontos de
controle terrestre, oferece uma oportunidade sem precedentes na produção de mapas referentes a uma imensa área
com baixo custo, incluindo áreas inacessíveis e remotas. A capacidade de adquirir as imagens de alta resolução
espacial ao longo dos anos possibilita o acompanhamento da evolução dinâmica de usos do solo urbano. Os usos
inadequados do solo, bem como as alterações em infra-estruturas urbanas, podem ser facilmente detectados pela
análise das imagens adquiridas em um determinado período. Além disso, as imagens de alta resolução espacial
podem ser utilizadas para a geração de uma nova base de mapas e novos produtos aplicando o sistema de
gerenciamento pelo SIG. A imagem de alta resolução espacial permite que sejam feitas as mensurações precisas de
ruas, contornos de elevações, controle de arrecadação tributária, monitoramento do tráfego e a expansão do uso de
solos urbanos. Prefeituras, governos estaduais e federais, bem como empresas em geral, podem usar as imagens de
alta resolução para identificar, cadastrar, planejar, monitorar e gerenciar vários projetos no âmbito do
desenvolvimento das infra-estruturas urbanas e da expansão das áreas residenciais. Ruas, avenidas, pontes, rodovias,
canais, prédios de todos os tamanhos e outras infra-estruturas podem ser precisamente identificados e localizados nas
imagens a poucos metros de suas posições horizontais (figura 10.1). As imagens de alta resolução espacial permitem
o monitoramento dos diversos tipos de poluentes do ar de uma determinada região, bem como detectam sua extensão
e dissipação nas correntes atmosféricas, possibilitando a identificação das áreas vulneráveis à contaminação dos
poluentes.
Wald e Baleynaud (1999) mapearam a extensão de poluentes de material particulado e SO2 na cidade de
Nantes, na França, usando os dados Landsat TM com a validação dos dados dos poluentes coletados na cidade.
Observaram que a banda termal TM6 do Landsat correlacionou-se bem com os indicadores de qualidade do ar. Os
avanços das inundações e das cheias dos rios podem ser detectados usando as imagens multiespectrais com uma
resolução espacial de 2,44 m em fusão da imagem pancromática do QuickBird II com a resolução de 0,61 m. As
imagens de alta resolução espectral em fusão com as imagens pancromáticas também facilitam as fiscalizações dos
desmatamentos, construções de estradas e pistas ilegais de pouso de aviões, ocupação de solo ilegal, agressões de
leis ambientais e outros.
 Figura 10.2 – Imagem pancromática do satélite IKONOS da região de Arraial do Cabo, Rio do Janeiro adquirida no dia 30 de
agosto de 2001.

Disponível em: (<http://www.spaceimaging.com> acesso em 10 de abril de 2004).

10.4 Classificação de usos do solo urbano

Vários métodos podem ser usados para classificação de usos do solo urbano. A acurácia quantitativa da
classificação depende da acurácia desejada pela finalidade da classificação. O nível de acurácia desejada é
primordial para determinar o número de pontos da amostra que sejam coletados para a validação do método usado.
O número ideal de pontos no mapa de usos do solo urbano pode ser determinado pela equação (10.1) que usa a
probabilidade da distribuição binomial (SNEDECOR; COCHRAN, 1967).
 Em que:  
N = números de pontos de amostra;
P = % da acurácia desejada;
q = (100 – p);
E = erro permitido.

Por exemplo, uma amostra com a acurácia de 85% e o erro desejado de 4%, o número de pontos desejados é
calculado pela equação (10.1) a seguir:

N = 4(85 × 15) / 42 = 319 pontos

Para obter a acurácia acima de 85%, é preciso requerer alguns pontos a mais. Nesse exemplo, serão 330
pontos. Os limites estreitos de 2% do desvio-padrão (erros de −2% a +2%) serão selecionados porque o método de
amostragem envolve pouca informação obtida no campo e precisa compensar os erros causados pelos procedimentos
adaptados (FITZPATRICK-LINS, 1980). Uma vez que o número de amostras for selecionado, uma técnica
adequada para coletar as amostras deve ser usada para se obterem amostras que representem todos os tipos de
ocupação da terra. A exatidão do mapa gerado pelo sensoriamento remoto depende da validação em campo por meio
da comparação dos usos do solo levantados com as classes delineadas pela classificação da imagem. Portanto, o erro
da classificação dos usos do solo é o erro médio de todos os erros das classes mapeadas. Benediktsson, Palmason e
Sveisson (2005) integraram um modelo matemático de morfologia de perfis das estruturas dos prédios urbanos na
classificação das imagens hiperespectrais usando o classificador chamado Redes Neurais Artificiais (Artificial
Neuros Networks – ANNs) baseado no conceito de árvores de decisão. Esse modelo serve como um modelo de pré-
processamento de dados hiperespectrais antes de se aplicar o classificador ANNs. Contestaram que a extração das
feições urbanas foi eficiente e com boa acurácia.

10.5 Estimativa da população

As técnicas indiretas são empregadas para a estimação da população usando os dados de sensoriamento
remoto. A população estimada é baseada na identificação dos tipos de moradias e das características de usos do solo
urbano, utilizando as imagens pancromáticas e espectrais dos satélites e as fotografias aéreas de alta resolução
espacial. As técnicas são apresentadas a seguir.

10.5.1 Unidade de moradia

Geralmente, as pessoas em diferentes classes sociais moram em diferentes bairros em diferentes tipos de casas
ou apartamentos. As imagens de fotografia aérea e satélite com alta resolução espacial podem ser utilizadas para
identificar e classificar os diferentes tipos de moradia. Fundamentadas nessas imagens e nas informações de número
de pessoas por moradia em cada classe pelo censo histórico, a população pode ser calculada pelo somatório dos
números das unidades de moradia de cada classe vezes o valor médio da família da determinada classe. A estimativa
da unidade de moradia da cada classe é baseada nos critérios, tais como forma e estrutura de telhado, números de
chaminé, números de andares, tamanho relativo da estrutura, presenças de calçadas e pistas pedestres, garagens,
parques, área de estacionamentos, densidade e qualidade de vegetação e outros. Para identificar as características da
classe da unidade de moradia com boa acurácia, necessita as imagens de alta resolução espacial de 1 m ou as
fotografias aéreas em escala de 1:2.000 até 1:20.000 ou em resolução espacial de 0,4 m a 4 m. Geralmente, a técnica
de estimativa da unidade de moradia funciona mais efetivamente nas áreas suburbanas que nas áreas urbanas, e é
mais empregada para estimativa da população para os países subdesenvolvidos ou em desenvolvimentos, por causa
do custo alto da realização da censura que impossibilita sua operação freqüente. A acurácia da estimativa pela
técnica de estimativa da unidade de moradia pode ser aperfeiçoada com os dados do número médio das pessoas em
cada classe da família, os quais são obtidos por meio da censura.
Existem várias condições que causam erros significativos na estimativa da população usando a técnica de
unidade da moradia, como:

a)   os dados do censo não são confiáveis: os dados mudam por causa da mudança da população ou moradia
entre a data do censo e a data da imagem usada;
 b)   as moradias escondidas nas sombras das árvores que não podem ser identificadas pela imagem de
satélites;
c)   moradias múltiplas compostas de vários tipos de famílias;
d)   estruturas não residenciais são confundidas como moradias.

Portanto, as precauções devem ser tomadas para evitar os erros causados por essas condições.

10.5.2 Densidade de residência

Geralmente, as zonas de uso específico do solo urbano são bem delineadas de acordo com o plano diretor de
uma determinada cidade. Nesse caso, a população pode ser facilmente estimada pela técnica da densidade de
residência. Os diferentes tipos de área residencial podem ser identificadas e classificadas pelas imagens de satélites e
fotografias aéreas. A densidade de um tipo de área residencial em uma determinada área urbana é definida como o
número de unidade de área residencial de uma determinada classe da família dividida pela área urbana considerada.
A população em cada classe de área residencial pode ser obtida pelo censo histórico. Portanto, a população de um
tipo de área residencial é calculada pela densidade vezes a população por unidade de área residencial. A população
total é obtida pela somatória das populações calculadas para todos os tipos de área residencial na área urbana
considerada. Caso o plano diretor da cidade seja atualizado, todas as informações sobre as densidades de área
residencial e a população de cada classe da família e cada tipo de área residencial devem ser atualizadas também.

10.5.3 Área construída

A população da cidade vizinha é calculada em função da expansão da área construída. Holz, Uhof e Mayfield
(1969) calcularam a população em função dos parâmetros independentes, tais como área construída, tipos de
transporte, população e distância da maior cidade da vizinha mais próxima usando a técnica de regressão estatística
Stepwise disponível do software Statistical Analysis System (SAS). Esses autores observaram que existe uma boa
correlação entre a população e o tamanho da área construída. Mas quando a população expande, outros parâmetros
devem ser considerados para se obter a estimativa mais precisa.
Essas três técnicas de estimativa da população têm suas aplicações em situações específicas. A técnica de
unidade da moradia é mais aplicada nas áreas rurais e nos países subdesenvolvidos; a de densidade de residência,
nos países com o plano diretor da cidade bem elaborado e bem executado, e a de área construída, nas cidades
metropolitanas a fim de obter informação rápida em grande escala. Ressalta-se que os dados de população são
cruciais para obter a estimativa com mais acurácia. Zhang (2001) usou a técnica de fusão dos dados pancromáticos
do SPOT com uma resolução espacial de 10 m e multiespectrais de Landsat TM com uma resolução de 30 m para
classificar os prédios com tamanho maior que 10 a 20 m e para monitorar a evolução do desenvolvimento da
moradia urbana na região metropolitana da Xangai, na China, durante o período de 1982 a 1989. O mapa de usos do
solo de Xangai, de 1982, e as imagens de Landsat TM e SPOT PAN de 1989 foram usados. As acurácias de 86%
foram obtidas na classificação dos prédios maiores.
Shaban e Dikshit (2002) compararam duas técnicas da fusão do algoritmo proposto por Price (1987) e do filtro
de alta passagem na classificação de usos do solo urbano usando as imagens digitais do SPOT XS. Os erros obtidos
variaram de 7% a 15%. Recomendam que a técnica de Price (1987) deve ser usada no caso de alta correlação entre
as bandas espectrais e a banda pancromática e a técnica do filtro de alta passagem deve ser usada no caso de baixa
correlação. Liu e Lathrop (2002) usaram a técnica de ANNs, para classificação de usos do solo urbano e
compararam com o método de pós-classificação. As imagens de Landsat TM da região da Baía Barnegat, Nova
Jersey, Estados Unidos, foram usadas. A técnica de Primcipal Component Analysis (PCA) foi aplicada antes de
aplicar a técnica ANNs supervisada para reduzir o volume de dados de input a ANNs. Os resultados mostraram que
a acurácia aumentou de 71% pelo método de pós-classificação a 92% pelo método da combinação de PCA e ANNs.
Guindon, Ahang e Dillabaugh (2004) mapearam as classes comercias/industriais e residenciais das áreas urbanas
das cidades Ottawa e Calgary no Sudoeste do Estado de Ontário na Canadá aplicando as técnicas de classificação
baseadas nas análises espectrais e bases de segmentos usando as imagens do Landsat TM. A acurácia das estimativas
das áreas comerciais e áreas residenciais alcançaram 78% e 73%, respectivamente.

10.5.4 Análise automática de imagem digital

Lo (1986) resumiu quatro métodos de estimativa de população baseados na análise das imagens digitais,
incluindo:
 a)   contagem de unidades de moradia;
b)    medição de áreas urbanizadas;
c)    medição de áreas de diferentes usos do solo urbano;
d)    análise automática das imagens digitais.

Os primeiros três métodos são usados pela interpretação visual das imagens em escalas compatíveis às
fotografias aéreas. O quarto método é aplicado exclusivamente nas imagens digitais adquiridas via satélite que foi
considerado um método revolucionário naquela época. Poucas pesquisas foram feitas aplicando esse método por
causa da limitação de resolução espacial das imagens dos satélites. De fato, depois de quinze anos, esse método não
teve avanço significativo. Nesse período, a maioria das pesquisas de estimativa de população via satélite foi
conduzida baseada nos primeiros três métodos. Atualmente, o primeiro método torna-se mais viável por causa da
disponibilidade das imagens de alta resolução espacial. O segundo método é fundamentado na correlação entre o
tamanho da área urbana e a população que as imagens de satélite de média resolução espacial podem ser usadas
(SUTTON et al., 1997; HENDERSON; XIA, 1997). O terceiro método é aplicado nas imagens de média resolução
espacial que correlaciona o crescimento da população em função da evolução de usos do solo urbano obtida pela
classificação de usos do solo (Chen; ZENG; XIE, 2000; Yeh; Li, 2001).
Langford, Maguire e Unwin (1992) usaram o método da classificação das imagens digitais para estimar
população na região norte da Leicestershire, UK. Calcularam os números de pixels em cada classe de uso do solo. As
cinco classes de usos do solo que incluem indústria/comérciao, residência densa, residência comum, área não
habitada e agricultura foram geradas pela classificação da imagem do Landsat TM usando o método da classificação
supervisada. Os métodos de classificação são apresentados no Capítulo 14. Os valores de coeficiente da regressão
(R2) variam de 0,75 a 0,85 e foram obtidos para as cinco classes usando a técnica de regressão linear múltipla.
Lo (1995) usou um parâmetro composto do valor médio das reflectâncias e da contagem dos pixels em cada
classe para estimar a população e o número total de cada unidade residencial em Kowloon, Hong Kong, usando as
imagens multiespectrais do SPOT. A técnica de regressão linear foi aplicada para construir o modelo de população
em função de bandas espectrais do SPOT. Cinco modelos de regressão linear foram obtidos:

a)   Modelo 1: População em função da média das bandas 1, 2 e 3 do SPOT;

b)   Modelo 2: População em função da média da banda 3 do SPOT;
c)   Modelo 3: População em função da média da população por pixel nas classes de alta e baixa densidade
residencial;
d)   Modelo 4: População em função da proporção de pixels na classe da alta densidade residencial;
e)   Modelo 5: População ou contagem da unidade residencial em função logarítmica dos números de pixels na
classe de alta densidade residencial.

Os valores de R2 de 0,88 e 0,77 foram obtidos para o quarto e o quinto modelo, respectivamente. Os erros de
−5,3% a +5,3% foram obtidos exceto os quatro casos extremos com os erros acima de 60%. Os modelos 4 e 5 foram
considerados satisfatórios. Webster (2002) estimou densidade de moradia nas 47 unidades suburbanas da cidade
Harare, Zimbabwe, usando os dados espectrais do Landsat TM e SPOT. O modelo considera a densidade de moradia
em função das três medidas: níveis de cinza das reflectâncias espectrais de seis bandas do Landsat TM, três texturas
de pixels (densidade de pixel urbana, homogeneidade e entropia) e a distância ao centro da cidade. Os valores de R2
de 0,69 a 0,81 foram obtidos para os modelos por meio da regressão linear múltipla do software SAS. Harvey (2002)
estimou as contagens e as densidades das populações das pequenas áreas nos Distritos da Colleção do Censo
Australiiano (Australian Census Collection Districts – CD), em duas cidades Ballarat e Geelong, usando as imagens
de Landsat TM. Usou o método de mínimo quadrado ordinário (Ordinary Least Square – OLS) para estimar a
população. A equação (10.2) apresenta o modelo linear aditivo do Harvey (2002).

Em que:  
pi = população ou densidade da população do CDi, Distrito da Coleção do Censo
Australiano (Australian Census Collection Districts);
βo = constante;
βj = parâmetros a serem estimados com os dados observados por meio da regressão;
 rij = indicador dos dados de parâmetro j gerado por satélite para o CDi;
εi = erros ao acaso representando a população inesperada pelos indicadores de
sensoriamento remoto;
n = números de parâmetros independentes dos dados de satélites.

Os modelos mais simples de rij usam o valor médio de reflectância do CDi na banda j. Mas o parâmetro
independente como a banda j pode ser uma variável derivada pelas diferentes combinações das bandas. As
transformações matemáticas da variável dependente, população em função dos indicadores derivados pelas imagens
digitais do satélite, também podem ser feitas. Se a variável independente for em uma escala relativamente não
variante, tal como a média das bandas ou a proporção dos pixels em diferentes classes, a variável dependente é a
densidade da população. Se a variável independente for a quantidade em escala variável tal como contagens de
pixels, a variável dependente é a população total em uma unidade da área. Os erros da estimativa serão avaliados
pelos três critérios, incluindo desvios, consistência e acurácia. Se a estimativa da população for constantemente
superestimada ou subestimada, o modelo tem a tendência errada no seu procedimento. No caso em que tiver a
tendência, os erros dos casos individuais variam para maior ou menor que a tendência existente. Esse caso tem a
variabilidade que não é consistente. A boa acurácia infere ambos os consistentes e sem presença da tendência. A
baixa acurácia pode ser causada pela tendência ou variabilidade ou por ambas. Os erros podem ser calculados pela
média da porcentagem de erro absoluto que é calculada pela equação (10.3).

Em que:  
Pprev = população prevista;
Pobs = população observada;
n = número total de distritos;
i = distrito i.

A figura 10.3 mostra os resultados das correlações de densidade da população observada e estimada pelo
satélite: (a) modelo de média das bandas e (b) modelo de transformação espectral de pixel dos distritos em Ballarat,
(c) modelo de média das bandas e (d) modelo da transformação espectral de pixel dos distritos em Geelong,
Austrália. O modelo de transformação espectral usou a densidade da população do CD em função dos valores
médios das bandas e os valores de desvio padrão das bandas em nível de pixels. Os valores de R2 de 0,76 e 0,84 para
Ballarat e 0,60 e 0,72 para Geelong foram obtidos pelo modelo das médias de bandas e modelo de transformação
espectral de bandas em nível de pixel, respectivamente. A figura 10.4 mostra os erros de estimativa variam de 17%
(figura 10.4a) a 21% (figura 10.4b) para os CDs em Ballarat e de 18% (figura 10.4c) a 26% (figura 10.4d) para os
CDs em Geelong. Os modelos têm a tendência de subestimar nos CDs de alta densidade da população e superestimar
nos CDs de baixa densidade. A acurácia do método é limitada pela heterogeneidade no CD individual, especialmente
o CD rural maior. Mas o erro de estimativa da densidade da população total foi de +1% para Ballarat e de - 3% para
Geelong.
 Figura 10.3 – Comparação de densidade da população observada e estimada para Ballarat e Geelong na Austrália pelo satélite a)
modelo da média das bandas em Ballarat; b) modelo de transformação espectral de pixel dos distritos em Ballarat; c) modelo de
média das bandas em Geelong; d) modelo de transformação espectral de pixel dos distritos em Geelong. Fonte: (HARVEY,
2002).

Figura 10.4 – Comparação dos erros de estimativa dos modelos desenvolvidos para Ballarat e Geelong na Austrália: a) modelo
da média das bandas em Ballarat; b) modelo de transformação espectral de pixel dos distritos em Ballarat; c) modelo de média
das bandas em Geelong; d) modelo de transformação espectral de pixel dos distritos em Geelong. Fonte: (HARVEY, 2002).

10.6 Qualidade da moradia

Na vida moderna, as pessoas exigem mais qualidade de vida. A qualidade de moradia é um dos fatores que
pesam mais na avaliação da qualidade de vida. Portanto, o maioria das pessoas prefere morar em bairros nobres das
cidades. As imagens de satélite de alta resolução espacial fornecem as informações sobre as condições ambientais
das áreas residenciais e suas vizinhanças, além de identificar as diferentes classes de unidade da moradia. Os
critérios para discriminar a qualidade da moradia de uma classe da família incluem:
 a)   facilidade de estacionamento na rua;
b)   facilidade de carregamento e descarregamento entre o estacionamento e a moradia;
c)   largura das ruas;
d)   distribuição das ruas;
e)   classe das ruas;
f)   manejo dos rejeitos e lixos;
g)   trânsito e tráfego;
h)   riscos de ocorrências dos desastres naturais;
i)   acesso aos prédios;
j)   condições socioeconômicas dos moradores.

Os dados de condições socioeconômicas são importantes na discriminação de classes da moradia. Apesar de

ser difícil o acesso a esses dados, são intimamente ligadas à qualidade da vida que é um parâmetro importante para
determinar as classes das unidades de moradia. A classe de unidade de moradia deve se correlacionar bem com os
indicadores socioeconômicos, incluindo: porcentagem da moradia de propriedade própria, porcentagem de moradia
alugada, valor de imóvel, valor de aluguel, renda média da família, número médio de quartos por moradia e serviços
da saúde pública. A estimativa de qualidade de moradia para as unidades de família múltipla é mais complicada, pois
exigem informações mais específicas para cada tipo de família múltipla que ocupa cada conjunto de unidade da
moradia. Mas, em geral, as informações fornecidas pelas imagens de satélite de alta resolução são suficientes para
informar a qualidade da moradia de uma área urbana específica.

10.7 Monitoramento da conservação de energia e ilha de calor

urbano
Por causa do avanço das altas tecnologias, a sociedade exige mais comforto e bem estar que leva ao maior
consumo de energia cada dia. O aumento de uso de veículos movidos a combustíveis resulta na diminuição da
reserva natural de petróleo. O preço do petróleo aumenta cada dia que passa. Todavia, a exploração e os usos
inadequados dos recursos naturais agravam a degradação dos recursos ambientais. A contaminação dos rios resulta
na escassez das águas potáveis. O efeito de estufa causado pelo aumento do gás carbônico resulta no aumento dos
eventos climáticos extremos. A energia hidroelétrica gerada pela água abundante nos rios torna-se cada dia mais
limitada. Os custos na climatização dos ambientes frios e quentes são cada dia mais altos. O encarecimento do custo
na geração da energia conscientiza as populações a tomar medidas mais adequadas para economizar e conservar a
energia. O mau isolamento térmico de um edifício, prédio ou casa causa uma perda de energia indesejável. Os dados
de imagem infravermelha termal podem ser usados para monitorar as distribuições da temperatura dos telhados dos
edifícios para identificar a perda excessiva do calor nos ambientes aquecidos na região fria. Geralmente, a alta
reflectância representada pela tonalidade clara dos telhados indica o escapamento do calor pelo sótão ou telhado. O
monitoramento da perda de energia urbana geralmente é conduzido durante a noite, quando chega a madrugada para
evitar a interferência da radiação solar e mesmo para obter a diferença máxima de temperatura de brilho entre as
casas bem e mal conservadas. A ilha de calor urbano é um fenômeno típico do consumo excessivo da energia na
cidade metropolitana. Além do aquecimento dos objetos não vegetais, o calor liberado pelos sistemas de
climatização aquece mais ainda o ambiente urbano. O plano adequado do balanço da energia no plano inicial da
urbanização é muito importante para otimização do consumo da energia em um sistema urbano complexo. Os dados
de imagem infravermelha termal também podem ser usados para monitoramento da evolução temporal do
agravamento dos efeitos da ilha de calor urbano.
Gallo e Owen (2002) utilizaram os dados de NOAA AVHRR LAC para monitorar a variação diária da
temperatura da cidade do Allentown, Pensilvânia, e comparar as temperaturas observadas com as densidades das
populações entre cidade e meio rural. Concluíram que o aumento da densidade da população da cidade resulta no
aumento da temperatura. Recomendam que a detecção dos efeitos da ilha do calor urbano pode ser feita usando os
dados de NOAA AVHRR LAC para as regiões com a variação de elevação menor que 500 m. Isto porque um
aumento da elevação de 500 m (– 0,6 °C/100 m) causa a perda da temperatura de 3 graus que pode confundir com a
variação de temperatura causada pelo efeito da ilha de calor urbano.
Streutker (2002) observou a existência da ilha do calor na área urbana da cidade metropolitana de Houston,
Texas, utilizando os dados da temperatura de brilho dos canais 4 e 5 de NOAA 14 AVHRR LAC. Vinte sete
imagens adquiridas durante dois anos foram usadas para investigar a evolução da ilha de calor urbana. Concluiu que
a diferença da temperatura entre a área urbana e a rural da cidade de Houston variou de 1,06 °C a 4,25 °C. Aplicou o
método de janela dividida, Spit Window, proposto por Price (2002) para calcular a temperatura da superfície usando
o valor de emissividade igual 1,0. Mas vale notar que esse valor de emissividade para todos os tipos de usos de solo
urbano pode comprometer os resultados, porque as emissividades dos objetos urbanos, tais como ruas, telhados,
estacionamentos e outros, são mais baixas do que 1. A figura 10.5 mostra a temperatura da superfície na região
urbana de Houston que aumentou 15 °C comparando-se a temperatura rural. A imagem foi produzida pelos dados de
canais 4 e 5 de NOAA AVHRR LAC do dia 9 de setembro de 1999.

Figura 10.5 – Imagem de temperatura da superfície na região metropolitana de Houston produzida pelos dados de canais 4 e 5
de NOAA AVHRR LAC do dia 9 de setembro de 1999. Fonte: (STREUTKER, 2002).

A maioria das aplicações dos dados da banda de infravermelho termal (8 a 12 μm), obtidos via satélite, é usada
na análise qualitativa da perda de calor ou da evolução do balanço do calor urbano. Para quantificar a taxa de perda
do calor ou a eficiência do uso da energia, é necessário elaborar um modelo específico que considera a estrutura de
edifícios, a condutividade termal dos objetos e as condições meteorológicas locais durante a coleta dos dados via
satélite. Por causa da complexidade de coleta de todos esses dados paralelos, a implementação deste tipo de modelo
é muito complexa e difícil (SCHOTT, 1978).

10.8 Evolução temporal de usos do solo urbano

O monitoramento e a vigilância da evolução de usos do solo urbano podem ser alcançados pela análise das
imagens obtidas em vários períodos do tempo. Para obter uma análise precisa da evolução temporal de usos do solo
urbano, é necessário considerar os três aspectos a seguir:

a)   o parâmetro que exibe uma evolução temporal é mensurável. Por exemplo, aumento dos móveis
residenciais, aumento das ruas e outros;
b)   o período da repetição da aquisição das imagens na mesma área deve ser o tempo suficiente para detectar
a mudança significativa do elemento em consideração. Esse período do tempo é usado para adquirir as
imagens periodicamente;
c)   o tempo da mudança deve ser maior que o tempo necessário para gerar e interpretar as imagens.

Yang e Lo (2002) usaram os dados de Landsat MSS e TM do período de 1973 a 1998 para analisar a evolução
temporal de usos do solo na região metropolitana de Atlanta, Geórgia. A técnica de SIG foi aplicada para comparar e
diagnosticar a mudança dinâmica espacial da perda de floresta e da expansão de área urbana. Os resultados
mostraram que a área urbana de uso intensivo aumentou de 4,35% para 8,24%, a área urbana de uso modesto
aumentou de 11,63% para 25,49%, a área florestal diminuiu de 62,6% para 49,51%, a área cultivada aumentou de
0,95% para 2,06% e a área de pastagem diminuiu de 18,97% para 12,66%. Concluíram que, na região metropolitana
da cidade Atlanta, as áreas ocupadas pelas florestas e pastagens diminuíram 19,4% para serem ocupadas por usos
urbanos e áreas cultivadas. Prol-Ledesma, Uribe-Alcantara e Diaz-Molina (2002) usaram Landsat TM de 1993 e
os mapas cartográficos de 1975 e 1983 para estimar a expansão de área urbana da região Chalco, perto da cidade
México. Estimaram a taxa de expansão de área urbana de 14% anual com a acurácia de classificação de 82%.
Estes (1981) demonstrou que a integração da técnica de sensoriamento remoto com a técnica de SIG pode
delinear os usos do solo urbano mais eficiente. A utilização do SIG fornece a habilidade de analisar os resultados
dinâmicos das imagens de LANDSAT e as informações de censo que são complementar uma da outra. Com essa
configuração, os limites das localidades urbanas podem ser delineados mais corretamente. Ridd (1995) propôs um
modelo chamado Vegetation Impervious Surface Soil (VIS), para classificar pixel por pixel o uso do solo urbano. O
modelo VIS é aplicado para interpretar os dados disponíveis via satélite que representam o ambiente urbano, o
ambiente rural ou em urbanização. O modelo estima a composição de um segmento urbano e registra as informações
da imagem pixel por pixel. As informações incluem classes de usos do solo, sistema de drenagem da bacia
hidrográfica utilizando uma combinação linear de três elementos de usos do solo: vegetação, solo ou uso
intransitável, que é representada pelo triângulo do modelo VIS (figura 10.6).

Figura 10.6 – Modelo Vegetation Impervious Surface Soil (VIS) para classificação de uso da terra urbana pixel por pixel. Fonte:
(RIDD, 1995).

O modelo VIS foi aplicado por Phinn et al. (2002) para monitorar a composição do ambiente urbano da cidade
de Brisbane, localizada no sudeste da região Queensland, Austrália. A composição do ambiente urbano obtido pelo
modelo VIS, baseado nos dados coletados em campo, foi casada com um método mais adequado entre os três
métodos da classificação de imagem usados. Três métodos, incluindo classificação de imagem, interpretação de
fotografia aérea e modelo de mistura linear constrangida. foram aplicados para o mapeamento do ambiente urbano
usando os dados Landsat TM e fotografias aéreas de 1:5.000. Mais do que 900 pontos referenciais, localizados nas
quatro faixas: norte, sul, leste e sudoeste, foram usados para coletar os dados de usos do solo que servem para
calibração do modelo VIS. A figura 10.7 mostra os pontos de amostragem a partir do centro da cidade de Brisbane e
o mapa da classificação de usos do solo baseados nas imagens de Landsat 5 TM do dia 29 de julho de 1995.
 Figura 10.7 – Localização dos pontos de amostragens a partir do centro da cidade de Brisbane, localizada no sudeste da região
Queensland, Austrália, e mapa da classificação de usos do solo urbano baseadas nas imagens de Landsat 5 TM do dia 29 de
julho de 1995. Fonte: (PHINN et al., 2002).

A figura 10.8 mostra uma imagem composta de uma fotografia aérea de 1:5.000 e uma imagem do Landsat
TM para mostrar os pontos da extração dos dados do modelo VIS (pontos amarelos). A figura 10.9 mostra as áreas
das diferentes classes de usos do solo urbano, incluindo vegetação (verde), solo (vermelho), água (azul) e área
transitável (cinza) e área intransitável (amarelo) entre as classes geradas pelo modelo VIS proposto por Ridd (1995).
Os resultados mostraram que as áreas classificadas pelo modelo VIS podem ser usadas para estimar as densidades
das zonas comercial, industrial e residencial baseadas nas porcentagens relativas das classes geradas. A imagem
fracionária do solo serve como áreas em expansão.
 Figura 10.8 – Imagem composta de uma fotografia aérea de 1:5.000 e uma imagem do Landsat TM para mostrar os pontos da
extração dos dados do modelo VIS (pontos amarelos) da cidade de Brisbane localizada no sudeste da região Queensland,
Austrália. Fonte: (PHINN et al., 2002).

Chou et al. (2005) estabeleceram um banco de dados denominado como o sistema da base de conhecimento
espacial, que é gerenciado por SIG. O SIG integra os dados espectrais de imagens do SPOT HRV XS, fotografias
aéreas e DEM do período de 1993 a 1998. O programa ANNs foi aplicado para classificar os usos e as mudanças do
solo urbano na cidade metropolitana Taichung, em Taiwan, durante o período de seis anos, com resultados
satisfatórios.
Ganas, Lagios e Tzannetos (2002) usaram as imagens pancromáticas do satélite IKONOS 2, em formato GEO
com a resolução espacial de 50 m, para classificação da ocupação do ambiente urbano da cidade de Atenas, Grécia.
Dezessete pontos de controle foram coletados com o GPS Diferencial (Differential Global Positioning System –
DGPS) que gerou um modelo digital de 20 m de resolução. O valor de desvio-padrão dos dados de GPS foi menor
que 0,6 pixel ou 12 m. A figura 10.10 mostra a imagem de IKONOS 2 da região de Nova Filadélfia (New
Philadelphia)-Kamatero da cidade de Atenas, Grécia, com uma cena de 5.680 pixels × 6.944 linhas, adquirida no dia
23 de março de 2000.
 Figura 10.9 – Áreas das diferentes classes de usos do solo urbano, incluindo vegetação (verde), solo (vermelho), água (azul) e
área transitável (cinza) e área intransitável (amarelo) da cidade de Brisbane localizada no sudeste da região Queensland,
Austrália. As classes foram geradas pelo modelo VIS proposto por Ridds (1995) usando os dados de Landsat TM bandas 3 e 4
(1995). Fonte: (PHINN et al., 2002).

A cruz vermelha no centro da figura 10.10 indica o ponto referencial coletado pelo DGPS. O E75 indica a
trilha de motocicletas. As letras de cor azul-clara indicam os pontos referenciais de coleta de dados e as letras
vermelhas indicam os percursos do rio Kifissos. Concluíram que, na região urbana onde a variação de elevação foi
pequena, as imagens pancromáticas do IKONOS em formato GEO podem ser usadas para monitoramento da
mudança do ambiente urbano com a acurácia compatível a das imagens pancromáticas do IKONOS com a resolução
de 1 m com o custo mais acessível e requerendo menor tempo no processamento das imagens.
 Figura 10.10 – Imagem do IKONOS 2 da região da Nova Filadélfia (New Philadelphia)-Kamatero da cidade de Atenas, Grécia,
com a cena de 5.680 pixels × 6.944 linha, adquirida no dia 23 de março de 2000. O E75 indica a trilha de motocicletas. As letras
de cor azul-clara são os pontos referenciais de coleta de dados e as letras vermelhas indicam os percursos do rio Kifissos. Fonte:
(GANAS; LAGIOS; TZANNETOS, 2002).

Zhou et al. (2004) extraíram os edifícios altos das cidades de Denver e New York, USA, usando os dados de
LIDAR para geração de tridimensionais e as imagens de fotografias aéreas de multiangulares de visada.
Demonstraram que os efeitos das sombras e oclusões das pontes e prédios foram diminuídos. Lanari et al. (2004)
detectaram os deslocamentos das casas e prédios urbanos pelo monitoramento das imagens geradas pelos dados de
Interferômetros diferenciais do SAR adquirido pelo ERS, gerenciados pelo SIG na cidade de Nápoles, Itália.
Nichol e Lee (2005) também usaram os dados multiespectrais gerados pelo IKONOS para quantificar a área e
a densidade da vegetação urbana na cidade metropolitana de Hong Kong. Sugeriram que as imagens digitais de
índice de razão de banda verde e banda vermelha foram mais sensíveis na indicação de biomassa que as imagens
digitais de NDVI. Também apontaram que a utilização das imagens digitais do IKONOS na estimativa da biomassa
de vegetação urbana é mais efetiva em custo que a utilização das fotografias aéreas.
Chen, Hepner e Foster (2003) utilizaram uma fusão dos dados hiperespectrais obtidos pelo Airborne Visible
Infrared Imaging Spectrometer (AVIRIS) e das informações de textura da superfície derivadas pelo Topographic
Synthetic Aperature Radar (TOPSAR) para monitorar e extrair as feições das áreas urbanas em três dimensões com
maior clareza. Sugeriram que a integração dos dados hiperespectrais e DEM, usando o sistema de visualização
Intensity-Hue-Saturation (IHS) fornecem uma informação detalhada das feições urbanas que podem ser usadas para
monitorar e avaliar os eventos desastrosos.
Nas perpesctivas futuras de pesquisas no monitoramento das evoluções espacias e temporais de usos de solo
urbano, Baltsavias (2004) apontou que estão direcionadas para o desenvolvimento das técnicas modernas de análise
de imagens digitais que integram os dados de fotografias aéreas, SAR, LIDAR e imagens de satélites com alta
resolução espacial para a identificação dos objetos topográficos da superfície e a extração das feições urbanas, tais
como prédios, casas e ruas em três dimensões e os modelos automáticos de análise de imagem baseadas no
conhecimento gerenciado pelo SIG.

Referências
BALTSAVIAS, E. P., 2004. Object extraction and revision by image analysis using existing geodata and knowledge: current status
and steps towards operational systems, Journal of Photogrammetry and Remote Sensing, Elsevier Science Publishing Co., New York,
USA.. 58:129-151.
BENEDIKTSSON, J. A.; PALMASON, M. A.; SVEISSON, J. R., 2005. Classification of hyperspectral data from urban areas based
on extended morphological profiles. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing
Society of America, Piscataway, New Jersey, New York, USA. 43:480-491.
CHEN, C. M.; HEPNER, G. F.; FORSTER, R. R., 2003. Fusion of hyperspectral and radar data using the IHS transformation to
enhance urban surface features. Journal of Photogrammetry and Remote Sensing, Elsevier Science Publishing Co., New York, USA.
58:19-30.
CHEN, S.; ZENG, S.; XIE, C., 2000. Remote sensing and GIS for urban growth analysis in China. Photogrammetric Engineering and
Remote Sensing, Elsevier Science Publishing Co., New York, USA. 66:593-598.
CHOU, T. Y.; LEI, T. C.; WAN, S.; YANG, L. S., 2005. Spatial knowledge databases as applied to the detection of changes in urban
land use. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26:3047-3068.
COLWELL, R. N. 1985. Manual of Remote Sensing, 2nd edition. American Society of Photogrammetry. The Sheridan Press, New
York, USA, V1:1-1232, V2:1233-2400.
ESTES, J. E., 1981. Remote sensing and geographical information system coming of age in eighties. Proceedings of 7th Annual
Pecora Symposium on Remote sensing, Sioux Falls, South Dakota, USA. 33-41.
FITZPARTRICK-LINS, K, 1980. The accuracy of selected land use and land cover maps at scales of 1:250.000 and 1:100,000:
Geological Survey Circular, American Geographical Society, Clark University, Worcester, Massachusetts, USA. 829, 24p
GALLO, K. P.; OWEN, T. W., 2002. A sampling strategy for satellite sensor-based assessments of the urban heat-island bias.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1935-1939.
GAMBA, P.; HOUSHMAND, B. B., 2001. An efficient neural classification chain of SAR and optical urban images, International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:2219-2230.
GANAS, A.; LAGIOS, E.; TZANNETOS, B., 2002. An investigation into the spatial accuracy of the IKONOS 2 orthoimagery
within urban environment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:3513-3519.
GUINDON, B.; AHANG, Y.; DILLABAUGH, C., 2004. Landsat urban mapping based on a combined spectral-spatial methodology.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 92:218-232.
HARVEY, J. T., 2002. Estimating census district populations from satellite imagery: some approaches and limitations. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23: 2071-2095.
HENDERSON, F. M.; XIA, Z. G., 1997. SAR applications in human settlement detection, population estimation and urban area use
pattern analysis: a status report. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing
Society of America, Piscataway, New Jersey, USA. 35:79-85.
HOLZ, R. K.; UHOF, D. L.; MAYFIELD, R. C., 1969. Urban spatial structure based on remote sensing imagery. Proceedings of the
6th International Symposium on Remote Sensing of Environment, ERIM, Ann Arbor, Michigan, USA. 2: 819-839.
JENSEN, J. R., 1985. Urban suburban land use analysis. In: Manual of Remote Sensing, 2nd Edition, edited by Colwell, R.N.
American Society of Photogrammetry. The Sheridan Press, New York, USA, 1985. V2: 1571-1666.
LANARI, R.; ZENI, G.; MANUNTA, M.; GUARINO, S.; BERNADINO, P.; SANSOSTI, E., 2004. An integrated SAR/GIS
approach for investigating urban deformation phenomena: a case study of the city of Naples, Italy. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 25: 2855-2867.
LANGFORD, M.; MAGUIRE, D. J.; UNWIN, P. K., 1992. The aerial interpolation problem: estimating population using remote
sensing within a GIS framework. In: Handing Geographical Information: Methodology and Potential Applications, Edited by I.
Masser and M. Blakemore, Longman Publisher, London, UK. p.55-77.
LIU, X.; LATHROP, R. G. JR., 2002. Urban change detection based on an artificial neuro network. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 23: 2513-2518.
LO, C. P., 1986. Applied Remote Sensing. Longman Publisher. Harlow, UK. 324p.
LO, C. P., 1995. Automated population and dwelling unit estimation from high-resolution satellite images: a GIS approach.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16: 17-34.
NICHOL, J.; LEE, C. M., 2005. Urban vegetation monitoring in Hong Kong using high resolution multispectral images. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26: 903-918.
PHINN, S.; STANFORD, M.; SCARTH, P.; MURRAY, A. T.; SHYY, P. T., 2002. Monitoring the composition of urban
environments based on the vegetation-impervious-surface-soil (VIS) model by subpixel analysis techniques. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 23:4131-4153.
PRICE, J. C., 1987. Combining panchromatic and multispectral imagery from dual resolution satellite instruments. Remote Sensing
of Environment, Elsevier Science Publishing Co., New York, USA. 21:119-128.
PRICE, J. C., 2002. Land surface temperature measurements from the spilt-window channels of the NOAA 7 AVHRR. Journal of
Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 89:7231-7237.
PROL-LEDESMA, R.M.; URIBE-ALCANTARA, E. M.; DIAZ-MOLINA, O., 2002. Use of cartographic data and Landsat TM
images to determine land use change in the vicinity of Mexico City. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 23:1927-1933.
RIDD, M., 1995. Exploring a V-I-S (vegetation-impervious-surface-soil) model for urban ecology analysis through remote sensing:
comparative anatomy for cities. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16:2165-2185.
SCHOTT, J. R., 1978. Principles of thermal infrared remote sensing for heat cost determination. Proceedings of American Society of
Photogrammetry, Fall Technical Meeting, Bethesda, Maryland, USA. 457-467.
SHABAN, M. A.; DIKSHIT, O, 2002. Evaluation of the merging of SPOT multispectral and panchromatic data for classification of
an urban environment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:249-262.
SMALL, C.; POZZI AND, F.; ELVIDGE, C. D., 2005. Spatial analysis of global urban extent from DMSP-OLS night lights. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 96:277-291.
SNEDECOR, G. W.; COCHRAN, W. F., 1967. Statistical Methods, Ames, Iowa State University Press. Ames, Iowa, USA. p.202-
211 e p.516-517.
STREUTKER, D. R., 2002. A remote sensing study of the urban heat island of Houston, Texas. International Journal of Remote
Sensing. Taylor & Francis Ltd, London, UK. 23: 2595-2608.
SUTTON, P.; ROBERTS, D.; ELVIDGE, C.; MEIJ, H., 1997. A comparison of night time satellite imagery and population density
for the continental United States. Photogrammetric Engineering and Remote Sensing, Elsevier Science Publishing Co., New York,
USA. 63:1303-1313.
WALD, L.; BALEYNAUD, J. M., 1999. Observing air quality over the city of Nantes by means of Landsat thermal infrared data. .
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:947-959.
Webster, C. J., 2002. Population and dwelling unit estimates from space. Third World Planning Review, Nottingham, UK. 18: 155-
176.
YANG, X.; LO, C. P., 2002. Using a time series of satellite imagery to detect land use and land cover changes in the Atlanta, Georgia
metropolitan area. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1775-1798.
YEH, A. G.; LI, X., 2001. Measurement and monitoring of urban sprawl in a rapidly growing region using entropy. Photogrammetric
Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 67:83-90.
ZHANG, Y., 2001. Detection of urban housing development by fusing multisensor satellite data and performing spatial feature post-
classification. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:3339-3355.
ZHOU, G.; SCHICKLER, W.; THORPE, A.; SONG, P.; CHEN. W.; SONG, C., 2004. True orthoimage generation in urban area
with very tall buildings. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:5163-5180.
11.1 Introdução
No início da década de 1970, o governo brasileiro incentivou a expansão agropecuária na região Centro-Oeste.
Desde essa época, os desmatamentos descontrolados resultam em uma crescente fragmentação das florestas. A
maioria dos produtores se adapta à técnica de queimadas para limpar seus terrenos ou para replantar as lavouras.
Recentemente, a exploração da madeira e o aumento das atividades agropecuárias na Floresta Amazônica e no
Centro-Oeste também aceleram a fragmentação florestal. Esses atos de queimadas agravam a poluição do ar e
causam impactos negativos ao meio ambiente. As cinzas danificam o aparelho respiratório e o gás carbônico (CO2)
agrava o aquecimento do planeta Terra. Os aerossóis das cinzas e os gases emitidos para a atmosfera pelas
queimadas deslocam-se milhares de quilômetros das suas fontes e têm seus impactos globais. Portanto, o controle de
queimadas é um dos assuntos que estão sendo discutidos nos pactos ecológicos globais dos encontros do Ecology 92
(ECO92) no Rio de Janeiro, Pacto Tókio em 2000 e Pacto de Desenvolvimento Sustentável, em 2002.
Atualmente, o mundo inteiro está sendo conscientizado da necessidade de buscar técnicas de desenvolvimento
sustentável e, ao mesmo tempo, preservar seus recursos ambientais. Muitos valores são conferidos à prevenção dos
incêndios florestais. Os prejuízos diretos e indiretos que os incêndios causam com a destruição das florestas e matas,
assim como os riscos decorrentes da eliminação de cobertura vegetal nas regiões vulneráveis, justificam plenamente
qualquer esforço no sentido da prevenção contra esses danos. É muito difícil a completa prevenção dos incêndios
florestais, principalmente quando se trata de fogo causado por raio ou combustão espontânea. No entanto, existem
técnicas modernas capazes de simular a quantidade e a qualidade da biomassa, tais como vegetação e madeira e as
condições de secagem que fornecem as fontes de combustão, a partir das condições desses elementos e da situação
atmosférica reinante para minimizar o risco da ocorrência de incêndios.
No que concerne ao fogo provocado pelo homem, conseguem-se minimizar essas ações por meio da educação,
de leis rigorosas e de outros meios, ou pela redução do período de riscos dos incêndios florestais, mediante a retirada
prévia do material combustível e uso de técnicas, como: construção de estradas, aceiros, proibição de acesso público
a áreas consideradas de risco, entre outras. Portanto, um plano de prevenção de incêndios florestais deve ser
cuidadosamente elaborado de modo a proteger o patrimônio natural. Um conjunto de medidas é essencial durante a
fase de elaboração e execução desse plano. Devem ser incluídas as técnicas modernas amparadas por monitoramento
local e regional, dentre as quais se encontram os diagnósticos meteorológicos por satélite e os prognósticos de tempo
a partir de modelagem matemática de escala regional.
Atualmente, as práticas utilizadas para monitoramento de queimadas empregam técnicas de sensoriamento
remoto em plataformas orbitais, incluindo os satélites de alta a média resolução espacial de 0,61 m a 30 m e de baixa
freqüência temporal de 16 a 26 dias, tais como QuickBird, IKONOS, SPOT, CBERS e Landsat, que permitem
detectar as fumaças e as áreas de queimadas ativas e recentes e os de baixa resolução espacial e alta freqüência
temporal, tais como ENVISAT, DMSP, NOAA e MODIS, que permitem a localização de focos de queimadas, e
observar pontos de ignição ocorrida. Os satélites de alta a média resolução espacial têm a vantagem de detectar as
fumaças e o avanço do fogo e de estimar as áreas queimadas. Mas, por causa das imagens que cobrem a mesma área,
só serão disponíveis acima de 16 dias. Isto limita suas aplicações no planejamento das ações de combate ao fogo.
Com a exceção da série do SPOT, quando as cenas são adquiridas com um determinado ângulo de visada, o efeito de
perspectiva faz com que a área rastreada possa ser mais larga, até 80 km com o ângulo de 27 graus. Essa
possibilidade confere aos satélites SPOT uma capacidade de rastrear uma área de interesse em apenas alguns dias,
que variam de dois a quatro dias dependendo da variação de latitude, muito superior à periodicidade da órbita que é
de 26 dias, e permite igualmente a aquisição de imagens em estereoscopia. Com os cinco satélites do SPOT 1, 2, 3, 4
e 5 operando em órbita simultaneamente, podem-se detectar os focos de fogo quase diariamente. Entretanto, um
conjunto dos satélites de baixa resolução espacial, tais como a série dos satélites NOAA 15, 16, 17 e 18, apesar de
possuir as desvantagens de resolução espacial de cerca de 1 km e de maiores interferências atmosféricas, tem as
vantagens de cobertura em tempo quase sinóptico de grandes regiões em alta resolução temporal (HENDERSON,
SELLERS, 1984; KAUFFMAN et al., 1990; LEE, TAG, 1990; CHUVIECO, MARTIN, 1994; Alaska Department
of Natural Resources, 1996; DRAGOMIR et al., 1997; HUFFORD et al., 1998).
Neste capítulo, serão apresentados os fatores que afetam a ocorrência e o comportamento do fogo e as técnicas
de aplicações dos dados de satélite em detecção, monitoramento e estimativa de áreas de queimadas. Também, será
apresentado um sistema operacional de alerta do risco de ocorrência das queimadas. Tais informações poderão ser
utilizadas para prognosticar as condições de susceptibilidade a incêndios florestais e para planejar as ações
adequadas e eficientes na prevenção dos incêndios florestais naturais e no combate às queimadas artificiais
(METHVEN, FEUNEKES, 1987; METHVEN, FEUNEKES, 1991; WALTERS, 1993; COGSWELL, FEUNEKES,
1996; WALTER et al., 1999).

11.2 Fatores que afetam o comportamento do fogo

11.2.1 Combustível

São considerados dois tipos de combustíveis: o total e o disponível. O combustível total é a quantidade de
combustível que se queima, sob as condições de extrema secura e com fogo da mais alta intensidade. O combustível
disponível é a quantidade de combustível que realmente se queima em um incêndio e é reconhecido como uma das
variáveis mais significativas entre as que afetam o comportamento do fogo.
Não é fácil determinar precisamente a quantidade de combustível disponível, que varia com a facilidade do
aquecimento do material, causado pelo fogo que avança (pré-aquecimento), a compactação a que o material estiver
submetido, a umidade, a quantidade e o volume do material. Uma técnica simples, que possibilita a tal avaliação, é
coletar os pesos de amostras, incluindo o peso do material em estado natural em campo, o peso seco e o peso após a
queimada. A diferença entre as pesagens, transformada em percentual, indicaria a quantidade de combustível
disponível. Outro ponto importante é a umidade do material disponível. O material úmido demora a pegar fogo.
Uma vez iniciado o fogo, uma quantidade de calor é consumida na evaporação da água que retarda a fase de pré-
aquecimento para que o material úmido seja queimada. Além disso, o vapor d’água liberado interfere na
disponibilidade do oxigênio que resulta a diminuição da chama, conseqüentemente, afetando a sua combustão. Essa
umidade é afetada pelo poder evaporativo das condições atmosféricas em um determinado microclima. Por exemplo,
no caso do clima seco, vento forte e alta temperatura, o alto poder evaporativo facilita a queimada. No caso
contrário, a queimada será retardada.
Bowyer e Danson (2004) investigaram a sensibilidade das reflectâncias espectrais das copas da vegetação às
variações dos parâmetros ligados à estimativa de teor de umidade de combustão, chamado Fuel Moisture Content
(FMC). O FMC é calculado pela quantidade de água da folha dividida por peso seco. Esses autores observaram que
os dados das reflectâncias das bandas de infravermelho próximo e infravermelho curto correlacionaram bem com os
parâmetros de FMC e sugeriram que essas bandas pudessem ser usadas para estimativa de FMC com sucesso. Riaño
et al. (2005) estimaram o FMC e a quantidade de matérias secas usando a técnica de inversão do modelo de
transferência radiativa da atmosfera no espectro das propriedades óticas das folhas, chamado PROSPECT, para
simular as estruturas e componentes químicos e físicos da vegetação. As validações do método de estimativa de
FMC e matérias secas foram feitas com os dados coletados no laboratório. Os resultados mostraram que as
estimativas de matérias secas e do FMC tiveram boas acurácias quando as folhas estavam mais secas. Apontaram
que, antes de o método ser aplicado para estimativa de FMC, o modelo deve ser validado com os dados de
transferência radiativa espectral afetada pelas diferentes propriedades óticas das folhas, coletados em campo.
Anderson et al. (2005) utilizaram os dados de LIDAR para a estimativa da quantidade de combustão em
função do volume das copas de floresta. Os dados de LIDAR possuem alta resolução espacial para a estimativa da
estrutura 3-D da floresta em uma área extensa. O modelo de previsão de quantidade de material de combustão foi
construído em função dos parâmetros de combustão das copas, incluindo densidade aparente da copa, biomassa,
volume de troncos, altura da copa, área basal, peso de material de combustão da copa e altura da base da copa,
aplicando as técnicas de regressão. O modelo foi validado com os dados observados em Floresta Capital Estadual na
região oeste do Estado de Washington com bons resultados. Sugeriram que o modelo pode ser aplicado para mapear
as áreas de alto volume de combustão produzidas pelas florestas.

11.2.2 Clima

Os incêndios e as queimadas florestais, de modo geral, são afetados pelas condições atmosféricas reinantes no
local, assim como pelas condições específicas do microclima, onde se encontra a vegetação. Os fatores mais
importantes são: temperatura, umidade atmosférica, vento, precipitação, ponto de orvalho, pressão e radiação. Os
seguintes parâmetros atmosféricos são relevantes para as avaliações e desenvolvimentos de métodos de prognóstico
de queimadas e incêndios:

a) precipitação – a quantidade de precipitação líquida e a sua distribuição têm grande influência na

inflamabilidade dos materiais florestais. A quantidade de precipitação, preliminarmente, afeta a umidade do material
combustível e também a temperatura e a umidade do ar. Na região de baixa pluviosidade e na região seca, o risco da
ocorrência de queimadas é mais alto;

b) umidade relativa do ar e evaporação – é um índice de comportamento de incêndio, facilitando ou

dificultando a sua propagação. A interação do teor de umidade relativa com a temperatura do ar atmosférico
determina a sua capacidade de secagem. Baixa umidade relativa significa maior evaporação e, portanto, maior
secagem do combustível. A capacidade de secagem do ar muda gradualmente de dia para dia e de hora para hora,
dependendo da dinâmica atmosférica local. Quanto à umidade do ar mais baixa, a taxa de evaporação aumenta. A
evaporação tem influência indireta no período de fogo, pois influi no grau de secagem dos materiais combustíveis.
Quanto maior for a evaporação, maior e mais rápida será a secagem do combustível e maior será o perigo de
aumentar o fogo;
 c) temperatura do ar – tem influência indireta no aparecimento e propagação do fogo, pois afeta a umidade
relativa que está intimamente ligada ao grau de inflamabilidade do combustível e ao comportamento do fogo. Existe
uma estreita ligação entre temperatura do ar e umidade relativa do ar. Ao se estudar a correlação entre a temperatura
do ar e o fogo deve-se levar em consideração a constituição do material combustível, o seu grau de secagem e ação
dos ventos. Combustíveis de diferentes constituições apresentam distintas capacidades de retenção de água, quanto
mais água houver no combustível, mais difícil será sua combustão. O grau de secagem do combustível é variável e
depende da qualidade do material. Os ventos retiram a calota de ar saturado sobre o combustível, aumentando nele o
nível de secagem;

d) ponto de orvalho – é a temperatura ambiente na qual o ar resfria e se satura, e o vapor de água se condensa
em uma forma de gotículas de água na superfície dos objetos sob uma pressão constante. Na medida em que a
temperatura se eleva, mantendo-se a pressão atmosférica constante, o ar pode conter maior quantidade de vapor de
água. Por outro lado, quanto mais baixa for a temperatura, a atmosfera tem menor quantidade de vapor de água no
ar. Há, portanto, uma temperatura em que a quantidade de vapor no ar alcança um valor máximo que a atmosfera
pode suportar. A temperatura do ar mais baixa que esta temperatura, os excessos dos vapores se condensam em
forma de orvalhos. Esta temperatura é chamada como o ponto de orvalho. Considerando-se em uma determinada
temperatura do ar, quanto menor for a umidade relativa do ar, mais baixo será o ponto de orvalho. Uma maior
diferença entre a temperatura do ar e a temperatura do ponto de orvalho significa baixa umidade relativa. A
diminuição do valor da umidade relativa do ar aumenta o risco de incêndios e queimadas. Em geral, se a diferença
entre a temperatura do ar e a temperatura do ponto de orvalho, às 10 horas da manhã, for superior a 15º C, haverá
grande possibilidade de ocorrência de incêndios durante aquele dia;

e) vento – é um dos fatores principais na facilidade de queimadas, uma vez que este afeta a taxa de evaporação
e a taxa de suprimento de oxigênio durante a queima do combustível. O grau de secagem do combustível é acelerado
por meio do transporte da alta concentração de vapor de água na camada próximo às superfícies dos materiais para
fora das superfícies evaporativas. Ao mesmo tempo, o oxigênio consumido pelo fogo é renovado pelo vento
turbulento. Isto resulta o aumento da chama do fogo. O vento impele as chamas a conduzir o calor para as partículas
adjacentes de combustível, acelerando o grau de propagação em povoamentos de árvores. Os ventos fortes podem
aumentar a disseminação do incêndio, transportando fagulhas e pedaços de madeiras em chamas a maiores
distâncias, o que transforma o fogo em incêndios perigosos e de controle difícil. A velocidade do vento e a
densidade do povoamento da vegetação apresentam uma relação inversa entre si, ou seja, quanto mais denso o
povoamento, menor a velocidade do vento. A direção do vento geralmente induz à direção de propagação do fogo,
além do que permite a avaliação de ocorrências de outros elementos meteorológicos, tais como chuvas,
temperaturas, insolação e umidade do ar;

f) radiação solar – A intensidade de radiação solar é uma variável que depende da hora do dia, inclinação dos
raios solares, latitude, grau de nebulosidade e densidade e estrutura de folhagem no povoamento vegetativo. A
exposição do combustível vegetal ao Sol provoca a evaporação, acrescentando o seu grau de secagem. Nos
Cerrados, por conta da distribuição de sua topografia e dos ventos predominantes, os combustíveis expostos à alta
intensidade de radiação solar em terrenos planos facilitam a secagem da vegetação;

g) raios – As descargas elétricas dos raios podem dar origem a uma porcentagem relativamente pequena de
incêndios florestais que ocorrem na estação chuvosa. Por serem seguidos normalmente de chuvas, os incêndios
florestais causados por raios não queimam grandes áreas.

11.2.3 Topografia

Os fatores topográficos são: declive, orientação, forma, posição e elevação do terreno. A velocidade
desenvolvida por um incêndio florestal morro acima é quase diretamente proporcional à inclinação topográfica. Essa
rápida propagação se explica pelo fato de as partículas de combustível disponíveis na parte de cima do declive,
ficando mais próximas da chama do fogo secarem e aquecerem com mais intensidade do que as situadas na parte de
baixo do declive. O aumento do ângulo de declive resulta o aumento da propagação do calor e da radiação incidente.
Caso a queimada ocorra na região plana, como as regiões da Bacia Amazônica e da Bacia Alto Paraguai, pode
reforçar as chamas e agravar a queimada pelo fenômeno chamada foco conflagrante. O fenômeno de fogo
conflagrante é um tipo de microclima causado pela alta temperatura criada no centro de fogo sugando o ar da
redondeza. Isto resulta na aceleração do vento concêntrico e aumenta o reabastecimento de oxigênio que intensifica
mais a chama do fogo. Essa força violenta de sugar o ar para cima no centro do fogo pode causar a queda brusca da
pressão do ar e resultar o deslizamento horizontal do ar na área de queimada. A entrada de um avião de combate a
incêndios nessa região pode perder brutalmente sua altitude e até seu controle. A precaução deve ser tomada quando
voar ou atravessar uma floresta em chamas.

11.3 Detecção de ocorrência de queimadas via satélite

A detecção de fogos via satélite é controlada por vários fatores, incluindo ângulos de visada dos sensores,
iluminação, propriedades da superfície e subsuperfície (heterogeneidade de relevos, emissividade, cobertura da
vegetação, umidade, condutividade e capacidade calorífica do solo e atenuações atmosféricas). Geralmente o sensor
de satélite registra a energia total emitida de um píxel inteiro que é convertida para a temperatura da superfície deste
píxel. Portanto, um satélite de alta resolução espacial, tal como IKONOS, detecta a temperatura de uma área de 1m2
e um satélite de baixa resolução, tal como o NOAA, detecta a temperatura média de uma área de 1,21 Km2.
Precauções devem ser tomadas para se verificar a alta reflectância de temperatura de brilho registrada pelo sensor da
faixa de infravermelho termal que é realmente devida ao foco pontual de extremo calor causado pelo incêndio ou a
temperatura da superfície de uma área ocupada por um pixel que tem a mesma energia emitida pelo foco pontual do
fogo. Por exemplo, os dados do canal 3 do NOAA AVHRR LAC são geralmente usados para a detecção do foco de
fogo. A energia registrada por esse canal pode ser um foco de alta temperatura pontual ou a soma da energia
manifestada por uma área dentro de um pixel de 1,1 km × 1,1 km. Para distinguir essa diferença, a Lei Wein,
representada pela equação (11.1), será aplicada para calcular a temperatura de brilho detectada pelo canal 3 do
NOAA AVHRR.
Um objeto em uma determinada temperatura, Rλ(T), tem um pico de energia que é localizado em um
determinado comprimento da onda (λmax). Isto é conhecido como o deslocamento da Lei Wein que é representada
pela equação (11.1):

Em que:  
λmax = comprimento máximo da onda (μm);
T = temperatura absoluta (°K).

O comprimento da onda da energia eletromagnética do canal 3 do NOAA AVHRR é na faixa de 3,55 a 3,93
μm. O pico de energia eletromagnética emitida é em λmax = (3,55+3,93)/2 = 3,74 (μm). Aplique-se à equação (11.1)
e obtém-se: T = 2880/3,74 = 770,05 °K = 497,05 °C. Isto indica que o calor de um foco de fogo detectado pelo canal
3 tem a energia emitida com a temperatura de 497,05 °C.
Kaufman et al. (1990) apontaram que uma área de queimadas em tamanho de 10 m × 10 m pode ser detectada
pelo uso de canal 3 do NOAA AVHRR. Entretanto, sua alta sensibilidade é acoplada com o baixa nível de saturação
em torno de 323 a 331 °K que também pode ser alcançada por uma fração pequena do pixel do NOAA AVHRR
LAC ocupado pelo material de alta temperatura. Contestaram que a temperatura dos fogos abaixo de 500 °K,
ocupando 0,001% a 0,1% de um pixel de 1,1 km, poderia saturar o canal 3 do NOAA AVHRR. Portanto, é
importante discriminar os pixels com altos valores do canal 3 contribuídas pela alta temperatura emitida pelo foco de
fogo ou pela alta temperatura da superfície em torno de 323 a 331 °K. Entretanto, na região fria, a temperatura da
superfície terrestre raramente ultrapassa 313 °K. O ângulo de visada desempenha um fator importante na detecção de
foco de fogo. O aumento do ângulo de visada resulta o aumento da área rastreada por um sensor que pode resultar na
falha na detecção do foco de fogo. Nesse caso, a temperatura registrada pelo sensor é a soma da temperatura da área
ocupada por fogo e da área fora do fogo, que resulta a temperatura muito baixa da temperatura real do foco de fogo.
Portanto, Boles e Verbyla (1999) sugeriram que os dados do NOAA AVHRR com os ângulos de visada acima de 25
graus não devem ser excluídos para a detecção do foco de fogo especialmente nas regiões frias tal como Alaska.
Atualmente, as técnicas utilizadas para monitoramento de incêndios florestais e queimadas artificiais
empregam os dados digitais de satélites de alta freqüência temporal, tais como NOAA, DMSP, MODIS, que
permitem a identificação e a localização dos focos de fogo de alta temperatura detectada pelos sensores de
infravermelho termal em tempo quase sinóptico para o globo inteiro (HENDERSON-SELLER, 1984; KAUFFMAN;
TUCKER; FUNG, 1990; LEE; TAG, 1990; CHUVIECO; MARTIN, 1994a, 1994b; DRAGOMIR; SPARKMAN;
KELLEY, 1997; HUFFORD et al., 1998; NAKAYAMA et al., 2001; GIGLIO; KENDALL; JUSTICE, 2001).
Especialmente, os satélites US Air Force Defence Meteorological Satellite Program-Operational Linescan System
(DMSP-OLS) com a resolução espacial da banda termal de 500 m e os sensores de Moderate Resolution Imaging
Spectroradiometer (MODIS) de 200 m têm alta potencialidade da detecção dos focos de fogo (ELVIDGE et al.
2001).
Cuomo et al. (2001) utilizaram os dados históricos da serie temporal de NOAA AVHRR LAC NDVI
adquiridos durante as ocorrências dos eventos de queimadas registradas para estabelecer os valores limiares
temporais e espaciais de NDVI que ocorreram as queimadas. Os resultados mostraram que nas imagens de NOAA
sem nuvens, foram obtidos 75% de aceitos e menor que 25% de alarme de queimadas falsas.
O Instituto Brasileiro de Meio Ambiente (IBAMA) com o INPE implantou o Projeto de Monitoramento e
Avaliação do Risco de Incêndios Florestais em Áreas Críticas (PROARCO), que fornece os dados de números do
foco de fogo e as condições meteorológicas no território brasileiro pelos satélites NOAA, MODIS e GOES. O
objetivo é informar diariamente as áreas de maior risco de ocorrência de queimadas e incêndios florestais. A figura
11.1 mostra o mapa de números do foco de fogo detectado no Brasil no mês de janeiro a outubro de 2006, fornecido
pelo IBAMA. Os boletins diários de monitoramento de focos de calor de cada estado brasileiro pode ser visualizado
no site: <http://www.ibama.gov.br>.

Figura 11.1 – Focos de calor do Brasil, registrados por satélites NOAA e MODIS de janeiro a outubro de 2006. Fornecido pelo
IBAMA, disponível em: (<http://www.ibama.gov.br> acesso em 6 de novembro de 2006).

Para detectar as queimadas ativas com a emissão de fumaças e o avanço frontal e o espalhamento do fogo em
curso, as imagens dos satélites de alta a média resolução, tais como IKONOS, QuickBird, SPOT e Landsat devem
ser usadas. A figura 11.2 mostra uma cena de queimadas ativas ocorridas na sub-bacia do Rio Negro, localizada na
região Centroleste do Estado de Mato Grosso do Sul (Liu, 2003). As fumaças cinzas mostradas na figura 11.2 são
geradas pela composição das bandas 3/2/1 (R/G/B, vermelho/verde/azul) do Landsat 7 ETM+, adquirida no dia 22 de
setembro de 2000. A área marrom-escura indica a área de queimadas. A imagem da figura 11.3 foi gerada pela
composição das bandas 7/5/4 (R/G/B) do Landsat 7 ETM+ no mesmo dia da figura 11.2. A figura 11.3 mostra a
queimada ativa na mesma área de queimada apresentada na figura 11.2. As cores amarela e laranja-clara que brilham
na margem esquerda da área de queimadas indicam que o fogo está em chamas. As cores marrom intenso mostram
as cinzas frescas e quentes. Dependendo da variação de cores, desde a cor marrom intenso, passando a marrom,
cinza, laranja-vermelha que brilha até a cor vermelha pálida, os vários estágios de queimadas, tais como queimadas
ativas, recentes e passadas, cinzas espalhadas pelo vento, chuva ou esse dois, podem ser identificados. As técnicas de
delineamento do polígono disponível no software de análise de imagem ArcView/Erdas podem ser aplicadas para
delinear e estimar a área de queimadas. Cada área delineada pelas técnicas automáticas deve ser corrigida
manualmente para chegar a uma boa acurácia na estimativa de área de queimadas.
Figura 11.2 – Detecção das fumaças de queimadas ocorridas na sub-bacia do Rio Negro, região Centro-leste do Estado de Mato
Grosso do Sul usando a imagem composta do Landsat 7 ETM+ bandas 3/2/1 (R/G/B). Imagem adquirida no dia 22 de setembro
de 2000. Fonte: (Liu, 2003).
 Figura 11.3 – Detecção de queimadas ativas ocorridas na sub-bacia do Rio Negro, região Centro-Leste do Estado de Mato
Grosso do Sul usando a imagem composta do Landsat 7 ETM+ bandas 7/5/4 (R/G/B). A área de queimadas estimada foi de 15,7
km2. Fonte: (Liu, 2003).

11.4 Estimativa de área de queimadas via satélite

Os satélites de alta a média resolução espacial de 0,61 m a 30 m e de baixa freqüência temporal, tais como
QuickBird, IKONOS, SPOT e Landsat, são usados para detectar as fumaças, queimadas ativas e estimativa de áreas
de queimadas. Para delinear as áreas de queimadas baseadas nas imagens digitais adquiridas por satélite, as técnicas
de classificação de imagens digitais, incluindo classificação não supervisionada e supervisionada, e pós-
classificação, devem ser aplicadas. Geralmente, os softwares de processamento e classificação das imagens digitais
são disponíveis comercialmente ou gratuitamente. O Capítulo 14 apresenta os métodos de classificação mais usados.
Nesta seção são apresentadas as técnicas de classificação na estimativa de áreas de queimadas pelos vários
pesquisadores e avaliados seus resultados.
Chuvieco (1999) aplicou várias técnicas de análise espacial para comparar a mudança de padrão de imagem
antes e depois das queimadas. Os dados de NDVI gerados pelas Landsat TM foram usados. Observou que a variação
espacial da imagem de NDVI foi mais homogênea após as queimadas. Garcia, Gilbert e Melia (2001) testaram os
três métodos de estimativa de área de queimadas, incluindo Multitemporal (Multitemporal Principal Component
Analysis – MPCA), Análise de Vetor Cambial (Change Vector Analysis – CVA) e Classificação Multitemporal de
NDVI (Multiple Time NDVI Classification – MTNDVIC). Concluíram que o método MTNDVIC teve melhor
desempenho com a acurácia mais alta. Rogan e Yool (2001) utilizaram os índices de brilho, verde e molhamento
para delinear as áreas de queimadas e concluíram que o método de índice de molhamento ser mais adequado pelo
falto de o molhamento ser intimamente ligado com o teor de água na planta e no solo. Sunar e Ozkan (2001)
aplicaram as técnicas de Geographical Information System (GIS) e Redes Neurais Artificiais (Artificial Neuros
Networks – ANNs) na classificação e estimativa de área de queimadas baseadas nas imagens de Landsat e SPOT
com uma acurácia de 90%.
Fuller e Fulk (2001) usaram uma combinação de temperatura da superfície menor que 305 °K e NDVI menor
que 0,35 quando o valor de albedo foi mínimo. A acurácia de estimativa de área de queimadas alcançou 80%. AL-
Rawl, Casanova e Romo (2001a) e AL-Rawl, Casanova e Calle (2001b) aplicaram a técnica de ANNs supervisadas
na detecção e classificação de área de queimadas baseadas nas imagens de NOAA AVHRR NDVI e Landsat TM
com acurácias acima de 90%. França e Setzer (2001) usaram os dados das bandas 2 e 3 e de NDVI de AVHRR para
monitoramento de áreas de queimadas e estimativa das suas extensões no Parque de Emas, no Brasil, com os
resultados positivos.
Leblon et al. (2001) mostraram que os dados de NDVI e NDVI cumulativos correlacionaram bem com os
parâmetros que geram os Índices Meteorológicos de Combustão, Fuel Weather Index (FWI) e recomendaram o uso
de NDVI no monitoramento de risco de queimadas. Nielsen, Mbow e Kane (2002) usaram os dados multitemporais
de NOAA AVHRR LAC para a estimativa de área de queimadas aplicando-se o método estatístico. A validação do
método foi feita com os dados de SPOT HRV. Os resultados mostraram que a acurácia de estimativa depende da
fração de área queimada. A acurácia alcançou a 80% quando um pixel de 1 km teve a fração de área de queimada
acima de 75% e diminuiu quando abaixou de 75%.
Phulpin et al. (2002) usaram os dados de SPOT 4 VGT (VEGETATION) das bandas espectrais com a
resolução espacial de 1 km para a estimativa de áreas de queimadas no Estado de Roraima, Brasil. O grave evento de
queimadas ocorrido em fevereiro de 1998 foi analisado. A estimativa foi validada com os dados de SPOT 4 HRVIR
(0,50 a 1,75 μm) com a resolução espacial de 20 m. A banda azul (0,425 a 0,485 μm) do sensor VGT foi usada em
vez da banda verde (0,50 a 0,59 μm) do sensor HRVIS. A área total de queimada de 6.980 km2 foi estimada pela
imagem do SPOT 4 HRVIR. O erro de estimativa pelos dados de VGT foi de 38%. Usaram o coeficiente de correção
obtido pela correlação entre áreas de queimadas estimadas pelos dados de VGT e HRVIR para reajustar a estimativa
pelo VGT. O erro de 10% foi alcançado. Sugeriram que a estimativa da área de queimadas pela combinação de uso
dos dados de SPOT HRVIR e VGT pode ser uma alternativa viável. A figura 11.4 mostra as reflectâncias em
contagem digital das assinaturas espectrais dos vários tipos da superfície: savanas, pastagens, culturas e florestas
queimadas e não queimadas na imagem do SPOT 4 HRVIS produzidas na região de Roraima, Brasil. Os valores de
contagem digital variam de 0 a 255 de nível de cinza. A alta luminosidade ou alto valor de nível de cinza significa a
alta temperatura. Altas temperaturas foram registradas durante as queimadas ativas nas florestas e savanas. Usaram a
imagem composta do SPOT 4 HRVIS SWIR/NIR/R (R/G/B) para distinguir as áreas recém-queimadas e as áreas de
algumas semanas depois de queimada. A figura 11.5 mostra a imagem do SPOT 4 HRVIS das áreas de queimadas
recentes e um mês depois na região Central de Rio Branco, Estado de Roraima, após a ocorrência da queimada em
fevereiro de 1998. Os números nas imagens indicam: 1. Savana não queimada; 2. Savana recém-queimada; 3.
Savana queimada após algumas semanas e 4. Depósitos de areias ao longo do rio.

Figura 11.4 – Reflectâncias em contagem digital das assinaturas espectrais dos vários tipos da superfície: savanas, pastagens,
culturas e florestas queimadas e não queimadas na imagem do SPOT 4 HRVIS produzida na região de Roraima, Brasil. Fonte:
(PHULPIN et al., 2002).

Hudak e Brockett (2004) mapearam as áreas de queimada na região de Savana da África durante o período de
1992 a 2002 usando as imagens de Landsat classificadas pelo método de Componentes Principais Transformados
(Transformed Principal Component Analysis – TPCA) com resultados satisfátorios. Huang e Siegert (2004) usaram
as imagens óticas e radares, obtidas pelo ENVISAT Europeu, para monitorar a extensão e os impactos das
queimadas nos terrenos de turfas na região de Kalimantan Central da Indonésia ocorridas no 2002. Apontaram que a
capacidade dos sensores do ENVISAT de adquirir os dados de diferentes sensores óticos e do SAR simultaneamente
fornece o alto potencial de monitorar as ocorrências de queimadas e avaliar seus impactos. Gimero et al. (2004)
utilizaram a análise multitemporal das imagens de SAR do ERS 2 para monitorar as áreas de queimadas na região
Central em Portugal durante várias queimadas ocorridas nos anos de 2000 e 2001. O delineamento das áreas de
queimadas foi feito pelo método da classificação de ANNs usando os dados de séries temporais inteiras do SAR
ERS 2. A acurácia de estimativa de áreas de queimadas alcançou 92,11%. Menges et al. (2004) monitoraram os
efeitos das queimadas nos sinais retroespalhamentos do SAR na região da Savana localizado na região norte da
Austrália. Observaram que somente os sinais das imagens da banda C do SAR têm potenciais de detectar e mapear
as áreas de queimadas, por não serem os sinais das imagens de bandas L e P do SAR sensíveis às queimadas.

Figura 11.5 – Comparação das áreas de queimadas recentes e um mês depois das queimadas na região Central de Rio Branco,
Estado de Roraima, a ocorrência da queimada foi em fevereiro de 1998 utilizando a imagem composta do SPOT 4 HRVIS
SWIR/NIR/R (R/G/B). Os números nas imagens indicam: 1. Savana não queimada; 2. Savana recém queimada; 3. Savana
queimadas após algumas semadas e 4. Depostos de areias ao longo do rio. Fonte: (PHULPIN et al., 2002).

Silva et al. (2004) mapearam as áreas de queimadas do globo terrestre usando os dados de SPOT VGT.
Observaram que as diminuições das reflectâncias de infravermelho próximo (NIR) e infravermelho curto (SWIR)
inferem bem as áreas de queimadas das pastagens e plantações de culturas. Mas, nas florestas, as reflectâncias da
banda SWIR podem aumentar ou diminuir. Portanto, somente as reflectâncias na banda NIR podem ser aplicadas
para delinear as áreas de queimadas. Wagtendonk, Root e Key (2005) compararam a capacidade de detecção da
severidade de queimadas usando as imagens multitemporias de Airborne Visible and Infrared Imaging Spectrometer
(AVRIS) e Landsat ETM+. A severidade das queimadas foi avaliada pela comparação dos dados antes e depois aos
eventos de queimadas. Os resultados foram comparados com os dados observados em campo. Observaram que os
sensores do Landsat ETM+ da banda 7 com o comprimento da onda de 2,09 a 2,35 μm e os sensores AVIRIS da
banda 210 com o comprimento da onda de 2,37 μm tiveram maiores variações das reflectâncias entre pré-queimadas
e pós-queimadas. Sugeriram que a banda 7 do Landsat ETM+ e a banda 210 do AVIRIS podem ser aplicadas para
estimativa da severidade das queimadas.
Siegert et al. (2004) detectaram as queimadas de turfas nas áreas alagadas usando os dados de sensores
biespectrais, chamados Bi-spectral InfraRed Detection (BIRD) do satélite experimental. Sugeriram que na
combinação com os dados terrestres coletados e os dados de BIRD, a taxa de emissão de gás carbônico para a
atmosfera pode ser monitorada. Zhang et al. (2004) revisaram as técnicas de monitoramento das queimadas de minas
de carvão via satélite, incluindo as detecções de rochas pirometamórficas, minerais furmarólicos, jazidas e trechos
queimados, abaixamentos e rachaduras e anomalias da superfície térmica. Apontaram que a capacidade de detectar
as queimadas de minas de carvão é limitada pelas resoluções espectrais, espaciais e temporais dos dados de satélites
adquiridos.
Chuvieco et al. (2005a) compararam os dados de temperatura máxima e NDVI gerados com os dados de
NOAA AVHRR LAC para a estimativa de área de queimadas e concluíram que as áreas de queimadas delineadas
pelos dados diários de temperatura máxima tiveram melhores resultados. Em seguida, Chuvieco et al. (2005b)
aplicaram as séries temporais das imagens compostas de NOAA AVHRR LAC e TERRA MODIS para mapear as
áreas queimadas na região Península Ibérica durante os anos de 2001, 2003 e 2004. Apontaram que as imagens
compostas somente com os dados de MODIS não fornecem boa descriminação entre áreas queimadas e não
queimadas. As imagens compostas de valor máximo de NDVI também não descriminaram bem as áreas queimadas e
não queimadas. Apontaram que as imagens compostas de NDVI e MODIS devem ser aplicadas para a discriminação
de áreas queimadas e não queimadas e também para a eliminação das contaminações das nuvens usando os dados
adquiridos pelos baixos ângulos de visada do satélite. Lasaponara (2005), por outro lado, observou que o índice de
suscetibilidade de queimadas gerado com os dados de NDVI e temperatura de brilho de NOAA AVHRR canal 3 foi
o melhor indicador de riscos de queimada, comparando-se com os dados de temperatura da superfície gerada pelos
canais 4 e 5 dos sensores NOAA AVHRR.

11.5 Modelos de índices de suscetibilidade de risco de

ocorrências de queimadas
Bradshaw, Deeming e Byrgan (1978) apresentaram um sistema operacional chamado National Fire Danger
Rating System (NFDRS) para prognosticar a suscetibilidade à ocorrência de incêndios florestais nos Estados Unidos.
O NFDRS gera os mapas e as informações da suscetibilidade de risco de ocorrência de incêndios florestais baseado
no Índice de Suscetibilidade de Risco de Queimadas Florestais (ISRQ). Os mapas de risco regional de incêndios
florestais estão sendo divulgados semanalmente em várias regiões dos Estados Unidos fundamentados nos dados
gerados pelo modelo NFDRS com grande sucesso. Os dados de entrada para rodar o modelo NFDRS incluem:

a)   combustíveis (coberturas vegetais, clima, topografia e estado hídrico da cobertura viva e morta);
b)   dados históricos de queimadas;
c)   modelo digital de elevação, DEM;
d)   dados de satélite: NOAA, MODIS, DMSP, GOES, Landsat, SPOT, ADEOS-II e outros.

O modelo a ser adotado para a realização dos prognósticos deverá permitir para cada ponto a ser monitorado a
avaliação dos seguintes parâmetros:

a)   componente de ignição;
b)   índice de queimada;
c)    componente de liberação de energia;
d)   espalhamento de queimada;
e)   umidade do combustível madeira;
f)   umidade do combustível vegetação (folhagem);
g)   código de estágio da vegetação;
 h)   estado do tempo;
i)   código sazonal;
j)   fator de “esverdeamento” da folhagem;
l)   fator de “esverdeamento” da madeira;
m)   índice de seca Keetch-Byrams da região;
n)   índice de risco de incêndio antropogênico;
o)   índice de carregamento de fogo;
p)   índice de ocorrência de causas humanas.

Os dados de ISRQ são gerados por meio da simulação do modelo NFDRS sobre várias condições
meteorológicas locais. O valor diário de ISRQ é calculado em função dos dados do tempo, topografia e combustão,
obtidos por Plataforma de Coleta de Dados via Satélite (PCD) e satélites para cada região monitorada. Por serem os
dados dos fatores meteorológicos coletados em pontos, os parâmetros bioclimatológicos gerados com os dados de
satélite podem ser incorporados para aperfeiçoar a previsão pelo NFDRS. Os dados e índices gerados por satélite,
tais como albedo, temperatura da superfície, NDVI, VCI e TCI, podem ser utilizados para a geração dos mapas de
déficit hídrico regional com as resoluções espaciais superiores ao mapa gerado pela observação pontual.
As distribuições espaciais do ISRQ na área de estudo podem ser obtidas por meio da correlação entre ISRQ
obtido pelo PCD e os dados e índices de satélites. Portanto, os mapas diários de ISRQ regional podem ser gerados
usando a combinação dos dados adquiridos por PCD e satélites. A recente pesquisa de Leblon et al. (2001) mostrou
que NDVI correlacionou bem com os parâmetros utilizados para gerar ISRQ. Chuvieco et al. (2002) usaram os
dados multitemporais de Landsat 7 TM para estimar o teor de umidade de combustão, Fuel Moisture Índice
(FMI) com os erros variando de 14% para os arbustos até 31% para as pastagens. Isto confirmou que o potencial de
utilização dos dados de satélite para facilitar a geração de ISRQ.
Lopez, Ayanz e Burgan (2002) apresentaram um modelo de previsão de risco de queimadas com quatro dias
de antecedência baseado no índice potencial de queimadas usando a combinação de dados meteorológicos e NOAA
AVHRR NDVI. As classes de risco potencial de queimadas apresentadas no modelo de National Fire Danger Rating
Sysyem, Deeming e Brown, 1975 (NFDRS) foram usadas para calcular os valores de distinção de teor da umidade
de combustão morto. Um mapa de risco potencial de queimadas da região Mediterrânea foi gerado com resultados
satisfatórios. Chuvieco et al. (2003) utilizaram um índice empírico de estimativa FMC em função de NDVI, Tst e
VCI, chamado Synthetic Fuel Moisture Content (SFMC). Os dados de NDVI, Tst e VCI são gerados com os dados
de NOAA AVHRR LAC. O valor do SFMC é obtido pela equação (11.2). Os dados de SFMC gerados via satélite
foram usados como os dados de entrada para obter as condições e quantidades de combustões vivas para o modelo
de previsão de risco de queimadas com sucesso.

Em que:  
SFMC = índice sintético de umidade de combustão;
NDVI = índice de vegetação gerado pelo NOAA AVHRR;
Tst = temperatura da superfície gerada pelo NOAA AVHRR;
VCI = índice da condição de vegetação (Vegetation Condition Index), (KOGAN, 1995).

Kaufman et al. (2003) usaram os dados de MODIS para detectar as queimadas e fumaças. Argumentaram que
estes podem distinguir entre as baixas intensidades de queimadas na superfície terrestre e as altas intensidades de
queimadas nas copas das árvores de floresta. As fumaças foram, pela primeira vez, detectadas pelos satélites de
média resolução espacial do MODIS usando as bandas entre 0,41 a 2,1 μm. As áreas de queimadas foram detectadas
pelo MODIS nas bandas de 1,2 a 2,1 μm mesmo com a presença das fumaças. Apontaram também que as
ocorrências das queimadas do globo podem ser detectadas duas a seis horas após a aquisição dos dados.
Carlson e Burgan (2003) apresentaram uma revisão sobre as informações necessárias para desenvolver um
sistema operacional de monitoramento e estimativa das queimadas. Apontaram que o sistema deve incluir os
módulos de topografia (DEM), combustões vivas e mortas, previsão do tempo, modelo de fogos, modelo de
detecção de fogos e modelo de previsão de queimadas em tempo hábil gerenciados por SIG. Fundamentados no
modelo NFDRS, desenvolveram um modelo de risco de queimadas para o Estado de Oklahoma. As informações
geradas estão disponíveis no site: (<http:agweather.mesonet.ou.edu/models/fire/>).
No Brasil, o primeiro sistema operacional da detenção de queimadas florestais usando o sistema do NFDRS
foi implantado no Parque Nacional da Floresta Tijuca localizado na cidade metropolitana do Rio de Janeiro, em
2003 (FRANÇA et al., 2005). Esses autores usaram os dados de componentes de ignição para localizar as áreas de
alto risco de ocorrência das queimadas. Foram detectados 48 eventos de queimadas que na maioria ocorreram nas
áreas de degradação ambiental mais intensificada. As informações de monitoramento de queimadas no Parque
Nacional da Floresta Tijuca estarão disponíveis em tempo hábil no site: (<http://www.acd.ufrj.br/~incendios>).

11.6 Perspectivas futuras

Com o rápido avanço da tecnologia de sensoriamento remoto via satélite, os recém-lançados de satélites, tais
como IKONOS, QucikBird, SPOT, Landsat, MODIS, DMSP, NOAA, e outros, com a resolução variada de 0,61 m
até 1 km, abriram uma gama extensa de aplicação no desenvolvimento de técnicas alternativas de detecção e
estimativa de áreas de queimadas florestais. A maioria das técnicas de aplicação desses satélites está ainda na fase de
pesquisa. Certamente, os sensores pancromáticos com uma resolução espacial menor que 1 m e os sensores
espectrais com uma resolução menor que 5 m têm a alta acurácia na estimativa da área de queimadas. Mas o custo de
aquisição dessas imagens é muito elevado. Entretanto, os dados de NOAA, DMSP, MODIS e SPOT 4 VGT com a
resolução varia-se de 250 m a 1 km são mais acessíveis, mas suas acurácias na estimativa de área de queimadas
ainda não alcançam acima de 90%. Portanto, os satélites de baixa resolução espacial ainda não são viáveis na
estimativa de área de queimadas. Mas, esses dados de baixa resolução espacial podem ser adquiridos diariamente por
terem alta potencialidade no monitoramento e na detecção de aparecimento dos focos de fogos e para fornecer os
dados de entrada para aperfeiçoar a geração de mapa de ISRQ pelo modelo de NFDRS. Tudo depende do custo e do
seu objetivo da aplicação. Logo, as pesquisas no desenvolvimento das técnicas de detecção de queimadas ativas e de
classificação e estimativa da extensão das áreas de queimadas ainda estão muitas ativas e em constante evolução.

Referências
ALASKA DEPARTMENT OF NATURAL RESOURCES, 1996. Miller’s Research #2 fire review. Department of Natural
Resources, 3601, C Street, 12th floor, Anchorage, Alaska, USA. 49p.
AL-RAWI, K. R.; CASANOVA, J. L.; ROMO, A., 2001a. IFEMS: a new approach for monitoring wildfire evolution with NOAA-
AVHRR imagery. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 2033-2042.
AL-RAWI, K. R.; CASANOVA, J. L.; CALLE, A., 2001b. Burned area mapping system and fire detection system, based on neural
networks and NOAA-AVHRR imagery. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 2015-
3032.
ANDERSON, H. E.; MCGAUGHEY, R. J.; REUTEBUCH, S. E., 2005. Estimating forest fuel parameters using LIDAR data.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 94:441-449.
BARET, F.; GUYOT, G.; MAJOR, D., 1989. TSAVI: a vegetation index which minimizes soil brightness effects on LAI or APAR
estimate, Proceedings of the 12th Canadian Symposium of Remote Sensing, Vancouver, Canada. p132-141.
BOLES, S. H.; VERBYLA, D. L., 1999. Effect of scan angle on AVHRR fire detection accuracy in interior Alasaka. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20: 3437-3443.
BOWYER, P.; DANSON, F. M., 2005. Sensitivity of spectral reflectance to variation in live fuel moisture content at leaf and canopy
level. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 92:297-308.
BRADSHAW, L.S.; DEEMING, J. E.; BURGAN, R. E.; COHEN, J. D., 1978. The 1978 national fire danger rating system: General
Technical Report, INT-169, USDA Forest Service, Washington D.C., USA. 94p.
CARLSON, J. D.; BURGAN, R. E., 2003. Review of user’s needs in operational fire danger estimation: the Oklahoma example.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:1601-1620.
CHUVIECO, E.; 1999. Measuring changes in landscape pattern from satellite images: short-term effects of fire on spatial diversity.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23: 2145-2162.
CHUVIECO, E.; AGUADO, I.; COCERO, D.; RIAÑO, D., 2003. Design of an empirical index to estimate fuel moisture content
from NOAA AVHRR images in forest fire danger studies. International Journal of Remote Sensing, Taylor & Francis Ltd, London,
UK. 24:1621-1638.
CHUVIECO, E.; AGUADO, I.; COCERO, D.; RIAÑO, D.; MARTIN, P.; MARTINEZ-VEJA, J.; RIVA, J. L.; PÉREZ, F., 2005.
Combining NDVI and surface temperature for the estimation of live fuel moisture content in forest fire danger rating. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 92:322-331.
CHUVIECO, E.; MARTIN, P., 1994a. A simple method for fire growth mapping using AVHRR channel three data. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15: 3141-3146.
CHUVIECO, E.; MARTIN, P., 1994b. Global fire mapping and fire danger estimation using AVHRR images. Photogrammetric
Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 60:563-570.
CHUVIECO, E.; RIAÑO, D.; AGUADO, I.; COCERO, D., 2002. Estimation of fuel moisture content from multipemporal analysis
of Landsat TM reflectance data: applications in fire danger assessment. International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 23: 2145-2162.
CHUVIECO, E.; VENTURA, G.; MARTIN, P., 2005. AVHRR multitemporal compositing techniques for burned land mapping.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26:1013-1018.
CHUVIECO, E.; VENTURA, G.; MARTIN, P.; GOMEZ, I., 2005. Assessment of multitemporal compositing techniques of MODIS
and AVHRR images for burned land mapping. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
94:450-462.
COGSWELL, A.; FEUNEKES. U., 1996. Evaluating the spatial feasibility of future timber harvest allocations. Proceedings of GIS
1996. Vancouver, BC. Canada. 31-39.
CUOMO, V.; LASPONARA, R.; TRAMUTOLI, V., 2001. Evaluation of a new satellite based method for forest fire detection.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 1799-1826.
DAWN, D.; KEMPER, D., 2002. Burn scars detection and area estimation, Technical Note, Pantanal-GIS, the Ducks Unlimited,
Memphis, Tennessee, USA, 31p.
DANSON, F. M.; BOWYER, P., 2005. Estimating live fuel from remote sensed reflectance. Remote Sensing of Environment,
Elsevier Science Publishing Co., New York, USA. 92:309-321.
DEEMING, J. E.; BROWN, J. K., 1975. Fuel models in the national fire danger rating system. Journal of Forestry, Elsevier Science
Publishing Co., New York, USA. 73:347-350
DRAGOMIR, J. H.; SPARKMAN, W.; KELLEY, H. L., 1997. Alaska incident response system forecast support and development in
1996. Proceedings of the 13th International Conference on Interactive Information and Processing of System for Meteorology,
Oceanography and Hydrology, American Meteorological Society, Long Beach, California, USA. 377-379.
ELVIDGE, C. D.; HOBSON, V. R.; BAUGH, K. E.; DIETZ, J. B.; SHIMABUKURO, Y. E.; KRUG, T.; NOVO, E. M.;
ECHAVARRIA, F. R., 2001. DMSP-OLS estimation of tropical forest area impacts by surface fires in Roraima, Brazil: 1995 versus
1998. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 2661-2673.
FRANÇA, G. B.; CARAPIÁ, V.; SILVA, R. M.; MAIA, L. F.; LIU, W. T., 2005. An operational forest fires monitoring system at
the National Tijuca Forest Park. Agricultural and Forest Meteorology, (Submitted in 2005).
FRANÇA, H.; SETZER, A. W., 2001. AVHRR analysis of a savannah site through a fire season in Brazil. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 2449-2461.
FULLER, D. O.; FULK, M., 2001. Burned area in Kalimantan, Indonesia mapped with NOAA-AVHRR and Landsat TM imagery,
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 691-697.
GARCIA-HARO, F. J.; GILBERT, M. A.; MELIA, J., 2001. Monitoring fire-affected areas using Thematic Mapper data.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 533-549.
GIGLIO, L.; KENDALL, J. D.; JUSTICE, C. O., 2001. Evaluation of global fire detection algorithms using simulated AVHRR
infrared data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 1974-1985.
GIMERO, M.; AYANZ, J. S.; SCHMUCK, G., 2004. Identification of burnt areas in Mediterranean environments from ERS-2 SAR
time series. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4873-4888.
GIMERO, M.; AYANZ, J. S., 2005. Evaluation of RADARSAT-1 data for identification of burnt area in southern Europe. Remote
Sensing of environment, Elsevier Science Publishing Co., New York, USA. 92:370-375.
GITAS, I. Z.; MITRI, G. H.; VENTURA, G., 2005. Object-based image classification for burned area mapping of Creus Cap, Spain,
using NOAA-AVHRR imagery. Remote Sensing of environment, Elsevier Science Publishing Co., New York, USA. 92:409-413.
HENDERSON, A.; SELLER, P. J., 1984. Satellite Sensing Cloud Atmosphere: Observing the Third Planet. Taylor and Francis,
London, UK. 340 p.
HOLBEN, B. N., 1986. Characteristics of maximum value compositing of temperal AVHRR data. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 7:1417-1437.
HUANG, S.; SIEGERT, F., 2004. ENVISAT multisensor data for fire monitoring and impact assessment. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4411-4416.
HUDAK, A.T.; BROCKETT, B. H., 2004. Mapping fire scars in a southern African Savannah using Landsat imagery. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3231-3243.
HUETE, A. R., 1981. A soil-adjusted vegetation index. Remote Sensing of Environment, Elsevier Science Publishing Co., New
York, USA. 25:295-309.
HUFFORD, G. L.; KELLY, H. L.; SPARKMAN, W.; MOORE, R. K., 1998. Use of real-time multisatellite and radar data to support
forest fire management. Weather and Forecasting, American Society of Meteorology, Boston, Massachusetts, USA. 13, 592-605.
KAUFMAN, Y. J.; ICHOKU, C.; GIGLIO, L.; KORONTZI, S.; CHU, D. A.; HAO, W. M.; LI, R. R.; JUSTICE, C. O., 2003. Fire
and smoke observed from the Earth Observing System MODIS instrument-products, validation and operational use. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:1765-1781.
KAUFMAN, Y. J.; TUCKER, C. J.; FUNG, I., 1990. Remote Sensing of biomass burning in tropics. Journal of Geophysical
Research, 95, 9927-9939.
KIDWELL, K. B., 1998. NOAA polar orbiter data user’s guide. NOAA NESDIS, Washington D.C., November 1998 Revision, 394p.
http://www.nesids.noaa.gov.
KOGAN, F. N., 1990. Remote sensing of weather impacts on vegetation in non-homogeneous area. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:1405-1420.
KOGAN, F. N., 1995. Application of vegetation index and brightness temperature for drought detection. Advanced Space Research.
Elsevier Science Publishing Co., New York, USA.15:91-100.
KOGAN, F. N., 1997. Global drought watch from space. Bulletin of American Meteorological Society, American Meteorological
Society, Boston, Massachusetts, USA. 78:621-636.
KOTZ, B.; SCHAEPMAN, M.; MORSDORF, F.; BOWYER, P.; ITTEN, K.; ALLGOWER, B., 2005. Radiative transfer modeling
within a heterogeneous canopy for estimation of forest fire fuel properties. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 92:332-344.
LASAPONARA, R., 2005. Intercomparison of AVHRR based fire susceptibility indicators for the Mediterranean ecosystems of
southern Italy. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26: 853-870.
LEBLON, B.; ALEXANDER, M.; CHEN, J.; WHITE, S., 2001. Monitoring fire danger of northern boral forests with NOAA-
AVHRR NDVI images. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 2839-2846.
LEE, T. E.; TAG, P. N., 1990. Improve detection of hot spot using AVHRR 3.7μm channel. Bulletin of American Meteorological
Society, American Meteorological Society, Boston, Massachusetts, USA. 71, 1722-1730.
LI XIA, 1994. A two-axis adjusted vegetation index (TWVI). International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 15:1447-14511.
LI, Y.; DEMETRIADES-SHAH, T. H.; KANEMAZU, E. T.; SHULTIS, J. K.; KIRKAM, M. B., 1993. Use of second derivatives of
canopy reflectance for monitoring prairie vegetation over different soil backgrounds. Remote Sensing of Environment, Elsevier
Science Publishing Co., New York, USA. 44:81-87.
LIU, W. T., 2003. Monitoramento de queimadas na região do Rio Negro. In: Aplicações de Sensoriamento Remoto. Apostilha do
Curso da Especialização em Sensoriamento Remoto Aplicado no Meio Ambiente, Universidade Católica Dom Bosco, Campo
Grande, MS, Brasil, p.317-328.
LOPEZ, A. S.; AYANZ, J. S. M.; BURGAN, R. E., 2002. Integration satellite sensor data, fuel type maps and meteorological
observations for evaluation of forest fire risk at the pan-European scale. International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 23:2713-2719.
MAJOR, D. J.; F.; BARET, R. E., GUYOT, G., 1990. A ratio vegetation index adjusted for soil brightness. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 11:727-740.
MENGES, C.H.; BARTOLO, R. E.; BELL, D.; HILL, G. J., 2004. The effect of savannah fires on SAR backscattering in northern
Australia. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4857-4871.
METHVEN, I. R.; FEUNEKES. U., 1987. Fire games for parks managers: effects of fire on landscape vegetation patterns. In:
Landscape Ecology and Management, Proceeding, First Symposium of the Canadian Society of Landscape Ecology and
Management, University of Guelph, Polyscience Publications, Quebec, Canada, p101-110.
METHVEN, I. R.; FEUNEKES. U., 1991. Simulating process interactions on landscape attributes. Proceedings of the International
Conference on Science and Management of Protected Areas. Acadia University, Wolfville, Nova Scotia. p41-52.
NAKAYAMA, M.; MAKI, M.; ELVIDGE, C. D.; LIEW, S. C., 2001. Contextual algorithm adapted for NOAA-AVHRR fire
detection in Indonesia. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 3415-3421.
NIELSEN, T. T.; MBOW, C.; KANE, R., 2002. A statistical methodology for burned area estimation using multi-temporal AVHRR
data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23: 1181-1196.
PHULPIN, T.; LAVENU, F.; BELLAN, M. F.; MOUGENOT, B.; BLASCO, F., 2002. Using SPOT-4 HRVIR and VEGETATION
sensors to assess impact of tropical forest fires in Roraima, Brazil. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 23: 1943-1966.
PRINCE, S. D., 1991. A model of regional primary production for use with coarse resolution satellite data. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 12:1313-1330.
QI, J.; CHEHBOUNI, A.; HUETE, A. R.; KERR, Y. H.; SOROOSHIAN, S., 1994. Modified soil adjusted vegetation index. Remote.
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 48:119-126.
RIAÑO, D.; VAUGHAN, P.; CHUVIECO, E.; TEJADA, P.; USTIN, S., 2005. Estimation of fuel moisture content by inversion of
radiative transfer models to simulate equivalent water thickness and dry matter content; analysis at leaf and canopy level. IEEE
Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New
Jersey, USA. 43:819-826.
RICHARDSON, A. J.; WIEGAND, C. L., 1977. Distinguishing vegetation from soil background information. Photogrammetric
Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 43:207-216.
ROGAN, J.; YOOL, S. R., 2001. Mapping fire-induced vegetation depletion in the Peloncillo Mountains, Arizona and New Mexico,
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 3101-3121.
SIEGERT, F.; ZHUKOV, B.; OERTEL, D.; LIMIN, S.; PAGE, S. E.; RIELEY, J. O., 2004. Peat fires detected by the BIRD satellite.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3221-3230.
SILVA, J. M.; CADIMA, J. F.; PEREIRA, J. M.; GRÉGORIE, J. M., 2004. Assessing the feasibility of a global model for multi-
temporal burned area mapping using SPOT VGT data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
25:4889-4913.
SUNAR, F.; OZKAN, C., 2001. Forest fire analysis with remote sensing data. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 22: 2265-2277.
TRIGG, S.; FLASSE, S., 2001. An evaluation of different bi-spectral spaces for discriminating burned shrub-savannah, International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22: 2641-2647.
WAGTENDONK, J. W.; ROOT, R. R.; KEY, C. H., 2005. Comparison of AVIRIS and Landsat ETM+ detection for burnt severity.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 94:397-408.
WALTERS, K. R., 1993. Design and development of a generalized forest management modeling system: WOODSTOCK.
Proceedings of the International Symposium on System Analysis and Management Decisions in Forestry. Valdivia, Chile. March 9-
12, 1993. 413p.
WALTERS, K.; FEUNEKES, U.; COGSWELL, A.; COX, E., 1999. A forest planning system for solving spatial harvest scheduling
problems. CORS National Conference. Windsor, Ontario, Canada. June 7-9, 1999. 276p.
WIEGAND, C. L.; RICHARDSON, A. J., 1990. Use of spectral vegetation indices to infer leaf area, evapotranspiration and yield. I.
rationale. II. results. Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 82:623-636.
WIEGAND, C. L.; GERBERMANN, A. H.; GALLO, K. P.; BLAD, B. L.; DUSEK, D., 1990. Multisite analyses of spectral-
biophysical data for corn. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 33:1-16.
ZHANG J.; WAGNER, W.; PRAKASH, A.; MEHL, H.; VOIGT, S., 2004. Detecting coal fires using remote sensing techniques.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3193-3220.
12.1 Introdução
“Comer é um direito dos cidadãos”. Esta é uma lei celestial que os antigos imperadores chineses seguiram para
governar seus reinos, preocupando-se com a quantidade de alimento produzida e sua distribuição harmoniosa para
garantir povos sem fome. A produção de grãos, além de fornecer alimento para os seres humanos, também é usada para
estabilizar a criação de animais contra as diversas catástrofes naturais. Portanto, pode-se dizer que a produção agrícola é
sempre uma tarefa indispensável nas atividades humanas, desde a existência do homem. A freqüente falta de alimentos
no Continente Africano, que resulta em famintos e até mortos, é um desafio sério para os governantes do mundo inteiro.
A queda da produção agrícola pode ser causada por vários fatores, tais como: políticas governamentais, decisões de
produtores, anomalias climáticas e manejo inadequado. A distribuição inadequada da produção agrícola pode causar
fome e pânico no mercado mundial. Portanto, o planejamento adequado e as previsões da produção agrícola são as
tarefas desafiantes para agricultores, cientistas, economistas, comerciantes e dirigentes governamentais.
A lei econômica segue um equilíbrio entre demanda e oferta. Qualquer desequilíbrio afeta o preço de um produto,
provocando desordem no sistema econômico. Por exemplo, o Brasil e os Estados Unidos são os dois principais países na
exportação de soja. É importante apontar que a safra de soja no Brasil ocorre no período que vai de abril a junho e a nos
Estados Unidos, de agosto a outubro. A defasagem no fornecimento dos grãos da soja de quatro a seis meses é um fator
crucial na flutuação do preço no mercado mundial. A queda ou a supersafra da soja nos Estados Unidos pode afetar o
preço da soja no Brasil e vice-versa. Portanto, as previsões precisas das safras de soja no Brasil e nos Estados Unidos são
importantes para as projeções da evolução dos preços da soja no mercado mundial. Entretanto, uma política agrícola
saudável pavimentará um sistema econômico agrícola estável. Para isso, a previsão de safra agrícola começa desde a
decisão governamental até a colocação do produto final no mercado. Do ponto de vista científico, os pesquisadores
preocupam-se mais com as previsões das variações da produção agrícola causadas pelos fenômenos naturais, como
ocorrências de secas, geadas, excessos de pluviosidade, doenças e pragas, ventanias e furacões. A produção agrícola de
uma determinada cultura é estimada multiplicando-se a produtividade pela área plantada. Para isso, a estimativa da
produção final de uma cultura depende de dois parâmetros: área plantada e produtividade.
Em relação à área plantada, a projeção antes do plantio depende das políticas governamentais e da decisão própria
do agricultor. Após a época do plantio de cada cultura, os dados da área plantada são tradicionalmente obtidos por meio
de levantamento no campo, ou nos órgãos financiadores. Embora a coleta dessas informações seja uma tarefa trabalhosa,
ela tem um certo grau de confiabilidade. Atualmente, a estimativa da área plantada pode ser feita no estágio do
crescimento vegetativo da cultura, que ocorre aproximadamente 30 dias após o plantio com boa acurácia usando os
dados de satélite de alta resolução espacial (ALONSON; SORIA; GOZADO, 1991; BAUER et al., 1978; BUSH;
ULABY, 1988; AHERN et al., 1979; HIXSON; BAUER; CHOLZ, 1980; ALLEN; HANUSCHAK, 1988, QUARMBY
et al., 1992). A estimativa de área plantada, geralmente, pode ser concluída com uma acurácia acima de 95% pelo menos
dois meses antes da colheita, dependendo do ciclo fenológico da cultura. Recentemente, pelo projeto Monitoring
Agriculture with Remote Semsing (MARS), financiado pela Comissão de Comunidade Européia, no período de 1991 a
1995, o procedimento de estimativa de área plantada das principais culturas da Europa, via satélite, foi padronizado
(GALLEGO; DELINCÉ, 1995a). A estimativa de área plantada pelos dados de NOAA AVHRR tem erro maior por
causa da baixa resolução espacial de 1,1 km envolvendo o alto grau da mistura de diferentes usos do solo. Ackinson,
Cutler e Levis (1997) sugerem que o erro pode ser melhorado pela estimativa da proporção de área ocupada pela cultura
por meio da técnica de mapeamento subpixel. Mas, ainda, não alcança o grau de acurácia desejada.
Por outro lado, a estimativa de produtividade envolve um processo dinâmico e os impactos dos fatores ambientais
e das práticas de manejo podem afetar a produtividade em qualquer estágio do crescimento, desde o plantio até a
colheita. O desenvolvimento dos métodos de previsão de produtividade é uma tentativa de prever a produtividade com
boa acurácia, antes da colheita. Atualmente, os métodos incluem previsão do tempo, observação das condições do
crescimento das culturas em campo, modelos estatísticos agroclimatológicos, modelos de simulação de processos
fisiológicos, modelos de produtividade primária e modelos de índices de vegetação via satélite. Embora o método mais
adequado seja o da observação diária das condições do crescimento em campo, seu custo operacional é alto. Além disso,
os dados assim coletados pelos observadores são passíveis de erros em função dos desvios causados pela estimativa
individual, que, de algum modo, é subjetiva.
Desde o início da década de 1970, os modelos estatísticos agroclimatológicos estão sendo aplicados em vários
países na previsão de safra agrícola, com resultados bastante satisfatórios (MCQUIGG, 1975). No entanto, esses modelos
não podem prever ocorrência de doenças e pragas, nem os eventos de anormalidades climáticas, tais como secas severas,
excesso de pluviosidade ou outras variações meteorológicas extremas, cujos valores não foram registrados
historicamente (KATZ, 1979). Várias tentativas foram feitas para analisar a sensibilidade de modelos estatísticos
agroclimatológicos. Por exemplo, o modelo do Katz (1979) foi construído com os parâmetros climatológicos com os
dados semanais. Entretanto, procurou-se redefinir os períodos mais sensíveis ou reformular os índices hídricos para
melhorar a correlação com o rendimento da cultura (SAKAMOTO, 1973; LIU; B.W. LIU, 1988). Todas essas tentativas
melhoraram a previsão. Apesar de os modelos estatísticos agroclimatológicos poderem falhar na previsão dos efeitos dos
eventos desastrosos não registrados historicamente, eles ainda são simples e mais econômicos e funcionam
satisfatoriamente, enquanto as variabilidades climáticas de uma determinada região não forem extremas.
Os modelos de simulação dos processos fisiológicos vêm sendo desenvolvidos há algum tempo (DE WITT, 1958).
Esses modelos são fundamentados na simulação da taxa diária de fotossíntese, que converte a energia solar em matéria
seca, e na simulação dos efeitos do estresse hídrico, por meio do balanço hídrico e das práticas de manejo de culturas.
Um modelo denominado Crop-Environment Resource Synthesis, (CERES), desenvolvido no Laboratório de Solo e Água
em Terreno de Pastagem (Grassland Soil and Water Laboratory), Texas A&M University, Texas, E.U.A., (JONES;
KINIRY, 1986), foi aplicado para estimativa de produtividade do milho nos Estados Unidos com resultados promissores,
indicando sua potencialidade na previsão de safra em grande escala (HODGES et al., 1987). Esse modelo também foi
aplicado e avaliado para as culturas de milho (LIU; B.W. LIU, 1989) e de trigo (ANUNCIAÇÃO; LIU, 1991) no Brasil
com resultados satisfatórios. Os modelos de processos fisiológicos, que simulam o crescimento e o desenvolvimento de
uma cultura específica, têm suas bases fisiológicas e físicas. A produtividade final é calculada pela multiplicação de
produtividade de uma planta com a densidade da plantação. Portanto, na escala operacional, as extrapolações pontuais
dos dados de entradas e as extrapolações do crescimento e da produtividade de uma única planta para uma região inteira
podem comprometer sua precisão. É importante apontar que os efeitos dos eventos catastróficos, além das alternativas de
sistema do manejo das culturas, como irrigação e adubação, devem ser incorporados para melhorar sua previsão
(WIEGAND; RICHARDSON, 1990). Atualmente, os softwares dos modelos de processos fisiológicos das principais
culturas, tais como trigo, milho, arroz, soja, sorgo, feijãoe outras, um total de dez culturas, são divulgados pelo Sistema
de Suporte da Decisão na Transferência Agrotecnológica, chamado A Decision Support System for Agrotechnology
Tranfer (DSSAT), versão 3 pelo IBSNAT (The International Benchmark Sites Network for Agrotechnological Transfer),
Universidade de Havaí (TSUJI; UEHARA; BALAS, 1994).
Na década de 1970, o objetivo principal do Projeto Large Area Crop Inventory and Estimation (LACIE), que
envolve os pesquisadores de NASA, NOAA e United States Department of Agriculture (USDA), é o desenvolvimento
das técnicas de sensoriamento remoto via satélite Landsat para identificar, classificar e estimar a área plantada e a
produtividade das culturas de grãos nos Estados Unidos. Por esse projeto, as características de reflectâncias espectrais
das culturas de grãos foram intensamente estudadas. Isto pavimentou os fundamentos das aplicações da Ciência de
Sensoriamento Remoto no monitoramento da produção agrícola. Na década de 1980, logo após a conclusão do projeto
LACIE, foi executado o segundo projeto, chamado Agricultural and Resources Inventory Surveys Through Aerospace
Remote Sensing (AGRISTARS), envolvendo os mesmos órgãos. A maioria dos métodos de identificação do tipo de
cultura utiliza a análise da curvas de evolução temporal dos índices de vegetação, tais como NDVI ou RVI de um
determinado período do ciclo fenológico da cultura. Geralmente, uma determinada cultura tem seu ciclo fenológico e
seus estágios do crescimento e desenvolvimento diferentes do que outras culturas. Essas diferenças podem ser usadas
para distinguir diferentes tipos de culturas pela comparação das curvas de índice de vegetação. Esses métodos somente
funcionam bem quando a variação temporal do índice de vegetação de uma determinada fase do crescimento entre dois
tipos de culturas for maior que a variação do índice de vegetação na mesma cultura no campo. As diferentes datas de
plantio de uma determinada cultura em uma região resultam as várias curvas de evolução temporal do NDVI. Essas
curvas podem confundir-se com as curvas obtidas pelas diferentes culturas, especialmente nas regiões de plantação mista
com áreas pequenas de várias culturas. Portanto, as precauções devem ser tomadas para aplicação dessa técnica na
descriminação das culturas.
O uso de índice de vegetação espectral para estimar a produtividade de cultura via satélite foi um objetivo bastante
desafiante para os pesquisadores. Os métodos de aplicações dos dados de satélite na previsão de safra agrícola foram
desenvolvidos por três projetos mencionados: LACIE, no período de 1975 a 1978; AGRISTARS, durante 1980 a 1985; e
MARS, durante o período de 1991 a 1995. Desde essa época, as aplicações dos dados de satélite no monitoramento das
condições de vegetação da superfície terrestre e na previsão de safra agrícola avançaram rapidamente. As pesquisas
realizadas indicam que os dados de NDVI gerados com os dados de satélites podem ser utilizados para monitorar e
estimar a produtividade das culturas se os dados espectrais obtidos tiverem boa qualidade com mínimos ruídos causados
pelas interferências atmosféricas entre os sensores e o alvo.
Os pesquisadores demonstram que os dados de NDVI podem ser usados para monitoramento das condições do
crescimento e das safras agrícolas com resultados promissores. Citam-se alguns exemplos: estimativas de biomassa
(PRINCE, 1991a; HUNT, 1994), índice de área foliar (PRICE; BAUSCH, 1995) e radiação fotossintética ativa
(FROUIN; PINKER, 1995), identificação das fases de desenvolvimento fisiológico da cultura (KAUTH; THOMAS,
1976; Dusek; Musick, 1986) e estimativa de produtividade em escala regional e global (JOHNSON; VANDIJK;
SAKAMOTO, 1987; GALLO; FLESCH, 1989; WIEGAND; RICHARDSON, 1987; PRINCE, 1991B, BOUMAN,
1995; RASMUSSEN, 1997; LIU; KOGAN, 2002). Ashcroft et al. (1990) mostraram que os dados de NDVI, obtidos
pelos radiômetros em campo sem interferências atmosféricas, permitem a estimativa de produtividade com uma boa
acurácia. Wiegand e Richardson (1990a) demonstraram que o uso dos dados de NDVI obtidos com os dados de Landsat
MSS na estimativa da produtividade agrícola é viável. Especialmente a estimativa da produtividade visando efeitos das
variabilidades espaciais de solo, a precipitação, até o sistema de manejo, que em outros métodos são incompatíveis
(MORAN; INOVE; BARNES, 1997).
Os dados de NDVI gerados com os satélites de média resolução espacial, tais como Landsat e SPOT, embora com
boa resolução espacial, são disponíveis somente de 16 em 16 dias para o Landsat e de 26 dias em 26 dias para o SPOT. A
presença de alta nebulosidade da hora da passagem do satélite pode resultar a falta dos dados. Isto pode prejudicar suas
aplicações na estimativa de produtividade em sistema operacional. Além disso, o processamento da grande quantidade de
dados gerados que envolvem maior tempo e alto custo, pode limitar suas aplicações em grande escala. Vários
pesquisadores tentaram usar os dados de NOAA AVHRR para acompanhar e estimar a produção agrícola em grande
escala (JOHNSON; VANDIJK; SAKAMOTO, 1987; GALLO; FLESCH, 1989; RASMUSSEN, 1992; MASELLI et al.,
1993; QUARMBY et al., 1993; RASMUSSEN, 1997). Os resultados mostraram que o uso dos dados de NDVI gerados
com os dados de NOAA AVHRR para estimar as produtividades das culturas ainda não alcançou a acurácia desejável.
Mas os dados de NOAA AVHRR, que têm cobertura diária da mesma região, têm alta potencialidade de monitorar e
estimar a produtividade agrícola em grande escala. Especialmente as aplicações dos índices de vegetação, derivados com
os dados de NDVI, tais como VCI e TCI propostos por Kogan (1990 e 1995) na construção dos modelos estatísticos de
estimativa de produtividade, demonstram a tendência de melhorar suas previsões (UNGANAI; KOGAN, 1998, LIU;
KOGAN, 2002). Hayes e Decker (1996) desenvolveram um modelo de previsão da produtividade de milho utilizando a
técnica de regressão múltipla fundamentada nos dados de VCI para a região de cinturão de milho nos Estados Unidos.
Rasmussen (1997) também utilizou a mesma técnica de prever a produtividade de milheto na África. Souza e Liu (2000)
desenvolveram vários modelos alternativos para prever a produtividade da soja no município de Londrina no Estado de
Paraná, Brasil, utilizaram os dados de VCI e TCI. Os resultados desses trabalhos mostraram que modelos de índices de
vegetação via satélite NOAA, usando as técnicas de regressão estatística, podem ser viáveis. Alguns exemplos das
aplicações dos índices de vegetação, como NDVI, VCI e TCI gerados com os dados de NOAA AVHRR para o
monitoramento e a estimativa de produção agrícola, serão apresentados neste capítulo para demonstrar a potencialidade
de aplicação dos dados de satélites na previsão de safra agrícola. Uma série temporal longa dos dados mensais do globo
inteiro de NOAA AVHRR GAC de 1981 à recente pode ser adquirida na Internet fornecida pelo Goddard Space Flight
Center (GSFC) da NASA: <http://www.landcover.org/data/gimms>, <http://daac.gsfc.nasa.gov> ou na Universidade de
Maryland: <http://glcf.umiacs.umd.edu/data/gimms/>. A disponibilidade desses dados abre imensas oportunidades para
desenvolver e validar os modelos de previsões das safras agrícolas via satélites para todos os continentes. Food and
Agriculture Organization (FAO) e World Agricultural Outlook Board/USDA (WOB/USDA) fornecem os dados
climáticos e os dados de produção das culturas, incluindo trigo, arroz, soja, algodão e cana-de-açúcar dos principais
países produtores (USDA 1994). Estas são as fontes importantes para o desenvolvimento dos modelos de previsão de
safra agrícola para o globo inteiro. Os métodos de estimativa de área plantada e produtividade são apresentados a seguir.

12.2 Estimativa de área plantada

As técnicas de identificação e classificação de usos do solo por meio de dados de fotografias aéreas e imagens
digitais via satélite, apresentadas no Capítulo 14, podem ser aplicadas para estimativa de áreas plantadas, especialmente
após as categorias das classes serem obtidas por um determinado método de classificação. Geralmente, o algoritmo, tal
como o classificador de máxima verossimilhança (Maximum Likelihood classifier – MLC), é mais usado para
classificação. Normalmente, as classes geradas pelas imagens de satélite são mais simples que as classes obtidas pelo
levantamento em campo. Várias técnicas são usadas para estimar as áreas plantadas fundamentadas nas imagens de
satélite, incluindo estimativa direta de uma determinada classe na imagem classificada pela técnica da classificação
supervisionada, estimativa da área pela interpretação visual das fotografias aéreas e imagens via satélite, estimativa direta
e inversa da área usando as matrizes confusas, regressão linear simples e regressão linear múltipla (GALLEGO;
DELINCE, 1995b).
Há, pelo menos, dois passos em que o sensoriamento remoto pode desempenhar bem na estimativa da área
plantada: estratificação e classificação de pixel por pixel para calcular as áreas ocupadas pela cada classe. Pelo Projeto
MARS, Avenier (1993) desenvolveu um método de estratificação para coleta de amostragens das áreas ocupadas pelas
culturas usando o gerenciamento de dados pelo SIG. O primeiro passo é um inventário regional para produzir estatística
agrícola regional usando o levantamento em campo com base na segmentação da área enquadrada. Os resultados são
aperfeiçoados com os dados de imagens do Landsat, usando as técnicas de regressão, e com a validação local, usando os
dados de levantamento em campo e mapas topográficos. Pelo processo da estratificação, as variabilidades das
amostragens são reduzidas resultando nos segmentos agrupados homogeneizados. A acurácia pode alcançar acima de
95% com a técnica da estratificação com as imagens digitais geometricamente corrigidas. Portanto, a aplicação dos
dados de sensoriamento remoto na estimativa de área plantada de uma determinada cultura já é viável.
Schotten, Van Rooy e Janssen (1995) utilizaram os dados multitemporais dos sensores de SAR do satélite ERS 1
com a resolução espacial de 12,5 × 12,5 m para discriminar 12 tipos de culturas nos estágios iniciais do crescimento a
fim de estimar as áreas plantadas das culturas na região principal da produção agrícola na Holanda. Foram usadas 14
imagens de ERS 1 SAR no período de maio a novembro durante a estação do crescimento das culturas anuais.
Observaram que a maioria das culturas não pôde ser discriminada antes de agosto e a acurácia geral da classificação foi
de 80% com a validação dos dados obtidos em campo.
Smith e Fuller (2001) utilizaram uma base cartográfica de usos do solo gerado com SIG para classificar 21 tipos de
usos do solo utilizando os dados de satélite. Concluíram que a criação de um banco de dados pelo SIG facilita a
identificação e a estimativa das áreas ocupadas pelos 21 tipos de usos do solo com uma acurácia variando de 84% a 95%.
Abuzar, McAllister e Morris (2001) compararam as estimativas das áreas plantadas entre três culturas, incluindo
pastagem anual, pastagem perene e culturas de verão na região Tragowel, na Austrália, usando as técnicas de
classificação supervisionada parametrizada e classificação supervisionada não parametrizada do classificador Máxima
Verossimilhança Bayesiana Completa (Full Bayesian Maximum Likelihood). Os dados de NDVI, calculados pelas
bandas do Landsat TM nas duas estações da produção: 1989 a 1990 e 1995 a 1996, foram usados para monitorar as fases
fenológicas das culturas e os efeitos da irrigação. Concluíram que a acurácia geral da técnica de classificação
supervisionada não parametrizada alcança 99,4%. McNairn et al. (2002) usaram as imagens de RADARSAT 1 para
identificar as plantações de trigo, batata, cevada e milho e compararam com as imagens de SPOT. A figura 12.1 mostra a
composição colorida multi-temporal de RADARSAT 1 com as imagens de 22 de julho (vermelha), 5 de julho (verde) e
28 de junho (azul) de 1997 na região da cidade Carman, localizada no sul da Manitoba, Canadá. Concluíram que as
imagens de RADARSAT 1 identificaram bem as culturas de trigo e batata, mas não as de milho e cevada.
 Figura 12.1 – Estimativa de áreas plantadas das culturas de milho, trigo, batata e cevada, baseada na imagem composta multi-
temporal de RADASAT1 na região da cidade Carman, localizada no sul da Manitoba, Canadá. As imagens incluem as datas de 22 de
julho (vermelha), 5 de julho (verde) e 28 de junho (azul) de 1997. Fonte: (MCNAIRN et al., 2002).

Gómez et al. (2002) apresentaram um método semi-supervisionado para classificar e estimar a área plantada da
cultura interessada usando os dados hiperespectrais obtidos pelo espectrômetro HyMap durante os experimentos
realizados em Barrax, Albacete, Espanha, durante o período de 1998 a 2000 pelo projeto Digital Airborne Imaging
Spectrometer Experiment (DAISEX) financiado pela Agência Espacial Européia. Seis classes de usos do solo foram
classificadas, incluindo: milho, trigo, beterraba, cevada, alfafa e solo nu. Um conjunto de 900 amostras foi usado para
treinamento e outro de 900 amostras foi usado para validação dos métodos de classificação e estimativa da área. O
treinamento supervisionado para classificar a cultura interessada foi combinado com as técnicas não supervisionadas
para classificar o resto das classes na imagem. Compararam o método de classificação semi-supervisionada com vários
métodos da classificação, tais como K-Means, ISODATA, Vetor da Quantificação Aprendida, Máxima Verossimilhança
Gaussiana, Maximização Esperada e Percepção Multicamada. Os resultados mostraram que o método de classificação
semi-supervisionada alcança uma acurácia de 96,73%, que é mais alta do que todos os métodos comparados.
Ackinson, Cutler e Levis (1997) apontaram que o problema da aplicação das imagens de NOAA AVHRR na
estimativa da área plantada é que as áreas ocupadas pelas culturas são variadas e geralmente menores que um pixel de
AVHRR de 1,1 km. Sugeriram três técnicas para mapear as proporções das classes mistas: ANAs, Modelo de Mistura de
Classificação Fuzzy e K-Means. Os resultados são comparados com as classes obtidas pelas imagens de SPOT HRV
classificadas pelo método de MLC. Apesar de o método de ANAs ter tido o melhor desempenho, os valores de erro
padrão da média (Root Mean Square Error – RMSE) eram maiores que os erros médios. Isto somente possibilita a
aplicação de dados de NOAA AVHRR na estimativa de área plantada em grande região que não exige alta acurácia.
Borak e Strahler (1999) classificaram um ecossistema de deserto no município do Cochise no Arizona, USA, usando os
dados de MODIS. Várias técnicas de classificação foram testadas, incluindo Árvores de Decisão, MLC e Fuzzy Adaptive
Resonance Theory Map Neural Networks (Fuzzy ARTMAP). Concluíram que as acurácias dos métodos usados não
alcançaram 80%. As classes de usos do solo classificadas com as imagens do Landsat, especialmente as classes mistas de
pastagens e campos arbustos, podem comprometer sua acurácia. Argumentaram que a baixa resolução espacial dos dados
de MODIS e a validação com os dados do Landsat comprometem os altos erros.

12.2.1 Estimativa de área fundamentada na estratificação e amostragem de segmentos

O método de estratificação na geração de unidade uniforme de amostragem, desenvolvido por Avenier (1993) e os
métodos de estimativa de área plantada, incluindo amostragem, do segmento e a técnica de regressão via satélite
desenvolvidos por Gallego e Delincé (1995b), são usados como padrão pelo projeto MARS. O procedimento de
estimativa da área plantada das principais culturas produzidas no território da Comunidade Européia está disponível no
software MARS PED que pode ser obtido gratuitamente. Os métodos de estimativa de área desenvolvidos pelo projeto
MARS são apresentados nesta seção para facilitar suas aplicações.
A metodologia de estratificação com imagens de satélites e SIG, proposta por Avenier (1993), é utilizada para
padronizar o procedimento de amostragem que pode ser utilizada para aperfeiçoar a estimativa de área plantada via
satélite usando as técnicas de regressão proposta por Gallego e Delincé (1995b). O objetivo da estratificação é reduzir as
variabilidades de amostragem pela criação de grupos homogêneos, chamados estratos (strata), das unidades de amostras,
chamadas segmentos (Segments), em que as amostras são coletadas em campo. Cada segmento pertence somente a
determinado estrato.
Os mapas digitais de topografia e usos do solo em escala de 1:100.000 e as imagens georreferenciadas de Landsat,
CBERS ou SPOT são usados para identificar e delinear os limites de unidades de estratos e selecionar os segmentos para
levantamento. Os polígonos dos limites de três classes, que incluem terras não cultivadas, culturas anuais e culturas
perenes, são gerados para determinar os três estratos dentro dessas três classes. Em cada estrato, serão definidos o
tamanho do segmento e os números de segmentos para coleta de dados em campo de acordo com as porcentagens das
culturas em cada estrato. A seleção do tamanho do segmento deve estar de acordo com o tamanho da plantação das
culturas. No caso de alta mistura das parcelas pequenas de várias culturas, o tamanho do segmento deve ser menor. Os
limites de cada segmento devem ser delineados e verificados em campo com o Diferential Global Position System
(DGPS) de alta precisão. As freqüências de amostragens dentro de um segmento de 500 m × 500 m são de 0,25%, 1% e
0,5% para os estratos de terras não cultivadas, para culturas anuais e para culturas perenes, respectivamente.
Para a validação dos métodos de estimativas de áreas plantadas, a de amostragem do segmento deve ser feita em
campo. O enquadramento de amostragem, chamado segmento, é para especificar os indivíduos dentro de uma população
em que uma amostragem pode ser tirada para estimar algumas características da população inteira. O planejamento do
roteiro para a coleta de amostragens em campo deve usar os mapas em escalas de 1:50.000 ou 1:25.000 com os usos de
solo, e estradas de acesso mais atualizadas possíveis.
A equação (12.1) é usada para a estimativa de uma unidade de área quadrada, chamada segmento, para a realização
da amostragem que geralmente varia de 25 a 100 hectares.

Em que:  
Yc = média dos segmentos de uso do solo classe c em uma região;
Yic = proporção da área de uso do solo da classe c;
Yic = Zic/D;
Zc = área de uso do solo da classe c;
D = área total da região;
n = números de segmento da amostragem em classe c;
i = o segmento do número i que varia de 1 a n.

Para avaliar a homogeneidade dos grupos de segmentos em uma determinada classe, a equação (12.2) será usada.

Em que:  
σ2 = variância dos segmentos em classe c.
N = número total de segmento em todas as classes;
n = números de segmento da amostragem em uma classe.

A figura 12.2, por exemplo, mostra as três classes distintas delineadas pela estratificação para a província de
Vicenza na Itália, incluindo montanhas e morros e planície (agricultura intensiva). A figura 12.3 mostra a preamostragem
que define os quatro segmentos por acaso em cada bloco com o tamanho de 10 km × 10 km. As porcentagens de 1%,
0,5% e 0,25% são assinadas para definir os segmentos a serem levantados em campo para os estratos de planície, morros
e montanhas, respectivamente. A figura 12.4 mostra a diminuição dos números de segmentos de quatro para duas nas
áreas de colinas e uma para as áreas montanhosas, mantendo os quatro segmentos para as áreas de planície.
 Figura 12.2 – Trão para a província de Vicenza em Itália, incluindo montanhas, morros e planície (áreas de agricultura intensiva).
Fonte: (AVENIER, 1993).

A área de cada classe de uso em cada estrato é calculada pelo levantamento dos segmentos. O nível de precisão
ideal que pode ser alcançado no levantamento dos segmentos em campo é cerca de 50 hectares com a freqüência de
amostragem de 1%. A equação (12.3) calcula o erro padrão em função da área estimada com o coeficiente de
determinação de 0,91. A equação (12.4) calcula o coeficiente da variação em função da porcentagem da área da região.
Por exemplo, o erro padrão fica em torno de 8,3 hectares para uma plantação de cultura de 100 hectares.
Figura 12.3 – Preamostragem sistemática por acaso com quatro repetições de segmentos em blocos de 10 km × 10 km na província
de Vicenza em Itália. Fonte: (AVENIER, 1993).

Figura 12.4 – Os números de segmentos de quatro para duas nas áreas de colinas e uma para as áreas montanhosas, mantendo os
quatro segmentos para as áreas de planície na província de Vicenza em Itália. Fonte: (AVENIER, 1993).
 Em que:  
SE = erro padrão;
S = área estimada.

Em que:  
CV = coeficiente da variação;
% = porcentagem da área da região.

12.2.2 Estimativa de área via satélite usando técnicas de regressão

A estimativa de área por amostragem de segmentos obtida em campo pode ser melhorada usando-se imagens
digitais classificadas. Os usos do solo podem ser delineados por técnicas de identificação e classificação das imagens
digitais dos satélites de média resolução, tais como Landsat, CBERS e SPOT. O método de classificação supervisionada
mais usado é o Máxima Verossimilhança. Geralmente, as classes delineadas são menores que as obtidas pelo
levantamento em campo. A técnica mais usada para integrar o levantamento em campo e as imagens de satélites é a de
regressão (GONZÁLEZ; LOPEZ; CUEVAS, 1991). As áreas estimadas são separadas para cada classe de usos do solo.
Portanto, a equação (12.5) de regressão linear simples pode ser usada para estimar a porcentagem dos pixels de cada
classe C de usos do solo em um determinado segmento. Após a obtenção da equação de regressão linear da porcentagem
de área estimada de cada classe de um determinado segmento em função da porcentagem de pixels classificada para a
mesma classe via satélite, a área total de uma determinada classe em um determinado estrato é obtida pela multiplicação
da porcentagem dos pixels desta classe pela área total do estrato (GALLEGO; DELINCÉ, 1995b).

Em que:  
X = valor médio (%) de pixels classificada como a classe C dos n segmentos;
X = % de pixels classificada como a classe C nos segmentos de 1 a n;
Y = % da área estimada em campo para a classe C de uso do solo;
a = coeficiente da interseção;
b = declividade.

12.3 Estimativa de produtividade

Para desenvolver os modelos de previsão de produtividade, há necessidade de considerar quatro fatores principais
que afetam a produtividade final: clima, cultura, solo e sistemas de manejo. Os fatores climáticos envolvem precipitação,
radiação solar, temperatura do ar, velocidade do vento e umidade relativa. Os fatores de cultura envolvem código
genético de uma variedade específica, taxas de fotossíntese e transpiração, LAI e ciclo fenológico. Os fatores de solo são
água disponível, estrutura, textura e fertilidade no solo. A variedade envolve código genético, produtividade potencial,
resistências aos estresses ambientais e doenças e pragas. Os sistemas de manejo das culturas incluem as práticas de
conservação de solo e água, fertilização, controles de doenças e pragas e sistemas de plantio. A figura 12.5 mostra o
fluxograma representando a produtividade de cultura, o qual é resultante das interações dos fatores ambientais e das
respostas da cultura.
O clima é um fator principal que afeta a produção agrícola. O conhecimento das condições climáticas é importante,
porque ele ajuda sua escolha de um cultivo que se adapte bem em um tipo de clima específico e fornece aos engenheiros
agrônomos as informações dos impactos dos fatores climáticos no crescimento e na produtividade de uma cultura
específica. O crescimento e o desenvolvimento, e mesmo o rendimento de uma cultura, são afetados pelo clima de várias
maneiras e em diferentes tempos durante o seu ciclo fenológico inteiro. Portanto, os dados meteorológicos são utilizados
na construção de modelos de previsão da safra agrícola. Excesso ou falta de água pode prejudicar o crescimento de
culturas. As plantas absorvem radiação solar na faixa visível para converter a energia radiativa em matéria seca pela
reação fotossintética que ocorre nas clorofilas da folha. Essa faixa de radiação solar (0,4 a 0,7 μm) geralmente é chamada
radiação fotossintética ativa (Photosynthetically Active Radiation – PAR).
 Uma determinada cultura adapta-se e cresce bem somente em certa faixa de temperatura. As culturas tropicais
exigem a temperatura mais alta. Por exemplo, a faixa de temperatura de ar ótima para a cultura de milho é entre 30 °C e
35 °C, apesar de poder crescer na faixa de 10 °C a 45 °C, mas com produtividade reduzida. Por outro lado, as culturas de
região temperada, como o trigo, sua faixa ótima é entre 12 °C e 25 °C, podendo crescer na faixa de 8 °C a 30 °C. A
iniciação e o término de cada fase fenológica de uma determinada cultura são controlados pelo calor acumulado de cada
fase. A quantidade de calor acumulada é calculada por Grau Dia do Crescimento (GDC), que calcula a temperatura do ar
diária acima da temperatura de base de uma cultura específica.
Cada tipo de cultura se desenvolve nas diferentes fases controladas pelos valores específicos dos GDCs
acumulados. Essas informações geralmente são usadas para simular as datas de iniciação e os términos das fases desde o
crescimento vegetativo, floração, enchimento de grãos até maturação. As plantas adaptam-se bem em uma determinada
faixa de umidade relativa do ar em uma determinada fase de desenvolvimento. A umidade do ar fora dessa faixa pode
causar as ocorrências de doenças e pragas que afetam sua produtividade. As plantas também se adaptam bem em uma
certa faixa de velocidade do vento em uma determinada fase de desenvolvimento. A velocidade de vento fora dessa faixa
prejudicará seu crescimento.

Figura 12.5 – O fluxograma representando a produtividade de cultura é resultante das interações dos fatores ambientais e das
respostas da cultura.

Cada tipo de cultura tem suas exigências hídricas e térmicas, suas adaptabilidades às condições climáticas e
estresses ambientais diferentes. Ao longo dos anos de pesquisa na área de melhoramento, os pesquisadores de
melhoramento genético procuram as variedades mais resistentes aos estresses ambientais e às doenças e pragas e com
produtividade potencial mais alta. Portanto, o código genético específico de uma determinada cultura é importante no
desenvolvimento de modelos de previsão da safra agrícola. A eficiência fotossintética (ε) é usada para medir a
capacidade de uma cultura na conversão da PAR para a matéria seca que é uma medida de produtividade potencial. A
eficiência fotossintética é definida como a razão da matéria seca produzida e a PAR absorvida ou incidida.
O índice de área foliar (LAI) é definido como a área total das folhas ocupada em uma área de 1 m2 da superfície
terrestre. O LAI é freqüentemente usado para determinar a concentração de clorofila que indiretamente infere a taxa de
fotossíntese potencial. Na maioria das plantas verdes começam a nascer folhas após a germinação ou dormência, atingem
seu valor de LAI máximo quando terminam sua fase do crescimento vegetativo, mantendo seu máximo até o início da
fase de maturação mudando sua coloração durante essa fase, diminuindo a concentração de clorofila e a taxa de
fotossíntese. Do ponto de vista agronômico, a produtividade efetiva conta somente uma fração de matéria seca
produzida. Essa fração pode mudar com as variações das condições ambientais e o seu código genético. Por exemplo,
para a maioria das culturas cereais, a produtividade de grãos é o que interessa. Portanto, a produtividade das culturas
cereais é dividida em três frações apresentadas pela equação (12.6):

Em que:  
Y = produtividade de matéria seca aérea, kg/ha;
Ne = número de espigas por hectare;
Ng = número de grão por espiga;
Wg = peso médio de grão na colheita com um determinado teor de umidade no grão.

Geralmente, o valor de Wg aumenta linearmente com o tempo que permite a estimativa da taxa de crescimento de
grão durante um determinado período de tempo. O aumento da temperatura ao seu limite superior do crescimento tem
tendência de aumentar a taxa do crescimento de grão e ao mesmo tempo de encurtar sua fase fenológica. Assim, o valor
líquido de Wg não será alterado. Outro fator, tal como a seca severa, também pode encurtar sua fase fenológica. Assim,
exceto as condições extremas de temperatura e déficit hídrico, o valor de Wg é relativamente constante para a maioria
das culturas cereais.
Os modelos de previsão da produtividade agrícola podem ser agrupados em quatro tipos: modelos estatísticos
agroclimatológicos, modelos de produtividade primária, modelos de simulação dos processos fisiológicos e modelos via
satélite. Esses modelos requerem os dados de inputs de parâmetros meteorológicos, além dos parâmetros de culturas e
solos. Vários parâmetros meteorológicos, ambientais e culturas podem ser gerados pelas derivações dos dados de
reflectâncias dos vários sensores de satélites, tais como albedo, temperatura da superfície, radiação, tipos de solo e
vegetação, LAI e outros. Portanto, os dados adquiridos via satélite em altas freqüências espacial e temporal podem ser
usados para alimentar esses modelos, além de utilizar os índices de vegetação na construção dos próprios modelos
estatísticos para previsão de produtividade.
Doraiswamy, Hodges e Phinney (1979) revisaram os modelos estatísticos e modelos de simulações fisiológicos de
previsão de safra agrícola e o recomendaram para o projeto de AGRISTARS. Antes da apresentação dos modelos de
estimativa de produtividade agrícola via satélite, os métodos estatísticos agroclimatológicos, os modelos de
produtividade primária e os métodos de simulação fisiológica são introduzidos para explorar a possibilidade da
incorporação dos dados obtidos via satélite a fim de aperfeiçoar os desempenhos desses modelos. A produção agrícola
está intimamente ligada com a produção de matérias secas envolvendo os processos fotossintéticos e metabólicos. Os
parâmetros para construir os modelos de previsão de safras agrícolas dos três métodos usam diretamente ou
indiretamente as informações das capacidades de absorção da energia da radiação solar para fabricar matérias secas.
Portanto, antes da apresentação dos métodos de estimativa de produtividade agrícola, os fatores que afetam os processos
de crescimento e desenvolvimento da planta, tais como fotossíntese e respiração e a eficiência da conversão da energia
absorvida à matéria seca, serão resumidos para serem aproveitados para o desenvolvimento dos métodos.

13.3.1 Crescimento e desenvolvimento da planta

O crescimento e o desenvolvimento de uma planta são afetados por fatores ambientais, tais como luz, temperatura,
água, solo, vento e constituintes atmosféricos, que em conjunto formam um microclima específico. O crescimento de um
órgão específico da planta, que envolve o desenvolvimento e a diferenciação, depende de seu estado fisiológico que é
sensível ao microclima. Para identificar e avaliar como esses fatores ambientais afetam o crescimento, é necessário
estudar as interações entre o estado fisiológico da planta e os fenômenos físicos do meio ambiente. Esse campo de estudo
é a ciência chamada Ecologia de Culturas. O estudo de microclima de culturas é concentrado na investigação de fatores
microclimáticos que limitam ou favorecem o crescimento de uma cultura específica.
As plantas de folhas verdes, pela fotossíntese, absorvem a energia de radiação solar para fabricar carboidratos,
convertendo a energia em matérias secas de forma aproveitável para outros níveis da cadeia alimentícia. Nesse processo,
as clorofilas em folhas absorvem a energia solar e produzem o açúcar primário pela reação fotossintética apresentada na
equação (12.7).
 O açúcar primário produzido será utilizado para a produção de açúcar mais complexa, tais como celuloses, amidos
e outros constituintes da planta. A energia solar é capturada por meio da fotossíntese e armazenada em matérias, de
diversas formas, que completam o ciclo fenológico da planta. Portanto, as plantas pelos processos fotossintéticos retiram
o gás carbônico da atmosfera e produzem as matérias secas. A fixação de gás carbônico pelas plantas terrestres é
conhecida como seqüestro do gás carbônico da atmosfera que resulta na diminuição do referido gás no ar. Visando aos
impactos do aumento das concentrações de gás carbônico pelo uso de energia combustível das atividades das indústrias e
dos transportes nas mudanças climáticas globais, os seqüestros de CO2 pelos aumentos das áreas plantadas de culturas e
reflorestamentos são sugeridos para tentar diminuir os efeitos de estufa. A taxa de fixação de CO2 pode ser calculada
pela equação (12.7). Uma unidade de matéria seca é composta por CH2O que necessita de uma molécula de CO2. O peso
molécular do CH2O é 30 e o peso molecular do CO2 é 44. Logo, para produzir uma unidade do CH2O, a planta fixa uma
unidade de CO2. Logo, os dados das produções primárias líquidas das plantas terrestres podem ser convertidos para as
taxas de fixação de CO2 multiplicando a produção primária líquida por um fator de 44/30 que é 1,4667. Portanto, as
estimativas de produção primária terrestre via satélite (FUNG; TUCKER; PRENTICE, 1987; VEROUSTRAETE;
PATYN; MYNENI, 1996; LEFSKY et al., 1999; LEFSKY et al., 2005) podem ser estendidas para a estimativa das
fixações de CO2 terrestre.
A estimativa de produtividade em matéria seca líquida acumulada de uma determinada espécie da planta, além de
estimar a taxa de fotossíntese, seu limite máximo e sua eficiência de conversão de energia solar para a matéria seca e as
energias gastas nos crescimento e desenvolvimento fisiológicos, também deve ser quantificada. Para facilitar as suas
quantificações, os termos ponto de compensação, ponto de saturação, respiração, eficiência fotossintética e radiação
fotossintética ativa (PAR) serão revisados a seguir.

12.3.1.1 Ponto de compensação

A planta gasta sua energia liberada pelo processo de respiração para manter a sua vida. Portanto, a respiração é um
processo contrário ao processo de fotossíntese. A fotossíntese começa quando o Sol nasce, mas a taxa é baixa por causa
da intensidade do sol ainda fraca. Neste início do dia, a energia absorvida somente é suficiente para compensar a energia
gasta para manter a vida da planta por meio de respiração. Mais tarde, o aumento de intensidade da radiação solar
permite que a taxa de fixação de CO2 exceda a taxa de liberação dele pela respiração. No momento em que a taxa de
fotossíntese ultrapassa a taxa de respiração é chamado de ponto de compensação. O processo de respiração será discutido
mais tarde nesta sessão.

12.3.1.2 Ponto de saturação

Geralmente, a taxa de fotossíntese aumenta quando a intensidade de luz aumenta. Mas na maioria das plantas de
C3, quando a intensidade de luz atinge um determinado nível, a taxa de fotossíntese não aumenta mais. Portanto, o ponto
de saturação é definido quando a taxa da fotossíntese atinge um nível constante, aquele em que sua taxa não responde
mais ao crescente aumento da intensidade de luz. A figura 12.6 mostra os aumentos decrescentes das taxas de
fotossíntese das plantas sorgo, milho, trigo, ervas de sol, faia, ervas de sombra e algas planctônicas de acordo com o
aumento da intensidade da luz. As plantas C4, como sorgo e milho, não se saturam com o aumento da intensidade da luz.
Mas as plantas de C3, como trigo e erva de sol, saturam quando a intensidade da luz alcança a 700 W m−2. A tabela 12.1
mostra os dados de ponto de compensação e ponto de saturação das várias espécies de plantas nas condições ótimas de
temperatura e concentração de CO2.

Tabela 12.1 – Lista dos dados de ponto de compensação e ponto de saturação dos vários grupos de plantas nas condições ótimas de
temperatura e concentração de CO2. Fonte: (LARCHER, 1986).
12.3.1.3 Fotossíntese bruta, aparente e líquida

O gás carbônico CO2 pode ser considerado como uma fonte de alimento para a planta, que são três: no ar, no solo
liberado pela respiração de raízes e por outros seres vivos. Geralmente, a taxa de fotossíntese é medida pela taxa de
depressão da concentração de CO2, no ar. Mas por causa de o processo de respiração também alterar a concentração de
CO2 no ar, foram introduzidos os termos fotossíntese bruta (Fb), fotossíntese aparente (Fa) e fotossíntese líquida (Fl) para
facilitar a quantificação de taxa de fotossíntese. A fotossíntese bruta é conhecida como produção primária bruta e a
líquida como produção primária líquida.

Figura 12.6 – Os aumentos decrescentes das taxas de fotossíntese das plantas sorgo, milho, trigo, ervas de sol, faia, ervas de sombra e
algas planctônicas quanto ao aumento da intensidade da luz. Fonte: (LARCHER, 1986).

Em que:  
Fb = taxa de fotossíntese bruta;
Far = o fluxo de fixação de CO2 no ar;
Rf = fotorrespiração;
Re = respiração no escuro por meio das atividades biológicas da flora e fauna no solo;
Rr = CO2 liberado pelas raízes da própria planta;
Rsolo = Re + Rr.

Shibles (1976) introduziu F para substituir o termo F . A F considera que a taxa de crescimento somente é
 a l a
estimada pela somatória da taxa de depressão da concentração de CO2 no ar e da liberação de CO2 no solo, por causa do
CO2 liberado pelas Re e Rr do solo ser reabsorvido pela planta (equação 12.9). A fotorrespiração Rf é ligada com a
fotossíntese. Esta cessa durante a noite, e a fotorrespiração, também. Esse assunto será retomado após a discussão dos
caminhos de fixação de CO2. Por outro lado, o processo de respiração no escuro é contínuo dia e noite. As figuras 12.7a
e 12.7b mostram as taxas de fotossíntese bruta (Fb), liquida (Fl), fotorrespiração (Rl) e respiração no escuro (Re), que
aumentam com o aumento da luz para as culturas de algodão e girassol, respectivamente. O girassol é planta C4 e o
tabaco é C3. Portanto, a fotorrespiração não afeta a taxa de fotossíntese líquida do girassol, mas afeta a do tabaco.

Em que:  
Rsolo = Re + Rr.

Figura 12.7 – a. (Tabaco) - as taxas de fotossíntese bruta (Fb), líquida (Fl), fotorrespiração (Rt) e respiração no escuro (Re) aumentam
com o aumento da luz para Tabaco; b. (Girasol) - as taxas líquida (Fl), fotorrespiração (Rt) e respiração no escuro (Re) aumentam
com o aumento da luz para o girassol. Fonte: (LARCHER, 1986).

12.3.1.4 Radiação fotossintética ativa

A reação fotossintética na clorofila da planta necessita da energia de radiação solar ou da luz na faixa visível com
sua faixa de comprimento da onda entre 0,4 a 07 μm. Portanto, essa faixa de radiação efetiva é chamada às radiações
fotossintéticas ativa (PAR). A energia de PAR ocupa somente 40% a 50% da energia total da radiação solar. A redução
de um mola de CO2 para formar um mola de carboidrato requer cerca de 0,469 MJ. Um micro de fóton de luz (em μ
Einstein ou μEi) de luz na PAR contém energia de 0,172 MJ. Portanto, necessitam três μEi para reduzir um μmol de CO2.
Mas na realidade, para as culturas necessita de 8 a 16 μEi/μmola de CO2. Loomis e Williams (1963) estimaram a
produtividade potencial máxima baseada na conversão máxima da energia para matéria seca. O exemplo do cálculo é
apresentado na tabela 12.2 para fins de demonstração.

12.3.1.5 Eficiência fotossintética

A eficiência fotossintética (ε) é um critério usado pelos especialistas de melhoramento para avaliar as variedades
que têm mais eficiência na conversão da energia solar em matéria seca. A variedade mais a eficiência fotossintética tem a
produtividade potencial mais alta. A eficiência fotossintética é definida como a razão da energia fixada em matéria seca e
da energia PAR incidida. Essa razão é geralmente expressa a seguir:

Tabela 12.2 – Cálculo da produtividade potencial diária da biomassa. Fonte: (LOOMIS; WILLIAMS, 1963).
Radiação solar diária total 500 cal/cm2
Radiação fotossintética ativa (0,444 total) 222 cal/cm2
Quanta total em PAR (8,64 μEisteins/cal) 1,918 μEi/cm2
 a. Albedo (perda pela reflectância) 6% a 12% da PAR - 173 μEi/cm2
b. Perda da absorção inativa (paredes celulares e outras.) - 192 μEi/cm2
Quanta total absorvida e utilizada pela fotossíntese (1,918 - 173 −192 = 1,556) 1,551 μEi/cm2
Molas de CH2O produzidos (requer 10 μEi para produzir 1 μmol CH2O) 155 μmol/cm2
Perda pela respiração (33%) - 51 μmol/cm2
Produto líquido de carboidrato 104 μmol/cm2
104 μmol/cm2 = 1,04 mol/m2 CH2O = 30 g/mola 1,04 mol/m2 × 30 g/mol = 31 g/m2 31 g/m2
Suponhamos que a planta tenha 92% da matéria seca de CH2O e 8% de inorgânica (31 × 100/92) 34 g/m2

Para calcular a biomassa de 100 dias, a matéria seca total é 34 g/m2 × 10.000 m2/ha × 100 dias = 34 t/ha

Utilizando a produtividade máxima estimada no exemplo do Loomis e Williams (1963), pode-se calcular a
eficiência fotossintética máxima. A biomassa produzida nesse exemplo foi de 34 g/m2/dia. Um grama de matéria seca
contêm a energia de 15,66 kJ ou 3730 cal (1 cal = 4,2 J). Portanto, 34 g contém a energia de 126,820 cal. Um metro
quadrado são 10.000 cm2. A energia de 34 g/m2 é igual 12,68 cal/cm2. Asssim, o valor de ε é de 12,68/222×100%, que é
de 5,7%. Chang (1968) também estimou o valor da ε máxima com as condições seguintes:

a)   25% da radiação solar perdidas pelas reflectância e transmitância.

b)   41% da radiação solar é PAR.
c)   20% da eficiência na conversão de quantum em matéria seca.

Portanto, os valores de ε potencial máxima estimados por Chang (1968) e Loomis e Williams (1963) são bem
próximos. Mas, Lemon (1969) argumentou que os valores reais de ε das culturas são muito baixos, que não ultrapassam
2,25%. A tabela 12.3 mostra os valores reais e possíveis de eficiência fotossintética (ε) e eficiência de uso da água (w)
para os vários sistemas de manejo de cultura, incluindo: sistema extensivo, intensivo, pastagem e campo experimental,
coletados por Lemon (1969). A eficiência de uso da água, w (Water Use Efficience) é a razão entre a matéria seca
produzida pela fotossíntese e a quantidade de água consumida pela evapotranspiração. A tabela 12.3 também mostra os
dados dos USA levantados por Lemon (1969).
Tabela 12.3 – Valores reais e possíveis de eficiência fotossintética (ε) e eficiência de uso da água (w) para os vários sistemas de manejo de
cultura. Fonte: (LEMON, 1969).
Sistema de manejo de cultura ε * (%) w ** (kg/t)
normal 0,04 – 0,10 0,06 – 0,12
extensivo
ótima 0,08 – 0,20 0,12 – 0,24
normal 0,10 – 0,20 0,12 – 0,24
pastagem
ótima 0,20 – 0,40 0,24 – 0,48
normal 0,25 – 0,35 0,30 – 0,42
intensivo
ótima 0,60 – 1,00 0,72 – 1,20
sazonal 0,80 – 1,50 0,96 – 1,80
experimental semana 1,50 – 1,80 1,60 – 1,80
dia 2,0 – 4,0 2,40 – 4,80
máxima teórica 8,0 – 10,0 9,60 – 12,0
* ε calculada com os dados de radiação solar total incidida, não com os dados de radiação fotossintética ativa (PAR).
**w (kg/t) representa kg matéria seca por tonelada de água.

12.3.1.6 Caminho da fixação de dióxido de carbono

No reino das plantas, existem três caminhos para a assimilação de CO2 que sintetiza carboidratos pelo processo
fotossintético. Fundamentados nesses três caminhos, as plantas são classificadas como planta C3, C4 e Crassulaceous
Metabolism Acid (CAM), que têm diferente eficiência na reação fotossintética. Na maioria das plantas, uma pentose-
fosfato, ribulose-5-difosfato (RuDP), é o receptor de CO2. A assimilação de CO2 por este caminho é denominada como o
ciclo de Calvin-Benson. A carboxilação é catalisada pela enzima RuDP-carboxilase. O produto dessa reação, uma
molécula de seis carbonos, decompõe-se imediatamente para produzir duas moléculas de ácido 3-fosfoglicérico (PGA)
com três átomos de carbono. O processo, por isso, é chamado caminho C3. As plantas que seguem esse caminho são
chamadas plantas C3. Essas plantas incluem arroz, cevada, trigo, beterraba, feijão, soja, alfafa, algodão, tomate, batata,
girassol e outras.
Em certas plantas, o receptor de CO2 é fosfoenolpiruvato (PEP). Este processo é chamado Via Hatch-Slack-
Kortschak. O primeiro produto da fixação é de quatro átomos de carbono chamado ácido oxaloacético (OAA). Por isso,
essas plantas são chamadas plantas C4. O OAA produzido é convertido para aspartato ou malato, dependendo da
diferente estrutura de mesófilo em diferentes espécies da planta. O aspartato e malato são transportados imediatamente
para células da bainha vascular. Nos cloroplastos dessas células, o malato e o aspartato se decompõem em CO2 e
piruvato (Pi), por meio de enzimas específicas. O CO2 liberado pela fotorrespiração é recapturado imediatamente por
RuDP que entra no ciclo de Calvin-Benson. Por isso, nas plantas C4 não existe fotorrespiração aparente, ou melhor,
existe, mas é reincorporada no processo fotossintético. As facilidades de produzir o aspartato e malato temporários e
transportá-los imediatamente para fora do centro da reação fotossintética nas clorofilas em mesófilo, reduzindo a sua
concentração do produto, permitem às plantas C4 alcançarem alta taxa de fotossíntese sem chegarem ao ponto de
saturação. Portanto, a eficiência fotossintética das plantas C4 é superior a das C3. Em cerca de 1.000 espécies de
angiospermas, pertencentes a pelo menos 18 famílias de plantas e às algas, são plantas C4. As plantas C4 incluem sorgo,
milheto, cana-de-açúcar, milho, painço e várias gramíneas de savana.
Existem várias espécies de plantas, em geral suculentas, que absorvem a energia da radiação solar do dia com os
estômatos fechados e absorvem grandes quantidades de CO2 armazenadas em forma de malatos durante a noite com os
estômatos abertos. Durante a noite, o CO2 armazenado é capturado por PEP no citoplasma com a ajuda da PEP-
carboxilase fixando CO2 no escuro com os estômatos abertos. O OAA produzido é convertido para o malato. O malato
passa o vacúolo e se acumula no suco celular. Em conseqüência, este se torna progressivamente mais ácido durante a
noite. Na manhã seguinte, quando a luz chega, o malato é transportado de volta do vacúolo para o citoplasma e os
cloroplastos, onde é decarboxilado, como nas plantas C4. O CO2 liberado é absorvido por RuDP e reduzido a
carboidrato. Durante o dia, um ciclo normal de C3 prossegue nos cloroplastos. A degradação progressiva do malato é
acompanhada por uma elevação no pH do suco celular (ritmo ácido diurno). A concentração interna de CO2 cai no dia, e
os estômatos começam a se abrir durante a noite para fixar CO2 pelo caminho do metabolismo que armazena CO2 em
forma de ácidos de crassuláceas. As plantas CAM são espécies suculentas porque exigem as células contendo
cloroplastos que tenham vacúolos grandes para acomodar a produção noturna de malato. O vacúolo nas plantas CAM
não serve apenas como reservatório de água. Serve também como sítio acumulador de compostos de carbono, os quais
tornam a atividade fotossintética, temporariamente, independente da troca de CO2. As plantas de deserto de espécies
xerofílicas, tais como cactos, mandacaru, palma, abacaxi são plantas CAM.
Ligado à fotossíntese, ocorre o processo metabólico nas células das plantas com cloroplastos. Esse processo é
chamado fotorrespiração, como a respiração, que absorve O2 e libera CO2 na luz, mas cessa no escuro. Sob condições
naturais, com 21% de O2 e 350 ppm de CO2 na atmosfera, irradiação alta e temperatura entre 20°C e 30°C, as plantas C3
perdem cerca de 20% até 50% do CO2 fixado por causa da fotorrespiração. As plantas C4 e CAM na luz não liberam
CO2. Nas plantas, a fotorrespiração ocorre somente nas células das bainhas de feixes e o CO2 liberado é fixado
novamente nas células do mesófilo, antes de sair nas folhas das plantas. Portanto, os processos fotossintéticos das plantas
C4 não se saturam na alta intensidade da radiação solar que resultam as eficiências fotossintéticas das plantas C4 mais
altas. No caso das plantas CAM, durante a noite, o CO2 é fixada e armazenado em forma de malato nos vacúolos com os
estômatos abertos e, durante o dia, o malato é transportado do vacúolo para os cloroplastos onde é decarboxilado pelo
processo fotossintético com os estômatos fechados. Portanto, essas espécies de plantas suculentas são chamadas de
plantas CAM. Como nas plantas C4, o CO2 liberado é imediatamente absorvido por RuDP e reduzido a carboidrato. Nas
plantas C4 e CAM na luz, o CO2 liberado pela fotorrespiração é fixado novamente nas células do mesófilo, antes de sair
dos estômatos das plantas. Portanto, esse reaproveitamento do CO2, liberado pela fotorrespiração das plantas C4 e CAM,
aumenta a eficiência de converter a energia solar à matéria seca, comparando com a das plantas C3. Isto resulta que as
produtividades das plantas C4 e CAM são geralmente mais altas que as das plantas C3.

12.3.1.7 Fatores afetam a taxa de fotossíntese

A fixação de CO2 pelo processo fotossintético é influenciada por vários fatores externos tais como intensidade da
luz, temperatura, nutrientes, água, vento, umidade do ar, CO2, entre outros. Por outro lado, as reações da fotorrespiração
e a respiração no escuro são processos puramente bioquímicos e limitados principalmente pela temperatura.

•    Luz

Em geral, a taxa de fixação de CO2 aumenta quando a intensidade de luz na faixa PAR aumenta. Mas as plantas
C3, C4 e CAM variam sua eficiência de fixação de luz. A figura 12.6 mostra a variação da taxa de fixação de luz com o
aumento da intensidade da luz para várias espécies de plantas. As plantas, como milho, sorgo e cana-de-açúcar,
aumentam sem limite a fixação de CO2, quando a intensidade de luz aumenta. Não existem os pontos de saturação de luz
para essas plantas. Por outro lado, para as plantas C3, tais como feijão e trigo, a saturação da luz alcança rapidamente
quando a intensidade atinge um terço até um quatro de sua máxima. A tabela 12.1 mostra os níveis de saturação para as
plantas C3 e C4.
As folhas de sombra utilizam melhor a luz fraca do que as folhas de sol, mas podem atingir seu ponto de saturação
nas intensidades muito baixas, próximas de 100 w/m2 ou 0,02 cal cm−2 min−1. A maioria das plantas C3 apresenta a
saturação de luz em torno de 700 Wm−2. As plantas de sombra e algumas árvores estão em saturação da luz em torno de
350 Wm−2. As plantas C4, como o caso do milho e do sorgo, não se saturam a 1.400 Wm−2.

•    Temperatura

A temperatura afeta o desempenho fotossintético, mas os efeitos podem variar de acordo com as condições quente
ou frio. Em geral, enquanto a temperatura ficar dentro da faixa normal de adaptação das plantas, a taxa de fotossíntese
não é fortemente afetada pela temperatura ambiental. Essa faixa normal de temperatura varia com as espécies de plantas.
As plantas C4, em geral, aumentam a temperatura até 40 °C, aumentando a taxa de fotossíntese. Por exemplo, na cultura
do milho, a fotossíntese alcança o nível máximo com a temperatura entre 30 °C a 40 °C. Para a beterraba, a faixa ótima é
entre 15 °C a 29 °C.

•    Água

A água é um componente essencial na reação fotossintética. O déficit hídrico na planta afeta a fotossíntese por
vários mecanismos: inibe o sistema de transporte de elétrons fotossintéticos; afeta o transporte dos metabólicos
intermediários, o que causa o fechamento de estômatos; altera a taxa de respiração, e em conseqüência, diminui a taxa de
fixação de CO2.

•    Concentração de CO2

Em geral, a fixação de CO2 aumenta quando sua concentração no ar próximo ao estômato aumenta. A influência
da concentração de CO2 na taxa de fotossíntese das plantas C3 é maior que das plantas C4. A aplicação de CO2 como
fertilizante para aumentar a produtividade é viável para as culturas de alto valor econômico, tais como horticulturas e
plantas ornamentais.

•    Vento

O vento turbulento facilita a mistura do ar na camada entre a superfície da folha e o ar livre. A fixação de CO2 na
folha diminui a concentração de CO2 no ar próximo à cavidade do estômato. O vento turbulento, por gerar vários
tamanhos de redemoinhos, carregando a parcela de CO2 com a concentração no ar livre, reabastece o CO2 consumido
pela fotossíntese ao redor da cavidade do estômato. Lemon (1967), em um experimento de medição da taxa de
fotossíntese da cultura de milho no campo experimental, observou que a taxa de fixação de CO2 em um dia nublado e
ventoso não diminuiu significamente, comparando-se com o dia de céu claro. Apontou que o vento turbulento pode ser
um fator importante na fixação de CO2, especialmente nos dias cobertos de nuvens.

•    Resistência entre a atmosfera e o centro de fotossíntese

A taxa de fotossíntese é medida no campo pela medição do fluxo da concentração de CO2 absorvida pela
vegetação. Considerando-se que a intensidade de luz não limita a taxa de fotossíntese, o fluxo de CO2 é governado pelas
resistências de transferência entre o ar e o local que ocorre a reação fotossintética. As resistências incluem a resistência
aerodinâmica entre o ar e a folha, a resistência de estômato entre a folha e o estômato, e a resistência do mesófilo entre as
células nos interiores dos estômatos e os pontos da reação fotossintética. A resistência total da transferência do fluxo de
CO2 entre a atmosfera e a vegetação é uma resistência análoga à Lei de Ohm, que pode ser representada na equação
(12.11).

Em que:  
F = taxa de fotossíntese;
Car = concentração de CO2 na atmosfera;
 Ccl = concentração de CO2 na clorofila;
rar = a resistência aerodinâmica entre o ar e a folha;
res = a resistência estomacal entre a folha e o estômato;
rmf = a resistência do mesófilo entre as células no interior do estômato e o ponto da reação
fotossintética.

A taxa de fotossíntese é medida pela depressão da concentração de CO2 absorvida pela planta com o analisador de
gás infravermelho (infrared gas analyzer), que mede a absorção espectral de CO2 na banda infravermelha. A
concentração de CO2 na atmosfera é medida também com a analisadora infravermelha de gás. O fluxo da depressão de
CO2 é determinada pela diferença da concentração de CO2 na entrada e na saída de uma câmara fechada que contém uma
área específica da folha ou um volume específico de vegetação viva em um intervalo do tempo. Freqüentemente, a
concentração de CO2 na clorofila é considerada próximo a zero. Brown (1969) calculou que pode na realidade variar de
32 a 144 ppm. Considerando-se que a resistência aerodinâmica de CO2 (ra) está intimamente ligada à resistência
aerodinâmica do movimento que proporciona inversamente com a velocidade de vento e a rugosidade da superfície, a ra
pode ser estimada pela equação (8.85) do Capítulo 8.

Em que:  
Z = altura (cm);
zoh e zom = comprimentos de rugosidade para calor e movimento; respectivamente (cm);
d = deslocamento do plano Z (cm);
k = constante von Karman, 0,41;
u = velocidade do vento (cm/s).

Considerando zoh = zom, a equação (8.85) torna-se:

A resistência de estômato é medida diretamente com o porômetro que usa um sensor de umidade para medir o
tempo gasto desse ambiente seco até uma determinada umidade no sensor na câmara pela difusão do vapor de água de
uma determinada abertura dos poros na folha. As variações das resistências de rar e res sob condições normais são
conhecidas. A resistência aerodinâmica pode variar de próximo de zero em ar muito turbulento até cerca de 300 a 400
s/m em ar calmo. A resistência dos estômatos pode variar de cerca 50 a 100 s/m quando estão abertos e para valores
muito altos, quando fechados. A passagem do gás CO2 da cavidade estomatal pelas paredes celulares e cloroplastos até
chegar à clorofila, o centro da reação fotossintética, é um processo complexo. A medição direta da resistência no
mesófilo pelo instrumento ainda não está disponível. Portanto, ela é geralmente calculada pela equação (12.11), desde
que todos os outros parâmetros sejam medidos. Aplicando este método, Sharkawy e Hesketh (1965) obtiveram os dados
da resistência de mesófilos em cerca de 100 s/m para o milho e girassol e 1.000 s/m para grama-das-Bermudas.
Comparando-se os valores de rar (0 a 400 s/m), res (50 a 100 s/m) com estômatos abertos) e rmf (100 a 1000 s/m)
com as espécies da planta, a diminuição das resistências de estômatos e/ou mesófilo por meio das técnicas de
melhoramento proporcionam uma importante ferramenta para aumentar a produção agrícola.

12.3.1.8 Influências ambientais na respiração

A fotossíntese é um processo fotoquímico que fabrica as matérias orgânicas para o crescimento da planta. O
processo do crescimento e a síntese de compostos mais complexos envolvem as atividades celulares. Essas atividades
dos seres vivos necessitam da energia liberada pelo processo de respiração para executá-las. Portanto, a respiração é um
processo inverso da fotossíntese que libera energia por meio do metabolismo para executar o seu crescimento. A taxa de
respiração está intimamente ligada à temperatura representada pelo famoso índice, chamado Q10. Esse índice significa
que quando a temperatura aumenta ou diminui em cada 10 °C. comparando com a temperatura referencial, a taxa de
respiração aumenta em 100% (BAKER; HESKETH; DUNCAN, 1972). A dependência é expressa pela equação (12.13):
 Em que:  
Q10 = {| T – T0 |}/10;
Rt = taxa de respiração na temperatura T;
T = temperatura do ar;
To = temperatura referencial na respiração mínima;
Ro = taxa de respiração na To.

A estimativa de Rt pela equação (12.13) pode ser aplicada para a respiração no escuro (Re) das atividades
biológicas no solo na equação (12.8). Da Costa (1981) observou um aumento exponencial de respiração da cultura de
soja ao aumento de temperatura em um experimento no campo com ambiente fechado. Para a maioria das plantas com a
faixa de temperatura ótima de 25 °C a 30 °C, o valor de Q10 fica em torno de 1,5 ou menos. Para as plantas tropicais, Q10
fica em torno de 3 ou até mais, quando a temperatura fica abaixo de 10 °C. Quando a temperatura está acima de 50 °C, a
respiração cessa por causa das atividades de enzimas e células afetadas pelo excesso de calor.
A água disponível no solo afeta a respiração da planta, bem como dos seres vivos no solo. O decréscimo da taxa de
respiração causado pela seca está intimamente ligado ao decréscimo da fotossíntese causado pelo déficit hídrico na folha.
As atividades biológicas dos microorganismos no solo também diminuem quando a umidade do solo diminui. Isto resulta
o decrescimento da respiração.

12.3.1.9 Balanço de CO2 no campo

Fundamentado no método micrometeorológico, a taxa de fotossíntese pode ser estimada pelo fluxo da depressão
da concentração de CO2 na camada de atmosfera próxima à superfície da copa de vegetação. Mas devem-se considerar as
contribuições da respiração escura da planta, a respiração das raízes no solo e a fotorrespiração no dia em que liberam o
CO2 para atmosfera. Portanto, é necessário calcular o balanço de CO2 aplicando-se as equações (12.14) e (12.15).
Durante o dia, a taxa de fixação de CO2 é calculada pela equação (12.14). Durante a noite, a liberação de CO2 é
calculada pela equação (12.15).

Em que:  
Fd = balanço de CO2do dia;
Rf = fotorrespiração;
Rsolo = Re + Rr;
Fn = balanço de CO2 na noite;
Re = respiração no escuro por meio das atividades biológicas da flora e fauna no solo;
Rr = CO2 liberado pelas raízes da própria planta;

O fluxo líquido da fixação de CO2 de um dia de 24 horas é estimado pela diferença de Fd e Fn calculada pela
equação (12.16). A tabela 12.4 apresenta um exemplo do cálculo do balanço de CO2 no campo (BROWN;
ROSENBERG, 1971).

12.3.1.10 Grau dia do crescimento

A temperatura é um dos fatores principais que controlam o crescimento das culturas. As plantas param de crescer
quando a temperatura fica abaixo de um valor mínimo ou fica acima de um valor máximo independente da condição da
luz. Entre esses limites máximos e mínimos, existe uma faixa ótima de temperatura para seus crescimentos. Por exemplo,
na cultura de milho, o crescimento cessa quando a temperatura fica abaixo de 10 °C ou acima de 45 °C e acelera quando
fica entre 30 °C a 35 °C. Portanto, o calor acumulado diariamente entre a faixa ótima de temperatura é conhecido como o
Grau Dia do Crescimento (GDC). O valor acumulado do GDC é utilizado como um indicador do desenvolvimento dos
processos biológicos das culturas. O início e o término das várias fases do desenvolvimento de uma determinada cultura
são controlados pelos valores de GDC acumulados nas referidas fases do crescimento. Os valores limiares de baixa e alta
temperatura devem ser obtidos para calcular o GDC. Doorenbos e Kassam (1979) apresentaram os limites de valores
ótimos, mínimos e máximos, para as várias culturas. A oscilação diária de temperatura do ar pode ser representada como
uma curva de seno pela equação (12.17) com a mínima ocorrendo de manhã cedo antes de o Sol nascer, e a máxima
ocorrendo duas horas após o pico da radiação solar. O cálculo de GDC pode ser agrupado em três casos que são
apresentados a seguir:
Tabela 12.4 – Um exemplo do cálculo do balanço de CO2 em campo. Fonte: (BROWN; ROSENBERG, 1971).

Fonte de CO2 Fluxo de CO2 CO2 g/m2

fluxo do ar 27,8
fluxo do solo 4,4
fluxo de CO2 diurno (12 horas) fluxo líquido 32,2
respiração de raízes, estimada) −2,0
fluxo aparente 30,2
fluxo ao ar −8,3
fluxo do solo 3,2
fluxo de CO2 noturno (12 horas) fluxo líquido acima do solo −5,1
respiração de raízes, estimada −2,0
fluxo aparente −7,1
fluxo líquido total de CO2 de um dia (24 horas) 23,1

Em que:  
M = (Tmax +Tmin)/2;
W = (Tmax – Tmin) /2;
t = horário do dia;
Tmax = temperatura máxima;
Tmin = temperatura mínima

Em que:  
GDC = Grau Dia do Crescimento;
Tl = Temperatura limiar.

Em que:  
Tlb = temperatura limiar baixa.

Caso 3: há dois valores de temperatura limiar (Tla = Temperatura limiar alta; Tlb = Temperatura limiar baixa).
Esse caso pode ocorrer em duas condições: Tla > Tmin e Tla < Tmax (figura 12.8c) e ambos Tla e Tlb > Tmin e Tla <
Tmax (figura 12.8d). O cálculo do GDC total é a somatória dos valores de GDC calculados separadamente para Tla e
Tlb, aplicando-se o caso 1 para obter o GDC do caso 1 (figura 12.8a) e aplicando-se o caso 2 para obter o GDC do caso 2
(figura 12.8b). Observa-se que a temperatura limiar sempre está abaixo da temperatura máxima.
Nos casos 2 e 3, para obter os valores de GDC diário, a oscilação de Tmax a Tmin é representada pela curva de
seno:

Em que:  
 T = temperatura diária oscila entre 0 e 24 horas;
t = fase em hora em radianos, de - π/2 a 3π/ 2 ou
t = (h−6)π/12;
h = 0 a 24 horas.

Figura 12.8 – Comparação das quatro condições do valor de Temperatura limiar (Tl) com a oscilação da temperatura diária.
Temperatura Máxima (Tmax) e Temperatura Mínima (Tmin), Temperatura limar baixa (Tlb) e Temperatura limiar alta (Tla): a. Tlb <
Tmin e Tlb < Tmax; b. Tlb > Tmin e Tlb < Tmax); c. Tlb < Tmin e Tla > Tmin e Tlb < Tmax; d. Tla e Tlb > Tmin e Tlb e Tla <
Tmax. Fonte: (SNYDER, 1985).

Snyder (1985) apresentou um método simplificado para calcular GDC, apresentado a seguir:

Em que:  
W = (Tmax-Tmin)/2;
M = (Tmax +Tmin)/2;
Tlb = Temperatura limiar baixa;
Tla = Temperatura limiar alta;
φeθ = valores listados na tabela 12.5.

Caso 1: Tmin ≥ Tlb

Caso 2: Tlb > Tmin

O valor da fração N da amplitude W é obtido pela posição relativa da razão, R, que é o valor da temperatura limiar
da curva do seno da temperatura no ciclo de 2π dividida pela diferença da temperatura máxima e temperatura mínima. A
tabela 12.5 lista os valores de N e R para facilitar o cálculos do GDC (SNYDER, 1985).
 Caso 3: Calcular o GDC para Tla e Tlb separadamente, de acordo com os casos de 1 e 2. O GDC = GDC de Tlb –
GDC de Tla.

Nos modelos de simulação de crescimento fisiológico, os valores acumulados de GDC são usados para identificar
as datas das iniciações e términos das fases de desenvolvimento das culturas por meio dos seus ciclos fenológicos.

12.3.2 Modelos estatísticos agroclimatológicos

Os primeiros modelos estatísticos de previsão da produtividade agrícola foram desenvolvidos pela Universidade de
Missouri em Columbia, liderados por McGuigg (1975). Esses modelos estatísticos incluem modelos de regressão
múltipla, modelos de regressão múltipla com reajuste fenológico, modelos multifatoriais e modelos de lei do mínimo,
apresentados a seguir. Os dados históricos de parâmetros agrometeorológicos, tais como temperaturas máxima e mínima,
precipitação, evapotranspiração potencial e evapotranspiração real, déficit e excesso hídricos, são utilizados para
correlacionar com os dados de produtividade de uma determinada cultura. Os parâmetros de uma determinada fase do
crescimento que afetam mais a produtividade são usados como as variáveis independentes para construção do modelo. O
modelo considera a produtividade de uma determinada cultura em função dos parâmetros que afetam a produtividade. As
várias técnicas de regressão múltipla, como Stepwises disponíveis no software Statistical Analysis System (SAS), são
usadas para a construção dos modelos.
Tabela 12.5 – Lista de fração de N da amplitude de W obtido pela posição relativa, R que é a razão do valor da temperatura limiar na
curva do seno da temperatura no ciclo de 2π e a faixa igual a diferença da temperatura máxima e temperatura mínima para calcular o Grau
Dia do Crescimento (GDC) pelo método de Snyder (1985).
 Katz (1979) apontou que várias precauções devem ser consideradas na construção dos modelos estatísticos:

a)   evitar alta correlação entre as variáveis independentes;

b)   evitar os efeitos negativos das variáveis à produtividade, que são geralmente sem fundamentos físicos ou
fisiológicos;
c)   identificar os parâmetros e os períodos mais sensíveis à produtividade para estabelecer as variáveis;
d)   determinar a data do início do plantio para cada ano que pode variar de um ano para outro;
e)   testar e avaliar modelos construídos pelos vários critérios, desde os mais simples aos mais sofisticados.

12.3.2.1 Modelos de regressão múltipla

O modelo de regressão linear múltipla é fundamentado na produtividade de uma determinada cultura em função
dos parâmetros que afetam a produtividade. No sentido estatístico, a produtividade é considerada como a variável
dependente, e os parâmetros que afetam à produtividade são chamados variáveis independentes. Portanto, a equação
(12.29) apresenta-se como linear múltipla.

Em que:  
Y = produtividade prevista;
a = valor da interseção da linha;
X1, X2 .. Xn = os n parâmetros usados para calcular Y.
 Os parâmetros independentes, tais como X1, X2 a Xn são selecionados baseados nas correlações entre Y e X1; Y e
X2 até Y e Xn. Modelos de regressão múltipla utilizam os dados mensais históricos dos parâmetros meteorológicos de
um período acima de dez anos para correlacionar os dados observados de produtividade. Os parâmetros com o valor de
correlação mais alto são selecionados primeiramente. Para realizar a construção dos modelos de regressão múltipla,
existem vários pacotes estatísticos disponíveis no mercado, tais como Social Science Statistical Program (SSSP) e
Statistical Analysis System (SAS). Os processos de Forward Stepwise, Backward Stepwise e Multivariant, disponíveis
no SAS, são freqüentemente usados para facilitar a seleção dos melhores, independentes, construção, análises de
desempenho e validação dos modelos alternativos.
É importante salientar que o grupo liderado por McQuigg (1975) introduziu um termo chamado tendência
tecnológica (trend term) em função do tempo para estimar o efeito da adaptação progressiva das tecnologias no aumento
da produtividade. As novas tecnologias incluem adaptação das novas variedades, novos sistemas de manejo de culturas,
tais como: irrigação, drenagem, conservação de solo, controles de doenças e pragas e outros. (THOMPSON, 1970). A
inclusão do termo “tendência tecnológica” no modelo pode melhorar a sensibilidade das variáveis meteorológicas porque
este termo elimina um aumento constante de produtividade que não é por causa dos efeitos das variabilidades interanuais
dos fatores climatológicos. Liu e Liu (1981) apresentaram um modelo de estimativa de produtividade de trigo no Estado
de Rio Grande do Sul em função de tendência tecnológica, precipitação e evapotranspiração potencial. O valor médio
dos erros absolutos de 6,5% foi obtido.

12.3.2.2 Modelos de regressão múltipla com reajuste fenológico

Geralmente, os modelos de regressão múltipla foram construídos com os parâmetros mensais fixos que podem não
coincidir com as fases críticas do ciclo fenológico por causa da data do plantio que é selecionada pelos agricultores de
acordo com a data da iniciação da estação chuvosa, que sofre sua variação anual. Alguns pesquisadores utilizam os
valores cumulativos de cada parâmetro meteorológico nas fases mais sensíveis ao crescimento da cultura, em vez dos
dados mensais fixos, para desenvolver os modelos de regressão múltipla. Os parâmetros ETP, ETR, déficit hídrico (DH)
e excesso hídrico (EH) também são utilizados para descrever melhor os efeitos de uso de água pela cultura na
produtividade.

12.3.2.3 Modelos multifatoriais

Considerando somente os fatores limitantes que podem causar a baixa produtividade, os pesquisadores propuseram
os modelos multifatoriais que calculam os diferentes pesos nas diferentes variáveis de acordo com seus efeitos na
produtividade final. O modelo multifatorial é representado pela equação (12.30) a seguir.

Em que:  
Y = produtividade prevista (kg/ha);
Yp = produtividade potencial (kg/ha);
= variável que pode ser um parâmetro ou uma combinação de vários parâmetros ou
Xi
acumulados em vários estágios do crescimento.
wi = peso de cada variável na contribuição da produtividade final;
i = parâmetro i de 1, 2, 3 .... n.

Os valores dos pesos na equação (12.30) podem ser obtidos pela regressão múltipla após uma transformação
logarítmica dessa equação para expressão linear. Esse tipo de modelo tem sua limitação por causa de o valor de
produtividade potencial máxima ser obtido com dados históricos observados. O aumento da produtividade por causa do
avanço das tecnologias dos sistemas de manejo das culturas no futuro não é incluído no modelo. Isto pode comprometer
com o aumento dos erros.

12.3.2.4 Modelos de lei do mínimo

A Lei do Mínimo é definida como o crescimento da planta é limitado por um único fator em um determinado
período do tempo no seu ciclo fenológico (CATE; HSU, 1978). Por exemplo, se houver o estresse hídrico na fase do
cruzamento de polens durante a floração, a capacidade de armazenamento das sementes é reduzida, o que limita sua
produtividade final apesar do aumento da taxa de fotossíntese durante a fase de enchimento de grão, posteriormente.
Portanto, o algoritmo estatístico e o programa linear podem ser aplicados para descrever a Lei do Mínimo expresso a
seguir:
 Em que:  
Y = produtividade (kg/ha);
U, V, W, X são fatores limitantes;
Yu, Yv, Yw e Yx são os valores de intercepção da declividade do Y contra U, V, W e X, respectivamente;
Mu, Mv, Mw e Mx são os valores de dY/dU, dY/dV, dY/dW e dY/dX respectivamente;
Ymax = limite superior da produtividade máxima, (kg/ha).

A figura 12.9 mostra os fatores limitantes que são fixados no nível de produtividade por fator. A produtividade é
prevista pelas quatro equações lineares:

O valor mínimo entre Y1, Y2, Y3, Y4 e Ymax é o valor do Y final. Esses tipos de modelos são desenvolvidos para
prever as respostas de aplicações de adubos. Por exemplo, Waggoner e Norvell (1979) apresentaram um modelo de
previsão da cultura do milho, utilizando a Lei do Mínimo, na equação (12.36) a seguir:

Em que:  
Ymilho = produtividade prevista do milho, em t/ha;
P = adubo de fosfato aplicado;
N = adubo de nitrogênio aplicado;

7,69 é limite superior da produtividade, em t/ha.

Figura 12.9 – Fatores limitantes fixados no nível de produtividade por fator no cálculo do método de Lei do Mínimo. Fonte: (CATE;
HSU, 1978.)

12.3.3 Modelos de simulação dos processos fisiológicos

Os vários processos fisiológicos básicos, tais como fotossíntese, respiração, transpiração, transporte e
deslocamento dos carboidratos fabricados, crescimentos de raízes e folhas, diferenciação e maturação, e suas interações,
que afetam intrinsecamente o rendimento de cultura, são simulados, isto é, fundamentados nos dados de observações nos
campos experimentais acumulados ao longo dos anos de pesquisas. Os modelos de processos fisiológicos são
programados para rodar em base de dados de entrada e saída diários. Os modelos simulam as taxas de crescimento e
desenvolvimento dos órgãos de uma determinada planta em cada fase do crescimento por meio do ciclo fenológico
inteiro para obter a produtividade final desejada. A simulação das taxas de crescimento e desenvolvimento da planta
envolve os três principais componentes: matéria seca produzida diariamente, controles das fases de desenvolvimento
fenológico e as partições da matéria seca aos vários órgãos da planta. Considerando-se as condições ambientais ótimas e
sem limitação do crescimento da cultura, a quantidade de matéria seca produzida diariamente é calculada por quatro
fatores:

a)   taxa do crescimento de área foliar;

b)   intercepção de luz pela área foliar;
c)   arquitetura das folhas na copa da planta, por exemplo, orientação e posição das folhas que afetam sua absorção
de luz;
d)   radiação solar ou PAR interceptada pelas folhas.

Em que:  
MS = matéria seca, (mg/dm2/dia);
F = taxa de fotossíntese líquida (mg/dm2/dia);
C / CO2 = 12/44, pesos moléculas de C e CO2;
C / CH2O = 0,4, porção de C no carboidrato CH2O.

A iniciação e a duração de várias fases do desenvolvimento da cultura como germinação, crescimento vegetativo,
floração, enchimento de grão e maturação, são controladas pelo relógio biometeorológico, que conta o calor acumulado
de cada fase pelo valor de GDC. Dependendo do código genético de cada cultura, certa quantidade de calor é exigida
para completar cada fase do desenvolvimento (ROBERTSON, 1968). O GDC, que soma a temperatura diária acima da
temperatura de base de uma determinada cultura, é usado para calcular o calor acumulado para cada fase de
desenvolvimento. Quando o valor de GDC acumulado atinge o valor exigido de uma determinada fase do
desenvolvimento, a planta inicia outra fase em seguida. A figura 12.10 mostra as partições de matéria seca aos vários
órgãos nos diferentes estágios do desenvolvimento da cultura de grãos. O ciclo fenológico típico de uma cultura é
dividido em nove estágios do desenvolvimento baseados nos inícios e términos do desenvolvimento de cada órgão que
são resumidos em quatro períodos do crescimento.

a)   emergência ao estágio 3: folhas e raízes – a repartição do desenvolvimento para folhas e raízes é fundamentada
nas simulações do desenvolvimento diário de índice de área foliar e da produção diária da matéria seca.
Geralmente, a porcentagem mínima de 25% é fixada para o desenvolvimento de raízes;

b)   estágio 3 a 10 dias depois: folhas, raízes e caules – a repartição também é semelhante à da emergência ao
estágio 3 para o crescimento de folhas. O restante é de 40% para o crescimento de raízes e 60% para caules,
salvando-se o mínimo de 20% do crescimento total para raízes;

c)   o resto dos dias do estágio 3 ao estágio 6 da floração – no caso da floração, desenvolvem-se as folhas, raízes,
caules e floração. O dia do meado da floração é o dia em que a planta completa 50% de floração. Primeiro,
calcula-se a porcentagem da matéria seca para cumprir uma determinada taxa do crescimento das folhas. O
restante da matéria seca reparte-se entre as raízes, com 20%; caules, com 45%; e floração, com 35%;

d)   estágio 6, a maturação: enchimento de grãos – logo após o estágio de floração, toda matéria seca produzida vai
para enchimento de grão. Uma porção pequena é para caules no final do estágio da maturação.
 
Os modelos de processos fisiológicos das dez culturas, incluindo trigo, milho, arroz, soja, sorgo, feijão, cevada,
milheto, amendoim e mandioca, estão disponíveis no sistema de suporte da decisão para a transferência agrotecnológica,
chamado A Decision Support System for Agrotechnology Tranfer (DSSAT), versão 3, e divulgados pelo The
International Benchmark Sites Network for Agrotechnological Transfer (IBSNAT), Universidade de Havaí (TSUJI;
UEHARA; BALAS, 1994).
Moulin, Bondeau e Delécolle(1998) apresentaram uma revisão geral dos modelos de processos fisiológicos de
previsão de produtividade de culturas com a integração dos dados de satélite para aperfeiçoar o desempenho da previsão.
Os modelos de processos fisiológicos simulam o crescimento diário de cada órgão da planta, desde a semeadura até o
amadurecer sob os efeitos das condições ambientais e sistemas de manejo da determinada cultura. As observações das
reflectâncias radiométricas via satélite possibilitam a extensão dos modelos de simulação dos processos fisiológicos à
escala regional. As observações permitem quantificar as variações espaciais e temporais das condições ambientais que
afetam o crescimento e o desenvolvimento das culturas sem executar as tarefas tediosas de levantamento em campo.
Maas (1988) resumiu os quatro métodos da integração dos dados de satélite no modelo de simulação dos processos
fisiológicos que são listados a seguir:
 Figura 12.10 – Repartições de matérias secas produzidas aos vários órgãos nos diferentes estágios do desenvolvimento durante um
ciclo fenológico de 100 dias tal como a cultura de feijão.

 
a)   usos diretos dos parâmetros obtidos pelos dados de satélites nos inputs do modelo, por exemplo, dados de
temperatura e radiação solar;
b)    atualizar os valores dos parâmetros ao longo do ciclo fenológico da cultura, por exemplo, LAI em função de
NDVI;
c)   reajustar as condições ambientais e as condições iniciais simuladas do crescimento da cultura que é tido em
concordância com as condições monitoradas pelos dados de sensoriamento remoto;
d)   recalibrar o modelo; por exemplo, a taxa do crescimento das folhas simulada pelo aumento do LAI deve estar
de acordo com a taxa do aumento do NDVI e o efeito do déficit hídrico inferido pelos índices de vegetação,
tais como TCI e VCI.

Bouman (1995) apresentou um modelo do crescimento das culturas de trigo e beterraba, chamado Simple and
Universal Crop Growth Simulator (SUCROS), incorporando os dados de índice de vegetação diferença com pesos
(WDVI) proposto por Clevers (1989) para controlar a taxa do crescimento do LAI e os dados de microondas para estimar
as condições do crescimento inferidas pelo teor da água na copa das folhas. O modelo SUCROS integra os dados de
WDVI e microondas no modelo dos processos fisiológicos para previsão das produtividades das culturas. O WDVI foi
calculado pela equação (12.38) a seguir:

Em que:  
WDVI = índice de vegetação diferença com pesos;
IRc = reflectância da banda de infravermelho da cultura;
IRs = reflectância da banda de infravermelho do solo;
VISc = reflectância da banda de visível da cultura;
VISs = reflectância da banda de infravermelho do solo.

As correlações entre WDVI e fração da cobertura da superfície e entre WDVI e LAI das culturas de trigo, cevada,
beterraba e batata foram obtidas usando os dados de um período de dez anos (BOUMAN 1992a; BOUMAN; VAN
KASTEREN; UENK, 1992). Os valores de coeficiente de determinação (R2) foram acima de 0,95 para todas as culturas
estudadas. Os sinais de retroespalhamentos dos sensores do radar, incluindo HH, HV, VH e VV, são extremamente
sensíveis às estruturas das copas das culturas. A sensibilidade é especialmente maior para as culturas com estruturas de
copas verticais distintas, alongadas, tais como as culturas cereais (BOUMAN; VAN KASTEREN, 1990). Para as
culturas com as estruturas uniformes e as folhas largas, a sensibilidade dos sinais de retroespalhamentos é menor. Por
exemplo, para a copa de beterraba, uma boa correlação foi obtida entre os sinais de retroespalhamentos do radar banda X
e o teor da água na copa. Portanto, esse teor na copa de beterraba pode ser monitorado usando o radar banda X
(ATTEMA; ULABY, 1978; BOUMAN, 1992b). O modelo SUCROS foi validado com os dados de produtividade dessa
cultura na região Flevolandia, Holanda. Os resultados mostraram que o erro diminuiu de 19%, obtido pelo modelo
SUCROS, para 3%, pelo modelo SUCROS com os inputs de dados de WDVI. Bouman (1995) apontou que os dados de
radar inferem bem o estado de teor da água na copa no estágio inicial do crescimento, mas não contribuiu bem na
estimativa da produtividade final.
 

12.3.4 Modelos de produtividade primária líquida

A produtividade de biomassa também é chamada como produtividade primária líquida, Net Primary Productivity
(NPP), que envolve a colheita de todas as partes das matérias secas produzidas pela planta, incluindo todos os órgãos,
como raízes, flores, caules, troncos, folhas, frutas e sementes. A produtividade de biomassa é uma medida para avaliar a
capacidade de produzir as matérias secas de uma determinada espécie de planta pelo processo fotossintético que converte
a energia solar em matéria seca. Diferentes tipos de plantas têm diferentes capacidades na conversão de energia da
radiação solar para matéria seca. A produtividade da biomassa é um indicador indireto para inferir a produtividade
econômica das culturas que consideram somente a parte econômica da matéria seca produzida, incluindo grãos, como
trigo e milho; frutas, como laranja e limão; raízes, como batata e amendoim; e caules, como cana-de-açúcar. Portanto, do
ponto de vista da produção agrícola, a produtividade econômica de uma determinada cultura considera somente a parte
da produtividade de biomassa, que é diferente da produtividade de biomassa total. Por exemplo, as culturas de colheita
das sementes, tais como trigo, cevada, milho e girassol, têm a produtividade de biomassa total de 294, 242, 1935 e 3213
g/m2/ano, respectivamente (WHITTAKER; MARKS, 1975). Mas as porcentagens das produtividades econômicas das
culturas de trigo, cevada, milho e girassol são as sementes que possuem somente 29,4%, 35,5%, 38,3% e 34,5% da
produtividade de biomassa, respectivamente. A tabela 12.6 mostra as porcentagens de folhas e caules, sementes e flores,
e raízes em relação à biomassa produzida para as culturas de trigo, cevada, milho e girassol. A tabela 12.7 mostra a
porcentagem de órgãos assimiladores, estruturas axiais e raízes em relação à massa total (matéria seca) das plantas
apresentadas por Whittaker e Marks (1975) e Larcher (1986).
Tabela 12.6 – Porcentagens de folhas e caules, sementes e flores, e raízes em relação à massa produzida para as culturas de trigo, cevada,
milho e girassol. Fonte: (WHITTAKER; MARKS, 1975)

Tabela 12.7 – Porcentagens de órgãos assimiladores, estruturas axiais, incluindo massas verdes, caules e raízes em relação à massa total
(matéria seca), das plantas. Fonte: (LARCHER, 1986)
Planta Massa verde (%) Caules (%) Raízes (%)
Florestas sempre verdes 2-3 80-90 10-20
Florestas decíduas 1-2 ~78 ~20
Florestas coníferas 4-5 ~75 ~20
Vegetação rasteira alpina ~25 ~30 ~45
Coníferas jovens 50-60 40-50 ~10
Arbustos anões ericáceos 10-20 ~20 60-70
Gramíneas das várzeas ~50 - ~50
Cereais maduros 10-50 40-70 ~30
Estepe no ano úmido ~30 - ~70
Estepe no ano seco ~10 - ~90
Plantas de deserto 10-20 - 80-90
Tundra ártica (vasculares) 15-20 - -
Tundra ártica (criptogramas) > 95 - -
Plantas montanhas altas 10-20 - 80-90

Warren (1967) e Monteith (1972) sugeriram que a variação da produção primária das culturas pode ser atribuída
pela diferença da absorção da PAR nas copas das culturas. Monteith (1977) propôs um modelo de estimativa de
produtividade baseado na capacidade de uma determinada planta de absorver e converter a PAR incidente na matéria
seca. Esta capacidade geralmente é chamada eficiência fotossintética (e) que varia com espécies, estágios do crescimento
e estresses ambientais. Este tipo de modelos utiliza os dados de eficiência fotossintética obtidos aos longos anos de
pesquisas em campo e os dados de radiação solar para construí-los. Portanto, é classificado como modelos semi-
empíricos. Kumar e Monteith (1982), posteriormente, utilizaram os dados de radiômetros obtidos em campo para
melhorar sua precisão e propuseram uma equação para calcular a produção de matéria seca. A equação de Kumar e
Monteith (1982) é formulada a seguir:

Em que:  
MS = matéria seca;
Σ = a somatória do crescimento do período de j à n;
 εf = eficiência fotossintética;
εi = eficiência de absorção da PAR incidente;
εr = fração de radiação solar na faixa de PAR, geralmente fixada entre 0,40 e 0,444;
Rs = radiação solar incidente;
εr Rs = PAR.

Posteriormente, Kumar e Monteith (1982) desenvolveram um modelo de estimativa da produtividade primária

bruta (Gross Primary Productivity – GPP) fundamentado na correlação linear da NDVI com a porcentagem da PAR
absorvida pelas folhas verdes, quando as plantas não sofrem as condições de estresses ambientais. A equação (12.40)
representa o modelo proposto por Kumar e Monteith (1982).

Em que:  
GPP = produtividade primária bruta (kg/ha);
Σ = somatório do crescimento do período de j a n;
εg = eficiência fotossintética da produtividade primária total (g/MJ);
NDVI = (C2 –C1) / (C2 + C1), C1 e C2 são canais 1 e 2 do satélite NOAA;
PAR = radiação fotossintética ativa incidente global (J cm−2 min−1);
a = % da PAR absorvida em função do NDVI (%).

A porcentagem da PAR absorvida é estimada pela porcentagem do NDVI, que varia com a interceptação da PAR
pela arquitetura da orientação das folhas. Para a orientação das folhas em forma esférica, tal como a copa das pastagens,
Goward e Dye (1987) apresentaram uma equação (12.41) para correlacionar NDVI com a PAR absorvida. Portanto, o
valor de “a” está próximo à unidade para a copa da vegetação em forma esférica.

Esse modelo simples de estimativa de produtividade primária é atraente porque tem o fundamento físico e não
envolve nenhuma correlação estatística. É importante apontar que a NPP é somente uma parte da GPP. A GPP é a taxa
de fixação de CO2 pelo processo fotossintético. A NPP é a produtividade da matéria seca líquida produzida que não
inclui a energia gasta pela respiração para manutenção da vida e para o crescimento dos órgãos. Portanto, a GPP é a
soma da NPP e a energia gasta pela respiração. Jarvis e Leverenz (1983) propuseram as equações (12.42), (12.43) e
(12.44) que calculam a NPP incorporando a perda da energia pelos processos da respiração. Os processos de respiração
são as conversões de energias fixadas pelas plantas para manutenção da vida em uma faixa de temperatura ótima para seu
crescimento.

Em que:  
NPP = produtividade primária líquida (kg/ha);
Σ = a somatória do crescimento do período de j a n;
f = reajustamentos fisiológicos, tal como fechamento do estômato;
εg = eficiência fotossintética da produtividade primária total (g/MJ);
Ym = porção do assimilado não usada na respiração;
Yg = coeficiente da eficiência na conversão do assimilado ao crescimento;
d = porção do crescimento não conta as perdas pela morte e consumidas pelos animais,
NDVI = (C2 –C1) / (C2 + C1), C1 e C2 são canais 1 e 2 do satélite NOAA;
PAR = radiação fotossintética ativa incidente global (m).
 Em que:  
Rm = taxa de respiração para manutenção da vida;
GPP = produtividade primária bruta;
Rg = taxa de respiração para o crescimento pela síntese das células novas.

Em que:  
εn = eficiência fotossintética líquida.

McCree (1974) apresentou a equação (12.46) para calcular a taxa de respiração.

Em que:  
Rt = taxa de respiração total;
a = a fração constante da GPP que gasta para sintetizar as celulares novas;
b = o coeficiente em função da temperatura;
aGPP = taxa de respiração para o crescimento (Rg);
bNPP = taxa de respiração para manutenção da vida (Rm).

As medições da taxa de respiração geralmente são feitas durante a noite. A taxa de respiração reflete bem as
condições meteorológicas do dia anterior. Nos dias com céu claro e alta radiação solar, a taxa de respiração é dobrada
comparando-se à taxa nos dias nublados. A respiração rápida é associada ao alto nível dos carboidratos solúveis
fabricados durante o dia. A taxa de respiração também é fortemente dependente da temperatura. A equação (12.47) é
usada para calcular a taxa de respiração em função do aumento da temperatura (BAKER; HESKETH; DUNCAN, 1972).

Em que:  
Q10 = {| T – T0 |}/10;
Rt = taxa de respiração na temperatura T;
T = temperatura do ar;
To = temperatura referencial na respiração mínima;
Ro = taxa de respiração na To.

Portanto, a εn é a eficiência fotossintética da produtividade primária líquida (g/MJ). A correlação entre NDVI
acumulado e a NPP considera os valores de f, εg, Yg, Ym, d e PAR constantes durante um determinado período do
crescimento. Logo, a variação da NPP de uma determinada região pode ser estimada pela variação do NDVI (TAYLOR;
DINI; KIDSON, 1985). Em seguida, o modelo da equação (12.42) pode ser aplicado para estimativa da NPP. Mas nos
casos das variações significativas dos valores de f, εg, Yg, Ym, d e PAR, esses coeficientes devem ser incluídos no
modelo da equação (12.45). Por exemplo, o cálculo da NPP em uma floresta tropical velha que tem alta GPP e baixa
NPP, o valor de εn deve ser usado, porque εn é bem mais baixo do que εg. Isto por causa da alta temperatura e alta
umidade do ar na floresta tropical estável, o que resulta em degradações rápidas das folhas caídas e alta taxa de
respiração para manutenção da vida. Por outro lado, a produtividade de pastagem pode ser calculada pela equação
(12.42) porque o valor da εn é quase constante e próximo ao εg. Prince (1991a) adaptou os conceitos dos modelos de
estimativa de produtividade primária propostos por Monteith (1977) e por Kumar e Monteith (1982) e desenvolveu
modelos semi-empíricos incorporando-se os dados de índice de vegetação, tal como NDVI, obtidos via satélite. A
equação (12.48) representa esse tipo de modelo via satélite.

Em que:  
Y = produtividade em kg/ha;
 Σ = somatória do crescimento do período de j a n;
εf = eficiência fotossintética;
NDVI = (C2 – C1) / (C2 + C1), C1 e C2 são canais 1 e 2 do satélite NOAA;
PAR = radiação fotossintética ativa obtida via satélite.

Prince (1991a) correlacionou o NDVI gerado pelo NOAA AVHRR LAC com a produtividade máxima da
biomassa acima da superfície do solo nas regiões de pastagens em três países saelianos, incluindo Senegal, Mali e Niger
na África, durante o período de 1981 a 1988. Por causa do diferente procedimento da coleta de amostragens no período
de 1981 a 1983, o valor de coeficiente da determinação (R2) foi calculado somente no período de 1984 a 1988,
alcançando 0,80. A figura 12.11 mostra uma boa correlação entre os dados de NDVI acumulada durante um ano e os
dados de matéria seca acima da superfície das pastagens coletados em 172 localidades em Senegal, Mali e Niger da
África durante o período de 1984 a 1988. O valor de εf de 0,62 g/MJ foi obtido baseado nos dados da matéria seca acima
da superfície do solo das pastagens coletados em Mali. Considerando a razão de raízes com caules e folhas igual a 0,29,
o valor de εf da pastagem em Mali é de 0,87g/MJ, o que está abaixo dos valores de en observadas por vários autores.
Explicou que o baixo valor de εf obtido em Mali é por causa da baixa produtividade das pastagens na região do clima
semiárido. Portanto, Prince (1991b) apontou que a equação (12.48) pode ser aplicada para estimativa de produtividade de
pastagem utilizando os dados de NDVI e PAR via satélite, mas o valor de εf deve ser obtido na região específica.
Kogan et al. (2004) usaram o índice de vegetação saudável (Vegetation Health Index – VH) derivado dos dados de
NOAA AVHRR (Capítulo 7) para monitorar as condições do crescimento das pastagens e estimativa da produtividade de
biomassa das pastagens localizadas na região da Mongólia. O valor do coeficiente da determinação (R2) de 0,658 foi
obtido.
Kotchenova et al. (2004) investigaram o efeito da distribuição vertical das folhas na estimativa de produtividade de
biomassa de duas florestas deciduais localizadas na região leste do Estado de Maryland, USA. Três modelos de
estimativa de biomassa, que simulam as variações de radiação solar incidente nas várias camadas de folhas da copa,
estrutura vertical da copa e porcentagens de folhas no sol e na sombra, foram comparados. Os dados de perfil vertical de
estrutura de folhas foram obtidos usando os dados tridimensionais adquiridos por sensores do Scanning LIDAR Imager
of Canopies by Echo Recovery (LIDAR SLICER). Os resultados mostram que o modelo baseado nas informações da
separação da incidência de radiação difusa e direta pelas folhas na sombra e no sol e as camadas múltiplas de perfil
vertical de folhas obtidas por SLICER teve melhor desempenho. Apontaram a importância de se usarem os dados do
perfil vertical de folhas e da separação das taxas de fotossíntese das folhas no sol e na sombra adquiridos pelo LIDAR.

Figura 12.11 – Correlação entre os dados diários de NDVI acumulados anualmente e os dados de matéria seca acima da superfície do
solo das pastagens coletados em 172 localidades em Senegal, Mali e Niger da África durante o período de 1984 a 1988 com o
coeficiente da determinação (R2) de 0,80. Fonte: (PRINCE, 1991a).

Maselli e Chiesi (2005) integraram os dados de satélites de Landsat ETM+ de média resolução espacial e os dados
de NOAA AVHRR e SPOT VGT de alta resolução temporal para estimativas das produtividades primárias brutas e
primárias líquidas nas áreas protegidas de florestas costeiras na região central da Itália, a fim da preservação ambiental
dos ecossistemas na região mediterrânea. As imagens digitais de Landsat ETM+ foram usadas para delineamento dos
tipos de vegetação e os dados temporais de AVHRR e VGT para a geração dos dados de NDVI que conduziram à
estimativa da fração da PAR. Os dados meteorológicos observados na superfície serviram para a obtenção dos dados de
radiação solar global e dos dados de PAR. Observaram que as estimativas da produtividade primária bruta foram
positivas, mas as da produtividade primária líquida foram insatisfatórias, por causa da variação da taxa de respiração da
floresta que não foi simulada corretamente. Isto indica que a taxa de respiração de uma floresta estável contribui
significativamente para a variação da produtividade de biomassa.
Ahl et al. (2005) usaram os dados de LAI e as três classes de usos do solo classificadas pelos dados de satélite com
três resoluções espaciais de 15 m, 30 m e 1.000 m para a estimativa de NPP nas florestas localizadas na região norte do
Estado de Wisconsin, USA. Observaram que a estimativa de NPP varia de 402 gC/m2 com os dados de resolução de 15
m e 431 gC/m2 com dados de resolução de 1.000 m. A diferença é de 7%. Contestaram que a heterogeneidade de
cobertura de vegetação pode limitar ao uso dos dados de baixa resolução espacial para estimativa de NPP. Zhao et al.
(2005) usaram os dados de TERRA MODIS para monitoramento da produtividade primária e líquida para o globo inteiro
em uma freqüência de oito dias com uma resolução espacial de 1,1 km durante o período de 2001 a 2003. Os resultados
mostram que o valor médio da produtividade primária bruta de 109,29 Pg por ano e o valor médio da produtividade
primária líquida de 56,02 Pg por ano foram obtidos.
Lefsky et al. (2005) usaram as imagens digitais de LIDAR para estimativa da parte aérea de biomassa da floresta, e
as imagens digitais de Landsat TM para delinear as árvores de diferentes tipos de idade. Os dados da variação espacial da
altura, obtidos por LIDAR, foram correlacionados com os dados da variação da idade para diferentes árvores, a fim de
aperfeiçoar as estimativas dos valores da eficiência fotossintética que variam de acordo com as diferentes idades de
árvores na floresta.
Geralmente, o valor de εn varia de 0,2 a 4,8 g/MJ para as diferentes espécies de plantas e varia pouco com o seu
estágio do crescimento. Vários fatores ambientais e diferentes espécies que afetam o valor de εn durante o seu ciclo
fenológico foram observados por Russell, Jarvis e Monteith (1989) e Steinmetz (1992). Mas, a amplitude da variação nos
diferentes estágios do crescimento é pequena dentro de uma determinada espécie da vegetação comparando-se com a alta
amplitude entre as diferentes espécies da vegetação. No entanto, um valor médio de εn durante o ciclo fenológico, exceto
o estágio final da maturação, pode ser aplicado para a estimativa da produção primária líquida ou matéria seca de uma
determinada vegetação. Especialmente, para a estimativa da produção primária de pastagem em uma escala maior tal
como escala continental até global, este modelo simples, que necessita somente de dados temporais de NDVI e da
radiação solar global, é viável.
Os valores de εn das várias espécies de plantas, listados por Prince (1991b), podem ser usados, caso não existam os
dados locais (tabela 12.8). Observou que, em geral, as espécies de plantas de C4 têm o valor de mais alto, as espécies de
C3 não leguminosas têm o valor de εn médio e as espécies de C3 leguminosas têm o valor de εn mais baixo. Por exemplo,
o valor de εn obtido com a PAR interceptada na produção da matéria seca acima da superfície é de 3,72 g/MJ para milho,
3,1 g/MJ para girassol, 2,81 g/MJ para sorgo, 2,8 g/MJ para trigo, 2,3 g/MJ para milheto, 3,0 g/MJ para pastagens (C3),
2,7 g/MJ para arroz, 1,76 g/MJ para alfafa e 1,70 g/MJ para eucaliptos (PRINCE 1991b). Ressalta-se que as culturas de
milho, sorgo e milheto são as plantas de espécies C4. Steinmetz et al. (1990) observaram que a eficiência fotossintética
pode variar com os estágios do crescimento, fertilidade e déficit hídrico. As vantagens de usar os dados de NDVI para
inferir a porcentagem da PAR absorvida via satélite são facilidades de obtenção de dados de um fluxo contínuo com boa
resolução espacial e o NDVI inferindo bem os efeitos de estresses ambientais, tais como fertilidade, déficit e excesso
hídricos, estresses de calor, doenças, pragas e outros (MORAN; INOGE; BARNES, 1997). Esse tipo de modelo simples
é fácil de construir, mas em compensação, sua acurácia pode comprometer sua aplicação na previsão de safra que
geralmente exige uma acurácia acima de 90%. Portanto, os dados de εn devem ser validados com os dados coletados em
campo para cada região específica.
Tabela 12.8 – Valores de eficiência fotossintética líquida (εn) das várias culturas, fundamentados na Produtividade Primária Líquida da
parte aérea (NPPaérea) e na Produtividade Primária Líquida total (NPPtotal), pesquisados por Prince (1991b).
PAR Absorvida NPP parte aérea PAR Absorvida NPP total
Espécie εn (g/MJ) Espécie εn (g/MJ)
Milho 3,5 −3,72 Milho 2,87
Sorgo 2,81 Cevada 2,4
Trigo 2,8 Trigo 2,92
Arroz 2,7 Cana-de-açúcar 3,27
Girassol 3,1    
Alfafa 1,76 Alfafa 2,38
Eucaliptos 1,7    
Milheto 2,3    
 Beterraba 2,6    
Pastagem 3,0    

Além de usar os dados de NDVI e εf, os dados de PAR devem ser adquiridos para aplicar a equação (12.48) na
estimativa da produtividade primária líquida de uma determinada cultura. Os dados de PAR podem ser adquiridos
diretamente pelos dados da radiância obtidos no topo da atmosfera via satélite com uma correção adequada das
interferências atmosféricas. Pelo fato de as nuvens não absorverem significativamente a faixa do comprimento da onda
da PAR (0,4 a 0,7 μm), o modelo de transferência radiativa empregado para obter a PAR incidente na superfície pode ser
mais simples. Os métodos de estimativa de radiação onda curta apresentados no Capítulo 8, podem ser empregados para
estimar o fluxo de PAR incidente, utilizando somente a banda visível na faixa espectral estreita de PAR. Frouin e Pinker
(1995) apresentaram uma revisão dos métodos atualmente disponíveis e compararam seus erros de estimativa.
Li e Moreau (1996) observaram que os pesquisadores tentaram estimar a aPARc (PAR absorvida pela copa da
vegetação) usando os dados de PARs↓ (PAR incidente na superfície e fPAR (a fração da PAR absorvida pela copa da
vegetação). Propuseram um método que considera aPARc como o produto de aPARs e rPAR (a razão de
aPARc/aPARs). A aPARsfc é a PAR total absorvida por todas as matérias na superfície, incluindo a copa da vegetação,
detritos, solos e folhas caídas. A vantagem desse método é que aPARs pode ser determinada mais precisamente que
PARs↓. Primeiramente, a estimativa de aPARs é obtida pela correlação entre aPARs e PARtoa↑ medida pelo sensor da
banda de visível de satélites, por meio de um modelo de transferência radiativa (LI; MOREAU, 1996). Essa correlação é
independente das condições de nuvens e propriedades da superfície, mas é parcialmente dependente das propriedades
óticas de aerossóis e da concentração de ozônio. A equação (12.49) apresenta o cálculo da aPARs na superfície.

Em  
que:
aPARs = a PAR (Radiação Fotossintética Ativa) total absorvido por todas as matérias na superfície, incluindo a copa
da vegetação, detritos, solos e folhas caídas).
PARtoa = a PAR incidida no topo da atmosfera;
↓
PARtoa = a PAR refletida no topo da atmosfera
↑
μ = cos (θ), ângulo de incidência da radiação;
θ = ângulo zenital solar;
O3 = concentração ozônio, em cm atm, (as concentrações de 0,17, 0,332 e 0,498 cm atm, foram usados neste caso);
τe = espessura ótica efetiva de aerossóis;
α e β em funções de ozônio (O3), aerossóis espessura ótica de nuvens (τe) e ângulo zenital solar (μ).

Em que:  
τ = espessura ótica real de aerossóis;
W = albedo na faixa de PAR com peso de energia espectral;
i representa qualquer tipo de aerossóis e c representa o aerossol continental.

Por serem as propriedades óticas de aerossóis relativamente constantes na faixa de PAR, os valores de W, τe e τ na
faixa espectral de 0,55 μm são usados para derivar os coeficientes nas equações (12.50) e (12.51). Nesse caso, o valor de
W é 0,891 para aerossol continental e 0,978 para aerossol marítimo.

Em que:  
Ci = coeficiente do canal i;
 VIStoa, i = radiação na faixa de visível do canal i.

Li e Moreau (1996) apresentaram os coeficientes, Ci, de conversão dos sensores da faixa de PAR dos diferentes
satélites, incluindo: NOAA 6 a NOAA 12, GOES 5 a GOES 8, SPOT 2 e Landsat 5 na obtenção de PARtoa↑ (tabela
12.9). Sugeriram que a estimativa de PARtoa↑ por uma combinação das três bandas do Lansat, TM1, TM2 e TM3, que
compõe uma faixa mais completa de PAR (0,451 a 0,699 μm), tem melhor precisão.
Tabela 12.9 – Coeficientes, Ci, de conversão dos sensores da faixa de PAR dos diferentes satélites na obtenção de PARtoa↑. Fonte:
(MOREAU; LI, 1997).

Em que:  
d = distância entre o Sol e o planeta Terra em unidade astronômica;
θ = 2nπ/365;
n = número de dia juliano do ano;
PARo = irradiância extraterrestre na faixa de PAR.

O valor de PARo é em torno de 38% a 41% do valor da radiação solar extraterrestre total (0,3 a 3 μm). Moreau e
Li (1996) demonstraram que esse método não é sensível à variação do ângulo zenital solar e às frações direta e difusa da
radiação solar, mas está intimamente ligado às propriedades óticas da copa de vegetação. O valor de aPARs está mais
ligado à produtividade de biomassa e sua estimativa, com o erro dentro de 5 W m−2, é mais precisa, comparando-se com
os métodos derivados dos dados da fração em cerca de 40% da radiância solar obtidos no topo da atmosfera. Moreau e Li
(1996) propuseram que aPARc pode ser dividida em duas partes: aPARs (PAR absorvida pela superfície abaixo da copa)
e rPAR (a razão de aPARc/aPARs). Usaram o modelo de transferência radiativa da copa da vegetação para obter rPAR
diretamente pela equação (12.56). Os valores dos coeficientes a, b, c e d estão listados na tabela 12.10a e tabela 12.10b.
Usando a equação (12.56), os dados de rPAR podem ser adquiridos em qualquer hora, quando o céu está claro e limpo.

Hunt (1994) aplicou as equações (12.42) e (12.45) para estimar NPP das várias vegetações florestais. Observou
que o limite superior da εn fica em torno de 3,5 g/MJ da PAR absorvida no estágio inicial da vegetação. Esse limite
diminuiu para 2,0 g/MJ quando as vegetações cresceram, aumentando a biomassa, o que resulta no aumento da
respiração. Sugeriu que o valor de εn deve variar de acordo com a idade da floresta.
Field, Randerson e Malmströn (1995) argumentaram que a NPP do globo terrestre é sensível a vários fatores,
incluindo: clima, topografia, solos, espécies, características fisiológicas e as atividades humanas e animais. Mas por falta
de informações locais, é difícil de desenvolver um modelo complexo que integre todos os parâmetros que afetam a εn e
NPP. Portanto, a equação (12.48) foi usada para estimar a NPP global utilizando o valor máximo de 0,39 g C/MJ e o
valor da porcentagem da PAR absorvida em função do NDVI. Calcularam que a NPP global terrestre é de 57 pg/ano,
mas diminuiu para 48 pg/ano (15,8%) por causa dos impactos climáticos, incluindo déficit hídrico e temperatura.
Novo et al. (2002) estimaram a biomassa de macrófitos da reserva Tucuruí com os dados de radar de JERS 1 banda
L e RADARSAT 1 banda C. A regressão linear foi aplicada para correlacionar os dados de matéria seca coletados em
campo com os dados de retroespalhamento de radar. Observaram que as imagens da banda C foram mais sensíveis à
forma das folhas e as da banda L, à biomassa aérea e altura da planta. Sugeriram que a combinação das imagens da
banda C e banda L podem ser usadas para discriminar e para estimar as produtividades primárias das três principais
espécies de macrófilos existentes na Reserva Tucuruí.
Sannier, Taylor e Plessis (2002) monitoraram a produção de biomassa da área de reserva do Parque Nacional
Etiosha, em Namíbia a fim de controlar incêndios florestais usando os dados de série temporal de NDVI obtidos pelo
NOAA AVHRR. A figura 12.12 mostra as correlações entre NDVI e biomassa observadas para várias localidades com
diferentes tipos de vegetação dominante, incluindo pastagens, estepe e savana. Os valores de coeficiente de determinação
(R2) variaram de 0,76 para pastagem (figura 12.12a), 0,89 para pastagem e savana (figura 12.12b), 0,61 para pastagem,
savana e estepe (figura 12.12c) e 0,77 para pastagem e estepe (figura 12.12d) na região de estudo.
Geralmente, os dados de PAR são difíceis de se obterem em locais específicos. O valor de PAR é em torno de 41%
da radiação global incidente (CHANG 1968). Portanto, os dados de PAR podem ser obtidos fundamentados nos dados de
radiação solar multiplicados por um fator de 41%. Um programa simples de calcular os dados diários da radiação solar
baseado no método de Black (1956), está listado em anexo neste capítulo. O método de cálculo da radiação solar é
fundamentado nos dados de radiação extraterrestre e dos horários de brilho em função de latitude e dia juliano em um
determinado local. Um exemplo de dados de entrada e saída usando os dados de 1984 da cidade de Sete Lagoas do
Estado de Minas Gerais está incluído no anexo para sua demonstração.
Tabela 12.10a – Lista dos valores dos coeficientes a, b, c e d para calcular a rPAR (a razão de aPARc/aPARs) pelo método de Moreau e Li
(1996). aPARs (PAR absorvida pela superfície abaixo da copa) e aPARc (PAR absorvida pela copa da vegetação). Os valores de μ (ângulo
zenital solar) de 0,1 a 0,5.
Tabela 12.10b – Lista dos valores dos coeficientes a, b, c e d para calcular a rPAR (a razão de aPARc/aPARs) pelo método de Moreau e Li
(1996). aPARs (PAR absorvida pela superfície abaixo da copa) e aPARc (PAR absorvida pela copa da vegetação). Os valores de μ (ângulo
zenital solar) de 0,6 a 1,0.
 Figura 12.12 – Correlações entre NDVI e biomassa observadas para várias tipos de vegetação: a) pastagem; b) pastagem e savana; c)
pastagem, savana e estepe; d) pastagem e estepe na região do Parque Nacional Etiosha em Nimíbia, África. Fonte: (SANNIER;
TAYLOR; PLESSIS, 2002).

12.3.5 Modelos de previsão de safra agrícola via satélites

Os dados digitais em várias bandas espectrais obtidos pelo sensoriamento remoto fornecem informações da
superfície terrestre. As reflectâncias espectrais das bandas de visível, infravermelho próximo, infravermelho termal até
microonda, medidas via sensoriamento remoto são utilizadas para identificar tipos de vegetação e monitorar as condições
do crescimento das vegetações e os impactos das variabilidades ambientais (GUYOT, 1996; PRÉVOT et al., 1993;
MORAN et al., 1994; SEGUIN; COURAULT; GUÉRI, 1994; WIGNERON; KERR; PRÉVOT, 1997). Geralmente, os
modelos de estimativa de produtividade são construídos com base nos dados históricos de produtividade e índices de
vegetação gerados com os dados de NOAA AVHRR NDVI. Para desenvolver os modelos de índices de vegetação via
satélite, fundamentados nas regressões estatísticas, as precauções mencionadas na construção dos modelos estatísticos
agrometeorológicos devem ser consideradas. Hayes e Decker (1996) desenvolveram um modelo de previsão da
produtividade de milho utilizando a técnica de regressão múltipla baseada nos índices de NDVI e VCI gerados com os
dados de Global Vegetetion Index (NOAA GVI), com resolução espacial de 20 km para a região de cinturão de milho
nos Estados Unidos. Rasmussen (1997) também utilizou a mesma técnica para prever a produtividade de milheto na
África. Recentemente, Liu e Kogan (2002) apresentaram os modelos de regressão múltipla para estimar as
produtividades de soja nos oito principais produtores estaduais e no Brasil. Os modelos utilizaram os dados de TCI e
VCI gerados com os dados de NOAA AVHRR GAC NDVI incorporando o efeito da tendência tecnológica na
produtividade. Os resultados desses trabalhos mostraram que modelos de satélite baseados na técnica de regressão
estatística podem ser viáveis. Vários modelos desenvolvidos pelos pesquisadores são apresentados e avaliados nesta
seção. Antes disso, os critérios e os conhecimentos básicos das estatísticas são apresentados para facilitar a avaliação do
desempenho dos modelos de previsão de produtividade via satélite.

12.3.5.1 Técnicas de decomposição espacial e temporal

Os modelos estatísticos são geralmente fundamentados nos dados mensais de parâmetros agrometeorológicos
disponíveis nas estações de observação meteorológica, e os modelos de processos fisiológicos utilizam os dados diários
de parâmetros meteorológicos e fisiologicos e dados de propriedades do solo. Ambos os tipos de modelos são baseados
nos dados pontuais. Sua previsão de produtividade regional é obtida pela extrapolação de um ponto para uma região
inteira que pode comprometer os erros indesejáveis, por causa da variação espacial apreciável dos parâmetros de
variáveis independentes nos modelos. Os modelos via satélite têm suas vantagens nesse aspecto, porque sua resolução
espacial e temporal é melhor. Mas atualmente, os dados via satélite ainda não alcançaram sua precisão desejável por
causa das reflectâncias registradas pelos sensores em uma altitude acima de 500 a 700 km no diferente tempo sofrendo
interferências atmosféricas e efeitos bidirecionais. Por exemplo, dados digitais de Landsat e SPOT têm boa resolução
espacial de 20 a 30 metros, mas sua freqüência temporal é de 16 a 26 dias e nem sempre se obtém uma boa imagem sem
nuvens quando da passagem do satélite na mesma região. Por outro lado, os dados de NOAA AVHRR têm sua
freqüência temporal diária, mas com uma resolução espacial de 1,1 km no nadir e 4 km fora deste. Apesar de os sensores
dos satélites do futuro serem desenhados para superar esses pontos fracos, a potencialidade de aplicação dos dados atuais
disponíveis ainda é promissora. Para superar os defeitos dos dados de satélite de série NOAA, foram desenvolvidas duas
técnicas para viabilizar o uso dos dados de NOAA AVHRR no desenvolvimento de modelos de previsão de safra
agrícola. As técnicas são: de decomposição espacial e de decomposição temporal. Por meio das decomposições espacial
e temporal, as assinaturas espectrais de cada cultura podem ser recompostas para uma região específica utilizando os
dados de NOAA AVHRR.
Um valor médio regional das assinaturas espectrais de uma determinada cultura é obtido pelo modelo estatístico
simples que considera a contribuição da variabilidade espacial entre os dois pixels próximos por causa dos usos do solo
diferentes, levando em conta que os componentes de assinaturas espectrais da cultura são semelhantes na região
considerada (PUYOU et al., 1994; KERDILES; GRONDONA, 1995). Faivre e Fischer (1997) apresentaram um modelo
mais complexo que considera as variabilidades espaciais de reflectâncias de cada cultura e calculam os desvios de cada
localidade. Quaidrari et al. (1996) utilizaram um modelo de mistura linear para extrair os componentes de assinaturas
individuais das culturas. Esse método recupera a variabilidade espacial de reflectância individual de cada componente de
uma região específica utilizando os dados de NOAA AVHRR.
Cada cultura anual tem sua curva temporal específica de NDVI de acordo com seus estágios de crescimento por
meio do seu ciclo fenológico inteiro. A curva temporal de NDVI de uma região específica pode ser obtida pelo valor
médio do NDVI da área ocupada por uma determinada cultura no período de um ciclo fenológico desta. Cada cultura
ocupa uma parte da área total da região considerada. Portanto, as porcentagens da área ocupada podem ser obtidas para
cada cultura. Uma curva da evolução temporal de cada cultura pode ser construída pelos valores da porcentagem obtidos
no ciclo fenológico da cultura considerada (FISCHER, 1994).

12.3.5.2 Avaliação estatística de modelos de previsão de safra agrícola

Geralmente, as produtividades previstas podem ser positivas ou negativas comparadas às produtividades

observadas. O erro médio obtido pela somatória dos erros obtidos pode ser muito baixo porque os erros positivos e
negativos são cancelados. Portanto, a avaliação de desempenho dos modelos na previsão de produtividade deve evitar o
uso do valor médio dos erros obtidos. Dois termos estatísticos, incluindo erro -padrão da média (Root Mean Square Error
– RMSE) e Média de Porcentagem de Erro Absoluto (Percentage Mean Absolute Error – %MAE) são apresentadas pelas
equações (12.57) e (12.58), respectivamente.

– Erro-padrão da média (RMSE)

Em que:  
Yjp = produtividade prevista, kg/ha;
Yjo = produtividade observada, kg/ha;
j = um determinado ano no período de ano 1 a ano n.

O valor da porcentagem de erro-padrão da média, %RMSE, é calculado a seguir:

%RMSE = 100(RMSE)

– Média de porcentagem de erro absoluto (%MAE)

Em que:  
Yjp = produtividade prevista, kg/ha;
Yjo = produtividade observada, kg/ha;
abs|Yjp – Yjo| = o valor absoluto da diferença entre Yjp e Yjo.
j = um determinado ano no período de ano 1 a ano n.

Outras técnicas de avaliação da estabilidade do modelo construído, tais como canivete (jacknife) e fachada da bota
(bootstrap), podem ser encontradas no pacote estatístico SAS. Essas técnicas utilizam o modelo de regressão linear já
construído para avaliar sua estabilidade de previsão. Rodam o modelo construído N vezes omitindo um ano, no caso de
canivete ou um período de vários anos no caso de fachada da bota, cada vez. As produtividades previstas dos anos
omitidos serão comparadas com as observadas para avaliar sua estabilidade da precisão. O número N é o número de anos
usados para construir o referido modelo.

12.3.5.3 Modelos de índices de vegetação via satélites

Wiegand e Richardson (1987) observaram que LAI, PAR absorvida e produtividade de cultura se correlacionaram
bem com os índices de vegetação, tais como NDVI e PVI para as culturas de milho, algodão e trigo. Posteriormente,
Wiegand e Richardson (1990a, 1990b), baseados na boa correlação entre o NDVI acumulado e a matéria seca
acumulada, desenvolveram os modelos de estimativa de produtividade em função de evapotranspiração total do ciclo
inteiro de uma determinada cultura com boas precisões. Sugeriram que os índices de NDVI e PVI podem ser aplicados
para previsão de produtividade agrícola. Nomoto e Liu (1992) utilizaram o NDVI acumulado nos estágios do
crescimento máximo e eliminaram a contribuição de vegetação no início do crescimento de uma determinada cultura
para estimar o rendimento do milho na região de Ribeirão Preto, Estado de São Paulo. A razão de utilizar o NDVI
acumulado no período do crescimento máximo para estimar a produtividade é porque este período tem alta correlação
com a produtividade do milho. A razão de eliminar a contribuição do grau de verde no início do plantio deve-se ao fato
de a data do plantio do milho de verão no Brasil ser após o início da estação chuvosa. Na plantação do milho, no início
do plantio, o NDVI ainda é baixo por causa do baixo LAI. Mas as vegetações nativas florestais e campos se recuperam
rapidamente após as primeiras chuvas. Em função da resolução espacial dos dados de NOAA AVHRR DVI de 8 km que
cobrem uma área de 6.400 hectares, o aumento do valor de NDVI, no início da estação chuvosa, é por causa da
contribuição do grau de verde das vegetações no fundo. Portanto, o aumento do NDVI no início da data do plantio foi
subtraído nos valores de NDVI no ciclo fenológico do milho, para que o NDVI infira melhor a produtividade. Os
resultados mostraram a melhoria do desempenho do modelo que subtraiu a contribuição do grau de verde de fundo no
início do plantio. Foi obtido o valor médio de erro absoluto de 11%. Para a cultura de arroz na mesma região, o valor
médio de erro absoluto foi menos que 10% (NOMOTO; LIU, 1992). Raumussen (1997) também usou o valor de NDVI
integrado na fase reprodutiva da cultura de milheto subtraindo o valor de NDVI do preplantio para construir o modelo de
previsão de produtividade de milheto em Senegal. Incorporou os mapas de solo e vegetação para delinear as áreas com
maior concentração da cultura do milheto. Os dados de NDVI foram obtidos nessas áreas com alta concentração da
cultura que resultou no grau de verde inferido pelo NDVI, indicou mais diretamente as condições do crescimento da
cultura. Os resultados mostraram que o modelo teve o valor do coeficiente de determinação da regressão (R2) de 0,72
com erro-padrão em 190 kg/ha e o valor médio de erro absoluto próximo a 20%. Rasmussen (1998a) posteriormente
utilizou NDVI integrado ao ciclo fenológico da cultura subtraindo NDVI pré-plantio, corrigindo a porcentagem da
vegetação da área considerada e temperatura da superfície como as variáveis independentes para estimativa da
produtividade de pastagem no Senegal. A temperatura da superfície foi calculada pelo método de Janela Dividida Local
desenvolvido por Anderson (1997). Os resultados mostraram que o modelo tem o valor do coeficiente de determinação
da regressão (R2) de 0,82 com o erro-padrão em 329 kg/ha e o valor médio de erro absoluto abaixo de 20%. Rasmussen
(1998a) aplicou esse modelo para previsão da produção de pastagem em Senegal em sistema operacional com sucesso.
Rasmussen (1998b) também tentou melhorar o modelo de previsão do milheto em Senegal. Incorporou a intensidade de
granjas no modelo e o valor de R2 melhorou de 0,72 para 0,88, o erro-padrão em 113 kg/ha e o valor médio de erro
absoluto também abaixo de 20%.
Quarmby et al. (1993) usaram o NDVI acumulado para estimar os rendimentos das culturas de milho, arroz e
algodão com o valor médio dos erros absolutos menores que 10%, exceto o trigo, com erros acima de 20%. Benedetti e
Rossini (1993) utilizaram a integração dos dados de NOAA AVHRR NDVI durante o período de enchimento de grão do
trigo para a estimativa da produtividade. Foi obtido o valor médio de erro absoluto igual a 20%. Ikeda, Okomoto e
Fukuhara (1999) desenvolveram os dois modelos de estimativa da produtividade das matérias secas de pastagem acima
da superfície em Hokkaido, Japão, usando os dados de NDVI obtidos pelas imagens digitais do Landsat TM e
temperatura média diária acumulada do período de 1984 a 1990. Dois modelos foram desenvolvidos: o primeiro modelo
refere-se à produtividade em função de NDVI e temperatura com R2 de 0,67 e o segundo, em função de razão de
TM2/TM3 e temperatura com R2 de 0,71. Os modelos foram validados com os dados do período de 1990 a 1994. Os
resultados mostraram que o valor médio de erro absoluto abaixo de 15% foi obtido para ambos os modelos.
Ray, Pokharna e Ajai (1999) utilizaram as imagens digitais do satélite de sensoriamento remoto Indiano
(Indian Remote Sensing Satellite – IRS) com a resolução espacial de 72,5 m para estimar a área plantada e a
produtividade da cultura de algodão no distrito Surendranagar no Estado de Gujrat. O perfil do NDVI foi incorporado
para estimativa de taxa de evapotranspiração real regional por meio da técnica de decomposição espacial. O modelo
agrometeorológico foi desenvolvido para estimativa da produtividade de algodão em função de déficit hídrico. Um
modelo simples de balanço hídrico foi usado para calcular esse déficit. O valor médio de erro absoluto foi menor que
15%. Moulin e Guërif (1999) alertaram que os diferentes efeitos bidirecionais causados pela orientação e arquitetura das
folhas da copa das culturas e as diferentes rugosidades da superfície do solo podem complicar as aplicações dos dados de
reflectâncias gerados pelos satélites na previsão de safra agrícola. Apontaram que a reflectância da superfície do solo
causa mais erro na fase inicial do crescimento e a estrutura da copa, na fase posterior com o valor do LAI mais alto. O
uso dos índices de vegetação, tais como NDVI, TSAVI, TCI e VCI, pode diminuir os efeitos do solo no fundo e da copa
das folhas, dependendo da fase fenológica de determinada cultura. Além disso, as aplicações dos sinais de
retroespalhamentos do radar podem ser usadas para monitorar as condições do crescimento das copas das culturas
uniformes.
Kogan (1990) apresentou o índice de vegetação, chamado VCI, para monitorar a variabilidade da seca regional
inferida pelo NDVI eliminando os efeitos geográfico e climático regionais. O VCI é formulado pela equação em seguida:

Em que:  
VCIj = índice da condição de vegetação no período j;
NDVIj = NDVI no período j;
NDVI max e NDVI min são os valores históricos de NDVI máximo e mínimo no mesmo período j.

Kogan (1995) utilizou os dados de VCI obtidos pelos dados AVHRR dos satélites NOAA 9 e NOAA 11 para
monitorar a variação anual de ocorrência da seca nos Estados Unidos da semana 26 (última semana de julho) de 1985 a
1990 com grande sucesso (figura 7.3 no Capítulo 7). Classificou as condições climáticas em três classes de acordo com
os valores de VCI:

a)   seca: VCI entre 0 e 36;

b)   seca leve: VCI entre 37 e 72;
c)   condição climática favorável: VCI entre 73 e 100.

Em seguida, Kogan (1995) apresentou outro índice chamado Índice Condicional de Temperatura de Brilho
(Temperature Condition Index – TCI) no monitoramento da seca nos Estados Unidos. O TCI é calculado com os dados
de AVHRR de temperatura de brilho de canal 4 dos satélites de série NOAA que é apresentado pela equação (12.60)

Em que:  
TCIj = índice da condição de temperatura de brilho no período j;
Tb4j = Tb4 no período j;
Tb4max e Tb4min são os valores históricos de Tb4 máximo e mínimo no mesmo período j.

Hayes e Decker (1996) apresentaram um modelo de regressão simples para previsão de safra do milho usando o
valor médio de VCI dos estágios de pico de crescimento vegetativo do milho para a estimativa da produtividade do
milho da região produtora do milho chamada cinturão do milho (Corn Belt) nos Estados Unidos. O modelo estima a
produtividade normalizada do milho em função do VCI quadrático. O modelo foi construído com os dados de
produtividade de 42 regiões produtoras em um período de oito anos. Fundamentada na comparação das produtividades
observadas e simuladas em 336 casos, as produtividades simuladas têm 61% de casos com o cálculo de erro menor que
10% e 9% de casos, maior que 20%. É importante anotar que os erros são calculados com os dados usados na construção
do modelo. Outro conjunto de dados independente não foi usado para validação do modelo.
Posteriormente, Kogan (1997) usou o valor médio de TCI e VCI para monitoramento da seca do globo inteiro.
Vários graus de seca foram derivados com o valor médio de TCI e VCI. Unganai e Kogan (1998) usaram uma
combinação proporcional de VCI e TCI na construção dos modelos de estimativa de produtividade do milho para a
África. Demonstraram que uma combinação do grau de verde monitorado pelo VCI e do grau de esfriamento da
superfície pelo TCI inferiu bem a produtividade do milho. Mas os erros de estimativa da produtividade do milho ainda
ultrapassaram 20%.
Zielinska et al. (2002) apresentaram modelos de TCI e VCI gerados com dados de NOAA AVHRR GAC para
estimativa de cultura de trigo nas 49 regiões da Polônia. Os modelos foram construídos com os dados do período de 1985
a 1997 e validados com os do ano 1998. O valor de média de erros de 3,82% para 49 regiões demonstra que o modelo
tem alta acurácia. A validação do modelo baseada nos dados de um único ano não tem condições de avaliar a
estabilidade do modelo. A alta acurácia da previsão do ano 1998 pode ser um caso especial, porque apontou que as
condições climáticas desse ano são favoráveis à produção agrícola com amplo suprimento de água. Portanto, os efeitos
das variabilidades climáticas extremas que não foram avaliados no processo da validação podem comprometer os erros
mais altos. Sugerindo-se que uma validação mais rigorosa com os dados de vários anos deve ser feita antes,
recomendando o modelo para aplicação em sistema operacional.
 Liu e Kogan (2002) desenvolveram modelos de regressão linear múltipla usando TCI e VCI para prever as
produtividades da soja causadas pelas variabilidades bioclimáticas interanuais nos principais Estados produtores da soja
no Brasil. Antes da construção do modelo de estimativa de produtividade de soja, um modelo de tendência tecnológica
que projeta a tendência da produtividade de soja em função de tempo foi construído. A equação (12.61) apresenta o
modelo geral de aumento da produtividade de soja em função do tempo.

Em que:  
Yt = produtividade em função do tempo t (100kg/ha);
a = coeficiente de interceptação;
b = coeficiente de declividade;
t = (ano −1900).

O modelo de tendência tecnológica foi obtido pela regressão linear simples usando os dados históricos de
produtividade contra o ano. A tabela 12.11 mostra os oito modelos de tendências tecnológicas de oito Estados e um
modelo nacional do Brasil. Nos nove modelos de tendência tecnológica, os de MT, PR, SC, RS e BR tiveram os valores
altos de coeficiente de determinação (R2) variando de 0,49 a 0,86 que representam as contribuições das novas
tecnologias adaptadas à produção de soja. Os restantes dos modelos tiveram os valores R2 baixos, o que significa que as
adaptações das novas tecnologias à produção de soja nessas regiões estão estabilizadas e resultam nas variações
interanuais da produtividade por causa das variabilidades climáticas.
Tabela 12.11 – Modelos de tendência tecnológica dos oito Estados principais produtores de soja e do Brasil, usando os dados de
produtividade da soja do período de 1986 a 1995. Fonte: (LIU; KOGAN, 2002).

Em que:  
Yt = produtividade (100kg/ha) em função do tempo t = ano −1900;
a = coeficiente de intercepção;
b = coeficiente de declividade.

Posteriormente, os modelos foram construídos para estimar as variações das produtividades previstas em relação às
produtividades previstas pela tendência tecnológica causada pelas variações climáticas inferidas pelos TCI e VCI. A
equação (12.38) define a variável dependente, dY, que foi usada para construção do modelo de desvio da produtividade.
A variável dY é a razão da produtividade prevista e da produtividade estimada pela tendência tecnológica em
porcentagem. Portanto, a estimativa final de produtividade deve ser obtida pelo modelo de desvio da produtividade, dY,
e convertida pelo modelo de tendência tecnológica, Yt, usando as equações de (12.62) e (12.63).
 Em que:  
dY = desvio da produtividade prevista pela tendência tecnológica (%);
Yp = produtividade prevista pelo modelo dY.

Os dados de produtividade da soja e os de TCI e VCI foram calculados com os dados semanais de NDVI do
período de 1985 a 1992 para a construção dos modelos e os dados do período de 1996 a 1999 para a validação dos
modelos. Um total de nove modelos foram construídos, incluindo oito modelos estaduais e um modelo nacional. A tabela
12.12 mostra os modelos de dY desenvolvidos, os valores de R2 e os valores médios dos erros absolutos obtidos pela
simulação. Os valores médios dos erros absolutos obtidos são menores que 10% exceto o modelo do Rio Grande do Sul
que tem o valor de 25% por causa do valor de R2 ser de 0,29, ou seja, muito baixo. Isso indica que as varáveis
independentes, tais como TCI e VCI, não inferem bem a produtividade da soja no Estado do Rio Grande do Sul, porque
o clima não tem as estações chuvosas e secas distintas. O excesso de chuva na época da colheita pode comprometer a
queda da safra.
O TCI é usado para inferir boa safra quando o valor é mais alto. Examinando a equação (12.60), o valor de Tb4j
mais baixo indica a superfície da vegetação em boas condições de crescimento. No caso das culturas sofrendo estresses
ambientais, a temperatura da vegetação aumenta resultando na diminuição do TCI. Por outro lado, a alta umidade na
superfície do solo causada pelo excesso da chuva pode resultar em baixa temperatura da superfície. Nesse caso do
aumento do TCI por causa da baixa temperatura, causada pelo excesso de água na superfície, pode resultar no alto valor
de TCI, que, em vez de indicar as boas condições de crescimento, prejudica o crescimento da vegetação e em
conseqüência a queda da safra. Portanto, nas regiões de alta pluviosidade, sem estações seca e chuvosa distintas, tal
como o Estado de Rio Grande do Sul, a aplicação do TCI tem sua limitação. A mesma razão, o valor extremo baixo do
VCI nem sempre indica o déficit hídrico porque o excesso da chuva também pode causar baixo valor de VCI por causa
da presença temporária de água na superfície do solo. No caso de presença temporária da alta umidade na superfície de
solo, em vez de prejudicar, favorece o crescimento, se o período de excesso da água não for longo e prejudicial. Essas
observações demonstram que as aplicações dos TCI e VCI nas construções dos modelos de estimativa de produtividade
das culturas nas regiões de alta pluviosidade e sem estações de seca e chuvosa distintas têm suas limitações.
Tabela 12.12 – Modelos estatísticos de estimativa do desvio da produtividade da soja em função de Temperature Condition Index (TCI) e
Vegetation Condition Index (VCI) para Brasil e oito estados produtores da soja: Brasil (BR), Mato Grosso (MT), Goias (GO), MS
(Matogrosso do Sul), Paraná (PR), Santa Catarina (SC), Rio Grande do Sul (RS), São Paulo (SP) e Minas Gerias (MG). Fonte: (LIU;
KOGAN, 2002).

Variáveis independentes – (os números subscritos indicam números de semanas):

a)   região 1: T5= (T30+ T31 + T32)/3; T6 = (T33+T34+T35)/3.

b)   região 2: T3= (T30+T31+T32)/3.
c)   região 3: T4= (T31+ T32 + T33 + T34)/4; V4= (V24+ V25 + V26 +V27)/4;
d)   região 4: T4= (T + T + T + T )/4;
 26 27 28 29
e)   região 5: T3= (T35+ T36 + T37)/3;
f)   região 6: T7= (T36+ T37 + T38)/3;: V5= (V30+ V31 + V32)/3;
g)   região 7: T6= (T33 + T34 + T35)/3; V7= (V36 + V37 +V38)/3;
h)   região 8: T2= (T31 + T32)/2;
i)   região 9: T3= (T31+ T32 + T33)/3; V3= (V31+ V32 + V33)/3;

Com um total de 27 casos de previsão, 21 tiveram os erros absolutos menores que 10% (78% de casos) e 2 casos
tiveram erros absolutos maiores que 20% (7% de casos). Comparando os modelos desenvolvidos por Liu e Kogan (2002)
com os modelos desenvolvidos por vários pesquisadores, incluindo Hayes e Decker (1996), Rasmussen (1997), Unganai
e Kogan (1998), os de Liu e Kogan (2002) mostraram melhor desempenho. Mas estes modelos ainda não estimaram bem
a produtividade de soja nos anos com climas extremos, tais como os anos com seca severa e os com excesso de chuva.
Posteriormente, Liu et al. (2002) propuseram índice de estresse de vegetação (Vegetation Stress Index – VSI) e
índice de estresse de temperatura (Temperature Stress Index – TSI) baseados nos dados de VCI e TCI proposto por
Kogan (1990, 1995). Argumentaram que os valores baixos de VCI podem ser interpretados erroneamente se a superfície
for ocupada pela água ou solo saturado, porque o valor de NDVI está próximo ou abaixo de zero na superfície de água.
As condições de crescimento de vegetações afetadas pela seca severa e pelo excesso hídrico são diferentes. O valor de
VCI próximo a zero pode inferir a seca ou o excesso hídrico na superfície. Portanto, é necessário modificar esse índice
para melhorar a correlação entre a seca e o valor baixo do VCI. Baseando-se na correlação entre as produtividades
relativas e os dados de VCI no período crítico de crescimento da cultura de soja, os efeitos de seca e excesso hídrico na
produtividade podem ser separados e representados pelas duas equações diferentes. O valor de TCI mais alto infere as
condições climáticas mais favoráveis ao crescimento da vegetação. Mas no caso de superfície ocupada pela água, o valor
de TCI é alto porque água é mais fria que a superfície de vegetação. De mesma maneira, ao gerar o VSI, os altos valores
do TCI por causa das condições boas do crescimento e do excesso hídrico na superfície resultando a baixa produtividade
podem ser separados e calculados pelo TSI. Fundamentadas nas correlações entre as produtividades relativas e os dados
de TCI, as duas equações podem ser obtidas para converter os dados de TCI ao TSI. Aplicando VSI e TSI nas
construções de modelos de estimativa de produtividade de soja para os principais Estados produtores de soja e
comparando com os modelos baseados nos dados VCI e TCI (LIU; KOGAN, 2002), observa-se que os modelos
apresentados eram mais precisos e as estatísticas eram mais estáveis. Mas os erros ainda ultrapassam 10% em alguns
casos. Portanto, as equações das correlações entre os efeitos de seca e excesso hídrico na produtividade da soja e as
equações das correlações entre os efeitos contrários de baixa temperatura da superfície na produtividade devem ser
derivadas dos dados observados em campo para que os TSI e VSI sejam aplicados com maior precisão. Vale apontar que
os dados de albedo obtidos por satélite podem ser usados para separar a superfície úmida com baixo valor de albedo e
superfície seca com alto valor de albedo.
Doraiswamy et al. (2004) usaram os dados de Landsat ETM+ para estimativas das áreas plantadas das culturas de
soja e milho, usaram os dados de TERRA MODIS para estimativas de LAI e produtividades de soja e milho e os dados
das microondas passivas adquiridos pelo satélite AQUA para monitoramento das condições de umidade do solo na bacia
hidrográfica Walnet Creek no Estado de Iowa nos Estados Unidos. As áreas plantadas, a produtividade das duas culturas,
os dados de LAI e a umidade do solo foram coletados para validações dos modelos. As acurácias de áreas plantadas
classificadas pelas imagens do Landsat ETM+ alcançaram 97% para milho e 98% para soja, e as acurácias de estimativas
de produtividade alcançaram −3,12% para soja e 6,62% para milho, comparando-se com os dados oficiais reportados
pelo Serviço Nacional de Estatísticas de Agricultura do USDA. É importante anotar que as acurácias das estimativas de
produtividade de milho e soja eram baseadas nos dados de um único ano, o que pode comprometer sua aplicação nos
anos com as condições climáticas extremas. Demonstrou-se que a integração dos dados adquiridos pelos diferentes
satélites, tais como Landsat ETM+ e TERRA MODIS, pode aperfeiçoar os modelos de previsão das safras agrícolas. Em
geral, a aplicação das técnicas de previsão da safra agrícola via satélite está cada dia mais confiável e mais viável de
implantar um sistema operacional de previsão da safra agrícola em grande escala.

12.4 Sistema operacional de previsão da safra agrícola

As perspectivas futuras das aplicações dos dados de NOAA AVHRR no monitoramento e na estimativa da
produção agrícola são promissoras. As previsões das condições do desenvolvimento e crescimento das culturas,
especialmente das condições de estresses ambientais que somam todas as causas catastróficas (tais como: secas,
enchentes, doenças e pragas, deficiências de nutrientes, geada e outras.), podem ser feitas para grande área em sistema
operacional via satélite. Os monitoramentos das várias condições dos estresses ambientais podem ser aperfeiçoados pela
utilização dos dados diários de NOAA AVHRR LAC com a resolução espacial de 1,1 km em vez de 8 km. Os dados de
média resolução espacial, tais como SPOT e Landsat, além de terem baixa freqüência temporal, requerem maior tempo
para dissimilar e analisar os dados com o custo mais elevado. A respeito da estimativa da produtividade, a precisão da
previsão pelos dados de índices de vegetação gerados com os dados de NOAA AVHRR ainda não é satisfatória e merece
mais pesquisa. Entretanto, para fins de aplicação atual, vários métodos de estimativa da produtividade, como observação
no campo, modelos estatísticos agrometeorológicos, modelos de simulação dos processos fisiológicos, modelos de
índices de vegetação, podem ser aplicados para gerar previsões independentes. Os modelos desenvolvidos serão
avaliados e aprimorados por informações de usos e tipos de solo e os dados das culturas usando os dados do Landsat e
várias fontes de mapas de classificação do solo e da vegetação. A previsão conclusiva pode ser justificada baseada nas
estimativas feitas pelos métodos descritos que têm uma maior concordância dentro dos resultados obtidos pelos modelos.
Os avanços nas áreas de satélite, previsão de tempo e tecnologia da computação contribuem para que a previsão
dos impactos climáticos na produção agrícola seja mais confiável. A Divisão de Aplicações Climáticas do National
Environmental Satellite, Data, and Information Service (NESDIS/NOAA), localizada em Colúmbia, Missouri, USA,
desenvolveu um sistema de Alerta da Seca Agrícola para a região Sahel na África desde o ano de 1979 (SAKAMOTO;
STEYAERT, 1987). Esse sistema de alerta de seca tem sido reconhecido internacionalmente. Vários países já o
incorporaram no sistema operacional de serviços meteorológicos.
Visando à produção agrícola como um peso importante no sistema econômico do global, o estabelecimento de
uma rede operacional de alerta da seca agrícola é urgentemente recomendado. O sistema de alerta de seca proposto
compõe-se de três subsistemas: informação de satélite, índices agroclimatológicos e produtividade. O subsistema de
informação de satélite oferece os dados de precipitação que inclui a distribuição espacial da quantidade de chuva pelo
uso dos dados de índice de nuvens derivados dos dados de satélite. O subsistema de índices agroclimatológicos oferece
os índices de seca pela análise estatística da probabilidade de chuva baseada nos dados históricos. As informações de
ocorrências de geada, enchente, doenças e pragas, que acontecem freqüentemente em regiões específicas, deverão ser
analisadas para caracterizar o grau de perda da produção. No subsistema de previsão da produtividade, serão
desenvolvidos modelos estatísticos agrometeorológicos, modelos de simulação dos processos fisiológicos da cultura e
modelos de índice de vegetação gerados com dados de satélite. As estimativas da produtividade obtidas pelos três tipos
de modelos desenvolvidos serão comparadas e confirmadas com as informações atualizadas em campo para a obtenção
de uma estimativa mais confiável. Previamente à divulgação da informação de previsão, os dados obtidos pelos três
subsistemas, as informações obtidas nas várias instituições responsáveis pela operação de previsão e os dados obtidos no
campo serão cuidadosamente cruzados e comparados para se obter uma previsão realista.
O sistema operacional requer uma equipe multidisciplinar que possa trabalhar interagindo com as agências e os
países envolvidos na mesma tarefa. O sistema de comunicação deve ter alta capacidade de manter os fluxos de dados e
informações mais rápidas possíveis servindo para o oferecimento da previsão do alerta em tempo hábil. Os produtos do
sistema de alerta abrangem três tipos de informações: resumo executivo, análise regional e/ou nacional e dados
atualizados via Internet. Para destacar a notícia de alerta, a primeira página do boletim já apresentará a região mais
afetada. As análises das causas e os dados observados são apresentados no texto com informações detalhadas. Após a
divulgação do boletim, a atualização da previsão será feita pela Internet. A divulgação da informação gerada pelo sistema
de alerta é destinada aos usuários, cujas opiniões serão coletadas e analisadas para alcançar o melhor atendimento. O
sistema de alerta é utilizado para oferecer as informações de alerta de seca agrícola regularmente tanto regional como
nacional.

12.5 Sistema de agricultura de precisão

Novos sistemas de manejo, tais como mecanização, irrigação e controle de capins invasores, doenças e pragas, são
atualmente adaptados à produção agrícola pelos grandes produtores. As variações espaciais e temporais dos fatores
ambientais dificultam sua eficiência na aplicação dessas novas tecnologias. Os satélites fornecem um fluxo contínuo de
dados com altas resoluções espaciais e temporais que podem ser utilizados para quantificação das variabilidades
espaciais e temporais dos parâmetros bioclimáticos e para aumentar sua eficiência de aplicações. Portanto, um Sistema
de Agricultura de Precisão (SAP), gerenciado pelo SIG, pode ser usado para geração de mapas dinâmicos das condições
dos parâmetros ambientais e culturas e para monitorar e gerenciar cada unidade de produção agrícola no campo em
tempo real (MORAN; INOVE; BARNES, 1997). Metternicht (2003) utilizou os índices de vegetação derivados com os
dados de alta resolução espacial obtidos pela videografia montada no avião registrados pelo GPS para monitorar as
condições de crescimento das culturas, incluindo estresses hídricos, danos das estruturas das copas, e mapear as áreas
ocupadas pelas diferentes culturas. Recomendou que as imagens de Landsat e SPOT, acompanhadas com as videografias
adquiridas pelo avião, podem ser aplicadas para manejo de sistema de agricultura de precisão.

12.5.1 Mapas de propriedades de solos

As variações espaciais e temporais das propriedades físicas e químicas do solo, tais como textura, estrutura,
densidade global, fertilidade e outros. podem afetar a potencialidade de produção agrícola. As variações espaciais dessas
propriedades dificultam mais a aplicação dos sistemas de manejo das culturas. Portanto, os mapas que fornecem os
parâmetros das propriedades do solo são imprescindíveis na execução dos sistemas modernos de manejo de culturas.
Esses mapas podem ser gerados pela extrapolação dos dados pontuais obtidos pelos levantamentos detalhados do solo
em campo para a validação dos mapas com boa resolução espacial baseados nas imagens multiespectrais de satélites de
alta resolução. Os mapas de topografia e declividade podem ser gerados baseados nos dados de DEM obtidos pelos
satélites de alta resolução espacial, interferômetro de microondas SAR ou fotografias aéreas. As escalas de 1:12.000 ou
1:24.000 dos mapas do solo produzidos pelo levantamento do solo tradicional são insuficientes para atender o
requerimento do SAP. Portanto, os mapas mais detalhados devem ser elaborados com os dados de satélites. Bell, Buttler
e Thompson (1995) apresentaram o procedimento de mapear as propriedades do solo para o SAP em quatro etapas:

a)   elaboração de mapa regional do levantamento do solo em escalas 1:12.000 a 1:24.000;

b)   aplicação das técnicas de interpolação geoestatística, por exemplo, krigagem, para obter os valores de cada
parâmetro em um determinado pixel grid baseado nos dados pontuais das amostras;
c)   geração de mapa topográfico utilizando os dados de DEM ou os dados obtidos por satélites;
d)   os mapas de propriedades do solo gerados podem ser arquivados no gerenciador de dados, tal como SIG.

12.5.2 Mapas de parâmetros meteorológicos

Uma determinada cultura adapta-se bem a um tipo de clima específico. As variabilidades climáticas interanuais
podem afetar sua produção. Portanto, os mapas de variabilidades espaciais e temporais dos parâmetros meteorológicos
são importantes na execução do SAP. Os mapas desses parâmetros, tais como precipitação, temperatura, radiação solar,
radiação onda longa, radiação líquida incidente e PAR, podem ser gerados com os dados de satélites e radares
meteorológicos. Os dados com alta resolução espacial dos parâmetros meteorológicos, como temperatura do ar,
velocidade do vento e déficit de pressão do vapor podem ser gerados pela combinação dos dados de satélites e dos dados
gerados pelos modelos de simulação de previsão do tempo em mesoescala. Mas, atualmente, os mapas de ETP, ETR e
déficit e excesso hídricos somente podem ser gerados com uma combinação dos dados de satélites e em campo pelos
métodos semi-empíricos. Por causa dos métodos via satélite atuais disponíveis, ainda não é possível se livrar totalmente
dos dados observados em campo para a validação dos seus métodos.

12.5.3 Mapeamento da produtividade potencial

O mapa da produtividade anual de uma determinada cultura pode ser gerado com um monitor, montado na
máquina de colheita, que é georreferenciado pelo sistema DGPS. Os dados de produtividade de cada localidade
posicionada pelo DGPS são usados para interpolar os valores médios de produtividade e gerar o mapa de produtividade
utilizando análise geoestatística pela técnica simples de inversão da distância (MURPHY; SCHNUG; HANEKLAUS,
1995). Em função de a técnica de geoestatística requerer uma grande população de amostras e nem sempre a variação
das propriedades do solo e da cultura ser estacionária e linear, Tomer, Anderson e Lamb (1995) usaram a técnica de
regressão estatística entre os dados digitais de imagens de fotografias aéreas da banda infravermelha e os dados pontuais
de produtividade observados no campo para gerar os mapas de produtividade. O mapa de produtividade gerado pelo seu
método é mais preciso.
Os mapas de produtividade gerados para vários anos podem ser usados para gerar mapas de produtividade relativa
anual. A variabilidade anual de produtividade expressa pela produtividade relativa anual é um indicador que pode ser
usado para identificar quais são os fatores que afetam a produtividade relativa de um determinado ano. Os fatores
identificados serão corrigidos pelas ações tomadas no SAP para o próximo plantio. Searcy (1995) propôs uma técnica
chamada Tecnologia da Taxa Variável (Variable Rate Technology – VRT), para agilizar estas ações no SAP. A VRT
aplica-se aos dados de entrada de produtividade relativa com sua taxa relacionada com a taxa de sistemas variáveis, tais
como herbicidas, adubos, inseticidas, sementes e outros. Os custos das implementações de VRT, DGPS e SAP na
fazenda já estão mais acessíveis atualmente (PALMER, 1995). Essas tecnologias avançadas de posicionamento estão
sendo integradas pelo SIG para alcançar o sistema de SAP mais avançado (USERY, 1995). Por exemplo, Hanson, Robert
e Bauer (1995) desenvolveram um sistema de aplicação de herbicidas montado no trator com o sistema de DGPS guiado
no mapa, registrando as áreas com invasores, permitindo que a pulverização seja acionada somente nas áreas infectadas.
O mapa de cada variável que limita sua produção deve ser gerado em tempo hábil para que o SAP seja acionado na hora
certa para eliminar o fator limitante. Essa tarefa é bastante trabalhosa; atualmente ainda é um ponto fraco na aplicação do
SAP.

12.5.4 Monitoramento de variabilidades anuais de fatores ambientais

Os mapas de propriedades físicas e químicas são usados pelo SAP para determinar a eficiência das ações no
sistema de manejo de culturas. Por exemplo, Nielsen, Wendroth e Parlange (1995) identificaram que os atributos mais
importantes na fertilidade do solo são as disponibilidades de nitrogênio e alguns macro e micronutrientes, posição e
declividade da topografia do terreno e conteúdo da matéria orgânica. As variabilidades espaciais e temporais de fatores
ambientais podem ser monitoradas via satélite. Vários índices, tais como NDVI, VCI, TCI e MPDT gerados com dados
de satélites são utilizados para monitorar os estresses ambientais.
 As plantas individuais não são os objetos unicamente detectáveis na plantação pela técnica de sensoriamento
remoto. Outros objetos naturais e várias alterações da superfície terrestre pelas práticas de manejo introduzidas pelos
agricultores também são detectados. As atividades de manejo incluem os espaçamentos entre as culturas e entre fileiras,
padrões de fileira e os trilhos das diferentes máquinas usadas para aração, adubação, pulverização e colheita.
McCloy (2002) alertou que os diferentes sistemas de manejo das culturas podem afetar o monitoramento das
condições de crescimento das culturas nas plantações usando as imagens de satélites. As características dessas práticas
podem ser analisadas pelo uso de variogramas. Foram aplicados dois métodos de filtragem Fourier no processamento dos
dados digitais das imagens com a resolução espacial de 3 m e 23 m adquiridos pelo avião Compact Airborne
Spectrographic Image (CASI) e pelo satélite IRS para remover os efeitos de manejos das culturas no SAP na Dinamarca:
um método que filtra o variograma da imagem pela Transformação Fourier diretamente e outro, que filtra a imagem e
depois gera o variograma da imagem filtrada. O autor concluiu que os dois métodos foram semelhantes, mas o método de
filtragem do variograma da imagem foi mais rápido que o de filtragem da imagem.

12.6 Perspectivas futuras

A previsão de safra agrícola envolve duas tarefas: estimativa de área plantada e estimativa de produtividade. As
técnicas de estimativa de áreas plantadas via satélite alcançaram a acurácia desejada. Porém, o procedimento de
amostragem e os modelos de estimativa de áreas plantadas desenvolvidos pelo projeto MARS são recomendados para
implantar um sistema operacional de monitoramento regional, nacional, até global de áreas plantadas. As técnicas de
estimativa de produtividade de uma determinada cultura via satélite ainda não alcançaram um nível de acurácia estável.
Apesar de os VCI e TCI inferirem bem as produtividades regionais, os valores baixos de NDVI podem inferir estresse
hídrico e excesso hídrico e os valores altos do TCI podem inferir a condição ótima do desenvolvimento das culturas e o
excesso hídrico. Assim, esses índices podem não funcionar bem nas regiões com suspeita de excesso hídrico. Além
disso, os dados do TCI calculados pela temperatura de brilho do cabal 4 do NOAA AVHRR podem não representar bem
a temperatura real da superfície da vegetação. Portanto, outros índices mais versáteis que possam separar os efeitos de
déficit hídrico e os efeitos de excesso hídrico, tais como índices de estresse ambiental e índices de estresse térmico,
podem ser aplicados para a construção dos modelos que funcionam bem nas diversas condições climáticas extremas. Nos
cálculos dos VCI e TCI, o valor de albedo pode ser usado para distinguir a superfície seca inferida por alto valor de
albedo e a superfície úmida inferida com o baixo valor de albedo. Os valores máximos históricos de NDVI e mínimo de
Tb4 devem ser obtidos com as condições climáticas de superfície sem excesso de água. A integração dos vários dados
fornecidos por vários satélites com as resoluções espaciais e temporais é necessária para o desenvolvimento dos modelos
de regressão estatística e dos modelos de crescimento fisiológicos para alcançar a acurácia desejada para as previsões das
safras agrícolas (DORAISWAMY et al., 2004).

Referências
ABUZAR, M.; MCALLISTER, A.; MORRIS, M., 2001. Classification of seasonal images for monitoring irrigated crops in a salinity
affected of Australia. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:717-726.
ACKINSON, P. M.; CUTLER, M. E.; LEVIS, H., 1997. Mapping subpixel proportional land cover with AVHRR imagery. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:917-935.
AHL, D. E.; GOWER, S. T.; MACKAY, D. S.; BURROWS, S. N.; NORMAN, J. M.; DIAK, G. R., 2005. The effects of aggregated land
cover data on estimating NPP in northern Wisconsin. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA
97:1-14.
AHERN, F. J.; GOODENOUGH, D. G; GREY, A. L.; REYRSON, R. A.; VIBIKAITIS, R. J.; GOLDBERG, M., 1973. Simultaneous
microwave and optical wavelength observations of agricultural targets. Canada Journal of Remote Sensing, Canadian Society of Remote
Sensing, Ottawa, Canada. 4:127-142.
ALLEN, J. D.; HANUSCHAK, S. A., 1983. The remote sensing application program of the national agricultural statistics service,
1980/87. NASA Staff Report N0. SRB-88-08, U.S.A.
ALONSON, F. C.; SORIA, S. L.; GOZADO, J. M., 1991. Comparing two methodologies for crop area estimation in Spain using Landsat
TM images and ground-gathered data, Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 35:29-35.
ANDERSON, H. S., 1997. Land surface temperature estimation based on NOAA AVHRR data during the HEPEX Sahel Experiment.
Journal of Hydrology, 188:788-814
ANDRÉS, L.; SALAS, W. A.; SKOLE, D., 1994. Fourier analysis of multi-temporal AVHRR data applied to a land cover classification.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1115-121.
ANUNCIAÇãO, Y. M.; LIU, W. T., 1991. Estimativa da produtividade do trigo em campo experimental utilizando o modelo fisiológico
CERES-MAIZE V2.10. Resumo do VII Congresso Brasileiro de Agrometeorologia. Viçosa, MG. p.22-35.
ASHCROFT, P. M.; CATT, J. A.; CURRAN, P. J.; MUNDEN, J.; WEBSTER, R., 1990. The relation between reflected radiation and
yield on the broad balk winter wheat experiment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 11:1821-
1836.
ATTEMA, E. P.; ULABY, F. T., 1978. Vegetation modelled as a water cloud. Radio Science, 13:357-364.
AVENIER, D., 1993. Stratification methodology using satellite images and a geographical information system - setting up a sampling
scheme. Proceedings of the Remote Sensing to Agricultural Statistics: Regional Inventory. Athens, Georgia, USA. p.1-28.
AWAYA, Y.; KODANI, E.; TANAKA, K.; LIU, J.; ZHUANG, D.; MENG, Y., 2004. Estimation of the global net primary productivity
using NOAA images and meteorological data: changes between 1988-1993. International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 25:1597-1613.
BAKER, D. N.; HESKETH, J. D.; DUNCAN, W. G., 1972. Simulation of growth and yield in cotton. I. Gross photosynthesis, respiration
and growth. Crop Science, American Society of Crop Science, Madison, Wisconsin, USA. 12:431-435.
BAUER, M. E.; HIXSON, M. M.; DAVIS, B. J.; EITHERDGE, J. B., 1973. Area estimation of crops by digital analysis of Landsat data.
Photogrammetric Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 44:1033-1043.
BECKER, F.; LI, Z. L., 1990, Towards a local split window over land surfaces. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 11:369-393.
BELL, J. C.; BUTTLER, C. A.; THOMPSON, J. A., 1995. Soil terrain modelling for site specific agricultural management. Proceedings
of the Site-Specific Management for Agricultural System. Transaction on American Society of Agricultural Engineering, Academic Press,
New York, USA. p.209-227.
BELLA, C. M.; PARUELO, J. M.; BECERRA, J. E.; BACOUR, C.; BARET, F., 2004. Effect of senescent leaves on NDVI based
estimates of fAPAR: experimental and modelling evidences. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
25:5415-5427.
BENEDETTI, R.; ROSSINI, P., 1993. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield
estimate and forecast in Emilia Romagna., Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA 45, 311-
326.
BLACK, J. N., 1956. The Distribution of Solar Radiation Over the Earth’s Surface. Archiv Fur Meteorologie, Geophysik und
Bioklimatologie, 7:165-189.
BORAK, J. S.; STRAHLER, A. H., 1999. Feature selection and land cover classification of a MODIS-like data set for a semiarid
environment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:919-938.
BOUMAN, B. A., 1992a. Accuracy of estimating the leaf area index from vegetation indices derived from crop reflectance characteristics,
a simulation study. International Journal of Remote Sensing, 13: 3069-2084.
BOUMAN, B. A., 1992b. Linking physical remote sensing models with crop growth simulation applied to sugar beet models.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13: 2565-2581.
BOUMAN, B. A.; VAN KASTEREN, H. W.; UENK, D., 1992. Standard relations to estimate ground cover and LAI of agricultural crops
from reflectance measurements. European Journal of Agronomy, Elsevier Science Publishing Co., London, UK. 1:249-262.
BOUMAN, B. A., 1995. Crop modeling and remote sensing for yield prediction, Netherlands Journal of Agricultural Science, DLO
Research Institute for Agobiology and Soil Fertility, Wageningen, the Netherlands. 43:143-161.
BROWN, K. W., 1969. A model of the photosynthesizing leaf. Physiology of Plant, American Society of Plant Biologists, Rockville,
Maryland, USA. 22:620-637.
BROWN, K. W., ROSENBERG, N. J., 1971. Shelter-effects on microclimate, growth and water use by irrigated sugar beets in the Great
Plains. Agricultural Meteorology, Elsevier Science Publishing Co. Amsterdam, The Netherlands. 9:241-263.
BUSH, T. F.; ULBANY, F., 1978. An evaluation of radar as a crop classifier. International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 8:15-36.
CASELLES, V.; COLL, C.; VALOR, E., 1997. Land surface emissivity and temperature determination in the HAPEX-Sahel area from
AVHRR data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:1009-1028.
CATE, R. B.; HSU, Y. T., 1978. An algorithm for defining linear program activities using the law of the minimum. North Carolina
Agricultural Experiment Station, Technical Bulletin Nº 253., 1978.
CHANG, J. H., 1968. Climate and Agriculture - an Ecological Survey. Aldine, Chicago, USA. .248p.
CHEN, Z. M.; BABIKER, I. S.; CHEN, Z. X.; KOMAKI, K.; MOHAMED, M. A.; KATO, K., 2004. Estimation of interannual variation
in productivity of global vegetation using NDVI data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
25:3139-3159.
CLEVERS, J. G.; VAN LEEUWEN, H. J., 1996. Combined use of optical and microwave remote sensing data for crop growth
monitoring. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA 56:42-51.
DADHWAL, W. K.; SRIDHAR, V. N., 1997. A non-linear regression for vegetation index-crop yield relation incorporating acquisition
data normalization. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 18:1403-1405.
DAWSON, T. P.; NORTH, P. R.; PLUMMER, S. E.; CURRAN, P.J., 2002. Forest ecosystem chlorophyll content: implications for
remote sensing estimates of net primary productivity. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
23:611-617.
DE WITT, C. T., 1958. Transpiration and crop yield. Institute of Biology and Chemistry Resources on Fields Crops and Herbage.
Wageningen, the Netherlands, Landbouwk, Onderz, 88p.
DE WIT, A. J.; CLEVERS, J. G., 2004. Efficiency and accuracy of per-field classification for operational crop mapping. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4091-4112.
DOMENIKIOTIS, C.; SPILIOTOPOULOS, M.; TSIROS, E.; DALEZZIOS, N. R., 2004. Early cotton production assessment in Greece
based on a combination of the drought vegetation condition index (VCI) and the Bhalme and Mooley drought index (BMDI). International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:5373-5388.
DOORENBOS, J.; PRUITT, W. O., 1977. Crop Water Requirements. FAO Irrigation and Drainage Paper N° 24. FAO, Rome, Italy. 144p.
DOORENBOS, J.; KASSAM, A. H., 1979. Yield response to water. FAO Irrigation and Drainage Paper N° 33. FAO, Rome, Italy. 193p.
DA COSTA, J. M. N., 1981. Temperature influence on the respiration rate of soybean crop. Progress Report to the National Science
Foundation on Grant ATM-7901017. University of Nebraska, Lincoln, Nebraska. USA. 121p.
DORAISWAMY, P. C.; HODGES, T.; PHINNEY, D. E., 1979. Crop yield literature review for AGRISTARS crops. NASA Technical
Report. SR-L9-00405, Earth Observation Division, NASA, Lyndon B. Johnson Space Center, Houston, Texas, USA. 98p.
DORAISWAMY, P. C.; HATFIELD, J. L.; JACKSON, T. J.; AKHMEDOV, B.; PRUEGER, J.; STERN, A., 2004. Crop condition and
yield simulation using Landsat and MODIS. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA 92:548-
559.
DUSEK, D. A.; MUSICK, J. T., 1986. Spectral vegetation indices for estimating corn, sorghum and wheat growth parameters. American
Society of Agriculture Engineering Paper, N° 3375. 17p.
EL SHARKAWY, M.; HESKETH, J., 1965. Photosynthesis among species in relation to characteristics of leaf anatomy and CO2
diffusion resistance. Crop Science, American Society of Crop Science, Madison, Wisconsin, USA.5:517-521.
ESTEP, L.; TERRIE, G.; DAVIS, B., 2004. Technical note: Crop stress detection using AVIRIS hyperspectral imagery and artificial
neural networks. International Journal of Remote Sensing, 25:4999-5004.
FAIVRE, R.; FISHER, A., 1997. Predicting crop reflectance using satellite data observing mixed pixels. Journal of Agricultural,
Biological and Environmental Statistics, American Statistcal Association and International Biometric Society, Alexandria, Virginia, USA.
2:1-21.
FAO, 1999. FAOSTAT, Agriculture Data, Internet: Http://Apps.Fao.Org/Cgi-Bin/Nph-Db.Pl/Subset/Agriculture.
FIELD, C. B.; RANDERSON, J. T.; MALMSTRÖM, C. M., 1995. Global net primary production: combining ecology and remote
sensing. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA 51:74-88.
FERENCZ, C.; BOGNÄR, P.; LICHTENBERGER, J.; HAMAR, D.; TARCSAI, G.; TIMÄR, H.; MOLNÄR, G.; PÄSZTOR, S.;
STEINBACH, P.; SZÉKELY, B.; FERENCZ, O.; ÄRKOS, I., 2004. Crop yield estimation by satellite remote sensing. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4113-4149.
FISCHER, A., 1994. A model for the seasonal variation of vegetation indices in course resolution data and its inversion to extract crop
parameters. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA 48:220-230.
FUNG, I. Y.; TUCKER, C. J.; PRENTICE, K. C., 1987. Application of advanced very high resolution radiometer vegetation index to
study atmospheric-biosphere exchange of CO2. Journal of Geophysical Research, 92:2999-3015.
FROUIN, R.; PINKER, R., 1995. Estimating photosynthetically active radiation at the earth surface from satellite observation. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA 51:98-107.
GALLEGO, J.; DELINCÉ, J., 1995a. Area estimation by segment sampling. Special Report: The MARS Project, Action 1: Regional
Inventories. European Community Commission, ISPRA, Italy. P.1-25.
GALLEGO, J.; DELINCÉ, J., 1995b. Regression estimates with remote sensing. Special Report: The MARS Project, Action 1: Regional
Inventories. European Community Commission, ISPRA, Italy. P.37-43.
GALLO, K. P.; FLESH, T. K., 1989. Large-area crop monitoring with the NOAA AVHRR data: Estimating the silking stage of corn
development. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 27:73-80.
GÓMEZ, L.; CALPE, J.; MARTIN, J. D.; SORIA, E.; CAMPS, G.; J. MORENO, 2002. Semi-supervised method for crop classification
using hyperspectral remote sensing images. In: Recent Advances in Quantitative Remote Sensing, Edited by J. A. Sobrino. Vniversitat de
Valéncia, Valencia, Spain, p488-495.
GONZÁLEZ, F.; LÓPEZ, S.; CUEVAS, J. M., 1991. Comparing two methodologies for crop area estimation in Spain using Landsat TM
images and ground gathered data. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 35:29-36.
GOWARD, S. N.; DYE, D. G., 1987. Evaluating North American net primary productivity with satellite data. Advances in Space
Research, 7:165-174.
GRANADOS-RAMIREZ, R.; TRUJILLO, T. R.; RODRIGUEZ, G. G.; RUIZ, J., 2004. Analysis of NOAA AVHRR NDVI images for
crops monitoring. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1615-1627.
GUYOT, G., 1996. Agriculture et statistique agricoles, In: Précis de télédétection: Tome 2, Applications thématiques, Edited by F. Bonn,
Sainte Foy, Québec, Presses de lüniversité de Québec, p.269-316.
HANSON, L. D.; ROBERT, P. C.; BAUER, M., 1995. Mapping wild oats infestations using digital imagery for site-specific management.
Proceedings of Site-Specific Management for Agricultural System. Transaction on American Society of Agricultural Engineering,
Academic Press, New York, USA. p.495-503.
HAYES, M. J.; DECKER, W. L., 1996. Using NOAA AVHRR data to estimate maize production in the US Corn Belt. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:3189-3200.
HAZARIKA, M. K.; YASUOKA, Y.; ITO, A.; DYE, D., 2005. Estimation of net primary productivity by integrating remote sensing data
and ecosystem model. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 94:298-310.
HIXON, M. M.; BAUER, M. E.; CHOLZ, W., 1980. An assessment of Landsat data acquisition history on identification and area
estimation of corn and soybean. Proceedings of the Symposium on Machine Processing of Remote Sensing data. Purdue University, USA.
p.55-67.
HODGES, T.; BOTNER, D.; SAKAMOTO, C.; HANG, J., 1987. Using the CERES-maize model to estimate production for the US
Cornbelt. Agricultural and Forest Meteorology, Elsevier Science Publishing Co. Amsterdam, The Netherlands. 40:293-303.
HUNT, E. R. JR., 1994. Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from
NDVI. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1725-1730.
IBGE, 1992. Anuário Estatístico do Brasil. Fundação Instituto Brasileiro de Geografia e Estatístico, Rio de Janeiro, Brasil, 1992.
IBSNAT, 1993. IBSNAT Views 1. International Benchmark Sites Network for Agrotechnology Tranfer. University of Hawaii Press,
Honolulu, Hawaii, USA. 112p.
IKEDA, H.; OKOMOTO, K.; FUKUHARA, M., 1999. Estimation of above ground phytomass in meadow grasslands with a growth
model using Landsat TM and climatic data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:2283-2294.
INOUE, Y.; OLIOSO, A.; CHOI, W., 2004. Dynamic change of CO2 flux over bare soil field and its relationship with remote sensed
surface temperature. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1881-1892.
IQBAL, M., 1983. An Introduction to Solar Radiation. Academic Press, Toronto, 390 p.
JARVIS, P. G.; LEVERENZ, J. W., 1983. Productivity of temperate, deciduous and evergreen forest. In: Physiological Plant Ecology IV,
Ecosystem Processes: Mineral Cycling, Productivity and Man’s Influence, Edited by O.L. Lange, P.S. Nobel, C.B. Osmond and H.
Ziegler, New York, Springer-Verlg. p.132-147.
JIANG, D.; YANG, X.; CLINTON, N.; WANG, N., 2004. An artificial neural network model for estimating crop yields using remote
sensed information. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1723-1732.
JOHNSON, G. E.; VAN DIJK, A.; SAKAMOTO, C. M., 1987. The use of AVHRR data in operational agricultural assessment in Africa.
Geocartography International, 1:41-60
JONES, C. A.; KINIRY, J. R., 1986. CERES-Maize, a simulation model of maize growth and development. Texas A&M University,
College Station, TX: Texas A & M University Press, 193p.
KALUBARME, M. H.; POTDAR, M. B.; MANJUNATH, K. R.; B. T.; MAHEY, B. T.; SIDHU, S. S., 2003. Growth profile based crop
yield models: a case area wheat yield modelling and its extendibility using atmospheric corrected NOAA AVHRR data. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:2037-2054.
KAUTH, R. J.; THOMAS, G. S., 1976. The tasselled cap graphic description of the spectral-temporal development of agriculture crops as
seen by Landsat. Proceedings of the Symposium on Machine processing of Remotely Sensed Data. Purdue University. West Lafayette, IN.
USA, p. 41-51.
KATZ, R. W., 1979. Sensitivity analysis of statistical crop weather models. Agriculture Meteorology, Elsevier Science Publishing Co.
Amsterdam, The Netherlands. 20:291-300.
KAWAMURA, K.; AKIYAMA, T.; YOKOTA, H.; TSUTSUMI, M.; YASUDA, T.; WATANABE, O.; WANG, G.; WANG, S., 2005.
Monitoring forage conditions with MODIS imagery in the Xilingol Steppe, Inner Mongolia. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 26:1423-1436.
KERDILES, H.; O. GRONDONA, M., 1995. NOAA AVHRR NDVI decomposition and subpixel classification using linear mixing in the
Argentina Pampa. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16:1303-1325.
KIDWELL, K. B., 1996, NOAA Polar Orbiter Data Users Guide, Satellite Data Service Division, NESDIS/NOAA, Washington D.C.,
USA. http://www.nesdis.noaa.gov.
KOGAN, F. N., 1990. Remote sensing of weather impacts on vegetation in non-homogeneous areas. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:1405-1420.
KOGAN, F. N., 1995. Application of vegetation index and brightness temperature for drought detection. Advances in Space Research.,
Elsevier Science Publishing Co., New York, USA. 15:91-100.
KOGAN, F. N., 1997. Global Drought watch from space. Bulletin of the American Meteorological Society, 78:621-636.
KOGAN, F. N.; Stark, R.; Gitelson, A.; Jargalsaikhan, L.; Dugrajav, C.; Tsooj, S., 2004. Derivation of pasture biomass in Mongolia from
AVHRR-based vegetation health indices. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 25:2889-2896.
KOTCHENOVA, S. Y.; SONG, X.; SHABANOV, N. V.; POTTER, C. S.; KNYAZIKHIN, Y.; MYNENI, R. B., 2004. LIDAR remote
sensing for modelling gross primary production of deciduous forests. Remote Sensing of Environment, Elsevier Science Publishing Co.,
New York, USA. 92:158-172.
KUMAR, M.; MONTEITH, J. L., 1982. Remote Sensing of Plant Growth. In: Plants and Daylight Spectrum. Edited by H. Smith,
Academic Press, London. UK, p.133-144.
LARCHER, W., 1986. Ecofisiologia Vegetal. Revisão técnica e notas por Antonio Lamberti, USP, Editora Pedagógica e Universitária
Ltda. São Paulo, 319p.
LEMON, E. L., 1960. Photosynthesis under field conditions. II. An aerodynamic method for determining the turbulent carbon dioxide
exchange between atmosphere and a corn field. Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 52:697-
703.
LEMON, E. L., 1967. Aerodynamic studies of CO2 exchanges between the atmosphere and the plant, Harvesting the Sun. In:
Photosynthesis in Plant Life, Edited by A. San Petro, F.A. Geer and T.J. Army. Academic Press. New York, USA, p117-137.
LEMON, E. L., 1969. Important microclimatic factors in soil-water-plant relationships. Modifying the soil and water environment for
approaching the agricultural potential of the Great Plains. Great Plains Agriculture Council, Lincoln, Nebraska, USA. Publication No. 34,
p95-102.
LEFSKY, M. A.; HARDING, D.; COHEN, W. B.; PARKER, G.; SHUGART, H. H., 1999. Surface lidar remote sensing of basal area and
biomass in deciduous forest of eastern Maryland, USA. Remote sensing of Environment, Elsevier Science Publishing Co., New York,
USA. 67:83-98.
LEFSKY, M. A.; TURNER, D. P.; GUZY, M.; COHEN, W. B., 2005. Combining LIDAR estimates of aboveground biomass and Landsat
estimates of stand age for spatially extensive validation of modelled forest productivity. Remote sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 95:517-531.
LINDERMAN, M.; LIU, J.; QI, J.; AN, L.; QUYANG, Z.; YANG, J.; TAN, Y., 2004. Using artificial neural networks to map the spatial
distribution of understorey bamboo from remote sensing data. International Journal of Remote Sensing, Taylor & Francis Ltd, London,
UK. 25:1685-1700.
LI, Z.; MOREAU, L., 1996. A new approach for remote sensing of canopy absorbed PAR, I: total surface absorption. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 55:175-191.
LIU, W. T.; BOTNER, D. M.; SAKAMOTO, C. M., 1989. Application of CERES-maize model to yield prediction of a Brazilian-maize
Hydrid. Agriculture and Forest Meteorology, Elsevier Science Publishing Co. Amsterdam, The Netherlands. 45:299-312.
LIU, W. T.; FERREIRA, A. A., 1991. Monitoring crop production regions in the São Paulo State of Brazil using NDVI. Proceedings of
the 24th International Symposium on Remote Sensing, Rio de Janeiro, RJ, Brasil. V2: 442-455.
LIU, W. T.; LIU, B. W., 1981. Um modelo de previsão de safra de trigo no Rio Grande do Sul. Ciência e Cultura, Sociedade Brasileira
para Progresso de Ciências, Unicampo, Campinas, SP, Brasil. 33: 257-264.
LIU, W. T.; LIU, B. W., 1988. Comparação de modelo simples e composto de previsão de safra de soja no Estado de Minas Gerais.
Ciência e Cultura, 40:808-812.
LIU, W. T.; LIU, B. W., 1988. Modelo de Previsão de Produtividade de Café no Estado De Minas Gerais. Ciência e Cultura, 40:801-807.
LIU, W. T.; KOGAN, F. N., 1996, monitoring drought using vegetation condition index. International Journal of Remote Sensing, Taylor
& Francis Ltd, London, UK. 17:2761-2782.
LIU, W. T.; KOGAN, F. N., 2002. Monitoring Brazilian soybean production using NOAA AVHRR based vegetation condition index.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:1161-11712.
LIU, W. T.; SOUZA, A.; KOGAN, F. N., 2002. Brazilian soybean yield prediction using satellite stress indices. In: Proceedings of Recent
Advances in Quantitative Remote Sensing, edited by Jose A. Sobrino. Vniversitat de Valéncia, Valencia, Spain,.p409-415.
LOOMIS, R. S.; WILLIAMS, W. A., 1963. Maximum crop productivity: an estimate. Crop Science, American Society of Crop Science,
Madison, Wisconsin, USA.3:67-72.
LOTSCH, A.; TIAN, Y.; FRIEDL, M. A.; MYNENI, R. B., 2003. Land cover mapping in support of LAI and fPAR retrievals from EOS-
MODIS and MISR: classification methods and sensibilities to errors. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 22:1997-2016.
MAAS, S. J., 1988. Use of satellite data to improve model estimates of crop yield. Agronomy Journal, American Society of Agronomy,
Madison, Wisconsin, USA. 80:655-662.
MASELLI, F.; CONESE, C.; PETKOV, L.; GILABERT, M., 1993. Environmental monitoring and crop forecasting in the Sahel through
the use of NOAA NDVI data. A case study: Niger 1986-813. International Journal of Remote Sensing, Taylor & Francis Ltd, London,
UK. 14:3471-3487.
MASELLI, F.; CHIESI, M., 2005. Integration of high and low resolution satellite data to estimate pine forest productivity in
Mediterranean coastal area. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of
America, New Jersey, USA. 43:135-143.
MCCLOY, K. R., 2002. Analysis and removal of the crop management practices in remote sensed images of agricultural fields.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:403-416.
MCCREE, K. J., 1974. Equations for the rate of dark respiration of white clover and grain sorghum as functions of dry weight,
photosynthetic rate and temperature. Crop Science, American Society of Crop Science, Madison, Wisconsin, USA.14:509-514.
MCNAIRN, H.; ELLIS, J.; VAN VER SANDEN, J. J.; HIROSE, T.; BROWN, R. J., 2002. Providing crop information using
RADARSAT-1 and satellite optical imagery. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:851-870.
MCQUIGG, J. D., 1975. Economic impacts for weather variability. Department of Atmospheric Science. University of Missouri,
Columbia, MO. USA, 82p.
METTERNICHT, G., 2003. Vegetation indices derived from high-resolution airborne videography from precision crop management.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:2855-2877.
MONTEITH, J. L., 1972. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology, University of East Anglia,
Norwich, UK. 9:747-766.
MONTEITH, J. L., 1977. Climate and efficiency of crop production in Britain. Philosophy Transactions of Royal Society, London, UK.
B281. 277-294.
MORAN, M. S.; CLARKE, T. R.; INOUE, Y.; VIDAL, A., 1994. Estimating crop water deficit using the relation between surface-air
temperature and spectral vegetation index. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 49: 246-
263.
MORAN, M. S.; INOUE, Y.; Barnes, E. M. 1997. Opportunities and limitations for image-based remote sensing in precision crop
management. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 61:319-346.
MOREAU, L.; LI, Z., 1996. A new approach for remote sensing of canopy absorbed PAR, II: Proportion of canopy absorption. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 55:192-204.
MOULIN, S.; BONDEAU, A.; DELÉCOLLE, R., 1998. Combining agricultural crop models and satellite observations: from field to
regional scales. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 19:101-1036.
MOULIN, S.; GUÉRIF, M., 1999. Impacts of model parameter uncertainties on crop reflectance estimates. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 20:213-218.
MURPHY, D. P.; SCHNUG, E.; HANEKLAUS, S., 1995. Yield mapping - a guide to improved techniques and strategies. Proceedings of
the Site-Specific Management for Agricultural System. Transaction on American Society of Agricultural Engineering, Academic Press,
New York, USA. p.33-47.
MUTANGA, O.; SKIDMORE, A. K., 2004. Narrow band vegetation indices overcome the saturation problem in biomass estimation.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3999-4014.
NIELSEN, D. R.; WENDROTH, O.; PARLANGE, M. B., 1995. Opportunities for examining on farm soil variability. Proceedings of the
Site-Specific Management for Agriculture System. Transaction on American Society of Agricultural Engineering, Academic Press, New
York, USA. p.95-132.
NOMOTO, R. Y.; LIU, W. T., 1992. Estimativa da produtividade agrícola da cultura de arroz baseada nos dados de índice de vegetação
obtidas por satélite. Anais do VII Congresso Brasileiro de Meteorologia, 28 de setembro à 02 de outubro de 1992, São Paulo, V2:543-547.
NOVO, E. M.; COSTA, M. P.; MANTOVANI, J. E.; LIMA, I. B., 2002. Relationship between macrophyte stand variables and radar
backscatter at L and C band, Tucurui, Brazil. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1241-1260.
PALMER, R. J., 1995. Positioning aspects of site-specific applications. Proceedings of the Site-Specific Management for Agricultural
System. Transaction on American Society of Agricultural Engineering, Academic Press, New York, USA. p.613-618.
PRÉVOT, J. R.; DECHAMBRE, M.; TACONET, O.; VIDAL, D.; NORMAND, M.; GALLE, S., 1993. Estimating the characteristics of
vegetation canopies with airborne radar measurements. . International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
14:2803-2818.
PRINCE, S. D., 1991a. Satellite remote sensing of primary production: comparison of results for Sahelian grasslands 1981-1983.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 12:1301-1311.
PRINCE, S. D., 1991b. A model of regional primary production for use with coarse resolution satellite data. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 12:1312-1330.
PRICE, J. C.; BAUSCH, W. C., 1995. Leaf area index estimation from visible and near-infrared reflectance data., Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 52:55-65.
PUYOU-LASCASSIES, P., FLOUZAT, G.; GAY, M.; VIGNOLLES, C., 1994. Validation of the use of multiple linear regression as a
tool of unmixing coarse spatial resolution images. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
49:155-166.
QUAIDRARI, H.; BÉGUÉ, A.; IMBERNON, J.; D’HERBES, J. M., 1996. Extraction of the pure spectral response of the landscape
components in NOAA AVHRR mixed pixels: application to the HEPEX-Sahel degree square. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 17:2259-2280.
QUARMBY, N. A.; MILNES, M. T.; HINDLE, T. L.; SILLEOS, N., 1993, The use of multi-temporal NDVI measurements from
AVHRR data for crop yield estimation and prediction. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 14,
199-210.
QUARMBY, N. A.; TOWNSHEND, J. R.; SETTLE, P. J.; WHITE, K. H.; MILNES, M.; HINDLE, T. L.; SILLEOS, N., 1992. Linear
mixture modelling applied to AVHRR data for crop area estimation. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 13:415-426.
RASMUSSEN, M. S., 1992. Assessment of millet yields and production in northern Burkina Faso using integrated NDVI from the
AVHRR. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:3431-3442.
RASMUSSEN, M. S., 1997. Operational yield forecasting using AVHRR NDVI data: prediction of environmental and inter-annual
variability. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:1059-1077.
RASMUSSEN, M. S., 1998a. Developing simple operational consistent NDVI vegetation models by applying environmental and climatic
information: part 1: assessment of net primary production. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
19:97-117.
RASMUSSEN, M. S., 1998b. Developing simple operational consistent NDVI vegetation models by applying environmental and climatic
information: part 2: crop yield assessment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 19:118-219.
RAY, S. S.; POKHARNA, S. S.; AJAI, T. C., 1994. Cotton production estimation using IRS-1B and meteorological data. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1085-1090.
RAY, S. S.; POKHARNA, S. S.; AJAI, T. C., 1999. Cotton yield estimation using agrometeorological model and satellite-derived spectral
profile. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:2693 -2702.
REEVES, M. C.; ZHAO, M.; RUNNING, S. W., 2005. Usefulness and limits of MODIS GPP for estimating wheat yield. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26: 1403-1421.
REMBOLD, F.; MASELLI, F., 2004. Estimating inter annual crop area using multi-resolution satellite sensor images. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:2641-2647.
ROBERTSON, G. W., 1963. A biometeorological time scale for a cereal crop involving day and night temperatures and photoperiod.
International Journal of Biometeorology, Springer Press, Amsterdam, Netherlands. 12:91-223.
ROCLOT, D.; COLIN, F.; PUECH, C., 2005. Updating land cover classification using a rule-based decision system. International Journal
of Remote Sensing, Taylor & Francis Ltd, London, UK. 26:1309-1321.
ROPELEWSKI, C. F.; HALPERT, M. S., 1987. Global and regional scale precipitation patterns associated with the El Niño/Southern
Oscillation. Monthly Weather Review, American Society of Meteorology, Boston, Massachusetts, USA. 115:1606-1626.
RUSSELL, G.; JARVIS, P. G.; MONTEITH, J. L., 1989. Absorption of radiation by canopies. In: Plant Canopies: The Growth, Form and
Function. Edited by G. Russell, P.G. Jarvis and. P. Marshall. Society of Experimental Biology Seminar Series, Vol. 31. Cambridge
University Press. Cambridge, UK. p21-41.
SAKAMOTO, C. M., 1973. The z-index as a variable for crop yield estimation. Agriculture Meteorology, Elsevier Science Publishing Co.
Amsterdam, The Netherlands.19:305-313.
SAKAMOTO, C. M.; STEYART, L. T., 1987. International drought early warning program of NOAA/NESDIS. In: Planning for Drought:
Toward a Reduction of Social. Vulnerability. Project Technical Report, NOAA NESDIS, Washington D.C., USA, p. 267-273.
SANNIER, C. A. D.; TAYLOR, J. C.; PLESSIS, W. D., 2002. Real-time of vegetation biomass with NOAA AVHRR in Etosha National
Park, Namibia, for fire risk assessment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:71-90.
SCHOTTEN, C. G.; VAN ROOY, W. W.; JANSSEN, L. L., 1995. Assessment of the capacities of multi-temporal ERS-1 SAR data to
discriminate between agricultural crops. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 16:2619-2637.
SEARCY, S. W., 1995. Engineering systems for site-specific management: opportunities and limitations. Transaction on American
Society of Agricultural Engineering, Academic Press, New York, USA. p.603-618.
SEGUIN, B.; COURAULT, D.; GUÉRI, M., 1994. Surface temperature and evapotranspiration: application of local scale methods to
regional scales using satellite data., Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 49:287-295.
SELLERS, P. J.; NEESON, B. W.; HALL, F. G.; ASRAR, G.; MURPHY, R.; SCHIFFER, R.; BRETHERTON, F.; DICKSON, R.;
ELLINGSON, R.; FIELD, C.; HUEMMRICH, K.; JASTICE, C.; MELACK, J.; ROULET, N.; SCHIMEL, D.; TRY, P., 1995. Remote
sensing of the land surface for studies of global change: model-algorithm-experiments. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 51:3-26.
SHARKAWY, E. M.; HESKETH, J., 1965. Photosynthesis among species relation to characteristics of leaf anatomy and CO2 diffusion
resistances. Crop Science, American Society of Crop Science, Madison, Wisconsin, USA.5:517-521.
SHIBLES, R. M., 1976. Terminology pertaining to photosynthesis. Crop Science, American Society of Crop Science, Madison,
Wisconsin, USA.16:437-439.
SMITH, G. M.; FULLER, R. M., 2001. An integrated approach to land cover classification: an example in the Island of Jersey.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:3123-3142.
SNYDER, R. L., 1985. Hand calculating degree days. Agriculture and Forest Meteorology, Elsevier Science Publishing Co. Amsterdam,
The Netherlands. 35:353-358.
SOUZA, A. F.; LIU, W.T., 2000. Comparison of soybean productivity for the northern region of the Parana State using 4 satellite
recorded vegetation indices. Anais do XI Congresso Brasileiro de Meteorologia, Outubro, 23-27, 2000, Rio de Janeiro, Brasil. Em CD-
ROM.
STEINMETZ, S.; LAGOUARDE, J. P.; DELECOLLE, R.; GUERIF, M.; SEGUIN, B., 1991. Evapotranspiration and water stress using
thermal infrared measurements. Proceedings of Physiology Breeding of Winter Cereals for Stressed Mediterranean Environment.
Montpelliar, França 3-6, July, 1989. Edited by INRA, Paris 1991. Lee Colloques N°. 55. p.89-114.
SULLIVAN, J., 1999. New radiance-based method for AVHRR thermal channel nonlinearity corrections. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 20:3493-3501.
TAYLOR, B. F.; DINI, P. W.; KIDSON, J. W., 1985. Determination of seasonal and interannual variation of New Zealand pasture growth
from NOAA 7 data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:177-192.
THOMPSON, L. M., 1970. Weather and technology in the production of corn in the U. S. Corn Belt. Agronomy Journal, American
Society of Agronomy, Madison, Wisconsin, USA. 61: 453-456.
TOMER, M. D.; ANDERSON, J. L.; LAMB, J. A., 1995. Landscape analysis of soil and crop data using regression. Proceeding of the
Site-Specific Management for Agricultural System. Transaction on American Society of Agricultural Engineering, Academic Press, New
York, USA. p.273-284.
TSUJI, G. Y.; UEHARA, G.; S. BALAS, 1994. A decision support system for agrotechnology transfer version 3, IBSNAT, University of
Hawaii, v1-3. 787p.
TUCKER, C. J.; FUNG, I. Y.; KEELING, C. D.; GAMMON, R. H., 1986. Relationship between atmospheric CO2 variations and a
satellite derived vegetation index. Nature, Boston, Massachusetts, USA. 319:195-199.
TUCKER, C. J.; TOWNSHED, J. R.; GOFF. T.E., 1985. African land cover classification using satellite data. Science, 227:369-374.
TURNER, D. P.; OLLINGER, S.; SMITH, M. I.; KRANKINA, O.; M 2004. Scaling net primary productivity to a MODIS footprint of
earth observing system production validation. . International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1961-
1979.
UNGANAI, L. S.; KOGAN, F. N., 1998, Drought monitoring and corn yield estimation In Southern Africa from AVHRR data. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 63, 219-232.
VALOR, E.; CASELLES, V., 1996, Mapping land surface emissivity from NDVI: application to European, Africa and South American
areas. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 57: 167-184.
VAN DIJK, A.; CALLIS, S. L.; SAKAMOTO, C. M., 1987. Smoothing vegetation index profiles: an alternative method for reducing
radiometric disturbance in NOAA AVHRR data. Photogrammetric Engineering and Remote Sensing, Elsevier Science Publishing Co.,
New York, USA. 63:1059-1067.
USERY, E. L.; POCKNEE, S.; BOYDELL, B., 1995. Precision farming data management using geographic information systems.
Photogrammetric Engineering and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 61: 1383-1391.
USDA, 1994. Major world crop areas and climatic profiles. World Agricultural Outlook Board, Agricultural Handbook N°. 664. 277p.
VEROUSTRAETE, F.; PATYN, J.; MYNENI, R. B., 1996. Estimating net ecosystem exchange of carbon using the NDVI and ecosystem
model. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 58:115-130.
WAGGONER, P. E.; NORNELL, D. R., 1973. Fitting the Law of the Minimum to fertilizer applications and crop yields. Agronomy
Journal, American Society of Agronomy, Madison, Wisconsin, USA. 71:352-355.
WANG, J.; RICH, P. M.; PRICE, K. P.; KETTLE, W. D., 2004. Relations between NDVI and tree productivity in the central Great Plains.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3127-3138.
WANNEBO, A.; ROSENZWEIG, C., 2003. Remote sensing of US Cornbelt areas sensitive to the El Niño-Southern Oscillation.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:2055-2067.
WARREN, W., 1967. Ecological data on dry matter production by plants and plant communities. In: The collection and Processing of
Field Data. Edited by E. F. Bradley and O.T. Denmead, Interscience Press, New York, USA. p.215-221.
WEINREB, M. P.; HAMILTON, G.; BROWN, S., 1990. Nonlinearity correction in calibration of the advanced very high resolution
radiometer infrared channels. Journal of Geophysical Research, 95, 7381-88
WHITTAKER, R. H.; MARKS, P. L., 1975. Methods of assessing terrestrial productivity, In: Primary Productivity of the Biosphere,
Edited by H. Lieth and R.H. Whittaker, 1975. Springer-Verlag, Berlin, p.55-118.
WIEGAND, C. L.; RICHARDSON, A. J., 1987. Spectral components analysis rationale and results for three crops. International Journal
of Remote Sensing, Taylor & Francis Ltd, London, UK. 8:1001-1032.
WIEGAND, C. L.; RICHARDSON, A. J., 1990a. Use of spectral vegetation indices to infer leaf area evapotranspiration and yield. I.
Rationale, Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 83:623-629.
WIEGAND, C. L.; RICHARDSON, A. J., 1990b. Use of spectral vegetation indices to infer leaf area evapotranspiration and yield. II.
Results, Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 83:630-636.
WIGNERON, J. P.; KERR, Y.; PRÉVOT, J. R., 1997. Retrieval of soil and vegetation features from passive microwave measurements.
Remote Sensing Review, Taylor & Francis Ltd, London, UK. 15:157-177.
ZHAO, M.; HEINSCH, F. A.; NEMANI, R. R.; RUNNING, S. W., 2005, Improvements of the MODIS terrestrial gross and net primary
production global data set. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 95:164-176.
ZIELINSKA, K. D.; KOGAN, F.; CIOLKOSZ, A.; GRUSZCZYNSK, M.; KOWALIK, W., 2002. Modelling of crop growth conditions
and crop yield in Poland using VHRR-bases indices. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
23:1109-1123.

ANEXO 12A- Cálculo de Radiação Solar Diária pelo Método de Black (1956)
13.1 Introdução
Os dados de satélites fornecem um fluxo contínuo de informações com altas freqüências temporais e espaciais sem
precedentes e são freqüentemente utilizados pelas diversas disciplinas de especialistas como uma ferramenta poderosa
para desenvolver seus métodos de pesquisas e suas aplicações no monitoramento das evoluções dinâmicas do mundo
real. Esses usuários sentem, a cada dia, mais necessidade de obter tais dados com maior facilidade e com as qualidades
mais compatíveis às suas finalidades de usos. Portanto, diferentes técnicas para tentar eliminar os ruídos e corrigir os
efeitos bidirecionais foram desenvolvidas pelos vários grupos de pesquisadores. Isto resulta em uma inconsistência dos
dados processados que complica suas aplicações. No início da década de 1990, um método de padrão foi estabelecido
por um grupo de especialistas envolvendo NASA, NOAA, USGS e vários especialistas internacionais na área de
processamento de dados de satélites, especialmente, para os dados de NOAA AVHRR, coordenado pelo NOAA. As
técnicas típicas de processar uma imagem digital bruta registrada pelos sensores de um satélite envolvem os processos de
correções radiométricas, atmosféricas e geométricas. Todos estes processamentos de dados digitais são chamados como
o pré-processamento de dados de satélites. Neste capítulo, serão apresentadas as técnicas mais usadas para o
processamento dos dados de satélites antes que sejam aplicados no monitoramento das evoluções temporais e espaciais
dos objetos presentes na superfície terrestre, incluindo o cálculo do horário de passagem dos satélites, calibrações
radiométricas, correções de degradação de sensores, correções atmosféricas e geométricas e técnicas de eliminação da
contaminação de nuvens.

13.2 Horário local de passagem dos satélites

Por causa do deslocamento do satélite de sua órbita original após o lançamento causado pelo atrito atmosférico e a
variação do ângulo de inclinação causada pela força magnética do Sol, a hora da passagem do satélite em um local
específico deve ser recalculada para cada dia específico e para cada satélite. O ângulo zenital solar varia de acordo com a
hora do dia. Portanto, os dados de ângulo zenital solar devem ser calculados corretamente de acordo com a hora certa da
passagem do satélite para cada pixel específico.

13.2.1 Horário local de passagem do satélite NOAA

Os dados de NOAA AVHRR obtidos pelos satélites com passagem à tarde são afetados pelo atraso de alguns
minutos no início até duas horas, no tempo final do seu funcionamento cerca de três a quatro anos (PRICE, 1991). A
figura 13.1 mostra os tempos de atraso ao passar pelo equador à tarde para os satélites NOAA 7, NOAA 9 e NOAA 11.
Esse atraso do tempo aumenta lentamente após o seu lançamento. A linha quase reta na figura 13.1 representa um satélite
ideal que quase não tem o tempo de atraso, anos após o lançamento. Para os estudos das evoluções dinâmicas das
variabilidades bioclimáticas interanuais, tais como albedo, temperatura, condições do crescimento das vegetações e usos
do solo, as propriedades inferidas pelos dados de AVHRR são afetadas pela variação das radiâncias observadas por causa
da mudança gradual no ângulo solar incidente ao longo da sua vida no espaço. Atualmente, nossa capacidade de
compensar as mudanças de ângulo solar é limitada. Portanto, os estudos de comparação das evoluções interanuais de
usos do solo e as propriedades físicas da superfície devem processar os dados com a correção da degradação dos sensores
e do deslocamento do satélite no período estudado.

Figura 13.1 – Tempos de atraso ao passar pelo equador à tarde nas 14 horas para os satélites NOAA 7, NOAA 9 e NOAA 11. Fonte:
(PRICE, 1991).

A figura 13.2 mostra os tempos locais de passagem dos satélites NOAA 6, NOAA 8 e NOAA 10 que cruzam o
equador na parte da manhã às 7h30min. Esses satélites variam muito pouco seu tempo quando de passagem pelo
equador, desviando-o entre menos 18 minutos a mais de 10 minutos, comparando-se com seu valor. Portanto, os dados
de NOAA de passagem na parte da manhã não foram os mesmos tempos de atraso que os da tarde.
 Figura 13.2 – Tempos de atraso ao passar pelo equador de manhã às 7h para os satélites NOAA 6, NOAA 8 e NOAA 10. Fonte:
(PRICE, 1991).

13.2.2 Deslocamentos das passagens de Landsat e SPOT

A figura 13.3 mostra as trilhas de passagem das órbitas dos satélites Landsat e SPOT e seus ângulos de reclinação
(α) cruzando o plano do equador (PRICE, 1988). As trilhas de passagem são distribuídas igualmente na direção nordeste
a sudoeste. Os sensores de Landsat MSS, TM e ETM+ registram os dados ao longo de sua trilha da passagem de zero
grau de ângulo de visada no trilho chamado “nadir”. A trilha do Landsat, representada por uma linha com os pontos à
esquerda da figura, indica a passagem e o pixel do nadir. O SPOT, carregando dois sensores gêmeos chamados, High
Resolution Videos (HRV), é capaz de registrar os dois, ao longo e fora da trilha, da passagem. A trilha e duas filas de
pontos ao longo da passagem do SPOT, na figura esquerda, ao lado da trilha do Landsat, representam uma varredura de
um par de HRV com três visadas (um total de 6 pixels) durante uma passagem. A linha direta representa a órbita 1 do
Landsat 5 que cruza o equador a partir do Greenwich na longitude de zero grau (λ=0) e a órbita 2 desloca-se em direção
ao oeste e assim completando um ciclo de 16 órbitas.
Os Landsat 1, 2 e 3 têm suas órbitas repetidas a cada 18 dias, os Landsat 4 e 5 a cada 16 dias. Mas deve-se tomar
precaução com as passagens das órbitas dos Landsat 4 e 5 que são deslocadas alternativamente para facilitar a cobertura
da mesma área mais freqüente. Ao contrário, as órbitas do SPOT deslocam-se ao leste a partir do Greenwich e
completam um ciclo de 26 dias. As características dos sensores das séries de Landsat e SPOT são apresentadas no
Capítulo 2. A tabela 13.1 lista os dados das órbitas de passagens de Landsat 1 a 5 e SPOT 1 (PRICE, 1988), incluindo: a
trilha da passagem, a longitude base (λo), o deslocamento de longitude no Greenwich (λ), o aumento latitudicional (δΦ),
o ciclo de repetição da órbita em dias (D), o ciclo de órbitas (R), tempo de cruzamento no equador (T0), e ângulo do
cruzamento com o plano do equador (α).
 Figura 13.3 – Trilhas de passagem das órbitas dos satélites Landsat e SPOT e seus ângulos de reclinação (α) cruzando o plano do
equador. Órbita base inicial (λo), deslocamento (λ), ângulo da compensação (Λ) e latitude (Φ). As órbitas dos satélites Landsat
deslocam a partir do Greenwich de longitude zero (λ) para o oeste e as dos SPOTs para o leste. Fonte: (PRICE, 1988).

Tabela 13.1 – As datas das órbitas de passagens de Landsat 1 a 5 e SPOT 1. Fonte: (PRICE, 1988).

13.2.3 Deslocamentos de dias das passagens do Landsat e SPOT

As tabelas 13.2 a 13.5 são utilizadas para determinar as datas de passagem dos satélites Landsat e SPOT. Por
exemplo, os seguintes passos são para determinar os números de passagem do Landsat 5 durante o mês de julho de 1987
passando pela região de Beltsville, Maryland, USA:
 
a)  o dia do interesse: dia 1 de julho de 1987 = 181 (o dia Juliano, tabela 13.3);
b)   os números (87/15) encontrados no satélite L5 e na coluna 5 na tabela 13.2 significam a primeira passagem em
janeiro do Landsat 5 que começa no dia 15 de janeiro de 1987 (tabela 13.2);
c)   o número de ciclos é calculado pelo (182−15)/16 = 10,4;
d)   a passagem 1 pode ser 15 + 10×16 =175, 15 +11×16 = 191 e 15 + 12×16, etc.;
e)   para a passagem 15 obtida pelo 175/16 = 10 ciclos + passagem 15, o valor da compensação é o resto do
número integral depois do dia juliano dividido por 16 (175/16 = 10 resto 15). O d(i) =15 indica o valor de d(i)
que varia de 0 a 15 na tabela 13.4, obtendo o valor de compensação que é 9.
f)   portanto, as datas de passagem 15 são: 175+9, 191+9, 207+9, etc., = 3 de julho, 19 de julho, 4 de agosto e
 outros.
Tabela 13.2 – Datas das passagens iniciais (ano/dia do mês de janeiro) para determinar as datas de passagem dos satélites Landsat e
SPOT. Fonte: (PRICE, 1988).

Tabela 13.3 – Dia Juliano relativo ao dia 1º de cada mês das passagens iniciais para determinar as datas de passagem dos satélites Landsat
e SPOT. Fonte: (PRICE, 1988).

Tabela 13.4 – Número de dias compensado referente à passagem 0 a passagem d(i) para determinar as datas de passagem dos satélites
Landsat e SPOT. Fonte: (PRICE, 1988).

Tabela 13.5 – Datas das passagens iniciais para determinar as datas de passagem dos satélites Landsat e SPOT. Fonte: (PRICE, 1988;
Capítulo 2).
Satélite Início Vida final
Landsat 1 23 de julho de 1972 6 de janeiro 1978
Landsat 2 22 de janeiro de 1975 25 de fevereiro 1982
Landsat 3 5 de março 1978 31 de março 1983
Landsat 4 16 de julho 1982 operando
Landsat 5 1 de março 1984 operando
Landsat 7 15 de abril de 1999 operando
SPOT 1 21 de fevereiro 1986 operando
SPOT 2 22 de janeiro de 1990 não-operando
SPOT 3 26 de setembro de 1993 14 de novembro de 1997
SPOT 4 24 de março de 1998 operando
SPOT 5 4 de maio de 2002 operando

13.2.4 Deslocamento de horário de passagem de Landsat e SPOT

 O horário da passagem em tempo Greenwich Meridian Time (GMT), é a soma do tempo cruzando o plano do
equador (To), o incremento do tempo em minutos da passagem referente ao horário da passagem na longitude no
Greenwich (λ) e o tempo de deslocamento do satélite no plano do equador ao local de interesse em alta latitude (Φ). A
equação (13.1) calcula a hora de passagem dos satélites Landsat e SPOT. O valor de T(GMT) é considerado como o
deslocamento da órbita que causa uma variação em cerca de 5 a 10 minutos.

Em que:  
T(GMT) = o horário da passagem em tempo (Greenwich Meridian Time, GMT);
To = hora de passagem pelo equador;
sign = o sinal do deslocamento para o leste é “+” e para o oeste é “–“;
λ = deslocamento em direção de longitude;
Λ(j) = órbitas de nordeste a sudoeste produzem uma compensação (offset) de longitude (Λ) relacionada
com o aumento da latitude, a partir do plano do equador;
ΛΦ(j) = tan−1[(cosα senφ/(sen2α – sen2Φ)½]+D/R sen−1(senΦ/ senα);
j = aumento de latitude, a partir do equador;
α = ângulo de cruzar o equador;
Φ = latitude;
min = minutos;
long = longitude;
D = número de dias por um ciclo;
R = número da trilha.

O ângulo de visada dos sensores do SPOT HRV pode alcançar até 27° fora do nadir em cada lado da trilha. As três
filas de uma passagem rasteiam 6 pixels cruzando a trilha. Contando os dois lados: oeste e leste, total de seis passagens é
rastreado em uma única passagem. A tabela 13.4 mostra os números das passagens ao redor do nadir. Por exemplo,
quando da passagem 1 no nadir do SPOT, os números das trilhas à esquerda são 6, 11 e 16 e à direita, 22, 17 e 12, que
são consideradas como as seis filas ao longo de uma passagem. Com as fórmulas apresentadas por Price (1988), as
localidades das passagens e horas e data de passagem podem ser calculadas.

13.3 Calibrações radiométricas

Todas as operações de pré-processamentos são direcionadas para restaurar as imagens adquiridas com os esforços
de remover os efeitos dos ruídos causados pelas interferências atmosféricas e as limitações dos sistemas de satélite, a
curvatura do globo, desgastes dos sensores em movimento e degradação dos sensores e deslocamento do satélite no
espaço durante o tempo do seu funcionamento. Pelos processos de eliminação desses efeitos, os dados são literalmente
restaurados em uma região específica sob condições atmosféricas semelhantes. Mas não se tem certeza de que os valores
representam as realidades corretas e deve-se lembrar que as correções podem conter erros também. Todavia, os dados
adquiridos têm 5% de erro embutidos, que são originados dos sinais das reflectâncias de alvos adjacentes que chegam ao
sensor e dos sinais das reflectâncias perdidas no espaço que não chegam ao sensor. Esse limite de erro de 5% é
impossível de recuperar (TANRÉ; HOLBEN; KAUFMAN, 1992; GILABERT; CONESE; MASELLI, 1994).
Os valores digitais de reflectâncias espectrais registrados pelos sensores de satélites são representados pelos níveis
de cinza variando de 0 a 255 que correspondem à escala de cor variando de preta a branca. Em uma determinada banda
espectral, o valor do nível de cinza zero significa que o alvo absorve totalmente a energia recebida (100% absorção ou
0% reflectância) e o valor de 255 significa que o alvo reflete totalmente (100%) a energia recebida. Para a obtenção dos
valores de reflectâncias em energia da radiação eletromagnética, os coeficientes das calibrações dos sensores fornecidos
por satélite devem ser usados.

13.3.1 Calibrações radiométricas dos canais 1 e 2 de NOAA AVHRR

Desde o lançamento do primeiro satélite da série NOAA no ano de 1979, os dados de AVHRR se acumularam em
um período acima de 26 anos. Os dados mensais de NOAA AVHRR GAC e NDVI oferecem um banco de dados valioso
para os estudos das evoluções dinâmicas dos parâmetros biofísicos da superfície terrestre e seus impactos nas mudanças
climáticas globais e também abriram uma boa possibilidade de desenvolver os modelos de previsões de safras das
principais culturas que certamente auxiliam nas previsões dos preços dos produtos no mercado mundial. Nas aplicações
desses dados nas análises das evoluções temporais e espaciais dos usos do solo, as correções radiométricas devem ser
aplicadas para corrigir a degradação dos sensores e calibrar os sensores de AVHRR da série NOAA. Por causa da
importância das aplicações desses dados no monitoramento das evoluções dos parâmetros biofísicos da superfície
terrestre ao longo dos 26 anos passados, vários métodos de correção radiométrica, usados para processar os dados de
NOAA AVHRR, são apresentados sucintamente nesta seção.

13.3.1.1 Método de correção radiométrica de Teillet e Holben

Teillet e Holben (1994) revisaram vários métodos de calibração radiométrica que incluem alvos de padrão,
radiância de nuvens, calibração via aeronave, método de areias brancas, calibração de oceano e calibração de deserto que
são apresentados a seguir:
 
a.   alvos de padrão – Selecionam-se os alvos permanentes e estáveis, tais como a lagoa profunda e limpa e a
floresta verde e densa que não mudam as reflectâncias espectrais registradas durante o longo período da
observação. Os valores médios das reflectâncias das bandas VIS e NIR dessa lagoa ou floresta são
considerados como valores referenciais constantes para corrigir as variações das reflectâncias causadas pelas
degradações e/ou pelos diferentes tipos de sensores (MANORE; BROWN, 1986);
 
b.   radiância de nuvens – O método usa um radiômetro na superfície terrestre para medir a radiância de nuvens no
dia encoberto e o modelo de camadas de nuvens chamado de modelo Delta-Eddington Model para inferir a
radiância incidida no topo das nuvens captadas pelos sensores AVHRR. O radiômetro na superfície mede a
reflectância da superfície retornada por causa da camada das nuvens. O sensor a bordo do satélite mede a
reflectância da superfície após penetrar a camada de nuvens. A diferença da reflectância medida pelo sensor
não calibrada e a reflectância medida pelo radiômetro na superfície deve ser igual à diferença da reflectância
medida pelo sensor calibrado a bordo do satélite. Portanto, a degradação do sensor pode ser corrigida pela
comparação das diferenças de reflectância das nuvens registrada pelo radiômetro na superfície, pelo sensor
calibrado e não calibrado a bordo do satélite (JUSTICE, 1988);
 
c.   calibração via aeronave – Calibram-se os sensores do satélite com os espectrorradiômetros bem calibrados a
bordo de uma aeronave que voa ao mesmo tempo em que o satélite passa acima do alvo. Abel, Guenther e
Cooper (1988) utilizaram aeronaves U-2 e ER-2 voando em uma altitude de 19 km acima da região de White
Sands, localizado no Estado de New México, USA, durante a hora da passagem do satélite para calibrar os
sensores de NOAA AVHRR;
 
d.   método de areias brancas – Teillet et al. (1990) apresentaram três métodos para calibrar os sensores de
AVHRR das bandas VIS e NIR:

•   método 1 – Usar as reflectâncias medidas na superfície pelo radiômetro em campo e as reflectâncias

obtidas pelos sensores bem calibrados a bordo do satélite durante a passagem do satélite para calibrar
os sensores não-calibrados. As condições atmosféricas são medidas no local específico para corrigir as
interferências atmosféricas;
 
•   método 2 – Igual ao método 1 sem usar os sensores calibrados. Praticamente é a extensão do método de
aeronave realizado em áreas brancas para calibrar os sensores de Landsat TM e SPOT HRV (SLATER;
BIEGAR; HOLAS, 1987);
 
•   método 3 – Equivale a calibrar o sensor com o outro sensor que já foi calibrado sem usar os dados de
radiômetro coletados em campo;

e.   calibração de oceano – A reflectância da radiância no oceano é considerada constante exceto nas direções com
efeitos de reflexão peculiar, tais como sun glint e hot spot (GERSTL, 1990; Capítulo 1). Especialmente nos
ângulos de visada de 50° a 70° em direção de retroespalhamento, 70% a 80% da radiância é originada pelos
espalhamentos moleculares que são considerados invariáveis em tempo e espaço. O espalhamento depende
somente da pressão atmosférica no espalhamento Rayleigh. O restante da radiância, 20% a 30%, é por causa
do espalhamento de aerossóis e reflexões de espumas e fundo de água. Nas condições de céu claro, a
contribuição dos espalhamentos, em cerca de 20% a 30% da radiância, pode ser estimada pelas correções
atmosféricas e a acurácia da calibração pode alcançar até menos que ±10% de erro (KAUFMAN; HOLBEN,
1993);
 
f.   calibração de deserto – Os desertos, cujas caraterísticas de superfície não variam com o tempo, foram utilizados
 para monitorar a estabilidade da calibração dos sensores. Teillet et al. (1990) usaram as medições dos
espectrorradiômetros em uma área plana de areia alcalina na região de White Sands em New México, USA,
para calibrar os sensores de NOAA AVHRR canais 1 e 2. As reflectâncias das dunas que mudam com o vento
e o tempo foram monitoradas. A variação da reflectância bidirecional foi considerada para examinar a possível
variação das dunas. Várias áreas de deserto foram selecionadas para detectar as possíveis variações da
superfície das dunas e das condições atmosféricas. Também usaram as reflectâncias obtidas pelos sensores de
média resolução de Landsat TM durante a passagem do NOAA AVHRR para calibrar os sensores do NOAA
AVHRR;
 
g.   método de Teillet e Holben – Fundamentados nos dados de reflectâncias de canais 1 e 2 do NOAA AVHRR
obtidos no deserto, Teillet e Holben (1994) apresentaram um procedimento para a correção radiométrica. O
primeiro passo é a conversão dos sinais de contagens de níveis de cinza obtidos para as radiâncias dos canais 1
e 2 pela equação (13.2).

Em que:  
Li* = radiância em Wm−2sr−1μm−1;
Di = contagem digital em 10 bits/palavra de dados brutos do canal i;
Gi = coeficiente de ganho da calibração (contagem/Wm−2sr−1μm−1);
Doi = coeficiente de compensação da calibração (contagem);
i = 1 ou 2 representa o canal 1 ou 2 do NOAA AVHRR.

Os coeficientes de compensação do Doi e os de ganho do Gi dos sensores de AVHRR são obtidos por meio da
técnica de regressão linear da radiância em função do tempo após o lançamento. As equações (13.3) e (13.4) apresentam
os coeficientes da calibração obtidos para os canais 1 e 2 do satélite NOAA 9. Os valores dos coeficientes determinados
por esse procedimento são listados na tabela 13.6. Em cada varredura, as contagens obtidas pelo sensor apontando a
profundeza do espaço são recomendadas como os valores de compensação do Doi da radiância nula, porque o valor de
reflectância da profundeza do espaço muda muito pouco com o tempo e fica praticamente igual ao valor do pré-
lançamento.

Em que:  
td = a contagem do tempo após o lançamento do NOAA 9 (dias);
a, b, c, d e e são os valores dos coeficientes Gi e Oi obtidos pela técnica de regressão linear em função do tempo.

Tabela 13.6 – Lista dos valores dos coeficientes a, b, c, d e e para calcular o ganho da calibração (Gi) e o valor da compensação (Doi) dos
sensores do satélite NOAA 9 pelo método da calibração radiométrica proposto por Teillet (1992).
Parâmetro Unidade Canal 1 Canal 2
a (contagem/dia)/(Wm−2sr−1μm−1) −3,282×10−4 −3,720×10−4
b contagem/(Wm−2sr−1μm−1) 1,851 2,692
c contagem/dia2 1,877×10−7 9,383×10−7
d contagem/dia −4,217×10−4 −1,944×10−3
e contagem 38,03 40,01

Teillet e Holben (1994) apresentaram um processo operacional de calibração radiométrica dos sensores AVHRR
da série NOAA 6 a NOAA 12. A equação (13.5) representa a calibração radiométrica da radiância dos dados digitais de
10 bits por palavra registrados pelos sensores NOAA AVHRR.
O primeiro passo usa a equação (13.2) que converte a contagem digital de dados brutos em radiância registrada
pelo sensor L*. O segundo passo é transferir a radiância L*, na escala de 10 bits, para a saída da contagem digital
calibrada, Dcal usando a equação (13.5).
 Em que:  
Dcal = o valor de contagem digital calibrado;
Gcal = coeficiente de ganho calibrado independente do tempo;
L* = radiância em Wm−2sr−1μm−1;
Docal = coeficiente de compensação calibrado independente do tempo.

Portando, Gcal e Docal não são indicadores diretos da calibração dos sensores, mas são os coeficientes
independentes do tempo que os usuários podem aplicar para obter os dados de radiâncias calibradas. Os coeficientes da
calibração independente do tempo para cada canal são obtidos com:

Os valores de radiância de L*min e L*max são de 0 e 1.023 na contagem digital de 10 bits, respectivamente.Os
valores típicos de L*min e L*max para os sensores NOAA AVHRR são listados a seguir:

Para gerar os produtos calibrados com correção radiométrica, as seguintes operações serão executadas para os
canais 1 e 2 da série NOAA:

Em que:  
Draw = o valor bruto da contagem digital do sinal recebido;
g(d) = razão de coeficiente de ganho calibrado contra coeficiente de ganho com o tempo d;
Gd = coeficiente de ganho com o tempo d;
O(d) = coeficiente de compensação com o tempo d;
Do(d) = coeficiente do ponto de compensação com o tempo d;
Dcal e Gcal não mudam com o tempo (equação 13.5).

Esse sistema de calibração já é usado no sistema operacional para as calibrações radiométricas dos sensores de
Landsat MSS e TM (AHEM; MURPHY, 1978) e NOAA AVHRR (ERICKSON et al., 1991; TEILLET, 1992). Todos os
sensores de AVHRR têm uma acurácia de 2% a 5% de erro e a incerteza de 5% a 10% de erro. Mas por causa da
degradação dos sensores com o tempo, sua sensibilidade cai rapidamente após o lançamento. Portanto, para os estudos
das variabilidades interanuais, dos dados de NOAA AVHRR, obtidos de vários satélites da série NOAA, as correções
radiométricas devem ser feitas. Depois os métodos de Rao e Chen (1995, 1996, 1999 e 2001) foram oficialmente
adaptados pelo NESDIS/NOAA, como os métodos de calibrações radiométricas dos satélites da série NOAA. O método
de Teillet e Holben é raramente usado pelos usuários.

13.3.1.2 Método de Rao e Chen

 Rao e Chen (1995, 1996, 1999 e 2001) apresentaram os métodos de correções radiométricas para os satélites de
série NOAA, incluindo NOAA 7, 9, 11 e 14 durante o período de 1995 a 2001 que são oficialmente divulgados como os
métodos oficiais do NESDIS/NOAA. Os coeficientes de calibração dos canais 1 e 2 propostos por esses autores (1995 e
1999) foram utilizados para corrigir a degradação dos sensores de AVHRR com o tempo de uso (tabela 13.6). Esses
coeficientes foram obtidos pela normalização de ângulo zenital solar e pela correção da distância entre o planeta e o Sol.
Os coeficientes dos parâmetros de calibrações e os programas para procedimentos das calibrações das séries de NOAA 7
a NOAA 14 e NOAA KLM estão disponíveis na Internet: <http://www2.ncdc.noaa.gov/docs/k1m/>.
A tabela 13.7 apresenta as fórmulas para calcular os albedos calibrados e as radiâncias corrigidas dos canais 1 e 2
para os dados de NOAA 7, NOAA 9 e NOAA 11, gravados em formato de nível 1b com uma palavra de 10 bits. Para
obter a radiância, multiplica-se o valor do albedo pelo 100 πWi/Fio. A tabela 13.8 lista os valores de Wi e Fio. O Wi
representa largura equivalente da banda e Fio representa irradiância extraterrestre de uma determinada banda.
Tabela 13.7 – Equações para calcular os valores de albedos calibrados (%). Fonte: (RAO; CHEN, 1996).
Satélite AVHRR Albedo (%)
NOAA 7 Canal 1 0,1100 exp (0,01 × 10−4 d) (C10 – 36)
  Canal 2 0,1169 exp (1,20 × 10−4 d) (C10 – 37)
NOAA 9 Canal 1 0,1039 exp (1,66 × 10−4 d) (C10 – 37)
  Canal 2 0,1136 exp [0,98 × 10−4 d) (C10 – 39,6)
NOAA 11 Canal 1 0,1060 exp (0,33 × 10−4 d) (C10 – 40)
  Canal 2 0,1098 exp (0,556 × 10−4 d) (C10 – 40)

Tabela 13.8 – Os valores das larguras equivalentes de comprimento da onda, Wi (μm) e irradiâncias solares extraterrestres, Fio (Wm−2) de
NOAA AVHRR para calcular as radiâncias corrigidas. Fonte: (RAO; CHEN, 1995).

Os valores digitais das reflectâncias bidirecionais dos canais 1 e 2 são gravados em 10 bits por uma palavra. Para
conservar sua precisão, os valores de 10 bits por palavra deverão ser convertidos para 16 bits por palavra. Os coeficientes
das correções radiométricas convertidos em 16 bits por palavra, propostos por Rao e Chen (1995), são conhecidos como
Pathfinder Coefficients e variam em função do satélite e do tempo após o lançamento. As equações de 13.12 a 13.15 são
geralmente utilizadas para executar a correção radiométrica do satélite NOAA 9 e do satélite NOAA 11,
respectivamente:

Em que:  
Ch1, Ch2 = canal 1 (visível) e canal 2 (infravermelho próximo);
dia9 = 18 + 365(ano – 1985) + dia Juliano;
dia11 = 98 + 365(ano – 1989) + dia Juliano.
C161 and C162 são os valores de contagem de 16 bits/palavra que correspondem ao canal 1 e canal 2 do NOAA
AVHRR, respectivamente.

Para o satélite NOAA 14, as equações (13.16) a (13.20) são usadas para calcular as irradiâncias dos canais 1 e 2
dos sensores AVHRR:

Em que:  
Ii = radiância captada pelo sensor de canal i;
Ai = albedo do canal i em porcentagem de contagem;
Si = inclinação da curva da calibração do canal i, em Wm−2sr−1μm−1contagem−1;
C10 = contagem digital em 10 bits por palavra;
Co = offset ou contagem de escuro = 41;
ρ = a distância média entre o Sol e o planeta Terra;
d = o dia posterior ao dia do lançamento do NOAA 13.

Anote-se o valor de Co = 41, para ambos os canais 1 e 2 baseada na distância média entre o Sol e o planeta Terra.
No cálculo de albedo, as declividades de S1 e S2 são calculadas pelas equações (13.19a) e (13.20a). As unidades de
albedo, A1 e A2 são calculadas em % da contagem pelas equações (13.21) e (13.22).

Para NOAA 14:  

W1 = 0,129 μm;
F1 = 207,1 W m−2;
W2 = 0,244 μm;
F2 = 251,01 W m−2.

Rao e Chen (1999) observaram que os registros do albedo no topo da atmosfera nos vários pontos do globo
indicaram que as equações (13.16) a (13.22) superestimaram as degradações dos sensores de canal 1 e canal 2 do satélite
NOAA 14. Portanto, as equações das calibrações foram revisadas. A equação (13.18), para calcular a declividade Si, foi
corrigida pela equação (13.23) para calcular as calibrações dos canais 1 e 2 do satélite NOAA 14. Para facilitar os
cálculos de S1 e S2, os valores dos coeficientes M e K são apresentados na tabela 13.9 para os canais 1 e 2 do NOAA 14.
Os valores de Mi e Ki apresentados por Rao e Chen em 1996 foram atualizados pelos mesmos autores em 1999. A tabela
13.9 apresenta a comparação dos valores de Mi e Ki apresentados por Rao e Chen em 1996 e 1999.

Em que:  
Si = inclinação da curva da calibração do canal i, em Wm−2sr−1μm−1 contagem−1;
Mi = coeficiente multiplicador do canal i;
 d = o número de dias após o lançamento do NOAA 14;
Ki = valor da intercepção.

Tabela 13.9 – Parâmetros de calibração para o canal 1 e o canal 2 do NOAA 14 AVHRR pelo método de Rao e Chen (1996 e 1999).

A tabela 13.10 lista a comparação das taxas de degradação anual relativa dos sensores NOAA AVHRR ao início
do lançamento em porcentagens apresentadas por vários autores. Fundamentada nessa comparação, as taxas de
degradação dos canais 1 e 2 dos sensores NOAA AVHRR obtidas pelo método de Rao e Chen (1996) e método de
Kauman e Holben (1993) são mais próximos. O método de Rao e Chen é recomendado pelo NOAA para os usuários. A
divisão de banco de dados Goddard Earth Sciences Distributed Active Archive Center (DAAC) do Goddard Space Flight
Center/ National Aeronáutica e Space Adminstration (GSFC/NANA), fornece os dados decendiais de NOAA AVHRR
GAC do globo inteiro gratuitamente na Internet: <http://daac.gsfc.nasa.gov> ou na Universidade de Maryland:
<http://glcf.umiacs.umd.edu/data/gimms/>. Estão disponíveis os dados descendais e mensais de NOAA AVHRR LAC
com resolução espacial de 1,1 km para o globo inteiro, no período de 1991 a 1995, exceto 1994. Os dados, fornecidos
por DAAC/GSFC/NASA, já foram processados com as calibrações radiométricas e geométricas utilizando o método de
Rao e Chen (1996) e as correções atmosféricas, incluindo os espalhamentos de Rayleigh, ozônio e moléculas, utilizando
o método de Gordon, Brown e Evans (1988) pelo GSFC (EIDENSHINK; FAUNDEEN, 1997). Os dados com o ângulo
de visada fora de – 42° a + 42° foram excluídos.
Tabela 13.10 – Comparação das taxas das degradações anuais relativas ao início do lançamento em (%) apresentados por vários autores.
Fonte: (RAO; CHEN, 1995).

13.3.2 Calibrações de canais 3, 4 e 5 do NOAA AVHRR

De acordo com o manual de usuário de satélite da série NOAA (Kidwell, 1998), as radiâncias medidas pelos
sensores dos canais termais de C3, C4, e C5 dos satélites NOAA 7 e NOAA 8 são calculadas pela equação (13.24):

Em que:  
Ei = radiância, em Wm−2sr−1μm−1 contagem−1;
C = valor digital de contagem, de 0 a 1.023;
Ii = radiância, do espaço escuro do canal i;
Si = inclinação da curva da calibração do canal i, em Wm−2sr−1μm−1 contagem−1.

A equação (13.25) é aplicada para converter a radiância à temperatura de brilho:

 Em que:  
Tb = temperatura de brilho, em °K;
E = radiância, em Wm−2sr−1μm−1 contagem−1;
a = 1,1910659 × 10−5 mili- Wm−2 sr−1 cm−4;
b = 1,438833 cm °K;
ν = número central da faixa do comprimento da onda do canal i, cm−1.

Os dados dos canais termais de 3, 4 e 5 do NOAA AVHRR foram utilizados para o cálculo da temperatura da
superfície terrestre. Como os sensores de AVHRR do satélite NOAA utilizam o detector HgCdTs, as suas calibrações
são ligeiramente não-lineares. As tabelas elaboradas pelo NESDIS do NOAA foram aplicadas para as calibrações dos
sensores das bandas 4 e 5 (KIDWELL, 1998). Pela técnica de regressão múltipla, as tabelas de calibração podem ser
representadas pelas seguintes equações:

Para o satélite NOAA 9, a equação (13.26) é aplicada para o canal 4 e a equação (13.27), para o canal 5.

Para o satélite NOAA 11, a equação (13.28) é aplicada para o canal 4 e a equação (13.29), para o canal 5.

Para o satélite do NOAA 14, os canais 3, 4 e 5 são calculados pelas equações (13.30) a (13.33). Os valores dos
coeficientes da equação (13.31) são listados no manual do usuário que pode ser acessado via Internet:
<http://www2.ncdc.noaa.gov/docs/k1m>, ou no manual do usuário do NOAA satélite órbita polar (KIDWELL, 1998).
Os NOAA 15, NOAA 16, NOAA 17 e NOAA 18 são nomeados anteriormente como NOAA K, NOAA L, NOAA M e
NOAA N, respectivamente, que são os sensores AVHRR aperfeiçoados. O manual do usuário da série do NOAA KLM
(GOODRUM; KIDWELL; WINSTON, 2004) pode ser acessado via Internet: <http://www2.ncdc.noaa.gov/docs/klm>;
<ftp://ftp2.ncdc.noaa.gov/pub/doc/klmguide/>.

Em que:  
Rl = radiância linear (mili-W m−2 sr−1 cm);
Rc = radiância corrigida (mili-W m−2 sr−1 cm);
G = declividade (equação 13.32);
C = contagens de cada canal;
I = a radiância do espaço escuro (mili-W m−2 sr−1 cm);
a, b e c são os coeficientes da Rc em função da Ri (tabela 13.11).

Tabela 13.11 – Coeficientes de correção da radiância dos canais 3, 4 e 5 dos sensores de NOAA 14 AVHRR em mili-W m−2 sr−1 cm.
Disponível em: (<http://www2.ncdc.noaa.gov/docs/klm>, acesso em 27 de abril de 2005).
Coeficiente da correção de radiância Canal 3 Canal 4 Canal 5
a 1,00359 0,92378 0,9194
b 0,0 0,0003822 0,0001742
c −0,0031 3,72 2,00
radiância do espaço escuro (I) 0,0069 −4,05 −2,29
 Em que:  
Rt = radiância do alvo;
Psp = radiância do espaço.
Ct = contagens do alvo;
Csp = contagens do espaço escuro.

Sullivan (1999) observou que a correlação linear entre os valores digitais dos sensores termais dos canais 4 e 5 e as
radiâncias obtidas pela calibração a bordo do satélite (equação 13.31) não foi tão precisa como a correlação obtida pela
calibração do pré-lançamento. Um procedimento da aplicação das duas equações, equação (13.34) e equação (13.35), foi
apresentado para melhorar a acurácia da calibração. O valor dos números da contagem da profundeza do espaço que
representa a radiância de zero da compensação é – 4,05 mili-W m−2 sr−1cm para NOAA 14 e – 2,29 mili-W m−2 sr−1cm
para NOAA 15 (tabela 13.11). Os valores de ao, a1 e a2 são apresentados na tabela 13.12. Rao, Sullivan e Chen (2001)
observaram que a taxa de degradação fica em torno de 0,71% por ano no canal 2 (o canal visível com o comprimento da
onda na faixa de 0,67 a 0,71 μm), dos sensores High Resolution Infrared Radiation Sounder (HIRS) a bordo do NOAA
14 usando o canal 1 como a calibração referencial. O método de calibração dos canais termais do NOAA AVHRR
apresentado por Sullivan (1999) foi publicado oficialmente pelo NESDIS/NOAA por Rao, Sullivan e Chen (2001).

Em que:  
C = valor da contagem;
N = valor da radiância;
Nlin = radiância estimada pela correlação linear (mili-W m−2 sr−1 cm);
Nict = radiância do alvo interno da calibração (mili-W m−2 sr−1 cm);
Ns = radiância do espaço escuro (mili-W m−2 sr−1 cm);
Ce = contagem do alvo;
Cict = contagem do alvo interno da calibração no espaço frio;
Cs = contagem do espaço frio que é constante.

Em que:  
Ncor = radiância corrigida pela correlação não-linear entre radiância e contagem digital (mW m−2 sr−1 cm);
ao, a1 e a2 = valores de coeficientes obtidos para calcular a radiância em função quadrática das contagens (tabela
13.12).

Tabela 13.12 – Valores de radiância do espaço frio (Ns) e os coeficientes da radiância em função dos valores das contagens (ao, a1 e a2)
obtidos pelos sensores de AVHRR canal 4 e canal 5 para os satélites NOAA 14 e NOAA 15. Fonte: (SULLIVAN, 1999).

13.3.3 Calibração dos sensores de satélites SPOT e Landsat

De acordo com as calibrações obtidas por Guyot e Gu (1994), as respostas dos sensores de SPOT1 HRV-1 e
Landsat 5 TM são lineares. A equação de calibração pode ser generalizada pela equação (13.36).
 Em que:  
Lie = radiância espectral equivalente do canal i, em W m−2 sr−1 μm−1;
DCi = contagem digital do canal i;
DCi o = offset do sensor ou contagem de escuro do canal 1;
Ai = coeficiente de calibração, em W m−2 sr−1 μm−1 contagem −1.

Para o Landsat TM, os valores de DCio proposto por Slater, Biggar e Holm (1987) foram usados para obter Lie na
equação (13.36). Os valores do DCio para Landsat TM2, TM3 e TM4 são 2,22, 2,37 e 2,36, respectivamente. Os
coeficientes da calibração Ai dos sensores de SPOT 1 e Landsat 5 TM são apresentados na tabela 13.13.
Black, Helder e Schiller (2003) realizaram uma calibração cruzada entre Landsat 5 e Landsat 7 com as medições
de radiâncias na superfície terrestre quando os dois satélites passavam acima do Parque de Preservação Natural de
Niobrara no Estado de Nebraska, USA no dia 2 de junho de 1999. O modelo chamado Moderate Resolution Atmospheric
Radiance and Transmittance Model Code 3 (MODTRAN3), BERK et al. 1989, foi aplicado para correções atmosféricas.
A tabela 13.14 mostra os valores de ganho das bandas de Landsat 5 e Landsat 7 obtidos em Nebraska e comparados com
os valores de ganho do Landsat 7 calibrados antes do lançamento. Os resultados de calibração mostraram que os valores
de ganho das bandas dos Landsat 5 e Landsat 7 foram estáveis com as diferenças menores que 5% exceto a banda 7. Os
valores de ganho listados na tabela 13.14 podem ser usados para converter os valores digitais de nível de cinza
fornecidos pelas imagens digitais dos satélites para as radiâncias reais refletidas pela superfície terrestre. Esses dados de
radiância são importantes para investigar o balanço da energia da superfície e o mesmo para fornecer os dados de inputs
para os modelos de previsões de clima e tempo.
Tabela 13.13 – Os valores do coeficiente da calibração, Ai, para os sensores de bandas verde, vermelha e infravermelha próxima dos
satélites: SPOT 1 HRV-1 e Landsat 5 TM na equação do método de calibração radiométrica. Fonte: (GUYOT; GU, 1994).

Tabela 13.14 – Valores de ganho das bandas em [DN/(Wm−2 sr−1 m−1)] de Landsat 5 e Landsat 7 obtidos em Nebraska, USA e
comparados com os valores de ganho do Landsat 7 calibrados antes do lançamento. Fonte: (BLACK, 2003).
Banda Landsat 5 em Nebraska Landsat 7 em Nebaska Landsat 7 pré-lançamento
1 1,221 1,244 1,211
2 0,662 1,201 1,161
3 0,904 1,570 1,519
4 0,980 1,378 1,533
5 7,681 7,323 7,601
7 16,910 23,340 22,550

13.3.4 Calibração radiométrica do satélite EOS

O Instituto Nacional de Padrão e Tecnologia (National Institute of Standards and Technology – NIST) executou o
programa de calibração dos sensores espectrorradiômetros do satélite EOS por meio do suporte da NASA. Johnson et al.
(2003) apresentaram as calibrações nas bandas de visível até as bandas de infravermelho curto, um total de seis bandas
entre 411,77 e 869,93 nm. Rice et al. (2003) apresentaram as calibrações das bandas termais nas faixas de 5 a 10 μm. Os
resultados mostram que os coeficientes de calibração do pré-lançamento e pós-lançamento são muito estáveis com as
diferenças desprezíveis.

13.3.5 Calibração radiométrica dos satélites METEOSAT

 Govaerts (1999) argumentou que as características das respostas dos sensores das bandas espectrais solares dos
METEOSAT 5 e METEOSAT 6 eram incorretas quando comparadas às respostas do METEOSAT 7. A equação (13.37)
foi apresentada para corrigir as respostas espectrais dos satélites METEOSAT 5 e METEOSAT 6 usando as respostas
espectrais dos sensors do METEOSAT 7.

Em que:  
Ls = radiância espectral efetiva, (Wm−2 s−1);
Cs = coeficiente da calibração, (Wm−2 s−1);
DC = contagem digital;
DCo = offset do sensor ou contagem de escuro.

Os valores dos coeficientes da calibração, Cs, são 0,87 para o mar e 0,85 para o deserto no caso do METEOSAT 5
e 0,86 para o mar e 0,85 no caso do METEOSAT 6. Govaerts concluiu que as diferenças das radiâncias entre o mar e o
deserto diminuíram de 20% para 1% após a aplicação da equação (13.37) para corrigir as radiâncias na espectral solar
para METEOSAT 5 e METEOSAT 6.

13.4 Correção atmosférica

Por causa das presenças do vapor da água, nuvens e outros constituintes atmosféricos, os valores de reflectâncias
recebidas pelos sensores na altura acima de 700 km são sujeitos a interferências atmosféricas, tais como: absorção,
espalhamento, emissão e reflexão em processos múltiplos. Vários modelos físicos, tais como Low Resolution
Atmospheric Radiance and Tramittance Model Code 7 (LOWTRAN7), (KNEIZYS et al., 1988); Moderate Resolution
Atmospheric Radiance and Tramittance Model code 3 (MODTRAN3), (BERK; BERATEIN; ROBERTSON, 1989);
MODTRAN4 (BERK et al., 1999); High Resolution Transmission (HITRAN), (ROTHMAN et al., 2005); Simulation of
Satellite Signal in the Soloar Spectrum (5S), (TANRÉ et al. 1990); e Second Simulation of Satellite Signal in the Soloar
Spectrum (6S), (VERMOTE et al. 1997) são freqüentemente utilizados para execução dos processos de correções
atmosféricas.
O modelo LOWTRAN7 (KNEIYZS et al., 1988) calcula a transmitância atmosférica, radiância atmosférica do
fundo, radiância lunar, radiância direta, radiância solar e radiância termal, utilizando os espalhamentos múltiplos. A
resolução espectral do modelo é 20 cm−1 em quatro passos de 5 cm−1 desde zero a 50.000 cm−1, correspondendo de 0,2
μm a infinito. O modelo da banda do parâmetro singular é usado para calcular a absorção linear das moléculas e os
efeitos da absorção molecular do tipo contínuo. Os espalhamentos e as absorções de moléculas, aerossóis e vapor de
água são incluídas. As refrações atmosféricas e a curvatura do globo são consideradas para calcular as transmitâncias
atmosféricas, incluindo os ângulos de inclinações e quantidades de atenuações ao longo da passagem. O MODTRAN4 é
uma versão mais avançada dos modelos da série LOWTRAN, que considera a resolução espectral mais precisa com 2
cm−1 de resolução. Incorpora a dependência da linha de luz no ângulo azimutal para calcular os espalhamentos múltiplos
e a parametrização do modelo BRDF. A modelagem foi melhorada pela atmosfera sistematizada em forma esférica, que
consiste de camadas homogêneas. Cada camada é caracterizada pela camada específica de temperatura, pressão e
concentrações dos constituintes atmosféricos (BERK; BERATEIN; ROBERTSON, 1989).
O HITRAN é um modelo de alta resolução espectral, que gera os parâmetros da transmitância atmosférica linha
por linha. O grande esforço foi dedicado para simular sistematicamente os formatos de dados básicos, identificando os
números de quantas das moléculas em movimentos vibracionais e rotacionais linha por linha (ROTHMAN et al., 2005).
O modelo 6S é a segunda geração do 5S, que calcula os sinais de satélites na faixa do comprimento de onda
eletromagnética de 0,25 a 4,0 μm sob as condições atmosféricas do céu limpo e sem nuvens. Os efeitos atmosféricos nos
sinais registrados por satélites incluem: absorções de vapor de água, CO2, O2 e O3 e os espalhamentos moleculares. Os
dados de entrada incluem: condições geométricas e atmosférico, propriedades da reflectância da superfície e assinaturas
espectrais dos alvos (VERMOTE et al., 2005). Os modelos podem ser acessados pela Internet nos seguintes sites:
 
a)  LOWTRAN7 e MODTRAN4: <http://www.spectral.com>
b)   HIGHTRAN: <http://cfa-www.Harvard.edu/hitran>
c)   6S code: <http://www.loa.univ-lille1.fr/SOFTWARE/Msixs/msixs.gb.html>

Para se obterem boas correções atmosféricas, são exigidos os dados meteorológicos locais, tais como perfis de
concentração de vapor de água, CO2, aerossóis, O3 e temperatura. Esses dados raramente estão disponíveis no local
interessado. Portanto, vários pesquisadores procuram simplificar os processos de transferência de radiação atmosférica
pela simulação por modelagens, que utilizam os parâmetros climatológicos típicos, gerados para alcançar os objetivos de
correções atmosféricas (BECKER; LI, 1990; PALTRIDGE; MITCHELL, 1991; GILABERT; CONESE; MASELLI,
1994). Holben et al. (1998) estabeleceram uma rede de monitoramento de aerossóis do globo inteiro iniciado pela
NASA, para fornecer os dados pelo satélite chamado Aerosol Robotic Netwrok (AERONET) formados pelas instituições
Internacionais, incluindo: GSFC/NASA, Atmospheric Radiation Program (ARM); LongTerm Ecological
Research/NationalScience Foundation (LTER/NSF); European Union (Joint Research Centre – JRC); Centre National
De La Recherche Scintifique (CNRS), França; Centre National d’studes Spatiales (CNES); França e Commonwealth
Scientific and Industrial Research Organization (CSIRO), na Austrália.
Os instrumentos automáticos de espectrorradiometros foram implantados nos locais remotos do globo inteiro para
coletar os dados de propriedades óticas de aerossóis e água precipitável. Esses dados estão disponíveis no site da
Internet: <http://www.aeronet.gsfc.nasa.gov> e usados para validações dos modelos de correções atmosféricas dos dados
obtidos via satélite. Os dados adquiridos pelos sensores de MODIS do satélite TERRA podem ser usados para estimar as
distribuições espaciais de aerossóis, vapor de água, ozônio e nuvens, que podem ser usados para proceder às correções
atmosféricas com boa resolução espacial (VERMOTE; VERMEULEN, 1999). Van Der et al. (2003) apontaram que os
dados de perfil da concentração de ozônio na estratosfera do globo inteiro estão disponíveis na Agência Espacial
Européia. Os dados são coletados pelo sensor da banda ultravioleta (UV) do satélite ERS-2.
Tachiiri (2005) aplicou o modelo 6S para processar os dados de NOAA AVHRR para obter os de NDVI e
comparou com os de NDVI sem correções atmosféricas. Os parâmetros exigidos pelo modelo 6S, incluindo espessura
ótica de aerossóis, água precipitável, concentração de ozônio e elevação, foram adquiridos com as imagens de NOAA
AVHRR, mapa de ozônio total obtido pelo espectrofotômetro e o modelo de elevação digital, Global Topographic Data
30 arc-seconds (GTOPO30). Os resultados foram comparados com os dados de precipitação, elevação, tipos de
vegetação obtidos no Distrito de Marsabit, norte do Kenya. Concluiu-se que, em geral, os valores de NDVI aumentaram
após as correções atmosféricas e os efeitos das atenuações atmosféricas na geração de NDVI foram mais intensos onde a
vegetação era mais densa. Apontou que a correção atmosférica pixel por pixel requer os dados de espessura ótica de
aerossóis, concentração de ozônio e água precipitável de cada pixel individual, mas só é possível usando os dados
adquiridos por sensores MODIS (VERMOTE; VERMEULEN, 1999).
Os métodos de correções atmosféricas são aplicados para corrigir os efeitos atmosféricos banda por banda.
Portanto, os algoritmos são válidos para serem aplicados nas correções atmosféricas dos dados de hiperespectrais. Para
execução do procedimento de correções atmosféricas de grande número de bandas dos sensores hiperespectrais, tal como
MODIS, o tempo exigido para os cálculos das condições atmosféricas e para correções de reflectâncias das imagens são
as tarefas desafiantes. Richter, Muller e Heiden (2002) apresentaram algumas sugestões para reduzir o tempo de
processamento. Os componentes essenciais serviram como base de dados pré-calculados com números reduzidos de
bandas espectrais. Mostraram que o tempo foi reduzido em fator de 3 a 7. Kerekes e Baum (2005) apresentaram um
modelo analítico de previsão das performances do sistema de satélites estendendo as bandas espectrais de visível ao
infravermelho longo (0,4 a 14 μm). O modelo usa as descrições estatísticas das variações de reflectância e emissividade e
temperatura da superfície, suas propagações atravessando a camada atmosférica sob as interferências atmosféricas e as
transformações nos processos que afetam os sinais registrados pelos sensores. Sugeriram que o modelo pode ser aplicado
para facilitar os desenhos dos sensores dos satélites de futuro. Ingram, Lewis e Tutwiler (2004) apresentaram um método
automático de correlação não-linear para processar as imagens hiperespectrais. Xiong, Che e Barnes (2005) apresentaram
os algoritmos para caracterizar os funcionamentos dos instrumentos dos sensores MODIS do satélite TERRA baseados
nos dados registrados banda por banda no pré-lançamento e na órbita. Observaram que os planos referenciais focalizados
pelos sensores deslocaram 0,16 km no trilho da varredura e 0,23 km no trilho da órbita. Portanto, os efeitos da BRDF
devem ser considerados para corrigir a variação do ângulo de visada do satélite.
Antes de apresentar alguns modelos de transferência de radiação atmosférica, é necessário saber quais são os
constituintes atmosféricos que afetam as radiâncias medidas pelos sensores de satélites e suas grandezas de contribuição
nos erros dos sinais digitais obtidos. Métodos de correções atmosféricas são divididos em dois grupos: no espectro solar
ou onda curta e no espectro termal ou onda longa. A maioria dos métodos apresentados é concentrada no espectro solar,
porque é diretamente ligada às estimativas de albedo, energia solar e NDVI, que são de interesse de grande gama de
aplicações. Os métodos de correções atmosféricas no espectro termal são empregados para estimar a temperatura da
superfície e são mais difíceis por exigir mais dados meteorológicos que fornecem as descrições das condições
atmosféricas locais e dados de emissividade em um local específico com boa acurácia.

13.4.1 Métodos de correção atmosférica no espectro solar

Os valores de radiância nas faixas de espectros solares obtidos pelos sensores de satélites são afetados por dois
processos atmosféricos:

a)   absorções pelos gases e aerossóis atmosféricos;

b)   espalhamentos pelas moléculas e aerossóis.

Geralmente, as bandas espectrais dos sensores de satélites são selecionadas para evitar as faixas espectrais sujeitas
a altas absorções atmosféricas. Entretanto, podem ocorrer algumas absorções residuais, que requerem suas correções para
tentar melhorar a acurácia. Por causa dos processos complexos de interações entre atmosfera e as duas passagens de
energia de radiação (os raios da radiação solar incidente e refletida pela superfície), que envolvem os processos múltiplos
de espalhamentos, absorções, reflexões e emissões, é quase impossível de descrever matematicamente esses processos
com bases físicas em exatidão. Portanto, as técnicas de modelagem, como o modelo de processos de transferência
radiativa, são empregadas para simular esses processos. Um certo erro intrínseco embutido nos métodos de modelagem,
que é induzido na técnica de modelagem pela simulação, nunca representa exatamente o mundo real. A tabela 13.15 lista
os erros induzidos pela técnica de modelagem (TANRÉ; HOLBEN; KAUFMAN, 1992). Fundamentadas nas
informações de magnitude dos efeitos dos constituintes atmosféricos e dos erros intrínsecos da modelagem, podem-se
justificar e escolher quais são os modelos de correções atmosféricas que servem para melhorar os dados que serão
aplicados com maior eficácia. Às contaminações atmosféricas nos dados de albedo e NDVI, atribuem-se os efeitos
invariáveis do espalhamento Rayleigh e da absorção pelo ozônio e os efeitos variáveis das absorções pelo vapor de água
e dos espalhamentos pelos aerossóis. O esquema de correção proposto por Tanré, Houlben e Kaufman (1992) é
apresentado a seguir.
Tabela 13.15 – Lista dos erros induzidos pelas técnicas de modelagem para execução dos processos de correções atmosféricas dos dados
obtidos via satélite NOAA AVHRR. Fonte: (TANRÉ; HOULBEN; KAUFMAN, 1992)
Processos de correções atmosféricas que induzem os erros Canal 1erro (%) Canal 2 erro (%)
Erro absoluto na reflectância dos aerossóis pelo acoplamento entre
0-5 0 - 20
aerossóis e vapor de água
Erro absoluto na reflectância pelo acoplamento entre moléculas e
0 - 0,04 0 - 0,015
aerossóis
Erro relativo na transmitância pelo acoplamento entre moléculas e
0-2 0 - 1,5
aerossóis
Erro absoluto no albedo esférico pelo acoplamento entre moléculas e
0 - 0,02 0 - 0,005
aerossóis

13.4.1.1 Método de Tanré para correção atmosférica de NOAA AVHRR

Tanré, Holben e Kaufman (1992) fizeram uma revisão geral sobre as correções atmosféricas resumidas nesta
seção. As funções de transmissões gasosas de O3 e H2O e as funções de espalhamentos Rayleigh (Sr) e aerossóis (Sa) são
calculadas usando o modelo 5S (TANRÉ; HOLBEN; KAUFMAN, 1990). A equação (13.38) representa a função de
transmissão para a absorção de gases. Os valores de a e b são apresentados na tabela 13.16 para os cálculos das funções
de transmissão gasosa de O3 e H2O para os canais 1 e 2 da série NOAA 8 a NOAA 11, para uma massa de ar de m=3,
obtida pela equação m=1/μs+1/μv, em que: μs=cosθs para o ângulo zenital solar e μv=cosθv para o ângulo de visada,
correspondendo o perfil atmosférico vertical do padrão codificado como US62.

Em que:  
tg = transmissão gasosa de O3 ou H2O;
μs = cos θs, ângulo zenital solar;
μv = cos θv, ângulo de visada;
U = concentração real de gases;
m = massa do ar.

Tabela 13.16 – Valores de a e b para calcular os dados de transmitância pelas funções de transmissão gasosa de O3 e H2O para os canais 1
e 2 da série NOAA 8 e NOAA 11, respectivamente, para uma massa de ar de m=3, obtida pela equação m=1/μs+1/μv, em que: μs=cosθs
para o ângulo zenital solar e μv=cosθv para o ângulo de visada, correspondendo o perfil atmosférico vertical do padrão codificado como
US62. Fonte: (TANRÉ; HOLBEN; KAUFMAN, 1992).
 A equação (13.39) é usada para calcular o valor de transmitância total, τ(μs)τ(μ v). No modelo de aerossóis
continentais, os valores de μs de 0,5, μv de 1,0 e τa entre 0 e 1,0 foram usados.

Em que:  
T(μs)T(μv) = transmissão total;
Tr(μs)Tr(μv) = transmissão Rayleigh;
Ta(μs)Ta(μv) = transmissão de aerossóis.

Considerando-se ambas as absorções de gases:

O espalhamento Rayleigh (Sr) pode ser calculado pela geometria entre o Sol e o satélite, a elevação do alvo. No
nível do mar, a reflectância do canal 1 é calculada para θs de 60° e θv de 0° a 60°. A reflectância varia de 7% na direção
de retroespalhamento a 2,5% na direção com o ângulo zenital solar de 90°. Para a superfície de vegetação, o efeito do
espalhamento Rayleigh afeta a reflectância do canal 1 na mesma magnitude. A reflectância do canal 2 não é muito
afetada, porque a reflectância molecular é aproximadamente um terço do valor do canal 1 e a reflectância das superfícies
típicas no canal 2 é geralmente mais alta.
O espalhamento de aerossóis é mais difícil de acessar, por causa da concentração e o do tipo dos aerossóis
variando com o tempo e a localidade. Apesar de os tipos de aerossóis poderem ser identificados em uma região
específica, sua concentração varia tanto que resulta um valor médio insignificante. Para a atmosfera muito turva, (τa ≈
1,0), a alta concentração de aerossóis aumenta a reflectância do canal 1 em três vezes, mais alta que a reflectância da
copa da vegetação no mesmo canal, mas aumenta a reflectância do canal 2 em somente um terço. No caso de monitorar a
cor oceânica, o algoritmo da correção atmosférica é mais fácil, pois é baseado na separação das fontes de espalhamento
em moléculas e aerossóis pelas equações a seguir:

Em que:  
ρa (μs, μv, φv) = reflectância atmosférica;
ρa, r(μs, μv, φv) = reflectância molecular pelo espalhamento Rayleigh;
ρa, a(μs, μv, φv) = reflectância aerossol;
φv = ângulo azimutal;
μs = cos θs, ângulo zenital solar;
μv = cos θv, ângulo de visada;
ρa (μs, μv, φv) pode ser obtida pelo modelo de transferência de radiação atmosférica.

O valor de ρa, r(μs, μv, φv) pode ser calculado mais fácil pela equação (13.42). O valor de ρa, a(μs, μv, φv) é
calculado pela equação (13.43). A camada de ozônio, O3, é localizada onde as moléculas e os aerossóis são esparsos.
Portanto, o cálculo da transmitância atmosférica pelo espalhamento não inclui o espalhamento da camada O3, somente
incluindo a transmitância da camada O3.
 Em que:  
t03(μs,μv,U03) = a transmitância da camada O3
tH2O(μs,μv,ΔUH2O = a transmitância da camada de vapor da água;
Δ = conteúdo efetivo de vapor de água.

O Δ é chamado como o conteúdo efetivo de vapor de água, que é introduzido para calcular o efeito de H2O na
absorção de aerossóis. O valor de Δ varia de 0 a 1, dependendo da distribuição vertical relativa de vapor da água e as
camadas de aerossóis. No caso de a camada de vapor de água estar abaixo da camada dos aerossóis, a reflectância não é
afetada pelo vapor de água. Isto resulta que o valor de Δ é igual a zero. No caso de a camada de vapor de água estar
acima da camada dos aerossóis, a reflectância é afetada pelo vapor de água. Isto resulta no valor de Δ igual 1. No caso de
as duas camadas serem misturadas, o valor de Δ é igual 0,5.

– Caso 1, considerando que os efeitos conjuntos sejam omitidos sem acoplamento entre as absorções e os
espalhamentos no topo da atmosfera, a reflectância pode ser formulada pela equação (13.44). O valor de Δ é igual zero
para os espalhamentos moleculares. O valor de Δ é igual 0,5 para os espalhamentos de aerossóis exceto os materiais
particulados finos, tais como poeiras, em que o valor de Δ pode ser menor que 0,5.

– Caso 2, considerando-se os efeitos de O3 e Rayleigh, a reflectância corrigida é calculada pela equação (13.45).

– Caso 3, considerando que a atmosfera é completamente livre da presença de vapor de água e aerossóis, a
reflectância real da superfície é calculada pela equação (13.46).

– Caso 4, considerando que, geralmente a atmosfera é turva, contendo água precipitável, a reflectância equivalente
é calculada pela equação (13.47).

Em que:  
ρc = reflectância corrigida;
ρ* = reflectância no topo da atmosfera;
ρ = reflectância real da superfície;
ρa (μs, μv, φv) = reflectância atmosférica;
ρa, r(μs, μv, φv) = reflectância molecular pelo espalhamento Rayleigh;
ρa, a(μs, μv, φv) = reflectância pelo espalhamento de aerossóis;
 s = sr + sa;
sr = albedo esférico de espalhamento Rayleigh;
sa = albedo esférico do espalhamento de aerossóis.

O espalhamento atmosférico que volta para a superfície não é afetado pelo O3, por causa de a camada de ozônio
estar em uma altitude muito alta. Mas na atmosfera com alta concentração de H2O, situada abaixo das camadas de
espalhamento, os albedos esféricos são calculados pelas equações (13.48) e (13.49) a seguir:

O valor de 1,66 nas equações (13.48) e (13.49) é o fator de difusividade, considerando a massa de ar equivalente
na passagem do espalhamento. Tanré, Holben e Kaufman (1992) compararam os valores de NDVI brutos gerados com os
dados de NOAA AVHRR e os valores de NDVI corrigidos pelas correções de vapor de água em dois níveis obtidos nos
dois dias: 3 de outubro de 1986 e 5 de janeiro de 1987, na região de Gao em Mali na África. A espessura ótica de
aerossóis era de 0,4 para ambos os dias. A concentração de vapor de água era de 4,2 g/cm2 para o dia 3 de outubro
de1986 e 0,6 g/cm2 para o dia 5 de janeiro de 1987. O NDVI de 0,025 para o dia 3 de outubro de 1986 e 0,09 para o dia 5
de janeiro de 1987. Após a correção de espalhamento Rayleigh, o NDVI de 0,13 foi obtido para ambos os dias. A
diferença do NDVI entre corrigido e não corrigido é maior (0,13 – 0,025 = 0,105), quando a concentração de H2O é mais
alta, o que aconteceu no dia 3 de outubro de 1986, devido do canal 2 na faixa de infravermelho absorver mais H2O que o
canal 1 na faixa de visível.
Para a comparação entre os valores de NDVI brutos e corrigidos pelos efeitos de aerossóis na reflectância do canal
1 do NOAA AVHRR, os dados de espessura ótica de aerossóis foram coletados no verão na região de Peterborough no
Canadá que coincidem com as passagens do NOAA 9. Os dados de NOAA AVHRR LAC foram coletados em três dias
na floresta conífera com as mesmas luminosidades e visada geométrica, somente variando a espessura ótica dos
aerossóis. Observaram que o aumento da espessura ótica de aerossóis resultou em um aumento rápido da reflectância do
canal 1, mais de duas vezes neste caso, o que resulta em uma diminuição do NDVI de 0,57 no dia com céu limpo (τa
=0,194 no comprimento da onda em 500 nm) e de 0,425 no dia encoberto, com alta concentração de aerossóis (τa =0,455
no comprimento da onda 500 nm). Após as correções de H2O e aerossóis, o valor de NDVI fica quase constante ao redor
de 0,77. Tanré, Holben e Kaufman (1992) apontaram que a concentração de aerossóis afeta mais no canal 1 e a
concentração de H2O, no canal 2. Portanto, a correção de aerossóis aumentou o valor do NDVI de 0,57 no dia de céu
limpo e 0,425 no dia com alta concentração de aerações para 0,77 no caso da região de Peterborough no Canadá e a
correção de H2O aumentou o valor do NDVI de 0,025 no dia encoberto e de 0,09 no dia de céu limpo para 0,130 no caso
da região de Gao em Mali na África.
A absorção pela H2O reduz 10% a 30% da reflectância do canal 2 dependendo da concentração e direções de
iluminação e observação. A correção do efeito da absorção de H2O no valor do NDVI é mais importante nas regiões
mais áridas com a vegetação mais esparsa, porque o baixo valor do NDVI é mais sensível à variação da concentração de
H2O. Geralmente, é difícil de se obterem os dados de H2O na área de interesse. Os dados de água precipitável obtidos
nas estações de radiossondagem são limitados a regiões específicas. Portanto, a estimativa via satélite, tal como o índice
de água precipitável derivado de dados dos canais 4 e 5 do NOAA AVHRR, é uma opção promissora para se obterem os
dados da concentração de H2O (HOBBS, 1997; OTTLÉ et al., 1997). Mallet et al. (2002) utilizaram os dados de Special
Sensor Microwave Imager (SSM/I) para estimar os dados de passagem de água líquida nas nuvens (Liquid Water Path –
LWP), e água precipitável total (Total Precipitable Water – TPW), aplicando o algoritmo de redes neurais e um modelo
de transferência de radiação atmosférica. Apontaram que a metodologia desenvolvida pode ser aplicada para estimar a
concentração de H2O.
Em geral, a absorção de ozônio pode reduzir a reflectância do canal 1 de 5% a 15% e o espalhamento molecular
pode aumentar a reflectância do mesmo canal de 2% a 7%, dependendo das direções de iluminação e observação. O
efeito no NDVI pode ser ao redor de 0,1 na região de floresta tropical. As correções dos fatores invariáveis, incluindo o
espalhamento Rayleigh e a absorção pelo O3, são mais fáceis de se incorporarem no processo das correções atmosféricas
de rotinas. Inclusive esse processo já é incluído na rotina de processamento dos dados do NOAA AVHRR pelos
GSFC/NASA e NESDIS/NASA. Os efeitos de aerossóis nas reflectâncias dos canais 1 e 2 são menos importantes para as
regiões com a atmosfera mais clara e o clima mais seco por causa da diferença entre os canais 1 e 2 considerada
desprezível. É preciso tomar precaução na aplicação da correção do efeito da concentração de aerossóis que possa
resultar mais erro do que corrigi-lo (KAUFMAN; TANRÉ, 1996).
13.4.1.2 Método de Paltridge e Mitchell para NOAA AVHRR canal 1 e 2

Os modelos de simulação numérica são freqüentemente usados para simular as várias condições atmosféricas e
para eliminar as interferências atmosféricas. Entre esses modelos, está o modelo LOWTRAN7 (KNEIZYS et al., 1988) e
o modelo 5S (TANRÉ et al., 1990), que são freqüentemente utilizados para sintetizar e estimar as transmitâncias
atmosféricas sob várias condições atmosféricas e para corrigir as interferências atmosféricas. Mas, ambos os modelos
requerem uma entrada de dados meteorológicos locais para descrever em detalhes as condições atmosféricas específicas.
Esses dados raramente estão disponíveis para cada pixel em local e tempo específico. É quase impossível obtê-los para
um continente inteiro. Um modelo simples proposto por Paltridge e Mitchell (1990) é apresentado para ser usado nas
correções atmosféricas para os dados de NOAA AVHRR com os resultados satisfatórios. O modelo de Paltridge e
Mitchell (1990) estima as reflectâncias das bandas 1 e 2 da radiação solar (Is) sensoriadas pelo satélite NOAA, somando-
se os cinco componentes radiativos, que são:
 
a)   Idir – a radiação é refletida diretamente pela superfície terrestre chegando diretamente ao sensor do satélite;
b)   Isca – a radiação é espalhada uma vez por moléculas e partículas atmosféricas e depois refletida diretamente
ao sensor do satélite;
c)   Isky – a radiação chega à superfície terrestre por espalhamento atmosférico e depois é refletida pela superfície
diretamente ao sensor do satélite;
d)   Iind – a radiação chega à superfície por espalhamento e depois é refletida, pela superfície, para a atmosfera e
espalhada, pela atmosfera para o sensor do satélite;
e)   Imul – o somatório da radiação residual que chega ao sensor do satélite por causa dos vários espalhamentos
múltiplos causados pela presença de constituintes atmosféricos.

A equação (13.50) apresenta o somatório dos cinco componentes da radiação solar recebida pelo sensor do satélite.

Os processos complexos de estimativa dos cinco componentes foram simplificados pelo método de Paltridge e
Mitchell (1990) por meio da parametrização que quantifica todos os componentes exceto Imul. O método de estimativa
das reflectâncias da radiação solar pelos canais 1 e 2 do NOAA AVHRR (Is) é representado pela equação (13.51):
(1– M) Is = (1-M) Kf(m)/π

Em que:  
Is = reflectância do canal 1 ou canal 2 do NOAA AVHRR;
M = fração da reflectância do Is por causa do espalhamento múltiplo de moléculas;
j = 0 ou 1;
K = valor de albedo registrado pelo sensor AVHRR;
f(m) = densidade de fluxo da radiação solar normalizada ao π;
R = reflectância bidirecional da superfície;
m = massa de ar total entre o Sol e a superfície terrestre e entre a superfície terrestre e o satélite (i.e.,
secθ+ secφs);
g(m) = a e-bm; (tabela 13.17)
Q0(m) = a e-bm; (tabela 13.17)
θ = ângulo zenital solar;
φs = ângulo de visada do sensor do satélite;
τ = espessura ótica vertical de aerossóis.
 Em que:  
Θ = ângulo de espalhamento;
Φ0 = função da fase de espalhamento de moléculas;
Φ1 = função da fase de espalhamento de aerossóis.

A equação (13.51) é reorganizada na forma da equação (13.55) para calcular R, a reflectância direta pela
superfície, em função de K sensoriado pelo sensor do NOAA AVHRR e os ângulos θ, φ0, φj e φs, que variam com a hora
de passagem do satélite e com os valores de τ1 e τ2 para o canal 1 e o canal 2, respectivamente.

No caso especial, quando o Sol, o alvo e o satélite estão no mesmo plano vertical, o Θ é igual π– (θ+ φs). O valor
de Φ1 em função de Θ, que é a função típica da fase de aerossóis continentais, é apresentado na tabela 13.18. O
Φ1MaCltchey é proposto por McClatchey et al. (1972) e o Φ1b é calculado pela equação (13.54). O valor de f (m) é
calculado em função de Q0(m) e g(m) baseado na tabela 13.17, fornecida por Paltridge e Mitchell (1990).
Coulson, Dave e Sekera (1960) fizeram uma comparação rigorosa entre os modelos simples de estimativa do
componente Imul e os modelos mais complexos. Os resultados obtidos pelos autores mostraram que esse componente se
mantém praticamente constante. Vázquez, Reyes e Arboledos (1997) aplicaram o modelo de Paltridge e Mitchell para
avaliar os métodos de estimativa de temperatura da superfície terrestre utilizando dados de AVHRR e concluíram que o
modelo funcionou bem. Portanto, o valor de M da banda 1 pode ser fixado entre 0,1 ± 0,2, e o valor de M da banda 2
pode ser fixado entre 0,05 ± 0,01 sob as condições de θ entre 0° e 85°, de φ entre −85° e 85°, e dos valores de albedo
(R1) entre 0 e 0,25. O valor geral do τ1 de 0,118 para banda 1 e o do τ2 de 0,078 para banda 2 podem ser usados para os
cálculos do albedo sem considerar a variação regional. A estimativa do componente Imul pode ser omitida, porque ele
contribui com somente 1% da radiação solar (Is) medida pelo sensor do satélite. O valor geral do τ1 de 0,3 para canal l e
o do τ2 de 0,25 para canal 2 podem ser usados para a cidade de São Paulo (TSAY; LIU, 2000).

Tabela 13.17 – Lista dos valores das funções de Qo(m) e g(m) para calcular a radiância recebida pelos sensores do NOAA AVHRR pelo
método de Paltridge e Mitchell (1990)

Tabela 13.18 – Lista dos valores de Φ1 em função de Θ, que é a função típica da fase de aerossóis continentais, para calcular a radiância
recebida pelos sensores do NOAA AVHRR pelo método de Paltridge e Mitchell (1990).
Θ Φ1MaClatchey* Φ1b*
0 8,030 7,943
20 0,495 0,497
40 0,162 0,087
60 0,062 0,032
80 0,027 0,018
100 0,015 0,015
120 0,010 0,017
140 0,012 0,022
160 0,024 0,032
180 0037 0,049

* Os valores de Φ1MaClatchey e Φ1b devem ser multiplicados por 4π para obter Φ1.

13.4.1.3 Método de Gilabert et al. para Landsat TM

Atualmente, inúmeros métodos simplificados são propostos por vários pesquisadores. Gilabert, Conese e Maselli
(1994) desenvolveram um modelo simples e operacional para que possa ser aplicado para execução das correções
atmosféricas incluindo eliminações dos efeitos de vapor de água, ozônio e aerossóis. O procedimento das correções
atmosféricas é apresentado nesta seção. Considerando-se a propriedade de uma superfície lambertiana da Terra, a
reflectância da superfície é estimada pela equação (13.56). É importante lembrar que todas as equações de transferência
de radiação atmosférica são de espectro específico.

Em que:  
Rs(λ) = reflectância da superfície do comprimento da onda λ;
Ls(λ) = radiância da superfície (Wm−2μm−1sr−1);
Eg(λ) = irradiância solar global em superfície horizontal (Wm−2μm−1);
θo = ângulo zenital solar;
k = distância entre a Terra e o Sol envolvendo as variações da órbita excêntrica da Terra e o dia Juliano
(ZIBORDI; VOSS, 1989);
λ = comprimento da onda em determinada banda TM.

Eliminando-se os efeitos das interferências atmosféricas, a equação (13.57) representa a reflectância aparente
medida pelo sensor de satélite.

Em que:  
R’s(λ) = radiância aparente da superfície terrestre;
Lo(λ) = radiância da superfície terrestre medida pelo sensor;
Eo(λ) = radiação solar incidente na superfície pela radiação solar extraterrestre.

Na equação (13.58), os coeficientes de ao e a1 são as constantes de calibração registradas pelos sensores (PRICE,
1987). O DC significa os dados de contagem digital registrados pelos sensores do satélite. Considerando-se a superfície
terrestre como uma superfície lambertiana uniforme, a radiância registrada pelo sensor do satélite (Lo) é uma soma dos
dois componentes: o espalhamento direto dos raios solares pelos constituintes atmosféricos (Lp) e a radiação refletida
pela superfície (Ls), que é representada pela equação (13.59) a seguir.

Em que:  
 Lp(λ) = o espalhamento direto da radiação solar pelos constituintes atmosféricos;
Ls(λ) = a radiação refletida pela superfície;
R(λ) = radiação refletida pela superfície;
T↑(λ) = radiação solar transmitidas pela atmosfera para cima;
s = uma porção da R(λ) re-espalhada pela atmosfera para a superfície.

Para a espessura ótica pequena e/ou as superfície escuras, o valor de sRs(λ) é pequeno e pode ser eliminado na
equação (13.59):

Considerando-se que a espessura ótica dos aerossóis é relativamente pequena, é possível de separar a contribuição
do espalhamento Rayleigh com o espalhamento Mie de aerossóis usando o argumento do Gordon et al. (1988).

Em que:  
Lr(λ) = contribuição do espalhamento Rayleigh de moléculas;
La(λ) = contribuição do espalhamento Mie de aerossóis.

Para obter Ls(λ), é preciso determinar Lp(λ) e T↑(λ), porque Lo(λ) pode ser obtido pelo valor de DC(λ) medido
pelo sensor de satélite. Utilizando a técnica da subtração do pixel escuro na imagem (Chavez, 1988), o valor de Lp(λ)
pode ser estimado. Geralmente, a seleção dos pixels escuros pode ser feita usando o histograma de freqüência das
imagens digitais. Nos histogramas, observa-se um aumento drástico dos números de pixel no nível de cinza baixo nas
diferentes bandas, especialmente nas bandas visíveis. Esse valor de DC(λ) é considerado como DC(λ) da superfície
escura em determinada banda λ. As superfícies escuras podem ser as áreas de lagoas profundas, ou sombreadas pelas
nuvens ou pelos efeitos topográficos (baixa reflectância em todas as bandas), áreas de vegetação densa tal como florestas
coníferas (baixa reflectância nas bandas de azul e vermelho), ou uma mistura dessas áreas. Serão estimados os valores de
Lp(λ) nas bandas TM1 e TM3 nos pixels escuros. O valor de Lr(λ), dependendo praticamente somente dos ângulos de
visada e zenital, pode ser calculado com os dados de TM1 e TM3 (SAUNDERS, 1990) pela equação (13.63).

Em que:  
Eo = irradiância extraterrestre em uma determinada onda, λ;
θo = ângulo zenital solar;
θ = ângulo de visada do satélite;
Pr = (3/4)(1+cos2Ω), função da fase de Rayleigh (Schanda 1986);
Ω = ângulo do espalhamento. Para o θ ≈ 0o, Ω = 180 – θo;.
τr = espessura ótica molecular;
toz↑(λ) toz↓(λ) = transmitância de uma determinada onda λ na presença de ozônio para cima e para o terrestre,
respectivamente.

A espessura ótica molecular, τr, pode ser calculada em função do comprimento da onda (KAUFMAN, 1989) e a
altura da superfície acima do nível do mar (ZIBORDI; MARACCI, 1988), que é representada pela equação (13.64).

Em que:  
τr = a espessura ótica das moléculas atmosféricas;
 ho = altura da superfície acima do nível do mar, km.

Os toz↑(λ) e toz↓(λ) são transmissão de ozônio para cima ao espaço e para baixo a superfície, que são calculados
pelas equações (13.66) e (13.67).

A espessura ótica de ozônio em função de comprimento da onda e estação do ano pode ser obtida pela interpolação
com os valores apresentados por Sturm (1981). A espessura ótica de aerossóis pode ser calculada pelo formulário
Angstrom, proposto por Igbal (1983), que é representada pela equação (13.68).

Em que: a e b são os coeficientes relacionados às concentrações e distribuições de tamanho das partículas.

Aranuvachapun (1986) apresentou a equação (13.69) para o cálculo de contribuição dos aerossóis na passagem da
radiância.

Em que:  
Γ ≡ ca;
c = coeficiente do La(λ) em função do τa(λ), (ARANUVACHAPUN,1986);
δ ≡ b, a distribuição do tamanho dos aerossóis inferindo o tipo de aerossóis.

O valor de δ de 0,80 é usado para a atmosfera muito nublada com o alto espalhamento Mie. O valor de δ de 4,08 é
usado para o efeito ideal do espalhamento Rayleigh (IGBAL, 1983). A porcentagem de moléculas atmosféricas (PM%)
pode ser definida pela equação (23.71).

Em que:  
PM% = porcentagem de moléculas atmosféricas.

λ é o valor médio da faixa do comprimento da onda espectral entre Landsat TM banda 1 e banda 3. A função da
fase de aerossóis pode ser representada pela equação (13.72).

Em que:  
Pa’ = função nova da fase de aerossóis;
Pr = função fase de Rayleigh;
Pa = função fase de aerossóis.

Em que:
α, g1 e g2 são os fatores assimétricos.

Os valores de α, g1 e g2 dependem fortemente da distribuição do tamanho dos aerossóis. Na falta de dados do tipo
de aerossóis, Aranuvachapun (1983) propôs os valores de α, g1 e g2: a seguir. Para aerossóis continentais na atmosfera
nublada, α = 0,978, g1 = 0,884 e g2 = −0,749 e para aerossóis marinas na atmosfera nublada, α = 0,935, g1 = 0,795 e g2 =
−0,568.

Em que:  
Eo = irradiância extraterrestre no determinado comprimento da onda, λ,;
θo = ângulo zenital solar;
θ = ângulo de visada do satélite;
Pa’ = função nova da fase de aerossóis;
τr = espessura ótica de aerossóis.
wo = albedo de espalhamento único de aerossóis;
ta↑ ta↓ = transmitâncias da radiação espalhadas pelos aerossóis para o espaço e para superfície,
respectivamente.

Todos os parâmetros na equação (13.74) são definidos exceto τa(λ). Portanto, a equação (13.75) pode ser invertida
para obter τa(λ). Por causa da função exponencial ser geralmente muito menor que 1, pode ser obtida pela série de Taylor
representada pela equação (13.78). A inversão da equação (13.74) usando a aproximação da equação (13.78) resulta no
calculo do τa(λ) pela equação (13.79).

Finalmente, a transmitância atmosférica pode ser obtida pelas equações (13.80) e (13.81).

A radiação solar global (Eg) é a somatória da radiação direta (Eb) e radiação difusa (Ed) que é representada pela
equação (13.82). As equações (13.83) e (13.84) calculam Eb e Ed, respectivamente. A radiação difusa não considera as
reflectâncias múltiplas entre atmosfera e a superfície (IGBAL, 1983).

Em que:  
Eg(λ) = radiação solar global;
Eb(λ) = radiação direta;
Ed(λ) = radiação difusa;
Edr(λ) = radiação difusa causada pelo espalhamento Rayleigh;
Eda(λ) = radiação difusa causada pelo espalhamento de aerossóis.
 A equação (13.84) considera que o espalhamento Rayleigh é isotrópico com o fator de ½ e o espalhamento de
aerossóis não isotrópico com o fator Fc(θo). Igbal (1983) apresenta o valor de Fc(θo) que é o ângulo zenital solar
discreto. Caso os valores dos ângulos não estejam disponíveis, uma interpolação deve ser feita para obter o valor
correspondente. Globalmente, o modelo apresentado pode ser aplicado para cada banda do Landsat TM que tem alguns
pixels escuros. Todos os parâmetros na equação (13.56) podem ser obtidos para calcular a reflectância de uma superfície
específica pixel por pixel.
O software do modelo em linguagem Fortran-77 está disponível no Instuto di Analisi Ambientale e
Telerilevamento Applicati all’Agricoltura (IATA/CNR) em Firenze, Itália. O modelo foi testado e os resultados foram
comparados com os dados de reflectâncias dos quatro tipos de vegetação, incluindo floresta conífera, floresta decídua,
trigo e milho coletados em campo localizado em Tuscan, leste de Florence, Itália. As figuras 13.4 a 13.7 mostram as
comparações das reflectâncias corrigidas pelos efeitos atmosféricos com o modelo e as reflectâncias medidas em campo
para plantações de floresta conífera, floresta decídua, trigo e milho, respectivamente. Os resultados da comparação
mostram que as reflectâncias corrigidas coincidem bem com as medições feitas nas plantações de trigo e milho em todas
as bandas do Landsat TM exceto a banda 1 com a diferença de 5%. Para as florestas decíduas e coníferas, as reflectâncias
corrigidas pelo modelo nas bandas 4, 5 e 7 do Landsat TM coincidem bem com as reflectâncias observadas em campo.
Mas, as reflectâncias corrigidas pelo modelo nas bandas 1, 2 e 3 do Landsat TM subestimaram as reflectâncias
observadas em campo, em torno de 4% a 6%. Gilabert, Conese e Maselli (1994) concluíram que o modelo funcionou
bem com a identificação correta dos pixels escuros. Os erros relativos de reflectâncias geradas pelo modelo eram sempre
menores que 10% a 20%, que são considerados aceitáveis para sua aplicação.

Figura 13.4 – Comparações das reflectâncias geradas pelo modelo de correções atmosféricas (°) e as reflectâncias medidas na
plantação de floresta conífera (R’), localizada em Tuscan, leste de Florence, Itália. Fonte: (GILABERT; CONESE; MASELLI,
1994).
 Figura 13.5 – Comparações das reflectâncias geradas pelo modelo de correções atmosféricas (R°) e as reflectâncias medidas na
plantação de floresta decídua (R’), localizada em Tuscan, leste de Florence, Itália. Fonte: (GILABERT; CONESE; MASELLI, 1994).

Figura 13.6 – Comparações das reflectâncias geradas pelo modelo de correções atmosféricas (R°) e as reflectâncias medidas na
plantação de trigo (R’), localizada em Tuscan, leste de Florence, Itália. Fonte: (GILABERT; CONESE; MASELLI, 1994).

Figura 13.7 – Comparações das reflectâncias geradas pelo modelo de correções atmosféricas (R°) e as reflectâncias medidas na
plantação de milho (R’), localizada em Tuscan, leste de Florence, Itália. Fonte: (GILABERT; CONESE; MASELLI, 1994).

13.4.1.4 Métodos de correção para o SPOT

Santer et al. (1992) desenvolveram um algoritmo para calibrar as reflectâncias medidas pelos sensores HRVs do
satélite SPOT baseadas nas medições de reflectâncias espectrais e as concentrações dos constituintes atmosféricos na
região de La Crau no sul da França, realizadas nos meses de março e junho de 1989. As medições incluem: radiâncias
incidente e refletida nas bandas espectrais do SPOT pelos espectrorradiômetros, aerossóis em funções de distribuição de
tamanho e espessura ótica espectral, transmissões dos gases atmosféricos determinadas pelas medições óticas passivas,
radiossondagens e espalhamento Rayleigh pelos gases moleculares. Os dados coletados em campo foram usados para
validação do modelo desenvolvido. Para calcular a transmitância atmosférica, a reflectância aparente (ρi*) do canal i foi
calculada separadamente pelo efeito de absorção e pelo efeito de espalhamento que é representada pela equação (13.89).
Os dados de resposta espectral do filtro interno do SPOT foram fornecidos pelo Centro Nacional de Estudos Espaciais
(CNES) da França. Os dados de ozônio e vapor de água foram obtidos pelos valores das integrações. A espessura ótica
dos aerossóis é calculada para cada faixa monocromática e integrada na faixa de uma determinada banda espectral. Os
resultados mostraram que os erros de calibração variam de 2,0 a 6,3% nos nove casos comparados.

Em que:  
ρi* = reflectância aparente do canal i;
Tgi = transmitância de gases calculada pelo modelo 5S (TANRÉ et al., 1990);
ρi° = reflectância observada pelo refletor lambertiano sem absorção atmosférica.

Liu, Chen e Liu (1996) utilizaram os valores de contagens digitais das bandas de verde e vermelho dos pixels
escuros na superfície de vegetação densa para extrair os dados de espessura ótica, função da fase de aerossóis e albedo de
espalhamento singular para executar iterativamente as correções atmosféricas para o SPOT. Os resultados foram
comparados com os dados de reflectâncias observados em campo. Observaram que os valores de erro-padrão da média
das reflectâncias reduziram de 0,076 para 0,022, após as correções atmosféricas. Lin et al. (2002) propuseram dois
modelos, incluindo o modelo da função estrutural e o modelo de coeficiente de dispersão, para a estimativa da
profundidade ótica de aerossóis atmosféricos em terreno complexo utilizando os dados espectrais de SPOT HRV. No
modelo da função estrutural, sugeriram um submodelo multidirecional para diminuir os efeitos de geometria, variação de
usos do solo e reflectâncias não lambertianas. Também usaram um índice de distância ótima para eliminar as partes
anormais de funções de estruturas ocorridas em alguns casos. Por outro lado, a aplicação de regressão linear na correção
de desvios melhorou os resultados processados pelo modelo de coeficiente de dispersão. Os resultados foram
comparados com os dados obtidos na superfície usando fotômetro solar. Concluíram que os erros da estimativa de
espessura ótica de aerossóis foram reduzidos significativamente de 19% para 6,5% após as correções atmosféricas pelo
modelo da função estrutural e de 85% para 24% pelo modelo de coeficiente de dispersão.

13.4.1.5 Método de correção para o METEOSAT

Arino, Dedieu e Deschamps (1991) utilizaram o coeficiente de calibração proposto por Koepke (1983) para
converter os valores de contagens digitais da radiância da superfície sem nuvens adquiridos pelo METEOSAT. O método
calcula a radiância L no topo da atmosfera (TOA) em função linear da contagem digital (equação 13.90).

Em que:  
L = radiância no topo da atmosfera (TOA);
C = contagem digital;
a = 5,9 Wm−2 sr −1 contagem−1 (proposto por Koepke, 1983);
b = 0,5 para as contagens de 6 bits/palavra para o METEOSAT banda 2.

A reflectância integrada no topo da atmosfera é calculada a seguir:

Em que:  
ρtoa = reflectância integrada no TOA;
L = radiância no TOA;
μs = cos θs, θs é o ângulo zenital solar;
E = radiância solar integrada no TOA.

A reflectância da superfície, ρs, é derivada pela reflectância aparente no topo da atmosfera aplicando-se o modelo
de transferência atmosférica proposto por Tanré et al. (1979) na condição atmosférica sem nuvens.
 Em que:  
ρtoa = reflectância integrada no TOA;
tg = absorção total de gases atmosféricos (O3, H2O, O2 e CO2);
ρa = reflectância atmosférica;
T = transmissão total de espalhamento em duas passagens;
ρs = reflectância da superfície;
s = espalhamento singular do albedo.

Utilizou o modelo 5S (TANRÉ et al., 1990) para gerar as transmitâncias dos gases atmosféricos, incluindo: O3, H
2O, O2 e CO2. Todos os parâmetros são integrados para todas as bandas do METEOSAT. Foi observado que o erro
máximo causado pelas interferências atmosféricas foi de 0,03 para a reflectância da superfície de 0,4 e 0,01, para a
reflectância da superfície de 0,10. Arino, Dedieu e Deschamps (1991) concluíram que os valores de albedo estimados são
razoáveis para a região da savana, mas não para a região sul da França.

13.4.2 Correção atmosférica para espectro termal

Os modelos de transferência de radiação atmosférica, como LOWTRAN7, MODTRAN4, 5S e 6S, estão

disponíveis para correções atmosféricas para ambos os espectrais das ondas curtas da radiação solar e das ondas longas
termais. Ottlé et al. (1997) argumentaram que a absorção de vapor de água do canal 5 do NOAA AVHRR é mais sensível
à concentração do vapor da água que o canal 4 e desenvolveram um método de estimativa de H2O atmosférica total para
a superfície oceânica, baseado na diferença das absorções da radiação entre os canais 4 e 5. Kleespices e McMillin
(1990) argumentaram que a razão de temperatura de brilho entre o canal 5 e o canal 4 é igual à razão da transmitância
dos referidos canais balanceada pela respectiva emissividade da superfície oceânica sob as condições atmosféricas do céu
claro nos canais 5 e 4 (equação 13.93).

Em que:  
R5,4 = a razão da radiância entre o canal 5 e o canal 4 do NOAA AVHRR;
ΔTij = a diferença da temperatura entre 2 pixels próximos (pixel i e pixel j) com a mesma
emissividade;
ε5 e ε4 = emissividade dos canais 5 e 4, respectivamente;
τ 5 / τ4 = a razão da transmitância entre o canal 5 e o canal 4.

Para a superfície oceânica, a temperatura de superfície oceânica (Tso) pode variar espacialmente mais do que a
variação das condições atmosféricas. Mas para temperatura da superfície terrestre (Tst), por causa da variação espacial
de emissividade é maior, Sobrino et al. (1994) propuseram as equações (13.94) a (13.96) para a derivação no cálculo da
concentração de vapor de água (Wv) pela equação (13.97).

Em que:  
R5,4 = a razão da radiância entre o canal 5 e o canal 4 do NOAA AVHRR;
ΔTij = a diferença da temperatura entre 2 pixels próximos (pixel i e pixel j) com a mesma
emissividade;
Bλ(Ts) = função Planck; [dBi(Tsj)/ dT] é seu derivado;
Ratmλ↓ = radiação atmosférica para a superfície;
 τ 5, τ4 = transmitância do canal 5 e transmitância do canal 4;
Δε4 = emissividade entre 2 pixels;
ε5,0 e ε4,0 = emissividade do canal 5 e canal 4, respectivamente;
“o” representa-se o pixel referencial ou o valor médio dos pixels considerados.

Ottlé et al. (1996) utilizaram os dados de temperaturas de brilho medidos pelos sensores do NOAA 9 AVHRR e
pelos sensores de Along Track Scanning Radiometer, infrared bands (ATSR- IR), 10,8 μm e 12 μm do satélite ERS-1
para correlacionar com a concentração de vapor de água medida pelo ATSR-MW (MW, microwave). Apresentaram a
equação (13.97) para estimar a água precipitável. A equação (13.98) é a razão da covariância e variância das
temperaturas do brilho estimadas pelo método de Janela Dividida (BECKER; LI, 1990). Concluíram que a concentração
de vapor de água na camada atmosférica pode ser estimada pelo método de Janela Dividida das bandas de infravermelho
termal com uma acurácia de 0,5 g/m2, que é suficiente para corrigir o efeito de H2O na estimativa de temperatura da
superfície pelo método de Janela Dividida das bandas de infravermelho termal.

Em que:  
Wv = concentração de vapor de água, em g/cm 2.

Em que:  
R5,4 = valor médio da razão da radiância entre o canal 5 e o canal 4 do NOAA AVHRR;
k = o pixel 1, 2, ......n;
“o” representa-se o pixel referencial ou o valor médio dos pixels considerados.

13.5 Efeito bidirecional

Vários fatores que afetam as reflectâncias espectrais das superfícies naturais são registrados por satélites. Os
fatores mais importantes incluem reflectâncias espectrais do alvo, ângulo de visada do sensor, geometria da visada,
condições meteorológicas e espessura ótica da atmosfera. No acesso da reflectância total pelas observações via satélite, a
complexidade surge por causa da sensibilidade espectral estreita dos sensores do satélite e a reflectância bidirecional do
alvo que geralmente não é conhecida. As reflectâncias obtidas por vários canais dos sensores de satélites variam de
acordo com as variações do ângulo zenital solar e do ângulo de visada do sensor. A função de distribuição de reflectância
bidirecional (Bidirectional Reflectance Distribution Function – BRDF) é designada para normalizar os dados obtidos
com os diferentes ângulos zenitais solares e os diferentes ângulos de visada do sensor de satélite (ROUJEAN et al.,1992;
RAHMAN, 1996).
O modelo BRDF é construído para corrigir os efeitos das inter-relações das propriedades intrínsecas da superfície
e das variações do ângulo zenital solar e do ângulo de visada dos sensores nas reflectâncias adquiridas pelo satélite.
Portanto, é importante diferenciar os efeitos atmosféricos aos efeitos originados pelos alvos. Rahman (1996) demonstrou
os efeitos de espessura ótica de aerossóis e vapor de água nas reflectâncias bidirecionais das superfícies de solo nu e
gramado nos canais 1 e 2 do NOAA AVHRR, aplicando um modelo acoplado entre as reflectâncias de superfície e
atmosfera. Observaram que, no caso da superfície de solo nu, a amplitude e distribuição angular da reflectância
bidirecional da superfície foram modificadas na altitude do satélite por causa dos espalhamentos causados pelas
moléculas atmosféricas resultante da suavização das propriedades direcionais da superfície. Mas para a superfície
gramada, no canal 1 do AVHRR, as reflectâncias da superfície foram aumentadas pelas variações angulares e
amplitudes, e no canal 2, os efeitos foram menores. A concentração de vapor de água na atmosfera reduziu a amplitude
da reflectância bidirecional da superfície, mas não há mudança significativa pela variação da distribuição angular em
ambas as superfícies de solo nu e gramado.
Paltridge e Mitchell (1990) observaram que a variação do NDVI está intimamente ligada à variação do ângulo de
visada do sensor de satélite. Seaquist e Olsson (1998) apresentam uma equação polinomial de segundo grau para
normalizar os dados de NDVI obtidos pelos diversos ângulos de visada aos valores do ângulo de visada em nadir.
Roujean et al. (1992) observaram as variações temporais de reflectâncias espectrais das bandas de visível e
infravermelho próximo e NDVI gerados com os dados de NOAA 9 AVHRR durante um período curto de 12 de abril a
12 de julho de 1987 em cerca de 100 dias no Campo Experimental do Planalto Valensole, sudeste da França. As culturas
de trigo e lavanda ocuparam 90% da área de estudo de 24 km2, correspondendo a uma janela de 4 pixels vezes 5 pixels
do NOAA AVHRR LAC. Aplicaram o modelo 5S para proceder à correção atmosférica que diminuiu os efeitos
atmosféricos nas reflectâncias. As figuras 13.8 a 13.10 mostram as variações de reflectâncias bidirecionais dos canais de
visível, infravermelho próximo e do NDVI, respectivamente durante 100 dias com os dados obtidos nos ângulos de
visada dos sensores em quatro faixas: −60° a −30°, −30° a 0°, 0° a 30° e 30° a 60°. As figuras 13.8 e 13.9 mostraram que
as reflectâncias de ambos os canais de visível e infravermelho próximo na classe de ângulo de visada de −60° a −30°
foram mais altas em todas as quatro classes de ângulo de visada. Isto indica que os efeitos do retroespalhamento nas
reflectâncias dos canais 1 e 2 do NOAA AVHRR são maiores. Corrigiram os efeitos dos ângulos de visadas, por meio da
normalização dos dados de NDVI em um determinado ângulo de visada (figura 13.10). Os resultados mostraram que os
dados corrigidos de NDVI têm o valor de erro-padrão da média reduzido de 0,05 para 0,025 e concluíram que o efeito do
ângulo de visada na obtenção de dados de NDVI deve ser corrigido para aumentar sua acurácia.
Gao (1993) desenvolveu um modelo BRDF analítico com os dados coletados na pastagem homogênea em campo.
Observaram-se os efeitos de BRDF, calculados pelo modelo que correlacionaram bem com os dados observados.
Também se observou que o retroespalhamento (back scattering) é mais forte que o espalhamento frontal (forward
scattering) no canal de infravermelho termal. O modelo estimou a variação do NDVI de 10% a 20 % com a variação do
ângulo de visada entre retrospectivo e adiantado. O valor de NDVI do espalhamento frontal é mais alto que o do
retroespalhamento, ao contrário dos resultados obtidos por Roujean et al. (1992).

Figura 13.8 – Evoluções temporais da reflectância espectral do canal de visível e da curva polinomial delas gerada com os dados do
NOAA AVHRR nos ângulos de visada dos sensores em quatro faixas: −60° a −30°, −30° a 0°, 0° a 30° e 30° a 60° do período de 12
de abril a 12 de julho de 1987 no campo experimental do Planalto Valensole, sudeste da França. Fonte: (ROUJEAN et al., 1992).

Figura 13.9 – Evoluções temporais da reflectância espectral do canal de infravermelho próximo e da curva polinomial delas gerada
com os dados do NOAA AVHRR nos ângulos de visada dos sensores em quatro faixas: −60° a −30°, −30° a 0°, 0° a 30° e 30° a 60°
do período de 12 de abril a 12 de julho de 1987 no campo experimental do Planalto Valensole, sudeste da França. Fonte: (ROUJEAN
et al., 1992).
 Figura 13.10 – Evoluções temporais do NDVI e da curva polinomial delas gerada com os dados do NOAA AVHRR nos ângulos de
visada dos sensores em quatro faixas: −60° a −30°, −30° a 0°, 0° a 30° e 30° a 60° do período de 12 de abril a 12 de julho de 1987 no
campo experimental do Planalto Valensole, sudeste da França. Fonte: (ROUJEAN et al., 1992).

Cihlar, Manak e Voisin (1994) estudaram os efeitos de BRDF nos quatro tipos de vegetação, incluindo: plantação
de culturas, florestas coníferas, florestas decíduas e áreas úmidas, no pico da estação chuvosa da região Central do
Canadá e observaram que os efeitos de BRDF nos dados de AVHRR LAC dependem do tipo de cobertura da superfície,
da faixa espectral, da geometria de visada e do processo de correção atmosférica. As reflectâncias dos canais 1 e 2 do
NOAA AVHRR LAC são mais altas nos ângulos de visadas do satélite de −60° a −40°, que indicaram que os efeitos do
retroespalhamento nas reflectâncias dos canais 1 e 2 do NOAA AVHRR são mais altas. As diferenças de reflectâncias
entre os efeitos de retroespalhamento e espalhamento frontal nos diferentes tipos da superfície são mais altas nas
plantações de culturas, seguidas pelas florestas coníferas, florestas decíduas e áreas úmidas (figura 13.11). O efeito das
correções atmosféricas aumentou o valor de NDVI, mas reduziu a variação causada pelo ângulo de visada do satélite.
Sugeriram que as variações das reflectâncias dos canais 1 e 2 do NOAA causadas pelos efeitos BRDF podem ser
modeladas precisamente com as correções atmosféricas para os pixels sem nuvens. Mas os efeitos dos parâmetros de
banda espectral e o tipo de cobertura específica no modelo BRDF devem ser validados rigorosamente com os dados
coletados em campo.
Privette (et al. 1994) apresentaram um modelo BRDF chamado CANTEQ (1-D Turbid Medium BRDF Model)
fundamentado em uma equação de transferência de radiação atmosférica para simular os efeitos de tipos de vegetação,
sinais de ruídos e amostragem geométrica. Os resultados mostraram que o modelo estimou bem os parâmetros de solo e
vegetação, albedo, radiação absorvida até eficiência fotossintética com uma acurácia satisfatória. Posteriormente,
Privette, Emery e Schinel (1996) e Privette, Eck e Deering (1997) usaram a técnica de inversão do modelo BRDF
baseado nos dados de NOAA AVHRR e MODIS para a estimativa do albedo e das reflectâncias de vegetação corrigidas
ao nadir.
 Figura 13.11 – Os efeitos de ângulo de visada do satélite NOAA AVHRR pelas reflectâncias bidirecionais (Bidirectional Radiation
distribution Function – BRDF) nos quatro tipos de vegetação: a) plantação de culturas; b) florestas coníferas; c) florestas decíduas; d)
áreas úmidas no pico da estação chuvosa, em julho de 1988, da região Central do Canadá. Fonte: (CIHLAR; MANAK; VOISIN,
1994).

Bicheron e Leory (1999) usaram o modelo BRDF em função da distribuição elíptica das orientações de folhas
proposto por Kuusk (1995). O modelo estimou a reflectância espectral e os efeitos direcionais da reflectância em função
de LAI, concentração de clorofila, razão de tamanho à altura da copa de vegetação e os parâmetros de propriedades
óticas e estruturais de solo e vegetação. As estimativas desses parâmetros, incluindo LAI e fAPAR, foram alcançadas por
meio da inversão do modelo. Demonstraram que a técnica de inversão do modelo BRDF para a estimativa de LAI
resultou uma acurácia superior que o método de estimativa de LAI em função de NDVI (WIEGAND; RICHARDSON,
1990).
Lucht e Lewis (2000) analisaram a sensibilidade dos ruídos nas reflectâncias multiangulares registradas pelos
sensores de MODIS e MISR do Satélite EOS AM-1 na obtenção dos dados de albedo do globo terrestre aplicando o
modelo BRDF RossThick-LiSparse Ambrals (RTLSA) proposto por Wanner, Li e Strahler (1995). Observaram que o
erro da estimativa do albedo alcançou menos de 10%, o que é compatível ao modelo Coupled Surface-Atmosphere
Reflectance (BRDF CSAR) proposto por Rahman, Pinty e Verstrate (1993).
Kalluri et al. (2001) compararam três modelos de BRDF para processar os dados de NOAA AVHRR na escala
global usando computador de alto desempenho. Os três modelos incluem: o linear simples, o iterativo semi-empírico e o
de série temporal. Concluíram que o modelo de série temporal obteve a estrutura espacial bem definida da superfície e
respondeu bem às variações da cobertura da superfície.
Cierniewski, Verbrugghe e Marlewski (2002) propuseram um modelo BRDF para descrever o efeito do sistema de
plantio em sulcos e camalhões na reflectância na faixa ótica. O modelo considera a superfície do solo como várias
esferas opacas em tamanhos e formas definidas e iguais, colocadas em uma rede de quadrados no plano, em determinada
declividade. As alturas diferentes nas direções e cruzamentos dos sulcos são os parâmetros que descrevem a variação do
ângulo da superfície. A geometria de iluminação das radiações incidentes diretas e difusas foi construída para descrever a
reflectância direcional da superfície em todas as condições de radiação e ângulos de visada. O modelo somente simula a
variação de rugosidade da superfície de solo nu até o período de semeadura. O modelo ainda não simulou o efeito da
variação da superfície de vegetação na reflectância direcional. Acharya et al. (1999) incorporaram o modelo BRDF no
modelo de correção atmosférica MODTRAN4 que considera o efeito bidirecional da superfície terrestre para melhorar o
efeito da correção atmosférica no processamento de dados adquiridos via satélite.
Pinker e Stowe (1990) alertaram que as interpretações das superfícies observadas pelas reflectâncias obtidas via
satélite devem considerar a anisotropia da superfície. Hapke et al. (1996) discutiram os mecanismos de ocorrências de
hot spot na copa de vegetação e no solo. Os dados de reflectâncias obtidos nas superfícies ocorridas nos hot spots devem
ser excluídos no processo da correção dos efeitos bidirecionais. O hot spot pode ocorrer em duas condições:

a)   o raio da luz incidente à superfície de uma folha ou um grão do solo se espalha só uma vez em uma direção.
Nesse ângulo especial, o espalhamento único esconde sua própria sombra. Portanto, esse caso é chamado
sombra escondida, que geralmente ocorre nas condições de copa de vegetação molhada e solo úmido;
b)   outro caso são os retroespalhamentos coerentes em que a superfície possui elementos de espalhamentos com
tamanhos próximos aos comprimentos das ondas e separados com mesma distância.

13.6 Correção geométrica

O globo é um corpo aproximadamente esférico. Para mapear uma superfície do globo é necessário projetar essa
área curvada para uma área plana no mapa em papel. Dependendo dos métodos de projeção, as coordenadas de uma área
no mapa podem não representar exatamente as coordenadas da área curvada na superfície do globo. Existem três
métodos de projeção, incluindo: projeções azimutais, projeções cônicas e projeções cilíndricas. Qualquer uma dessas
projeções pode estar na posição normal, transversal ou oblíqua, dependendo da necessidade. Uma área apresentada no
mapa cartográfico pode representar uma área da superfície da Terra em duas maneiras:

a)   cortando a superfície do globo ao longo de certos paralelos e meridianos. Esse procedimento minimiza as
distorções. Contudo apresenta o inconveniente de representar o mesmo paralelo e o meridiano duas vezes,
além de haver descontinuidade no mapa;
b)   ampliação da superfície em alguma direção. Por exemplo, se esticar uma área da superfície do globo na
direção dos meridianos, a área vai aumentar na medida em que se aproxima do limite do mapa. A distância
entre duas linhas paralelas cresce a partir do centro do mapa, apesar de a distância entre os dois meridianos
permanecer constante.

Ambos os métodos têm suas vantagens e desvantagens. Dependendo do método da projeção, as distorções
causadas pelas deformações das linhas meridianas e paralelas são diferentes. Os métodos de correção geométrica têm
dois caminhos: um é o mosaico de imagem e outro é a re-amostragem. O método de mosaico de imagem coloca as várias
imagens, pixel por pixel, na sua posição exata. Isto requer informações precisas de geometria dos sensores, movimento e
tempo de passagem exatos do satélite, altitude e trajetória do satélite e a posição exata do pixel referido na superfície
terrestre curvada. O processo é um método analítico com o tratamento físico minucioso. Embora o método de mosaico de
imagem seja analítico, é considerado o método mais rigoroso. Mas, geralmente, somente corrige alguns erros
geométricos.
O método de re-amostragem é completamente diferente do método de mosaico de imagem. As geometrias do
sistema do satélite não são necessárias. O tratamento somente manipula os valores de uma matriz de pixels para colocá-
los em uma geometria desejada. Isto requer uma identificação do ponto de controle em uma região específica e um
mapeamento por projeção, que coloca os pixels nos pontos de referências exatos. O mapeamento de projeção é um
sistema de transformação em que as localidades no globo esférico podem ser representadas sistematicamente no mapa
plano. Por causa da diferença entre a superfície curvada e o mapa plano, sempre há alguns sacrifícios da acurácia nas
representações da área, forma, escala ou da direção no mapa referente ao globo. Entretanto, esses erros podem ser
confinados em alguns fatores mínimos ou em uma área pequena no mapa. Recentemente, o método de projeção de
Goode Homolosine Interrompida, chamado Interrupted Goode Homolosine Projection (IGHP) foi utilizado para
processar os dados do NOAA AVHRR para o globo inteiro pelo GSFC/NASA. O método IGHP gera um mapa composto
de uma área igual de projeção pseudocilíndrica que é interrompida para reduzir a distorção nas principais regiões
geográficas (GOODE, 1925; STEINWAND, 1994). Essa projeção é fundida à Projeção Mollweide para as regiões de
altas latitudes. Para as de baixas latitudes, a projeção é chamada Projeção Homolográfica e Projeção Senoidal. Essas
duas projeções se juntam nas latitudes de 40° 44’ 11,8” no Hemisfério Norte e no Hemisfério Sul, que são os locais onde
as escalas lineares das duas projeções se juntam. A vantagem de adaptar esse método de mapeamento é que os
processamentos geométricos podem ser quebrados e processados em 12 regiões separadamente. O algoritmo do
mapeamento pode ser encontrado no anexo do artigo do Steinwand (1994). Toutin (2004) apresentou uma revisão do
procedimento da correção geométrica e avaliação dos erros propagados desde da entrada de dados até a saída de dados
após a correção geométrica. As várias projeções são apresentadas no Capítulo 14.

13.7 Eliminação de contaminação de nuvens

 A presença das nuvens interfe a reflectância dos objetos da superfície terrestre que é registrada pelos sensores do
satélite. Na primeira aproximação, Holben (1986) apresentou uma técnica chamada Maximum Value Composite (MVC),
que utilizou o valor máximo de um período do tempo desejado. Esse método funcionou bem nas regiões mais secas sem
a alta freqüência da cobertura de nuvens. Teoricamente, a contaminação das nuvens em qualquer região pode ser
eliminada completamente em um período de 72 dias. Mas os dados compostos de um período de 72 dias é longo demais
para suas aplicações. Aproveitando que a temperatura do topo das nuvens é sempre mais baixa que a da superfície
terrestre, esta, estimada pelos canais 4 e 5 dos satélites da série NOAA, pode ser separada da temperatura das nuvens se
um valor limiar da temperatura da superfície terrestre for selecionado adequadamente. Esse valor limiar pode variar com
a estação do ano e a variação geográfica (ECK; KALB, 1991). Gutman, Tarpley e Ohring (1987) usaram dois processos
consecutivos para eliminar as nuvens:

a)   passo 1 – usar um valor mínimo da temperatura de brilho obtida pelo método de Janela Dividida (MCMILLIN,
1975; BECKER; LI, 1990) e um valor máximo do albedo para eliminar as nuvens;
b)   passo 2 – usar um valor limiar do valor de desvio-padrão obtido pelas variações espacial e temporal da
temperatura para eliminar as contaminações parciais de nuvens, ou subpixel clouds.

Dependendo das informações bioclimatológicas de uma determinada região, os valores limiares de temperatura,
albedo e desvio de padrão podem ser determinados mais corretamente. Por exemplo, para a região das florestas tropicais,
o albedo não passa de 0,2 e a temperatura diurna não fica abaixo de 20 °C. Os valores limiares podem ser estabelecidos
com o valor de albedo > 0,25 e temperatura < 19 °C. O valor limiar pode ser obtido usando o valor do albedo do canal
visível de 0,014 no início e aumentando 0,001 cada vez mais para tentar obter um valor ideal com o objetivo de separar
as nuvens mistas. Se se puderem usar os valores de temperatura da superfície calculados com dados de emissividade, a
determinação do valor limiar é mais eficiente.
Derrien et al. (1993) propuseram um programa computacional para detectar e eliminar os pixels com a
contaminação de nuvens para calcular os valores de NDVI derivados com os dados de NOAA 11 AVHRR. O valor
limiar da temperatura é obtido pelo valor médio mensal de temperatura da superfície oceânica e o valor médio mensal de
temperatura do ar próximo à superfície. Simpson e Gobat (1996) propuseram um algoritmo chamado AVHRR Split and
Merge Clustering (ASMC) para detectar as nuvens nas imagens do NOAA AVHRR. O algoritmo consiste de dois
processos:

a)   um ASMC aplicado para agrupar os dados de entrada, incluindo albedo do canal 2 calibrado, temperatura do
brilho do canal 3 (Tb3), temperatura do brilho do canal 4 (Tb4) e diferença de Tb3 e Tb4 nos grupos das
propriedades de superfície semelhante;
b)   aplica-se a técnica de aglomeramento ou Clustering para separar três tipos de superfície: sem nuvens, nuvens e
misto.

Addink e Stein (1999) compararam sete métodos para substituir os pixels das imagens do NOAA AVHRR com as
contaminações das nuvens. Observaram que o método de co-krigagem, usando a combinação de ambas as informações
temporal e espacial, reduziu em cerca de 20% a 70% dos pixels contaminados por nuvens. O método de estratificação da
imagem não reduziu efetivamente os pixels contaminados pelas nuvens.
Lee, Kudoh e Makino (2001) apresentaram um método de detecção automática de nuvens usando os dados de
NOAA AVHRR. Usaram primeiramente os dados de NDVI para separar a superfície terrestre da superfície oceânica,
baseado no fato de que o valor do NDVI da superfície terrestre é positivo e o valor do NDVI da superfície oceânica é
negativa. Depois aplicaram os testes baseados nas reflectâncias do canal 1 e do canal 2 do NOAA AVHRR e os testes
baseados no canal 4. Argumentaram que a reflectância do canal 2 é mais alta nas nuvens que no oceano e na terrestre. A
reflectância do canal 2 é mais baixa do que a do canal 1 no oceano e mais alta na terrestre. Portanto, as nuvens podem ser
identificadas. O teste pelo canal 4 é baseado na temperatura de nuvens que é mais baixa do que as temperaturas do
oceano e da terrestre. Os valores limiares de NDVI, canais 1, 2 e 4 foram estabelecidos por meio de testes e implantados
para detecções das nuvens automaticamente. O modelo foi testado na região Oriente. Os resultados foram comparados
com o método proposto por Saunders (1990) com os erros abaixo de 10%.

13.8 Técnicas de filtragem dos ruídos de sinais recebidos pelos

sensores
Várias técnicas de filtragem estatística, tais como a suavização composta (VAN DIJK et al., 1987), o valor médio
móvel (KOGAN, 1991) e regressão estatística (CIHLAR; HOWARTH, 1994), são aplicadas para tentar eliminar os
ruídos dos sinais causados pelas nuvens e conservar seus sinais úteis utilizando os dados de NDVI de série temporal. O
software de filtragem desenvolvido por Van Dijk et al. (1987), baseado no algoritmo “4253H–twice”, desenvolvido por
Velleman e Hoaglin (1981), pode ser usado para suavizar os dados de série temporal de NDVI e de VCI. No algoritmo
4253H, medianas de amplitude 4, 2, 5 e 3 aplicadas sucessivamente na série temporal NDVI. A letra H representa-se
Hanning, que é uma média móvel de três amplitudes, aplicando os três pesos (0,25, 0,50 e 0,25) logo após a aplicação
das medianas. Os valores residuais após a aplicação de 4253H foram processados pelo mesmo filtro para evitar a
eliminação dos valores significativos. Por isso, o algoritmo foi chamado “4253H-twice”.

13.9 Extração de fisionomia

A extração de fisionomia tem seu significado específico. As fisionomias não são as geográficas, mas são as
características estatísticas derivadas com base nos dados digitais de satélites, tais como as bandas individuais ou as
combinações das diferentes bandas. Carregam as informações da variação sistemática da cena adquirida. Portanto, a
extração da fisionomia pode ser chamada de extração da informação. O processo elimina a duplicidade da informação
adquirida pelas várias bandas e conserva a informação de interesse com mínimas bandas possíveis. Isto economiza o
volume de dados utilizados e seus custos. Os índices de vegetações apresentados no Capítulo 7 são os resultados do
processo da extração de fisionomia dos dados digitais obtidos pelos sensores de satélites.

13.10 Processamento de dados de SAR

Por causa da intensidade da energia eletromagnética diminuir com a distância quadrada, as imagens adquiridas
pelos sensores de SAR têm duas intensidades degradadas dos sinais retornados pelos alvos, incluindo o curto alcance
(near range) dos alvos mais perto e o longo alcance dos alvos mais distantes (far range). Os sinais de microondas
retornados aos sensores sofrem os diversos espalhamentos da superfície que alteram os sinais que chegam aos alvos de
várias maneiras incluindo os parâmetros do sistema, tais como freqüência, polarização, ângulo incidente e resolução dos
sensores de SAR e os parâmetros dos alvos, como rugosidade, constante dielétrica e geometria dos alvos.
Freqüentemente, os pesquisadores adotam o método de freqüência modulada linear para processar os dados de SAR. Os
efeitos residuais das fases tornam-se mais severos quando a distância de alcance fica mais curta e o tamanho do alvo fica
maior. O resultado não só desloca as imagens, mas também causa as distorções geométricas da posição do alvo. Ye et al.
(1999) sugeriram um algoritmo, chamado Algoritmo de Escalada Chilra (Chirp Scaling Algorithm – CSA), para suavizar
os efeitos dos espalhamentos das curvaturas de alcance dos alvos em todas as distâncias e corrigir as distorções
geométricas dos alvos.
A equação (13.99) apresenta a potênica da energia de microondas retornada ao sensor (Pr) em função dos
parâmetros do sistema, geometria da propagação e propriedades do alvo.

Em que:  
Pr = potência da energia retornada ao sensor;
σ = seção transversal do alvo;
PtG = potência transmitida pela antena;
A = área da cobertura pela antena;
(4 πRt2)−½ = espalhamento isotrópico transmitido da distância de Rt;
(4 πRr2)−½ = espalhamento isotrópico retornado da distância de Rr.

No caso de a distância da energia transmitida (Rt) ser igual à distância da energia retornada (Rr), a equação (13.99)
torna equação (13.100).

No caso : Rt = Rr

A energia eletromagnética de microondas retornada é composta de milhares de sinais refletidos pela superfície
composta de vários objetos orientados em diferentes ângulos e rugosidades. Isto resulta a presença dos brilhos granulares
em uma imagem bruta após as correções radiométricas, por causa dos ruídos se intensificarem em forma múltipla.
Portanto, o primeiro processo de correção geométrica é separar os componentes coerentes e os incoerentes dos sinais de
retroespalhamento. Os componentes incoerentes das reflectâncias retornadas são a soma das fases aleatórias dos
difusores elementares presentes em uma célula de resolução causados pelos retroespalhamentos das superfícies rugosas
ou difusas, espalhamentos superficial e volumétrico, intensificação ou enfraquecimento dos sinais e suas amplitudes
aditivas em forma absoluta quadrada pela equação (13.101).

Em que:  
Pr = potência retornada;
A = amplitude;
1, 2,... n = n elementos.

Os componentes coerentes de reflectâncias retornadas têm a fase relativa de cada difusor altamente correlacionada.
Isto ocorre quando os espaçamentos dos difusores são orientados regularmente na faixa de alcance, chamado
Espalhamento Bragg, ou orientados na mesma distância de alcance alinhados no raio azimutal igual, chamado Efeito
Cardinal. As reflectâncias retornadas dos componentes coerentes reforçam o sinal do retorno e sua potência é calculada
pela equação (13.102).

Em que:  
Pr = potência retornada;
A = amplitude
1, 2,... n = n elementos.

Gens (2003) argumentou que, por causa do aumento das aplicações dos dados do interferômetro SAR, as técnicas
de desdobramento das fases bidimensionais são cada vez mais pesquisadas. O desdobramento das fases bidimensionais
dos sinais de interferômetro SAR é um processo para resolver os problemas confusos causados pelo fato de que a fase
absoluta é embaralhada ao intervalo de −180° a +180° para recuperar as informações da fase contínua embutida na fase
discreta embaralhada. Na imagem do interferômetro SAR, a fase embaralhada é diretamente relacionada com a
quantidade física da topografia da superfície. Para quantificar as propriedades físicas da superfície do alvo de interesse,
os valores da fase embaralhada devem ser desdobrados.
Gens (2003) revisou vários algoritmos de desdobramento da fase, incluindo: algoritmo do corte de periferia do
Goldstein (GOLDSTEIN; ZEBKER; WERNER, 1988), algoritmo da descontinuidade mínima do Flynn (FLYNN, 1997),
redes de fluxos de custo mínimo (COSTANTINI, 1998), algoritmo da árvore extensão mínima (CHEN; ZEBKER,
2000), e algoritmo do desdobramento da fase mínima quadrada (GHIGLIA; PRITT, 1998). Apontou que as soluções são
muito desafiantes e que devem ser adaptadas para atender os problemas específicos. Baran, Stewart e Claessens (2005)
apresentaram um modelo funcional para determinar os graus máximos e os mínimos dos gradientes de deformação
resolvidos pelo interferômetro SAR. Apontaram que o modelo serve como um suporte para decidir se os dados de
interferômetro SAR podem ou não ser aplicados para detectar as deformações das superfícies.

13.11 Extração de informação das imagens de SAR

A área imageada pelo SAR possui muitos espalhadores que resultam em sinais de retorno como uma soma vetorial
dos espalhadores. Os sinais observados são um produto das variáveis aleatórias independentes que possui os
retroespalhamentos e os sinais agudos granulados de alta reflectância, chamados speckles. Os speckles são os ruídos que
intensificam os sinais de retorno em um padrão de alto brilho de textura granulada reconhecível. São decorrentes da
natureza coerente na imagem do SAR. Cada célula de resolução é composta de inúmeros difusores elementares
aleatoriamente dispostos, contribuindo com um sinal retroespalhado com uma fase aleatória, gerando uma imagem
matematicamente processável. Um speckle específico pode ser modelado como um ruído multiplicativo. O speckle é
mais intenso onde o sinal é mais forte e menos intenso onde o sinal é mais fraco. Os speckles dificultam a interpretação
visual das imagens do SAR pelo fato de mostrarem um aspecto granuloso nas imagens. Mas os pixels adjacentes em uma
imagem são correlacionados por causa do speckle. Isto resulta a facilidade de extração de informação por ser a textura de
imagem mais coerente.
Vários filtros redutores de speckle são apresentados por pesquisadores para extrair informações da imagem. Vidal-
Pantaleoni e Marti (2004) apresentaram uma técnica de filtragem de adaptação de limiar macio, usando a transformação
de ondalito (Wavelet transformation) para a redução dos speckles nas imagens de SAR. Grippa e Woodhouse (2005)
apresentaram um algoritmo, chamado Minimum Cross-entropy algorithm (MCE), que pode eliminar ou minimizar a
influencia dos speckles e ao mesmo tempo preservar os dados originais. Focalizaram o desenvolvimento de uma função
ótima do encaixamento, chamada Goodness-of-fit function, aplicando a função da entropia, além da função penal.
Apontaram que o método é particularmente aplicável para processar as imagens que contêm a distribuição de feições e
texturas distintas.

13.12 Classificação e segmentação de imagens do SAR

Vários métodos de classificação das imagens digitais estão disponíveis nos softwares comerciais e em domínio
público, tais como ERDAS, ArcView, ENVI, SPRING, IDRISIS e outros. Por serem os sinais gerados pelo SAR dados
digitais multiespectrais com matriz vetorial, possuindo inúmeras variáveis independentes que dificultam sua
classificação, é importante definir os atributos principais que representam os parâmetros considerados na classificação.
Portanto, um processo de extração de atributos de imagens do SAR será feito para gerar os atributos interessados antes
de proceder a classificação. Os atributos incluem a diferença de fase entre os sinais polarizados em uma combinação
complexa (HH, HV, VH e VV), coeficiente de correlação complexa, divisão entre bandas, coeficiente de variação, filtros
de speckle e resultantes de filtros espaciais diversos. Os atributos que resultam menor erro de classificação são melhores
opções para proceder à classificação.
Corbella et al. (2005) aplicaram o processador chamado Soil Moisture and Ocean Salinity Mission Level 1 (SMOS
L1) para processar os dados de radiômetros dos Microwave Imaging Radiometer by Aperture Synthesis Radiometrs
(MIRAS) e gerar os mapas das temperaturas de brilho para a superfície do globo inteiro em uma resolução espacial de 50
km com boa acurácia. Colliander et al. (2005) construíram um protótipo de radiômetro referencial para MIRAS. O
protótipo é um radiômetro da banda L do SAR com os ruídos polarimétricos totais injetados. A finalidade da construção
desse radiômetro é fornecer as medições da temperatura polarimétrica total de brilho mais precisa e para medições dos
níveis de ruídos das temperaturas na rede de distribuição de ruídos de MIRAS para calibração dos receptores individuais.

Referências
ABEL, P.; GUENTHER, R. N.; COOPER, J. W., 1988. Calibration results for NOAA 11 AVHRR channels 1 and 2 congruent path
aircraft observations. Journal of Atmospheric and Oceanic Technology, American Society of Meteorology, Boston, Massachusetts, USA.
10:493-508.
ACHARYA, P. K.; BERK, A.; ANDERSON, G. P.; LARSEN, N. F.; TSAY, S. C., 1999. MODTRAN4: multiple scattering and bi-
directional reflectance distribution function (BRDF) upgrades to MODTRAN. Symposium of Processing Image Eletronically (SPIE),
Optical Spectroscopic Techniques and Instrumentation for Atmospheric and Space Research III, volume:3756, online disponível no site:
http://www.spectral.com/sr115.pdf.
ADDINK, E. A.; STEIN, A., 1999. A comparison of conventional and geostatistical methods to replace clouded pixels in NOAA AVHRR
images. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:961-977.
AHEM, F. J.; MURPHY, J., 1978. Radiometric correction and atmospheric correction of Landsat 1, 2 and 3 MSS data processing for
remote sensing. Research Report 78-4, Canada Centre for Remote Sensing, Ottawa, Ontario, Canada, 23p.
ARANUVACHAPUN, S., 1983. Variation of atmospheric optical depth for remote sensing radiance calculations. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 13:131-147.
ARANUVACHAPUN, S., 1986. Satellite remote sensing of atmospheric optical depth spectrum. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 7, 105-118.
ARINO, O.; DEDIEU, G.; DESCHAMPS, P., 1991. Accuracy of satellite land surface reflectance determination. Journal of Applied
Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 30:960-972.
BARAN, I.; STEWART, M.; CLAESSENS, S., 2005. A new functional model for determining minimum and maximum detectable
deformation gradient resolved by satellite radar interferometry. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience
and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:675-683.
BASTIAANSSEN, W. G. M.; VAN DER WAL, T.; VISSER, T. N. M., 1996. Diagnosis of regional evaporation by remote sensing to
support irrigation performance assessment. Irrigation and Drainage systems, Springer Press, Amsterdam, the Netherlands. 10:1-213.
BECKER, F.; LI, Z. L., 1990. Towards a local split window method over land surfaces. International Journal of Remote Sensing, Taylor
& Francis Ltd, London, UK. 11:369-3913.
BERK, A.; BERATEIN, L. S.; ROBERTSON, D. C., 1989. MODTRAN: a moderate resolution model for LOWTRAN7, GL-TR-89-
0122, Phillips Laboratory, Hanscom Air Force Base, Massachusetts, USA. 67p.
BERK, A.; ANDERSON, G. P.; BERNSTEIN, L. S.; ACHARYA, P. K.; DOTHE, H.; MATTHEW, M. W.; ADLER-GOLDEN, S. M.;
CHETWYND JR., J. H.; RICHTSMEIER, S. C.; PUKALL, B.; ALLRED, C. L.; JEONG, L. S.; HOKE, M. L., 1999. MODTRAN4
radiative transfer modeling for atmospheric correction. Symposium of Processing Image Eletronically (SPIE), Optical Spectroscopic
Techniques and Instrumentation for Atmospheric and Space Research III, online disponível no site: http://www.spectral.com/sr115.pdf,
data de acesso: 12 de março de 2006.
BICHERON, P.; LEROY, M., 1999. A method of biophysical parameter retrieval at global scale by inversion of a vegetation reflectance
model. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 67:251-266.
BLACK, S. E.; HELDER, D. L.; SCHILLER, S. J., 2003. Irradiance-based cross calibration of Landsat 5 and Landsat 7 Thematic Mapper
sensors. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:287-304.
CASELLES, V., COL, C.; VALOR, E., 1997. Land surface emissivity and temperature determination in the HAPEX-Sahel area from
AVHRR data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:1009-1028.
CHAVEZ, P. S. JR., 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 24:459-479.
CHE, C. L.; PRICE, J. C., 1992. Survey of radiometric calibration results and methods for visible and neariinfrared channels of NOAA 7,
−9 and −11 AVHRRs. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 41:19-27.
CHEN, C. W.; ZEBKER, H. A., 2000. Network approaches to two dimensional phase unwrapping: intractability and two new algorithms.
Journal of the Optical Society of America, Optical Society of America, Washington, D.C., USA. 17:401-414.
CIERNIEWSKI, J.; VERBRUGGHE, M.; MARLEWSKI, A., 2002. Effects of farming works on soil bidirectional reflectance
measurements and modelling. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23: 1075-1094.
CIHLAR, J.; HOWARTH, J., 1994. Detection and removal of cloud contamination from AVHRR images. Transactions on Geoscience
and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 32:583-589.
CIHLAR, J.; MANAK, D.; VOISIN, N., 1994. AVHRR bidirectional reflectance effects and compositing. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 48:77-88.
COLL, C.; CASELLES, V.; SOBRINO, J. A.; VALOR, E., 1994. On the atmospheric dependence of the split-window equation for the
surface temperature. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:105-122.
COLLIANDER, A.; TAURIAINEN, S.; AUER, T.; KAINULAINEN, J.; UUSITALO, J.; TOIKKA. M.; HALLIKAINEN, M., 2005.
MIRAS reference radiometer: a full polarimetric noise injection radiometer. IEEE Transactions on Geoscience and Remote Sensing, IEEE
Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:1135-1143
CORBELLA, I.; TORRES, F.; CAMPS, A.; COLLIANDER, A.; NEIRA, M.; RIBÓ, S.; RAUTIANEN, K.; DUFFO, N.; LIOSSERA, M.,
2005. MIRAS end-to-end calibration: application to SMOS L1 processor. IEEE Transactions on Geoscience and Remote Sensing, IEEE
Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:1126 -1134.
COSTANTINI, M., 1998. A novel phase unwrapping method based on network programming. IEEE Transactions on Geoscience and
remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 36:813-821.
COULSON, K. L.; DAVE, J. V.; SEKERA, Z., 1960. Tables related to radiation emerging from a planetary atmosphere with Rayleigh
scattering. University of California Press, Berkeley and Los Angeles, California, USA. 548p.
DERRIEN, M.; FARKI, B.; HARANG, L.; LEGLÉAU, H.; NOYALET, A.; POCHIC, D.; SAIROUNI, A., 1993. Automatic cloud
detection applied to NOAA 11 AVHRR imagery. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
46:246-267.
DESCHAMPS, P. Y., 1992. Evidence of surface reflectance bidiretional effects from a NOAA AVHRR multi-temporal data set.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:685-698.
ECK, T. F.; KALB, V. L., 1991. Cloud screening for Africa using a geographically and seasonally variable infrared threshold.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 12:1205-1222.
EIDENSHINK, J. C.; FAUNDEEN, J. L., 1997. The 1-km AVHRR global land data set: first stages in implementation. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:39-56.
ERICKSON, A. D.; LEUNG, P. S.; FISHER, T. A.; TEILLET, P. M.; GUINDON, B.; BROWN, R. J., 1991. AVHRR data archiving and
processing. Proceedings of the 14th Canadian Symposium on Remote Sensing, Canadian Society of Remote Sensing, Quebec, Ottawa,
Canada. P.205-210.
EYMARD, L.; TACONET, O., 1995. The methods for inferring surface fluxes from satellite data and their use for atmospheric model
validation. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16:1907-1930.
FLYNN, T. J., 1997. Two-dimensional phase unwrapping with minimum weighted discontinuity. Journal of the Optical Society of
America, Optical Society of America, Washington, D.C., USA. 14:2692-2701.
FRANÇA, G. B.; CRACKNELL, A. P., 1994. Retrieval of land and sea surface temperature using NOAA 11 AVHRR data in north-
eastern Brazil. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:1695-1712.
FRASER, R. S.; FERRARE, R. A.; KAUFMAN, J.; MARKHAM, B. L.; MATTO, S., 1992. Algorithm for atmospheric corrections of
aircraft and satellite imagery. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:541-557.
GAO, W., 1993. A simple bidirectional reflectance model applied to a tallgrass canopy. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 45:209-224.
GENS, R., 2003. Two dimensional phase umwrapping for radar interfermetry: development and new challenges. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 24:703-710.
GERSTL, S. A. W., 1990. Physics concepts of optical and radar reflectance signatures. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 11:1109-1117.
GHIGLIA, D. C.; PRITT, M. D., 1998. Two-dimensional phase unwrapping: theory, algorithm and software. John Wiley & Sons, Inc.,
New York. 413p.
GILABERT, M. A.; CONESE, C.; MASELLI, F., 1994. An atmospheric correction method for the automatic retrieval of surface
reflectances from TM images. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 15:2065-2086.
GOETZ, S. J., 1997. Multisensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:71-94.
GOLDSTEIN, R. A.; ZEBKER, H. A.; WERNER, C. L., 1988. Satellite radar inteferometry: two-dimensional phase unwrapping. Radio
Science, Elsevier Science Publishing Co., New York, USA. 23:713-720.
GOODE, J. P., 1925. The homolosine projection: a new devise for protraying the earth’s entire surface. Association of American
Geographers, Washington, DC, USA. Annals, 15:119-125.
GOODRUM, G.; KIDWELL, C.; WINSTON, W., 2004. NOAA KLM user’s guide, NESDIS/NOAA, Washington D.C., USA.
http://www.nesdis.noaa.gov, data de acesso: 12 de março de 2006.
GORDON, H. R.; BROWN, J. W.; EVANS, R. H., 1988. Exact Rayleigh sacttering calculations for use with the Nimbus-7 coastal zone
color scanner. Journal of Applied Optics, Optical Society of America, Washington, D.C., USA. 27:2111-2122.
GOVAERTS, Y. M., 1999. Coorection of the METEOSAT 5 and −6 radiometer solar channel spectral response with the METEOSAT 7
sensor spectral characteristics, International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:3677-3682.
GRIEND, A. A.; OWE, M., 1993. On the relationship between thermal emissivity and the normalized difference vegetation index for
natural surfaces. International Journal of Remote Sensing. Taylor & Francis Ltd, London, UK. 14:1119-1131.
GRIPPA, M.; WOODHOUSE, I. H., 2005. Minimum cross entropy reconstruction for synthetic radar imagery. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 26: 967-980.
GUTMAN, G.; TARPLEY, D.; OHRING, G., 1987. Cloud screening for determination land surface characteristics in a reduced resolution
satellite data set. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 8:859-870.
GUYOT, G.; GU, X. F., 1994. Effect of radiometric corrections on NDVI determined from SPOT HRV and Landsat TM data. Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 49:169-180.
HAPKE, B.; DIMUCCI, D.; NELSON, R.; SMYTHE, W., 1996. The cause of the hot spot in vegetation canopies and soils: shadow
hiding verus coherent backscattering. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 58:63-68.
HAYES, M. J.; DECKER, W. L., 1996. Using NOAA AVHRR data to estimate maize production in the United States Corn Belt,
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17, 3189-3200.
HOBBS, T. J., 1997. Atmospheric correction of NOAA 11 NDVI data in the arid rangelands of central Australia. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 18:1051-1058.
HOLBEN, B. N., 1986. Characteristic of maximum value compositing of temperal AVHRR data. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 7:1417-1437.
HOLBEN, B. N.; ECK, T. F.; SLUTSKER, I.; TANRÉ, D.; BUIS, J. P.; SETZER, A.; VERMOTE, E.; REAGAN, J.; KAUFMAN, Y.;
NAKAJIMA, T.; LAVENU, F.; JANKOWIAK, I.; SMIRNOV, A., 1998. AERONET-A federated instrument network and data archive
for aerosol characterization. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 66:1-16.
IQBAL, M., 1983. An Introduction to Solar Radiation. Academic Press, New York, USA. 361p.
IGNATOV, A.; LASZIO, I.; HARROD, E. D.; KIDWELL, GOODRUM, G. P., 2004. Equator crossing times for NOAA, ERS and EOS
sun synchronous satellites. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:5255-5266.
INGRAM, R. N.; LEWIS, A. S.; TUTWILER, R. L., 2004. An automatic nonlinear correlation approach for processing of hyperspectral
images. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4981-4998.
JOHNSON, B. C.; BROWN, S. W.; EPPELDAUER, G. P.; LYKKE, K. R., 2003. System level calibration of a transfer radiometer used
to validate EOS radiance scales. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 24:339-356.
JUSTICE, C.G., 1988. Calibration of satellite shortwave sensors using overcast cloud layer targets. Proceedings of the 4th Symposium
Photogrammtry and Engineering, Elsevier Science Publishing Co., New York, USA. 120-128.
KALLURI, S. N.; ZHANG, Z.; JÁJÁ, J.; LIANG, S.; TOWNSHEND, J. R., 2001. Characterizing land surface anisotropy from AVHRR
data at a global scale using high performance computing. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
22:2171-2191.
KAUFMAN, Y. J., 1989. The atmospheric effect on remote sensing and its corrections. In: Theory and Applications of Optical Remote
Sensing, 1989. Edited by G. Asrar, John Wiley & Sons, Inc., New York, USA. p.336-428.
KAUFMAN, Y. J.; HOLBEN, B. N., 1993. Calibration of the AVHRR visible and near-infrared bands by atmospheric scattering, ocean
glint and desert reflection. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 14:21-52.
KAUFMAN, Y. J.; TANRÉ, D., 1996. Strategy for direct and indirect methods for correcting the aerosol effect on the remote sensing:
from AVHRR to EOS-MODIS. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 55:65-79.
KEREKES, J. P.; BAUM, J. E., 2005. Full spectrum spectral imaging system analytical model. IEEE Transactions on Geoscience and
Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:571-585.
KERR, Y. H.; LAGOUARDE, J. P.; IMBERNON, J., 1992. Accurate land surface temperature retrieval from AVHRR data with use of an
improved split window. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 41:197-209.
KIDWELL, K. B., 1998. NOAA polar orbiter data user’s guide. NOAA NESDIS, Washington D.C., November 1998 Revision, 394p.
http://www.nesdis.noaa.gov, data de acesso: 12 de março de 2006.
Kleespices, T. J.; MCMILLIN, L. M., 1990. Retrieval of precipitable water from observations in the split window over varying surface
temperature. Journal of Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 29:851-862.
KNEIZYS, F. X.; SHETTLE, E. P.; ABREU, L. W.; CHETWYND, J. H.; ANDERSON, G. P.; GALLERY, W. O.; SELBY, J. E.;
CLOUGH, S. A., 1988. User’s guide to LOWTRAN-7, AFGL-TR-88-0177. Air Force Geophysics Laboratory. Bedford, Massachusetts.
USA. 98p.
KOEPKE, P., 1983. Calibration of the VIS-channel of METEOSAT 2. Advances in Space Research, Elsevier Science Publishing Co.,
New York, USA. 2:93-96.
KOGAN, F. N, 1990. Remote sensing of weather impacts on vegetation in nonhomogeneous áreas. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:1405-1420.
KUUSK, A., 1995. A fast invertible canopy reflectance model. Remote Sensing of Environment, Elsevier Science Publishing Co., New
York, USA. 51:342-350.
LEE, W. H.; KUDOH, J. I., MAKINO, S., 2001. Cloud detection for the Far East region using NOAA AVHRR images. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:1349-1360.
LIN, T. H.; CHEN, A. J.; LIU, G. R.; KUO, T. H., 2002. Monitoring the atmospheric aerosol optical depth with SPOT data in complex
terrain. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:647-659.
LIU, C. H.; CHEN, A. J.; LIU, G. R.; KUO, T. H., 1996. An image-based retrieval algorithm of aerosol characteristics and surface
reflectance for satellite images. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:3477-3500.
LUCHT, W.; LEWIS, P., 2000. Theoretical noise sensitivity of BRDF and albedo retrieval from the EOS-MODIS and MISR sensors with
respect to angular sampling. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 21:81-98.
MCCLATCHEY, R. A.; FENN, R. W.; SELBY, J. E. A; VOLZ, F. E.; GARING, J. S., 1972. Optical Properties of the Atmosphere, 3rd
edition, Environmetnal Research Paper No. 411, Air Force Cambridge Research Laboratories. Massachutts, USA. 36p.
MALLET, C.; MOREAU, E.; CASAGRANDE, L.; KLAPISZ, C., 2002. Determination of integrated cloud liquid water path and total
precipitable water from SSMI data using a neural network algorithm. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 23:661-674.
MCMILLIN, L. M., 1975. Estimation of sea surface temperatures from two infrared window measurements with different absorption.
Journal of Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 36:5113-5117.
MANORE, M.; BROWN, R. J., 1986. Secondary targets for the radiometric correction of AVHRR imagery for crop monitoring.
Proceedings of 10th Canadian Symposium on Remote Sensing, Edmonton, Alberta, Canada. 875-889.
OTTLÉ, C.; OUTALHA, S.; FRANÇIOS, C.; MAGUER, S. L., 1997. Estimation of total atmospheric water vapor content from split
window radiance measurement. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 61:410-418.
PALTRIDGE, G. W.; MITCHELL, R. M., 1990. Atmospheric and viewing angle correction of vegetation indices and grassland fuel
moisture content derived from NOAA/AVHRR. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
31:121-135.
PINKER, R. T.; STOWE, L. L., 1990. Modelling planetary bidirectional reflectance over land. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 11:113-123.
PRICE, J. C., 1987. Calibration of satellite radiometers and the comparison of vegetation indices. Remote Sensing of Environment,
Elsevier Science Publishing Co., New York, USA. 21:15-27.
PRICE, J. C., 1988. Scene locations and overpass dates for Landsat and SPOT sensors. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 9:1951-1958.
PRICE, J. C., 1991. Timing of NOAA afternoon passes. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
12:193-198.
PRATA, A. J.; BAINES, P. G.; TILDESLEY, P. C., 2001. Observation of concentric ring clouds west of Australia. International Journal
of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:2847-2852.
PRIVETTE, J. L.; MYNENI, R. B.; TUCKER, C. J.; EMERY, W. J., 1994. Invertibility of a 1-D discrete ordinates canopy reflectance
model. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 48:89-105
PRIVETTE, J. L.; ECK, T. F.; DEERING, D. W., 1997. Estimating spectral albedo and ndir reflectance through inversion of simple
BRDF models with AVHRR MIDOS-like data. Journal of Geophysical Research, American Geophysical Union, St. Louis, Missouri,
USA. 102:29529-29542.
PRIVETTE, J. L.; EMERY, W. J.; SCHINEL, D. S., 1996. Inversion of a vegetation reflectance model with NOAA AVHRR data.
Remote Sensing of Envionment, Elsevier Science Publishing Co., New York, USA. 58:187-200.
RAHMAN, H., 1996. Atmospheric optical depth and water vapor effects on the angular characteristics of surface reflectance in NOAA
AVHRR. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:2981-2999.
RAHMAN, H., PINTY, B.; VERSTRAETE, M. M., 1993. Coupled surface-atmosphere reflectance (CSAR) model 2 Semiempirical
surface model usble with NOAA AVHRR data. Journal of Geophysical Research, American Geophysical Union, St. Louis, Missouri,
USA. 98:20791-20801.
RAO, C. R. N.; CHEN, J., 1995. Inter-satellite calibration linkages for the visible and near-IR channels of the AVHRR on the NOAA 7,
−9 and −11 spacecraft. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 16:1931-1942.
RAO, C. R. N.; CHEN, J.,1996. Post-launch calibration of the visible and near-IR channels of the AVHRR on the NOAA 14 spacecraft.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 17:2743-2747.
RAO, C. R. N.; CHEN, J., 1999. Revised post-launch calibration of the visible and near-IR channels of the AVHRR on the NOAA 14
spacecraft. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:3485-3492.
RAO, C. R. N.; SULLIVAN, J.; CHEN, J., 2001. Post-launch calibration of the visible channel of the high resolution infrared radiation
sounder (HIRS) on the NOAA 14 spacecraft. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:2431-2438.
RASMUSSEN, M. S., 1997. Operational yield forecasting using AVHRR NDVI data: prediction of environmental and inter-annual
variability. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 18:1059-1077.
RASMUSSEN, M. S., 1998. Developing simple operational consistent NDVI vegetation models by applying environmental and climatic
information: part I. Assessment of net primary production. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
19:97-117.
RASMUSSEN, M. S., 1998b. Developing simple operational consistent NDVI vegetation models by applying environmental and climatca
information: part II. crop yield assessment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 19:118-139.
RICE, J. P.; BENDER, S. C.; ATKINS, W. H.; LOVAS, F. J., 2003. Deployment test of the NIST EOS thermal infrared transfer.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:367-388.
RICHTER, R.; MULLER, A.; HEIDEN, T., 2002. Aspects of operational atmospheric correction of hyperspectral data. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:145-157.
ROTHMAN, L. S.; JACKUEMART, D.; BERBE, A.; BEENER, D.; BIRK, M.; BROWN, L.; CARLEER, M.; CHACKERIAN, C.;
CHANCE, K.; COURDERT, L.; DANA, V.; DEVI, V.; FLAUD, J.; GAMACHE, R.; GOLDMAN, A.; HARTMANN, J.; JUCKS, K.;
MAKI, A.; MANDIN, J.; MASSIE, S.; ORPHAL, J.; PERRIN, A.; RINSLAND, C.; SMITH, M.; TENNYSON, J.; TOLCHENOV, R.;
TOTH, R.; AUWERA, J.; VARANASI P.; WAGNER, G., 2005. The HITRAN 2004 modecular spectroscopic database. Journal of
Quantitative Spectroscopy and Radiative Transfer, 2005, disponivel no site: http://cfa-www.Harvard.edu/hitran ou
www.elsevier.com/locate/jqsrt, data de acesso em 13 de março de 2006.
ROUJEAN, J. L.; LEROY, M.; PODAIRE A.; DESCHAMPS, P. Y., 1992. Evidence of surface reflectance bidirectional effects from
NOAA/AVHRR multi-temporal data set. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 13:685-698.
RUNNING, S.; LOVELAND, T.; PIERCE, L.; NEMANI, R.; HUNT, E., 1995. A remote sensing based vegetation classification logic for
global land cover analysis. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 51:39-48.
SANTER, R.; GU, X. F.; GUYOT, G.; DEUZÉ, J. L.; DEVAUX, C.; VERMOTE, E.; VERBRUGGHE, M., 1992. SPOT calibration at
the La Crau test site, France. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 41:227-237.
SAUNDERS, R. W., 1990. The determination of broad band surface from AVHRR visible and nera infrared radiances. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 1:49-67.
SCHANDA, E., 1986. Physical Fundamental of Remotev Sensing, Heidelberg, Spring-Verlag Press, Berlin, Germany. 462p.
SEAQUIST, J. W.; OLSSON, L., 1998. A simple method to account on off-nadir scattering in the NOAA pathfinder AVHRR land data
set. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 19:1425-1431.
SELLERS, P. J.; NEESON, B. W.; HALL, F. G.; ASRAR, G.; MURPHY, R.; SCHIFFER, R.; BRETHERTON, F.; DICKSON, R.;
ELLINGSON, R.; FIELD, C.; HUEMMRICH, K.; JASTICE, C.; MELACK, J.; ROULET, N.; SCHIMEL, D.; TRY, P., 1995. Remote
sensing of the land surface for studies of global change: model-algorithm-experiments. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 51:3-26.
SIMPSON, D. N.; GOBAT, W. T., 1996. Improved cloud detection for daytime AVHRR scenes over land. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 55:21-49.
SLATER, P. N.; BIGGAR, S. F.; HOLM, R. D., 1987. Reflectance and radiance-based methods for inflight absolute calibration of
multispectral sensors. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 22:11-37.
SMITH, G. R.; LEVIN, R. H.; KOYANAGI, R. S.; WRIGLEY, R. C., 1989. Calibration of the visible and near infrared channels of the
NOAA 9 AVHRR using high altitude aircraft measurements from August 1985 and October 1986. NASA Technical Memorandum
101063, NASA Research Center, Moffett Field, California, USA, 57p.
SOBRINO, J. A.; COLL, C.; CASELLES, V., 1991. Atmospheric correction for land surface temperature using NOAA 11 AVHRR
channels 4 and 5. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 38:19-34.
SOBRINO, J. A.; LI, Z.; STOLL, M. P.; BECKER, F., 1994. Improvements in the local split-window technique for land surface
temperature determination. IEEE Transactions Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of
America, Piscataway, New Jersey, USA. 32:243-2513.
STAYOR, W. F., 1990. Degradation rates of the AVHRR visible channel for NOAA6, 7 and 9 spacecraft. Journal of Atmospheric and
Oceanic Technologies, American Society of Meteorology, Boston, Massachusetts, USA. 7:411-423.
STEINWAND, D. R., 1994. Mapping raster imagery to the interrupted Goode Homolosine projection. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 15:3463-3471.
STURM, B., 1981. The atmospheric correction of remote sensed data and the quantitative determination of suspended matter in marine
water surface. In: Remote Sensing in Meteorology, Oceanography and Hydrology, edited by A.P. Cracknell, Ellis Horwood Limited,
London, UK. chapter 11, p341-462.
SULLIVAN, J. 1999. New radiance-based method for AVHRR thermal channel nonlinearity corrections. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 20:3493-3501.
TACHIIRI, K., 2005. Calculating NDVI for NOAA/AVHRR data after atmospheric correction for extensive images using 6S code: a case
study in the Marsabit district, Kenya. Journal of Photogrammetry and Remote Sensing, Elsevier Science Publishing Co., New York, USA.
59:103-114.
TANRÉ D.; DEROO, C.; DUHAUT, P.; HERMAN, M.; MORCRETTE, J.; PERBOS, J.; DUCHAMPS, P., 1990. Description of a
computer code to simulate the satellite signal in the solar spectrum, the 5S code. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 11:659-668.
TANRÉ, D.; HOLBEN, B.; Kaufman, Y., 1992. Atmospheric correction algorithm for NOAA AVHRR products: theory and applcation.
IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New
Jersey, USA. 30:231-248.
TEILLET, P. M.; SLATER, P. N.; DING, Y.; SANTER, R. P.; JACKSON, R. D.; MORAN, M.S., 1990. Three methods for the absolute
calibration of the NOAA AVHRR sensors in-Flight. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA.
31105-120.
TEILLET, P. M., 1992. An algorithm for the radiometric and atmospheric correction of AVHRR data in the solar reflective channels.
Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 41:185-195.
TEILLET, P. M.; HOLBEN, B. N., 1994. Towards operational radiometric calibration of NOAA AVHRR imagery in the visible and near-
infrared channels. Canadian Journal of Remote Sensing, Canadian Society of Remote Sensing, Quebec, Ottawa, Canada. 20:1-10.
TOUTIN, T., 2004. Review article: geometric processing of remote sensing images: models, algorithms and methods. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1893-1924.
TSAY, C. M.; LIU, W. T., 1998. Comparação de três métodos de estimativa de temperatura da superfície terrestre utilizando dados de
AVHRR. Anais do 1º. Simpósio Brasileiro de Meteorologia por Satélite: X Congresso Brasileiro de Meteorologia – VIII Congresso da
FLISMET, 26 a 30 de outubro, Brasília, DF. Brasil. CD-ROM: MS98021, p1-5.
TSAY, C. M.; LIU, W. T., 2000. Estimativa de albedo, temperatura e NDVI do Estado de São Paulo através de Dados AVHRR do Satélite
NOAA. Anais do XI Congresso Brasileiro de Meteorologia, Rio de Janeiro, RJ, Brasil, CD-ROM:MS00015: 3842-3850.
VALIENTE, J. A.; NUNEZ, M.; LOPEZ-BAEZA, E.; MORENO, J. F., 1995. Narrow band to broad band conversion for Meteorsat
visible channel and broad band albedo using AVHRR-1 and −2 channels. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 16:1147-1166.
VALOR, E.; CASELLES, V., 1996. Mapping land surface emissivity from NDVI: application to European, Africa and South American
areas. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 57: 167-184.
VAN DIJK, A.; CALLIS, S. L.; SAKAMOTO, C. M.; DECKER, W., 1987. Smoothing vegetation index profiles: an alternative method
for reducing radiometric disturbance in NOAA/AVHRR data. Photogrammetric Engineering and Remote Sensing, Elsevier Science
Publishing Co., New York, USA. 53:1059-1067.
VAN DER, R. J.; PITERS, A. J.; VAN OSS, R. F.; ZEHNER, C., 2003. Global stratospheric ozone profiles from GOME in near eal time.
Internatinal Journal of Remote Sensing., Taylor & Francis Ltd, London, UK.24:4969-4974.
VÁZQUEZ, D. P.; REYES, F. J.; ARBOLEDAS, L. A., 1997. A comparative study of algorithms for estimating land surface temperature
from AVHRR data. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 62:215-222.
VELLEMAN, P.; HOAGLIN, D. C., 1981. Applications basics and computing explorating data analysis. Duxbury Press, Boston,
Massachusetts, USA. 458pp.
VERMOTE, E. F.; TANRÉ, D.; DEUZÉ, J. L.; HERMAN, L.; MORCRETTE, J., 1997. Second simulation of satellite signal in the solar
spectrum, 6S: an overview, IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of
America, Piscataway, New Jersey, USA. 35:675-686.
VERMOTE, E. F.; ROY, D. P., 2002. Land surface hot-spot observed by MODIS over Central Africa. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 23:2141-2144.
VERMOTE, D. J.; VERMEULEN, A., 1999. Atmospheric correction algorithm: spectral reflectances (MOD09), Version4.0 NASA
contract NAS-96062, 106p. http://modis.gsfc.nasa.gov/data/atbd/atbd/mod08, data de acesso: 13 de março de 2006.
VIDAL-PANTALEONI, B.; MARTI, D., 2004. Comparison of different speckle-reduction techniques in SAR images using wavelet
transform. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4915-4932.
UNGANAI, L. S.; KOGAN, F. N., 1998. Drought Monitoring and corn yield estimation in Southern Africa from AVHRR data, Remote
Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 63, 219-232.
WANNER, W.; LI, X.; STRAHLER, A. H., 1995. On the derivation of kernaels for kernel-driven models of bidirectional reflectance.
Journal of Geophysical Research, American Geophysical Union, St. Louis, Missouri, USA. 100:21077-21090.
WHITE, M.; THORNTON, P. E.; RUNNING, S., 1997. A continental phenology model for monitoring vegetation responses to
internanual climate variability. Global Biogeochemtical Cycles, Elsevier Science Publishing Co., New York, USA.11:217-234.
WIEGAND, C. L.; RICHARDSON, A. J., 1990. Use of spectral vegetation indices to infer leaf area evapotranspiration and yield. I.
Rationale, Agronomy Journal, American Society of Agronomy, Madison, Wisconsin, USA. 83:623-629.
WU, A.; ZHONG, Q., 1994. A method for determing the sensor degradation rates of NOAA AVHRR channels 1 and 2. Journal of
Applied Meteorology, American Society of Meteorology, Boston, Massachusetts, USA. 33:118-122.
WYDICK, J. E.; DAVIS, P. A.; GRUBER, A., 1987. Estimation of broad band planetary albedo from operational narrow band satellite
measurements, NOAA Technical Report, NESDIS 27, USDC, Washington, D.C., USA, 32p.
XIONG, X.; CHE, N.; BARNES, W., 2005. Terra MODIS on orbit spatial characterization and performance. IEEE Transactions on
Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:355-365.
YE, W.; YEO, T. S.; ZHANG, C. B.; LU, Y. H., 1999. Correction of geometric distortion in spotlight synthetic aperture radar.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:979-992.
ZIBORDI, G.; MARACCI, G., 1988. Determination of atmospheric turbitity from remotely sensed data. A case study. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 9:1881-1894.
ZIBORDI, G.; VOSS, K. J., 1989. Geometrical and spectral distribution of sky radiance: comparison between simulations and field
measurements. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 37:343-358.
14.1 Introdução
As imagens digitais dos satélites ambientais são usadas para o monitoramento das evoluções dinâmicas de usos do
solo, ecossistemas e dos eventos catastróficos da superfície terrestre. Gallego (2004) resumiu que as imagens geradas
pelos satélites podem ser usadas para estimar as áreas de usos do solo em três maneiras:

a)   identificação, classificação, delineamento e estimativa das áreas ocupadas pelas várias classes de usos do solo
baseadas nas imagens de satélites. Os dados de observações na superfície terrestre são usados para treinamento
no processo da classificação, validação dos métodos de classificação e análise dos pixels de mistura;
b)   as imagens de satélites podem auxiliar o levantamento das amostras de várias maneiras, incluindo: definição
das unidades das amostras, estratificação das amostras, documentação gráfica para o levantamento em campo e
 controle de qualidade da coleta de dados em campo.
c)   as técnicas de regressão estatística e os softwares de Sistema de Informações Geográficas (SIG) podem ser
aplicados para monitorar e prever as evoluções espaciais e temporais da superfície, combinando as informações
de imagens de satélites com as obtidas por meio do levantamento em campo;

Coppin et al. (2004) apresentaram uma revisão dos métodos de detecção das evoluções dinâmicas dos
ecossistemas. Apontaram que as técnicas baseadas nos dados multitemporais e multiespectrais, adquiridos pelos satélites,
demonstraram a alta potencialidade na identificação, classificação, delineamento, mapeamento e detecção das evoluções
de usos do solo. Sugeriram também que as técnicas digitais de detecção da evolução de usos do solo envolvem três
aspectos:

a)   os parâmetros, usados para detectar as variabilidades interanuais de ecossistemas, devem ser claramente
definidos de acordo com perspectivas diferentes. As imagens digitais e os perfis das reflectâncias espectrais
adquiridas devem ser adequados corretamente, permitindo a comparação das mudanças dos ecossistemas ou
usos do solo;
b)   o procedimento de pré-processamento dos dados de satélites deve ter uma ligação direta entre as imagens e os
perfis temporais dos dados digitais de satélites ou seus derivados e os fenômenos biofísicos dos ecossistemas;
c)   o método de detecção da mudança deve ter um esquema analítico e deve ser validado em campo rigorosamente.

Ferreira e Huete (2004) monitoraram a evolução sazonal da vegetação na região dos cerrados brasileiro usando os
índices de vegetação, incluindo NDVI e SAVI obtido pelos dados de NOAA AVHRR LAC. Observaram que ambos os
perfis de NDVI e SAVI correspondem bem aos padrões dos ciclos fenológicos dos principais tipos de vegetação dos
cerrados, incluindo cerrado, pastagens e culturas agrícolas. Apontaram que o NDVI depende fortemente da reflectância
da banda do visível e o SAVI depende da reflectância da banda do infravermelho próximo. Sugeriram que os dados do
MODIS com uma resolução espacial de 500 m podem melhorar as classificações e delineamento de áreas ocupadas pelos
diferentes tipos de vegetação.
Koukoulas e Blackburn (2004) usaram as imagens de LIDAR e as imagens dos sensores multiespectrais
gerenciadas pelo SIG para quantificar as propriedades dos espaços entre as árvores individuais das florestas deciduais,
incluindo tamanhos das aberturas, complexidade das formas, diversidade de altura da vegetação, conexões entre as
aberturas, e identificações do tipo de vegetação predominante. Wulder et al. (2004) usaram as imagens de IKONOS com
uma alta resolução espacial de 1 m para identificar as árvores individuais em uma floresta no Canadá com uma acurácia
de 85%. As imagens IKONOS podem ser usadas para gerar mapas com a escala de 1:5.000. Mas para fins de
monitoramentos, as estruturas de floresta e suas evoluções dinâmicas das árvores individuais, as imagens IKONOS ainda
não são suficientes. Portanto, os mapas de base cartográfica de alta resolução espacial e as informações detalhadas
obtidas em campo são indispensáveis para a validação dos métodos de classificação baseados nas imagens digitais via
satélite.

14.2 Cartografia digital

Em geral, por causa da alta heterogeneidade da distribuição espacial de usos do solo, freqüentemente, os mapas de
base cartográfica são empregados para identificar a localidade, auxiliar a identificação dos objetos de interesse e
validação dos métodos de classificação de usos do solo via satélite. Portanto, a apresentação dos métodos de
identificação, classificação e delineamento das áreas ocupadas pelos diferentes usos do solo baseados nas imagens
digitais adquiridas via satélite, os conceitos básicos da cartografia, tais como mapa cartográfico, escala, mapa temático,
coordenada geográfica, projeção, Datum, articulação das folhas do mapa do Brasil, sistema de posicionamento global e
os procedimentos de geração de mapa digital, incluindo escaneamento, georreferenciamento e vetorização são revisados
brevemente nesta seção.
A cartografia é dividida em três áreas, incluindo topocartografia, geocartografia e cartografia temática. A
topocartografia usa gráficos tridimensionais para representar as superfícies planas, onduladas e acentuadas. Atualmente,
o modelo digital de elevação chamado Digital Elevation Model (DEM) é empregado para converter o mapa topográfico
em mapa digital. Vários pesquisadores tentam integrar as imagens de satélites ao DEM para extrair as feições
geomorfológicas, tal como delinear a rede de canais de drenagem de uma bacia hidrográfica usando as imagens
Pancromáticas (PAN) de SPOT HRV (SVORAY, 2004). A geocartografia usa a representação gráfica para delinear os
limites administrativos das áreas ocupadas pelos municípios, Estados, países e continentes. A cartografia temática usa a
representação gráfica para caracterizar um assunto de interesse, que pode ser mapa topográfico, mapa de limite
administrativo, mapa de estrada, mapa de população, mapa de usos do solo, mapa de risco de erosão, mapa de
zoneamento agroecologico e outros. No passado, os mapas da base cartográfica eram apresentados em impressão de
papel. Para extrair e aplicar as informações nesses mapas, era necessário redesenhar os mapas temáticos no papel vegetal
transparente para facilitar a superposição manualmente dos mapas de interesse. Recentemente, por meio das tecnologias
computacionais e os softwares de processamento de mapas digitais, a extração das informações de várias camadas de
mapas temáticos pode ser feita em computador pessoal. Portanto, por conveniência, os mapas digitais da cartografia
temática são gerados para facilitar o cruzamento e a interpretação do mapa composto de várias camadas de informação
específica aplicando-se o gerenciamento de banco de dados pelo SIG.

14.2.1 Coordenada geográfica

O sistema de coordenada geográfica divide o globo nos Hemisférios Norte e Sul. O equador é usado como o plano
de divisão: a latitude de 0° no equador a 90°N no Pólo Norte e 0° a 90°S no Pólo Sul. O meridiano de Greenwich é
definido como o 0° de longitude. A longitude do globo tem um ciclo de 360°, nomeada a partir do Greenwich de 0° a
+180° ou 180°E (East, Leste) e a −180° ou 180°W (West, Oeste). Nesse sistema, um ponto na superfície terrestre é
determinado pela latitude e longitude. Os sistemas de coordenadas planas, usados para representação das diversas feições
no mapa, dividem-se em dois tipos: quadriculado e reticulado. O sistema quadriculado usa um conjunto de duas famílias
de linhas retas paralelas aos eixos coordenados pela latitude e longitude que resultam no cruzamento perpendicular. O
sistema reticulado usa uma família de linhas paralelas à latitude e outra família de linha segue os ângulos que dividem o
ciclo maior, no equador, em 360° e convertem a zero de longitude nos Pólos Norte e Sul.

14.2.2 Escala de mapa

A finalidade básica de um mapa, representação gráfica no papel ou no computador, é fornecer as informações

específicas a respeito da área mapeada para o usuário. A escala é definida como uma distância desenhada no mapa
representando uma distância real existente na superfície terrestre. Os cartógrafos, por meio da convenção, definem que a
representação de uma distância mínima distinguível entre dois pontos no mapa é 0,2 mm. Portanto, um milímetro de
distância no mapa deve incluir 5 pontos de uma determinada informação registrada. A escala de mapa permite realizar as
transformações de dimensões gráficas em dimensões reais sem efetuar os cálculos. Por exemplo, uma distância de 0,2
mm no mapa representa a distância de 10 m na superfície terrestre. Nesse caso a escala é de 1:50.000, que é obtida pela
divião de 10 m por 0,2 mm. Para as imagens de satélites da série Landsat TM PAN e ETM+ PAN, a resolução espacial
de 15 m gera um mapa digital em uma escala de 1:75.000 e a resolução espacial de 10 m do SPOT HRV PAN gera um
mapa digital em uma escala de 1:50.000.

14.2.3 Projeções cartográficas

A superfície terrestre é curvada, portanto é impossível desenhá-la em uma folha de papel plana. O mapeamento de
qualquer distribuição temática na superfície terrestre requer o uso de uma técnica de projeção dos pontos em uma
superfície curvada sobreposta à superfície plana do mapa. Vários métodos são desenvolvidos para projetar uma área
específica curvada da terra delimitada pelos quatro cantos de latitude e longitude no mapa de um papel plano com os
mesmos valores de latitude e longitude para minimizar a distorção dessa área. Os métodos de projeção incluem projeções
azimutais, cônicas e cilíndricas. Cada método tem três posições, incluindo normal, transversal e oblíqua. A figura 14.1
mostra essas nove opções de projeção. Por causa da diferença inerente entre duas superfícies, sempre existe alguma
perda de acurácia na representação da área, forma e escala no mapa relacionado com o globo.
O mapeamento sistemático do Brasil é feito pela projeção cilíndrica transversal, conhecido como Universal
Transverse Mercator (UTM). A projeção Mercator pertence ao tipo de projeção cilíndrica que é centralizada no equador
onde o cilindro hipotético é tangencial ao globo e a porção da área mais perto do equador representa corretamente a
distância, área, forma e direção com os erros mínimos. Os erros das áreas aumentam quando as distâncias do equador aos
Pólos aumentam. Portanto, maiores erros para representar as áreas ocorrem nas altas latitudes. Mas a forma é
corretamente encontrada no mapa em todas as latitudes. A figura 14.2 mostra as transformações das três amostragens da
projeção cilíndrica,conhecida como Projeção Mercator, para as formas planas no mapa: normal, transversal e oblíqua.

As principais características da projeção UTM são:

a)   a projeção é cilíndrica transversal e uniforme;

b)   o meridiano central da área de interesse, o equador e os meridianos situados a 90° do meridiano central são
representados pelas retas;
c)   os outros meridianos e as paralelas são curvas complexas;
d)   o meridiano central é representado em grandeza verdadeira;
e)   a escala aumenta com a distância em relação ao meridiano central. A 90° deste, a escala torna-se infinita;
f)   a Terra é divida em 60 fusos de 6° de longitude. O cilindro transversal adotado como superfície de projeção
assume 60 posições diferentes. o eixo de cada fuso mantém-se sempre perpendicular ao meridiano central;
g)   aplica-se ao meridiano central de cada fuso um fator de redução de escala igual a 0,9996, para minimizar as
variações de escala dentro do fuso. como conseqüências, existem duas linhas aproximadamente retas, uma a
leste e outra a oeste, distantes cerca de 1°37’ do meridiano central, representando a verdadeira grandeza;
h)   apesar da característica da projeção universal, enfatiza-se que o elipsóide de referência varia em função da área
 da superfície terrestre.

Figura 14.1 – Métodos de projeção: projeções azimutais, cônicas e cilíndricas. Cada método de projeção tem três posições: normal,
transversal e oblíqua.

Figura 14.2 – Transformações das três amostragens da projeção Mercator na projeção cilíndrica transversal para as formas planas no
mapa: a) normal; b) transversal c) oblíqua. Fonte: (Campbell, 1987).

14.2.4 Datum

O Datum é definido como a representação de um ponto na superfície do globo. Para caracterizar um Datum utiliza-
se uma superfície de referência e uma superfície de nível. Portanto, uma superfície de referência chamada Datum
horizontal consiste em cinco valores: a latitude e a longitude de um ponto inicial, o azimute de uma linha que parte deste
ponto e duas constantes necessárias para definir o elipsóide de referência. Assim, forma-se a base para o cálculo dos
levantamentos de controle horizontal no qual se considera a curvatura do globo. A superfície de nível, chamada Datum
vertical, refere-se às altitudes. Para definição do Datum escolhe-se um ponto central em relação à área de abrangência do
Datum. Para o Brasil, nos mapas mais antigos adota-se o Datum Córrego Alegre do Estado de Minas Gerais, e mais
recentemente o Datum South American Datum de 1969 (SAD 69). Porém existem mapas feitos em ambos e até mesmo
com Datum locais. Porém, os mapas gerados devem incluir os dados de Datum.

Córrego Alegre, MG: latitude de 19° 45’ 41,34”S e longitude de 48° 06’ 07,08”W.

SAD 69: latitude de 19° 45’ 41,6527”S, longitude de 48° 6’ 4,0639”W e azimute de Uberaba de 271° 30’ 4,05”.

14.2.5 Articulação das folhas do mapa do Brasil

As cartas do mapeamento sistemático brasileiro abrangem as escalas que vão de 1:100.000 a 25.000 e adotam a
articulação de folhas do mundo ao milionésimo. Nessa articulação, o mundo é dividido em fusos de 6° de longitude e em
faixas de 4° de latitude. A divisão e a numeração dos fusos são as mesmas adotadas no UTM. Com respeito às faixas, a
partir do equador, como para o Hemisfério Norte como para o Hemisfério Sul, a cada 4° de latitude adota-se
seqüencialmente uma letra do alfabeto. Desta forma, uma carta na escala 1:100.000, que abrange uma área de 6° de
longitude e 4° de latitude, recebe o seguinte nome: primeiro a letra indicadora do Hemisfério (N ou S), seguida da letra
que indica a faixa de latitude e finalmente do fuso. Por exemplo, a carta SE-22 corresponde a uma região do Hemisfério
Sul, abrange pela faixa da latitude E e pelo fuso de 22. A faixa da latitude E na ordem alfabética é a quinta letra que
significa E = 5a faixa de latitude. Cada faixa de latitude abrange 4°. Portanto o limite da faixa de latitude = 5 × 4° = 20°
latitude, abrange 16° a 20° de latitude.

O fuso 22 representa: fuso = (180° + λ)/6°, ou λ = 6° fuso – 180°.

Portanto, o valor de λ para o fuso de 22 é calculado a seguir:

λ = 22×6° – 180°
λ = 132° – 180°
   
λ = – 48° ou 48° oeste.

Portanto, a carta SE-22 representa a folha de uma área composta de 16° a 20° de latitude e – 48° a – 54° de
longitude do Hemisfério Sul.
A figura 14.3 mostra as folhas de articulação brasileira do mapa em escala de 1:100.000. Um total de 46 folhas são
nomeadas pelos nomes das principais cidades das regiões para facilitar suas identificações geográficas. Os anos indicam
que as cartas das folhas são elaboradas nos respectivos anos.
 Figura 14.3 – As 46 folhas de articulação brasileira do mapa em escala de 1:100.000. O ano indica quando a folha da carta foi
elaborada. Disponível em: (<http://www.ibge.gov.br> acesso em 12 de maio de 2005).

14.2.6 Sistema de posicionamento global

O sistema de posicionamento global, chamado Global Positioning System, (GPS), usa um aparelho GPS para
fornecer a posição de ponto específico da superfície terrestre por meio de um sistema composto de 26 satélites circulando
pelo globo em cerca de 20.000 km de altitude, em grupos de seis planos orbitais, espaçados em 55 graus. Cada satélite
tem um período útil de doze horas sobre o horizonte. Esse arranjo garante que, a qualquer momento, pelos menos cinco
satélites estejam sobre o céu do receptor de um usuário em qualquer ponto do mundo. O posicionamento se faz com a
recepção simultânea de pelo menos quatro satélites, cujos sinais e mensagens podem ser recebidos para obter parâmetros
e equações que permitem resolver as incógnitas X, Y, Z e T, ou seja, as três coordenadas espaciais do local da antena do
usuário e mais o tempo gasto do sinal emitido do sensor e retornado ao sensor após refletido pelo alvo. A posição de um
ponto específico da superfície é localizada por meio dos cálculos dos tempos gastos dos sinais emitidos e retornados,
medidos pelos sensores dos vários satélites disponíveis que captam os sinais em tempo real. A figura 14.4 mostra os 26
satélites do tipo GPS orbitando pelo globo (esquerda) e os quatros satélites mínimos empregados para obter e calcular a
posição do GPS utilizado pelo usuário em um ponto da superfície por meio dos dados de quatros conjuntos de X, Y, Z e
T. O sistema de controle se dá por meio das estações rastreadoras. A estação principal localiza-se na cidade de Colorado
Spring, no Estado do Colorado, USA. Mas existem mais cinco estações de monitoramento e recepção ao redor do
planeta. Essas estações, por meio de sinais, acompanham e corrigem continuamente a trajetória dos satélites e a
sincronização de seus relógios.
 Figura 14.4 – Sistema de posicionamento global (Global Positioning System – GPS). Posicionamento dos 26 satélites orbitando no
globo (esquerda). Os quatro satélites mínimos usados para obter e calcular a posição do GPS empregado pelo usuário em um ponto
da superfície por meio dos dados de quatros conjuntos de X, Y, Z e T (direita).

Os satélites de GPS transmitem continuamente sinais de freqüência de rádio, que podem ser captados pelas antenas
receptoras dos usuários. Cada estação receptora é composta, basicamente, de antena, oscilador, circuito de recepção,
memória e fonte de alimentação (bateria). Os receptores recebem e armazenam mensagens transmitidas pelos satélites,
medem a distância do centro de fase da antena até cada um dos satélites captados e a maioria deles calcula e apresenta as
coordenadas do local em sistema de referência predefinido. A acurácia da distância é baseada na equação de distância
calculada pela velocidade multiplicada pelo tempo. A velocidade do sinal da energia eletromagnética é próxima à
velocidade da luz, cerca de 300.000 km/s. Uma vez que a velocidade do sinal é conhecida, só resta obter o tempo gasto
pelo sinal enviado do satélite ao receptor para calcular a distância. Hoje, o uso do GPS é muito requisitado nos processos
de mapeamento e georreferenciamento por meio da coleta de dados das coordenadas de um objeto em um local
específico a ser mapeado ou identificado na imagem digital. Os GPS de navegação são mais simples e têm a acurácia
espacial de 5 a 100 m. Os GPS de topografia, chamado Differential Global Positioning System (DGPS) têm sua acurácia
de 1 a 5 m. O GPS geodésico tem a acurácia de 5 cm.

14.2.7 Geração de mapa digital

Para gerar um mapa digital, tal como topografia, representado pelas curvas de nível ou redes de drenagem,
executam-se as seguintes tarefas: escaneamento da carta cartográfica, georreferenciamento e vetorização. As cartas
topográficas e de hidrografia são georreferenciadas no software Spring ou outros softwares comerciais, a partir da
aquisição das coordenadas planas via teclado extraídas das cartas em formato analógico. Seqüencialmente, para cada
carta georreferenciada são digitalizadas as cotas eqüidistantes no formato DEM ou Modelo Numérico do Terreno
(MNT), o qual possibilita representar os valores da cota (altitude) no mapa digital.

14.2.7.1 Escaneamento de base cartográfica

Os mapas de base cartográfica, incluindo: hidrologia, limites de município e Estado e curvas de nível de 40 m e 50
m de resolução no território brasileiro, são divulgados pelo Instituto Brasileiro de Geografia e Estatística (IBGE)
baseados nos mapas cartográficos em UTM elaborados com os dados levantados em 1966 na escala de 1:100.000 e
publicados no ano 1984 pela Diretoria de Serviço Geográfico (DSG) do Ministério do Exército do Brasil. A figura 14.5
mostra um exemplo de um mapa da base cartagráfica de Palmeiras, MS, abrangendo o Distrito de Palmeiras e o
município de Dois Irmãos do Buriti no Estado de Mato Grosso do Sul, na escala 1:100.000, que possibilitou a utilização
do referenciamento (coordenadas) original da própria carta topográfica.
 Figura 14.5 – Carta cartográfica de Palmeiras de Mato Grosso do Sul, em escala 1:100.000, projeção UTM. Fonte: (Diretoria de
Serviço Geográfico (DSG), 1984).

A carta deve ser rastreada pelo escaneador com uma resolução de 300 dpi, registrando assim 300 pontos digitais
por polegada, e a mesma é convertida para 254 dpi. Uma polegada é igual a 2,54 cm. E 254 dpi por polegada indicam
254 pontos registrados em uma distância de 2,54 cm. Portanto, 254 pontos/2,54cm = 100 pontos /1cm. Considerando que
a representação cartográfica exige cinco pontos por 1 mm da distância, o mapa digitalizado tem 100 pontos em 1 cm ou
10 pontos/1 mm que é dobro da resolução espacial do mapa original e tem uma escala de 1:50.000. Isto minimiza o
digitalizador, usa menos pontos para formar uma determinada curva de nível. Apesar de o mapa digitalizado ter a escala
de 1:50.000, por causa da escala do mapa-base ser de 1:100.000, o mapa digital gerado é mantido na escala de 1:100.000.
As aplicações de geoprocessamento usam dois tipos de dados espaciais:

a)  geo-campos, que são variações espaciais contínuas representadas em formato vetorial. Os geocampos são
usados para representar as grandezas distribuídas espacialmente, tais como tipo de solo, topografia, rios e teor
minerais. Na prática, os dados de geocampos correspondem aos dados temáticos, imagens e DEM.
b)  geo-objetos ou objetos geográficos são individualizáveis e têm suas identificações. Esse tipo de dados tem
atributos não espaciais, armazenados em um banco de dados convencional, e pode estar associado a várias
representações gráficas. Alguns exemplos são escolas, municípios e fazendas.

Geo-objetos ou geo-campos são representados graficamente no formato vetorial pela digitalização dos pontos,
linhas ou polígonos que possuem os atributos fornecendo as características próprias no mapa digital. Se uma rua é
representada por uma linha, deve ser identificada por um código que descreve seus atributos por tabela, tais como: nome,
se a rua é asfaltada, se tem mão dupla, tráfico intenso e outros. A topologia de um geo-objeto ou geo-campo representa a
relação entre os atributos gráficos dos elementos: ponto, linha ou área. Um ponto, uma linha e uma área são nomeados
como nó, arco e polígono, respectivamente. Um nó georreferenciado possui um atributo que descreve os arcos
conectados a ele. Um arco é descrito pelos nós inicial e final, polígono esquerdo e direito. Um polígono é descrito pelos
arcos que fecham uma área e nomeada por um determinado número ou letra alfabética. A figura 14.6 mostra um exemplo
de uma topologia do tipo arco-nó-polígono com seus atributos definidos. Para cada tipo de geo-objeto, além dos atributos
comuns a todos, existe uma topologia própria a cada um, como a que identificará um arco como sendo o “braço” de um
rio, uma estrada ou uma linha de rede elétrica.

Figura 14.6 – Exemplo de uma topologia do tipo arco-nó-polígono com seus atributos definidos. Fonte: (CAMARGO; FUNKS;
CÂMARA, 1996).

14.2.7.2 Georreferenciamento de mapa digital

O procedimento de georreferenciamento de um mapa digital significa registrar as coordenadas do mapa gráfico no

mapa digital obtido pelo rastreamento. Isto se deve ao fato de o mapa rastreado somente converter as feições no mapa
gráfico, de onde são transferidas para o mapa digital que as representa em uma matriz do mesmo tamanho do mapa
rastreado. A matriz é composta de determinados números de pixels horizontais e verticais com a resolução espacial igual
à escala do mapa rastreado. Apesar de as linhas de latitude e as colunas de longitude presentes no mapa digital, os
valores das coordenadas não são conhecidos pelo mapa digital. Portanto, é preciso registrá-los no mapa digital pelo
processo de georreferenciamento.
Para as feições poderem ser localizadas no mapa digital, é necessário transformá-las graficamente no formato
vetorial. No sentido matemático, um vetor possui a grandeza e a direção de uma determinada linha no espaço
bidimensional. Portanto, um elemento vetorial no mapa digital deve possuir um determinado conjunto de dados de
latitude e longitude que possa ser localizado quando se digitalizam as coordenadas a que ele pertence. Para transformar
um mapa gráfico de uma escala de 1:100.000 em um mapa digital, deve-se salvar o mapa rastreado em formato Tiff. Em
seguida, usando a função ferramenta IMPIMA disponível no software SPRING, o arquivo formato Tiff é transformado
em formato Grib. O próximo passo é registrar os valores das coordenadas dos vários pontos de intersecções das linhas e
colunas das coordenadas do mapa gráfico nos respectivos pontos de intersecções no mapa digital, usando as funções de
georreferenciamento disponíveis nos softwares, tais como SPRING, Environment for visualizing images (ENVI),
ArcView/ERDAS. Depois de inserir um grande número de pontos bem distribuídos no mapa digital, eles são ajustados
até os deslocamentos das coordenadas das linhas e colunas serem menores que um pixel. O processo de registro de
pontos só pode terminar quando os valores das linhas de latitude e colunas de longitude do mapa gráfico forem
corretamente registrados no mapa digital.

14.2.7.3 Vetorização

O próximo passo é digitalizar as feições por meio da vetorização. A estrutura vetorial representa os dados,
incluindo três elementos: pontos, linhas e áreas ou polígonos, da forma mais precisa, uma vez que suas coordenadas
geográficas estão em um espaço contínuo e possibilitam descrição exata de posição, tamanho, direção e dimensão das
feições no mapa digital. Portanto, após o processo de escaneamento, as feições desenhadas no mapa são registradas pela
vetorização por meio do processo de digitalização. Os mapas temáticos, cadastrais, de rede e de DEM são convertidos
em mapas digitais pela vetorização. As figuras 14.7 e 14.8 mostram, respectivamente, um mapa digitalizado de curvas de
nível e um mapa digitalizado de hidrografia pelo processo de vetorização no mapa cartográfico georreferenciado. Na
figura 14.7, as linhas das curvas de nível representam as cotas com uma resolução de 40 m após o registro do valor da
cota de cada curva na tabela de atributos. Na figura 14.8, as informações gráficas de redes de drenagem dos rios são
armazenadas em coordenadas vetoriais, com topologia arco-nó que contém atributos específicos. Os atributos de arcos
indicam o sentido de fluxo, e os atributos nós indicam a impedância.
A hipsometria trata da representação cartográfica do relevo de uma região em altitude acima do nível do mar,
delimitada pelas curvas de nível. Gerada a partir do fatiamento da carta altimétrica, a hipsometria foi dividida em oito
intervalos de altitude eqüidistantes de 40 metros. O DEM pode ser gerado baseado no mapa de hipsometria usando o
software de 3-D disponível no SPRING ou ArcView. A figura 14.9 mostra um mapa topográfico em 3-D gerado com os
mapas da base cartográfica Palmeiras que abrange o Distrito de Pameiras e o município de Dois Irmãos do Buriti, Estado
de Mato Grosso do Sul, Brasil. As cotas de 40 m em 40 m são representadas pela escala de cores convencionais. Dessa
forma, nota-se a distribuição do relevo segundo suas diferentes classes de altitudes a partir da cota 200 m até a cota
acima de 520 m. Visando à conservação dos recursos naturais e ao reparo dos danos ambientais causados pelo mau uso
das terras e das águas, tem-se procurado dar atenção às bacias hidrográficas, que constituem uma unidade básica de
planejamento do uso, da conservação e da recuperação dos recursos naturais, para o estudo integrado do ambiente,
porque a análise da inter-relação entre as atividades humanas e os elementos biofísicos é mais clara. As características
biogeofísicas de uma bacia tendem a formar sistemas hidrológicos e ecológicos relativamente coerentes. Portanto os
mapas digitais de topografia e hidrogafia são as informações necessárias para a elaboração de um plano de manejo de
recursos naturais para o desenvolvimento regional.

Figura 14.7 – Exemplo do mapa digital de curvas de nível produzido pelo processo de vetorização gerado com os mapas da base
cartográfica 1:100.000, articulação MIR- 2550 – Palmeiras, Distrito de Palmeiras e município de Dois Irmãos do Buriti, Estado de
Mato Grosso do Sul. Fonte: (LIU et al., 2005).
Figura 14.8 – Exemplo de mapa digital da hidrologia produzido pelo processo de vetorização gerado com os mapas da base
cartográfica 1:100.000, articulação MIR- 2550 – Palmeiras, Distrito de Palmeiras e município de Dois Irmãos do Buriti, Estado de
Mato Grosso do Sul. Fonte: (LIU et al., 2005).

Figura 14.9 – Mapa topográfico em 3-D gerado com os mapas da base cartográfica 1:100.000, articulação MIR- 2550 – Palmeiras,
Distrito de Palmeiras e município de Dois Irmãos do Buriti, Estado de Mato Grosso do Sul. Fonte: (LIU et al., 2005).
 A obtenção dos dados de declividade de um terreno representado em uma carta topográfica tem como principal
etapa a quantificação do maior e do menor espaçamento entre as curvas de nível registradas na referida carta. Esses
dados possibilitam a identificação dos valores-limite da declividade da área. O número de classes de declividade a serem
representadas no mapa depende das características morfológicas da área, da escala em que foi elaborada a base
cartográfica e dos objetivos da pesquisa. A declividade é o ângulo da vertente em relação ao plano e é calculada pela
distância vertical dividida pela horizontal e convertida pela unidade de porcentagem (equação 14.1). A informação da
declividade de um terreno é fundamental para o estudo da erosão, uma vez que a água do escoamento apresenta
diferentes níveis energéticos, conforme a inclinação do terreno. Assim, nas vertentes mais íngremes, quando o tempo de
permanência da água é menor, diminuindo-se a capacidade de infiltração e aumentando-se a concentração e a velocidade,
a capacidade de transporte das partículas do solo torna-se maior. Controlando-se o escoamento e a infiltração de água,
controlam-se a erosão e a estabilidade de taludes.

Em que:  
Dc   = mdeclividade (%);
Dn   = distância vertical (eqüidistância entre as curvas de nível);
Dh   = distância horizontal.

14.3 Imagem digital

As imagens digitais de satélites estão disponíveis comercialmente ou gratuitamente. Mas essas imagens geralmente
são os produtos brutos que as coordenadas das feições sofrem de alguns deslocamentos, causados pela resolução espacial
e pela curvatura da superfície do globo. Por exemplo, um pixel da imagem do Landsat7 ETM+ representa uma área de 30
m × 30 m. Isto pode causar um erro de 30 m na representação de um alvo em coordenadas de latitude e longitude na
superfície terrestre. Por outro lado, por causa da curvatura da superfície, as feições registradas pelos sensores de satélite
sofrem alguns graus de distorção. Portanto, a posição de um ponto de interesse na imagem deve ser corrigida para
representar corretamente o ponto geográfico de interesse na superfície terrestre. Esse procedimento de reassinar os
valores de coordenadas corretas dos geo-campos e geo-objetos identificados nas imagens digitais é chamado
georreferenciamento. O procedimento de georreferenciamento de uma imagem digital é diferente do que o procedimento
de georreferenciamento de um mapa cartográfico. A coleta dos dados de pontos de controle em campo usando os
instrumentos de alta acurácia espacial, tais como DGPS ou GPS Geodésico, é imprescindível para proceder ao
georreferenciamento da imagem digital. Este é alcançado quando as feições das imagens digitais podem ser localizadas e
identificadas com boa acurácia pelos valores das coordenadas registradas.

14.3.1 Coleta dos dados de pontos de controle

Os pontos de controle devem ser coletados utilizando DGPS de precisão topográfica ou GPS Geodésica que tem
alta acurácia espacial. As fotografias na figura 14.10 mostram um sistema de DGPS tipo Pro XRS e 4.600 LS, Trimble
incluindo um sensor DGPS montado em cima de uma caminhonete em uma estação referencial fixada em uma torre de
água localizada no Centro Nacional de Pesquisa Agropecuária no Pantanal / Empresa Brasileira de Pesquisa
Agropecuária (CPAP/EMBRAPA), em Corumbá, MS.
Na coleta desses pontos também se fazem registros fotográficos e de levantamento de dados de
georreferenciamento das cenas, bem como de cobertura e usos do solo que darão suporte para o contexto da verificação e
validação dos mapas digitais temáticos produzidos. A figura 14.11 mostra um exemplo do plano de seleção das regiões
para coletar pontos de controle indicados pelos ciclos localizados ao longo das principais rodovias da bacia e em seu
entorno.
 Figura 14.10 – Um sistema de DGPS tipo Pro XRS e 4.600 LS, Trimble, incluindo: um sensor DGPS montado em cima de um
caminhonete, o DGPS e uma estação referencial fixada em uma torre de água localizada na CPAP/EMBRAPA. Fonte: (LIU et al.,
2005).

Figura 14.11 – Seleção dos pontos para proceder à coleta de pontos de controle em campo para o georreferenciamento das imagens.
Os ciclos são definidos para elaboração de um plano de visita para coleta de pontos. Cartas e imagens usadas: cena Landsat órbita
225 ponto 74, integrando 22 cartas topográficas. Fonte: (LIU et al., 2005).

14.3.2 Georreferenciamento de imagem

A imagem de satélite é georreferenciada via TELA nos softwares de SPRING, ENVI ou ERDAS, por meio dos
pontos coletados pelo DGPS, tais como pontos dos cruzamentos de estradas e ruas, e tem por base um mapa da base
cartográfica georreferenciada. Essa transformação tem por finalidade eliminar as distorções existentes na imagem,
causadas pelo diferente resolução espacial e pelo deslocamento do satélite com o tempo. A acurácia do
georreferenciamento deve ser menor que a resolução de um pixel de determinado sensor do satélite. No caso de ocorrer
erro no georreferenciamento acima de um pixel, devem ser acrescentados mais pontos de controles para melhorar sua
acurácia.

14.3.3 Visualização de imagem

As imagens digitais disponíveis podem ser visualizadas na tela aplicando um software de análise de imagem, tais
como SPRING, ArcView ERDAS Image Analysis, para subsidiar suas interpretações. Para que as imagens digitais sejam
visualizadas corretamente, o processo de realce de uma imagem inclui reajustes do contraste e de representação da cor,
que são baseados em três elementos: brilho, matiz e pureza, representados por Intensity/Hue/Saturation (IHS). As cores
são reajustadas de acordo com as escalas de brilho, matiz e pureza, semelhante ao reajuste da cor de uma televisão. A
finalidade do reajuste é obter uma visualização correta que facilita a interpretação visual da imagem. No sistema da cor
Munsell (ver Capítulo 3), o brilho é a intensidade da cor com escala de 10 a zero correspondente à variação de branca a
preta, situada no eixo central da roda de cor. O matiz descreve a cor localizada na superfície da roda de cores. A pureza é
o grau de mistura das cores complementares e diminui quando a cor se afasta da superfície em direção ao centro da roda
e se aproxima da cor complementar no lado oposto da roda. Esse processo tem a finalidade de proporcionar uma melhor
interpretação das características de uma imagem composta de três bandas espectrais. A mais importante das técnicas de
realce é a transformação IHS, pois na interpretação de imagens é difícil de obter as proporções certas das cores: vermelha
verde e azul representadas por R/G/B (Red/Green/Blue), que podem ser reajustadas para facilitar a visualização dos
diferentes objetos na imagem composta por elas. O realce de uma imagem pelos reajustes das cores permite a
visualização mais distinta, facilitando a identificação das diferentes feições existentes na área de estudo. A figura 14.12
representa a formação de uma composição colorida padrão R/G/B (usando o programa ERDAS Imagine Analysis) - as
áreas de cor vermelha são formações florestais. As três imagens em preto e branco representam as imagens nos níveis de
cinza de 0 a 255, que correspondem às reflectâncias das bandas 4, 3 e 2 do Landsat ETM+. A área mais branca tem o
valor de nível de cinza mais alto indicando a reflectância da banda mais alta. A razão de representação das áreas
florestais em cor vermelha é que os olhos têm mais facilidade de distinguir o grau da intensidade da cor vermelha.
Portanto, a imagem é representada pelas cores falsas que não correspondem às cores dos objetos naturais.

Figura 14.12 – Imagem composta do Landsat 7 ETM+ após o processo de realce com a composição colorida padrão bandas 4/3/2
R/G/B, usando o programa ERDAS Imagine Analysis. As áreas de cor vermelha são florestas. Fonte: (LIU et al., 2005).

14.4 Assinaturas espectrais de imagem digital

Seria ideal se as imagens adquiridas via satélite fossem as mesmas cenas captadas pelos olhos em plena luz. Os
olhos têm 130 milhões de neurônios óticos só na faixa visível (GOMBRICH, 1959). Os satélites hiperespectrais têm
mais de 200 bandas na faixa visível. Para chegar a esse nível de perfeição, é preciso um grande salto na tecnologia de
sensores e computadores com altíssimo desempenho. As imagens Landsat 7 ETM+ PAN com a resolução espacial de 15
m são compatíveis com os mapas cartográficos elaborados em uma escala de 1:75.000 e as imagens SPOT 5 PAN HRG
e HRS com a resolução de 5 m são de 1:25.000. Os sensores do SPOT 5 HRG PAN em Supermode e HRS em
Estereoscopia podem alcançar uma resolução de 2,5 metros que corresponde ao mapa cartográfico em escala de 1:
12.500.
As imagens do QuickBird com 0,62 m de resolução são compatíveis com as fotografias aéreas em escala de 1:3100
e as imagens do IKONOS com 1 m de resolução têm a escala de 1:5000. Por exemplo, Witztum e Stow (2004) utilizaram
as imagens do IKONOS com a resolução espacial de 1 m para delinear as trilhas de caranguejos na costa da Califórnia,
para estudar os impactos do turismo na diminuição da população desses crustáceos com resultados satisfatórios. Mas, por
causa do alto custo das imagens de alta resolução, a maioria dos usuários ainda utiliza as imagens dos satélites Landsat e
SPOT. Recentemente, as imagens digitais do CBERS com uma resolução de 20 m cobrindo o território brasileiro estão
disponíveis gratuitamente para os usuários brasileiros no site do Instituto Nacional de Pesquisas Espaciais (INPE):
<http://www.dsa.inpe.br>.
A reflectância da superfície de um pixel com uma resolução de 10 metros da imagem pancromática do satélite
SPOT representa a soma total das reflectâncias de inúmeros objetos nas diferentes formas presentes em uma área de 100
m2 da superfície. A mistura dos vários objetos em uma superfície heterogênea dificulta sua identificação e classificação.
Nos softwares de processamentos e análises dos dados digitais de imagens adquiridas via satélite existem inúmeros
métodos disponíveis para identificação, classificação e delineamento das imagens. Todos esses métodos encontram a
dificuldade de delinear e estimar a composição e a porcentagem dos objetos dentro de um pixel de mistura com uma
acurácia satisfatória. Portanto, atualmente, as imagens de satélites ainda requerem validações por meio das informações
obtidas pelos mapas de base cartográfica e pelos levantamentos dos dados em campo. As vantagens de utilização das
imagens de satélite incluem baixo custo, monitoramento contínuo das evoluções dinâmicas espaciais e temporais para
facilitar o manejo dos recursos ambientais e localização rápida dos eventos desastrosos para tomar ações adequadas nas
mitigações destes.
Recentemente, as técnicas de identificação e classificação das imagens digitais pela análise de pixel por pixel são
incorporadas para identificar e classificar os pixels de misturas nas imagens. Portanto, antes da apresentação dos
algoritmos fundamentais dos métodos de identificação e classificação das imagens digitais de satélites, vários exemplos
são apresentados para demonstrar as aplicações do conceito da assinatura espectral singular de um determinado objeto na
análise dos pixels puros e compostos de diferentes objetos, na estimativa das porções das áreas ocupadas pelos diferentes
objetos e no delineamento do limite das diferentes classes dentro de um pixel de mistura.

14.4.1 Análises das reflectâncias dos pixels puros e de misturas

Um determinado alvo na superfície terrestre tem uma reflectância espectral específica, geralmente usada para
identificação e classificação das imagens de satélites. Se o alvo for um simples objeto uniforme, tal como uma lagoa ou
uma floresta, sua identificação, classificação e delineamento da área serão fácieis. Se o alvo for composto de dois
objetos, tais como a mistura de vegetação e solo nu, sua identificação e classificação serão muito mais complexas por
causa da dificuldade de identificar e separar as distintas reflectâncias dos objetos dentro do pixel de mistura que se
manifesta em uma zona transitória de um objeto para outro. No caso de um alvo composto de mais de dois objetos, a
classificação fica mais difícil ainda. Mas, para um alvo composto de dois objetos, utilizando a técnica de análise das
propriedades singulares das assinaturas espectrais de cada tipo do objeto, é possível identificar e calcular as porcentagens
transitórias dos pixels de mistura.
Onsi (2003) utilizou as assinaturas espectrais das sete classes da superfície incluindo: solo nu, milho, árvore,
algodão, água salgada, água limpa e área urbana, das reflectâncias das seis bandas do Landsat TM para construir uma
estrutura espectral padrão. Essa estrutura espectral padrão foi usada para identificar e classificar pixel por pixel pela
comparação da assinatura espectral de cada pixel com as assinaturas espectrais gravadas na estrutura espectral padrão. Os
resultados de classificação foram comparados com os obtidos pelo método de classificação não supervisionada
ISODATA, verificando-se que a acurácia aumentou em 25,9%.
Camacho et al. (2004) analisaram as assinaturas espectrais pixel por pixel para identificar o pixel da transição de
um tipo de vegetação para outro. Conclamaram que essa análise é essencial para se obter a fração de cobertura de
vegetação. Portanto, os seguintes exemplos são usados para ilustrar como aplicar a técnica de análise da assinatura
espectral singular para alcançar a identificação e análise dos pixels de mistura que é importante para melhorar o
delineamento do limite das classes dentro do pixel de mistura após as classificações feitas pelos métodos de classificação
das imagens aplicadas. Os exercícios tentam demonstrar as reflectâncias espectrais distintas dos alvos puros e mistos da
superfície terrestre, incluindo água, solo, vegetação, área queimada, área urbana, analisar a transição dos pixels de
mistura de dois objetos e calcular as porcentagens dos pixels de mistura em transição ocupados por dois objetos. Os alvos
com dois objetos em transição incluem: os pixels em transição do solo para a vegetação, aqueles em transição da água
para o solo e os em transição da água para a vegetação.
Os dados digitais da imagem do satélite Landsat 7 ETM+, cena 227/74, do dia 14 de novembro de 1999, das
bandas 1, 2, 3, 4, 5, 6L, 6H e 7, foram usados para selecionar e analisar os alvos de pixels puros e de mistura. As análises
das reflectâncias espectrais foram feitas pelas seguintes comparações:

a)  comparação entre água, solo, vegetação, área queimada e área urbana;

b)  comparação entre diferentes tipos de água: rasa, com vegetação submersa rasa, com vegetação submersa
profunda, profunda, com vegetação flutuando e sedimentos à margem de curso da água;
c)  comparação entre diferentes tipos de vegetação: ciliar, arbórea, gramínea verde-escura e gramínea verde-clara;
d)  comparação entre diferentes tipos de solo: seco, muito úmido, úmido e arenoso;
e)  análise dos pixels em transição do solo para a vegetação;
f)  análise dos pixels em transição da água para o solo;
g)  análise dos pixels em transição da água para a vegetação.

No caso do alvo de uma superfície de objeto puro, 10 pixels puros foram escolhidos para obter o valor médio das
reflectâncias na banda 1 (0,45 a 0,52 μm), banda 2 (0,53 a 0,61 μm), banda 3 (0,63 a 0,69 μm), banda 4 (0,78 a 0,90 μm),
banda 5 (1,55 a 1,75 μm), banda 6L (10,40 μm), banda 6H (12,50 μm) e banda 7 (2,09 a 2,35 μm). Os valores da média
das reflectâncias dos 10 pixels e do desvio-padrão foram calculados para cada banda. O valor do desvio-padrão (S) é o
valor da raiz quadrada da variância que é calculado pela equação (14.2).
 Em que:  
x   = valor médio dos n pixels;
S   = desvio-padrão;
xi   = valor de reflectância de uma banda;
i …n   = o pixel de 1 a n.

No caso do valor do S na equação (14.2) é obtido por a população total da amostragem, n, em vez de (n-1), o S é
chamado o erro-padrão da média.

14.4.2 Reflectâncias espectrais de água, solo, vegetação, área queimada e área urbana

A figura 14.13 mostra uma imagem do Landsat 7 ETM+ 8 bandas cena 226/74 do dia 7 de novembro de 1999 que
está sendo usada para demonstrar a análise e a identificação das assinaturas espectrais dos pixels ocupados pelos
diferentes usos do solo, incluindo os pixels de misturas. As coordenadas são em UTM. A imagem é composta das bandas
5/4/3 (R/G/B), cobrindo a região de Pantanal, Corumbá, Estado de Mato Grosso do Sul. As cores verde, violeta, azul e
violeta-marrom representam as áreas ocupadas por vegetação, solo, água e queimadas, respectivamente. As variações de
tonalidade e mistura de cores indicam as áreas de usos mistos ou em transição. A linha azul, passando do norte para o sul
na figura, representa o rio Alto Paraguai. As figuras 14.14 a 14.18 são as cinco janelas selecionadas para extrair os pixels
puros para a comparação das assinaturas espectrais de cinco classes de usos do solo, incluindo vegetação, solo, água,
área queimada e área urbana.

Figura 14.13 – Imagem do Landsat 7 ETM+ 8 bandas cena 226/74 do dia 7 de novembro de 1999. As coordenadas são em UTM. A
imagem é composta das bandas 5/4/3 (R/G/B), cobrindo a região de Pantanal, Corumbá, Estado de Mato Grosso do Sul. Fonte: (LIU,
2003).
Figura 14.14 – Imagem de vegetação (cor verde) gerada pela imagem do Landsat 7 ETM+ 8 bandas cena 226/74 do dia 7 de
novembro de 1999. As coordenadas são em UTM. A imagem é composta das bandas 5/4/3 (R/G/B). Fonte: (LIU, 2003).

Figura 14.15 – Imagem de solo (cor violeta) gerada pela imagem do Landsat 7 ETM+ 8 bandas cena 226/74 do dia 7 de novembro de
1999. As coordenadas são em UTM. A imagem é composta das bandas 5/4/3 (R/G/B). Fonte: (LIU, 2003).

Figura 14.16 – Imagem de água (cor azul) gerada pela imagem do Landsat 7 ETM+ 8 bandas cena 226/74 do dia 7 de novembro de
1999. As coordenadas são em UTM. A imagem é composta das bandas 5/4/3 (R/G/B). Fonte: (LIU, 2003).
 Figura 14.17 – Imagem de áreas queimadas (cor violeta-marrom escuro) gerada pela imagem do Landsat 7 ETM+ 8 bandas cena
226/74 do dia 7 de novembro de 1999. As coordenadas são em UTM. A imagem é composta das bandas 5/4/3 (R/G/B). Fonte: (LIU,
2003).

Figura 14.18 – Imagem de área urbana (cores branca e violeta-claro) gerada pela imagem do Landsat 7 ETM+ 8 bandas cena 226/74
do dia 7 de novembro de 1999. As coordenadas são em UTM. A imagem é composta das bandas 5/4/3 (R/G/B). Fonte: (LIU, 2003).

Nas figuras 14.14 a 14.18, foram selecionados 10 pixels puros de cada classe de uso para calcular os valores
médios e os valores de desvio-padrão (S) das reflectâncias das oito bandas. A figura 14.19 ilustra as características das
reflectâncias específicas em porcentagem (%) das oito bandas do satélite Landsat 7 ETM+ dos alvos puros dessas cinco
classes de usos do solo. A barra de cada ponto na figura representa o valor de desvio-padrão da reflectância média de 10
pixels. Nas bandas 1, 2 e 3, depois da área urbana, a água apresentou os maiores valores de reflectâncias, com uma
grande diminuição nas bandas 4, 5, 7 e um aumento nas bandas 6L e 6H. Nas bandas 4, 5, 6L, 6H e 7, a água foi o alvo
que apresentou menores reflectâncias entre todos os alvos analisados. O comportamento espectral obtido para a água
coincide com o observado por Campana e Eid (2001). Observaram que a superfície da água tem altas reflectâncias nas
bandas do visível e baixas reflectâncias nas bandas do infravermelho. Isto indica que a água no rio de onde tiraram as
amostras tem partículas suspensas e não é pura.
Fundamentado no conceito do coeficiente de extinção, que mede a capacidade de penetração de luz na água em
função dos efeitos de absorção e de espalhamento, a melhor faixa de comprimento de onda na detecção da penetração
profunda da luz na água é na faixa do visível (ao redor de 0,55 μm). O pico da transmitância desloca-se ao comprimento
de onda mais longo quando a turvação aumenta nas águas costeiras e baías. Ao contrário da alta transmitância da luz na
água na faixa do visível, quase toda a energia solar incidente na faixa do infravermelho próximo (ao redor de 0,7 μm) é
absorvida pela água pura. Esse contraste é aproveitado por sensores do visível e do infravermelho próximo dos satélites
para delinear a superfície ocupada pela água (Capítulo 6).

Figura 14.19 – As reflectâncias espectrais (%) das oito bandas do Landsat 7, ETM+ dos pixels puros de água, solo, vegetação, área
queimada e área urbana. A barra em cada ponto da linha indica o valor do desvio-padrão (S) dos 10 pixels puros de cada tipo do alvo
identificado na imagem. (Imagem usada: Landsat 7 ETM+, cena 227/74, de 7 de novembro de 1999). Fonte: (LIU, 2003).
 O solo apresentou os valores de reflectâncias baixas, mas próximo ao da água, nas bandas 1, 2 e 3, porém, os
valores aumentaram nas demais bandas, aproximando-se dos valores obtidos para a área urbana nas bandas 5, 6L, 6H e 7.
A reflectância espectral obtida para um alvo do solo está de acordo com a assinatura espectral média típica de solos
secos, onde o aumento da reflectância acontece em função do aumento do comprimento de onda. Embora ocorra relativa
simplicidade do comportamento espectral do solo, há vários fatores que influenciam significativamente em sua resposta
espectral: a cor, o conteúdo de água, a quantidade de matéria orgânica, a quantidade de óxido de ferro, as porcentagens
de argila, limo e areia e as características de rugosidade da superfície do solo. Entretanto, uma característica peculiar do
solo é que as diferentes reflectâncias espectrais das várias bandas são em função de diferentes tipos de solo e suas
propriedades físicas e químicas e permanecem praticamente inalteráveis ao longo do espectro eletromagnético
(CAMPANA; EID, 2001).
As reflectâncias da superfície verde com vegetação nas bandas 1, 2 e 3 são mais baixas que os alvos de água, solo
e área urbana por causa da absorção da radiação fotossintética ativa nas bandas em faixa de 0,4 a 0,7 μm pela clorofila.
Nesse processo, a energia solar converte-se em matéria seca. As baixas reflectâncias de área queimada semelhante às da
vegetação podem ser causadas pelas folhas que ainda não foram totalmente queimadas. A radiação incidente atravessa,
quase sem perda, a cutícula e a epiderme, onde as radiações correspondentes ao azul (0,45 μm) e ao vermelho (0,65 μm)
são absorvidas pelos pigmentos do mesófilo, incluindo clorofilas, carotenóides, xantofilas e antocianinas, que causam
uma baixa reflectância nesses comprimentos de onda.
Campana e Eid (2001) relatam que, para comprimentos de onda correspondentes à faixa do visível, a pigmentação
é o fator dominante sobre a resposta espectral da vegetação. O pigmento mais importante é a clorofila, que apresenta
duas bandas de absorção centradas aproximadamente em 0,45 μm (azul) e 0,65 μm (vermelho) e uma banda de
reflectância um pouco mais alta que a concentração ao redor de 0,55 μm (verde). A maior parte da energia incidente
nessas bandas é absorvida pelas folhas e transmitida por meio delas. Contudo, o pequeno pico de reflectância, que ocorre
aproximadamente em 0,55 μm, manifesta-se com a cor verde. Portanto, o grau de verde mais alto infere que a vegetação
absorve mais a faixa visível que fabrica mais matéria seca e significa maior vigor das condições do crescimento da
vegetação. Essa característica distinta é geralmente aproveitada para monitoramento das condições do crescimento da
vegetação. Outros tipos de pigmentos caracterizam-se por um comportamento espectral diferente, como os carotenos e as
xantofilas (amarelos) e a antocianina (vermelho), que tem somente uma banda de absorção, aproximadamente ao redor
de 0,45 μm.
Na banda 4, a vegetação apresenta alto valor de reflectância, menor apenas que a da área urbana, assim como nas
bandas 6L e 6H. A reflectância espectral da vegetação na faixa do infravermelho próximo da banda 4 do Landsat 7
ETM+ (0,78 μm a 0,90 μm) é alta e pode atingir valores que variam de 40% a 50%. Os valores da transmitância das
folhas de vegetação também alcançam esses mesmos porcentuais. Isto leva à dedução de que a absorção é menor que 5%
para uma superfície de vegetação em pleno vigor do crescimento com alto grau de verde. Segundo Ferreira, Machado e
Andrade (2000), na faixa do infravermelho próximo (0,7 μm a 1,3 μm), a radiação atravessa a região da clorofila e
encontra as estruturas celulares internas da folha, ocorrendo a reflectância. Quanto maiores e mais saudáveis os vácuos
que resultam em mais lacunas e mais paredes cheias de água na estrutura celular, maior a reflectância por causa das
paredes dos vácuos funcionarem como inúmeros de espelhos. Veja o Capítulo 6 que descreve detalhadamente as
características espectrais das folhas da vegetação.
De um modo geral, as folhas maduras e saudáveis com uma estrutura bem desenvolvida refletem mais nas bandas
do infravermelho próximo e absorvem mais na faixa do visível. Portanto, a maior diferença da reflectância entre a faixa
do infravermelho próximo e a do visível significa grau de verde mais alto e plantas com maior vigor de crescimento. Os
índices de vegetação são baseados nessas características de reflectâncias nas faixas do visível e do infravermelho
próximo (Capítulo 7).
Na banda 5 (1,55 μm a 1,75 μm), correspondente à faixa do infravermelho médio do espectro eletromagnético, o
valor da reflectância obtido foi menor que o valor obtido para a banda 4. Esse fato é explicado, porque, no infravermelho
médio, a resposta espectral da vegetação é condicionada principalmente pela absorção de água, que apresenta picos de
absorção em 1,4 μm, 1,9 μm e 2,7 μm. Outras bandas de absorção, menos importantes, localizam-se em 0,9 μm e 1,1 μm.
Essa influência aumenta com o conteúdo de água na vegetação. Em geral, uma folha verde caracteriza-se, no
comprimento de onda em que ocorre pico de absorção de energia eletromagnética, pela reflexão semelhante à de uma
película de água. Por isso, esse comprimento de onda presta-se à determinação do conteúdo hídrico das folhas. As folhas,
sofrendo estresse hídrico, são caracterizadas por uma maior reflectância na faixa de infravermelho. Associando a
reflectância a níveis de cinza que podem ser registrados por um sensor, pode-se deduzir que, na região do visível (bandas
1, 2 e 3), a folha apareceria escura; na faixa do infravermelho próximo (banda 4), cinza-claro e na região do
infravermelho médio (banda 7), o nível de cinza dependeria do teor de água na folha. Quanto maior a quantidade de
água, mais escuro seria o nível de cinza conferido à imagem registrada (FERREIRA; MACHADO; ANDRADE, 2000).
Na área queimada, os valores das reflectâncias nas bandas 1, 2 e 3 são decrescentes e menores se comparados aos
demais alvos, à exceção da área com vegetação, que apresenta valores semelhantes aos da área queimada. Nas bandas 4,
5, 6L e 6H, as reflectâncias da área queimada apresentam valores crescentes, ultrapassando aqueles apresentados por
todos os outros alvos nas bandas 6L e 6H. As altas reflectâncias das bandas 6L e 6H significam que a temperatura da
área queimada é mais alta dentro de todos os alvos. Assim como os demais alvos, o valor da reflectância na banda 7 cai
em relação às bandas 6, ficando com valor próximo ao encontrado para a banda 5. Para essa análise, a área urbana foi
identificada na imagem pela demarcação de lotes e pela presença de várias edificações e a leitura da reflectância dos
pixels foi feita em edificações que são identificadas pelo brilho do telhado. Observou-se que a área urbana apresentou os
maiores valores de reflectância em relação aos outros alvos, superada apenas nas bandas 6L e 6H pela área queimada,
conforme demonstrado na figura 14.19.
Quando comparadas as reflectâncias das assinaturas espectrais dos alvos na figura 14.19, observou-se que, para
efeito de identificação e diferenciação dos alvos, na banda 1 a área urbana apresentou a maior diferença de reflectância
em relação aos demais alvos, e a água e o solo apresentaram praticamente o mesmo valor de reflectância, se considerado
o erro-padrão da média, dificultando a diferenciação entre esses alvos, o mesmo ocorrendo entre vegetação e área
queimada. Na banda 2, a reflectância dos alvos apresentou o mesmo comportamento observado na banda 1, porém, com
aumento dos valores de reflectância para água e solo e diminuição dos valores para vegetação e queimada. Na banda 3,
repetiu-se o comportamento das curvas, verificado nas bandas 1 e 2, porém com aumento dos valores de reflectância para
área urbana, solo e água e redução dos valores para vegetação e queimada. Na banda 4, houve aumento da reflectância
para queimada, vegetação e solo e redução para área urbana e água. Observou-se que nessa banda a área queimada e a
área de água, se considerado o erro-padrão da média, praticamente não apresentam diferença, dificultando a
diferenciação entre esses alvos, o mesmo ocorrendo com a área urbana e a de vegetação. No entanto, há de se ressaltar
que áreas urbanas apresentam características peculiares, como é o caso da presença de várias edificações e o traçado de
ruas, que conferem a esse tipo de alvo identidade própria, facilitando a distinção de áreas de vegetação.
Na banda 5, houve aumento da reflectância do solo e da área urbana, que apresentam praticamente o mesmo valor.
Ressalta-se que as peculiaridades já citadas nas áreas urbanas contribuem para a diferenciação entre esses alvos. Áreas de
vegetação e áreas de queimadas apresentam os mesmos valores de reflectância, se considerado o erro-padrão da média. O
alvo água apresentou a menor reflectância nessa banda, 8,4%, seguido pela vegetação e queimada, 32,2% e 35,5%,
respectivamente, e pelo solo, 71,75% e área urbana, 73,3%. Nas bandas 6L e 6H, o comportamento das curvas de
reflectância foi semelhante, apresentando maior reflectância na área queimada, seguida pela área urbana, pelo solo, pela
vegetação e pela água. Os valores da área queimada, da área urbana e do solo, não apresentaram diferença, se
considerado o erro-padrão da média. A variação da reflectância entre o menor (água) e o maior valor (queimada) foi de
16,8% na banda 6L e de 30,4% na banda 6H. A banda 6H é a que apresenta maiores valores de reflectância para todos os
alvos analisados. Na banda 7, solo e área urbana apresentam os maiores valores de reflectância, não diferindo se
considerado o desvio-padrão das médias, seguidas pela área queimada, pela vegetação e pela água.
Por meio das comparações das diferenças distintas de reflectâncias espectrais das oito bandas entre os alvos puros
mostrados na figura 14.19, as bandas-chave podem ser aplicadas para identificar e distinguir os alvos. Essas bandas-
chave são freqüentemente usadas para proceder à classificação dos usos do solo empregando-se as técnicas de
componente principal e supervisionada. A lista a seguir demonstra as bandas-chave que podem ser usadas para separar os
alvos diferentes:

a)  todas as oito bandas – separação do alvo de área urbana e solo nu com o alvo de água;
b)  bandas 1, 2, 3, 4 e 5 – separação do alvo de vegetação com o alvo de água;
c)  bandas 1, 2, 3, 4, 5 e 7 – separação do alvo de área urbana e solo nu com o alvo de área queimada;
d)  bandas 4, 5, 6L, 6H e 7 – separação do alvo de área queimada com o alvo de vegetação;
e)  bandas 1, 2, 3, 4 e 5 – separação do alvo de área queimada com o alvo de água;
f)  bandas 1, 2, 3 e 4 – separação dos alvos de solo, área queimada e área urbana.

14.4.3 Reflectâncias espectrais dos tipos de vegetação

As áreas de diferentes tonalidades de verdes mostradas na figura 14.14 foram selecionadas para extrair, analisar e
identificar as assinaturas espectrais dos quatro tipos de vegetação, incluindo: matas ciliares, florestas nativas, gramíneas
verde-escuras e gramíneas verde-claras. A figura 14.20 mostra as características das reflectâncias específicas em
porcentagem (%) das oito bandas do satélite Landsat 7 ETM+ dos pixels puros desses tipos de vegetação. A barra de cada
ponto na figura representa o valor de desvio-padrão da reflectância média de 10 pixels. Os valores de reflectâncias
obtidos para todos os tipos de vegetação analisados, em geral, mostram variação da resposta espectral ao longo do
espectro eletromagnético típica deste alvo. As reflectâncias são menores nas bandas 1, 2 e 3, por causa da absorção da
radiação solar incidente na faixa visível pelas folhas (figura 14.20). Um pico de reflectância ocorre na banda 4 da faixa
do infravermelho próximo, por causa das reflectâncias múltiplas de água nas paredes dos vacúolos. A reflectância na
banda 5 é menor que a da banda 4, devido à absorção da energia da radiação solar pela água, que apresenta picos de
absorção em 1,4 μm; 1,9 μm e 2,7 μm.
Quanto ao comportamento espectral dos diferentes alvos analisados, observou-se que praticamente não diferem, o
que dificulta uma diferenciação entre eles. A banda 4 é a única que apresenta maior variação dos valores, e a vegetação
gramínea verde-clara apresenta os maiores valores de reflectância, seguida pela vegetação gramínea verde-escura e
vegetação ciliar, com valores iguais e pela vegetação arbórea, com os menores valores. Portanto, nesse caso, a banda 4
pode ser uma única banda-chave para distinguir os diferentes tipos de vegetação. A separação da vegetação ciliar com a
vegetação de gramínea verde-escura pode ser alcançada pela interpretação visual na imagem porque a área da mata ciliar
ocorre ao longo dos lados do rio e áreas de gramínea verde-escura ocorrem em campo aberto. É importante apontar que
uma imagem adquirida na estação seca, que tem alto contraste de verde, por causa da florestas e matas ciliares terem
mais facilidade de buscar a umidade no solo e as gramíneas com raízes mais rasas sofrerem mais estresse hídrico, pode
ter facilitado a identificação dos tipos de vegetação usando a análise das reflectâncias espectrais das bandas-chave.

Figura 14.20 – Reflectâncias espectrais das oito bandas do Landsat 7 ETM+ dos pixels de vegetação ciliar, vegetação arbórea,
vegetação gramínea verde escura e vegetação gramínea verde-clara. A barra em cada ponto da linha indica o valor do desvio-padrão
(S) dos 10 pixels puros de cada tipo do alvo identificado na imagem. (Imagem usada: Landsat 7 ETM+ cena 227/74, 7 de novembro
de 1999). Fonte: (LIU, 2003).

14.4.4 Reflectâncias espectrais dos solos

As reflectâncias dos solos secos, solos muito úmidos, solos úmidos e solos arenosos são analisadas para facilitar a
identificação. As características de reflectâncias espectrais do solo, apresentadas no Capítulo 3, podem ser aplicadas para
facilitar a identificação dos tipos de solo. Resume-se que os fatores que mais exercem influência no comportamento
espectral do solo são os teores da matéria orgânica, textura, capacidade de troca de cátions (CTC), composição
mineralógica, rugosidade e umidade. O aumento da matéria orgânica, teor de argila e CTC apresentam uma correlação
negativa com os valores de reflectâncias dos solos. A umidade do solo não acarreta uma mudança na resposta espectral
da curva de reflectância do solo, porém os solos úmidos possuem menor reflectância que os secos. As cores vermelha e
amarela dos solos estão associadas aos teores das diferentes formas de óxido de ferro. Na faixa do infravermelho
próximo, a absorção da radiação está relacionada como o teor de óxido de ferro no solo. Várias bandas-chave que podem
ser usadas para identificação do tipo do solo em função da variação das propriedades físico-químicas do solo
(FERREIRA; MACHADO; ANDRADE, 2000) são listadas a seguir:

a)  0,57 μm – monitoramento de matéria orgânica em solos sem cobertura vegetal;

b)  0,7 e 0,9 μm – monitoramento do conteúdo de compostos de ferro férrico;
c)  1,0 μm – monitoramento do conteúdo de compostos de ferro ferroso;
d)  2,2 μm – monitoramento do teor de água no solo.

As áreas de diferentes tonalidades de violeta mostradas na figura 14.15 foram selecionadas para extrair, analisar e
identificar as assinaturas espectrais dos quatro tipos de solo: seco, muito úmido, úmido e arenoso. A figura 14.21 mostra
as reflectâncias espectrais das oito bandas do Landsat 7 ETM+ dos pixels puros de cada tipo do solo. A barras em cada
ponto da linha indicam o valor de desvio-padrão (S) dos 10 pixels puros de cada tipo do alvo identificado na imagem. A
figura demonstra a utilização da variação da reflectância em função da composição mineralógica e o teor de umidade do
solo para identificação do tipo do solo dos alvos de solo nu. Nas bandas 1, 2, 3, 4, 5 e 7, os valores de reflectância dos
alvos diminuíram em função do teor da umidade no solo na seguinte ordem: solo arenoso, seco, úmido e muito úmido. A
alta reflectância do solo arenoso é por causa da menor presença de óxidos de ferro e da textura grossa do solo. O
conteúdo de óxido de ferro do solo pode causar uma diminuição da reflectância de até 40% na faixa do visível. Os solos
de textura fina, tais como solos argilosos, por causa dos aumentos de matérias orgânicas e umidade de solo, diminuem as
reflectâncias. Os solos com baixo nível de areia (< 30% areias) têm baixa reflectância nas bandas 0,4 a 0,86 μm. Os solos
de areias puras têm alta reflectância nessa faixa. É importante notar que, na condição natural do campo, a reflectância é
afetada pela forma da superfície e pelo tamanho de agregados, não só a composição química dos solos.
Uma alta umidade do solo é caracterizada, em todos os comprimentos de onda, por valores baixos de reflectância
por causa de alta absorção pela água. Em fotografias aéreas e imagens de satélite, os solos úmidos são caracterizados por
tons de cinza-escuro, o que significa uma reflectância menor nas bandas visíveis. Os picos de absorção de água
localizados no comprimento da onda eletromagnética de 1,4 μm, 1,9 μm e 2,7 μm servem para determinar a quantidade
de água no solo. As bandas de absorção de água nas curvas espectrais dos solos úmidos são diferentes daquelas nas
curvas dos mesmos solos no estado seco.

Figura 14.21 – Reflectâncias espectrais das oito bandas do Landsat 7 ETM+ dos alvos de solo seco, solo muito úmido, solo úmido e
solo arenoso. A barra em cada ponto da linha indica o valor de desvio-padrão (S) dos 10 pixels puros de cada tipo do alvo
identificado na imagem. (Imagem usada: Landsat 7 ETM+, cena 227/74, 7 de novembro de 1999). Fonte: (Liu, 2003).

14.4.5 Reflectâncias espectrais de várias superfícies de água

A intensidade de luz incidente sobre a superfície da água é decomposta em: intensidade de luz refletida
diretamente pela superfície da água, quando chega nela; intensidade de luz absorvida pela água que aquece a água e
emite a radiação na faixa de infravermelho termal com o fluxo do calor sensível fora da água; intensidade de luz que
penetra na água, chega ao fundo, refletida pelo fundo, penetra na água e sai da superfície posteriormente. A reflectância
pela superfície da água é igual em todos os comprimentos de onda da radiação solar que muda somente a intensidade de
energia da radiação solar que chega aos sensores dos satélites pelas interferências atmosféricas diferenciadas. A parte da
energia solar incidente que não foi refletida pela superfície da água penetra na água e muda sua direção por causa da
refração. Essa parte da radiação sofre espalhamento e absorção causada pela impureza da água, chega ao fundo que a
reflete, penetra na água de novo, sofre de novo espalhamento, absorção e refração e sai da superfície da água. Essa
porção da radiação solar que entra na água e sai da água é a que os sensores medem para monitorar as propriedades da
água, tais como profundidade e qualidade. A qualidade da água varia em função das presenças de materiais orgânicos e
inorgânicos na água.
As áreas de várias tonalidades de azul mostradas na figura 14.16 foram usadas para obter e analisar as reflectâncias
das várias superfícies de água, tais como água rasa, água com vegetação submersa rasa, água com vegetação submersa
profunda, água profunda, água com vegetação flutuando e água turva com sedimentos. A figura 14.22 mostra as
reflectâncias espectrais das oito bandas do Landsat 7 ETM+ dos pixels puros de cada tipo de água. As barras em cada
ponto da linha indicam os valores de desvio-padrão (S) dos 10 pixels puros de cada tipo de água identificado na imagem.
Foram observados que a área com sedimentos apresentou a maior reflectância nas bandas 1, 2, 3, 4, 5 e 7, seguida pela
água rasa por causa da alta reflectância do solo no fundo. Esse fato era esperado, visto que um dos fatores que altera mais
significativamente a resposta espectral da água é a concentração de sedimentos em suspensão (CAMPANA; EID, 2001).
No caso de água limpa e rasa, a luz espalhada pela água é refletida pelo solo no fundo, que é relativamente fácil de ser
detectada, o que também justifica os maiores valores de reflectância apresentados pela água rasa e área com sedimentos
em relação à água profunda.
 Figura 14.22 – Reflectâncias espectrais (%) de água rasa, água com vegetação submersa rasa, água com vegetação submersa
profunda, água profunda, água com vegetação flutuando e área com sedimentos. A barra em cada ponto da linha indica o valor do
desvio-padrão (S) dos 10 pixels representativos de cada tipo do alvo identificado na imagem. (Imagem usada: Landsat 7 ETM+ cena
227/74, 7 de novembro de 1999). Fonte: (LIU, 2003).

Nas bandas 1, 2 e 3, os baixos valores de reflectância para o alvo de água com vegetação submersa rasa e o alvo de
água com vegetação flutuando são semelhantes, seguindo o alvo de água com vegetação submersa profunda. Os baixos
valores de reflectância desses alvos por causa da influência da vegetação, na faixa do visível, apresenta a absorção de
energia da radiação solar pelos pigmentos. Nas mesmas bandas, as reflectâncias dos alvos de água profunda e água rasa
apresentam os valores intermediários em relação à água rasa e água com sedimentos. Na banda 4, as reflectâncias dos
alvos de água com água profunda e água com vegetação submersa profunda são menores, seguindo a de água com
vegetação submersa rasa. Para o alvo de água com sedimentos, a banda 5 apresentou maior reflectância por causa da
contribuição da alta reflectância múltipla das partículas em suspensão. Nas bandas 5 e 7, na faixa do infravermelho
médio e onde ocorre maior absorção pela água da energia incidente, observou-se que a água profunda, água com
vegetação submersa rasa e água com vegetação submersa profunda apresentam os menores valores de reflectância, se
comparados com as demais bandas, o que era esperado, tendo em vista a menor influência dos sedimentos, solo no fundo
ou vegetação flutuando. Nas bandas 6L, 6H, as reflectâncias são bem próximas para todos os alvos, variando de 42% da
água profunda a 53% da água com sedimentos na banda 6L e de 52% da água profunda a 68% da água com sedimentos
na banda 6H. Na banda 7, a reflectância aumenta de 5% a 7% dos alvos de água profunda e água com vegetação
submersa rasa e profunda, 15% do alvo de água com vegetação flutuando, 26% do alvo com água rasa a 93% do alvo de
água com sedimentos. Com base nas análises das reflectâncias de todos os alvos de água, pode-se observar que as
bandas-chave para distinguir os diferentes alvos são:

a)  bandas 1, 2 e 3 – separação dos alvos de água com sedimentos, água rasa e água profunda com os alvos de água
com vegetação submersa rasa, profunda e flutuando;
b)  bandas 1, 2, 3, 5 e 7 – separação do alvo de água com sedimentos com os restos dos alvos;
c)  bandas 3, 4 5 e 7 – separação do alvo de água rasa com o alvo de água profunda;
d)  banda 4, 5 e 7 – separação do alvo de água com vegetação flutuando com os alvos de água com sedimentos,
água rasa e água profunda e água com vegetação submersa rasa e profunda;
e)  bandas 1, 2, 3 e 4 – separação do alvo de água com vegetação submersa rasa e água com vegetação submersa
profunda.

14.4.6 Análise da área de transição do solo para vegetação

Nos casos de análise de um alvo com os pixels de mistura, os valores de reflectância obtidos em cada banda para
os pixels em transição foram usados para calcular as porcentagens das áreas ocupadas pelos dois objetos em transição.
Nos pixels das transições de solo para vegetação, água para solo e água para vegetação, as porcentagens das áreas
ocupadas pelos dois tipos de objetos em transição são calculadas para demonstrar a possibilidade de analisar uma
transição gradual de um objeto puro para outro nos pixels de mistura em transição. A figura 14.23 mostra os 8 pixels de
transição entre solo e vegetação. O pixels 1 é o puro de solo e o 8 é o puro de vegetação. Os restantes dos pixels 2, 3, 4,
5, 6 e 7 são os pixels de mistura em transição de solo para vegetação.
 Figura 14.23 – Reflectâncias espectrais dos pixels de transição entre solo (pixel 1) e vegetação (pixel 8). (Imagem usada: Landsat 7
ETM+ cena 227/74, 7 de novembro de 1999). Fonte: (LIU, 2003).

Comparando-se o comportamento espectral de todos os pixels analisados, observou-se que o pixel 1 do solo e o 8
da vegetação apresentaram em todas as bandas os valores extremos de reflectância, ou seja, os maiores e os menores
valores de reflectância em correlação inversa, ficando os pixels de transição com valores intermediários. As bandas que
apresentaram maior amplitude de reflectância entre o pixel 1 e o 8 foram as bandas 3, 4, 5 e 7. Nessas bandas, a variação
da reflectância dos pixels de transição está intimamente ligada ao aumento da área de solo sem vegetação no pixel 1,
pouca vegetação nos pixels 2, 3 e 4, mais vegetação nos pixels 5, 6 e 7 ate a área ocupada totalmente pela vegetação no
pixel 8. Portanto, a porcentagem da área ocupada pela vegetação nos pixels de transição pode ser calculada pela equação
(14.3) para cada banda chave. Neste exemplo, a porcentagem da área ocupada pela vegetação será obtida pelo valor
médio das porcentagens das quatro bandas-chave, incluindo bandas 3, 4, 5 4 e 7, calculadas pela equação (14.3).

Em que:  
Vj   = % da área ocupada pela vegetação do pixel j;
R1   = reflectância do pixel 1 da área de solo;
Rj   = reflectância do pixel j em transição de solo a vegetação;
R8   = reflectância do pixel 8 da área de vegetação.

Tomando o pixel 5 como um exemplo de aplicação da equação (14.3) para calcular a porcentagem da área ocupada
pela vegetação, os valores da porcentagem da área ocupada pela vegetação nas bandas 3, 4, 5 e 7 do pixel 5 são de 62,2%
de vegetação na banda 3; 68,8% de vegetação na banda 4, 67,3% de vegetação na banda 5 e 58,2% de vegetação na
banda 7. O valor médio das porcentagens obtidas é de 64,1%. Portanto, pode-se dizer que no pixel 5, a área ocupada pela
vegetação é de 64,1% e a área ocupada pelo solo, 35,9%.

14.4.7 Análise da área de transição de água para solo

A figura 14.24 mostra uma área em transição de água para solo em uma imagem do Landsat 7 ETM+ 227/74 do
dia 7 de novembro de 1999. As bandas que apresentaram maior amplitude de reflectância entre os pixels foram 4, 5, 6L,
6H e 7. O pixel 1 é o alvo de área de água e o pixel 10, de área de solo. As reflectâncias espectrais obtidas para os
diferentes pixels mostram que, nas bandas 1, 2 e 3, os valores de reflectância do pixel de transição foram superiores aos
obtidos para os pixels de água e de solo, possivelmente pela influência de água rasa ou sedimentos arenosos depositados
na área de transição, que implicam aumento da reflectância. Nas bandas 4, 5, 6L, 6H e 7, os valores de reflectância
obtidos para o pixel de transição são intermediários aos obtidos para o de água e o de solo, os menores e os maiores
valores, respectivamente. O pixel considerado como de transição entre água e solo foi o 6. Aplicando-se a equação (14.3)
nas reflectâncias das bandas 4, 5, 6L, 6H e 7 no 6, obtêm-se 64,5%, 72%, 51%, 52,3% e 72,9%, respectivamente. O valor
médio das porcentagens obtidas pelas cinco bandas no pixel 6 é de 62,6%, que indica que a área de água ocupa 62,6% e a
de solo ocupa 37,4% no pixel 6.
14.4.8 Análise da área de transição de água para vegetação

A figura 14.25 mostra as reflectâncias espectrais das oito bandas do Landsat 7 ETM+ do dia 7 de novembro de
1999 em uma área de transição entre o pixel puro de água (pixel 1) e o puro de vegetação (pixel 5). Nessa análise, o pixel
3 é considerado como o pixel de transição entre água e vegetação. Aplicando-se a equação (14.3) nas reflectâncias das
bandas 1, 2, 3, 4, 5 no pixel 3, obtêm-se 82%, 69%, 64%, 55% e 46%, respectivamente. O valor médio das porcentagens
obtidas pelas cinco bandas no pixel 3 é de 59,2%, que indica que a área de água ocupa 59,2% e a de vegetação ocupa
40,8% no pixel 3.

Figura 14.24 – Reflectâncias espectrais dos pixels de transição da área de água (pixel 1) e área de solo (pixel 10). (Imagem usada:
Landsat 7 ETM+ cena 227/74, 7 de novembro de 1999). Fonte: (LIU, 2003).

Figura 14.25 – Reflectâncias espectrais dos pixels de transição entre água (pixel 1) e vegetação (pixel 5). (Imagem usada: Landsat 7
ETM+ cena 227/74, 7 de novembro de 1999). Fonte: (LIU, 2003).

14.5 Classificação de imagem de satélite

Presente estado da arte, os diferentes usos e tipos do solo podem ser identificados e classificados com uma
acurácia satisfatória pelos dados de satélites de alta resolução espacial, tais como IKONOS e QuickBird. Mas as
classificações pelos dados de satélite com média resolução espacial, tais como satélites Landsat TM e SPOT (exceto
SPOT 5 HRS), ainda requerem a seleção de uma técnica adequada e a validação com os dados coletados em campo para
obter uma acurácia confiável. Os métodos de classificação são agrupados em duas categorias: classificação não-
supervisionada e classificação supervisionada. Os algoritmos e fundamentos de desenvolvimentos dos métodos de
classificação são sucintamente apresentados nesta seção. Os programas executáveis são disponíveis nos vários softwares
de domínio público e comerciais que podem ser instalados nos microcomputadores compatíveis.
14.5.1.Classificações não-supervisionadas

Os métodos de classificação não-supervisionada são fundamentados na análise de agrupamento (Cluster Analysis)

que usa os critérios de análises estatísticas dos dados da amostragem, tais como média, desvio-padrão, variância e outros.
Os algoritmos dos métodos mais usados incluem ISODATA e K-Means.

14.5.1.1 ISODATA

O método ISODATA emprega a técnica de análise de agrupamento para separação das classes na imagem digital.
O programa de classificação identifica padrões típicos de uma área agrupada com os pixels de uma faixa de valor de
nível de cinza bem próxima. As técnicas de análise estatística de amostragem, tais como média e desvio-padrão são
usadas para a separação das classes. Esse método está geralmente disponível nos softwares de análise de imagem. O
usuário precisa apenas definir o número das classes desejadas, o desvio-padrão, o erro de distância mínima e o número
de interações para executar o processo da classificação.
Para a geração de um mapa temático, tais como mapa de vegetação, as técnicas de interpolação são geralmente
usadas para separação da classe. O valor da reflectância em valor digital de um pixel de uma determinada banda é
calculado por vários métodos: vizinhos próximos, média, moda ou mediana. No caso de vizinhos mais próximos, os
pesos maiores são assinados para os pontos com a distância mais próxima. Este método é chamado método da distância
mínima. A equação (14.4) é usada para calcular o valor pelo método da distância mínima.

Em que:  
Zi   = o valor da distância mínima do pixel i;
Wij   = pesos da distância do pixel i a pixel j;
Wij   = 1 / Dij ou Wij = 1 / [Dij*Dij];
Dij   = a distância entre pixel i e pixel j;
Dij   = [(Xi –Xj)2 + (Yi – Yj)2]½.

Os pesos Wij são calculados em funções gaussianas pela equação (14.5) ou em função chamada kernel Function
de quarta ordem pela equação (14.6).

Em que:  
Wg   = peso Wij em Função Gaussiana;
Wk   = peso Wij em Função Kernel;
T   = o raio das amostras dentro da distância máxima dos pontos vizinhos.

14.5.1.2 K-Means

O método K-Means calcula inicialmente os valores estatísticos de cada classe em uma área com as mesmas
características espectrais e depois agrupa classe por classe por meio de um processo iterativo usando a técnica de
distância mínima. Os mapas gerados pelos métodos de média e vizinhos próximos têm tendência de produzir as
superfícies com variações abruptas e pelo método de inverso da distância quadrada tem tendência de produzir os picos
exagerados. Portanto, um estimador Kernel calculado pela equação (14.7) foi introduzido para suavizar esses efeitos
artificiais.

Em que:  
Zi   = estimador Kernel do pixel 1;
 k   = função Kernel (equação 14.6);
Dij   = distância entre pixel i e pixel j;
Dij   ≤
T   = O raio das amostras dentro da distância máxima dos        pontos vizinhos.

14.5.2 Classificação supervisionada

Os métodos de classificação supervisionada são fundamentados nos classificadores que usam as funções
estatísticas para analisar e comparar as características das reflectâncias espectrais dos pixels com as características de
uma determinada classe de padrão para classificar e delinear as classes das imagens digitais. Geralmente, as bandas-
chave de uma determinada janela, que representa a classe de padrão, são usadas para separar as áreas com a classe igual à
classe de padrão das outras classes. As janelas de cada classe típica são delineadas para calcular os valores médios e o
desvio-padrão, que servem como os critérios de uma classe padrão para agrupar os pixels que têm os valores estatísticos
dentro dos valores limiares determinados por essa classe.
Os métodos da classificação supervisionada mais usados incluem: Análise de Componente Principal (Principal
Component Analysis – PCA), Classificador de Máxima Verossimilhança (Maximum Likelyhood Classifier – MLC),
Modelo de Matrizes Co-Ocorrências de Nível de Cinza (Grey Level Co-occurrence Matrix – GLCM), Krigagem, Modelo
de Mistura Linear (Linear Mixture Model – LMM), Paralelepípedo (Parallel Pipline), Espaço-S, Percepção Camada
Múltipla (Multilayer Perceptron – MLP), Redes Neurais Artificias (Artificial Neural Networks – ANNs), Maquina de
Vetor de Suporte (Support Vector Machines – SVM) entre outros. Recentemente, os modelos de Sistema de Informações
Geográficas (SIG) são integrados para facilitar a classificação das imagens (Capítulo 15). Outros pesquisadores usam as
combinações das diferentes imagens digitais adquiridas pelos diferentes satélites e aplicam as combinações de diferentes
métodos de classificação e as combinações de dados de reflectâncias espectrais, temporais e espaciais para tentar
aperfeiçoar suas classificações. Vários métodos de classificação supervisionada são apresentados a seguir.

14.5.2.1 Análise de componente principal

A análise de componente principal (Principal Component Analysis – PCA) é uma técnica estatística que aplica a
análise das estruturas de variância e desvio-padrão das variáveis, tais como as reflectâncias espectrais das bandas de uma
imagem adquirida. Um conjunto de várias reflectâncias de imagens digitais obtidas pelas várias bandas espectrais é
geralmente direcionado para resumir e melhorar a interpretação com a informação disponível, resumindo por um
conjunto das imagens de bandas-chave selecionadas que são geradas com as combinações ortogonais lineares das
imagens espectrais originais. Essas imagens ortogonais são referidas como componentes principais. A análise requer a
computação dos valores de Eigen (Eigen Value) e vetores de Eigen (Eigen Vetor) das imagens originais. Os valores de
Eigen determinam as direções da variabilidade máxima enquanto os vetores de Eigen especificam as variâncias dos
vetores (JOHNSON; WICHEN, 1992). Para obter os componentes principais de um conjunto de dados x, a matriz de
variância S2 é calculada pela equação (14.8).

Em que:  
S2   = matriz da variância das amostras N;
N   = amostras de x1, x2, x3......xn;
x   = valor médio das amostras.
Os componentes principais são as combinações das variáveis X1 X2 ....Xd:

Em que:  
 Y1 Y2 ..Yd     = componente principal 1, 2… d respectivamente;
ai     = um Eigen vetor da variância S2.

O primeiro componente principal, Y1, é obtido pela seleção do valor máximo da variância de amostras nos
coeficientes dos vetores pela equação (14.10). O segundo e demais componentes são obtidos pela mesma maneira do Y1
(KORNIENKO; ALBRECHT; DOWE, 2005).

Em que:  
aij   = os coficientes são normalizados a uma unidade.

O primeiro PCA representa a primeira banda selecionada explicando a maior parte da variância total em todas as
bandas usadas, o segundo explica a segunda maior parte e outros. A maior correlação entre as imagens das bandas-chave,
o menor número das bandas-chave ou componentes, é necessário para explicar a maior parte da variância total das
imagens originais. Portanto, o PCA é um método comum para melhorar a interpretação e classificação das imagens
multiespectrais e multitemporais. Almeida e Souza (2004) usaram os dados hiperespectrais obtidos pelos sensores
Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) para mapear os vários tipos de vegetação, incluindo mata
ciliar, áreas de queimadas, áreas de queimadas recuperadas, plantações de culturas, pastagens e cerrados na região do
Alto Paraíso, Goiás, Brasil, aplicando-se o método PCA com uma acurácia satisfatória.

14.5.2.2 Classificador de máxima verossimilhança

O classificador de Máxima Verossimilhança (MLC) é o método de classificação supervisionada mais usado no

processo da identificação e delineamento das classes. O MLC usa um pixel associado com um vetor X que define os
atributos observados. Cada pixel é assinado por uma classe θj. A equação (14.11) representa os pixels assinados pela
classe associada e não associada (DUTRA; HUBER, 1999).

Em que:  
X     = vetor X dos atributos observados ao determinado pixel;
θj     = classe j;
gj(X) e gk(X)   = distribuição gaussiana multivariante;
j ou k     = 1, 2, 3 ........N.

Em que:  
gk(X)   = função da discriminação;
p(θk)   = probabilidade da classe k;
mk   = vetor da média;
|Σk|   = valor absoluto de Σk;
Σk   = matriz da covariância.

O procedimento da implantação do MLC envolve as estimativas do valor médio do vetor de cada classe e a matriz
da covariância usando o padrão do treinamento. Apesar de as probabilidades prioritárias p(θk) da classe θk poderem ser
calculadas pelo mapa referencial, são tratadas iguais para todas as classes. Mas não são usadas para o processo da
decisão. O método da Distância Jefferys-Matusita (JM) pode ser usado para selecionar as classes. Para a distribuição
Gaussiana Multivariante, a distância JM é calculada pela equação (14.13).
 Em que:  
Jmik   = distância Jefferys-Matusita entre classe i e classe k;
Bik   = distância Battacharyya pela equação (14.14).

Em que:  
Σ   = (Σi + Σk)/2;
o símbolo| |representa o valor absoluto;
mi e mk são vetores médios da classe i e k, respectivamente;
Σi e Σk são as matrizes covariâncias da classe i e k, respectivamente.

Cada amostra de treinamento é representada por pixels com a reflectância distinta e área de referência dos níveis
de cinza de uma determinada classe. O resultado é melhor quanto maior o número de pixels em uma amostra de
treinamento para implementá-los na matriz de covariância. Se os tamanhos das amostras de treinamento para as classes
forem limitados, recomenda-se um método mais simples e rápido, que não use uma matriz de covariância, tais como
método de distância mínima ou método de paralelepípedo. O método MLC deve ser aplicado quando o analista conhece
bem a imagem a ser classificada para que as definições das classes sejam mais representativas.

14.5.2.3 Análise de textura

Em geral, a textura pode ser definida como a variação espacial de nível da cinza em uma imagem. Vários métodos
foram desenvolvidos para identificar, descrever, classificar e segmentar a textura (ROSENFELD, 1998). Em geral, é
possível distinguir a textura regular criada pelas atividades humanas e a textura irregular dos objetos naturais. Portanto,
as características de textura podem ser usadas para discriminar diferentes objetos e aplicadas para delinear os limites das
áreas dos diferentes objetos presentes nas imagens de satélite. Entretanto, os métodos de análise da textura
fundamentados nas técnicas de estatísticas simples, tais como média e desvio-padrão não contam completamente com a
distribuição espacial dos pixels. Esses métodos não são adequados para análise de textura das imagens. Para incorporar
ambos os valores espectrais e distribuição espacial de nível da cinza de uma imagem, o modelo de matrizes co-
ocorrências de nível de cinza (Grey Level Co-occurrence Matrix – GLCM) são geralmente gerados. O GLCM pode ser
visto como um histograma de duas dimensões da freqüência com quem os pares de pixels com nível de cinza ocorrem em
uma determinada relação espacial, definido por uma determinada distância entre pixels e uma determinada orientação do
pixel. As texturas diferentes podem ser analisadas pelos 5 parâmetros (KIEMA, 2002): contraste, correlação, energia,
entropia e homogeneidade, que são apresentadas pelas equações (14.15) a (14.19) respectivamente.
 Em que:  
w(i, j)   = elementos (i, j) no espaço da matriz de co-ocorrência;
g(i) e g(j) = valores de linha e coluna da matriz;

Uma matriz de co-ocorrência com o tamanho de n × m dimensões.

Kiema (2002) aplicou o modelo de GLCM para extrair os objetos topográficos da imagem pancromática do SPOT
efetuada na área urbana da região de Stutensee-Karlsdorf no sudoeste da Alemanha. A figura 14.26 representa imagem
SPOT, contraste, correlação, energia, entropia e homogeneidade, respectivamente. Os resultados mostraram que o
contraste somente filtra a rodovia; a correlação não é boa; a energia e a entropia filtraram bem os objetos homogêneos,
tal como a vegetação cuja homogeneidade filtra bem ambos os objetos: homogêneos e heterogêneos. Os resultados
mostraram que uma acurácia de 88% foi alcançada. Concluiu-se que a análise da textura pela homogeneidade foi o
melhor modelo para extrair os objetos topográficos. Coburn e Roberts (2004) aplicaram um procedimento de análise de
textura multiescala que melhorou a acurácia comparando-se com a classificação das imagens pela análise de textura de
banda singular. Wang et al. (2004) apresentaram um algoritmo baseado na variação total, em vez de usar o método
tradicional de erro quadrado mínimo (Least Square Error), para reduzir a instabilidade na análise da textura para
classificação de textura de imagens. Os métodos foram validados com os dados observados em campo. Concluíram que a
acurácia melhorou significativamente.

Figuras 14.26 – a) representa imagem SPOT adquirida; b) contraste; c) correlação; d) energia; e) entropia; f) homogeneidade. A
imagem pancromática do SPOT foi adquirida na área urbana da região de Stutensee-Karlsdorf no sudoeste da Alemanha. Fonte:
(KIEMA, 2002).

14.5.2.4 Modelo de mistura linear

Considerando os dados multiespectrais, as reflectâncias consistem na energia solar de uma determinada área da
superfície terrestre. O modelo de mistura linear, chamado LMM, considera a reflectância registrada pelo sensor de
satélite como uma combinação das reflectâncias espectrais de todas as classes no pixel (ADAMS et al., 1995). Essa
reflectância registrada pode ser tratada como uma média das áreas com seus pesos específicos de um conjunto finito dos
sinais compostos de várias classes de usos do solo (LU; MORAN; BATISTELLA, 2003). Cada sinal representa uma
característica de um tipo de uso na superfície dentro da área visada. A equação (14.21) representa o sinal composto de m
bandas de um alvo misto por n classes. Cada classe é chamada um membro terminal k na definição dos parâmetros da
equação.

Em que:  
Ri   = a reflectância espectral da banda i de um pixel que tem      um ou mais membros
terminais;
 i   = 1, 2 ... m números de banda espectral;
k   = 1, 2.....n números de membros terminais;
fk   = a proporção do membro terminal k dentro do pixel;
Rik   = reflectância espectral do membro terminal k dentro do pixel da banda i;
εi   = erro dos ruídos de sinal da banda i.

Para uma solução de confinamento sem mistura, o valor de fk obedece as restrições pela equação (14.22) a seguir:

O εi é calculado para todos pixels na imagem pela equação (14.23). O maior valor de erro-padrão da média (Root
Mean Square Error – RMS) indica o pior da classificação do modelo.

Lu, Moran e Batistella (2003) usaram o método LMM para a classificação das florestas da região no Estado de
Rondônia localizada na bacia da Amazônia, baseada nas imagens digitais de Landsat TM. Três membros terminais, que
incluem sombra, solo e vegetação, foram identificados baseados nas imagens. A solução de confinamento de quadrado
mínimo foi aplicado para desdobramento dos pixels de misturas. O LMM foi comparado com o método MLC. Os
resultados mostraram que as florestas com diferentes estágios de regeneração foram identificadas e separadas de florestas
nativas. Uma acurácia de 78,2% foi alcançada. Comparando com os resultados classificados pelo MLC, a acurácia do
LMM melhorou 7,4%.
Tateishi, Shimazaki e Gunin (2004) apresentaram um método de classificação composto de um modelo de mistura
linear espectral (Spectral Linear mixing Model – SLMM) para analisar os graus de verde relativo dos tipos de vegetação
nos pixels de mistura e modelo de mistura linear temporal (Temporal Linear Mixing Model – TLMM) para identificar o
tipo da vegetação nos pixels de mistura. Demonstraram que o método composto alcançou a acurácia melhor que o
método de LMM tradicional. Settle (2005) usou o modelo LMM para suavizar os erros quando os pesos foram assinados
para os membros terminais de uma área uniforme composta de pixels de mistura para obter o valor médio das
reflectâncias de uma área específica da superfície. Tratou o resíduo dos ruídos de sinal como uma função de Propagação
pontual pela incorporação da matriz da covariância em uma função quadrática. No modelo LMM, os pesos são assinados
de acordo com as frações dos tipos de coberturas e o sinal multiespectral presume-se que seja composto da somatória dos
pesos das características espectrais. Os estimadores constrangidos e não constrangidos são tratados como um conjunto de
parâmetros que se soma a uma unidade. A vantagem do modelo é tratar conjuntamente os parâmetros constrangidos e
não constrangidos, sem necessidade de tratá-los separadamente como o LMM tradicional. Também argumentou que a
cobertura parcial em um pixel misto varia de pixel a pixel e a interpretação de f é obtida por uma determinada área
contendo vários pixels. Sugeriu que uma função de variação espacial de radiância, para definir o tamanho de uma matriz
que representa uma área uniforme com as mesmas características distintas de respostas espectrais deve ser aplicada para
distinguir a diferença de respostas espectrais entre membros terminais. O modelo LMM modificado por Settle (2005)
tem fundamento sólido, mas deve ser validado com os dados observados em campo para que pode ser aplicado com
firmeza.

14.5.2.5 Método do paralelepípedo

O método do Paralelepípedo (Parallel Pipeline) classifica os pixels em forma retangular ao redor da área do
treinamento pela comparação dos limites máximo e mínimo do conjunto da área do treinamento. O retângulo define uma
área de treinamento chamado o limite de decisão. Os pixels que excedem os limites de decisão apresentam problemas na
sua distribuição em uma determinada classe. Esses pixels devem ser excluídos. Mas os limites de decisão sempre
abrangem alguns pixels inseparáveis que não pertencem à classe. A determinação da área do treinamento exige bons
conhecimentos das bandas-chave para a interpretação das classes em uma imagem. As informações de usos do solo,
mapas, fotografias aéreas, dados estatísticos podem ser usados para definir a seleção das amostras de treinamento de uma
determinada classe na superfície.

14.5.2.6 Regressão múltipla

 O modelo de regressão múltipla linear é um processo que obtém uma ótima combinação das variáveis que têm alta
correlação com a variável independente para construir um modelo geral linear para estimar o valor da variável
independente. Geralmente, os processos de STEPWISE disponíveis no software SAS (Statistical Analysis System) são
usados para a construção do modelo. Um modelo linear geral é apresentado pela equação (14.24).

Em que:  
y     = variável dependente que será estimado;
Xi   = variáveis independentes;
ai   = a0, a1,.. . ai são os constantes obtidos pela regressão;
ε   = componente de erro.

14.5.2.7 Krigagem

A krigagem é um conjunto de técnicas de modelagem da estrutura espacial que inclui: análise exploratória dos
dados, modelagem da estrutura de correlação espacial e interpolação estatística da superfície. O procedimento de
interpolação espacial é chamado Kriging ou krigagem em honra a Daniel Krige, introdutor do uso de médias móveis para
evitar os erros causados pela superestimativa sistemática no mapeamento de reservas de minas (ISSAKS;
SRIVASTAVA, 1989). A estrutura teórica da krigagem está baseada no conceito de variável regionalizada. A variação
espacial de uma variável regionalizada pode ser representada pela equação (14.25). A figura 14.27 mostra os três
componentes de uma variável regionalizada.

Em que:  
Z(x)   = a função aleatória Z do vetor x, que representa uma posição em uma, duas ou três
dimensões;
μ(x)   = variável regionalizada em função que descreve a componente estrutural de Z em x;
ε’(x)   = um termo estocástico correlacionado varia localmente;
ε”   = um ruído aleatório não correlacionado, uma distribuição normal com o valor médio de
zero e a variância de σ2.

No caso da variável regionalizada determina-se a média do fenômeno, a μ(x) é constante. Isto indica que não
haverá variação significativa na região do estudo que é denominada Krigagem Ordinária (caso a na figura 14.27). Se
tiver uma tendência, há dois métodos disponíveis: krigagem universal e Funções Aleatórias Intrínsecas de Ordem k, que
são mais complexas. No caso da krigagem ordinária, μ(x) ou a média (m) é constante. Deste modo, o valor esperado da
função aleatória Z nas posições x e x + h são iguais a m. Isto significa que o valor esperado da diferença entre os valores
observados em x e x + h, separados por um vetor de distância h, é nulo. A equação (14.26) representa a função da
krigagem ordinária. O E representa o valor esperado.

Figura 14.27 – Componentes de uma variável regionalizada: a) um componente determinístico que possui um comportamento regular
(diferença entre os níveis médios); b) uma tendência constante. O m(x) é uma variável regionalizada, ε‘(x) é um termo estocástico
 correlacionado, que varia localmente,ε”(x) é um ruído aleatório não correlacionado. Fonte: (Camargo, Funks; CÂmAra, 2005).

A covariância entre Z(x) e Z(x + h), separados por um vetor de distância h, existe e depende somente de h. Então:

C(h) é a covariância de E [Z(x)Z(x+h)] COV representa a covariância.

Considerando a propriedade estacional de ambas as covariâncias e variâncias, as equações (14.28) e (14.29) foram
obtidas:

C(0) = variância de Z(x) no caso da krigagem, a média m ou m(x) é constante.

A função auxiliar chamada variograma é usada para calcular C(h) que permite a estimativa do ε ‘(x) da equação
(14.25). Os variogramas de imagens de satélite foram calculados primeiramente por Curran (1988) e Woodcock, Strahler
e Jupp (1988). As equações (14.30) a (14.35) são usadas para calcular C(h):

Substituindo as equações (14.33), (14.34) e (14.35) na equação (14.32), obtém-se:

O γ (h) é a metade do variograma. Portanto γ (h) é chamado como semivariograma sob a hipótese de
estacionariedade de segunda ordem. Em resumo, a covariância e o semivariograma são as formas alternativas de
caracterizar a autocorrelação dos pares Z(x) e Z(x+h) separados pelo vetor h. O semivariograma é uma ferramenta básica
de krigagem que representa quantitativamente a variação de um fenômeno regionalizado no espaço. O semivariograma
pode ser calculado pela equação (14.37) com os dados de imagens, onde z(x) com componentes são (X1, Y1), e z(x+h)
com componentes são (X2, Y2), sendo h um vetor distância que separa os pontos. A equação (14.37) é aplicada somente
quando o valor médio é constante, não tendencioso no caso de Krigagem Ordinária (Meirvenne; Goovaerts, 2002).

Em que:  
γ* (h)   = semivariograma ou semivariância do vetor h estimado;
N(h) = número de pares de observações feitas nas localizações de Z(Xi) e Z(Xi+h), separados
pelo vetor h.

A estrutura espacial de uma imagem geralmente é ignorada pela classificação da PCA, assim como a variação
espacial consiste em vários níveis de variância conglomerada. A Krigagem Fatorial (Factorial Kriging – FK), é uma
técnica geoestatística que permite a filtragem dos componentes espaciais identificados pelos variogramas alinhados ou
conglomerados. As hipóteses de estacionariedade e a média constante levam a postular um comportamento idealizado
para o semivariograma experimental, mostrado na figura 14.28. Os parâmetros do semivariograma, incluindo alcance (a),
patamar (C) e efeito da pepita (Co), podem ser observados na figura 14.28. Espera-se que observações mais próximas
geograficamente tenham um comportamento mais semelhante entre si do que aquelas separadas por maiores distâncias.
Assim, o valor absoluto da diferença entre duas amostras z(x) e z(x+h) deveria crescer à medida que aumenta a distância
entre elas, até um valor em que os efeitos locais não tenham mais influência.

Figura 14.28 – Parâmetros do semivariograma: alcance (a), patamar (C), efeito da pepita (Co, nugget). Fonte: (Camargo; Funks;
Câmara, 2005)

•    Alcance (a): A distância ao qual as amostras apresentam-se correlacionadas espacialmente.

•    Patamar (C): O valor do semivariograma correspondente a seu alcance (a). Deste ponto em diante, a variância
da diferença entre pares de amostras {Var[Z(x) – Z(x+h)]} torna-se aproximadamente constante.
•    Efeito pepita (Co): No caso ideal, (Co) é igual 0. Na prática, à medida que h tende para zero, γ(h) aproxima-se
de um valor positivo chamado efeito pepita (Co), que revela a descontinuidade do semivariograma para
distâncias menores do que a menor distância entre as amostras. O efeito pepita é o valor da semivariância para a
distância zero e representa o componente da variabilidade espacial que não pode ser relacionado com uma
variabilidade ao acaso. Parte dessa descontinuidade pode ser também por erros de medição, sendo impossível
quantificar se a maior contribuição provém dos erros de medição ou da variabilidade de pequena escala não
captada pela amostragem (CAMARGO; FUNKS; CÂMARA, 2005).

A figura desenhada pela γ(h) contra h é chamada como o variograma que apresenta a variação espacial em termos
de magnitude, escala e padrão. Por exemplo, uma imagem tem L+1 níveis da estrutura da variação espacial que podem
ser apresentados pelos L+1 variogramas básicos. Cada variograma possui uma estrutura distinta pela equação (14.38):

Em que:  
γ (h)   = semivariograma;
bl   = variância do modelo do variograma básico gl (h);
L   = o componente espacial de l da variável Z = 0 ...a.. L.

A variância bl do nível l = 0 é definida como efeito pepita que representa a parte que não tem estrutura espacial da
variância total. Baseado no modelo linear regionalizado, apresentado pela equação (14.24), a função ao acaso Z(x) pode
ser decomposta da soma das L+1 funções aos acasos independentes que são chamadas como componentes espaciais e
sua média local é m(x). Portanto, Z(x) é composto da soma de média, m(x), e Zl (x) que é o componente espacial do “l”
correspondendo ao modelo variograma gl(h). Logo, a função Z(x) é calculada pela equação (14.39).
 A técnica de Krigagem Fatorial é a variância da krigagem que é direcionada para mapear cada componente
espacial individualmente, que é montado para filtrar outros L componentes e excluí-los. No caso de Krigagem Ordinária,
o componente espacial “l” da variável Z na localidade Xo é calculado pela equação (14.40):

Com n números de pares de observações ao Xo envolvido na estimação, cada um recebe o peso de λ αl. Por causa
da observação Z(Xα) contar as contribuições de todos componentes, L+1, que são considerados mutuamente
independentes, somente a distribuição do componente “l” deve ser contada no termo direito do sistema da krigagem. Para
garantia de não desviar e fornecer o modelo gl(h) fechado no contorno, no caso estacionário, a soma do peso de λα,j deve
ser zero, não pode ser um no caso do Krigagem Ordinária. Isto resulta o sistema do krigagem para o componente “l” é
representado pelas equações (14.41) e (14.42).

Em que:  
Φl   = multiplicador Lagrangiano do componente “l”.

O sistema de n+1 nas equações (14.41) e (14.42) deve ser resolvido para obter n números de peso, λα l, que serão
usados para calcular o variável X na localização Xo do componente espacial “l” pela equação (14.40). A operação deve
ser repetida para todas as localidades onde a decomposição é requerida. Para aplicação no processamento de imagem, os
números de observações (pixels) ao redor do Xo são grandes. Portanto, os pixels mais próximos do Xo poderiam ser
usados para filtrar os mais distantes. Como resultado, a amostragem usada para procurar os componentes na vizinhança,
que contribuem para a estimativa, pode ser diminuída. Para alcançar esse objetivo, o procedimento proposto por Jaquet
(1989) é usado. O procedimento consiste a adição da média local m(Xo) ao grande volume dos componentes Z*(L+1)(Xo)
que é representada pela equação (14.43).

Os pesos de λαm usados para calcular a média local podem ser obtidos pela solução das equações (14.43) e (14.44)
do sistema krigagem (Goovaerts, 1997):

Meirvenne e Goovaerts (2002) compararam as classificações de topografia, condição de drenagem e usos do solo
das oito imagens de SAR obtidas pelo satélite ERS 1 e 2 usando as técnicas de PCA e FK. Os resultados mostraram que
a aplicação de FK antes da classificação pela PCA intensificou as correlações entre os primeiros componentes principais
e as características do solo associadas às topografias, drenagens e usos do solo. Os números digitais das imagens SAR
são os dados de alta tendenciosa positiva. Os métodos baseados nas distribuições do momento em segunda ordem, tal
como PCA, são sensíveis aos dados de alta tendenciosa positiva. Portanto, os dados de SAR foram transformados
aplicando-se o logaritmo natural. Os variogramas são calculados em quatro direção (E-W, NE-SW, N-S e NW-SE para
as 8 imagens de SAR transformadas. Foram observadas poucas diferenças entre quatro direções. Portanto, os cálculos em
seguida foram conduzidos para variogramas de ondas direcionais. Os variogramas das oito imagens são semelhantes. Um
conjunto dos modelos básicos foi usado para todos oito variogramas aplicando a técnica de regressão estatística: o
modelo composto com um componente do efeito da pepita (equação 14.46) e dois modelos exponenciais conglomerados
(equações 14.47 e 14.48).

As faixas de retardação, chamada “lag” dos a1 e a2 foram fixadas a 289 m e 700 m, respectivamente. Os
coeficientes do bl da equação (14.41) são apresentados na tabela 14.1. Altos graus de semelhança de todos os oito
variogramas obtidos sugeriram que os sinais de retroespalhamento dos alvos registrados por SAR têm as mesmas
características das feições dominantes. As imagens foram filtradas, os valores de variância nugget ainda ficam entre
13,9% a 27% da variância total das imagens. Em seguida, a FK foi aplicada para todas as imagens isolando cada um dos
três componentes espaciais (efeito pepita, local e regional). A figura 14.29 mostra: a) imagem original do SAR e suas
decomposições em três estruturas espaciais; b) efeito pepita; c) local; d) regional. A figura 14.29b mostra os valores de
efeito pepita existente que indicam os ruídos de sinais ainda existentes após a filtragem. A figura 14.29c mostra o efeito
local com a textura uniforme que não indica nenhuma feição presente. A figura 14.29d mostra a estrutura regional da
faixa 289m a 700m, que indica as características da superfície em grande escala, tais como comunidades e florestas. Mas
a identificação dos objetos ainda não ficou clara. Portanto, a PCA foi aplicada nas oito imagens regionais em seguida
para sua identificação e classificação.
Meirvenne e Goovaerts (2002) argumentaram que a interpretação e a classificação pela técnica da PCA ignoram a
estrutura espacial das imagens. Aplicaram a técnica da Krigagem Fatorial (FK) para todas oito imagens de SAR obtidas
pelo satélite ERS½, para cada componente espacial isolado, incluindo nugget, local e regional, antes da aplicação do
classificador da PCA. A técnica de FK é uma técnica da geoestatística que permite a filtragem dos componentes
espaciais identificados pelos variogramas. Demonstraram que a classificação das imagens de SAR pela combinação da
filtragem da FK e PCA melhorou a acurácia que alcançou 96,4%, comparando com a classificação somente pela técnica
PCA.
Tabela 14.1 – Coeficientes de bo,b1 e b2 obtidos pelo modelo linear regionalizado dos oito variogramas das oito imagens transformadas de
SAR proposto por Meirvenne e Goovaerts (2002).
Imagem bo b1 b2
11 0,0117 0,0375 0,005576
12 00,120 00,361 0,004265
13 0,0113 0,00274 0,004810
14 0,0118 0,0275 0,004333
15 0,0089 0,0432 0,011886
16 0,0101 0,0324 0,010562
17 0,0091 0,0390 0,007477
18 0,0099 0,0375 0,006571
 Figura 14.29 – a) imagem SAR original e suas decomposições das três estruturas espaciais; b) efeito pepita; c) local; d) regional.
Fonte: (MEIRVENNE; GOOVAERTS, 2002).

14.5.2.8 Espaço-S

Recentemente, as imagens digitais adquiridas pelos sensores multiespectrais fornecem os dados de alta resolução
espectral, contendo o maior número das bandas espectrais que a curva quase contínua pode ser obtida para cada pixel em
uma imagem. O conceito de Espaço-S (Spectral Space) foi introduzido por Bielski et al. (2002) para identificar os pixels
próximos que possuem as assinaturas espectrais semelhantes pela análise na dimensão espectral, ou seja, espaço
espectral.
Bielski et al. (2002) usaram os dados de hiperespectrais adquiridos pelos sensores Airborne Visible Infrared
Imaging Spectrometer (AVIRIS) e Compact Airborne Spectrographic Imager (CASI), a bordo do satélite EOS-1. O
Espaço-S unidimensional é diferente da imagem espacial com duas dimensões. A informação da correlação espectral
será feita para um par de curvas espectrais entre os dois pixels próximos e não na variação espectral por meio da imagem
inteira. A equação (14.37) que produz o semivariograma apresentado no método de Krigagem Fatorial é aplicada para
quantificar os pixels de espectro dependente no espaço espectral ou seja espaço S. Uma função ao acaso Z da variação de
estrutura espacial de N observações é representada pelo semivariograma (equação 14.49).

Em que:  
γ* (h)   = semivariograma ou semivariância do vetor h estimado;
N(h)   = número de pares de observações feitas nas localizações de Z(Xi) e Z(Xi+h), separados
pela lag h.

A lag h no espaço espectral é a distância entre as bandas espectrais. O método de Espaço-S foi aplicado para uma
imagem de CASI da floresta adquirida na região da Reserva Nacional de Duchesnay, Quebec, Canadá, e uma imagem
urbana de AVIRIS na área da cidade Page, Arizona, Estados Unidos. As imagens de cor falsa são ilustradas na figura
14.30. Os dados de CASI têm 72 bandas (0,405 a 0,945 μm) com a resolução espacial de 2 m e os de AVIRIS tem 199
bandas (0,40254 a 2,48841 μm) com resolução espacial de 20 m.
 Primeiro, os 100 semivariogramas foram gerados para uma imagem de 100 pixels. O semivariograma foi calculado
para a diferente retardação ou lag de um perfil espectral em Espaço-S, considerando-se o comprimento da onda
eletromagnética como uma dimensão de distância. Cada lag é uma distância diferente no espaço-S. O valor de lag deve
ser definido com uma distância tolerável para se ter certeza que existem os pares de bandas espectrais suficientes no
Espaço-S para o cálculo adequado do semivariograma. Sugeriram uma lag de 0,008 μm com a tolerância de 0,005 μm
para CASI e uma lag de 0,001 μm com a tolerância de 0,0005 μm para AVIRIS. As figuras 14.31a e 14.31b mostram as
imagens cúbicas de CASI e AVIRIS respectivamente. As figuras 14.31c e 14.31d mostraram os gráficos de pixels
selecionados para ilustrar os perfis espectrais de trilho, copa de floresta, estrada e vegetação urbana. Em seguida, os
semivariogramas justapostos foram computados usando o perfil espectral de cada pixel. A figura 14.32 mostra as
imagens de semivariograma de cinco níveis de lag para CASI (figuras superiores) e AVIRIS (figuras inferiores). Notam-
se que os semivariogramas de CASI têm 50 lags (a) e os de AVIRIS tem 100 lags (b). Em ambas as imagens, todos os
objetos têm o perfil espectral correlacionado com Espaço-S até certa distância espectral ou lag. Os pixels com baixa lag
resultam baixa variabilidade espacial em uma banda única e os com alta lag resultam alta variabilidade espacial. Mas o
valor de semivariograma aumentando até um certo lag começa baixar. Esse ponto é chamado pilar (sill). O valor da
variância da distância zero é chamado efeito pepita.

Figura 14.30 – Imagens compostas de cor falsa: a) Imagem CASI; b) área florestal 10 × 10 pixels da CASI na região da Reserva
Nacional de Duchesnay, Quebec, Canadá; c) Imagem AVIRIS da área urbana da cidade Page, Arizona, USA; d) área urbana da
AVIRIS de 10 × 10 pixels da Page. Fonte: (Bielski et al., 2002).

A figura 14.33 mostra as lag 1, lag 13, lag 25, lag 37 e lag 50 para a imagem CASI na região da Reserva Nacional
de Duchesnay, Quebec, Canadá e as lag 1, lag 25, lag 50, lag 75 e lag 100 para a imagem AVIRIS da área urbana da
cidade Page, Arizona, USA. A figura 14.34 mostra as imagens de semivariograma reajustadas com três componentes,
incluindo: efeito pepita, patamar e alcance, pelo modelo para CASI (figuras superiores) e para AVIRIS (figuras
inferiores). Na imagem florestal (superior), o alto efeito pepita foi observado na área direita acima (nordeste) que indica
a floresta densa e o baixo efeito foi observado na área de trilhos de terra. O valor relativo do efeito pepita obtido foi de
2%, o que indica uma boa dependência espectral cruzando a imagem inteira.
A área florestal tem altos valores de patamar e os trilhos têm baixos valores. Isto indica os pixels representando
floresta com alta variabilidade espectral e os pixels representando trilhos tem baixa variabilidade espectral. O alcance dos
pixels de trilhos foi mais alta que a de floresta indicando que a correlação em Espaço-S dos pixels dos trilhos requerem
um maior valor da lag para alcançar o patamar. A classificação final foi feita com 6 classes na imagem florestal e 9
classes na imagem urbana aplicando o método K-mean. Os resultados foram comparados com a classificação pelo
método PCA. A figura 14.35 mostra a comparação da classificação das imagens de CASI e AVIRIS pelo modelo
Espaço-S (esquerda) e PCA (direta) usando os parâmetros de modelo Espaço-S de pilar e faixa e o método PCA usando
primeiras três bandas. Os resultados mostraram que o delineamento das classes pelo método Espaço-S foi mais coerente
que o pelo PCA. Veja nas imagens superiores da figura 14.35 que uma classe foi classificada como o trilho pelo método
Espaço-S e as várias classes foram consideradas como trilho pelo método PCA. Também a distribuição espacial do
semivariograma da floresta foi mais coerente que a distribuição espacial delineada pelos primeiros componentes
principais iniciais. Portanto, Bielski et al. (2002) sugeriram que o método do de Espaço-S pode ser aplicado para separar
as espécies diferentes de árvores na floresta.

Figura 14.31 – a) imagem cúbica de 10 × 10 pixels da imagem CASI de uma floresta na região da Reserva Nacional de Duchesnay,
Quebec, Canadá; b) imagem cúbica de AVIRIS 10 × 10 pixels da imagem AVIRIS da cidade Page, Arizona, Estados Unidos; c) os
gráficos de pixels selecionados para ilustrar os perfis espectrais da copa de floresta e trilhos; d) os gráficos de pixels selecionados
para ilustrar os perfis espectrais de vegetação urbana e estrada. Fonte: (BIELSKI et al., 2002).

Figura 14.32 – Variogramas justapostos computados pelo perfil espectral de cada pixel. a) o variograma com 50 lags da imagem
CASI da Reserva Nacional de Duchesnay, Quebec, Canadá; b) o variograma com 100 lags da imagem AVIRIS da cidade Page,
Arizona, Estados Unidos, com 100 lags (b); os gráficos de pixels selecionados para ilustrar os perfis espectrais de trilho, copa de
floresta, estrada e vegetação urbana. Fonte: (BIELSKI et al., 2002).

Figura 14.33 – Cinco imagens de semivariograma em cinco níveis de lag da imagem CASI da Reserva Nacional de Duchesnay,
Quebec, Canadá (figuras superiores) e cinco imagens do semivariograma de cinco níveis de lag da imagem AVIRIS da cidade Page,
Arizona, Estados Unidos (figuras inferiores). Fonte: (BIELSKI et al., 2002).

Figura 14.34 – Imagens de semivariograma reajustado por três bandas: efeito pepita, patamar e alcance pelo modelo do Espaço-S
para CASI da Reserva Nacional de Duchesnay, Quebec, Canadá (figuras superiores) e AVIRIS da cidade Page, Arizona, Estados
Unidos (figuras inferiores). Fonte: (BIELSKI et al., 2002).

Figura 14.35 – Comparação da classificação das imagens de CASI da Reserva Nacional de Duchesnay, Quebec, Canadá e AVIRIS da
cidade Page, Arizona, Estados Unidos pelo método de Espaço-S (esquerda) e PCA (direta). Fonte: (BIELSKI et al., 2002).
14.5.2.9 Modelo de percepção na camada múltipla

O Modelo de Percepção na Camada Múltipla (Multilayer Perceptron – MLP) é um dos modelos de Redes Neurais
Artificiais (Artificial Neural Networks – ANNs) mais usado. A figura 14.36 mostra que o Modelo de Percepção na
Camada Múltipla consiste em uma camada de entrada, uma camada mínima embutida e uma camada de saída (DUTRA;
HUBER, 1999). Cada camada consiste em unidades de processamento não-lineares, chamadas unidades de neurônios. As
conexões entre as unidades de neurônios são assinadas com pesos diferentes. A direção da conexão é unidirecional da
camada de saída, atravessando a camada embutida até a camada de saída. O processo não-linear usa uma função de
ativação f(σ) em uma unidade que soma todas as entradas. A função de ativação assina os valores reais dos entradas sem
limites entre um intervalo de 0 a 1 que é representado pela equação (14.50).

Em que:  
f (σ)   = uma função não linear de ativação f(σ);
σ   = soma das entradas.

Figura 14.36 – Modelo de Percepção na Camada Múltipla que consiste em uma camada de entrada uma camada mínima embutida e
uma camada de saída. Fonte: (DUTRA; HUBER, 1999).

A função f (σ) pode ser diferenciada usando a técnica da propagação retroativa de erro para treinar o MLP. A
propagação retroativa de erro é um algoritmo que minimiza o erro entre a saída do par entrada/saída no treinamento e a
saída da rede real (RUMELHART; HINTON; WILLIAMS, 1986). Portanto, um conjunto dos pares de entrada/saída é
presente repetidamente e o erro que propaga na saída é voltado à camada da entrada. Os pesos, Wij, durante a passagem
voltada à rede, são atualizados de acordo com a regra da atualização e a taxa de aprendizagem calculada pelas equações
(14.51) e (14.52).

Em que:  
Wij   = pesos das conexões depois do passo da propagação retroativa;
W’ij   = pesos das conexões antes do passo da propagação retroativa;
ΔWij   = taxa de mudança dos pesos;
η   = taxa de aprendizagem;
δj   = erro da unidade j;
Xi   = unidade de entrada ou saída i.

No caso da unidade k ser uma unidade de saída, o erro da unidade é calculado pela equação (14.53).

Em que:  
 Yk   = saída real da unidade k;
Dk   = saída desejado.

No caso de camada embutida, o erro da unidade é calculado pela equação (14.54).

O processo de propagação retroativa de erro é muito lento e pode parar no mesmo local. O processo da propagação
retroativa (Resilient Back Propagation – RPROP) proposto por Riedmiller e Braun (1993), pode ser aplicado para
acelerar a velocidade. O δE é a função de erro composto. A propagação retroativa ressalta o cálculo do valor atualizado
de ΔWij usando o valor atualizado com o peso específico de Δij sob três condições a seguir:

Em que:

O δE é a função de erro composto. O termo do, 10−α Σ Wij2, é o termo do peso em escala descendente que
depende do parâmetro α. O peso em escala descendente diminui o valor de peso durante a aprendizagem da propaganda
retroativa com a possibilidade de beneficiar o aumento da habilidade da generalização (Werbos, 1988). A adaptação dos
valores atualizados do Δij é um processo da adaptação do sinal dependente que é calculado pelas equações a seguir:

Os Δ’ij e δE’ são os passos de propagação retroativa anteriores. O modelo ANNs não é especificado somente pelas
características das unidades em processo, nem pela regra da aprendizagem ou treinamento. A topologia de redes neurais,
por exemplo, o número das camadas embutidas, unidades e a interconexões delas também têm influência ou desempenho
na classificação. Em geral, o tamanho do grupo em treinamento deve ser maior que o tamanho dos pesos, ou seja, X >
W. Fundamentada na seleção do número das camadas embutidas que é duas vezes o número dos atributos m, o W é
calculado pela W=2m(m+4) e alcança uma relação dos números de atributos considerados para o grupo de treinamento
de 2000.

14.5.2.10 Redes neurais flocosas de ARTMAP

O modelo Redes Neurais Artificiais Flocosas MAP, chamado de Fuzzy Adaptive Resonance Theory MAP Neural
Networks (Fuzzy ARTMAP) é um algoritmo aglomerado supervisionado que consiste nos módulos de Adaptive
Resonance Theory (ART). O modelo Fuzzy ARTMAP pode ser considerado como os algoritmos aglomerados em um
campo MAP. Os aglomerados são associados com as classes (CARPENTER, et al.,1992). A arquitetura de Fuzzy
ARTMAP é mostrada na figura 14.37.
 Figura 14.37 – A arquitetura das Redes Neurais Artificiais Flocosas MAP, chamado Fuzzy Adaptive Resonance Theory MAP Neural
Networks (Fuzzy ARTMAP). Fonte: (DUTRA; HUBER, 1999).

O módulo Fuzzy ARTa é mostrado a esquerda e o módulo Fuzzy ARTb é o módulo ART-1 a direita que tem
capacidade de processar as camadas de entradas binários. O campo MAP é a caixa no topo, Fab. O ARTa aglomera os
atributos da entrada baseada nos critérios de casar e escolher. Cada um dos módulos ART consiste em uma camada de
entrada F0, uma camada de comparação F1 e uma camada de reconhecimento F2. Cada unidade j da camada F2 estoca o
vetor protótipo Wj para a categoria representada. Para uma entrada do vetor X e um aglomerado j, a função de escolhe
Tj(X) é definida pela equação (14.62).

Em que:  
Tj(X)   = uma entrada do vetor X do aglomerado j,
|... |   = a norma definida pela | P | = Σi Pi,
Λ   = operador definido pelo (P Λ Q) = min(Pi.Qi)
α   = uma pequena constante chamada de parâmetro de escolha.

Para a categoria j, a escolha é o valor máximo do Tj calculado pela equação (14.63) a seguir:

O vetor ativo F1 é assinado ao X Λ Wj e comparado com a entrada atual pelo critério de igualdade da equação
(14.63).

O MJ é comparado com o valor de vigilância, ρ: MJ >> ρ,   

O valor de vigilância ρ entre [0, 1] determina o número de aglomerado a ser formado. Por exemplo, o valor de ρ
igual a 1 é chamado de um limite conservador que assina um aglomerado para cada vetor de entrada. No caso do critério
alcançado, a rede neural está em ressonância e o vetor de entrada X é vinculado ao F2 com a categoria J. A regra da
equação (14.65) é aplicada.

Em que:  
WJ’   = o peso antes aprendizagem;
η   = taxa de aprendizagem na faixa de [0, 1].

Se Wj não é igual ao critério, a unidade j é reajustada ao vetor de entrada atual e outra unidade de F2 é selecionada
até que se obtenha uma categoria armazenada ou até que a unidade nova da F2 seja alocada. O campo associativo MAP
Fab conecta os módulos ARTa e ARTb. A ARTb com o valor de ρb igual a 1 desenvolve categorias para os vetores dos
alvos presentes no F0b. Os pesos associados de Wjkab são direcionados da F2ab para a Fab, isto é, entre uma ARTa
categoria J e uma ARTb categoria K são treinados pelos critérios a seguir:

Wjkab = 1, se j=J e k=K;

Wjkab = 0, outros casos.

O campo MAP recebe as entradas de ambos os módulos ARTa e ARTb durante a aprendizagem. Se as duas
entradas forem iguais, a rede neural da Fuzzy ARTMAP é apreendida usando a regra apresentada acima. Se a Fab não
forem iguais, o reajuste do campo MAP é disparado e o processo do rastreamento de casamento recomeça. O
rastreamento de casamento aumenta o valor ρa para causar a desigualdade no módulo ARTa e recomeça a procura da
categoria nova F2a. O processo do rastreamento de casamento termina enquanto a categoria F2a for achada e o peso
Wjkab for obtido.
Kavzoglu e Mather (1999) aplicaram ANNs para classificação das sete culturas temporais na região leste da
Inglaterra usando os dados SAR banda L com o comprimento da microonda centralizada na faixa de 24 cm obtidos pelo
NASA Shuttle Imaging Radar-C (SIR-C). Os resultados foram validados com as imagens do SPOT e uma acurácia da
classificação de 80% foi obtida. Foody (1999) utilizou um conjunto de dados contornos em vez de um conjunto de dados
essenciais para o treinamento no processo da classificação pelo modelo ANNs. Observou que apesar da perda de
acurácia no treinamento, os resultados mostraram que a acurácia da classificação melhorou significativamente.
Teng e Fairbairn (2002) compararam a classificação de usos do solo na área urbana da cidade Tyne, na Inglaterra,
pelos modelos Fuzzy Expert System e Adapted Neural Fuzzy System. Os resultados mostram que o desempenho do
modelo Fuzzy Expert System foi mais consistente, com a acurácia de 85%, comparando-se com o Adapted Neural Fuzzy
System de 78%. Linderman et al. (2004) estimaram as áreas plantadas de bambu, durante o estágio de crescimento
vegetativo com alto índice da área foliar, na Reserva Nativa Wolong, na China, usando o método de ANNs não-linear
para classificação dos dados Landsat TM. Os resultados mostraram que a acurácia da estimativa das áreas de bambu
alcançou 80%.

14.5.2.11 Máquinas de vetor de suporte

Huang, Davis e Townshend (2002) apresentaram a técnica de classificação chamada Máquinas de Vetor de
Suporte (SVM) para classificar as imagens com um volume alto de dados. O modelo SVM é um conjunto de algoritmos
de aprendizagem pelas máquinas teoricamente superiores. O modelo SVM utiliza os algoritmos de otimização para
localizar os limites entre as classes. Na prática, o modelo SVM tinha sido aplicado no reconhecimento das características
óticas e das assinaturas digitais (Vapnik, 1995) e a categorização dos textos (Joachims, 1998). O objetivo principal do
modelo SVM é a minimização da falha estrutural. O procedimento do modelo SVM envolve três processos:

a)  localizar um hiperplano de separação ótima para separar as amostras separáveis e não-separáveis, maximizando
a margem dos pontos mais perto no plano;
b)  tratar as amostras não-separáveis para alcançar o objetivo da separação;
c)  usar as funções de decisão não-linear para tratar os casos de separáveis e não-separáveis pelas.

As equações (14.66a) e (14.66b) representam que as amostras k são de duas classes separáveis nos dois
hiperplanos paralelos.

Em que:  
X   = as reflectâncias das n bandas;
Y   = classe +1 ou classe −1;
i     = 1, 2, 3..... k amostras;
w   = w1, w2..... wn, vetor de n elementos.

A figura 14.38 mostra o hiperplano de separação ótima entre as amostras separáveis (figura 14.38a) e amostras
não-separáveis (figura 14.38b).
 Figura 14.38 – Hiperplano de separação ótima entre as amostras: a) amostras separáveis e b) amostras não-separáveis, do modelo
Support Vector Machines (SVM). Fonte: (HUANG; DAVIS; TOWNSHEND, 2002)

O modelo SVM mapeia uma entrada do vetor X no espaço H de feições multidimensionais e constrói um
hiperplano no espaço H aplicando as funções não-lineares de decisão. A equação (14.67) apresenta os dados mapeados
ao espaço H de feições multidimensionais pela função Ф.

Em que:  
Ф   = função de mapear;
Rn   = feições multidimensionais;
H   = espaço H.  

O vetor X no espaço das feições pode ser representado pela função Ф(X) no espaço multidimensional H. O
algoritmo de treinamento no espaço multidimensional H depende somente dos dados no espaço pelo produto em função
Kernel de forma Ф(Xi) Ф Ф (Xj) que é representada pela equação (14.68).

Duas funções Kernel, incluindo Kernel polinomial e Kernel das funções da base radial (VAPNIK, 1995), são
usadas para mapear e classificar no espaço multidimensional H que são representadas pelas equações (14.69) e (14.70),
respectivamente, a seguir:

A otimização pelo multiplicador Lagrangiano utilizando a função kernel é representada pela equação (14.71).

Em que:  
L(α)   = multiplicador Lagrangiano;
αi   = variável auxiliadora que limita os multiplicadores Lagrangianos; 0 ≤ αi ≤ C;
C   = o parâmetro regularizador que controla as capacidades generalizadas do classificador;
 Σi αiYi   = o limite de constrangimento;
X i e Xj   = classe i e classe j;
K(Xi,Xj)   = função kernel.

A função da decisão é chamada SVM ou f(x), que é representada pela equação (14.72).

Em que:  
f(x)   = função da decisão ou vetor de suporte (VS);
b0   = coeficiente obtido pela relação primodial com o valor do αi não zero (SCHOLKOPF;
SMOLA, 2001).

O classificador da equação (14.72) é aplicado somente para separar duas classes. Dois processos podem ser usados
para classificar mais de duas classes. O primeiro é classificar duas classes de cada vez. A classe selecionada entre essas
duas classes é usada para comparar com a terceira classe. Assim por diante, até terminar todas as classes. O segundo é
formar as amostras em pares de tamanhos semelhantes e classificar uma classe contra outras. Huang, Davis e Townshend
(2002) usaram seis níveis de amostragem para o treinamento, incluindo: 2%, 4%, 6%, 8%, 10% e 20%. Os resultados
mostraram que a área de treinamento de 20% da área da imagem teve melhor desempenho. O método foi comparado aos
métodos de MLC, ANNs e Árvore de Decisão. Concluíram que o método SVM foi compatível aos outros com melhor
acurácia, em geral com 75% de acurácia, em relação ao MLC, ANNs e Árvore de Decisão que apresentaram acurácia de
72%, 73% e 74%, respectivamente.
Camps-Valls e Bruzzone (2005) compararam cinco modelos SVM aplicados na classificação das imagens
multiespectrais e hiperespectrais dos sensores do AVIRIS obtidos na região noroeste do Estado de Indiana. Os cinco
modelos incluem: Regularized Radial Basis Kernel Function Neural Networks (RBFNN), Supporting Vector Machines-
Radial Basis Kernel Function (SVM-RBF), SVM-Linear Kernel Function (SVM-LKF), SVM-Polinomial (SVM-Poly) e
Kernel Fisher Discriminant (KFD). Observaram que esses modelos não são eficientes, quando se tratam de altos números
de bandas espectrais por causa do alto número de banda espectral e baixo número de amostragem assinadas para o
treinamento. Apontaram que os modelos SVM têm suas propriedades servidas para classificar as imagens
hiperespectrais. As vantagens incluem:

a)  processar grande espaço efetivamente;

b)  eliminar as amostras ruídas de maneira robusta;
c)  produzir resolução esparsa, por exemplo, o modelo define o limite da decisão como uma função de um
subconjunto de amostras em treinamento.

O método de KFD usa o mesmo conceito do Kernal no modelo SVM para obter as resoluções não-lineares e
minimizar as diferenças funcionais que resultam em uma resolução diferente que a do SVM. Camps-Valls e Bruzzone
(2005) observaram que o método de SVM-Poly alcançou uma acurácia mais alta de 94,44%, seguindo o SVM-RBF de
94,31%. Concluíram que os métodos de SVM-RBF e SVM-Poly eram mais benéficos, a acurácia mais alta e o gasto do
tempo computacional mais curto. Vale mencionar que os modelos de SVM-RBF e SVM-Poly, contruídos por Huang,
Davis e Townshend (2002), alcançaram uma acurácia de 75% e os mesmos modelos apresentados por Camps-Valls e
Bruzzone (2005) alcançaram uma acurácia de 94,4%. Isto porque os modelos de Camps-Valls e Bruzzone (2005) usaram
a área do treinamento de 40% que foi duplicada em relação à área de treinamento dos modelos usados por Huang, Davis
e Townshend (2002). Posteriormente, Bruzzone e Melgani (2005) empregaram um sistema de avaliador múltiplo
aplicado em SVM por meio da regressão e contestaram que a acurácia foi melhor que a de SVM-Ploy e SVM-RBF.

14.6 Aplicações da combinação dos métodos de classificação

Liang (2001) classificou a distribuição de vegetação do globo usando os dados de NOAA AVHRR aplicando a
técnica de Fast Fourier Tranform (FFT). Oki et al. (2004) classificaram os usos do solo usando a combinação dos dados
de NOAA AVHRR e Landsat TM aplicando o método de não mistura, (Unmixing Method) com uma acurácia modesta.
É importante apontar que, dependendo da acurácia exigida na estimativa da área, os dados de baixa resolução espacial,
tais como NOAA AVHRR, MODIS e SPOT 4 VGT, têm suas limitações na classificação e delineamento das áreas de
usos do solo. Portanto, os resultados de classificação de usos do solo pelos dados de baixa resolução espacial devem ser
aplicados cautelosamente. Podest e Saatchi (2002) classificaram os tipos de vegetação da Bacia Amazônica baseados nos
dados de JERS 1 aplicando-se os três métodos de classificação: análise de textura, classificador multiescala e MLC. Os
resultados mostraram uma acurácia acima de 90%.
Erbek, Ozkan e Tabermer (2004) compararam os métodos de MLC e ANNs nas classificações de usos de solos na
região urbana da cidade de Istambul, Turquia. Os resultados mostraram que ANNs melhorou sua acurácia quando
comparado ao método de MLC.
Ricotta (2004) introduziu um índice de generalização chamado, Morisita’s index, aplicado na área de ecologia para
distinguir as presenças de classes abundantes e raras nos pixels de mistura nos limites. Os resultados melhoraram a
acurácia na classificação incorporando o MLC. Qiu e Jensen (2004) apresentaram um algoritmo de aprendizagem de
ANNs derivada de um conjunto de parâmetros flocosos empregando a regra do “sim ou não” implantado no sistema,
chamado Fuzzy Expert. Mostraram que a acurácia do método desenvolvido melhorou significativamente se comparado
ao método de MLC. Pal e Mather (2005) também compararam o método de SVM com os métodos de MLC e ANNs nas
classificações de usos dos solos na região leste da Inglaterra e na região central da Espanha. Concluíram que a acurácia
do método de SVM foi mais alta que os outros e as amostras para o treinamento foram menores. A maioria das pesquisas
demonstram que os métodos de ANNs têm tendência de melhorar sua acurácia quando comparado ao método de MLC.
Mantero, Moser e Serpico (2005) tentaram aplicar a regra da decisão Bayesiana para retirar as amostras de classes pela
imagem em si, sem usar os treinamentos com os dados tirados nas amostras observadas e depois aplicaram o SVM para a
classificação. Apontaram que o tempo na geração das amostras para o treinamento foi diminuído consideradamente.
Myint (2003) comparou três métodos fractais, incluindo prisma triangular, variograma e divisor de linha
bidirecional (Lam e De Cola, 1993) com os métodos de análises estatísticas simples e as técnicas de autocorrelações
espaciais nas classificações de imagens de alta resolução espacial obtidas pelos sensores Advanced Thermal Land
Application Sensor (ATLAS) a bordo do Stennis Learjet da NASA. Os sensores têm bandas entre 0,45 a 12,2 μm com
resolução espacial de 2,5 mm. Contestou que as técnicas de autocorrelaçao espacial, tais como as equações (14.73) e
(14.74), são superiores aos métodos fatoriais. Em alguns casos, os valores de desvio-padrão e valores médios das
amostras são mais precisos que outros métodos mais sofisticados.
Equação (14.73) representa Moran I e equação (14.74) representa Geary C, respectivamente.

Em que:  
I (d)   = Moram I que varia de +1 (correlação perfeita) a −1 (correlação negativa perfeita);
n   = números de amostras;
Wij   = peso no pixel yij,
Wij   = 1 se o ponto j está dentro da distância d a ponto i, se não wij = 0;
Zi   = yi – ymédio;
Zj   = yj –ymédio;
W   = a soma dos pesos quando i não igual ao j.

Em que:  
C(d)   = Geary C que varia de 0,0 (correlação perfeita), 1(não tem correlação) a > 1,0
correlação negativa.
n   = números de amostras;
Wij   = peso no pixel yij,
Wij   = 1 se o ponto j esta dentro da distância d a ponto i, se não wij = 0;
yi   = pixel yi;
yj   = pixel yj;
W   = a soma dos pesos quando i não igual ao j.

Chust, Ducrot e Pretus (2004) melhoraram a discriminação dos 15 tipos de vegetação e a classificação de usos do
solo na região Minorca, Espanha, usando a fusão das imagens obtidas pelo SAR ERS e SPOT com uma acurácia de 89%.
Jiménez et al. (2005) desenvolveram um classificador não supervisionado combinado com um classificador
supervisionado chamado ECHO para extração dos pixels homogêneos. Apontaram que o método é viável para a
classificação dos dados hiperespectrais e multiespectrais adquiridos pelas aeronaves e aviões de última geração. O
classificador ECHO é um tipo do classificador supervisionado que classifica os pixels nas vizinhas a uma única classe
após o cálculo do grau da homogeneidade nesses pixels (MCLACHLAN, 1992). A equação da função de probabilidade
da densidade de vizinhança é usada para classificar os pixels das vizinhas apresentados pela equação (14.75). A forma da
vizinhança e os parâmetros exigidos são obtidos pelas amostras marcadas na superfície, em campo.

Em que:  
f(x)   = classificador ECHO;
Xi   = o conjunto dos pixels na vizinhança.

O classificador não supervisionado chamado UnECHO calcula o grau da heterogeneidade dos pixels da vizinhança
para agrupá-los em uma classe. Suponha que X é um conjunto de pixels na vizinhança, Qi(X) é uma medida do grau da
heterogeneidade da vizinhança a um aglomerado particular i. O maior Qi(X) indica a alta heterogeneidade. O menor
Qi(X) indica a alta homogeneidade em que os pixels da vizinhança são agrupados para um aglomerado, ou seja, uma
classe i. O classificador não supervisionado chamado UnECHO divide toda a imagem multiespectral ou hiperespectral a
um número de vizinhanças não sobreposicionados. O algoritmo calcula o grau de heterogeneidade de todas as
vizinhanças. No caso do conjunto dos pixels k na vizinhança X é homogêneo no espectro, que implica baixa
heterogeneidade, o conteúdo espectral de todos pixels na vizinhança é semelhante. Em conseqüência, os pixels da
vizinhança X(k) são agrupados para uma classe. O conjunto dos pixels X(k) da vizinhança é classificado como uma parte
do grupo aglomerado Qi[X(k)] no caso de as condições das equações (14.76) e (14.77) forem verdadeiras. As vantagens
desse mecanismo são rápidas e integram as informações espectral e espacial ao mesmo tempo.

Em que:  
Qi[X(k)]   = uma medida do grau da heterogeneidade da vizinhança um aglomerado particular i;
Qj[X(k)]   = uma medida do grau da heterogeneidade da vizinhança a um aglomerado particular j;
Ti   = estimador limiar para a classe i.

Em que:  
T(I, γ)   = estimador limiar Ti para a classe i;
γ   = estrutura da composição que tem o valor mais alto da classe i.
Λ (I,γ)   = a soma total dos todos os graus de heterogeneidade das vizinhanças que têm a
estrutura particular da composição γ.

No caso de X(k) є γ que indica a vizinhança particular X(k) tem a composição γ obtida pela classificação não
supervisionada pixel por pixel. Por exemplo: existem dois aglomerados, uma banda vermelha e outra azul nos 3 pixels
por 2 pixels da vizinhança, o γ[1,8] significa o pixel acoplado a banda vermelha e 8 pixels acoplados a azul. Neste caso, a
equação (14.79) é válida.

Jiménez et al. (2005) aplicaram esse algoritmo para classificar uma área urbana e os resultados mostraram que uma
acurácia de 96% foi alcançada. Concluíram que a análise humana pelo reconhecimento de padrão é mais eficiente que o
classificador não supervisionado pixel por pixel tradicional. Bruzzone e Melgani (2005) aplicaram um sistema de
estimador múltiplo para classificar os parâmetros biofísicos aplicando as técnicas de regressão. As técnicas de regressão
estatística são fundamentadas no modelo SVM para a geração dos estimadores para diferentes valores dos parâmetros
biofísicos. Apontaram que o método SVM é eficiente e o sistema de estimador múltiplo, que aumentou a acurácia, é mais
rigoroso. Kornienko, Albrecht e Dowe (2005) usaram uma combinação da PCA e um classificador chamado (Minimum
Message Length (MML) para classificar as multiclasses em um hiperplano que descreve a distribuição das multiclasses.
Apontaram que o método tem a acurácia compatível ao SVM, mas somente necessita um hiperplano para classificar os
objetos da distribuição de multiclasses, em vez de vários hiperplanos como o SVM exige. Daschiel e Datcu (2005)
apresentaram um algoritmo de minar as informações disponíveis das imagens adquiridas por satélites. Primeiramente,
processaram os dados digitais adquiridos por satélites pela indexação e extração das feições na imagem. Depois,
executaram a fusão das informações pelas funções de minar imagens por meio das interpretações iterativas. Apontaram
que os imensos dados-base foram reduzidos e as feições de geométricas e topologias foram interpretadas com mais
eficiência.

14.7 Pós-classificação
O processo da classificação resulta uma classe assinada para cada pixel que gera um mapa temático. Por causa das
limitações de ruídos de sinais obtidos e os algoritmos usados, os mapas classificados geralmente têm muito ruídos, com
uma aparência pontilhada semelhante ao efeito de sal e pimenta nas regiões homogêneas que resultam em limites
confusos entre as classes. Na maioria dos casos, os pixels isolados ou agrupados em pequenos números de pixels
espalhados dentro de uma área uniforme de uma determinada classe são eliminados visualmente. Dependendo da
acurácia da classificação exigida, as pequenas áreas de outras classes dentro de uma área uniforme de uma determinada
classe podem ser delineadas por meio das técnicas de determinação das margens dos limites das classes confusas.
Solaiman et al. (1998) apresentaram um método de fusão de informação para delinear de forma mais clara os
limites das classes após as classificações feitas. O processo da fusão envolve duas etapas: primeira etapa é a
determinação do mapa temático homogêneo usando Nagao temático filtro (Nagao; Masuyama, 1979) e a segunda, é a
geração do mapa do crescimento da margem de uma determinada classe, usando o algoritmo da procura que seleciona
aquele que considera o melhor é o primeiro selecionado – chamado Best-First Search Algorithm (Pearl, 1984). O método
da fusão de informação é um sistema de multiespecialista (Multi Expert System) em especialista, que fornece a evidência
de cada pixel, à margem do limite de cada classe. Portanto, várias camadas temáticas podem ser usadas para produzir o
mapa com os limites mais confiáveis.
Schmid et al. (2004) monitoraram a evolução da degradação de área inundada da região do semi-árido localizada
em La Mancha Alta, Espanha. Para aperfeiçoar a identificação, classificação e delineamento das diferentes classes de
usos do solo, utilizaram os dados de reflectâncias hiperespectrais e as assinaturas espectrais dos diferentes tipos de usos
do solo para identificar os limites dos pixels de cada classe e depois, extrapolando, para delinear as classes obtidas pelos
dados de Landsat ETM+ de média resolução espectral e espacial. Wang et al. (2004) mapearam os mangues na região
Punta Galeta na costeira do Caribe do Panamá, usando as imagens de IKONOS. Três métodos de classificação de
mangues, incluindo MLC, Nearest Neighbour (NN) e método híbrido que integra pixel por pixel e a base do objeto. A
acurácia do método híbrido alcançou 91,4%, que tem melhor desempenho, comparando-se com os restos dos métodos.

14.8 Perspectivas futuras das análises dos dados adquiridos via

satélite
Os métodos de classificação de imagem de satélite apresentados neste capítulo são alguns exemplos mais usados.
Existem inúmeros métodos de classificação das imagens espectrais e espaciais e as imagens de séries temporais
abrangendo de baixas, médias até altas resoluções. Alguns métodos, considerados interessantes, estão listados aqui para
sua referência: método automático de exploração das informações espaciais na classificação das superfícies de alta
heterogeneidade (STEELE; REDMOND, 2001), classificação baseada na teoria de evidência (MERTIKAS; ZERVAKIS,
2001), algoritmo de histograma quantizada (CIHLAR et al., 2001), classificador de textura multiescala (PODEST;
SAATCHI, 2002), interpretação automática de mistura de pixels (GHOSH, 2004), método da avaliação racional da
classificação (LIU; ZHOU, 2004), modelo analítico do sistema de processamento de imagens hiperespectrais completas
(KEREKES; BAUM, 2005).
Baltsavias (2004) apontou que para a extração dos objetos topográficos urbanos, tais como prédios, moradias e
rodovias, o conhecimento prévio dos objetos e uma ferramenta adequada para alcançar uma boa acurácia de classificação
são fundamentais. Argumentou que a representação e o manejo dos conhecimentos existentes envolvem a linguagem
computacional, as modelagens, as estruturas lógicas, as arquiteturas de representação dos conhecimentos no banco de
dados e o sistema de manejo desses dados. Para alcançar seus objetivos de estruturar, identificar, representar e manejar
os conhecimentos, os vários métodos foram listados por Baltsavias (2004) a seguir:

a)   linguagens de processamento de imagens: o desenvolvimento do sistema de especialista (Expert System) ou

inteligências artificiais para o reconhecimento de padrão (MATSUYAMA, 1989);
b)   banco de dados que armazena os resultados intermediários (Brolio et al., 1989; GRIMM; BUNKE, 1993);
c)   representação dos conhecimentos pelas linguagens de programa lógico que permitem inferir e derivar as
informações novas baseadas nas informações existentes e seus mecanismos de controles (DRAPER, 1993a);
d)   estruturas e redes de estruturas das informações (DRAPER, 1993b);
e)   sistemas de compilação esquemática que geram os conjuntos de conhecimentos em maneira interativa e
 visualmente viável (MCKEOWN; HARVEY, 1987);
f)   sistemas de manejos dos produtos (STILLA; GEIBEL; JURKIEWICZ, 1997);
g)   lógicas matemáticas e suas extensões e adaptações (ATSUYAMA; HWANG, 1990);
h)   conjuntos de Fuzzy e Fuzzy Lógico que representam as informações de dados de entrada; conhecimentos,
razões, hipóteses, validação, resultados e confiabilidades (LEVINE; NAZIF, 1985);
i)   conjuntos de fechamento por acaso para representar as informações imprecisas e confiabilidade de análise
baseados nas teorias de Fuzzy e evidência (QUINIO; MATSUYAMA, 1991);
j)   redes neurais artificiais (ANNs) (GOITA et al., 1994);
l)   redes relacionadas com os gráficos dos atributos usando as imagens (PAKZAD, 2002);
m)   sistemas de descrição lógica que representam e raciocinam as definições complexas dos objetos e suas inter-
relações (NEBEL, 1990);
n)   redes Bayesian e métodos probabilísticos (STASSOPOULOU; CAELLI, 2000);
o)   teoria de Evidência Dempstter-Shafer (TUPIN; BLOCH; MAITRE, 1999);
p)   teoria de Probabilidade (POTH; KLAUS; STEIN, 1999);
q)   sistemas de quadro-negro (CLOUARD et al., 1993);
r)   representações de Objetos Orientados (CHAN et al., 1996);
s)   representações de base de agentes (BOUZOUANE et al., 1995).

As perspectivas do futuro, na área de tecnologia de satélite, envolvem desenvolvimento dos sensores de

microondas e óticos com alta resolução espacial, lançamento dos satélites geoestacionários regionais de alta resolução
espacial e baixo custo e as técnicas de processamento centralizado de dados e disponíveis aos usuários, prontos e
processados. As áreas de aplicação envolvem o desenvolvimento das técnicas de monitoramento e estimativa da
produção agrícola, de monitoramento dos desastres ambientais, geológicos e meteorológicos, de monitoramento da
evolução dinâmica dos usos de solos e recursos ambientais do planeta Terra e das variabilidades climáticas em escalas
locais e globais. Landgrebe (2005) apontou que é necessário um conjunto de 20 satélites idênticos orbitando no globo
simultaneamente para monitorar as evoluções dinâmicas do planeta Terra. Os sensores devem ter as resoluções espaciais
e as resoluções espectrais servem para diversas classes de usos. Os sensores espectrais devem ter pelo menos 20 bandas
cobrindo os comprimentos das ondas entre 0,4 e 14 μm com os dados disponíveis pelo menos gravados em 10 bits (nível
de 1.024). Também é importante desenvolver um procedimento vigoroso e eficiente para processar e analisar os dados
hiperespectrais que fornecem os dados disponíveis para uma grande gama de usuários que não são especialistas nas áreas
de engenharia de processamento dos sinais adquiridos por satélites.
Ao longo dos anos de pesquisas, as técnicas de classificação das imagens adquiridas via satélite avançaram
rapidamente. Os métodos de MLC gaussiana, ANNs e SVM são intensamente explorados. O método de Espaço-S é outra
opção atraente. Todavia, o problema essencial na geração de um mapa temático é como identificar e assinar cada pixel de
uma imagem digital a uma classe de uso do solo efetivamente e corretamente. Wilkinson (2005) analisou mais de 500
artigos que apresentaram os algoritmos e modelos de classificação, fusão de imagens e pós-classificação ao longo de
quinze anos passados e apontou que, nos últimos quinze anos, as performances dos métodos de classificação não
demonstraram os avanços significativos. Citou os problemas incluindo: a definição das classes, a escala dependente para
classificação e observação e o desempenho do classificador, visando às utilizações dos dados. Observou que os
resultados individuais de classificação apresentados pelos vários pesquisadores podem ter algumas vantagens sobre os
outros. Mas em geral, revelou que não há tendência de um salto significativo nas técnicas de classificação das imagens
de satélites. Sugeriu que é necessário ampliar as pesquisas na transformação de dados adquiridos via satélite para os
mapas temáticos considerando os aspectos humanos e geração dos produtos que sirvam para suas finalidades das
aplicações.
Richards (2005) revisou o desenvolvimento das técnicas de análises dos dados adquiridos via satélite ao longo das
quatro décadas passadas. Apontou que os métodos de classificação, que empregam as fontes variadas de imagens
adquiridas por diferentes satélites, devem usar os processamentos dos dados pelos próprios métodos específicos. Os
diferentes métodos de análise das imagens multiespectrais, hiperespectrais e as imagens de radar devem ser aplicados
corretamente. Sugeriu que um sistema robusto operacional é desenvolvido para processar os dados de mapas temáticos
adquiridos pelas várias fontes. Também sugeriu que o caminho mais prático é analisar cada tipo de dados separadamente
pelas técnicas próprias para otimizar a extração das características distintas dos dados e depois aplicar as técnicas de
fusão das fontes variadas no nível marcado. Salienta-se que as técnicas das fusões das diferentes fontes de dados digitais
das imagens e videografias adquiridas pelo sensoriamento remoto via satélite e avião (MENGES; HILL; AHMAD,
2001), e as informações cartográficas gerenciadas pelo SIG são as tendências inevitáveis para gerações dos mapas
temáticos e suas derivadas aplicações. O SIG será apresentado no Capítulo 15. Todos os métodos desenvolvidos são
direcionados para atender um objetivo específico em uma determinada região. Creio que, em nosso presente estado de
arte, é irreal ou quase uma ilusão tentar obter um sistema geral universal de análise de imagens para a extração de todos
objetos e o monitoramento das evoluções espaciais e temporais de usos do solo de alta acurácia.

  Referências
ADAMS, J. B.; SABOL, D. E.; KAPOS, V.; FILHO, R. A.; ROBERTS, D. A.; SMITH, M. O.; GILLESPIE, A. R., 1995. Classification
of multispectral images base don fractions of endmembers: Apllication to land-cover change in the Bazilian Amazon. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 52:137-154.
ALMEIDA, T. I.; SOUZA FILHO, C. R., 2004. Principal component analysis applied to feature-oriented band ratios of hyperspectral
data: a tool for vegetation studies. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:5005-5023.
BALTSAVIAS, E. P., 2004. Object extraction and revision by image analysis using existing geodata and knowledge: current status and
steps towards operational systems. Journal of Photogrammetry and Remote Sensing, Elsevier Science Publishing Co., New York, USA.
58:129-151.
BIELSKI, C. M.; DUBE, P.; CAVAYAS, F.; MARCEAU, D. J., 2002. S-space: a new concept for information extraction from imaging
spectrometer data. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:2005-2022.
BORAK, J. S.; STRAHLER, A. H., 1999. Feature selection and land cover classification of MODIS-like data set for a semiarid
environment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:919-938.
BOUZOUANE, A.; LEPAGE, R.; CREIVER, D., 1995. A multiagent model for artificial integrated vision. Proceedings of Vision
Interface 1995 Conference, Quebec City, Canada, p.45-52.
BROLIO, R.; DAPER, B.; BEVERIDGE, R.; HANSON, A., 1989. IRS: A data base of symbolic processing in computer vision. IEEE
Transactions on Computer, IEEE Computer Society, Washington, D.C., USA. 22:22-30.
BRUZZONE, L.; MELGANI, F., 2005. Robust multiple estimator systems for the analysis of biophysical parameters from remote sensed
data. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway,
New Jersey, USA. 43:159-174.
CAMACHO DE COCA, F.; GARCIA-HARO, F. J.; GILBERT, M. A.; MEILA, J., 2004. Vegetation cover seasonal changes assessment
from TM imagery in a semi-arid landscape. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3451-3476.
CAMARGO, E. C.; FUNKS, S. D.; CâMARA, G., 2005. Analise espacial de superfície. Apostilha do Curso de GIS como Ferramenta de
Trabalho, INPE, São Jose dos Campos, http:www.litd.inpe.br, data de acesso: 16 de junho de 2005.
CAMPANA, N. A.; EID, N. J., 2001. Monitoramento do uso do solo. In: Hidrologia aplicada à gestão de pequenas bacias hidrográficas.
Associação Brasileira de Recurso Hídrico (ABRH), Porto Alegre: RS, Brasil. 58p.
CAMPBELL J. B., 1987. Introduction to Remote Sensing. The Guilford Press. New York, USA. 551p.
CAMPS-VALLS, G.; BRUZZONE, L., 2005. Kernal based methods for hyperspectral image classification. IEEE Transactions on
Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:1351-
1362.
CARMEL, Y.; DEAN, D. J., 2004. Performance of a spatio-temporal error model for raster datasets under complex error patterns.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:5283-5296.
CARPENTER, G. A.; GROSSBERG, MARKUZON, S. M.; REYNOLDS, J. H.; ROSES, D. B., 1992. Fuzzy ARTMAP: a neural network
architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks, IEEE
Computer Society, Washington, D.C., USA. 3: 698-713.
CHAN, S. W.; LEUNG, K. S.; WONG, F. W., 1996. Object-oriented knowledge-based system for image diagnosis. Applied Artificial
Intelligence, Taylor & Francis Ltd, London, UK. 10:407-438.
CHUST, G.; DUCROT, D.; PRETUS, J. L., 2004. Landcover discrimination potential of radar multitemporal and optical multispectral
images in a Mediterranean cultural landscape. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3513-
3528.
CIHLAR, J.; OKOUNEVA, G.; BEAUBIEN, J.; LATIFOVIC, R., 2001. A new histogram quantization for land cover mapping.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:2151-2169.
CLOUARD, R.; PORQUET, C.; ELMOATAZ, A.; REVENU, M., 1993. Resolution of Image processing problems by dynamic planning
within the frame work of the blackboard model. Intelligent Robots and Computer Vision XII Symposium of Processing Image
Electronically (SPIE), International Society of Computer Engineering, Bellingham, Washington, D.C., USA. 2005:419-429.
COBURN, C. A.; ROBERTS, A. C., 2004. A multiscale texture analysis for improved forest stand classification. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4287-4308.
COPPIN, P.; JONCKHEERE, I.; NACKAERTS, K.; MUYS, B.; LAMBIN, E., 2004. Review article digital change detection methods in
ecosystem monitoring: a review. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1565-1596.
CURRAN, P. J., 1988. The semivarigram in remote sensing: An introduction. Remote Sensing of Environment, Elsevier Science
Publishing Co., New York, USA. 24:493-507.
DASCHIEL, H.; DATCU, M., 2005. Information mining in the remote sensing image archives: system evaluation. IEEE Transactions on
Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:188-199.
DRAPER, B. A., 1993a. Learning object recognition strategies. Ph. D. dissertation. University of Massachusetts at Amherst,
Massachusetts, USA. 176p.
DRAPER, B. A., 1993b. Learning from the scheme learning system. Machine Learning in Computer Vision: what, why and how?.
Technical Report FS-93-04, AAAI Press, Menlo Park, California, USA. p.75-79.
DSG, 1984. Mapas Cartografícos em Escala 1:100.000 com projeção UTM. Publicação da Diretoria de Serviço Geográfico, Ministério do
Exército do Brasil, Primeira Edição, segunda impressão, Brasilia, D.F., Brasil.
DUTRA, L. V.; Huber, R., 1999. ERS-1 2 feature extraction selection and classification. Internationl Journal of Remote Sensing, Taylor
& Francis Ltd, London, UK. 20:995-1016.
ERBEK, S.; ÖZKAN, C.; TABERNER, M., 2004. Comparison of Maximum likelihood classification with supervised artificial neural
network algorithms for land uses activities. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1733-1748.
FERREIRA, L.G.; HUETE, A. R., 2004. Assessing the seasonal dynamics of the Brazilian Cerrado vegetation through the use of spectral
vegetation indices. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1837-1860.
FERREIRA, E.; MACHADO, R. V.; ANDRADE, H., 2000. Sensoriamento Remoto. Lavras: Universidade Federal de Lavras, Lavras,
Minas Gerais, Brasil, 342p.
FOODY, G. M., 1999. The significance of border training patterns in classification by a feed forward neural network using back
propagation learning. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:3549-3562.
GHOSH, J. K., 2004. Automated interpretation of sub-pixel vegetation from IRS LISS-II images. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 25:1207-1222.
GAMBA, P.; HOUSHMAND, B., 2001. An efficient neural classification chain of SAR and optical urban images. International Journal of
Remote Taylor & Francis Ltd, London, UK. Sensing, 22:1535-1553.
GALLEGO, F. J., 2004. Remote sensing and land cover area estimation. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 25:3019-3047.
GOITA, K.; GONZALEZ RUBIO, R.; BÉNIÉ, G. B.; ROYER, A.; MICHAUD, F., 1994. Literature review of Artificial Neural networks
and knowledge-based systems for image analysis and interpretation of data in remote sensing. Canada Journal of Electrical and Computer
Engineering, University of Manitoba, Manitoba, Canada. 19:53-61.
GOMBRICH, E. H., 1959. Art and illusion - a study in the psychology of pictorial representation. The Trustees of the National Gallery of
Art, Washington, D. C., USA. 383p.
GONG, P.; HOWARTH, P. J., 1992. Land use classification of SPOT HRV data using a cover frequency method. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 13:1459-1471.
GOOVAERTS, P., 1992. Factorial kriging analysis: a useful tool for exploring the structure of multivariate spatial soil information.
Journal of Soil Science, Soil Science Society of America, Madison, Wisconsin, USA.43:597-619.
GOOVAERTS, P., 1997. Geostatistics for Natural Resources Evaluation. Oxford University Press, New York, USA. 314p.
GRIMM, F.; BUNKE, H., 1993. An expert system for the selection and application of image processing subroutines. Expert Systems,
Blackwell Publishing Inc., Malden, Montana, USA. 10:61-74.
HUANG, C.; DAVIS, L. S.; TOWNSHEND, J. R., 2002. An assessment of support vector machines for land cover classification.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:725-749.
ISSAKS, M.; SRIVASTAVA, E., 1989. An Introduction to Applied Geostatistics. Oxford University Press, New York, USA. 412p.
JAQUET, O., 1989. Factorial kriging analysis applied to geological data from petroleum exploration. Mathematical Geology, Elsevier
Science Publishing Co., New York, USA. 21:683-691.
JIMéNEZ, L. O.; MEDINA, J. L.; DIAZ, E. R.; CRUZ, E. A.; VéLEZ, M. R., 2005. Integration of spatial and spectral information by
means of unsupervised extraction and classification for homogenous objects applied to multispectral and hyperspectral data. IEEE
Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey,
USA. 43:844-851.
JOACHIMS, T., 1998. Text categorization with support vector machines-learning with many relevant features. Proceedings of European
Conference on Machine Learning. Chemnitz, Germany, April 10, 1998. p.137-142.
JOHNSON, R. A.; WICHEN, D. W., 1992. Applied Multivariate Statistical Analysis. Prentice-Hall Press, London, UK. 314p.
KAVZOGLU, T.; MATHER, P. M., 1999. Pruning artificial neural networks: an example using land cover classification of multi-sensor
images. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20: 2787-2803.
KIEMA, J. B. K., 2002. Texture analysis and data fusion in the extraction of topographic objects from satellite imagery, International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:767-776.
KEREKES, J. P.; BAUM, J. E., 2005. Full spectrum spectral imaging system analytical model. IEEE Transactions on Geoscience and
Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:571-580.
KORNIENKO, L.; ALBRECHT, D. W.; DOWE, D. L., 2005. A preliminary MML linear classifier using principal component analysis
for multiple classes. http://www.csse.monash.edu.au/, data de acesso: 12 de junho de 2005.
KOUKOULAS, S.; BLACKBURN, G. A., 2004. Quantifying the spatial properties of forest canopy gaps using LIDAR imagery and GIS.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3049-3072.
LAM, N. S.; DE COLA, L., 1993. Fractional simulation and Interpretation. In: fractals in Geography, Edited by Lam N.S. and L. De Cola,
Printice Hall, Englewood Cliffs, New Jersey, USA. P.56-74.
LANDGREBE, D. A., 2005. Multispectral land sensing: where from, and where to. IEEE Transactions on Geoscience and Remote
Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:414-421.
LEE, J. S.; JURKEVICH, I.; DEWAELE, W.; WAMBACQ, P.; OOSTERLINCK, M., 1994. Speckle filtering of synthetic aperture radar
images: a review. Remote Sensing Reviews, Taylor & Francis Ltd, London, UK. 8:313-340.
LEVINE, M. D.; NAZIF, A., 1985. Rule-based image segmentation: a dynamic control strategy approach. Computer Vision, Graphics and
Image Processing, International Society of Optical Engineering, Bellingham, Washington, D.C., USA. 32:104-126.
LIANG, S., 2001. Land-cover classification methods for multi-year AVHRR data. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 22: 1479-1493.
LINDERMAN, M.; LIU, J.; QI, J.; QUYANG, Z.; YANG, J.; TAN, Y., 2004. Using artificial neural networks to map the spatial
distribution of understorey bamboo from remote sensing data. International Journal of Remote Sensing, Taylor & Francis Ltd, London,
UK. 25:1685-1700.
LIU, H.; ZHOU, Q., 2004. Accuracy analysis of remote sensing change detection by rule-based rationality evaluation with post
classification comparison. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1037-1050.
LIU, W. T., 2003. Aplicações de Sensoriamento Remoto. Apostilha do Curso da Especialização em Sensoriamento Remoto Aplicado no
Meio Ambiente, Universidade Católica Dom Bosco, Campo Grande, MS, Brasil, 417p.
LIU, W. T.; Santiami, E.; Ferraz, R. G., TORRECHILA, S.; AYRES, F. M., 2005. Atualização da base catorgrafica da Bacia do Alto
Paraguai, Projeto GEF/ANA/PNUMA/OEA, Relatório Final, UCDB, Campo Grande, MS, Brasil. 158p.
LU, D.; MORAN, E.; BATISTELLA, M., 2003. Linear mixture model applied to Amazonian vegetation classification. Remote Sensing of
Environment, Elsevier Science Publishing Co., New York, USA. 87:456-469.
MANTERO, P.; MOSER, G.; SERPICO, S., 2005. Partially supervised classification of remote sensing images through SVM-based
probability density estimation. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of
America, Piscataway, New Jersey, USA. 43:559-570.
MATSUYAMA, T., 1989. Expert systems for image processing: knowledge-based composition of image analysis processes. Computer
Vision, Graphics and Image Processing, International Society of Optical Engineering, Bellingham, Washington, D.C., USA. 48:22-49.
MATSUYAMA, T.; HWANG, V., 1990. SIGMA: a knowledge Based Aerial Image Understanding System. Plenum Press, New York,
USA. 215p.
MCKEOWN, D. M.; HARVEY, W. A., 1987. Automatic knowledge acquisition for aerial image interpretation. Proceedings of VI
Symposium of Processing Image Electronically (SPIE), International Society of Optical Engineering, Bellingham, Washington, D.C.,
USA. 758:144-164.
MCLACHLAN, G. J., 1992. Discriminant Analysis and Statistical Pattern Recognition, 1st edition. John Wiley & Sons, Inc., New York,
USA. 524p.
MEIRVENNE, M. V.; GOOVAERTS, P., 2002. Accounting for spatial dependence in the processing of multi-temporal SAR images
using factorial kriging. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:371-387.
MENGES, C. H.; HILL, G. J.; AHMAD, W., 2001. Use of airborne video data for the characterization of tropical savannas in northern
Australia: the optimal spatial resolution for remote sensing applications. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 22:727-740.
MERTIKAS, P.; ZERVAKIS, M. E., 2001. Exemplifying the theory of evidence in remote sensing image classification. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:1081-1095.
MORISETTE, J. T.; KHORRAM, S.; MACE, T., 1999. Land cover change detection enhanced with generalized linear models.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:2703-2721.
MYINT, S. W., 2003. Fractal approaches in the texture analysis and classification of remotely sensed data: comparisons with spatial
autocorrelation techniques and simple descriptive statistics. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
24:1925-1947.
NAGAO, M.; MATSUYAMA, T., 1979. Edge preserving smoothing. Computer Graphic Image Processing, International Society of
Optical Engineering, Bellingham, Washington, D.C., USA. 9:394-407.
NEBEL, B., 1990. Reasoning and revision in hybrid representation systems. Lecture Notes in Artificial Intelligence, Springer Press,
Berlin, Germany. p.125-136.
OKI, K.; Uenishi, M.; Omasa, K.; Yamura, M., 2004. Accuracy of land cover area estimated from coarse spatial resolution images using
unmixing method. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1673-1683.
ONSI, H. M., 2003. Designing a rule-based classifier using syntactical approach. International Journal of Remote Sensing, Taylor &
Francis Ltd, London, UK. 24:637-647.
PAKZAD, K., 2002. Knowledge based multitemporal interpretation. International Archives of Photogrammetry and Remote Sensing,
Elsevier Science Publishing Co., New York, USA. 34:234-239.
PAL, M.; MATHER, P. M., 2005. Support vector machine for classification in remote sensing. International Journal of Remote Sensing,
Taylor & Francis Ltd, London, UK. 26:1007-1011.
PEARL, J., 1984. Heuristics-Intelligent Search Strategies for computer problem solving. Addison-Wesley Press, New York, USA. 476p.
PODEST, E.; SAATCHI, S., 2002. Application of multiscale texture in classifying JERS-1 radar data over tropical vegetation.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1487-1506.
POTH, A.; KLAUS, D.; VOB, M.; STEIN, G., 2001. Optimization at multi-spectral land cover classification with fuzzy clustering and
Kohonen feature map. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:1423-1439.
QIU, F.; JENSEN, T., 2004. Opening the black box of neural networks for remote sensing image classification. International Journal of
Remote Sensing, Taylor & Francis Ltd, London, UK. 25:1749-1768.
QUINIO, P.; MATSUYAMA, T., 1991. Random closed sets: a unified approach to the representation of imprecision and uncertainty.
Lecture Notes in Computer Science, Springer Press, Berlin. Germany. p.282-286.
RICHARDS, J., 2005. Analysis of remotely sensed data: the formative decades and the future. IEEE Transactions on Geoscience and
Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:422-432.
RICOTTA, C., 2004. Evaluating the classification accuracy of fuzzy thematic maps with a simple parameter measure. International
Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:2169-2176.
RIEDMILLER, M.; BRAUN, H., 1993. A direct adaptive method for faster back propagation learning: the RPROP algorithm.
Proceedings of the International Conference on Neural Networks. San Francisco, California, IEEE Transactions on Geoscience and
Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 32:586-591.
ROSENFELD, A., 1998. Image analysis and computer vision. Computer Vision and Image Understanding, Taylor & Francis Ltd, London,
UK. 70:239-284.
RUMELHART, D.; HINTON, G.; WILLIAMS, R., 1986. Learning internal representations by error propagation. Parallel Distribution
Processing. Explorations in the microstructure of cognition. V.1. Fundations. Edited by D. Rumelhart and J. McClelland, MIT Press.
Cambridge, Massachussetts, USA. p.318-362.
SCHMID, T.; KOCH, M.; GUMUZZIO, J.; MATHER, P. M., 2004. A spectral library for a semi-arid wetland and its application to
studies of wetland degradation using hyperspectral and multispectral data. International Journal of Remote Sensing, Taylor & Francis Ltd,
London, UK. 25:2485-2496.
SCHOLKOPF, B.; SMOLA, A., 2001. Learning with kernels supporting vector machines, Regularization, Optimization and Beyond. MIT
Press, Cambridge Cambridge, Massachussetts, USA. 413p.
SETTLE, J. J., 2005. On the residual term in the linear mixture model and its dependence on the point spread function. IEEE Transactions
on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:398-
401.
SOLAIMAN, B.; KOFFI, R. K.; MOUCHOT, M. C.; HILLION, A., 1998. An information fusion method for multispectral image
classification processing. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of
America, Piscataway, New Jersey, USA. 36:395-406.
STASSOPOULOU, A.; CAELLI, T., 2000. Building detection using Bayesian networks. International Journal of Pattern Recognition and
Artificial Intelligence, Taylor & Francis Ltd, London, UK. 14:715-733.
STEELE, B. M.; REDMOND, R. L., 2001. A method of exploiting spatial information for improving classification rules: application to
the construction of polygon-based land cover maps. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
22:3143-3166.
STILLA, U.; GEIBEL, R.; JURKIEWICZ, K., 1997. Building reconstruction using different views and context knowledge. International
Archives of Photogrammetry and Remote Sensing, Elsevier Science Publishing Co., New York, USA. 32:129-136.
SVORAY, T., 2004. Integrating automatically processed SPOT HRV PAN imagery in a DEM-based procedure for channel network
extraction. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3541-3547.
TATEISHI, R.; SHIMAZAKI, Y.; GUNIN, P. D., 2004. Spectral and temporal linear mixing model for vegetation. International Journal
of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4203-4218.
TENG, C.H.; FAIRBAIRN, D., 2002. Comparing expert systems and neural fuzzy for object recognition in map dataset revision.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:555-567.
THESEIRA, M. A.; THOMAS, G.; SANNIER, C. A., 2002. An evaluation of spectral mixture modeling applied to a semi-arid
environment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:687-700.
TUPIN F.; BLOCH, I.; MAITRE, H., 1999. A first step toward automatic interpretation of SAR images using evidential fusion of several
structure detectors. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America,
Piscataway, New Jersey, USA. 37:1327-1343.
UENISHI, T. M.; OKI, K.; OMASA, K.; TAMURA, M., 2005. A land cover distribution composite image from coarse spatial resolution
images using unmixing method. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 26:871-886.
VAPNIK, V. N., 1995. The Nature of Statistical Learning Theory, Springer-Verlag, New York, USA. 451p.
WANG, L.; SOUZA, W. P., GONG, P., 2004. Integrating of object-based and pixel based classification for mapping mangroves with
IKONOS imagery. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:5655-5668.
WANG, W.; WANG, Y. F.; XUE, Y.; GAO, W., 2004. A new algorithm for remote sensed image texture classification and segmentation.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:4043-4050.
WERBOS, P., 1988. Backpropagation: past and future. Proceedings of the International Conference of Neural Networks, San Diego,
California, IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America,
Piscataway, New Jersey, USA. 26:343-353.
WILKINSON, G. G., 2005. Results and implications of a study of fifteen years of satellite image classification experiments. IEEE
Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey,
USA. 43:433-440.
WITZTUM, E. R.; STOW, D. A., 2004. Analyzing direct impacts of recreation on coastal sage scrub with very high resolution multi-
spectral imagery. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:3477-3496.
WOODCOCK, C. E.; STRAHLER, A. H.; JUPP, D. L., 1988. The use of variograms in remote sensing: II. Real digital images. Remote
sensing of Environment, Elsevier Science Publishing Co., New York, USA. 25:349-379.
WULDER, M. A.; WHITE, J. C.; NIEMANN, K. O.; NELSON, T., 2004. Comparison of airborne and satellite high spatial resolution
data for the identification of individual trees with local maximum filtering. International Journal of Remote Sensing, Taylor & Francis
Ltd, London, UK. 25:2225-2232.
15.1 Introdução
O Sistema de Informações Geográficas (SIG) é um modelo matemático dinâmico construído com um banco de
dados digitais gerenciados para facilitar a atualização e a aplicação dos dados georreferenciados de infinitas camadas
de informação no planejamento e na otimização de uma determinada tarefa. O SIG é empregado na integração e
análise de dados provenientes de fontes dispersas, como imagens digitais de satélites, mapas digitais de usos e tipos
de solo, topográficos, hidrologias, vegetação, floras e faunas, cartas climatológicas, censos socioeconômicos e
outros. Para alcançar seu objetivo de aplicações diversas, a construção de um banco de dados digitais
georreferenciados é crucial. Os processos incluem a escolha, obtenção e armazenagem de dados, de modo
padronizados, em escalas compatíveis para fornecer e facilitar aos usuários a utilização, recuperação e manipulação
das várias camadas de dados para atender suas aplicações especificas.
A principal função de um SIG é armazenar, recuperar, analisar e gerar mapas desejados em um sistema de
software implantado no computador para aprimorar o plano de manejo dinâmico. Debinski, Kindscher e
Jakubauskas (1999) usaram um modelo SIG construído com os dados de Landsat TM para catalogar os habitats de
flora e fauna dos ecossistemas do Parque Nacional de Yellowstone nos Estados Unidos e o utilizaram para previsão
das espécies a serem encontradas nos hábitats. O Departamento de Pesca e Jogos Esportivos do Estado da Califórnia,
USA, apresentou os atlas da biodiversidade do Estado empregando a técnica de SIG para geração do mapa de
espécies em extinção (<http://atlas.dfg.ca.gov/>, 2005). Os mapas de base cartográfica, que freqüentemente são
usados na construção de modelo SIG, constituem diferentes tipos de dados geográficos, como imagens digitais de
satélites, mapas de usos do solo, vegetação e modelos numéricos de terreno com seus atributos definidos nas tabelas
de cada mapa temáticos. Portanto, um SIG é formado por interface com o usuário, entrada e integração de dados
gráficos e tabulares, funções de processamento gráfico e de imagens, visualização e plotagem de dados geográficos.
Resume-se a seguir a estrutura de um SIG, que inclui processamento de dados, modelo estático e modelo dinâmico,
construído com a integração dos dados dinâmicos espaciais e temporais por meio da modelagem dos processos
físicos e matemáticos.

Os três componentes do modelo SIG:

a) processamento de dados:
a1 – entrada de dados digitais;
a2 – georreferenciamento de dados;
a3 – quantificação e geração de geo-objetos pontuais em matricial;
a4 – geração de mapas temáticos;
b) construção de modelo estático:
b1 – seleção de atributos;
b2 – geração de índice de cada atributo;
b3 – assinar pesos de cada atributo;
b4 – geração de mapa de índice de cada tema específico;
c) Construção de modelo SIG dinâmico:
c1 – geração da equação matemática, para cada índice de termo específico, em função do tempo e outras
variáveis independentes;
c2 – projeção de cada índice temático para 10, 20 e 50 anos;
c3 – análise de modelos alternativos de acordo com a projeção do tempo;
c4 – seleção dos modelos adequados;
c5 – geração de mapa temático dinâmico;
c6 – validação e avaliação do desempenho dos modelos alternativos com o tempo após a implantação.

Neste capítulo, os tipos de dados digitais para a construção dos modelos SIG são apresentados. Exemplos das
construções de vários modelos de SIG, incluindo um modelo de previsão de cota do rio da bacia hidrográfica, um
modelo de plano de expansão urbana, um modelo de manejo para uma unidade de conservação e um modelo de
plano de desenvolvimento sustentável regional, são citados para demonstrar a potencialidade da aplicação do SIG.

15.2 Tipos de dados em SIG

No banco de dados de um SIG, cinco tipos de dados são gerados: mapas temáticos, mapas cadastrais, redes,
imagens e Modelos Numéricos de Terreno (MNT) ou Digital Elevation Model (DEM) e Digital Terrain Model
(DTM).

a) dados temáticos: representação matricial ou vetorial;

b) dados cadastrais: pontos georreferenciados com coordenadas vetoriais e seus atributos no banco de dados;
c) redes: forma em linhas vetoriais georreferenciadas com a topologia em arco-nó e seus atributos no banco de
dados;
 d) imagens de sensoriamento remoto: imagens digitais georreferenciadas;
e) modelos numéricos de terreno: DEM em grades retangulares com representação matricial ou grades
triangulares com representação vetorial e a topologia arco-nó ou isolinhas ou representação vetorial sem
topologia.

Um mapa no SIG consiste de dados espaciais apresentados por um mapa geográfico georreferenciado com
uma determinada projeção e dados de atributos tabelados. Dados espaciais no SIG incluem dados de geo-campos e
geo-objetos (figura 14.6, veja Capítulo 14). Os dados de geo-campos são apresentados pelas isolinhas com variações
espaciais continuas das áreas ocupadas por tema, tais como relevo, isolinhas de precipitação e temperatura e modelos
numéricos de terreno. Os dados de geo-objetos têm atributos não espaciais apresentados pela tabela e são associados
a uma área ou um ponto específico no gráfico. Os mapas cadastrais e redes, como localidade de escola, fazendas e
redes de drenagens de uma bacia hidrológica, são dados do tipo geo-objetos porque cada elemento é um objeto
geográfico, possuindo atributos específicos associados a várias representações gráficas.
Para gerenciar o banco de dados, vários softwares comerciais estão disponíveis, como ArcView, ERDAS,
ENVI e dominós públicos, tais como SPRING. Isto facilita a preparação de base de dados no Sistema de
Gerenciamento de Banco de Dados (SGBD). Esses programas geralmente integram as informações geográficas no
banco de dados, relacionando os atributos convencionais dos objetos geográficos na forma de tabelas e arquivos. Os
dados são organizados na forma de uma “tabela” em que as “linhas” correspondem aos geo-objetos e as “colunas”
correspondem aos “atributos”. Cada atributo não-espacial é assinado um identificador único ou rótulo, por meio do
qual é feita a ligação lógica com sua respectiva representação gráfica.

15.3 Modelo digital de elevação

Os dados de DEM são fundamentais para a construção de modelos de SIG aplicados no planejamento e
gerenciamento dos recursos ambientais. Os dados de elevação com alta resolução coletados pelos métodos
convencionais, como levantamento topográfico com teodolitos e DGPS, são de alto custo e demorados. As novas
técnicas de Interferometria SAR, aplicadas para geração de cartas topográficas, são mais rápidas na coleta e
processamento de dados com baixo custo.
Recentemente, ocorreu uma missão sem precedentes na história do sensoriamento remoto. O ônibus espacial
Endeavour (Space Shuttle Endeavour) orbitou o globo por 11 dias durante o período de 11 a 22 de fevereiro de 2000,
realizando a Missão Topográfica por Interferometria SAR (Shuttle Radar Topographic Mission – SRTM). Os dados
gerados foram coletados pelo sensor de varredura lateral da banda C do SAR. A missão SRTM é o resultado de uma
colaboração entre a National Aeronauticis and Space Administration (NASA), National Imagery and Mapping
Agency (NIMA), German Space Agency (DLR) e Italian Space Agency (ASI), com o objetivo de gerar um modelo
digital de elevação da terra usando Interferometria por Radar. O instrumento SRTM consiste de um equipamento
espacial de Radar Banda C modificada com um mastro e uma antena adicional para formar um interferômetro com
60 metros de distância em relação à base.
Essa missão gerou um banco de dados do DEM do globo inteiro, considerado o mais completo sobre a
topografia do planeta Terra cobrindo 80% das áreas emersas da terra entre 60° N e 56° S. Aproximadamente 12,4
Terabytes de dados brutos (mais de 20 mil CD-ROMs) foram coletados na missão SRTM. Toda a base da SRTM é
constituída na forma de imagens de pixels de duas resoluções espaciais variando 1 arco-segundo (0,0002777 graus
ou cerca de 30 m no equador) a 3 arcos-segundos (0,0008333 graus ou cerca de 90 m). A missão SRTM produziu
uma grade ponto com acurácia horizontal de 30 m (podendo chegar a 20 m, dependendo da latitude) e com acurácia
vertical de 10 m (podendo chegar a 4 m). Isto significa que objetos com o tamanho de 30 m em diâmetro e de 10 m
de altura são registrados pelo Interferômetro SAR do SRTM.
Os dados de 3 arcos-segundos dos continentes americanos, incluindo Norte e Sul, ficam disponíveis sem
restrições de uso ou acesso e sem custo. Esses dados são reajustados para aplicações na escala de 1:100.000 ou
superior. Os dados de 1 arco-segundo ficam disponíveis restritamente à comunidade por meio de solicitação à
NASA. Os websites,para acessar os dados do SRTM, são:

•  <http://www.jpl.nasa.gov/srtm/southAnerica_radar_images.html>;
•  <http://www.srtm.usgs.gov>;
•  <http://www.seamless.usgs.gov> (Seamless Data Distribution System Viewer) – ferramenta para
visualização e download interativo dos dados;
•  <http://glcf.umiacs.umd.edu/data/srtm/desc.shtml1>.
 Citam-se alguns exemplos da aplicação do DEM no SIG a seguir. Srivastava, Tripathi e Gokhale (1999)
analisaram as geometrias de aqüíferos e bases topográficas na região de Graben, Índia, aplicando o SIG que integra o
DTM, as imagens de satélites e um sistema integrado de informações de água e solo. Localizaram as condições
geohidrológicas subterrâneas que estavam intimamente ligadas às feições geomorfológicas da superfície e
aperfeiçoaram o entendimento da geometria exata dos aqüíferos subterrâneos.
Yang (1999) usou as imagens do Landsat TM e DEM gerenciado por SIG para produzir o mapa
geomorfológico da delta do rio Amarelo na China, com uma área de 3.000 km2 com 2 m abaixo do nível do mar.
Concluiu que o modelo SIG pode ser usado para monitoramento da evolução dinâmica do ambiente do delta desse
rio. A topografia da superfície terrestre pode ser gerada pelos dados de interferômetro adquiridos por SAR
empregando o conteúdo da fase nas imagens SAR.
Sansosti et al. (1999) apresentaram um algoritmo para gerar um DEM de acurácia baseado na combinação das
linhas bases largas dos interferogramas gerados por dois modelos DEM utilizando os dados dos interferômetros de
um par do SAR ERS 1 e ERS 2 durante as duas passagens, incluindo uma órbita ascendente e outra descendente. A
vantagem da combinação dos dois DEM é a redução de erros de fase e efeito da conversão da curvatura da
superfície. O método foi aplicado para gerar um DEM da região do vulcão Etna na Itália com um erro de desvio-
padrão de 14 m.
Ricchetti (2001) usou as técnicas de fusão que integram as imagens de ERS SAR e Landsat TM aplicando o
DEM e o SIG para aperfeiçoar as interpretações dos limites litológicos e reconhecimento das feições estruturais.
Akman et al. (2001) utilizaram o DTM para investigar as feições topográficas, tais como movimento tectônico,
altitude, litologia e falhas no oeste da Turquia e contestaram que o DTM era muito eficiente para análise de
estruturas geológicas. Toutin (2004) apresentou a geração de Digital Subface Model (DSM), que é um DEM de 3-D,
baseado nas imagens de estéreo na trilha do satélite QuickBird usando um modelo físico multissensor de 3D
(tridimensional) desenvolvido pelo Centro de Sensoriamento Remoto do Canadá. Primeiro, o ajustamento de feixes
fotogramétricos estéreos foi estabelecido pelos dez pontos de controle terrestre de acurácia, e os erros de 1 a 2 m nos
três eixos foram obtidos com os 48 pontos independentes para checagem. O DSM foi gerado usando um método de
casamento da imagem multiescala em uma determinada área de base e uma ferramenta semi-automática para editar
em 3D. O DSM gerado foi comparado ao DEM gerado pelo LIDAR que possue uma acurácia de 0,2 m. Usou a
classificação de 3D visual para classificar as imagens estéreos do QuickBird. Observou que a acurácia do DSM
depende das diferentes classes de usos do solo. As superfícies de solo nu e água têm uma acurácia de 0,5 a 1,3 m e
as florestas mistas e florestas esparsas e edifícios urbanos têm a acurácia entre 3,4 e 6,7 m. Smith e Fuller (2001)
integraram o DEM com as imagens de evoluções temporais e espaciais do Landsat TM, IRS 1C e SPOT HRV
gerenciado pelo SIG para classificação de usos do solo da Ilha de Jersey, Inglaterra. Cuartero, Felicíssimo e Ariza
(2005) compararam as acurácias dos dados de elevação dos modelos DEM gerados por SPOT 5 HRV e TERRA
ASTER usando os dados de pontos de controle obtidos em campo pelo DGPS. Observaram que o valor do desvio-
padrão do DEM de 7,3 m foi obtido para o SPOT 5 HRV e de 13,0 m para o TERRA ASTER.

15.4 Modelagem dinâmica

Os modelos de reapresentação de um mundo real geralmente usam as representações matemáticas.
Dependendo do fundamento matemático empregado para a formulação, os modelos são divididos em dois tipos:
estocásticos e determinísticos. Os modelos estocásticos são estatísticos baseados nas probabilidades de ocorrência
dos eventos que incluem modelos de Cadeia Markoviana, Logísticos de Difusão, Regressão e Filtragem. Os modelos
determinísticos são baseados nos processos físicos que descrevem as inter-relações dinâmicas em espacial e
temporal pelas equações matemáticas. Não existe um tipo de modelo único para modelar todos os fenômenos
espaciais dinâmicos do mundo real. A seleção de um modelo ideal para cada caso deve considerar as respostas a
“porque”, “onde” e “quando” de cada fenômeno que ocorre, por meio da integração das escalas temporal e espacial
representadas no SIG para descrever o fenômeno e prever sua evolução. A tendência de fusão das várias fontes de
dados adquiridos via satélite, incluindo várias resoluções espectrais, temporais e espaciais, os mapas de base
cartográfica, incluindo DEM e informações geomorfológicas e geográficas gerenciados pelos modelos do SIG,
avança rapidamente na otimização dos planos de gerenciamento de recursos naturais. Vários modelos são
apresentados a seguir.

15.4.1 Modelo de cadeia Markoviana

Modelos de Cadeia Markoviana de primeira ordem são modelos estocásticos que descrevem a probabilidade
de ocorrência determinada pela probabilidade do período do tempo anterior (t-1) e do tempo presente (t).
Por exemplo, determinar as quatro probabilidades de duas semanas de chuva semanal menor que 20 mm por
semana no mês de abril, usando os dados de chuva semanal de abril do período de 1981 a 1990 da tabela 15.1.
Processo para calcular probabilidades condicionais:

Pdd = 10/(30)=0,3333
Pdw =6/30=0,2
Pww=3/30 = 0,1
Pwd = 11/30 = 0,3667.

Em que:
d representa dry, que é a probabilidade de chuva semanal menor que 20 mm por semana;
w representa wet, que é a probabilidade de chuva semanal maior que 20 mm por semana.

A probabilidade total dos quatro casos da ocorrência de chuva em duas semanas seguidas são Pdd+Pdw+Pww+Pwd
=1,00.
Tabela 15.1 - Chuva semanal em mm de abril no período de 1981 a 1990.

Na representação espacial, os modelos de Cadeia Markoviana são apresentados pela matriz do estado do
sistema no tempo t e a matriz do estado do sistema de tempo t-1. Essas matrizes de transição representam a
possibilidade de um determinado estado i permanecer o mesmo ou mudar para o estado j durante o intervalo de
tempo t−1 e tempo t. As probabilidades de transição são determinadas com as probabilidades do tempo t e t-1. O
Modelo de Cadeia Markoviana de primeira ordem depende apenas do seu estado presente e das possibilidades de
transição (SOARES FILHO, 1998). As probabilidades de transição não mudam com o tempo, o que o caracteriza
como um processo estacionário. As principais vantagens dos modelos de Cadeia Markoviana são as facilidades nas
aplicações dos dados provenientes de sensoriamento remoto e nas implementadas em SIG. As principais limitações
incluem os estados estacionários que impedem a propagação dinâmica espacial e também não podem incluir outras
variáveis exógenas, tais como variáveis socioeconômicas ou outras forças dirigidas, embora essa limitação possa ser
superada (LAMBIN, 1994).

15.4.2 Modelos logísticos de difusão

Modelos logísticos de difusão são usados para representar a taxa de mudança lenta no inicio, aumentando sua
taxa até saturação em tempo infinito que é representado pela equação (15.1).

Em que:  
dM/dt = a taxa de mudança de uma variável;
r = taxa do crescimento;
C = uma função do crescimento;
M = quantidade inicial.
 o

Como o aumento da população, por exemplo; r é a taxa de crescimento e C uma função de crescimento
(LAMBIN, 1994). Os modelos de difusão enfatizam a velocidade do processo e permitem a inclusão de variáveis
relacionadas com as causas do fenômeno. Soares Filho (1998) listou os principais elementos de um modelo espacial
de difusão:

a) propriedades do meio ambiente (isotrópico ou heterogêneo);

b) tempo (contínuo ou estático);
c) elemento a ser difundido (material, pessoas, informação, poluição);
d) locais de origem;
e) locais de destino;
f) caminhos a serem percorridos.

As evoluções temporais desses elementos podem ser descritas pelas equações matemáticas através de um
mecanismo em que se pode identificar quatro estágios:

a) inicial – nesse estágio tem início o processo de difusão;

b) de difusão – tem início o processo de espalhamento;
c) de condensação – diminui o ritmo do espalhamento;
d) de saturação – ocorre a desaceleração ou encerramento do processo de difusão.

O processo de espalhamento em modelos de difusão pode ser a expansão ou reposicionamento. Nos modelos
de difusão por expansão, o elemento se espalha de uma região para outra, permanecendo na região original. Nos
modelos de difusão por reposicionamento, o elemento se move para outras regiões, abandonando a área original
(SOARES FILHO, 1998). Modelos de difusão só simulam os processos de espalhamento do elemento, não explicam
as causas do espalhamento, embora possam integrar variáveis ecológicas e socioeconômicas. Sua maior contribuição
está na previsão do comportamento futuro do fenômeno. Quanto à dimensão espacial, o modelo em si não prevê a
propagação espacial, mas ela pode ser introduzida pela integração desse modelo com outro SIG (LAMBIN, 1994).

15.4.3 Modelo de regressão

O modelo de regressão múltipla linear é um processo de obter uma combinação ótima das variáveis
independentes que têm alta correlação com a variável dependente e obter um modelo geral linear para estimar e
prever um evento desejado. Geralmente, os processos de Stepwise disponíveis no software Statistical Analysis
System (SAS) são usados para a construção do modelo. Um modelo linear geral é apresentado pela equação (15.2).

Em que:  
y = variável dependente que será estimada;
Xi = variáveis independentes;
ai = a0, a0,.... ai são os constantes obtidos pela regressão;
E = componente de erro.

Por exemplo, na construção de um mapa de isolinhas de temperatura máxima mensal com os dados pontuais
limitados, a técnica de regressão linear múltipla pode ser usada. A temperatura mensal máxima estimada é uma
variável dependente em função das variáveis independentes, como latitude, longitude, altitude, fator mensal do
comprimento do dia e outros. A temperatura do ar pode ser estimada pelos dados de NOAA AVHRR bandas 4 e 5
também. Reis e Margulis (1991) apresentaram um modelo de desmatamento da Amazônia em função da densidade
espacial de população, áreas cultivadas, distância de centros urbanos e proximidade de rodovias, entre outras
variáveis. Lambin (1994) construiu um modelo de regressão para projeção da taxa de desmatamento espacial em
função do crescimento das atividades de colonização, agricultura e pecuária entre 1980 e 1985. Morisette, Khorram
e Mace (1999) usaram modelos lineares gerais General Linear Models (GLM) para estimar os impactos de
variabilidades climáticas para os pixels específicos e as imagens inteiras que requerem a boa correlação dos dados
geográficos.
15.4.4 Autômatos celulares

Conway apresentou um filtro para determinar as ocorrências de morte e vida no seu livro chamado o Jogo da
Vida (The Game of Life) em 1982 (ROY; SNICKARS, 1996). Conway desenhou uma grade de células assinadas
morte ou vida por acaso. Dado um estado inicial aleatório, a cada geração, novas células nascem e algumas morrem.
O que determina o estado de vida ou morte de uma célula são suas quatro células vizinhas Uma célula viva morre se
tiver duas ou três células vizinhas mortas. Por outro lado, uma célula morta renasce se tiver três células vizinhas
vivas. Esse sistema deu grande popularidade aos conceitos de autômatos celulares, que foram inicialmente
apresentados por John Von Newmann (ROY; SNICKARS, 1996). Essa técnica de filtragem é chamada de filtragem
pela moda. Existem várias técnicas de filtragem no processo de classificação de imagens, incluindo moda, mediana e
krigagem, apresentadas no Capítulo 14. Nos últimos anos, o conceito de autômatos celulares tem sido utilizado para
modelar fenômenos físicos e urbanos (BATTY, 1999; BURROUGH, 1998; ROY; SNICKARS, 1996; ENGELEN,
1995; CÂMARA, 1996).

15.4.5 Modelo de simulação

Os modelos de simulação são fundamentados nas equações matemáticas que descrevem o mundo real pelos
processos físicos. Um programa chamado PCRaster é um software de modo matricial que oferece um conjunto de
ferramentas para calcular evolução dinâmica espacial e temporal, aplicando as funções de dispersão espacial e
transporte sobre redes topológicas por meio de um conjunto de métodos geoestatísticos para interpolação e
simulação espacial. O PCRaster gera os resultados de forma dinâmica em 2 ou 3D. Pode ser aplicado para simular o
escoamento de água da chuva em uma bacia. Os dados de DEM, precipitação e balanço hídrico são calculados para
cada pixel de uma determinada bacia. A partir do DEM é gerada a rede Local Drainage Direction (LDD), que é a
rede de drenagem por onde o excesso de água é drenado ao pixel mais baixo. O excesso hídrico é calculado pela
equação de balanço hídrico. Toda a água, que excede a soma total da capacidade máxima de armazenamento de água
no solo e a perda de água pela evapotranspiração máxima, é quantificada como o escoamento superficial do pixel.
Para determinar o padrão espacial do processo de infiltração, um mapa de solos da área em estudo tem que ser
fornecido. A partir desses dados, o programa é executado, gerando um conjunto de mapas resultantes.

15.4.5.1 Modelo de estimativa de fluxos de escoamento superficial e drenagem subterrânea de uma

bacia hidrográfica.

Na análise dos dados de cota registrados na estação hidrológica de Ladário, 20 km a leste do município
Corumbá, MS, observou-se que a cota máxima mensal ocorre no mês de abril nos anos chuvosos e no mês de julho
nos anos secos (LIU; AYRES, 2005). Isto porque a velocidade de escoamento superficial (Qes) é mais veloz que o
fluxo de drenagem subterrânea (Qdr) no ano chuvoso, o que contribui com a maior parte da cota máxima, e no ano
seco, o Qdr contribui com maior parte da cota. Nota-se que Qdr inclui uma mistura dos efeitos de movimento de
água nas condições de solo saturados e não-saturados. Por outro lado, a cota mínima mensal, na maioria das vezes,
ocorre no mês de novembro e pouco em dezembro. O fluxo de água subterrânea na estação seca (quase sem chuva
nos meses de junho a agosto) é a principal fonte de água que contribui para a cota. Portanto, a chuva pode ser
decomposta em três componentes: Qes, Qdrsa (Qdr no solo saturado) e Qdrno (Qdr no solo não-saturado). Os
valores limiares de Qes, Qdrsa e Qdrno podem ser obtidos pelas cotas médias mensais de abril, julho e novembro,
respectivamente da estação fluviométrica de Ladário. Teoricamente, o modelo pode ser programado para atender os
cálculos desses três fluxos.
Um programa PCRaster na simulação de balanço hídrico de uma bacia hidrográfica é organizado em cinco
seções: ligação, mapeamento, tempo, inicial e dinâmica. Esse programa pode ser obtido pela Internet, disponível em:
<http://www.pcraster.nl/>. Na seção ligação, são definidas as ligações entre as variáveis do programa e os arquivos.
Essas ligações têm dupla direção, tanto podem determinar que as variáveis sejam gravadas nos arquivos
especificados (caso em que é executado um comando reporte na seção dinâmica), como podem apenas indicar que as
variáveis recebam valores provenientes dos arquivos especificados. Depois, na seção de mapeamento, deve ser
definido o formato geral dos mapas do modelo. Todos os mapas utilizados em um modelo devem ter o mesmo
tamanho, localização geográfica e resolução. Na seção de tempo, o domínio de tempo do modelo é definido por uma
declaração que fornece os tempos inicial e final da execução do modelo, bem como o intervalo ou passo em que esse
tempo deve variar ao longo da execução do modelo. A seção inicial é utilizada para as variáveis do programa. Essa
seção deve acontecer antes da primeira execução da seção dinâmica. A seção dinâmica é a parte principal de um
programa PCRaster. Descreve as mudanças temporais das variáveis ou mapas do modelo. A principal característica
dessa seção é ser iterativa, isto é, repetida, do início ao final, para todo o intervalo de tempo definido na seção
tempo. Um mapa de precipitação que assina um valor de precipitação para cada pixel e um mapa de declividade
devem ser gerados para o modelo. Depois calcular a preceituação, pode-se facilmente aplicar o programa anterior
para calcular a precipitação total em m3/s.
As versões recentes dos modelos Water Analysis Simulation Program (WASP), Total Maximum Daily Loads
Toolbox (TMDL), Qualidade version 2k (QUAL2k) e Regional Vulnerability Assessment Model (ReVA)
desenvolvidos pela Environmental Protectio Agency (EPA), USA podem ser aplicados para gerar os métodos
alternativos do gerenciamento dos recursos hídricos e do desenvolvimento sustentável de uma determinada bacia
hidrográfica. Os modelos são divulgados pela Divisão de Ciência e Tecnologia da Agência de Meio Ambiente dos
Estados Unidos (Office of Science and Technology, Environmental Protection Agency). Um modelo de SIG é
aplicado na otimização do manejo de qualidade de água das fontes pontuais e não-pontuais de uma bacia
hidrográfica e geração e avaliação dos métodos alternativos de manejo no desenvolvimento sustentável de uma
determinada bacia hidrográfica. O modelo ReVA é construído pelo software ArcView 8.3 que integra os conjuntos
dos dados principais ambientais, fornecendo as funções de uso de dados, análises espaciais e geração de mapas. Isto
facilita aos usuários visualizarem, explorarem, adquirirem dados e desempenharem as análises hidrológicas de uma
bacia inteira ou suas sub-bacias individuais com interesses específicos. Os modelos da EPA e os manuais de uso
estão disponíveis em: <http://www.epa.gov>.

15.4.5.2 Modelo dinâmico de processos urbanos

Na modelagem dinâmica de processos urbanos, os autômatos celulares são usualmente utilizados para modelar
os usos do solo. Tradicionalmente, autômatos celulares são implementados segundo critérios estritamente locais, isto
é, a dinâmica de aplicação das regras de transição, baseando-se principalmente na vizinhança de uma célula.
Entretanto, em muitos casos de processos urbanos, a função de transição deve levar em conta diferentes fatores,
incluindo: os efeitos da vizinhança, a qualidade do solo (fator ambiental), as taxas demográficas da região (fator
social), a demanda por uma determinada atividade econômica e o comportamento dos agentes econômicos. A
modelagem dinâmica de processos urbanos tem duas aplicações diferentes. A primeira consiste em uma aplicação
baseada nos princípios básicos de autômatos celulares, proposta por Roy e Snickars (1996). A segunda aplicação,
chamada Modelo Multiescala Integrado (ENGELEN, 1995), apresenta uma estrutura sofisticada, capaz de integrar as
variáveis socioeconômicas e ambientais de sistemas urbanos.

• Vida urbana

Em uma tentativa de estudar a aplicabilidade de autômatos celulares na dinâmica urbana, Roy e Snickars
(1996) implementaram o SIG chamado Citylife, baseado na teoria de jogo da vida (The Game of life). No Citylife, o
espaço é representado como uma grade regular de células em que cada célula representa uma unidade do espaço
ocupada por alguma atividade urbana típica, por exemplo: área verde, residencial e comercial. Cada célula no
sistema tem uma atratividade para cada tipo de atividade urbana definida pela função específica. A partir de um
estado inicial e um conjunto de regras de transição, o sistema cresce espacialmente.
O número de células de uma atividade específica depende do número de células do estado inicial. Por
exemplo, se no estado inicial são alocadas duas células para áreas verdes, três células para área comercial e quatro
células para áreas residenciais, a cada geração o sistema alocará mais duas células para a área verde, mais três
células para a área comercial e quatro células para a área residencial. O critério para seleção de uma célula alocada a
cada atividade é o grau da atratividade para uma atividade específica que seleciona a célula com maior atratividade.
Do mecanismo de expansão do Citylife depende a evolução temporal que é a difusão em função do tempo e da
atratividade espacial que seleciona a célula a que pertence (ROY; SNICKARS, 1996).

• Modelo multiescala integrado

Os fatores socioeconômicos são inerentes ao planejamento urbano. Na literatura recente, verifica-se uma
tendência de propostas de extensões ao modelo de autômato celular clássico, visando a integrar fatores ambientais e
socioeconômicos, para representar a dinâmica espacial de fenômenos urbanos. Engelen (1995) apresentou uma
estrutura de modelagem dinâmica de suporte à decisão em uma variedade de escalas. Essa estrutura é constituída de
macro e microescalas. Na macroescala estão representadas as variáveis ecológicas e socioeconômicas que afetam o
sistema como um todo. A microescala representa a dimensão espacial do modelo. A macroescala possui três
subsistemas: natural, econômico e social. Esses subsistemas são conectados por meio de uma rede de influência
mútua e recíproca. O subsistema natural representa condições ambientais, como temperatura, precipitação e
poluição. O subsistema social inclui dados demográficos, como nascimentos, morte e migração. O subsistema
econômico é determinado pelas mudanças previstas no subsistema natural e pelas demandas sociais. O modelo gera
as previsões, como a demanda por mais células residenciais quando a população aumenta. A microescala consiste
em um autômato celular sobre o qual são aplicadas regras de transição para calcular as mudanças no uso do solo. Por
exemplo, os impactos de mudanças climáticas em uma ilha do Caribe. Nesse exemplo, a macroescala inclui no
subsistema natural apenas mudanças climáticas; no subsistema social, inclui dados relativos à população,
nascimentos e mortes e no subsistema econômico, as demandas geradas a partir da interação desse subsistema com
os demais. Do aquecimento global resulta o aumento do nível do mar que tem impacto na diminuição de área
disponível para praia na ilha. A redução da área das praias e mangue resultou no aumento dos preços dos terrenos e
na diminuição das atividades turísticas. Esses dados estão disponíveis em site do Research Institute for Knowledge
Systems (RIKS) <http://www.riks.nl>.

15.5 SIG no desenvolvimento sustentável da bacia do rio

Miranda
Nesta seção, são apresentadas a metodologia e alguns resultados de aplicação de SIG ao desenvolvimento
sustentável da Bacia do Rio Miranda (BRM), desenvolvida por Liu et al. (2005a). As evidências de degradações
ambientais na BRM, causadas pelas explorações inadequadas dos recursos naturais, são freqüentemente encontradas
nas regiões em rápida expansão das atividades humanas. A elaboração de um plano adequado para o
desenvolvimento socioeconômico em harmonia com a natureza da BRM, que possui uma área de 44.740 km2 de
extensão, envolvendo 23 municípios, é uma tarefa bastante desafiante. A figura 15.1 mostra o limite da BRM. Para
diminuir o risco de contaminação e degradação do ambiente e mesmo para conservar e recuperar devem-se planejar
as estratégias adequadas para manejo dos conflitos de benefícios econômico e ambiental, conservação e reabilitação
do solo e qualidade da água. Os objetivos desse projeto são designados para o desenvolvimento dos métodos
alternativos de gerenciamento da Bacia do Rio Miranda projetando os desenvolvimentos socioeconômicos
sustentáveis nos futuros 20 a 50 anos, aplicando o programa de simulação da análise da qualidade da água, incluindo
QUAL2k, WASP e o kit TMDL que integra os modelos de simulação hidrológica, gerenciamento de bacia
hidrográfica e SIG, desenvolvidos por Watershed and Water Quality Modeling Technical Support Center, EPA,
Athens, George, USA (<http://www.epa.gov/athens/wwqtsc/index.html>) e o ReVA modelo desenvolvido pelo
Laboratório Nacional de Pesquisa chamado NERL/EPA (National Exposure Research Center)
(<http://www.epa.gov/reva/index.htm>) para testar e avaliar os sistemas alternativos de manejo da BRM, visando ao
desenvolvimento socioeconômico, à conservação e à recuperação das áreas degradadas e ao controle da qualidade da
água. Uma harmonia entre os interesses socioeconômicos e a conservação do meio ambiente será alcançada após os
governos locais e as populações adaptarem-se aos sistemas adequados de desenvolvimento sustentável.
As informações e os dados socioeconômicos e os das propriedades físicas e químicas ambientais da BRM são
necessários para rodar os modelos do TMDL. A técnica do SIG é aplicada para delineamento das áreas de conflito
da BRM por meio da comparação do mapa da potencialidade de recursos naturais gerado pelo modelo de
Zoneamento Ecológico Econômico (ZEE), baseado no mapa de índice do risco da suscetibilidade de erosão (ISE) e
mapa de zoneamento ecológico econômico com o mapa de usos atuais do solo classificado pelas imagens digitais do
Landsat 7 ETM+. O mapa de potencialidade de usos do solo é baseado nos mapas ISE e do zoneamento ecológico
econômico. As áreas de usos de solo inadequados (áreas de conflito) são delineadas como as áreas prioritárias para
recuperação, conservação e preservação. Os mapas de potencialidade de usos do solo, custo da conservação
ambiental, valor de desenvolvimento socioeconômico e áreas de conflitos servirão para auxiliar a elaboração dos
planos alternativos de manejo para o desenvolvimento socioeconômico regional sustentável com a preservação
ambiental para a BRM, aplicando-se os modelos do TMDL. As informações referentes aos aspectos físicos,
biológicos, sociais, institucionais e econômicos e a legislação e gestão dos recursos hídricos da BRM apresentadas
por Mendes (2004) são consultadas para consolidar o plano do desenvolvimento sustentável da BRM.
 Figura 15.1 – Limite da Bacia do Rio Miranda que envolve 23 municípios do Estado de Mato Grosso do Sul (as áreas coloridas),
Brasil. Fonte: (LIU, et al., 2005a).

15.5.1 Objetivos

-    Aplicações dos modelos do kit TMDL da simulação hidrológica, WASP, QUAL2K, e ReVA e do SIG
desenvolvidos pela EPA, Technical Support Center at Athens, Geórgia e Regional Vulnerability Research
Center, Office of Research Development, Research Triangle Park, SC, USA, para desenvolvimento dos
métodos alternativos do gerenciamento da BRM.
-    Aplicação das técnicas de SIG para delineamento das áreas de conflito da BRM pela comparação do mapa
da potencialidade de recursos naturais gerado pelo modelo de risco da suscetibilidade de erosão e modelo
de zoneamento ecológico econômico com o mapa de usos atuais do solo classificado pelas imagens digitais
do Landsat 7 ETM+.
-    Avaliar a evolução temporal de usos do solo nos últimos 40 anos para verificar impactos ambientais e
socioeconômicos e gerar as informações para a educação ambiental.
-    Avaliar os sistemas alternativos de manejo da BRM com a projeção de 20 a 50 anos pela simulação com os
modelos TMDL e ReVA;

15.5.2 Introdução

A BRM em Mato Grosso do Sul evidencia sintomas de degradação acelerada de solo e água, havendo a
necessidade imediata de uma evolução para uma produção agropecuária mais sustentável. Uma característica
peculiar da BRM é a incidência de condições hidrogeológicas associadas a rochas carbonatadas solúveis, que
provocam a existência de cavernas subterrâneas, cujo potencial espeleológico é motivo de atividades econômicas
vinculadas ao ecoturismo. O crescente desenvolvimento econômico vinculado ao turismo está diretamente
relacionado com os recursos hídricos, constituindo, todavia, um ambiente suscetível à alteração da qualidade da água
subterrânea, se não houver um controle adequado das atividades agropecuárias e turística do entorno.
Vários estudos foram feitos para avaliar a severidade de erosão da Bacia do Alto Paraguai (BAP) por meio de
vários projetos financiados pelo Global Environmental Facilities (GEF)/ Agência Nacional de Águas (ANA)/
Organizaçao dos Estados Americanos (OEA). A maioria dos projetos utilizam os mapas cartográficos em escala
1:250.000 disponíveis pelo Plano de Conservação da Bacia Alto Paraguai, (PCBAP, 1997) e mais recentemente em
2002 a 2004 pelo Consórcio de Desenvolvimento das Bacias dos Rios Miranda e Apa/Sector de Recursos
Hídricos/Ministério de Meio Ambiente (CIDEMA/SRH/MMA) e WWF-Brasil (MENDES, 2004). Essas
informações referentes aos aspectos físicos, biológicos, sociais, institucionais e econômicos e a legislação e gestão
dos recursos hídricos da BRM podem ser consultadas para consolidar o plano do desenvolvimento sustentável da
BRM. Recentemente, a técnica de SIG é largamente empregada para gerenciar os dados de informações geográficas
que facilita a construção de um modelo que integra os impactos dos fatores físicos e químicos ambientais na
estimativa da potencialidade de usos de recursos naturais em uma bacia hidrográfica. Para desenvolvimento de um
plano de manejo adequado da BRM, o conhecimento profundo dos meios físicos e dos recursos naturais são
fundamentais. As principais causas da erosão são os usos inadequados do solo. Os fatores que causam a erosão,
incluindo tipo de solo, declividade, tipo de vegetação e intensidade da chuva, são usados para construir o modelo
ISE/SIG. A potencialidade de usos do solo é avaliada pelas riquezas dos recursos ambientais e pelas restrições de
usos por causa do alto risco da degradação ambiental. A aplicação do modelo de ISE e do zoneamento ecológico
econômico na avaliação da potencialidade de recursos naturais é uma pesquisa nova que usa o SIG disponível no
software ArcView GIS. Portanto, a contribuição do método desenvolvido nessa pesquisa é significante no avanço
científico. O método desenvolvido pode ser aplicado para outras regiões além da BAP. Em seguida, apresenta-se a
metodologia e alguns resultados que foram gerados, incluindo mapas de topografia, hidrografia, usos do solo e
índice de suscetibilidade.

15.5.3 Metodologia

As informações das características ambientais da BRM, incluindo topografia, redes de drenagem, clima, solo,
biologia, geologia, geomorfologia, água e vegetação, foram apresentadas por Mendes (2004), por causa de os mapas
cartográficos digitais apresentados pelo Projeto CIDEMA/SRH/MMA/WWF-Brasil serem em escala de 1:250.000,
baseados nos mapas gerados pelo PCBAP (1997), o projeto usou os mapas digitais de topografia, rede de drenagem
e usos do solo em escala de 1:100.000 gerados pelo projeto do GEF 9.4A “Atualização da Base Cartográfica da
BAP” (LIU; SANTIAMI; FERRAZ, 2005). A figura 15.2 mostra o mapa digital topográfico da BRM em escala de
1:100.000 gerado pelo modelo digital de elevação (DEM). A figura 15.3 mostra o mapa digital de hidrografia da
BRM em escala de 1:100.000.

15.5.3.1 Coleta de dados

Aquisição dos dados existentes nos vários órgaõs, tais como, Secretário de Planejamento do Estado de Mato
Grosso do Sul (SEPLAN), Secretário Estadual do Meio Ambiente do MS/Instituto de Meio Ambiente do Pantanal
(SEMA/IMAP), Secretário de Produção e Turismo do Estado de Mato Grosso do Sul (SEPROTUR), Instituto de
Desenvolvimento Agrário Pesquisa e Extensão Rural de Mato Grosso do Sul (IDATE;RRA), Agência Nacional de
Água (ANA), Ministério de Meio Ambiente (MMA) e entre outros.
Figura 15.2 – Mapa digital de elevação da Bacia do Rio Miranda gerado. pelo modelo digital de elevação. Fonte: (LIU, et al.,
2005a).

Figura 15.3 – Mapa digital de hidrografia da Bacia do Rio Miranda. Fonte: ((LIU, et al., 2005a).

• Informações gerais:

-    dados de turismo;
 -    dados de atividades pesqueiras e aqüicultura;
-    dados de qualidade de água;
-    propriedades rurais;
-    imagens digitais Landsat de 2002;
-    imagens digitais do Landsat complementares;
-    dados hidrometeorológicos;
-    dados de rodovias, ferrovias e limites municipais;
-    dados de produções agropecuárias;
-    dados de produções agroindustriais;
-    dados de agrotóxicos e embalagens usadas;
-    dados de unidades de conservação e reservas indígenas;
-    sítios arqueológicos;
-    estrutura fundiária;
-    empreendimentos existentes;
-    biodiversidades terrestres, aquáticas e áreas alagadas, dados de faunas, incluindo ictiofauna;
-    dados e indicadores socioeconômicos, população, rendas, bem estar, saúde, educação, ICM estadual,
saneamento básico;
-    patrimônio histórico-cultural;
-    espeleologia;
-    quilombos;
-    sedimentação;
-    erosão;
-    desertificação;
-    coleta de dados em campo, incluindo pontos de controle, dados de faunas, biodiversidades, potencial
econômico de madeiras.

• Dados climáticos

- Os dados de precipitação, temperatura, radiação, velocidade e direção do vento e microclima da BRM

serão atualizados, processados e analisados para investigar os impactos do desmatamento nas mudanças
climáticas.

• Dados edáficos:

-    tipo do solo;
-    dados de pH e materiais orgânicos do solo;
-    composição do solo por unidade predominante do solo;
-    declividade em %;
-    fase da erosão;
-    morfologia da superfície;
-    classe de drenagem;
-    permeabilidade;
-    grupos hidrológico;
-    textura da camada superficial;
-    terra úmida;
-    classe de inundação;
-    escoamento superficial;
-    profundidade de rocha (camada restritiva);
-    profundidade de lençol freático.

A figura 15.4 mostra o mapa do solo em escala de 1:250.000 publicado pelo projeto PCBAP (1997).
Figura 15.4 – Mapa digital de solo da Bacia do Rio Miranda em escala 1:250.000. Fonte: (PCBAP, 1997)

• Dados de recursos hídricos:

-    rios;
-    lagoas;
-    reservatório;
-    fontes de água;
-    cisterna;
-    pontos de monitoramento de qualidade da água;
-    mineração;
-    pontos atrativos;
-    reservas indígenas;
-    parques e áreas protegidas;
-    pontos de fontes de poluente;
-    imóveis;
-    sistemas de esgotos;
-    habitante;
-    espécies de peixes;
-    aqüíferos subterrâneos;
-    dados existentes de nutrientes e produtos defensivos;
-    usos significantes de captação (urbana e rural).

• Dados do ar e fontes poluentes:

-    indústrias de mineração ativa e inativa;

-    indústrias químicas;
-    microclima;
-    atividades animais;
-    queimadas.

• Dados de vegetação
 -    coberturas vegetais;
-    área heteromórfica;
-    espécies em extinção;
-    culturas, pastagens, florestas e outras;
-    ICM ecológico;
-    níveis de manejo (rotativo, rendimento, uso de químicas, irrigação, entre outros).

• Dados de animais

-    operação concentrada de alimentação dos animais;

-    facilidades existentes de tratamento de rejeitos;
-    hábitats de animais silvestres;
-    espécies de extinção;
-    presença de espécies raras e em extinção;
-    pontos de bebedouro para animais;
-    métodos de descartar os animais mortos;
-    densidade de animais.

• Dados de usos do solo

-    área de preservação permanente (APP);

-    área de unidade de conservação, corredor ecológico e reserva indígena;
-    área úmida;
-    área de expansão urbana;
-    área de culturas;
-    área de pastagens;
-    área de atração turística;
-    área de pesca;
-    área de captação de água;
-    área de extração mineral;
-    área de sítios arqueólogos.

• Dados de base catográfica

Os mapas cartográficos e as imagens digitais adquiridas por satélites, tais como topografia, hidrologia,
rodovias, ferrovias, limites demográficos e usos do solos em uma escala de 1:100.000 ou maior devem ser usados
para gerar os mapas temáticos. As cartas topográficas existentes publicados pela Diretoria de Serviço Geográfico
(DSG) do Ministério do Exército (DSG, 1984) em escala de 1:100.000 e as imagens de Landsat, SPOT e CBERS
podem ser usados. Os dados de pontos de controle coletados em campo deve ser usados para a validação dos mapas
digitais gerados.

15.5.3.2 Produção de dados temáticos

Os dados de cada parâmetro dos indicadores ecológicos e econômicos, listados na tabela 15.2, são
fundamentados nos mapas temáticos em escala de 1:100.000. Esses mapas temáticos são gerados a partir dos dados
existentes no Macrozoneamento Geoambiental de MS (SEPLAN, 1989) e PCBAP (1997) e os dados publicados pelo
IBGE. As temáticas de vegetação e usos do solo devem ser atualizadas com as imagens e aferidas em campo. As
demais temáticas podem ser atualizadas a partir das imagens digitais adquiridas por satélites.
Tabela 15.2 - Classes e pesos dos parametros usados para desenvolver o índice de potencial de Desenvolvimento (IPD). Fonte: (LIU;
SANTIAMI; FERRAZ, 2005a).
 * ITS = Índice de tipo do solo; D(%) =declividade; ID =Índice de declividade; IUS=Índice de usos do solo; IV= Índice de valor
socioeconômico.

15.5.3.3 Construção de modelos SIG

A potencialidade de desenvolvimento socioeconômico sustentável de uma área específica pode ser avaliada
pelo um Índice de Potencial de Desenvolvimento (IPD) que considera os fatores ambientais e socioeconômicos.
O valor de IPD pode ser estimado baseado nos fatores ecológico e socioeconômico com os pesos
apresentados, incluindo: tipo do solo (0,2), declividade (0,4), usos do solo (0,2) e valor de terreno (0,2). Esses pesos
podem ser alterados de acordo com a importância no desenvolvimento socioeconômico. As classes de aptidão de
cada fator são definidas de acordo com os critérios listados na tabela 15.2.
Visando ao melhor aproveitamento dos recursos ambientais na BRM, vários modelos SIG específicos de
desenvolvimento socioeconômico local devem ser construídos baseados nas projeções do desenvolvimento nos
próximos 20 a 50 anos. Os modelos incluem:

-    SIG Pesqueiro;
-    SIG Expansão Urbana;
-    SIG Turismo;
-    SIG Mineração;
-    SIG Áreas Úmidas;
-    SIG Agropecuária;
-    SIG Agrotóxicos;
-    SIG Indústria;
-    SIG Unidades de Conservação e as Áreas Potenciais;
-    SIG Reservas Indígenas;
-    SIG Fauna;
-    SIG Flora e Florestas;
-    SIG Risco de Queimadas;
-    SIG População;
-    SIG Estradas e Rruas;
-    SIG Moradias;
-    SIG Energia;
-    SIG Impactos nas Mudanças Climáticas;
-    SIG Abastecimento de Água;
-    SIG Impactos Ambientais pela Distribuição de Energia e Gás;
-    SIG Municipais: população, renda, saúdes, educação, saneamento básico, ICM, integração socioeconômica
intermunicipal;
-    SIG macroregional: população, renda, saúdes, educação, saneamento básico, ICM, integração
socioeconômica macroregional;
-    SIG Manejos Alternativos;
-    Outros SIG de interesse.

Um plano de manejo de cada sistema, gerado por determinado modelo SIG, deve ser elaborado otimizando as
várias alternativas geradas pelo modelo SIG, de tal forma que o plano do desenvolvimento seja projetado para um
período de 20 a 50 anos. As áreas inaptas para o desenvolvimento sustentável serão classificadas como as áreas
potenciais de unidade da conservação permanente. Dentro desses cenários, são consideradas as tendências atuais e
futuras dos usos de recursos hídricos, pois sobre eles incidem a outorga, até agora inexistente no plano do governo.
Também será avaliada a disponibilidade hídrica e os usos por segmento de forma a auxiliar a gestão da bacia.

15.5.4 Geração do mapa de áreas de conflito

O mapa de áres de conflitos pode ser gerado através da comparação do mapa da potencialidade de recursos
naturais gerado com o modelo do zoneamento ecológico econômico (ZEE) com o mapa de usos atuais do solo
classificado pelas imagens digitais do Landsat 7 ETM+. O mapa de potencialidade de usos do solo é baseado no
mapa do ZEE pelo modelo do índice ecológico socioeconômico utilizando o software ArcView SIG. O modelo é
constituído sob três parâmetros: tipos de solo, chuva e declividade com os pesos assinados. Os mapas de topografia,
com uma escala de 1:100.000, são convertidos para os mapas digitais. Vários pontos de controles devem ser
coletados pelo DGPS em campo para executar o processo de georreferenciamento das cartas e imagens digitais do
Landsat. As imagens digitais do Landsat, SPOT ou CBERS que abrangem a BRM, possam ser usadas na
classificação de usos do solo. Os dados anuais de chuva publicados pela ANA podem ser usados para geração de
mapa digital de isolinhas de chuva. Os tipos de solo publicados pelo projeto Macrozoneamento de MS podem ser
usados para geração de mapa digital de solos. Os mapas digitais de topografia são convertidos em mapas de
declividade usando o software ArcView GIS.
Os métodos de classificação de Imagens Landsat ETM+ não supervisionada e supervisionada disponíveis nos
softwares SPRING e ArcView8.3 com a extensão ERDAS Image Analysis são usados para classificar os usos atuais
de solo. As fotografias registradas em campo podem ser usadas para validar e delinear as classes nas áreas de classe
confusas. A figura 15.5 mostra o mapa de ISE da BRM gerado com os dados digitais de topografia em escala de
1:100.000 publicado pelo DSG/IBGE (DSG, 1984) e o mapa de tipos do solo em escala de 1:250.000 publicado pelo
projeto PCBAP (1997). Na figura 15.5, foi observada que as áreas de cor vermelha foram consideradas inaptas pelo
ISE. Para demonstração, a área esquerda na região da serra de Bodoquena foi utilizada para delineamento das áreas
de conflito. A figura 15.6 mostra o mapa de usos de solo da região da serra de Bodoquena, classificados pelas
imagens do Landsat7 ETM+ 2002. As áreas da cor amarela indicam as de pastagens e as da cor laranja indicam as
plantações de culturas. O mapa de ISE é usado para comparar com o mapa de usos atuais de solo classificado com as
imagens de satélite. As áreas de risco ambiental que já são ocupadas pelas atividades humanas, principalmente as
áreas de pastagens e culturas, são delineadas como áreas de conflito. A figura 15.7 mostra a superposição do mapa
de ISE ao mapa de usos do solo atual na região oeste da BRM. As áreas de cor vermelha, laranja e verde são
consideradas como as áreas que devem ser conservadas com usos restritos e até preservação permanente (cor
violeta). Pela comparação entre o mapa de ISE e o mapa de usos atuais do solo, o delineamento das áreas de conflito
pode ser feito. Portanto, as áreas prioritárias de recuperação, conservação e preservação podem ser geradas para
subsidiar a elaboração de um plano de manejo de recursos naturais sustentáveis para a BRM.
Figura 15.5 – Mapa de Índice de Suscetibilidade de Erosão da Bacia de Rio Miranda. (LIU, et al., 2005a).

Figura 15.6 – Usos do solo da região oeste da Bacia de Rio Miranda baseadas nas imagens do Landsat ETM+ 2002, pastagem:
área amarela; agricultura: área laranja. (LIU, et al., 2005a).
 Figura 15.7 – Mapa de áreas de conflito da Bacia do Rio Miranda indicadas pelas cores laranja, vermelha e violeta. Fonte: (LIU,
et al., 2005a).

15.5.5 Simulação e validação dos modelos TMDL e ReVA

Os modelos WASP, TMDL, QUAL2k e ReVA desenvolvidos por EPA, USA, saõ recomendados para gerar os
métodos alternativos do gerenciamento dos recursos hídricos e do desenvolvimento sustentável da BRM. O modelo
fornece um esquema integrado de modelagem em uma bacia hidrográfica, análise dos manejos alternativos de fontes
poluentes pontuais e não pontuais e para desenvolvimento socioeconômico regional. Os TMDL, QUAL2k, WASP e
ReVA são modelos que coordenam os seis componentes essenciais para analisar o desempenho da bacia
hidrográfica, os impactos das atividades humanas e as qualidades de água e solo. São eles:

•    banco de dados gerenciado por SIG pelo software ArcView GIS;
•    sistemas de desenvolvimento socioeconômico do nível municipal e da bacia de forma integrada;
•    ferramentas de avaliação para avaliar qualidade de água e fontes de poluentes acumulados em várias
escalas;
•    utilidades, incluindo entrada de dados locais, uso da terra e classificação por DEM, delineamento do limite
da bacia, manipulação de dados observados da qualidade de água;
•    modelos de bacias hidrográficas e qualidade da água, incluindo:
-   WASP
-   Modelo QUAL2K
-   Modelo NPSM (Non Point Sources Model)
-   TOXIROUTE (sub-modelo de materiais tóxicos)
•    ferramentas ReVA para interpretação dos resultados gerados por modelos.

Os dados e as ferramentas de avaliação são diretamente integrados no ambiente ArcView SIG. Com o uso do
SIG, o usuário pode visualizar, explorar e adquirir os resultados dos procedimentos de manejo gerados pelos
modelos por meio da animação visual. Os modelos de simulação podem ser rodados no ambiente Windows. Os
métodos alternativos para o manejo da BRM são produzidos para planejar um sistema adequado do desenvolvimento
socioeconômico dessa bacia.

15.5.6 Impactos de desenvolvimento nas mudanças climáticas

O modelo de desenvolvimento socioeconômico das décadas de 1970 e 1980, no Estado de Mato Grosso do
Sul, ampliou as fronteiras agrícolas de forma desordenada. Como conseqüência, o custo ambiental foi elevado,
embora a produção agropecuária tenha aumentado substancialmente. Agora, ações urgentes deverão ser tomadas
para a recuperação ambiental e exigindo a adoção de mecanismos que considerem os novos paradigmas de qualidade
e competitividade, onde a sua localização espacial requeria relação custo-benefício compatível para a sua
viabilização no mercado globalizado. No campo técnico-científico, pesquisas estão sendo realizadas, visando ao
desenvolvimento de instrumentos que propicie a busca da estabilidade socioeconômica, com base nos parâmetros de
mercados e nas ciências climáticas e ambientais. O desenvolvimento local apóia-se, portanto, nos instrumentos
teóricos mais amplos, especialmente no meio rural, que leva à necessidade de compreensão do conceito biológico
econômico, da relação solo-planta-clima-homem. Dentre esses fatores, o estudo aborda a análise climática e
previsões, com maior destaque na BRM. As definições de parâmetros ambientais, das forças locais e
vulnerabilidades ambientais tiveram como critérios a qualidade e a maior agregação de valores, como fundamento
para potencializar as suas vantagens comparativas e locais.
A variabilidade anual de NDVI pode indicar o estresse ambiental causado pelo impacto climático regional
(KOGAN, 1990; 1995; 1997). A análise de variações espacial e temporal das imagens de NDVI tem demonstrado
ser um método confiável para diagnosticar as variabilidades climáticas regionais (LIU; KOGAN, 1990; LIU;
JUAREZ, 2001). A evolução sazonal ou anual do grau de verde da superfície terrestre inferido pelo NDVI responde
também à distribuição de precipitação. Esse fato permitiu a utilização de imagens de NDVI para monitorar a
evolução das secas, de acordo com a variação espacial dos ciclos desse período e para analisar as variações
climáticas regionais. Nesse sentido, os estudos dos impactos dos desmatamentos nas mudanças climáticas regionais
podem ser feitos utilizando os dados adquiridos via satélite. As áreas de usos do solo de um período de cada cinco
anos ao longo dos anos de 1985 a 2005 podem ser classificadas e delineadas a partir das imagens de CBERS, Lansat
TM e Landsat ETM. As áreas de floresta nativa podem ser delineadas como as áreas sem desmatamento e as
restantes podem ser definidas como as áreas de desmatamento. (LIU, et al., 2005a).

15.5.6.1 Evolução de usos do solo

Os dados digitais da fotografia aérea do 1966, fornecida pelo DSG, e das imagens de Landsat Cena 225/74 de
1985, 1996 e 2000 podem ser usados para calcular a taxa de desmatamento. O software SPRING ou
ArcView/ERDAS pode ser usado para classificação de usos do solo, delineamento das áreas de cada classe e para
calcular as porcentagens de floresta nativa e áreas ocupadas pelas atividades humanas. Resumem-se as atividades de
avaliação dos impactos de desmatamento nas mudanças climáticas regionais a seguir:

-    os dados digitais de imagens de CBERS e Landsat do período de 1985 a 2005 da BRM podem ser
processados;
-    classificação de usos de solo a partir das imagens de CBERS e Landsat;
-    delinear as áreas de desmatamento de um período de cada cinco anos;
-    validação dos métodos alternativos com os dados observados em campo;
-    selecionar um método mais adequado para executar a classificação final;
-    delinear as áreas das principais classes de usos de solo;
-    geração de mapa de usos atuais de solo.

15.5.6.2 Mudança climática regional

Os dados mensais de precipitação e temperatura da estação meteorológica fornecidos pelo Centro Nacional de
Pesquisa de Gado de Corte (CNPGC)/EMBRAPA, Base Aérea de Campo Grande e Instituto Nacional de
Metereologia (INMET) do período de 1982 a presente podem ser usados para analisar a tendência de mudança
climática da região do estudo. Os dados cumulativos anuais do NOAA AVHRR NDVI GAC com a resolução
espacial de 8 km do período de 1981 a presente, fornecidos pelo GSFC/ NASA, podem ser usados para calcular a
taxa de mudança de cobertura de vegetação. As correlações entre NDVI × Precipitação e entre NDVI × Temperatura
podem ser obtidas para analisar o impacto de desmatamentos nas mudançass climáticas.
Liu et al. (2005b) apresentaram um estudo de impactos de desmatamento nas mudanças climáticas do
município de Terenos, MS, do período de 1966 a 2005, usando as imagens de Landsat dos anos de 1985, 1996 e
2000 e as fotografias aéreas de 1966 para delinear as áreas de desmatamento e os dados de NDVI, temperatura e
precipitação para analisar as tendências dos impactos. O município de Terenos é um dos 23 municípios dentro da
BRM. Os resultados mostraram que a porcentagem de vegetação diminuiu de 68% para 35%; o NDVI anual
diminuiu de 7,3 para 6,8 (figura 15.8); a temperatura média anual aumentou de 22,5 °C para 24,6 °C (figura 15.9) e
precipitação anual diminuiu de 1.500 a 1.250 mm (figura 15.10). Apontaram que a diminuição de área de verde de
33% da área total do município de Terenos resultou no aumento de temperatura de 2,1 °C e diminuiu a precipitação
anual de 250 mm nos últimos 20 anos. Isto demonstrou que os impactos dos desmatamentos na região de Terenos
sobre as mudanças climáticas da região foram evidentes.
 Figura 15.8 – A evolução de NDVI mensal acumulado anualmente e sua tendência durante o período de 1982 a 2000 no
município de Terenos, Estado de Mato Grosso do Sul. Fonte: (LIU, et al., 2005b)

Figura 15.9 – A evolução de temperatura média anual e sua tendência durante o período de 1961 a 2002 no município de
Terenos, Estado de Mato Grosso do Sul. Fonte: (LIU, et al., 2005b)

Figura 15.10 – A evolução de precipitação total anual e sua tendência durante o período de 1961 a 2002 no município de
Terenos, Estado de Mato Grosso do Sul. Fonte: (LIU, et al., 2005b)

15.5.7 Plano de gerenciamento da BRM

Para elaboração desta segunda parte dos estudos, um seminário organizado pelo comitê da bacia pode ser
realizado para analisar os possíveis riscos de usos do solo e gerar uma proposta de plano. Identificam-se os
problemas específicos de manejo da bacia hidrográfica em estudo após uma análise detalhada dos dados existentes.
Localizem-se as causas desses problemas que são de fontes pontuais ou não pontuais. Verificam-se as propriedades
física e química dos poluentes para determinar se são aceitáveis ou não. Os poluentes incluem demanda de oxigênio
bioquímico, nutrientes, coliformes fecais, bactérias, pesticidas, substâncias tóxicas e sedimento. As estratégias
alternativas de manejo podem ser tomadas baseadas nos problemas e na origem das causas identificadas pela
simulação do modelo TMDL com várias alternativas do desenvolvimento sustentável. As sugestões de elaboração
dos planos de gerenciamento de conflitos socioeconômicos ambientais e educação ambiental para conscientizar as
comunidades participantes da BRM, são apresentadas a seguir.

Plano de gerenciamento dos conflitos socioeconômicos, incluindo:

 -    conflitos de interesse;
-    financiadores;
-    impactos dos indivíduos dentro e fora da bacia;
-    grupo de interesse de recursos opostos e sua razão;
-    políticas locais;
-    impactos socioeconômicos (clientes de recursos limitados, desvantagens);
-    propriedades menores;
-    saúde humana;
-    censura das propriedades.

Plano de gerenciamento da BRM e sua avaliação global:

-    implantação do sistema;
-    progresso da execução;
-    prognosticar os resultados das mudanças feitas;
-    identificar as estratégias positivas e negativas;
-    planejar outras estratégias alternativas;
-    avaliar as opiniões dos usuários e participantes e seus envolvimentos;
-    comparar os sistemas antigos e novos de manejo da bacia, favorável ou não aos novos sistemas;
-    priorizar as novas estratégias alternativas;
-    programa de educação ambiental para conscientização das populações na BRM.

Órgãos colaboradores:

•   CIDEMA;
•   WWF-Brasil;
•   Instituto de Desenvolvimento Agrário e Extensão Rural de MS (Idaterra/MS);
•   23 municipios do estado de Mato Grosso do Sul;
•   Environmental Protection Agency, Technical Support Center at Athens, Geórgia e Regional Vulnerability
Research Center, Office of Research Development, Research Triangle Park, SC, USA.

15.6 Perspectivas futuras

Este capítulo tem por objetivo apresentar os principais conceitos e aspectos computacionais envolvidos em
sistemas de modelagem espacial dinâmica. Na dimensão conceitual, verificou-se que cada um dos elementos-chave
de um modelo dinâmico, tais como espaço, tempo e modelo matemático, permite diferentes representações
computacionais. A escolha de uma forma de representação para um desses elementos afeta os demais, uma vez que
as escalas de todos os elementos devem ser integradas. No contexto computacional, foi explorada a solução baseada
em autômatos celulares. No estudo dessa abordagem de implementação, verificou-se que os processos físicos e
urbanos possuem mecanismos distintos para aplicação de regras de transição. Enquanto os processos físicos podem
ser descritos por modelos determinísticos, os processos urbanos são caracterizados como processos estocásticos e
são altamente influenciados por variáveis exógenas. Nos processos físicos, pode-se considerar a topogragia do
terreno, apesar das críticas ao modo como as redes de drenagem LDD são geradas em fluxos de 45° (BURROUGH;
MCDONNEL, 1998), produzindo os padrões espaciais coerentes com os que acabam se desenvolvendo naturalmente
no mundo real. Quanto à modelagem de processos urbanos, sistemas como os desenvolvidos pelo RIKS
(<http://www.riks.nl>) apresentam grande flexibilidade para a inclusão de variáveis que aumentam a acurácia das
previsões; entretanto, são sistemas de estrutura complexa, de difícil entendimento e implementação.
A tendência de integração dos dados de imagens digitais, adquiridos via satélite, e dos dados da base
cartográfica gerenciados por SIG é inevitável para avançar mais nas análises e interpretações das imagens. Portanto,
além das sugestões de Landgrebe (2005) e Richards (2005), que incluem a necessidade de ter um conjunto de 20
satélites idênticos orbitando no globo simultaneamente para monitorar as evoluções dinâmicas do planeta Terra, os
sensores de resoluções espaciais e espectrais com mais de 20 bandas cobrindo 0,4 a 14 µm com os dados em 10 bits
e um procedimento robusto e eficiente para processar e analisar os dados hiperespectrais, as técnicas específicas para
analisar cada tipo de dados separadamente para otimizar a extração das características distintas dos dados, salienta-se
que as técnicas das fusões das diferentes fontes de dados digitais das imagens e videografias adquiridas pelo
sensoriamento remoto via satélite e avião e as informações cartográficas gerenciadas pelo SIG são opções
importantes para geração dos mapas temáticos e suas derivadas aplicações.

Referências
ABRH, 1987. Modelos para gerenciamento de recursos hídricos. Coleção da Associação Brasileira de Recursos Hídricos (ABRH),
Editora Nobel, São Paulo, Brasil. V1. 117p.
AKMAN, A. U.; SANGA, T.; NARUI, E.; OIKAVA, N., 2001. Development of a new technique for geological investigation using
DTM data: an example in western Turkey. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:851-859.
BATTY, M., 1999. Modeling urban dynamics through GIS-based cellular automata. Computers, Environment and Urban Systems,
Taylor & Francis Ltd, London, UK. 23: 205-233.
BATTY, M., 2000. GeoComputation Using Cellular Automata. In: GeoComputation, 2000. Edited by S. Openshaw and R. J.
Abrahart, Taylor and Francis. London, UK. p.95-126.
BOFF, L, 1996. Desafios ecológicos do fim do milênio. In: Suplemento Mais!, Ponto Crítico-12/O5/1996; Folha de São Paulo, São
Paulo, Brasil.
BROWN, L. C.; BARNWEMM, T. O., 1987. The enhanced stream water quality models QUAL2K, documentation and user manual.
EPA/600/3-87/007, US EPA, Athens, Georgia, USA. http://www.epa.gov.
BURROUGH, P, 1998. Dynamic Modelling and Geocomputation. In: Geocomputation. Edited by A Primer. P. Longley, M. Batty
and R. McDonnel. John Wiley & Sons, Inc., London, UK. p.165-191.
BURROUGH, P; McDonnel, R., 1998. Principles of Geographical Information Systems. Oxford Press, London, UK. 337p.
CÁMARA, A. S., 1996. Spatial Simulation Modelling. In: Spatial Analytical Perspectives on GIS. Edited by M. Fisher. Taylor and
Francis, London. UK. p.213-218. COUCLELIS, H., 1997. From Cellular Automata to Urban Models: New Principles for Model
Development and Implementation. Environment and Planning B: Planning and Design, Elsevier Science Publishing Co., New York,
USA. 24: 165-174. CUARTERO, A.; FELICÍSIMO, A. M.; ARIZA, F. J., 2005. Accuracy, reliability and depuration of SPOT HRV
and Terra ASTER digital elevation. IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote Sensing
Society of America, Piscataway, New Jersey, USA. 43:404-407.
DEBINSKI, D. M.; KINDSCHER, K.; JAKUBAUSKAS, M. E., 1999. A remote sensing and GIS-based model of hábitats and
biodiversity in the Great Yellowstone Ecosystem. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK.
20:3281-3291.
DINGMAN, S. L., 1994. Physical Hydrology. Macmillan Publishing Company. New York, USA, 575p.
DRAYTON, R. S., B. M. Wilde and J.H. Harris, 1992. Geographical information system approach to distributed modelling.
Hydrological processes, Springer Press, Amsterdam, the Netherlands. 6:361-368.
DSG, 1984. Cartas Cartográficas do Brasil em escala 1:100.000. A produção da Divisão de Serviços Geográficos do Ministério do
Exercito, divulgada por IBGE, Rio de Janeiro, Brasil.
DREW, D., 1986. Processos Interativos Homem Meio Ambiente. DIFEL Difusão Editorial S.A., São Paulo, SP, Brasil. 58p.
EPA, 2005. TMDL (Total Maximum Daily Load modeling toolbox), Site: http://www.epa.gov/athens/wwqtsc/index.html. data de
acesso: 23 de junho de 2005.
EPA, 2005. Regional Vulnerability Assessment tool (ReVA), 2005. Site: http://www.epa.gov/reva/index.html. data de acesso: 23 de
junho de 2005.
ENGELEN, G., 1995. Using Cellular automata for integrated modelling of socioenvironmental systems. Environmental Monitoring
and Assessment, Elsevier Science Publishing Co., New York, USA. 34: 203-214.
GUILLERMO, O. E.; BORGES, A. L., 1996. Determinação da erosividade das chuvas na região da bacia do rio Alto paraguai. Anais
do Encontro Nacional de Engenharia de Sedimentos, Rio de Janeiro, RJ, Brasil, v.1, p.57-66.
GUPTA, S. K.; SOLOMON, S. I., 1977. Distributed numerical model for estimating runoff and sediment discharge of ungaged
rivers: 1. The information system, 2. Model development, 3. Comparison with other simple techniques, Water Resources Research,
Elsevier Science Publishing Co., New York, USA. 34: 203-214.
JUÁREZ, R. N.; LIU, W. T., 2001. FFT analysis of NDVI annual cycle and climatic regionality in northeast Brazil. International
Journal of Climatology, Royal Society of Meteorology, London, UK. 22:1803-1820.
KOGAN, F. N., 1990. Remote sensing of weather impacts on vegetation in non-homogeneous areas. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 11:1405-1420
KOGAN, F. N., 1995. Application of vegetation index and brightness temperature for drought detection. Advances in Space
Research, Elsevier Science Publishing Co., New York, USA. 15:91-100.
KOGAN, F. N., 1997. Global Drought watch from space. Bulletin of the American Meteorological Society, American Society of
Meteorology, Boston, Massachusetts, USA. 78:621-636.
LAMBIN, E. F., 1994. Modeling Deforestation Processes - A Review, Trees Series B: Research Report. European Commission,
Luxembourg. Germany, 51p.
LANDGREBE, D. A., 2005. Multispectral land sensing: where from, where to? IEEE Transactions on Geoscience and Remote
Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:414-421.
LAURINI, R.; D., THOMPSON, 1992. Fundamentals of Spatial Information Systems. Academic Press. London. U.K. 680 pp.
LILLESAND, T. M.; KIEFER, R. W., 1994. Remote Sensing and Image Interpretation. 3rd edition. John Wiley & Sons, Inc., New
York, USA. 675 p.
LIU, W. T.; AYRES, F.; TORRECHILHA, S.; SANTAMI, E., 2004. Upper Paraguay River Basin GIS cartographic map updating,
Proceedings of the 25th Annual Meeting of American Wetland Scientists, Seattle, Washingtton State, USA. 208-212.
LIU, W. T.; JUÁREZ, R. N., 2001. ENSO drought prediction of northeast Brazil using NDVI. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 22: 3483-3501.
LIU, W. T.; KANAZAWA, R; SANTIMI, E.; KANAZAWA, R J., 2005b. Impacto de desmatamento na mudança climática regional
via satélites. Anais do XII Simpósio Brasileiro de Sensoriamento Remoto, São Jose dos Campos, SP, Brasil. 593-600.
LIU, W. T.; KOGAN, F., 1996. Monitoring regional drought using vegetation condition index. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 17:2761-2782.
LIU, W. T.; KOGAN, F., 2002. Monitroring Brazilian soybeans production using NOAA/ AVHRR based vegetation condition
indices, International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 23:1161–1179.
LIU, W. T.; MASSAMBANI, O.; NOBRE, C., 1994. Satellite vegetation response to drought in Brazil. International Jounal of
Climatology, Royal Society of Meteorology, London, UK. 14:343-354.
LIU, W. T.; SANTIAMI, E.; FERRAZ, R. G., TORRECHILA, S.; AYRES, F. M., 2005a. Atualização da base catorgrafica da Bacia
do Alto Paraguai, Projeto GEF/ANA/PNUMA/ OEA, Relatório Final, UCDB, Campo Grande, MS, Brasil. 158p.
LONGLEY, GOODCHILD, M.; MAGUIRE, D.; RHIND, D., 1999. Geographical Information Systems. John Wiley & Sons, Inc.,
New York, USA. 416p.
MENDES, C. A. B. 2004. Bacia Hidrográfica do Rio Miranda (CIDEMA-WWF). Editora UCDB, Campo Grande, MS, Brasil. 118p.
MORISETTE, J. T.; KHORRAM, S.; MACE, T., 1999. Land-cover change detection enhanced with general linear models.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:2703-2721.
PCBAP l997. Plano de Conservação da Bacia do Alto Paraguai. Projeto Pantanal. Brasília: Programa Nacional do Meio Ambiente -
PNMA, Brasília, D.F., Brasil. V.1. 341p.
REIS, E. J.; MARGULIS, S., 1991. Options for slowing Amazon jungle clearing. global warming: economic policy responses. R.
Dornbusch and J. M. Poterba. The MIT Press, Cambridge, Massachussetts, USA. p.335-375.
RICCHETTI, E., 2001. Visible-infrared and radar imagery for geological application: a new approach using DEM and sun-
illumination model. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:2219-2230.
RICHARDS, J., 2005. Analysis of remotely sensed data: the formative decades and the future. IEEE Transactions on Geoscience and
Remote Sensing, IEEE Geoscience and Remote Sensing Society of America, Piscataway, New Jersey, USA. 43:422-432.
ROY, G. G.; SNICKARS, F., 1996. Citylife: a study of cellular automata in urban dynamics. In: Spatial Analytical Perspectives on
GIS. Edited by M. Fisher. Taylor and Francis, London, UK. p.203-212.
SANSOSTI, E.; LANARI, R.; FORNARO, G.; FRANCESCHETTI, G.; TESAURO, M.; PUGLISI, G.; COLTELLI, M., 1999.
Digital elevation model generation using ascending and descending ERS-1/ERS-2 tandem data. International Journal of Remote
Sensing, Taylor & Francis Ltd, London, UK. 20:1527-1547.
SEPLAN, 1989. Macro Zoneamento Geoambiental do Estado de Mato Grosso do Sul, Mapas Cartográficas. Secretaria de
Planejamento (SEPLAN), Estado de Mato Grosso do Sul, Campo Grande, MS, Brasil, Relatório Final do Projeto do Macro
Zoneamento Geoambiental do MS.
SMITH, G. M.; FULLER, R. M., 2001. An integrated approach to land cover classification: an example in the Island of Jersey.
International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 22:3123-3142.
SOARES FILHO, B. S., 1998. Modelagem dinâmica de paisagem de uma região de fronteira de colonização amazônica. Escola
Politécnica. Universidade de São Paulo, São Paulo, SP, Brasil. Relatorio Técnico, 21p.
SRIVASTAVA, A. N.; TRIPATHI, K.; GOKHALE, K. V., 1999. Basement topogrphy and aquifer geometry around Ken Graben,
Índia. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:2295-2305.
TOUTIN, T., 2004. DSM generation and evaluation from QuickBird stereo imagery with 3D physical modeling. International Journal
of Remote Sensing, Taylor & Francis Ltd, London, UK. 25:5181-5192.
WALLING, D. E., 1983. The sediment delivery problem, Journal of Hydrology, Springer Press, Amsterdam, the Netherlands. 65:
209-237.
WHITE, R.; ENGEIEN, G., 1997. Cellular automata as the basis of integrated dynamic regional modelling. Environment and
Planning B: Planning and Design, Elsevier Science Publishing Co., New York, USA. 24:165-174.
WOOD, E. F.; SIVAPALAN, M.; BEVEN, K.; BAND, L., 1988. Effects of spatial variability and scale with implications to
hydrologic modeling. Journal of Hydrology, Springer Press, Amsterdam, the Netherlands. 102:29-47.
WORBOYS, M. F., 1995. GIS - A Computing Perspective. Taylor & Francis, London, UK. 385p.
WORBOYS, M. F.; DUCKHAM, M., 2004. GIS- A Computing Perspective, second edition, CRC Press, London, UK, 412p.
YANG, X., 1999. Use of thematic mapper imagery with a geographic information system for geomorphologic mapping in a large
deltaic lowland environment. International Journal of Remote Sensing, Taylor & Francis Ltd, London, UK. 20:659-681.
YOUNG, R. A.; ONSTAD, C. A.; BOSCH, D. D.; ANDERSON, W. P., 1989. A AGNPS, a non-point source pollution model for
evaluating agricultural watersheds. Journal of Soil and Water Conservation, Elsevier Science Publishing Co., New York, USA.
44:168-173.
16 Modelo Universal de Previsão de Safra Agrícola (MUPSA)

16.1 Introdução
Neste projeto, será desenvolvido, testado e validado um modelo versátil de previsão de safra agrícola chamado
Modelo Universal de Previsão de Safra Agrícola (MUPSA). Pode-se adotá-lo para qualquer cultura e em qualquer
local, desde que esteja em nível de um pixel da resolução espacial dos satélites. O MUPSA serve para atender os
satélites do futuro que fornecem informações digitais de alta resolução espectral, espacial e temporal. O termo mu-p-
sa significa olho de Buda em chinês e foi adotado para indicar que, diante dos “olhos” dos sensores do satélite, nada
escapa. Neste estudo, as multifontes de dados com as resoluções espectrais, espaciais e temporais variadas, obtidas
por diversos tipos de satélite, e as observações terrestres serão integradas para obter os dados em nível de um pixel
com as resoluções mais altas possíveis.
O ciclo fenológico e as durações dos estágios de desenvolvimento de uma determinada cultura são dados
singulares que podem ser identificados pela curva fenológica do Normalized Difference Vegetation Index (NDVI),
controlado pelo relógio biometeorológico que contabiliza os efeitos das variações espaciais e temporais das
condições ambientais e dos avanços tecnológicos dos sistemas de manejo das culturas. O MUPSA identifica um tipo
de vegetação em função da evolução temporal do NDVI e dos graus dia do crescimento, Growth Degree Day
(GDD), acumulados dos estágios fenológicos e informa as condições dos crescimentos e desenvolvimentos
fisiológicos de uma determinada vegetação de cada área vigiada por um pixel rastreado por satélites. Qualquer fator
que afete o crescimento da vegetação pode ser identificado. Portanto, além de prever a safra agrícola, essas
informações podem ser integradas para a implantação de um sistema de agricultura de precisão via satélite e de um
sistema de manejo sustentável de recursos ambientais gerenciados pelo Sistema de Informações Geográficas (SIG).
O MUPSA aplica o classificador Artificial Neural Networks (ANNs) para identificar uma determinada cultura
pixel por pixel, integrando as evoluções multitemporais e multiespaciais dos parâmetros de multifontes, incluindo
multiespectrais, NDVI, GDD, temperatura da superfície (Ts), temperaturas máxima e mínima do ar da superfície
(Tamax, Tamin), precipitação (PCP), avanços tecnológicos (AT), índice de área foliar (Leaf Area Index – LAI),
radiação fotossintética ativa (Photosynthetic Active Radiation – PAR), fração da radiação fotossintética ativa
absorvida pela copa da vegetação (Fractional Photosynthetic Active Radiation – FPAR), produtividade primária
bruta (Gross Primary Productivity/Photosynthesis – GPP/PSN) e produtividade primária líquida (Net Primary
Productivity – NPP). O MUPSA pode ser desenvolvido paralelamente quando se tiver o domínio das tecnologias
aplicando o software ANNS que use os padrões gerados com as cinco assinaturas singulares, incluindo assinatura
espectral, espacial, temporal, angular e polarizada, integrando-se NDVI e GDD para a identificação pixel por pixel
de um determinado tipo de vegetação.
Após a identificação dos pixels ocupados por uma determinada cultura, é calculada a área plantada total em
níveis de município, Estado e nação. Em seguida, o MUPSA estima a produtividade de uma determinada cultura em
um determinado município em função de PSN, NDVI, PAR e Ts dos vários estágios do ciclo fenológico, aplicando
as técnicas estatísticas de regressão linear múltipla. A PSN de um pixel será calculada em função de eficiência
fotossintética (ε), NDVI e PAR, enquanto a PSN de uma determinada cultura em nível municipal será calculada com
o peso de PSN de um determinado pixel obtido pela razão da área de curva do NDVI do pixel pela área total das
curvas de NDVI dos pixels ocupados pela mesma cultura plantada no município. Para cada cultura, os principais
municípios que representam a produção total de um determinado Estado serão incluídos na construção do modelo
estadual. Os modelos estaduais serão incluídos na construção do modelo nacional. O MUPSA de uma determinada
cultura será desenvolvido usando os dados dos parâmetros gerados pelos dados orbitais e terrestres do período de
2000 a 2007 e validado com os dados das produções agrícolas do período de 2007 a 2010 publicados pelo IBGE.
Os objetivos do projeto são:

•  Primeira etapa (dois anos)

-   Desenvolvimento e validação do MUPSA na estimativa de área plantada de uma cultura, aplicando o
classificador ANNs. O modelo integra as informações das evoluções multitemporais e multiespaciais dos
parâmetros, incluindo multiespectrais, NDVI, GDD, Ts, Tamax, Tamin, PCP, AT, LAI, PAR, FPAR,
GPP/PSN e NPP.
-   Condução dos experimentos para coletar os dados observados de GDD, Ts, Tamax, Tamin, LAI, NDVI,
PAR, radiação solar incidente (Rs), radiação solar líquida (Rl), PSN, ε, data do plantio, datas de início e
 término e durações de todos os estágios do crescimento e ciclo fenológico das principais culturas em
diversas plantações próximas às estações meteorológicas para a calibração dos parâmetros gerados por
satélites e a validação do método desenvolvido no MUPSA.
-   Testar e avaliar a potencialidade do MUPSA na previsão de safra agrícola para a cultura de soja em nível
municipal, como em Uberaba, Patrocínio e Capinópolis (MG).
-   Desenvolvimento e avaliação do MUPSA da estimativa da produtividade de soja do Brasil em função de
PSN, NDVI, Ts e PAR aplicando as técnicas de regressão estatística linear múltipla.
•  Segunda etapa (dois anos)
-   Continuação dos experimentos para coletar os dados observados de GDD, Ts, Tamax, Tamin, LAI, NDVI,
PAR, Rs, Rl, PSN, ε, data do plantio, datas de início e término e durações de todos os estágios do
crescimento e ciclo fenológico das principais culturas em diversas plantações próximas às estações
meteorológicas para a calibração dos parâmetros gerados por satélites e a validação do método
desenvolvido no MUPSA.
-   Desenvolver, testar e avaliar a potencialidade do MUPSA na previsão de safra agrícola para as principais
culturas do Brasil, incluindo milho, feijão, arroz, algodão, trigo, mandioca, uva, abacaxi, banana,
pastagens, cacau, cana-de-açúcar e demais culturas de interesse.
-   Desenvolvimento de um sistema de alerta por meio do monitoramento das condições de crescimento de
uma determinada cultura em uma área de 20 m x 20 m gerenciado pelo SIG para auxiliar o manejo da
agricultura de precisão.
-   Implantação e integração do MUPSA no sistema operacional de previsão de safra agrícola do Brasil.
•  Terceira etapa (dois anos)
-   Será desenvolvido um sistema global de previsão de safra das principais culturas de alimento, incluindo
arroz, trigo, soja, milho, feijão, batata, sorgo, girassol e pastagens.
-   Serão desenvolvidos e validados os métodos de detecção dos fatores que afetam a produtividade potencial,
como deficiências ou excessos de nutrientes, ataques de bactérias, fungos, doenças e pragas, excesso ou
déficit hídrico, etc., aplicando o gerenciador SIG.
-   As detecções das ocorrências das principais doenças e pragas de uma determinada cultura em uma região
específica pela análise das evoluções espectrais e espaciais dos sensores de satélite devem ser validadas
com os históricos observados em campo.
•  Quarta etapa (dois anos)
-   Será desenvolvido um sistema global de previsão de safra das principais culturas econômicas, incluindo
laranja, café, uva, algodão, abacaxi, beterraba, cana-de-açúcar, culturas florestais, etc.
-   Serão desenvolvidos e validados os métodos de detecção dos fatores que afetam a produtividade potencial,
como deficiências ou excessos de nutrientes, ataques de bactérias, fungos, doenças e pragas, excesso ou
déficit hídrico, etc., aplicando o gerenciador SIG.
-   As detecções das ocorrências das principais doenças e pragas de uma determinada cultura em uma região
específica pela análise das evoluções espectrais e espaciais dos sensores de satélite devem ser validadas
com os históricos observados em campo.
•  Quinta etapa (dois anos)
-   Será desenvolvido, implantado, testado e avaliado um sistema SIG para o monitoramento das evoluções
temporais e espaciais de usos do solo e para o gerenciamento sustentável dos recursos ambientais visando
ao equilíbrio das ofertas e demandas dos alimentos e produtos biológicos globais.

Os métodos de estimativa de área plantada e produtividade de várias culturas desenvolvidos ao longo dos anos
são revisados e avaliados a seguir. Como introdução a esses métodos, retome a seção 12.1 (p. 561). Neste capítulo,
serão apresentados também os fundamentos e os algoritmos do MUPSA que procuram integrar os métodos atuais
disponíveis para alcançar o objetivo de desenvolver um sistema que seja capaz de identificar e estimar as áreas
ocupadas e a produtividade de qualquer cultura em qualquer canto do globo terrestre.

16.2 Fundamento teórico

As assinaturas singulares das propriedades de energia eletromagnética fundamentam a teoria do MUPSA. Esse
assunto pode ser conferido na seção 1.8 (p. 17-25). Outros conceitos importantes para a compreensão desse modelo
são apresentados a seguir.
16.2.1 Revisão de conceitos importantes

16.2.1.1 Estimativa de área plantada e de produtividade

A estimativa de área plantada foi abordada nas seções 12.1 (p. 561) e 12.2 (p. 565) e inclusive no início da
seção 14.1 (p. 725), que apresenta a proposta de Gallego (2004) sobre a utilização das imagens geradas por satélites
para a avaliação dos usos do solo.
A equação do NDVI e o cálculo do índice de vegetação pela razão (RVI), importantes para a estimativa de
área plantada, já foram explicados nas seções 7.2.5 (p. 220) e 7.2.1 (p. 218), respectivamente.
As faixas espectrais das bandas de visível (VIS) e infravermelho próximo (NIR) dos sensores podem variar
dependendo do tipo de satélite. As faixas espectrais de VIS e NIR apresentadas na equação (7.5) são os sensores de
Canal 1 e Canal 2 dos satélites da série NOAA.
Conforme visto no Cap. 12 (p. 567), o método semissupervisionado utilizou dados hiperespectrais para definir
seis classes de uso do solo. Trata-se de um método de classificação extremamente rigoroso, tendo alcançado mais de
95% de precisão em seus resultados.
O projeto Monitoring Agriculture with Remote Sensing (MARS), já exposto na seção 12.2, apresentou um
procedimento de estimativa de área plantada das principais culturas da Europa usando sensoriamento remoto
(GALLEGO; DELINCÉ, 1995a). Esse projeto foi financiado pela Comissão de Comunidade Européia no período de
1991 a 1995. Os resultados mostraram que esse método alcançou uma precisão acima de 95% pelo menos dois
meses antes da colheita, dependendo do ciclo fenológico da cultura. O método proposto por Vieira, Mather e
McCullagh (2000) utilizou o classificador ANNs para identificar, classificar, delinear e estimar as áreas ocupadas
pelos diferentes tipos de vegetação usando o reconhecimento de padrão da superfície do espaço espectral-temporal.
A precisão foi superior a 95%. Conforme visto na seção 14.1 (p. 725), Coppin et al. (2004) demonstraram que as
técnicas que se baseiam nos dados multitemporais e multiespectrais, fornecidos pelos satélites, apresentam alto
potencial para identificar, classificar, delinear, mapear e detectar as evoluções de usos do solo. O padrão da
assinatura multiespectral-multitemporal de uma determinada cultura pode sofrer alterações causadas pelas variações
temporais e espaciais das condições biometeorológicas e dos avanços tecnológicos dos sistemas de manejo das
culturas. Portanto, nesse estudo, os impactos desses fatores nos padrões anuais e regionais da evolução temporal de
NDVI de uma determinada cultura identificada pelo GDD serão integrados no ANNs para identificar o tipo de
cultura. O MUPSA será desenvolvido paralelamente aplicando o software ANNS que use os padrões gerados com as
cinco assinaturas singulares – espectral, espacial, temporal, angular e polarizada – e integrando NDVI e GDD para a
identificação do uso do solo pixel por pixel.
A estimativa de produtividade foi tratada nas seções 12.1 (p. 561) e 12.3 (p. 573).
As condições ambientais, principalmente as condições meteorológicas, que afetam as produções agrícolas
devido à ocorrência de anomalias do tempo são difíceis de prever e mais difíceis de modificar. Portanto, a previsão
precisa do tempo é uma informação indispensável, que inclusive permite a aplicação de modelos alternativos na
previsão de safra agrícola.
Os modelos estatísticos agrometeorológicos são desenvolvidos para a estimativa da produtividade de uma
cultura anual em função dos parâmetros ambientais e biofísicos aplicando as técnicas de regressão linear múltipla.
Esses modelos são difíceis de aplicar para as culturas perenes porque são baseados na correlação da produtividade
em função dos fatores ambientais biofísicos nos vários estágios de crescimento de um ciclo fenológico. O ciclo
fenológico das culturas perenes é superior a um ano, o que resulta na dificuldade de ter dados históricos muito
antigos. Os modelos de processos fisiológicos são baseados nos dados dos fatores ambientais observados e do
crescimento diário dos processos fisiológicos de uma determinada cultura em uma região específica. Esses modelos
são disponíveis somente para as culturas que têm os dados do crescimento observado em campo. Os modelos de
índices de vegetação são baseados na estimativa de produtividade em função dos parâmetros gerados com os dados
de satélite aplicando as técnicas de regressão estatística. Portanto, também só funcionam para as culturas anuais. Os
modelos de produtividade primária são construídos para a estimativa de produtividade em função da absorção da
energia solar e da capacidade de converter a matéria seca acumulada pelo processo fotossintético por um período do
tempo. A vantagem desses modelos é independente do ciclo fenológico de uma cultura anual ou perene, mas é difícil
obter a produtividade líquida devido à dificuldade de obter os dados de perda de energia para o processo de
metabolismo e a respiração. A GPP/PSN está intimamente ligada com a produtividade econômica de uma cultura.
Portanto, as técnicas de regressão estatística podem ser aplicadas para a estimativa da produtividade em função dos
parâmetros biofísicos gerados com os dados de satélite nos vários estágios do crescimento. A iniciação e a duração
de vários estágios do desenvolvimento da cultura serão calculadas pelo relógio biometeorológico que conta o calor
acumulado de cada estágio pelo valor de GDD (ROBERTSON, 1968). Portanto, nesse estudo, o MUPSA é proposto
para aperfeiçoar a estimativa de área plantada aplicando ANNs com os efeitos dos fatores ambientais e a estimativa
de produtividade de qualquer cultura de interesse em função de PSN, NDVI e PAR nos vários estágios fenológicos
controlados pelo relógio biometeorológico.

16.2.1.2 Modelos estatísticos agrometeorológicos

Os modelos estatísticos agrometeorológicos utilizam as técnicas de regressão linear múltipla que são baseadas
na produtividade de uma determinada cultura em função dos parâmetros que afetam a produtividade, como
precipitação, temperatura, evapotranspiração, déficit ou excesso hídrico, etc. No sentido estatístico, considera-se
como variável dependente a produtividade, e como variáveis independentes, os parâmetros que interferem na
produtividade. Portanto, a equação (16.1) apresenta-se como linear múltipla.

Em que:
Y = produtividade prevista;
a = valor da interseção da linha;
b1, b2, b3 ... bn = coeficientes;
X1, X2, X3 ... Xn = os n parâmetros usados para calcular Y.

Os parâmetros independentes, como X1, X2, X3 ... Xn, são selecionados com base nas correlações entre Y e
X1, X2, X3 ... Xn. Conforme a seção 12.3.2.1, os modelos de regressão múltipla correlacionam dados mensais de
mais de 10 anos de parâmetros meteorológicos com dados de produtividade observados. Confira mais detalhes sobre
modelos de regressão múltipla nas páginas 593 e 594.
Em princípio, a produtividade de uma cultura em uma região específica é afetada pelo aprimoramento
tecnológico e pela variabilidade climática, considerada como a variação anual do clima que causa flutuação anual da
produtividade. Os modelos que utilizam as técnicas estatísticas de regressão múltipla são construídos em duas
etapas: produtividade prevista pela tendência tecnológica e desvio da produtividade à tendência tecnológica devido à
variabilidade climática anual.
Confira mais detalhes sobre os modelos estatísticos agrometeorológicos na seção 12.1 (p. 562).

16.2.1.3 Modelos de processos fisiológicos

Os modelos de processos fisiológicos foram abordados em detalhes nas seções 12.1 (p. 562-563) e 12.3.3 (p.
596-599)

16.2.1.4 Modelos de índices de vegetação via satélite

Os modelos de índices de vegetação via satélite foram introduzidos na seção 12.1 (p. 564) e detalhados nas
seções 12.3.5 (p. 613) e 12.3.5.3 (p. 616-623).
Para completar as equações apresentadas na seção 12.3.5.3, é importante ressaltar que Kogan (1990, 1995)
apresentou dois índices de vegetação, o índice da condição de vegetação (Vegetation Condition Index – VCI) e o
índice da condição de temperatura (Temperature Condition Index – TCI), para monitorar a variabilidade da seca
regional, eliminando os efeitos geográfico e climático regionais. As aplicações dos índices de vegetação de TCI e
VCI na construção dos modelos estatísticos de estimativa de produtividade demonstram a tendência de melhorar
suas previsões (UNGANAI; KOGAN, 1998; LIU; KOGAN, 2002; LIU et al., 2008).
Os VCI e TCI são calculados pelas equações (16.2) e (12.60):

Em que:
VCIj = índice da condição de vegetação no período j;
NDVIj = NDVI no período j;
 NDVImax e NDVImin = valores históricos de NDVI máximo e mínimo no mesmo período j.

Os resultados dos nove modelos construídos mostraram que os 22 casos previstos tiveram os erros menores
que 10% e cinco casos tiveram os erros entre 12% e 25%. Os autores apontaram que o modelo do Estado do Rio
Grande do Sul não funcionou bem devido ao clima da região não ter as estações seca e chuvosa distintas. Uma
cultura de verão, como soja, sofre o excesso de chuva na época de maturação e colheita. Os índices de NDVI, TCI e
VCI inferem bem o grau da seca, mas não inferem bem a superfície com excesso de água. As precisões das
estimativas de produtividades alcançaram 93%. Prasad et al. (2005) apresentaram os modelos de estimativas das
produtividades de milho e soja em função de NDVI, temperatura, umidade no solo e precipitação para o Estado de
Iowa (EUA) com os médios dos erros absolutos menores que 10%. Kaul, Hill e Walthall (2005) compararam os
modelos de regressão linear múltipla com os de redes neurais artificiais (Artificial Neural Networks – ANNs) na
previsão das produtividades de soja e milho no Estado de Maryland (EUA) e sugeriram que os modelos de redes
neurais melhoraram as suas precisões.
Doraiswamy et al. (2007) apresentaram os modelos de estimativa de produtividades de soja e milho nos
Estados de Iowa e Illinois (EUA) em função de NDVI e da temperatura da superfície com as precisões acima de
80%. Os dados de NDVI, Enhanced Vegetation Index (EVI), Photosynthetic Active Radiation (PAR) e temperatura
da superfície (Ts) foram obtidos com os dados de TERRA MODIS. O EVI foi proposto por Liu e Huete (1995) para
minimizar os efeitos das interferências atmosféricas e das refletâncias da superfície no fundo da copa e é calculado
pela equação a seguir:

Em que:
G = fator do ganho;
NIR = banda de infravermelho próximo;
RED = banda de vermelho;
BLUE = banda de azul;
C1 = 6 (coeficiente da correção de resistência atmosférica na banda de vermelho);
C2 = 7,5 (coeficiente da correção de resistência atmosférica na banda de azul);
L = 1 (fator da correção das refletâncias da superfície no fundo da copa de vegetação).

Matsushita et al. (2007) apontaram que a variação da topografia afeta o valor de EVI, mas não o de NDVI.
Eles recomendaram que o efeito da topografia no EVI seja eliminado antes de o índice ser usado. Portanto, os dados
de NDVI e Ts gerados com os dados de TERRA MODIS de uma resolução espacial de 250 m x 250 m oferecem a
possibilidade de construir os modelos de índices de vegetação com uma resolução espacial maior que os dados
gerados com NOAA AVHRR.
Liu et al. (2008) apresentaram um modelo de estimativa de produtividade de soja do município de Capinópolis
(MG) em função de TCI e VCI com o reajuste anual do ciclo fenológico da soja com a data do plantio coincidindo
com o mês de precipitação mensal maior que 100 mm no início da estação chuvosa. O modelo foi construído com os
dados do período de 1986 a 2000 e validado com os dados de 2001 a 2006, com a média dos erros absolutos abaixo
de 10%. Esses autores apontaram que a construção dos modelos de previsão de safra agrícola deve levar em conta
que os dados dos parâmetros independentes coincidem com o ciclo fenológico de uma determinada cultura. Portanto,
a determinação correta da data do início do plantio anual é um fator importante para a construção de um modelo com
boa previsão.
Esses trabalhos mostraram que o uso de técnicas de regressão estatística em modelos de índices de vegetação
pode ser viável. Vale apontar que a validação do modelo construído deve ser feita com os dados históricos de
produtividade indenpendente, e não com os mesmos dados usados na construção do modelo. Uma série temporal
longa dos dados mensais do globo inteiro de NOAA AVHRR GAC (Global Area Coverage) com uma resolução
espacial de 4 km x 4 km de 1981 até o presente pode ser adquirida no site do Goddard Space Flight Center (GSFC),
da NASA (<http://www.landcover.org/data/gimms/> e <http://www.daac.gsfc.nasa.gov/>, acessos em 28 de agosto
de 2008), ou no site da Universidade de Maryland (<http://www.glcf.umiacs.umd.edu/data/gimms/>, acesso em 28
de agosto de 2008).
Recentemente, os dados do satélite NASA TERRA MODIS com as resoluções de 500 m x 500 m podem ser
usados também para construção dos modelos.
16.2.1.5 Modelos de produtividade primária

Abordaram-se os modelos de produtividade primária nas seções 12.3.4 (p. 603-607) e 13.3.1 (p. 576-577). A
produtividade obtida pela equação (12.48) é a produtividade primária bruta, ou seja, GPP ou PSN. Portanto, para
obter a produtividade primaria líquida, NPP, deve-se subtrair as perdas de energia referentes à respiração, às
manutenções e aos crescimentos dos órgãos e as perdas de matérias secas no ciclo fenológico da vegetação
considerada.
Os modelos de produtividade primária apresentados pela equação (12.48) usam os dados de εf, NDVI e PAR.
Os dados de PAR e NDVI são gerados com os dados de satélite e os dados de εf são determinados em campo. O
valor de εf varia com o tipo de vegetação e fatores meteorológicos, condições ambientais, códigos genéticos e níveis
de nutrientes.
Prince (1991a) tratou do valor constante da eficiência fotossintética para uma determinada espécie de
pastagem durante o período considerado para calcular a sua produtividade. Além disso, Prince (1991b) apresentou
uma lista dos valores de eficiência fotossintética encontrados nas bibliografias (tabela 12.8). Esses valores foram
obtidos nos campos experimentais e variam de 0,2 a 4,8 g/MJ, enquanto os valores teóricos variam de 4,5 a 7,6 g/MJ
(LEMON, 1969).
No Brasil, ainda não há os valores disponíveis de εf dos principais tipos de vegetação. É importante realizar
um experimento para determinar e fornecer os valores de εf dos principais tipos de vegetação que servirão para a
estimativa da taxa de fixação de CO2 via satélites.

16.2.2 MUPSA

Todos os métodos existentes de previsão de safra agrícola de certa maneira têm suas vantagens e
desvantagens. O MUPSA é um modelo renovador que agrega as tecnologias disponíveis de previsão de safra
agrícola com a finalidade de quebrar as barreiras dos métodos desenvolvidos atualmente, que são limitados para
algumas culturas específicas e não são aplicáveis para qualquer cultura de interesse em qualquer plantação.
Os métodos de reconhecimento de padrão composto pela superfície multiespectral multitemporal para a
estimativa da área plantada funcionam bem sobre as condições ótimas de crescimento e desenvolvimento de uma
determinada cultura. As condições do crescimento da cultura podem se alterar enquanto as condições ambientais e
os sistemas do manejo da cultura se alterarem, o que pode dificultar a sua identificação. Cada planta tem sua
capacidade singular de absorver a energia solar, o gás carbono e a água para fabricar as matérias secas, que se
manifesta em diferentes características fisiológicas do crescimento sob diferentes condições climáticas e ambientais.
O crescimento de uma planta é afetado pelos fatores climáticos, ambientais e fisiológicos apresentados no
fluxograma da figura 12.5. Portanto, uma superfície multiespacial e multitemporal gerada pelo método de
classificação ANNs usando o reconhecimento de padrão pode ser afetada pelas variações dos fatores climáticas e
ambientais e pela adaptação das novas tecnologias dos sistemas de manejo das culturas. O MUPSA tenta integrar os
efeitos das variações temporais e espaciais desses fatores no classificador ANNs para restabelecer os padrões
singulares de cada cultura de interesse. 
O MUPSA aplica o classificador ANNs para identificar pixel por pixel uma determinada cultura, integrando as
evoluções multitemporais e multiespaciais dos parâmetros multiespectrais, NDVI, GDD, temperatura da superfície
(Ts), temperaturas do ar máximo e mínimo da superfície (Tamax, Tamin), precipitação (PCP), avanços tecnológicos
(AT), índice de área foliar (Leaf Area Index – LAI), radiação fotossintética ativa (Photosynthetic Active Radiation –
PAR), fração da radiação fotossintética ativa absorvida pela copa da vegetação (Fractional Photosynthetic Active
Radiation – FPAR), produtividade primária bruta (Gross Primary Productivity/Photosynthesis – GPP/PSN) e
produtividade primária líquida (Net Primary Productivity – NPP).
Após a identificação dos pixels ocupados por uma determinada cultura, será calculada a área plantada total em
níveis de município, Estado e nação. Em seguida, o MUPSA será construído para a estimativa da produtividade de
uma determinada cultura em nível municipal em função de variáveis independentes, como PSN, NDVI, PAR, Ts e
ΔNDVI (taxa de mudança de NDVI), dos três estágios do ciclo fenológico aplicando as técnicas de regressão
estatística linear múltipla. A PSN de um pixel será calculada em função de ε, NDVI e PAR. A PSN em nível
municipal será calculada com os pesos de PSN dos pixels ocupados por uma determinada cultura obtidos pela razão
de um determinado pixel pelo número total dos pixels do município. Para cada cultura, os principais municípios que
representam a produção total de um determinado Estado serão incluídos na construção do modelo estadual. Os
modelos estaduais serão incluídos na construção do modelo nacional. O MUPSA de uma determinada cultura será
desenvolvido usando os dados dos parâmetros gerados com os dados orbitais e terrestres do período de 2000 a 2007
e validado com os dados das produções agrícolas do período de 2007 a 2010 publicados pelo IBGE.
 A produtividade econômica de uma determinada cultura está intimamente ligada à GPP ou à PSN.
Atualmente, o sistema de observação do planeta Terra da NASA, chamado Global Inventory Modeling and Mapping
Studies (GIMMS), disponibiliza os dados de oito dias de FPAR, taxa de fotossíntese, PSN/GPP e os dados anuais de
produtividade primária líquida (Net Primary Productivity – NPP) do globo inteiro aplicando-se a equação (12.42).
Os valores de PSN/GPP são calculados com base na estimativa da taxa de fotossíntese em função da PAR gerada
com os dados de NDVI. O mapa de distribuição espacial dos diferentes tipos de vegetação do globo terrestre
produzido por Landsberg e Gower (1997) foi usado para determinar a variação espacial de eficiência fotossintética
(εf) do globo terrestre em função das características fisiológicas das vegetações, como evapotranspiração, espécies,
idades, fatores ambientais, entre outros. Os dados de LAI, NDVI, FPAR, PSN e NPP gerados com MODIS foram
validados com os modelos de simulação do fluxo no sistema solo-vegetação-atmosfera, chamado Soil-Vegetation-
Atmospheric Transport (SVAT), e com os dados de LAI, FPAR, NDVI, PSN e NPP observados pelas 400
FLUXNETs (16 no Brasil), torres de medições micrometeorológicas espalhadas no mundo inteiro
(<http://www.fluxnet.ornl.gov/fluxnet>, acesso em 29 de outubro de 2008). Os dados de PSN de um pixel com a
resolução espacial de 1 km x 1 km e a resolução temporal de oito dias do globo terrestre inteiro têm 150 milhões de
celulares. A operação diária de calcular a PSN diária ocupa 1,64 Gb/dia. A PSN é calculada em função de radiação
líquida incidida (Rl), eficiência fotossintética ativa (ε) e fração de PAR absorvida. O valor de PAR é 0,45 da Rl. O
valor de ε é calculado em função de εmax, Tamin e déficit de pressão de vapor (Vapor Pressure Deficit – VPD). O
valor de εmax é obtido para cada tipo de vegetação com ótimas condições de crescimento e desenvolvimento. Os
valores diários de Tamin e VPD são obtidos nas estações meteorológicas e gerados com os satélites meteorológicos
redimensionados em escala de zero a unidade. O valor de NPP é calculado de GPP subtraindo as taxas de respirações
das folhas e raízes. Atualmente, os dados de FPAR, PSN e NPP de uma resolução espacial de 1 km x 1 km de 2001
ao presente estão disponíveis no site <http://edcdaac.usgs.gov/modis/mod173a.asp> (acesso em 1° de setembro de
2008). Esses dados podem ser usados para desenvolver um modelo de previsão da produção agrícola para qualquer
tipo de vegetação do globo inteiro, aplicando-se a produtividade de um determinado tipo de vegetação ou cultura em
função da PSN acumulada em três estágios de crescimento, incluindo estágio de crescimento vegetativo, estágio de
florescimento e estágio de maturação. A duração de cada estágio de crescimento pode ser determinada pelo relógio
biometeorológico usando os dados de GDD (ROBERTSON, 1968).
No caso de culturas anuais, como soja, milho, arroz, feijão, batata e tomate, o período do tempo é o ciclo
fenológico de uma determinada cultura. No caso de culturas perenes, como pastagem, café, laranja, floresta, e
vegetação nativa, o período do tempo pode ser de um ano. Portanto, os modelos de MUPSA serão desenvolvidos e
validados para as culturas anuais e perenes, as horticulturas, as pastagens e as culturas florestais. A aplicação dos
dados de PSN e NPP na construção dos modelos de previsão de safra agrícola em função de PSN e NPP é uma
tentativa inédita renovadora que fornece uma possibilidade de implantar um sistema operacional de previsão de safra
agrícola para todas as culturas de interesse. Em razão de os dados de PSN e NPP estarem disponíveis em uma
resolução espacial de 1 km x 1 km, as curvas idênticas de NDVI de uma plantação mínima de 50 pixels por 50 pixels
de SPOT 5 devem ser usadas para a construção de MUPSA. O desenvolvimento e a calibração do MUPSA serão
conduzidos com os dados de LAI e FPAR, PSN e NPP coletados do período de 2000 a 2007 e a validação será
conduzida com os dados do período de 2007 a 2010.
Em geral, a aplicação das técnicas de previsão de safra agrícola via satélite está cada dia mais confiável e mais
viável para a implantação de um sistema operacional de previsão de safra agrícola em grande escala.  O sistema
operacional requer uma equipe multidisciplinar que possa trabalhar interagindo com as agências e os países
envolvidos na mesma tarefa. O sistema de comunicação deve ter alta capacidade de manter os fluxos de dados e
informações mais rápidas possíveis servindo para o oferecimento do alerta em tempo hábil. Os produtos do sistema
de alerta abrangem três tipos de informação: resumo executivo, análise regional e/ou nacional e dados atualizados
via Internet. Para destacar a notícia de alerta, a primeira página do boletim já apresentará a região mais afetada. As
análises das causas e os dados observados são apresentados no texto com informações detalhadas. Após a divulgação
do boletim, a atualização da previsão será feita pela Internet. A divulgação da informação gerada pelo sistema de
alerta é destinada aos usuários, cujas opiniões serão coletadas e analisadas para que seja alcançado o melhor
atendimento possível. O sistema de alerta é utilizado para oferecer as informações de alerta de seca agrícola
regularmente em nível regional e até nacional.

16.3 Metodologia
16.3.1 Área de estudo
 Neste estudo, o MUPSA será desenvolvido e validado com os dados de área plantada e produtividade em nível
municipal de 2000 a 2010 publicados pelo IBGE. Na primeira etapa, serão desenvolvidos os procedimentos das
construções e calibrações dos modelos MUPSA, usando a cultura de soja produzida nos municípios de Uberaba,
Patrocínio e Capinópolis (MG) como um teste para avaliar a viabilidade do método proposto. Na segunda etapa,
serão construídos os modelos MUPSA para as principais culturas do Brasil, incluindo as culturas anuais e perenes,
como milho, arroz, feijão, algodão, cana-de-açúcar, trigo, mandioca, uva, abacaxi, batata, café, laranja, cacau e
pastagem. Para cada cultura, os principais municípios que representam a produção total de um determinado Estado
serão incluídos na construção do modelo estadual. Os modelos estaduais serão incluídos na construção do modelo
nacional. No caso da soja, o Brasil produziu cerca de 60 milhões de toneladas em 2008, e serão construídos e
validados os modelos estaduais do MUPSA para os 12 Estados que produziram 99,6% da produção total do Brasil,
que são Mato Grosso (30%), Paraná (20%), Rio Grande do Sul (13%), Goiás (12%), Mato Grosso do Sul (7,5%),
Bahia (4,5%), Minas Gerais (4%), São Paulo (2,3%), Maranhão (2,1%), Santa Catarina (1,5%), Tocantins (1,4%) e
Piauí (1,3%). Os métodos desenvolvidos serão testados, avaliados e recomendados para a integração no sistema
operacional de previsão de safra do Brasil.

16.3.1.1 Primeira etapa: estudo-piloto (dois anos)

Com a finalidade de desenvolver a metodologia, o MUPSA será construído para a estimativa da produção de
soja em nível municipal, incluindo Uberlândia, Uberaba, Frutal, Unaí, Paracatu e Capinópolis, que ocupam 33% da
área plantada de Minas Gerais, para testar e validar os métodos desenvolvidos. Após a confirmação da metodologia,
o MUPSA será aplicado para a estimativa das áreas plantadas das principais culturas do Brasil. O município de
Capinópolis foi selecionado para a condução do experimento de coleta de dados de PAR, Rs, LAI, NDVI, PSN,
pesos de matérias secas de caules e raízes, parâmetros fisiológicos, ambientais e meteorológicos e condições do
crescimento fenológico e umidade de solo para a validação dos parâmetros adquiridos por satélites. Esse município
possui uma área de 623,2 km² e localiza-se na meso-região do Triângulo Mineiro, que é a principal região produtora
de soja do Estado. A área plantada de soja aumentou cerca de 10.000 hectares antes de 1998 e alcançou um pique de
27.600 hectares em 2004, mantendo-se acima de 20.000 hectares desde então. Cerca de um terço da área de
Capinópolis é ocupado pelas plantações desse grão, sendo a produção média de soja do município de
aproximadamente 55.000 t por ano, que corresponde a cerca de 2% da produção do Estado de Minas Gerais (IBGE,
2008). A figura 16.1 mostra a localidade do município de Capinópolis e a área de estudo (18°34’36”S-18º45’24”S e
49°27’36”W-49°38’24”W).
 Figura 16.1 – Localidade do município de Capinópolis e a área de estudo (18°34’36”S-18°45’24”S e 49°27’36”W-
49°38’24”W).

16.3.2 Dados de estações meteorológicas, culturas e satélites

•  Dados diários de temperatura do ar máxima (Tamax), temperatura do ar mínima (Tamin) e precipitação

(PCP) das estações meteorológicas do INMET e do CPTEC de 2000 a 2010;
•  dados diários de precipitação (PCP) das estações pluviométricas da ANA de 2000 a 2010;
•  dados de culturas (área plantada e produtividade em níveis municipal e estadual) de 2000 a 2010 publicados
pelo IBGE (2008) (disponível em: <http://www.ana.gov.br> acesso em 25 de agosto de 2008);
•  dados de pontos de controle coletados nas áreas de estudo em cada Estado utilizando o GPS de alta precisão
para o georreferenciamento de imagens digitais de satélites;
•  dados de banda visível e banda de infravermelho próximo, NDVI e PAR de Landsat 5, Landsat 7, CBERS 2,
CBERS 2B, SPOT 2, SPOT 4, SPOT 5, TERRA MODIS/ASTER, NOAA 14 a NOAA 18 de 2000 a 2010;
•  dados de Ts, PCP, NDVI, FPAR, LAI, GPP (PSN) de 2000 a 2010 gerados com os dados de MODIS;
•  dados de infravermelho termal gerados por Landsat 5, Landsat 7, CBERS 2, CBERS 2B, MODIS e NOAA
14 a 18;
•  dados de data do plantio (início e término) e das durações dos estágios do crescimento e do ciclo fenológico
das principais culturas do Brasil serão coletados em campo.
•  a lista dos sites que fornecem os dados na Internet é:
o  http://www.star.nesdis.noaa.gov/smcd/emb/vci/VH/vh_ftp.php (acesso em 1° de junho de 2008);
o  http://www.daac.gsfc.nasa.gov (acesso em 25 de agosto de 2008);
o  http://www.glcf.umiacs.umd.edu/data/gimms (acesso em 25 de agosto de 2008);
o  http://edcdaac.usgs.gov/modis/mod173a.asp (acesso em 1° de junho de 2008);
o  http://www.cbers.inpe.br (acesso em 29 de setembro de 2008).

16.3.3 Estimativa de área plantada pelo MUPSA

As culturas de verão produzidas no Brasil, como soja, milho, arroz e feijão, geralmente são plantadas no início
da estação chuvosa, que ocorre do final de setembro a novembro. Já as culturas de inverno, como trigo, sorgo e
milho safrinha, são plantadas após a colheita das culturas de verão. A estimativa de área plantada por meio das
imagens digitais pode ser feita durante o estágio de crescimento vegetativo, que ocorre cerca de um a três meses
após a data do plantio. Os softwares ERDAS Image Analysis e ANNs, disponíveis no Departamento de Engenharia
Civil da Universidade Federal de Viçosa (VIEIRA; MATHER, 2001), serão utilizados para classificar e delinear as
áreas ocupadas pela cultura. Inicialmente, será realizado o processo de georreferenciamento das imagens usando os
pontos de controle coletados em campo pelo GPS de precisão. As correções geométricas das imagens de satélites
serão feitas para a geração das imagens digitais com boa precisão. Para as culturas anuais de verão no Brasil, a
preparação do solo por meio da aração geralmente é praticada após a primeira boa chuva no início da estação
chuvosa. É uma boa época para adquirir uma imagem para delinear as áreas preparadas para as culturas de verão. 
Posteriormente, a discriminação de uma determinada cultura dentro das culturas de verão, como milho, feijão, arroz,
algodão e soja, será concentrada nas áreas aradas de solo nu. As singularidades das assinaturas espectrais e
temporais e das características biofísicas fisiológicas e as exigências ambientais de uma d eterminada cultura, como
código genético, eficiência fotossintética, índice de área foliar, ciclo fenológico, temperatura, radiação,
evapotranspiração e fotossíntese,  serão exploradas para identificar a área ocupada por ela pixel por pixel.
O método do ANNs é exatamente aplicado para identificar e delinear as áreas ocupadas pelas diferentes
culturas por meio da análise do padrão específico da superfície composta de multiespectrais e multitemporais de
cada cultura. Será feita uma avaliação das precisões das estimativas de áreas plantadas por uma cultura aplicando o
método ANNs proposto por Vieira e Mather (2000). Os cálculos das precisões são feitos usando as áreas estimadas
pelos satélites de alta resolução espacial, como o ALOS. Após a classificação das imagens, procede-se à avaliação
dos resultados utilizando algumas medidas estatísticas, como índice Kappa, índice Tau e teste Z estatístico, para
verificar a eficiência da classificação (VIEIRA; MATHER, 2001).
Será desenvolvido e avaliado o MUPSA para identificar, delinear e classificar culturas agrícolas, com a
aplicação de ANNs levando em consideração os parâmetros biofísicos e fisiológicos, como NDVI, GDD e Ts em
aspecto multitemporal, multisensor e multiespectral das imagens provenientes do sensoriamento remoto. Essa
metodologia deverá capturar as evoluções espectrais e dos parâmetros biofísicos e fisiológicos durante os estágios de
crescimento das culturas agrícolas e seus ciclos fenológicos por meio de um conjunto de procedimentos analíticos
para melhorar o desempenho da classificação. Serão aplicados vários algoritmos, como verossimilhança (maximum
likelihood), regra da mínima distância euclidiana e redes neurais artificiais, os quais serão combinados com o intuito
de melhorar  a precisão da classificação. A idéia central é explorar as bases teóricas sobre as quais estão baseados e,
conseguintemente, realizar uma investigação do custo absoluto (tempo de processamento) e do custo relativo
(melhoria na precisão) envolvidos na incorporação da dimensão temporal no processo de classificação. Uma vez que
as precisões das estimativas de áreas são aceitáveis, processam-se as classificações e estimativas das áreas ocupadas
pelas principais culturas usando as imagens digitais de satélite, como CBERS, Landsat, SPOT, NOAA e MODIS. As
precisões de estimativa de área plantada de cada Estado das safras de 2001 a 2010 serão avaliadas com os dados
publicados pelo IBGE (2008).  

16.3.3.1 Ciclo fenológico inferido por NDVI de nível de um pixel

Uma determinada cultura tem ciclo fenológico e estágios de crescimento e desenvolvimento diferentes de
outras culturas. Considerando que o NDVI é intimamente ligado com o Leaf Area Index (LAI) e a curva do NDVI
representa bem o ciclo fenológico de uma determinada cultura, a área ocupada pela vegetação pode ser identificada
pela evolução temporal do NDVI. Para as culturas anuais, como milho, o valor de NDVI começa a aumentar quando
as folhas aumentam após a germinação, alcança um valor máximo quando o crescimento vegetativo chega ao
máximo e diminui no estágio de florescimento, chegando ao mínimo no final do estágio de maturação. A figura 16.2
mostra o ciclo fenológico da cultura do milho.
 Figura 16.2 – Evolução temporal de LAI e NDVI da cultura do milho.

Geralmente, o LAI está intimamente ligado à taxa de fotossíntese e NDVI. A figura 16.2 também mostra que o
LAI está intimamente ligado ao NDVI. Wiegand e Richardson (1990b) apresentaram as três equações de estimativa
de LAI das culturas de milho, trigo e algodão em função do NDVI com os coeficientes da correlação (R) de 0,97,
0,84 e 0,98, respectivamente, que são representadas pelas equações (16.4) a (16.6).

Aplicando a equação (16.4) no caso de cultura de milho, o valor de NDVI aumenta de 0,1, correspondendo o
valor de LAI a 0,0516 na germinação, a um máximo de 0,80, correspondendo o LAI a 3,745 durante um período de
55 dias. O NDVI fica em seu máximo até o início da maturação (40 dias) e começa diminuir até o mínimo, próximo
ao zero, na colheita (40 dias). Para as culturas perenes, pastagens e florestas, o valor de NDVI é mantido acima de
0,3 na estação chuvosa por um período de 6 a 9 meses. Portanto, a curva da evolução anual de NDVI será gerada
para analisar os pixels ocupados ou não pelas culturas anuais e perenes. Será ideal se for possível obter uma curva
anual de NDVI usando os dados de satélites de altas resoluções temporais e espaciais. Por exemplo, se estiverem
disponíveis as imagens pancromáticas e os dados diários de NDVI com as resoluções espaciais de 1 m para a
identificação, classificação e delineamento de uma cultura no ano inteiro até visualmente. Os satélites de futuro
podem ser desenvolvidos para atender essas demandas. Mas, atualmente, os satélites de órbitas polares são restritos a
alta resolução espacial com baixa resolução temporal, ou vice-versa, e, devido ao seu limite de rastrear uma faixa
menor com alta resolução espacial, demoram mais para rastrear uma largura de cerca de 40.000 km no Equador e
vice-versa. Somente os satélites de futuro de tipos estacionários podem vigiar as condições de crescimento da cultura
numa área de interesse durante o ano inteiro. Portanto, os dados registrados pelos sensores espectrais dos diferentes
tipos de satélite têm suas resoluções espaciais e espectrais variadas com o período do tempo variado de repassar a
mesma área de interesse. Assim, para construir uma curva de NDVI com os dados do período do tempo mais curto e
da resolução espacial mais alta, é necessário usar os dados de NDVI gerados pelos vários satélites. A tabela 16.1
lista as bandas e as resoluções espaciais e temporais dos sensores de vários satélites. Por sua vez, a tabela 16.2 lista
os parâmetros disponíveis nos sites e gerados e observados nas estações da superfície.
Tabela 16.1 – Lista das bandas e das resoluções espaciais e temporais dos sensores de vários satélites.
* Revisita programada, não é resolução temporal.

Tabela 16.2 – Lista dos parâmetros disponíveis nos sites e gerados e observados nas estações da superfície.
 Os dados de bandas VIS e NIR de um período de um ano registrados pelos sensores dos satélites Landsat 5,
Landsat 7, SPOT 2, SPOT 4, SPOT 5, CBERS 2 e CBERS 2B podem ser usados para gerar a curva anual da
evolução de NDVI. Considerando os dados de SPOT e CBERS com a mesma resolução temporal de 26 dias, haverá
75 pontos de NDVI de um período de 365 dias. Portanto, a curva de NDVI pode ser gerada com um valor de NDVI
a cada cinco dias para cada pixel ocupando uma área de 20 m x 20 m, ou seja, 0,04 ha. Caso se integrem os dados de
Landsat 5 e Landsat 7, haverá mais 46 pontos por ano e, portanto, a curva de NDVI pode ser gerada com uma
freqüência de três dias. No entanto, a resolução espacial de um pixel é degradada para 60 m x 60 m. Os dados de
NDVI gerados com MODIS e NOAA também podem ser usados para uma eventual falta de dados devido a
ocorrências de alta nebulosidade. Nesse caso, porém, a resolução espacial diminui para 250 m a 1 km.

16.3.3.2 Geração da curva de evolução temporal de NDVI

As bandas dos sensores de VIS e NIR variam de um satélite para outro e são listadas na tabela 16.1. Disso
resulta que o valor de NDVI varia de um satélite para outro também. Portanto, os valores diferentes de NDVI
gerados por diferentes satélites devem ser corrigidos para que seja obtido o valor uniformizado de NDVI com o uso
das bandas referenciais de um satélite selecionado, aplicando-se a técnica de regressão linear múltipla. Os dados de
VIS e NIR obtidos por satélites podem sofrer interferências atmosféricas. Após a uniformização dos dados de NDVI,
o programa de filtragem desenvolvido por Van Dijk et al. (1987) com base no algoritmo 4253H-twice, por sua vez
desenvolvido por Velleman e Hoaglin (1981), será usado para suavizar os dados de série temporal de NDVI.  No
algoritmo 4253H, as medianas de amplitude 4, 2, 5 e 3 são aplicadas sucessivamente para reconstruir a curva do
NDVI. A letra H representa-se Hanning, que é uma média móvel de três amplitudes, aplicando os três pesos (0,25,
0,50 e 0,25) logo após a aplicação das medianas. Os valores residuais após a aplicação de 4253H foram
reprocessados pelo mesmo filtro para evitar a eliminação dos valores significativos, razão pela qual o algoritmo foi
chamado 4253H-twice.

16.3.3.3 Datas de iniciação e duração do ciclo fenológico determinadas por GDD

Aplicando o relógio biológico da planta, a duração de cada estágio do crescimento pode ser determinada pelo
calor acumulado, que é calculado por Graus Dia do Crescimento (Growth Degree Day – GDD). A iniciação e a
duração de três estágios do desenvolvimento da cultura, incluindo crescimento vegetativo, florescimento e
maturação, são controladas pelo relógio biometeorológico que conta o calor acumulado de cada fase pelo valor de
GDD. Dependendo do código genético de cada cultura, certa quantidade de calor é exigida para completar cada fase
do desenvolvimento (ROBERTSON, 1968). O GDD, que soma a temperatura diária acima da temperatura de base
de uma determinada cultura, é usado para calcular o calor acumulado para cada fase de desenvolvimento. Quando o
valor de GDD acumulado atinge o valor exigido de uma determinada fase de desenvolvimento, a planta inicia outra
fase em seguida. Geralmente, a matéria seca aumenta linearmente com o tempo, o que permite a estimativa da taxa
de crescimento da cultura durante um determinado período de tempo. O aumento da temperatura ao seu limite
superior de crescimento tem tendência de aumentar a taxa do crescimento e, ao mesmo tempo, de encurtar sua fase
fenológica. Portanto, o valor líquido da matéria seca ou produtividade será alterado. Outro fator, como a seca severa,
também pode encurtar sua fase fenológica. Assim, as condições extremas de temperatura e déficit hídrico podem
diminuir a produtividade. Aplicando o relógio biometeorológico, as variações anuais do ciclo fenológico causadas
pela seca ou pela alta temperatura de uma cultura podem ser identificadas pelos valores de GDD nos três estágios do
crescimento. A alta temperatura encurta o ciclo fenológico, enquanto a seca severa diminui a taxa de PSN e encurta
o ciclo fenológico e a curva de NDVI também.

Método do cálculo de GDD

O início e o término dos vários estágios de desenvolvimento de uma determinada cultura são controlados
pelos valores de GDD acumulados nas referidas fases de crescimento. Os valores limiares de baixa e alta
temperatura devem ser obtidos para calcular o GDD. Doorenbos e Kassam (1979) apresentaram os limites de valores
ótimos, mínimos e máximos para várias culturas (tabela 16.3). Vale apontar que os dados listados foram coletados
há 30 anos. Os valores limiares de temperatura e o ciclo fenológico das culturas podem se alterar devido aos avanços
das tecnologias e do sistema de manejo das culturas e aos melhoramentos dos códigos genéticos. Portanto, esses
dados devem ser atualizados com base nos dados obtidos pelas observações em campo.
Tabela 16.3 – Lista de faixa de requerimento de temperatura para o crescimento das culturas anuais e perenes. Fonte:
(DOORENBOS; KASSAM, 1979).

Cultura Ciclo fenológico (dias) Faixa de temperatura (°C)

Feijão fresco 60-90 10-27
Feijão seco 90-120 10-27
Vargem fresca 65-100 10-23
Vargem seca 85-120 10-23
Melancia 80-110 18-35
Tabaco 90-120 15-35
Girassol 90-130 15-30
Amendoim 90-140 18-33
Tomate 90-140 15-28
Arroz 90-150 18-35
Soja 100-130 18-30
Trigo de primavera 100-130 10-25
Trigo de inverno 180-250 10-25
Milho 100-140 15-35
Cebola 100-140 10-25
Sorgo 100-140 15-35
Batata 100-150 10-25
Repolho 100-150+ 10-24
Pimenta 120-150 15-27
Algodão 150-180 16-35
Beterraba 160-200 10-30
Uva 180-270 15-30
Laranja 240-365 13-35
Cana-de-açúcar 270-365 15-35
Banana 300-365 15-35
A seção 12.3.1.10 (p. 589-591) apresentou o cálculo GDD, dividido em três casos.

Experimento para coletar dados de GDD em campo

Os valores de GDD nos três estágios fenológicos, incluindo os estágios de crescimento vegetativo,
florescimento e maturação, devem ser obtidos para cada híbrido de uma determinada cultura. Um experimento será
conduzido para coletar os dados de iniciação, e de término dos três estágios do ciclo fenológico de cada cultura em
uma plantação próxima a uma estação meteorológica. Os dados diários de Tamax e Tamin observados na estação
meteorológica serão usados para calcular GDD. Em caso de cultura de soja, a faixa de temperatura para o
crescimento é entre 18 °C e 30 °C (tabela 16.3). No entanto, Doorenbos e Kassam (1979) sugeriram que os valores
limiares das temperaturas máxima e mínima podem ser mais amplos e sugeriram 15 °C e 35 °C, respectivamente,
para a cultura de soja. Portanto, esses valores serão usados para o cálculo de GDD. A data de início do estágio de
florescimento é determinada como sendo o dia em que 50% da planta tiver florescido. A observação do
florescimento pode ser feita para dez filas de dez plantas marcadas casualmente na plantação. O dia é identificado
como o início do florescimento se tiver uma média de cinco plantas em cada fila com mais de 50% de florescimento.
O mesmo critério é usado para determinar o início do enchimento de grão e maturação. O Anexo 16A descreve o
método do experimento.
Os dados diários de temperatura máxima da superfície (Tsmax) e temperatura mínima da superfície (Tsmin)
podem ser gerados com os dados das bandas termais do NOAA AVHRR aplicando o Método de Janela Dividida
Local (Local Split Window), proposto por Becker e Li (1990). Os dados de Ts gerados com os dados diários de
NOAA AVHRR e MODIS têm resolução espacial de 1 km x 1 km. Os valores de Tsmax e Tsmin devem ser
convertidos para os valores de Tamax e Tamin usando a correlação entre Tamax e Tsmin e a correlação entre Tamin
e Tsmin. Os dados diários de Tamax e Tamin são obtidos pelos valores médios das suas estações meteorológicas
próximas. Os dados diários de Ts gerados com MODIS e NOAA podem ser usados para obter os dados de GDD e
validados com os dados de GDD gerados de Tamax e Tamin.

Datas de início e término dos estágios fenológicos determinados por NDVI

Os valores de GDD podem ser obtidos por meio do cálculo de GDD nos três estágios de crescimento em uma
plantação de cultura conhecida usando os dados históricos de curva de NDVI, Tamin e Tamax. As durações são
calculadas pelas interseções das três linhas de declividade da curva do NDVI (figura 16.2). Os dados de GDD serão
calculados com base nos dados de temperatura registrados na estação meteorológica próxima à plantação. Um
programa de computador será desenvolvido para determinar o ciclo fenológico de cada pixel dentro de uma
determinada plantação aplicando a evolução temporal do NDVI. O programa calcula a evolução da declividade
atravessando o ciclo fenológico de uma cultura em cada pixel. A declividade começa a aumentar no início do
plantio, alcança o valor máximo no estágio de crescimento vegetativo máximo (Dv, declividade no estágio
vegetativo), começa a diminuir até zero no estágio de florescimento (Df, declividade no estágio de florescimento),
transforma-se em valor negativo no final do florescimento e alcança o valor negativo máximo no final da maturação
(Dm, declividade no estágio de maturação). O ponto a identifica a data do plantio, e o ponto d, o término do ciclo
fenológico. O período da linha ab indica a duração do estágio do crescimento vegetativo, a linha bc, a duração do
florescimento, e a linha cd, a duração da maturação. O período de tempo representado pela linha ad indica o ciclo
fenológico. A duração dos três estágios fenológicos e os dados diários de Tamax e Tamin observados na estação
meteorológica de 2000 a 2007 podem usados para obter os valores cumulativos dos três estágios fenológicos de uma
cultura. Os resultados são comparados com os resultados do experimento das observações em campo para confirmar
que as durações dos três estágios de soja usando a curva do NDVI são corretas.

16.3.3.4  Identificação dos efeitos de temperatura e déficit hídrico no ciclo fenológico e NDVI
Os valores de GDD obtidos nos três estágios do ciclo fenológico são constantes para uma determinada cultura
e a variação da curva de NDVI não os altera. Portanto, os três valores de GDD são singulares para uma determinada
cultura. Por exemplo, um pixel com a curva fenológica do NDVI que tem os três valores de GDD nos três estágios
iguais aos da cultura de soja é identificado como a área da plantação de soja. A identificação pode ser feita usando os
três GDD progressivamente e o processo pode ser terminado quando a cultura é identificada com certeza. Quanto
mais cedo determinada a estimativa das áreas plantadas, melhor para a previsão de safra. Vale apontar que a curva e
sua evolução temporal do NDVI e os dados de GDD e PSN são cruciais no desenvolvimento e na calibração da
identificação de uma determinada cultura em nível de um pixel.
Considerando que os valores de GDD dos três estágios de uma determinada cultura são constantes, a variação
da curva do NDVI é afetada pelos fatores ambientais e pelos avanços tecnológicos dos sistemas de manejo das
culturas, o que resulta na alteração do ciclo fenológico. A temperatura diária alta e o déficit hídrico severo durante o
ciclo da cultura resultam no encurtamento e na diminuição da curva de NDVI de uma determinada cultura. A
variação da amplitude do NDVI de cada estágio pode ser estimada pela comparação da duração de GDD e do valor
de NDVI com o valor de GDD e a curva de NDVI de um pixel referencial pela equação (16.7). A curva e o valor de
GDD de um pixel referencial são obtidos na plantação de um determinado híbrido com as condições ótimas
ambientais e o sistema de manejo de padrão do crescimento.

Em que:
 NDVIj = o NDVI do pixel j no dia que termina o estágio vegetativo;
NDVIo = o NDVI do pixel referencial no dia que termina o estágio vegetativo;
Evj = duração do estágio de crescimento vegetativo (dias) do pixel j;
Evo = duração do estágio de crescimento vegetativo (dias) do pixel referencial;
a = intercepção;
b = declividade.

Os efeitos dos fatores ambientais na evolução temporal de NDVI podem ocorrer em diferentes estágios do
crescimento. O NDVIj pode ser calculado para cada estágio fenológico. A curva de NDVI e as durações dos três
estágios calculadas pela equação (16.7) serão usadas como a curva de padrão de um pixel j que sofre estresse térmico
e déficit hídrico em uma determinada região. O classificador ANNs será aplicado para identificar e agrupar os pixels
com a curva de NDVI igual à curva do NDVIj.

16.3.3.5 Identificação dos efeitos de nutrientes e doenças e pragas na curva de NDVI

Em uma determinada região localizada em um tipo de microclima, as durações das curvas fenológicas de
NDVI dos pixels em uma plantação homogênea devem ser iguais. Mas o crescimento da cultura de cada pixel pode
ser afetado por deficiências ou excessos de nutrientes ou ataques de doenças ou pragas. Isso resulta na diminuição de
amplitude de NDVI, mas não da duração dos estágios fenológicos. A ocorrência da diminuição de NDVI desses
pixels pode ser detectada durante o processo de classificação pelo ANNs. Por exemplo, o ataque de fungo ou vírus
começa a danificar a estrutura interior das folhas de uma planta e propaga-se para outras. Os sensores de satélites
podem detectar a ocorrência de doença alguns dias antes do aparecimento de sintoma no exterior das folhas
(MANZER; COOPER, 1967; FLETCHER; ESCOBAR; SKARIA, 2004) e a ocorrência de deficiência de nutriente
(GAUSMAN; GERBERMANN; WIEGAND, 1975). Os pixels afetados podem ser detectados porque a diminuição
de NDVI ocorre geralmente de modo irregular dentro da área uniforme na plantação. A causa da diminuição
irregular de amplitude, mas não da duração da curva dos pixels dentro de uma plantação homogênea, pode ser
investigada mais profundamente com a validação dos dados observados em campo. As classes desses pixels são
iguais à classe da referida plantação.

16.3.3.6 Delineamento das áreas ocupadas por uma determinada cultura

O classificador ANNs, que integra os efeitos de variações temporais e espaciais das condições
biometeorológicas, será executado para identificar, classificar e delinear as áreas de plantação de uma determinada
cultura. Os parâmetros são:
•  curva fenológica de NDVI;
•  declividades da curva de NDVI;
•  durações dos estágios fenológicos e o ciclo fenológico e os respectivos valores de GDD da cultura de
interesse.

Após completar os procedimentos da identificação de uma determinada cultura em um pixel, o padrão da

curva de NDVI pode ser aplicado para assinar os pixels de resolução espacial mais alta com a mesma curva de
NDVI. Portanto, os pixels de uma resolução espacial de 60 m x 60 m podem ser identificados para delinear e
calcular as áreas plantadas. Para aumentar a precisão do delineamento das áreas plantadas, as imagens pancromáticas
do CBERS 2B e do SPOT 5 e as curvas de NDVI obtidas pelo SPOT 5 podem ser sobreposicionadas nas áreas
classificadas para delinear as áreas plantadas dentro dos pixels de misturas de 20 m x 20 m e alcançar uma precisão
de um pixel de 10 m x 10 m, 5 m x 5 m até 2,7 m x 2,7 m. Os resultados de estimativa da área plantada de uma
determinada cultura serão comparados com os dados divulgados pelo IBGE para avaliar a precisão do método
desenvolvido.

16.3.4 Estimativa de produtividade pelo MUPSA

16.3.4.1 Estimativa de produtividade em função de NDVI e PAR

Prince (1991a, 1991b) desenvolveu modelos semiempíricos com a incorporação dos dados de índice de
vegetação, como NDVI, obtidos via satélite. A equação (16.8) representa esse tipo de modelo via satélite. A
produtividade obtida por essa equação é a produtividade primária bruta, GPP ou PSN. Portanto, para obter a
produtividade primaria líquida, NPP, deve-se subtrair as perdas de energia para a respiração, as manutenções e os
crescimentos dos órgãos e as perdas de matérias secas no ciclo fenológico da vegetação considerada.

Em que:
Y = produtividade primária bruta em kg/ha;
∑ = somatório do crescimento do período de j a n;
εf = eficiência fotossintética;
NDVI = (NIR – VIS)/(NIR + VIS);
PAR = radiação fotossintética ativa obtida via satélite.

Considerando que os dados de εf e respiração são difíceis de acessar e não mudam em uma plantação
homogênea, a produtividade de uma cultura pode ser estimada pelo modelo de regressão estatística, MUPSA, que
estima a produtividade em função de NDVI e PAR. Esse modelo é construído usando os dados de produtividade
NDVI e PAR do período de 1981 a 2000 e validado com os dados de 2001 a 2010. Os dados de produtividade em
nível municipal publicados pelo IBGE serão usados. Os dados de NDVI e PAR em nível de um pixel serão gerados
com os dados de Landsat, SPOT, CBERS e MODIS. Os dados de PAR podem ser obtidos com os dados de radiação
de onda curta líquida multiplicando com um fator de 0,45 usado na geração dos dados da radiação solar pelo MODIS
(RUNNING et al., 1999). Os dados de PAR gerados com os diversos satélites serão validados com os sensores do
LICOR quantum em campo.
Detalhes sobre as estimativas da radiação solar incidente e da radiação de onda curta líquida podem ser vistos
nas seções 8.5.1.1 e 8.5.1.2 (p. 303-305).
Os dados de NDVI e PAR de um pixel de 60 m x 60 m serão gerados para as plantações de um determinado
município. Por não haver os dados de produtividade em nível de um pixel, a construção de um modelo de estimativa
de produtividade só será feita em nível municipal, usando o valor médio dos dados de NDVI e PAR das plantações
no município.

16.3.5 Estimativa de produtividade pelo MODIS PSN

O MUPSA estima a produtividade de uma cultura em função de PSN. Os dados de PSN MODIS estão
disponíveis em 1 km x 1 km e são acumulados de um período de oito dias. Os dados de produtividade estão
disponíveis em nível municipal. As curvas de NDVI e o início da data do plantio de uma determinada cultura variam
espacialmente de acordo com condições climáticas, códigos genéticos e tecnologias de manejo das culturas. As
curvas de NDVI podem ser mais curtas e baixas devido à alta temperatura ou à seca severa. Pode ocorrer também
um ciclo fenológico de uma cultura em uma plantação igual ao seu potencial da produtividade máxima, mas o valor
máximo do NDVI na curva do NDVI é mais baixo. Isso significa que essa plantação tem baixa tecnologia de manejo
de cultura. Portanto, a produtividade pode variar de um pixel para outro devido às variações espaciais de microclima
e sistema de manejo. Em razão de os dados de PSN somente estarem disponíveis de oito em oito dias, a data do
plantio pode não coincidir com a data de início de um período de oito dias na contagem do período. Um reajuste
deve ser feito para que se comece a contar o ciclo fenológico pela curva de NDVI. Considerando plantações
localizadas em uma região com condições ambientais e tecnológicas semelhantes, os padrões das curvas de NDVI e
da data do plantio devem ser iguais. Portanto, os pixels nas várias áreas homogêneas dentro do município devem ser
delineados para obter o valor médio do PSN municipal.

16.3.6 Delineamento da unidade homogênea

A curva de NDVI pode ser afetada pelas variações climáticas, genéticas e tecnológicas de manejo das culturas.
O zoneamento será feito para definir que as plantações são localizadas em uma unidade homogênea utilizando
ANNs para reconhecer os padrões das evoluções anuais de Ts, PCP e NDVI. Várias fontes de dados de Ts, PCP e
NDVI podem ser incorporadas para identificar e delinear as unidades homogêneas micrometeorológicas. Os dados
incluem os dados diários de Tamax, Tamin e PCP das estações meteorológicas do INMET e do INPE, os dados 
diários de PCP da ANA, os dados diários e mensais de Ts do MODIS com a resolução espacial de 1 km x 1 km, os
dados diários de Tsmax e Tsmin gerados com NOAA AVHRR com a resolução espacial de 1 km x 1 km, os dados
de NDVI gerados na seção 4.3 (Estimativa de área plantada) e os dados mensais de PCP do TRIMM com a
resolução espacial de 1° latitude x 1° longitude. Primeiramente, os dados disponíveis dessas fontes podem ser
sobreposicionados em uma área retangular que abrange a área ocupada por um município de interesse para aumentar
sua resolução espacial. As unidades homogêneas serão delineadas aplicando o ANNs com o uso de multitemporal e
multiespacial de Ts, PCP e NDVI.

16.3.7 Cálculo da PSN em nível municipal

As curvas de NDVI e as durações do ciclo fenológico e dos três estágios do crescimento devem ser idênticas
dentro de uma unidade homogênea. A data da contagem do valor da PSN no primeiro período de oito dias pode não
coincidir com a data do plantio de um pixel dentro da área homogênea. No entanto, a PSN é praticamente zero antes
do aumento do NDVI alguns dias após a germinação. Assim, não importa o primeiro valor de PSN, mas a contagem
do cálculo de GDD, que deve começar a ser feita na data do plantio. As produtividades de cada unidade homogênea
podem ser calculadas usando o valor de PSN acumulada do ciclo fenológico. Um processo de agregar os pesos de
cada pixel na obtenção da PSN do município a que pertence deve ser feito. Primeiramente, as unidades homogêneas
de 1.000 m x 1.000 m de uma determinada cultura dentro do limite do município serão delineadas para calcular a
PSN da produtividade de cada pixel de 20 m x 20 m dentro dessas unidades.
A PSN em cada estágio do crescimento é calculada em função de εf, NDVI e PAR pela equação (16.8).
Considerando que os valores de εf e PAR não variam apreciavelmente dentro da plantação uniforme de uma área de
1.000 m x 1.000 m, o valor de PSNij está intimamente ligado à área total da curva de NDVIij (ANDVIij) do ciclo
fenológico de uma determinada cultura. Portanto, o valor de PSNij pode ser calculado pela equação (16.9):

Aplicando a equação (16.10):

Em que:
PSN = fotossíntese acumulada de oito dias de uma área de 1 km x 1 km (g C/m2);
PSNij = fotossíntese acumulada de oito dias do pixel ij com uma área de 20 m x 20 m (g C/m2);
Pij = pixel ij;
i = 1, 2, 3, ...n;
j = 1, 2, 3, ....n;
n = 50;
ANDVI = área do NDVI no ciclo fenológico da cultura.

O valor de PSNij pode ser estimado em função de ANDVIij aplicando a regressão linear. Portanto, o valor de
PSN de cada pixel ocupado pela cultura de interesse dentro do município pode ser obtido. Aplicando a equação
(12.21), os valores de PSN dos três estágios do ciclo da cultura do município podem ser obtidos. Os dados de PAR
também podem ser gerados com os dados dos satélites com uma resolução espacial de 20 m x 20 m e uma resolução
temporal igual à dos dados de NDVI, incluindo Landsat, SPOT, CBERS e MODIS (LI; MOREAU, 1996;
MOREAU; LI, 1996). O Anexo 16B descreve o método de Li e Moreau (1996) na estimativa de PAR absorvida pela
copa da vegetação. Os dados de PSN e PAR gerados com os dados de satélites devem ser validados com os dados
medidos em campo usando os sensores de LICOR para obter FPAR e os sensores de CO2 de GMP343 Carbon Probe
Vaisala para obter a taxa de fotossíntese, PSN.
Para obter o valor de εf de um determinado tipo de vegetação em um local específico, precisa-se coletar o peso
de matérias secas e a radiação PAR absorvida. O peso total inclui folhas, caules, raízes e as partes caídas em um
determinado período de tempo, nesse caso, de oito dias, que coincide com os dados de PSN do MODIS. Para coletar
os pesos das culturas, o processo é mais simples. Mas, para coletar os pesos de árvores, que incluem troncos, caules,
folhas e raízes, o processo é muito difícil. Portanto, o valor de CO2 e da FPAR de uma determinada cultura será
estimado pelo valor da matéria seca acumulada em um período de tempo em função da taxa total de fixação de CO2
e da FPAR medidas em campo. Uma vez que a quantidade de matéria seca pode ser estimada pela taxa de fixação de
CO2, o valor de εf para uma determinada idade de um determinado tipo de vegetação pode ser calculado pelos dados
de taxa de fixação de CO2 e de radiação de PAR absorvida em campo. O Anexo 16A apresenta os experimentos para
obter CO2, FPAR e εf em campo. Os valores de εf dos principais tipos de vegetação obtidos pelo experimento em
campo serão usados para a validação dos dados de εf calculados pelos dados de FPAR/PSN gerados com MODIS.

16.3.8 Estimativa de produtividade

O modelo de estimativa de produtividade em função de PSN pode ser construído progressivamente para obter
as previsões progressivas desde o estágio de crescimento, passando pelo estágio de florescimento, até o estágio de
maturação. Os dados de produtividade publicados pelo IBGE do período de 2001 a 2006 e os dados de PSN do
mesmo período serão usados para a construção dos modelos, ao passo que os dados de 2007 e 2008 serão usados
para a validação desses modelos. Após obter a produtividade do município, aplicando a equação (16.10) e
substituindo a PSN pela produtividade Y, a produtividade de cada pixel pode ser estimada. Essas informações de
produtividade estimada em nível de um pixel de 20 m x 20 m podem ser integradas no sistema operacional de
agricultura de precisão e na adequação das ações do manejo da produção.
Para cada cultura, os principais municípios que representam a produção total de um determinado Estado serão
incluídos na construção do modelo estadual. Os modelos estaduais serão incluídos na construção do modelo
nacional. As estimativas de produtividade do MUPSA serão testadas e avaliadas para todas as culturas de interesse,
incluindo culturas anuais, culturas perenes, florestas nativas e reflorestamentos. Isso abre uma potencialidade
enorme para estabelecer um sistema operacional de previsão de safra bem simples e efetivo, sem precedentes.

16.3.9 Sistema operacional de previsão de safra agrícola

A previsão de safra de uma cultura em nível municipal pode ser obtida pela área plantada multiplicada pela
produtividade, corrigindo com o peso da produção total do município. As previsões estaduais e nacionais podem ser
obtidas seguindo a mesma lógica. Os avanços nas áreas de sensoriamento remoto, previsão do tempo e tecnologia de
computador contribuem para que a previsão dos impactos climáticos na produção agrícola seja mais confiável. A
Divisão de Aplicações Climáticas do National Environmental Satellite, Data, and Information Service
(NESDIS/NOAA), localizada em Colúmbia, Missouri, USA, desenvolveu um sistema de Alerta da Seca Agrícola
para a região Sahel na África desde o ano de 1979 (SAKAMOTO; STEYAERT, 1987). Esse sistema de alerta de
seca tem sido reconhecido internacionalmente. Vários países já o incorporaram no sistema operacional de serviços
meteorológicos.
O sistema de alerta de seca proposto compõe-se de três subsistemas: informação de satélite, índices
agrometeorológicos e produtividade. O subsistema de informação de satélite oferece os dados de precipitação que
incluem a distribuição espacial da quantidade de chuva pelo uso dos dados de índice de nuvens derivados dos dados
de satélite. A NASA disponibiliza os dados mensais de precipitação com a resolução espacial de 1° latitude por 1°
longitude do globo inteiro desde 1998 no site <http://daac.gsfc.nasa.gov/precipitation/index.shtml> (acesso em 27 de
agosto de 2008). O subsistema de índices agrometeorológicos oferece os índices de seca pela análise estatística da
probabilidade de chuva baseada nos dados históricos. As informações de ocorrências de geada, enchente, doenças e
pragas, que acontecem freqüentemente em regiões específicas, deverão ser analisadas para caracterizar o grau de
perda da produção. No subsistema de previsão da produtividade, serão desenvolvidos modelos estatísticos
agrometeorológicos, modelos de simulação dos processos fisiológicos da cultura e modelos de índice de vegetação
gerados com dados de satélite. As estimativas da produtividade obtidas pelos três tipos de modelos desenvolvidos
serão comparadas e confirmadas com as informações atualizadas em campo para a obtenção de uma estimativa mais
confiável.
Previamente à divulgação da informação de previsão, os dados obtidos pelos três subsistemas, as informações
obtidas nas várias instituições responsáveis pela operação de previsão, como IBGE, EMBRAPA, INPE e Ministério
de Agricultura, e os dados obtidos no campo serão cuidadosamente cruzados e comparados para se obter uma
previsão realista. O sistema operacional requer uma equipe multidisciplinar que possa trabalhar interagindo com as
agências e os países envolvidos na mesma tarefa. O sistema de comunicação via Internet deve ter alta capacidade de
fornecer o fluxo de dados e informações mais rápido possível, servindo para o oferecimento do alerta em tempo
hábil.
Os produtos do sistema de alerta divulgados pelo site abrangem três tipos de informação: resumo executivo,
análise regional e/ou nacional e dados atualizados. Para destacar a notícia de alerta, a primeira página do boletim já
apresentará a região mais afetada. As análises das causas e os dados observados são apresentados no texto com
informações detalhadas. Após a divulgação do boletim, a atualização da previsão será feita pelo site. A divulgação
da informação gerada pelo sistema de alerta é destinada aos usuários, cujas opiniões serão coletadas e analisadas
para que seja alcançado o melhor atendimento possível. O sistema de alerta é utilizado para oferecer as informações
de alerta de seca agrícola regularmente em nível nacional. A transferência da tecnologia aos institutos operacionais
deve ser consolidada por meio da elaboração da cooperação técnica entre os órgãos responsáveis. O método
desenvolvido será testado para a implantação de um sistema operacional de previsão de safra agrícola no Brasil que
inclui um sistema de alerta por meio do monitoramento das condições de crescimento e desenvolvimento de uma
determinada cultura em uma área de 20 m x 20 m para auxiliar a implantação de um sistema de agricultura de
precisão via satélite.

16.3.10 Sistema MUPSA do globo

Depois da confirmação de que o MUPSA desempenha bem na identificação, no monitoramento das condições
do crescimento e desenvolvimento fisiológicos e na estimativa da área plantada e na produtividade de uma
determinada cultura, um sistema operacional do  MUPSA pode ser desenvolvido para executar a previsão da safra
agrícola das principais culturas de alimentos e das culturas econômicas para o globo inteiro. Os dados disponíveis no
site da FAO referentes à área plantada, produtividade e culturas de todos os países do período de 2000 a 2010 serão
usados para a construção e a validação do MUPSA Globo. Na terceira etapa, será desenvolvido um sistema global de
previsão de safra das principais culturas de alimento, incluindo arroz, trigo, soja, milho, feijão, batata, sorgo, girassol
e pastagens do globo terrestre inteiro. Na quarta etapa, será desenvolvido um sistema global de previsão de safra das
principais culturas econômicas, incluindo laranja, café, uva, algodão, abacaxi, beterraba e cana-de-açúcar do globo
terrestre inteiro. Na terceira e na quarta etapas, serão desenvolvidos e validados os métodos de detecção dos fatores
que afetam a produtividade potencial, como deficiências ou excessos de nutrientes, ataques de bactérias, fungos e
pragas, excesso ou déficit hídrico, etc., aplicando o gerenciador SIG. A detecção das ocorrências das principais
doenças e pragas de uma determinada cultura em uma região específica pela análise das evoluções espectrais e
espaciais dos sensores de satélite deve ser validada com os históricos observados em campo (LIU, 2007). Na quinta
etapa, será desenvolvido, testado e avaliado um sistema de gerenciamento sustentável dos recursos ambientais
visando ao equilíbrio das ofertas e demandas dos alimentos globais. O MUPSA, então, alcança sua tarefa sagrada de
vigiar e fazer com que cada pedaço da Terra seja aproveitado em benefício dos seres humanos.

16.4 Cronograma de atividades de execução (24 meses)

16.4.1 Primeira etapa
16.4.2 Segunda etapa
Referências
ABUZAR, M.; McALLISTER, A.; MORRIS, M., 2001. Classification of seasonal images for monitoring irrigated crops in a salinity
affected of Australia. International Journal of Remote Sensing. 22:717-726.
AHERN, F. J.; GOODENOUGH, D. G.; GREY, A. L.; REYRSON, R. A.; VIBIKAITIS, R. J.; GOLDBERG, M., 1973.
Simultaneous microwave and optical wavelength observations of agricultural targets. Canada Journal of Remote Sensing. 4:127-142.
ALLEN, J. D.; HANUSCHAK, S. A., 1983. The remote sensing application program of the national agricultural statistics service,
1980/87.  NASA Staff Report N°. SRB-88-08, USA.
ALONSON, F. C.; SORIA, S. L.; GOZADO, J. M., 1991. Comparing two methodologies for crop area  estimation in Spain using 
Landsat  TM  images  and  ground-gathered data. Remote Sensing of Environment. 35:29-35.
ANDERSON, H. S., 1997. Land surface temperature estimation based on NOAA AVHRR data during the HEPEX Sahel
Experiment. Journal of Hydrology. 188:788-814.
ANUNCIAÇÃO, Y. M.; LIU, W. T., 1991.  Estimativa da produtividade do trigo em campo experimental utilizando o modelo 
fisiológico  CERES-MAIZE V2.10. Resumo do VII Congresso Brasileiro de Agrometeorologia, Viçosa, MG. 22-35.
ATTEMA, E. P.; ULABY, F. T., 1978. Vegetation modelled as a water cloud. Radio Science. 13:357-364.
BAUER, M. E.; HIXSON, M. M.; DAVIS, B. J.; EITHERDGE, J. B., 1973.  Area estimation of crops by digital analysis of Landsat
data. Photogrammetric Engineering and Remote Sensing. 44:1033-1043.
BAKER, D. N.; HESKETH, J. D.; DUNCAN, W. G., 1972. Simulation of growth and yield in cotton. I. Gross  photosynthesis,
respiration and growth. Crop Science. 12:431-435.
BECKER, F.; LI, Z. L., 1990. Towards a local split window over land surfaces. International Journal of Remote Sensing. 12:369-
393.
BENEDETTI, R.; ROSSINI, P., 1993. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield
estimate and forecast in Emilia Romagna. Remote Sensing of Environment. 45:312-326.
BOUMAN, B. A., 1992a. Accuracy of estimating the leaf area index from vegetation indices derived from crop reflectance
characteristics, a simulation study. International Journal of Remote Sensing. 13:3069-2084.
BOUMAN, B. A., 1992b. Linking physical remote sensing models with crop growth simulation applied to sugar beet models.
International Journal of Remote Sensing. 13:2565-2581.
BOUMAN, B. A.; VAN KASTEREN, H. W.; UENK, D., 1992. Standard relations to estimate ground cover and LAI of agricultural
crops from reflectance measurements. European Journal of Agronomy. 1:249-262.
BOUMAN, B. A., 1995. Crop modeling and remote sensing for yield prediction. Netherlands Journal of Agricultural Science.
43:143-161.
BUSH, T. F.; ULBANY, F., 1978. An evaluation of radar as a crop classifier. International Journal of Remote Sensing. 8:15-36.
CIHLAR, J.; MANAK, D.; VOISIN, N., 1994. AVHRR bidirectional reflectance effects. Remote Sensing of Environment. 48:77-88.
CLEVERS, J. G.; VAN LEEUWEN, H. J., 1996. Combined use of optical and microwave remote sensing data for crop growth
monitoring. Remote Sensing of Environment. 56:42-51.
COPPIN, P.; JONCKHEERE, I.; NACKERTS, K.; MUYS, B.; LAMBIN, E., 2004. Review article digital change detection methods
in ecosystem monitoring: a review. International Journal of Remote Sensing. 25:1565-1596.
DE WITT, C. T., 1958. Transpiration and crop yield. Institute of Biology and Chemistry  Resources on Fields Crops and Herbage.
Wageningen, The  Netherlands, Landbouwk, Onderz. 88p.
DOORENBOS, J.; PRUITT, W. O., 1977. Crop water requirements. FAO Irrigation and Drainage Paper n° 24. FAO, Rome, Italy.
144p.
DOORENBOS, J.; KASSAM, A. H., 1979. Yield response to water. FAO Irrigation and Drainage Paper n° 33. FAO, Rome, Italy.
193p.
DORAISWAMY, P. C.; HODGES, T.; PHINNEY, D. E., 1979. Crop yield literature review for AGRISTARS crops. NASA
Technical Report. SR-L9-00405, Earth Observation Division, NASA, Lyndon B. Johnson Space Center, Houston, Texas, USA. 98p.
DORAISWAMY, P. C.; HATFIELD, J. L.; JACKSON, T. J.; AKHMEDOV, B.; STERN, A. J., 2004. Crop condition and yield
simulations using Landsat and MODIS imagery. Remote Sensing of Environment. 92:548-559.
DORAISWAMY, P. C.; AKHMEDOV, B.; BEARD, L.; STERN, A.; MUELLER, R., 2007. Operational prediction of crop yields
using MODIS data and products. International Archives of Photogrammtry, Remote Sensing and Spatial Information Sciences,
Special Publication, Commission IV: 1-5. Disponível em: <http://www.nass.usda.gov>. Acesso em: 27 de agosto de 2008.
FAO, 1999. FAOSTAT, Agriculture Data, Internet: http://Apps.Fao.Org/Cgi-Bin/Nph-Db.Pl/Subset/Agriculture.
FLETCHER, R. S.; ESCOBAR, D. E.; SKARIA, M., 2004. Technical note: response of ratio vegetation indices to foot rot-infected
citrus trees.  International Journal of Remote Sensing. 25:3967-3972.
FROUIN, R.; PINKER, R., 1995. Estimating photosynthetically active radiation at the earth’s surface from satellite observation.
Remote Sensing of Environment. 51:98-107.
FUNG, I. Y.; TUCKER, C. J.; PRENTICE, K. C., 1987. Application of advanced very high resolution radiometer vegetation index to
study atmospheric-biosphere exchange of CO2. Journal of Geophysical Research. 92:2999-3015.
GALLEGO, F. J.; DELINCÉ, J., 1995a. Area estimation by segment sampling. Special report: the MARS project, action 1: regional
inventories. European Community Commission, ISPRA, Italy. 1-25.
GALLEGO, F. J.; DELINCÉ, J., 1995b. Regression estimates with remote sensing. Special Report: the MARS project, action 1:
regional inventories. European Community Commission, ISPRA, Italy. 37-43.
GALLEGO, F. J., 2004. Remote sensing and land cover area estimation. International Journal of Remote Sensing. 25:3019-3047.
GAO, W., 1993. A simple bidirectional reflectance model applied to a tallgrass. Remote Sensing of Environment. 45:209-224.
GALLO, K. P.; FLESH, T. K., 1989.  Large-area crop monitoring  with  the  NOAA  AVHRR data: estimating the silking stage of
corn development. Remote Sensing of Environment. 27:73-80.
GAUSMAN, H. W.; GERBERMANN, A. H.; WIEGAND, C. L., 1975. Use of ERTS-1 data to detect chlorotic grain sorghum.
Photogrammetric Engineering and Remote Sensing, 41:177-179.
GERSTL, S. A. W., 1990. Physics concepts of optical and radar reflectance signatures. International Journal of Remote Sensing.
11:1109-1117.
GÓMEZ, L.; CALPE, J.; MARTIN, J. D.; SORIA, E.; CAMPS, G.; MORENO, J., 2002. Semi-supervised method for crop
classification using hyperspectral remote sensing images. In: Recent advances in quantitative remote sensing. Edited by J. A.
Sobrino. Universitat de València, València, Spain. 488-495.
GUYOT, G., 1996. Agriculture et statistique agricoles. In: Précis de télédétection: tome 2, applications thématiques. Edited by F.
Bonn. Sainte Foy, Québec, Presses de Université du Québec. 269-316.
HAYES, M. J.; DECKER, W. L., 1996. Using NOAA AVHRR data to estimate maize production in the US Corn Belt. International
Journal of Remote Sensing. 17:3189-3200.
HIXON, M. M.; BAUER, M. E.; CHOLZ, W., 1980. An assessment of Landsat data acquisition history on identification and area
estimation of corn and soybean. Proceedings of the Symposium on Machine Processing of Remote Sensing data. Purdue University,
USA. 55-67.
HODGES, T.; BOTNER, D.; SAKAMOTO, C.; HANG, J., 1987. Using the CERES-maize  model to estimate production for the US
Cornbelt. Agricultural and Forest Meteorology. 40:293-303.
HUCEK, R.; JACOBOWITZ, H., 1995. Impacts of scene dependence on AVHRR albedo model. Journal of Atmospheric and
Oceanic Technology. 12:697-711.
IBGE, Instituto Brasileiro de Estatística e Geografia. Disponível em: <http://www.ibge.gov.br>. Acesso em: 28 de fevereiro de 2008.
IBSNAT 1993. IBSNAT Views 1. International Benchmark Sites Network for Agrotechnology Transfer. Honolulu, Hawaii, USA.
122p.
IKEDA, H.; OKOMOTO, K.; FUKUHARA, M., 1999. Estimation of above ground phytomass in meadow grasslands with a growth
model using Landsat TM and climatic data. International Journal of Remote Sensing. 20:2283-2294.
JARVIS, P. G.; LEVERENZ, J. W., 1983. Productivity of temperate, deciduous and evergreen forest. In: Physiological plant ecology
IV, Ecosystem processes: mineral cycling, productivity and man’s influence. Edited by O. L. Lange, P. S. Nobel, C. B. Osmond and
H. Ziegler. New York, Springer-Verlag. 132-147.
JOHNSON, G. E.; VAN DIJK, A.; SAKAMOTO, C. M., 1987. The use of AVHRR data in operational agricultural assessment in
Africa. Geocartography International. 1:41-60.
JONES, C. A.; KINIRY, J. R., 1986. CERES-Maize, a simulation model of maize growth and development. Texas A&M University
Press. 193p.
KATZ, R. W., 1979. Sensitivity analysis of statistical crop weather models.  Agriculture Meteorology. 20:291-300.
KAUL, M.; HILL, R. L.; WALTHALL, C., 2005. Artificial neural networks for corn and soybeans yield prediction. Agricultural
Systems. 85:1-18. 
KOGAN, F. N., 1990. Remote sensing of weather impacts on vegetation in non-homogeneous areas. International Journal of Remote
Sensing. 12:1405-1420.
KOGAN, F. N., 1995. Application of vegetation index and brightness temperature for drought detection. Advanced Space Research.
15:91-100.
KOGAN, F. N., 1997. Global drought watch from space. Bulletin of the American Meteorological Society. 78:621-636.
KUMAR, M.; MONTEITH, J. L., 1982. Remote sensing of plant growth. In: Plants and Daylight Spectrum. Edited by H. Smith.
Academic Press, London, UK. 133-144.
LANDSBERG, J. J.; GOWER, S. T., 1997. Applications of Physiological Ecology to Forest
Management. Physiological Ecology Series. Academic Press, San Diego, California, USA. 266p.
LEMON, E. L., 1969. Important microclimatic factors in soil-water-plant relationships. Modifying the soil and water environment for
approaching the agricultural potential of the Great Plains. Great Plains Agriculture Council Publication. 34:95-102.
LEMON, E. L., 1971. The sun’s work in a corn field. Science. 174:371-378.
LEFSKY, M. A.; HARDING, D.; COHEN, W. B.; PARKER, G.; SHUGART, H. H., 1999. Surface Lidar remote sensing of basal
area and biomass in deciduous forest of eastern Maryland, USA. Remote Sensing of Environment. 67:83-98.
LEFSKY, M. A.; TURNER, D. P.; GUZY, M.; COHEN, W. B., 2005. Combining Lidar estimates of aboveground biomass and
Landsat estimates of stand age for spatially extensive validation of modeled forest productivity. Remote Sensing of Environment.
95:517-531.
JENSEN, J. R., 1979. Spectral and textural features to classify elusive land cover at the urban fringe. The Professional Geographer.
31:400-409.
LI, Z.; LEIGHTON, H. G.; MASUDA, K.; TAKASHIMA, T., 1993. Estimation of SW flux absorbed at the surface from TOA
reflected flux. Journal of Climate. 6:317-330.
LI, Z.; MOREAU, L., 1996. A new approach for remote sensing of canopy absorbed PAR, I: total surface absorption. Remote
Sensing of Environment. 55:175-191.
LI, Z.; WHITLOCK, C. H.; CHARLOOK, T. P., 1994. Assessment of the global monthly mean surface insolation estimated from
satellite measurements using global energy balance archive data. Journal of Climate. 7:412-425.
LIU, W. T.; BOTNER, D. M.; SAKAMOTO, C. M., 1989.  Application of CERES-Maize model to yield prediction of a Brazilian
maize hybrid. Agriculture and Forest Meteorology. 45:299-312.
LIU, W. T.; FERREIRA, A. A., 1991. Monitoring crop production regions in São Paulo State of Brazil using NDVI. Proceedings of
the 24th International Symposium on Remote Sensing, Rio de Janeiro, May 1991. 2:442-455.
LIU, H. Q.; HUETE, A. R., 1995. A feedback based modification of the NDVI to minimize canopy background and atmospheric
noise. IEEE Transactions on Geoscience and Remote Sensing. 33:457-465.
LIU, W. T.; LIU, B. W., 1981. Um modelo de previsão de safra de trigo no Rio Grande do Sul. Ciência e Cultura. 33:257-264.
LIU, W. T.; LIU, B. W., 1988a. Modelo de previsão de produtividade de café no Estado de Minas Gerais. Ciência e Cultura. 40:801-
807.
LIU, W. T.; LIU, B. W., 1988b. Comparação de modelo simples e composto de previsão de safra de soja no Estado de Minas Gerais.
Ciência e Cultura. 40:808-812.
LIU, W. T.; KOGAN, F. N., 1996. Monitoring drought using vegetation condition index. International Journal of Remote Sensing.
17:2761-2782.
LIU, W. T.; KOGAN, F. N., 2002. Monitoring Brazilian soybean production using NOAA AVHRR based vegetation condition
index. International Journal of Remote Sensing. 22:1261-12712.
LIU, W. T.; SOUZA, A.; KOGAN, F. N., 2002. Brazilian soybean yield prediction using satellite stress indices. In: Proceedings of
recent advances in quantitative remote sensing. Edited by Jose A. Sobrino. Universitat de València, València, Spain. 409-415.
LIU, W. T.; LIU, B. W., 1988. Modelo de previsão de produtividade de café no Estado de Minas Gerais. Ciência e Cultura. 40:801-
807.
LIU, W. T., 2007. Aplicações de sensoriamento remoto. Uniderp, Campo Grande, 908p. ISBN 85-7704-040-0.
LIU, W. T.; VILELA, T.; VIEIRA, C.; GOTTARDO, T.; KOGAN, F., 2008. Previsão de safra da soja no município de
Capinópolis/MG através do sensoriamento remoto. Anais do II Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da
Geoinformação, Recife, 8-11 de setembro de 2008. 7p.
LOVELAND, T. R.; REED, B. C.; BROWN, J. F.; OHLEN, D. O.; ZHU, Z.; YANG, L.; MERCHANT, J. W., 2000. Development
of a global land cover characteristics database and IGBP Discover from 1 km AVHRR data. International Journal of Remote Sensing.
21:1303-1330.
MANZER, F. E.; COOPER, G. R., 1967. Aerophotographic methods of potato disease detection. Maine Agricultural Experimental
Station Bulletin. 646:1-14.
MAAS, S. J., 1988. Use of satellite data to improve model estimates of crop yield. Agronomy Journal. 80:655-662.
MASELLI, F.; CONESE, C.; PETKOV, L.; GILABERT, M., 1993. Environmental monitoring and crop forecasting in the Sahel
through the use of NOAA NDVI data. A case study: Niger 1986-89. International Journal of Remote Sensing. 14:3471-3487.
MASELLI, F.; CHIESI, M., 2005. Integration of high and low resolution satellite data to estimate pine forest productivity in
Mediterranean coastal area. IEEE Transactions on Geoscience and Remote Sensing. 43:135-143.
MATSUSHITA, B.; YANG, W.; CHEN, J.; ONDA, Y.; QIU, G., 2007. Sensitivity of the enhanced vegetation index (EVI) and
NDVI to topographic effects: a case study in high density cypress forest. Sensors. 7:2636-2651.
McCREE, K. J., 1974. Equations for the rate of dark respiration of white clover and grain sorghum, as functions of dry weight,
photosynthetic rate, and temperature. Crop Science. 14:509-514.
McQUIGG, J. D., 1975. Economic impacts for weather variability. Department of Atmospheric Science, University of Missouri,
Columbia, USA. 82p.
METTERNICHT, G., 2003. Vegetation indices derived from high-resolution airborne videography for precision crop management.
International Journal of Remote Sensing. 24:2855-2877.
MONTEITH, J. L., 1972. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology. 9:747-766.
MONTEITH, J. L., 1977. Climate and efficiency of crop production in Britain. Philosophy Transactions of Royal Society, London.
B281:277-294.
MORAN, M. S.; CLARKE, T. R.; INOUE, Y.; VIDAL, A., 1994. Estimating crop water deficit using the relation between surface-
air temperature and spectral vegetation index. Remote Sensing of Environment. 49:246-263.
MORAN, M. S.; INOUE, Y.; BARNES, E. M., 1997. Opportunities and limitations for image-based remote sensing in precision crop
management. Remote Sensing of Environment. 61:319-346.
MOREAU, L.; LI, Z., 1996. A new approach for remote sensing of canopy absorbed PAR, II: proportion of canopy absorption.
Remote Sensing of Environment. 55:192-204.
MOULIN, S.; KERGOAT, L.; VIOVY, N.; DEDIEU, G., 1997. Global-scale assessment of vegetation phenology using
NOAA/AVHRR satellite measurements. Journal of Climate. 10:1154-1170.
MOULIN, S.; BONDEAU, A.; DELÉCOLLE, R., 1998. Combining agricultural crop models and satellite observations: from field to
regional scales. International Journal of Remote Sensing. 19:101-1036.
MOULIN, S.; GUÉRIF, M., 1999. Impacts of model parameter uncertainties on crop reflectance estimates. International Journal of
Remote Sensing. 20:213-218.
NASA, 2008. Disponível em: <http://www.landcover.org/data/gimms>, <http://daac.gsfc.nasa.gov>. Acesso em: 27 de agosto de
2008.
NASA, 2008. Disponível em: <http://daac.gsfc.nasa.gov/precipitation/index.shtml>. Acesso em: 27 de agosto de 2008.
NOAA, 2008. Disponível em: <http://www.star.desdis.noaa.gov/smcd/emb/vci/VH/vh_ftp.php>. Acesso em: 1º de junho de 2008.
NOMOTO, R. Y.; LIU, W. T., 1992. Estimativa da produtividade agrícola da cultura de arroz baseada nos dados de índice de
vegetação obtidos por satélite. Anais do VII Congresso Brasileiro de Meteorologia, 28 de setembro a 2 de outubro de 1992, São
Paulo. 2:543-547.
NOVO, E. M.; COSTA, M. P.; MANTOVANI, J. E.; LIMA, I. B., 2002. Relationship between macrophyte stand variables and radar
backscatter at L and C band, Tucuruí reservoir, Brazil. International Journal of Remote Sensing. 23:1241-1260.
OLSON, J. S., 1994. Global ecosystems framework: definitions. Internal report. USGS EROS Data Center, Sioux Falls, South
Dakota, USA. 121p.
PEARSON, R. L.; MILLER, L. D., 1972. Remote mapping of standing crop biomass for estimation of the productivity of  the short-
grass prairie. Proceedings of the 8th Symposium on Remote Sensing of Environment, University of Michigan, Ann Arbor, Michigan,
USA. 1357-1381.
PINKER, R. T.; LASZLO, I., 1992. Modeling surface solar irradiance for satellite applications on a global scale. Journal of Applied
Meteorology. 31:194-211.
PRIVETTE, J. L.; MYNENI, R. B.; TUCKER, C. J.; EMERY, W. J., 1994. Invertibility of a 1-D discrete ordinates canopy
reflectance model. Remote Sensing of Environment. 48:89-105.
PRASAD, A. K.; CHAI, L.; SINHGH, R.; KAFATOS, M., 2005. Crop yield estimation model for Iowa using remote sensing and
surface parameters. International Journal of Applied Earth Observation and Geoinformation. 15:21-29.
PRÉVOT, J. R.; DECHAMBRE, M.; TACONET, O.; VIDAL, D.; NORMAND, M.; GALLE, S., 1993. Estimating the
characteristics of vegetation canopies with airborne radar measurements. International Journal of Remote Sensing. 14:2803-2818.
PRINCE, S. D., 1991a. Satellite remote sensing of primary production: comparison of results for Sahelian grasslands 1981-1983. 
International Journal of Remote Sensing. 12:1301-1312.
PRINCE, S. D., 1991b. A model of regional primary production for use with coarse resolution satellite data.  International Journal of
Remote Sensing. 12:1312-1330.
PRICE, J. C.; BAUSCH, W. C., 1995. Leaf area index estimation from visible and near-infrared reflectance data. Remote Sensing of
Environment. 52:55-65.
QUARMBY, N. A.; MILNES, M. T.; HINDLE, T. L.; SILLEOS, N., 1993. The use of multi-temporal NDVI measurements from
AVHRR data for crop yield estimation and prediction. International Journal of Remote Sensing. 14:199-210.
QUARMBY, N. A.; TOWNSHEND, J. R.; SETTLE, P. J.; WHITE, K. H.; MILNES, M.; HINDLE, T. L.; SILLEOS, N., 1992.
Linear mixture modelling applied to AVHRR data for crop area estimation. International Journal of Remote Sensing. 13:415-426.
RASMUSSEN, M. S., 1992. Assessment of millet yields and production in northern Burkina Faso using integrated NDVI from the
AVHRR. International Journal of Remote Sensing. 13:3431-3442.
RASMUSSEN, M. S., 1997. Operational yield forecast using AVHRR NDVI data: reduction of environmental and inter-annual
variability. International Journal of Remote Sensing. 18:1059-1077.
RASMUSSEN, M. S., 1998a. Developing simple, operational, consistent NDVI-vegetation models by applying environmental and
climatic information, part 1: assessment of net primary production. International Journal of Remote Sensing. 19:97-127.
RASMUSSEN, M. S., 1998b. Developing simple, operational, consistent NDVI-vegetation models by applying environmental and
climatic information, part 2: crop yield assessment.  International Journal of Remote Sensing. 19:128-219.
RAY, S. S.; POKHARNA, S. S.; AJAI, 1994. Cotton production estimation using IRS-1B and meteorological data.  International
Journal of Remote Sensing. 15:1085-1090.
RAY, S. S.; POKHARNA, S. S.; AJAI, 1999. Cotton yield estimation using agrometeorological model and satellite-derived spectral
profile. International Journal of Remote Sensing. 20:2693-2702.
ROBERTSON, G. W., 1968. A biometeorological time scale for a cereal crop involving day and night temperatures and photoperiod.
International Journal of Biometeorology. 12:91-223.
ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W., 1974. Monitoring vegetation system in the Great Plains with
ERTS. Proceedings of the 3rd Earth Resources Technology Satellite-1 Symposium, Greenbelt, Maryland, USA. NASA SP-351.
3010-3017.
RUNNING, S. W.; NEMANI, R.; GLASSY, J. M.; THORNTON, P. E., 1999. MODIS daily photosynthesis and annual net primary
production product (MOD17): algorithm theoretical basis document. Version 3.0. Disponível em: <http://modis-
land.gsfc.nasa.gov/npp.htm>. Acesso em: 1° de setembro de 2008.
SAKAMOTO, C. M., 1973. The z-index as a variable for crop yield estimation. Agriculture Meteorology. 19:305-313.
SAKAMOTO, C. M.; STEYART, L. T., 1987. International drought early warning program of  NOAA/NESDIS. In: Planning for
drought: toward a reduction of societal vulnerability. Project technical report. NOAA NESDIS, Washington D.C., USA. 267-273.
SCHOTTEN, C. G.; VAN ROOY, W. W.; JANSSEN, L. L., 1995. Assessment of the capabilities of multi-temporal ERS-1 SAR data
to discriminate between agricultural crops. International Journal of Remote Sensing. 16:2619-2637.
SEGUIN, B.; COURAULT, D.; GUÉRI, M., 1994. Surface temperature and evapotranspiration: application of local scale methods to
regional scales using satellite data. Remote Sensing of Environment. 49:287-295.
SMITH, G. M.; FULLER, R. M., 2001. An integrated approach to land cover classification: an example in the Island of Jersey.
International Journal of Remote Sensing. 22:3123-3142.
SNYDER, R. L., 1985. Hand calculating degree days. Agriculture and Forest Meteorology. 35:353-358.
SOUZA, A. F.; LIU, W. T., 2000. Comparison of soybean productivity for the northern region of the Parana State using 4 satellite
recorded vegetation indices. Anais do XI Congresso Brasileiro de Meteorologia, 23-27 de outubro de 2000, Rio de Janeiro, Brasil.
CD-ROM.
STEINMETZ, S.; GUERIF, M.; DELECOLLE, R.; BARET, F., 1990. Spectral estimates of the absorbed photosynthetically active
radiation and light-use efficiency of a winter wheat crop subjected to nitrogen and water deficiencies. International Journal of Remote
Sensing. 11:1797-1808.
TAYLOR, B. F.; DINI, P. W.; KIDSON, J. W., 1985. Determination of seasonal and interannual variation in New Zealand pasture
growth from NOAA-7 data. International Journal of Remote Sensing. 18:177-192.
THOMPSON, L. M., 1970. Weather and technology in the production of corn in the U. S. Corn Belt. Agronomy Journal. 61:453-456.
TOWNSHEND, J. R. G.; JUSTICE, C. O.; KALB, V., 1987. Characterization and classification of South American land cover types
using satellite data. International Journal of Remote Sensing. 8:1189-1207.
TSUJI, G. Y.; UEHARA, G.; BALAS, S., 1994. A decision support system for agrotechnology transfer version 3. IBSNAT,
University of Hawaii. v. 1-3. 787p.
TUCKER, C. J.; FUNG, I. Y.; KEELING, C. D.; GAMMON, R. H., 1986. Relationship between atmospheric CO2 variations and a
satellite-derived vegetation index. Nature. 319:195-199.
UNGANAI, L. S.; KOGAN, F. N., 1998. Drought monitoring and corn yield estimation in Southern Africa from AVHRR data.
Remote Sensing of Environment. 63:219-232.
USERY, E. L.; POCKNEE, S.; BOYDELL, B., 1995. Precision farming data management using geographic information systems.
Photogrammetric Engineering and Remote Sensing. 61:1383-1391.
USDA, 1994. Major world crop areas and climatic profiles. Agricultural handbook n° 664. World Agricultural Outlook Board. 277p.
VAN DIJK, A.; CALLIS, S. L.; SAKAMOTO, C. M.; DECKER, W., 1987. Smoothing vegetation index profiles: an alternative
method for reducing radiometric disturbance in NOAA/AVHRR data. Photogrammetric Engineering and Remote Sensing. 53:1059-
1067.
VELLEMAN, P.; HOAGLIN, D. C., 1981. Applications, basics, and computing of exploratory data analysis. Duxbury Press, Boston,
Massachusetts, USA. 458p.
VERMOTE, E. F.; ROY, D. P., 2002. Land surface hot-spot observed by MODIS over Central Africa. International Journal of
Remote Sensing. 23:2141-2143.
VIEIRA, C. A. O.; MATHER, P. M.; TSO, B.; McCULLAGH, M., 1998. Using multi-temporal, multi-spectral and multi-source
remotely-sensed data to classify agricultural crops. The 24th Annual Conference and Exhibition of the RSS98 (Developing
International Connections), 9th-11th September, The University of Greenwich, Kent, UK. 354-360.
VIEIRA, C. A. O.; MATHER, P. M.; McCULLAGH, M., 2000. The spectral-temporal response surface and its use in the multi-
sensor, multi-temporal classification of agricultural crops. IAPRS, ISPRS, Amsterdam, The Netherlands, 16-23 July 2000.
XXXIII:582-589. Part B2.
WIEGAND, C. L.; RICHARDSON, A. J., 1987. Spectral components analysis Rationale, and results for three crops. International
Journal of Remote Sensing. 8:1001-1032.
WIEGAND, C. L.; RICHARDSON, A. J., 1990a. Use of spectral vegetation indices to infer leaf area evapotranspiration and yield, I.
Rationale. Agronomy Journal. 83:623-629.
WIEGAND, C. L.; RICHARDSON, A. J., 1990b. Use of spectral vegetation indices to infer leaf area evapotranspiration and yield, II.
Results. Agronomy Journal. 83:630-636.
WIGNERON, J. P.; KERR, Y.; PRÉVOT, 1997. Retrieval of soil and vegetation features from passive microwave measurements.
Remote Sensing Reviews. 15:157-177.
WILSON, W. W.; SEBAUGH, J. L., 1981. Established criteria and selected methods for evaluating crop yield models in the
AgRISTARS program. Proceedings of the Section on Survey Research Methods, American Statistical Association. 24-31.
ZIELINSKA, K. D.; KOGAN, F.; CIOLKOSZ, A.; GRUSZCZYNSKA, M.; KOWALIK, W., 2002. Modelling of crop growth
conditions and crop yield in Poland using AVHRR-based indices. International Journal of Remote Sensing. 23:1209-1223.

Anexo 16A – Experimentos para a validação do MUPSA

16A.1 Objetivos

Um experimento será conduzido para coletar os dados dos parâmetros de crescimento fisiológico de uma
determinada cultura e os dados dos fatores meteorológicos em campo para a validação do MUPSA. Duas a três
plantações em regiões com padrões climáticos típicos, como Patrocínio e Uberaba, em Minas Gerais, serão
selecionadas para conduzir o mesmo experimento. As validações incluem:
•  Validação dos dados de NDVI gerados por satélites com os dados de refletâncias de bandas VIS e NIR
coletados por espectrorradiômetro e os dados de LAI pelo LI-COR Leaf Area Meter em campo. Os dados
de PAR gerados por satélites serão validados com os sensores quantum do LI-COR em campo.
•  Validação dos estágios e do ciclo fenológico controlados por GDD (Ta e Ts) e identificados pela curva do
NDVI dos principais híbridos de uma determinada cultura em campo: coletar os dados de Tamax e Tamin
 obtidos por sensores de temperatura do LI-COR em campo e os dados observados na estação
meteorológica.
Opção: testar e usar os dados diários de Ts máxima e minima gerados com NOAA AVHRR para obter
GDD em vez de dados de Ta obtidos por sensores de Ta em campo e os dados observados na estação
meteorológica.
•  Validação dos efeitos de fatores ambientais na variação da curva de NDVI, incluindo: temperatura, déficit
hídrico, doenças e pragas, sistema de manejo da cultura, etc.
•  Validação dos dados de PSN pela medição da taxa de fotossíntese em campo: CO2, PAR, NDVI, eficiência
fotossintética (ε), matéria seca. Os dados de FLUXNETs próximos às plantações podem ser usados para a
validação dos métodos desenvolvidos.

16A.2 Experimento para coletar dados de NDVI, GDD, PAR, PSN de uma cultura em campo

Um experimento será conduzido para coletar os dados de NDVI, PAR, LAI, VIS, NIR, Ts, Ta, matérias secas,
PSN, radiação solar (Rs), data do plantio, os inícios e términos e as durações dos estágios do crescimento e a
duração do ciclo fenológico para cada cultura de interesse em campo. Cada experimento será realizado em três
repetições em três plantações. Os dados diários de NDVI, Tamax, Tamin, Ts, PCP, Rs e Rl serão obtidos nas
estações meteorológicas e gerados com os dados de Landsat e CBERS.

16A.2.1 Coleta de dados de GDD, LAI, NDVI, PAR, Rs e PSN

A data de início do estágio de florescimento é determinada como sendo o dia em que 50% da planta tiver
florescido. A observação do florescimento pode ser feita para dez filas de dez plantas marcadas casualmente na
plantação. O dia é identificado como o início do florescimento se tiver uma média de cinco plantas em cada fila com
mais de 50% de florescimento. O mesmo critério é usado para determinar o início do enchimento de grão e
maturação. Os dados de NDVI serão gerados com as refletâncias das bandas de visível e de infravermelho próximo
coletadas por espectrorradiômetro. Os dados de PAR, incluindo PAR incidente, PAR interceptada e PAR absorvida,
serão coletados por sensores de quantum de LI-191SA do LI-COR, enquanto os dados de Tamax e Tamin serão
coletados por LI-COR LI-1400-101. Já os dados de LAI serão coletados por LI-3000C. Esses dados serão usados
para a construção do modelo de estimativa de produtividade posteriormente. A taxa de fotossíntese, PSN, pode ser
medida em campo usando LI-6400XT.
Os produtos disponíveis de NDVI, PAR, PSN e NPP do globo terrestre inteiro do satélite TERRA MODIS no
site <http://modis-land.gsfc.nasa.gov/> (acesso em 12 de agosto de 2008) oferecem uma fonte importante para as
estimativas das produções agropecuárias e das condições de crescimento das vegetações terrestres. Os dados diários
da taxa de fotossíntese, PSN, são os fluxos diários de CO2 terrestre, que fornecem as informações das variações
espaciais e temporais da concentração de CO2 atmosférica.
A equação (16A.1) representa a estimativa de produtividade primária bruta, PSN ou taxa de fotossíntese,
utilizando os dados de εf, PAR e NDVI. O método é proposto por Prince (1991a).

Em que:
Y = produtividade primária bruta em kg/ha;
∑ = somatório do crescimento do período de j a n;
εf = eficiência fotossintética;
NDVI = (C2 – C1)/(C2 + C1), sendo C1 e C2 os canais 1 e 2 do satélite NOAA;
PAR = radiação fotossintética ativa obtida via satélite.
Os dados de PAR e NDVI são gerados com os dados de satélite e os de εf são validados em campo. O valor de
εf varia com o tipo de vegetação e os fatores meteorológicos, as condições ambientais e os níveis de nutrientes. No
Brasil, ainda não há valores disponíveis de εf dos principais tipos de vegetação. Os dados de PAR, PSN e NPP são
gerados espacialmente com uma resolução de 1 km x 1 km para cada tipo de vegetação do globo terrestre. É possível
determinar o valor de εf para os principais tipos de vegetação usando FPAR/PSN gerados com MODIS. No entanto,
a distribuição espacial dos diferentes tipos de vegetação pode não coincidir com o mapa de usos do solo de
Landsberg e Gower (1997), utilizado para gerar FPAR e PSN. Por sua vez, a estimativa da potencialidade máxima
do poder de fixação de CO2 obtida pelos dados de PSN e NPP do período fixo de 2001 a 2008 pode não representar
o valor máximo do tipo de vegetação em consideração. Portanto, é importante realizar um experimento para validar
os dados de FPAR, PSN e NPP gerados pelo MODIS. Para obter o valor de εf de um determinado tipo de vegetação
em um local específico, é necessário coletar o peso de matérias secas e a radiação PAR absorvida. O peso total inclui
folhas, caules, raízes e as partes caídas em um determinado período de tempo, nesse caso, de oito dias, que coincide
com os dados de PSN do MODIS. Para coletar os pesos de folhas, caules e raízes das culturas anuais, o processo é
mais simples. Mas, para coletar os pesos de tronco, caules, folhas e raízes dos fruteiros de árvores, o processo é
muito difícil. Portanto, o valor de εf de uma determinada cultura será validado com os dados de matéria seca
acumulada em um período de tempo em função da taxa total de fixação de CO2 e da fração da APAR medidas em
campo. Uma vez que a quantidade de matéria seca pode ser estimada pela taxa de fixação de CO2, o valor de εf para
uma determinada idade de um determinado tipo de vegetação pode ser calculado pelos dados de taxa de fixação de
CO2 e de radiação de PAR absorvida medidos em campo.

16A.2.1.1 Determinar coeficiente de eficiência fotossintética

A equação (16A.2) é usada para obter os dados de εf para um determinado tipo de cultura. Nos experimentos
da estimativa de εf  em campo, o peso total da matéria seca, incluindo caules, troncos, folhas e raízes, geralmente é
obtido e convertido à quantidade de energia, usando um grama de matéria seca igual à energia de 15,66 kJ ou 3.730
cal (1 cal = 4,2 J).

Por meio do experimento, uma correlação entre a taxa de fixação de CO2 e a matéria seca será estabelecida
através da coleta de dados de CO2, PAR e matéria seca da parte aérea em um período de 30 dias nas pastagens. Uma
vez que a quantidade de matéria seca pode ser estimada pela taxa de fixação de CO2, a estimativa de ef pode ser
calculada pelos dados de taxa de fixação de CO2 e de radiação de PAR absorvida em campo, aplicando a equação
proposta por Prince (1991a, 1991b).
A taxa de fotossíntese pode ser medida diretamente em campo usando Li-6400XT. Ou os três sensores CO2 de
GMP343 Carbon Probe Vaisala podem ser utilizados para determinar a taxa de fixação de CO2 pelo processo
fotossintético e os valores de ef  para os principais tipos de cultura. Os três sensores são usados nas três alturas: um
acima da copa de vegetação, um na copa e o terceiro próximo à superfície do solo.

16A.2.1.2 Validação da fração de PAR absorvida em função de NDVI

Os dados de PAR incidente e PAR absorvida pela copa da vegetação de um determinado tipo de cultura serão
medidos pelos quatro sensores de Li-COR quantum sensor Li-19SA em campo para obter a fração real de PAR
absorvida/PAR incidente. Dois sensores de PAR serão usados para medir a radiação PAR incidente e a radiação
PAR refletida acima da copa da vegetação e outros dois sensores de PAR serão usados para medir a radiação PAR
incidente e a radiação PAR refletida pela superfície do solo. A fração real de PAR absorvida é obtida pela equação
(16A.3). Os dados de NDVI no local do experimento serão gerados com os dados de satélites
SPOT/Landsat/CBERS. Um GPS de alta resolução espacial será utilizado para obter os dados da localidade da área
de estudo. Os dados de coordenações da área serão usados para extrair os dados de NDVI. Uma correlação entre a
fração de PAR absorvida e NDVI será obtida para cada tipo de vegetação considerando as variações das
propriedades de estrutura, orientação e qualidade de copa dos diferentes tipos de vegetação.
 Em que:
a = fração de PAR absorvida;
PARc↓ = PAR incidente acima da copa de vegetação;
PARc↑ = PAR refletida acima da copa de vegetação;
PARs↓ =  PAR incidente na superfície do solo;
PARs ↑= PAR refletida pela superfície do solo.

16A.2.1.3 Estimativa de eficiência fotossintética (εf)

Os valores de εf do modelo de Prince (1991a, 1991b), que variam com o tipo de vegetação, fatores
meteorológicos, condições ambientais e níveis de nutrientes, serão determinados para cada tipo de vegetação e para
as estações secas e chuvosas. Os experimentos de coleta de dados diários de CO2, PAR e NDVI por um período de
30 dias serão realizados para cada tipo de vegetação nas estações chuvosas e secas com a aplicação da equação
(16A.4).

Em que:
CO2 = taxa de fixação de CO2 convertida para kg/ha do período do mês 1 a j;
Σ = somatório do crescimento de um período de três meses do j a n;
εf = eficiência fotossintética;
aPAR = radiação fotossintética ativa absorvida medida pela equação (16A.3).

16A.2.1.4 Cronograma das atividades dos participantes

EPAMIG/EMATER, MG
O ciclo fenológico da soja varia de acordo com a elevação: por exemplo, na Cultivar EMBRAPA 48, cujas
sementes fornecem cerca de 40% da produção de soja do Brasil, o ciclo fenológico é de 116 dias na altitude < 500
m, 123 dias entre 500 m e 800 m e 137 dias > 800 m. A melhor época do plantio é recomendada entre 25 de outubro
e 5 de novembro.
A data de início do estágio de florescimento é determinada como sendo o dia em que 50% da planta tiver
florescido. A observação do florescimento pode ser feita para dez filas de dez plantas marcadas casualmente na
plantação. O dia é identificado como o início do florescimento se tiver uma média de cinco plantas em cada fila com
mais de 50% de florescimento. O mesmo critério é usado para determinar o início do enchimento de grão e
maturação.
Observação das condições de crescimento e desenvolvimento fisiológico nas três plantações de soja em cada
região selecionada:
Os dados serão coletados em três plantações dos dois municípios de cada uma das três faixas de altitude (<
500 m, 500 m a 800 m e > 800 m) nos 28 municípios que têm área plantada acima de 9.000 hectares, com um total
de 80% da área plantada de Minas Gerais (885.732 ha) em 2007, incluindo:
1. Araguari;
2. Bonfinópolis de Minas;
3. Buritis;
4. Buritizeiro;
5. Campo Florido;
6. Capinópolis;
7. Chapada Gaúcha;
8. Conceição das Alagoas;
9. Coromandel;
10. Formoso;
11. Frutal;
 12. Guarda-Mor;
13. Ibiá;
14. Indianópolis;
15. Monte Alegre de Minas;
16. Nova Ponte;
17. Paracatu;
18. Patrocínio;
19. Perdigão;
20. Pirajuba;
21. Planura;
22. Presidente Olegário;
23. Rio Paranaíba;
24. Sacramento;
25. Tupaciguara;
26. Uberaba;
27. Uberlândia;
28. Unaí.

Dados coletados, entre outros:

•  nome do código genético, cultivares/híbridos;
•  localidade da plantação pelo GPS (latitude/longitude);
•  data do plantio;
•  umidade do solo: coletar amostras do solo nas profundidades de raízes 10-20 cm, 40-50 cm e 60-70 cm,
acompanhando o crescimento de raízes a cada 15 dias;
•  data do florescimento;
•  condições do crescimento: estresse hídrico, excesso hídrico, ocorrências de doenças e pragas, etc.;
•  data de enchimento de grão;
•  data de maturação;
•  data de colheita.

DEC, DEA/UFV
Área do experimento: Campo Experimental da UFV em Capinópolis, MG, ou a plantação próxima ao campo
experimental, que facilita a instalação do experimento e a coleta de dados.
Instalação e teste dos sensores e equipamentos: uma torre será montada com um sensor de radiação global
(Rs) LI-200SA, quatro sensores de quantum LI-191SA, um sensor de temperatura do ar LI-1400-101, um sensor de
temperatura do solo LI-1400-103 e um datalogger LI-1400 para registrar o fluxo PAR, com dois LI-191SA para
cima e para baixo nos níveis de 2 m acima da superfície e dois em uma altura de 5 cm próximo à superfície durante o
ciclo fenológico da cultura de soja (outubro a março). Um sistema de medição de taxa de fotossíntese de LI-
6400XTP será instalado e testado antes da data do plantio da soja, ou seja, em julho a outubro.
Experimento de coleta de dados de PAR, Rs, NDVI, LAI, pesos secos de caules e raízes, PSN, Ta, umidade de
solo e os dados das condições de crescimento fisiológico listados nas atividades da EPAMIG na plantação de soja no
Campo Experimental da UFV em Capinópolis. O experimento será conduzido por uma equipe de dez pessoas,
incluindo quatro professores e quatro alunos em áreas de Fitotecnia, Agrometeorologia, Agrimensura e
Sensoriamento Remoto e dois técnicos de nível superior:
•  medição contínua de Rs e PAR por quatro sensores de quantum LI-191SA, um datalogger LI-1400 para
registrar o fluxo PAR, um sensor de temperatura do ar LI-1400-101 e um sensor de temperatura do solo LI-
1400-103, com dois LI-191SA para cima e para baixo nos níveis de 2 m acima da superfície e dois em uma
altura de 5 cm próximo à superfície durante o ciclo fenológico da cultura de soja (outubro a março);
•  medição de taxa de fotossíntese usando LI-6400XTP nos estágios de crescimento vegetativo, florescimento,
enchimento de grão e maturação, com cada medição durando dez dias;
•  medição contínua de concentração de CO2 por três sensores de CO2 GMP343 Vaisala, nas alturas de 5 m, 1
m e 10 cm acima da superfície;
•  medição de umidade do solo em profundidades de 10-20 cm, 40-50 cm e 60-70 cm usando soil sampler a
cada 15 dias;
•  medição de LAI usando LI-3100C a cada 15 dias;
•  medição de matérias secas de raízes usando core sampler em profundidades de 0-10 cm, 30-40 cm e 60-70
cm e parte aérea a cada 15 dias;
 •  coletar os mesmos dados listados nas atividades da EPAMIG.

Para obter mais detalhes sobre a estimativa de PAR absorvida pela copa da cultura pelo método de Li e
Moreau, confira a seção 12.3.5 (p. 607-611).
 Lista de Siglas
A
ABRACO = Anglo-Brazilian Amazonian Climate Observation Study
ACCD = Australian Census Collection Districts
ACP = Analise de Componentes Principais
ADEOS = Advanced Earth Observing Satellite
ADMS = Água Disponível Máxima no Solo
ADS =Água Disponível no Solo
AERONET= Aerosol Robotic Network
AGRISTARS = Agricultural and Resources Inventory Surveys Through Aerospace Remote Sensing
AIRSAR = Airborne Synthetic Aperture Radar
ALTM = Airborne Laser Terrain Mapper
AVC = Analise de Vetor Cambial
AVCS = Advanced Vidicon Câmera Systems
ANA = Agência Nacional de Águas
ANN = Artificial Neural Network
ANNs = Artificial Neural Networks
APAR = Absorbed Photosynthetically Active Radiation
APP = Área de Preservação Permanente
APT= Automatic Picture Transmission
AQUA = Nome de um satélite da NASA
ArcView = software de processamento de imagem
ARM = Atmospheric Radiation Program
ART = Adaptive Resonance Theory
ART2-A = Adaptive Resonance Theory version 2-A
ARTMAP Adaptive Resonance Theory MAP Neural Networks
ARVI = Atmospherically Resistant Vegetation Index
ASAR = Advanced Synthetic Aperture Radar
ASD = Analytical Spectral Device
ASI =Agencia Espacial de Itália, Italian Space Agency
ASMC = AVHRR Split and Merge Clustering
ASTER = Advanced Spacebone Thermal Emission and Reflection Radiometer
ATLAS = Advanced Thermal Land Application Sensor
ATN = Advanced TIROS-N
ATSR = Along-Track Scanning Radiometer
ATSR-IR = Along Track Scanning Radiometer, infrared bands
AVHRR = Advanced Very High Resolution Radiometers
AVIRIS = Airborne Visible/Infrared Imaging Spectrometer
AVNIR = Advanced Visible and Near Infrared Radiometer

B
BAP =Bacia do rio Alto Paraguai
BASINS3.0 = Better Assessment Science Integrating point Sources, versao 3.0
BB = Black Body
BIRD = Bi-spectral Infrared Detection
BMDI = Bhalme and Mooley Drought Index
BR = Brasil
BRDF = Bidirectional Reflectance Distribution Function
BRM = Bacia de Rio Miranda
BSQ = Sequential Byte
BTDI = Brightness Temperature Difference Index

C
CAM = Crassulaceous Metabolism Acid
CANTEQ =1-D turbid medium BRDF model
CASI = Campact Airborne Spectrographic Imager
CBERS =China Brazil Earth Resources Satellite
CCD = Charge Coupled Devices
CD = Australian Census Collection Districts
CDOM = Colored Dissolved Organic Material
CEOS = Committee on Earth Observation Satellites
CERES = Crop-Environment Resource Synthesis (Capítulo 12)
CERES = Earth Radiation Budget Experiment (Capítulo 2)
CIDEMA = Consorcio de Desenvolvimento das Bacias dos Rios Miranda e Apa
CLC = Combined Location Classification
CMN = Classificação Multitemporal de NDVI
CNES = Centre National d’studes Spatiales, França
CNPGC= Centro Nacional de Pesquisa de Gados de Corte, EBRAPA
CNPM = Centro Nacional de Pesquisa de Monitoramento por Satélite, EMBRAPA,
CNRS = Centre National De La Recherche Scintifique, França
COSMOS = software de análise de imagem divulgado pela NASA
CPAP = Centro Nacional de Pesquisa Agropecuária do Pantanal, EMBRAPA
CPF = Calibration Parameter File
CSA = Chirp Scaling Algorithm
CSAR = Coupled Surface-Atmosphere Reflectance
CSIRO = Commonwealth Scientific and Industrial Research, Australia
CTC = Capacidade de Troca de Cátions
CV = coeficiente da variação
CVA = Change Vector Analysis
CWSI = Crop Water Stress Index

D
DAIS = 79 channel Digital Airborne Imaging Spectrometer
DAISEX = Digital Airborne Imaging Spectrometer Experiment
Datum SAD 69 = Datum Sul Americano de 1969
DC = Digital Count
Dcal = sinal de contagem digital calibrado
DCA/IAG = Departamento de Ciências Atmosféricas, Instituto Astronômico e Geofísico
DCS = Data Collection System
DEM = Digital Elevation Model
DFT = Discrete Fourier Transform
DG = Densidade Global
DGPS = Differential Global Positioning System
DH = déficit hídrico
Dl = Difusividade em fase líquida
DLR = Downward Longwave Radiation (Capítulo 8)
DLR = German Aerospace Center (Capítulos 3 e 15)
DMS = Disaster Management Support
DMSP = Defense Meteorological Satellite Program
DMSP-OLS = Defense Meteorological Satellite Program-Operational Linescan System
DNA = Dioxyribo-Neuclic Acid
Docal = coeficiente de calibração offset
Dp =Densidade de Partícula
DSG = Diretoria de Serviço Geográfico
DSM = Digital Surface Model
DSSAT = Decision Support System for Agrotechnology Tranfer
DSSR = Direct Shortwave Solar Radiation
DTM = Digital Terrain Model
DV = difussividade de vapor
DVI = Difference Vegetation Index

E
ECO92 = Conferencia Internacional de Pacto Ecológico Global em 1992, Rio de Janeiro, Brasil
EFEDA = European Field Experiment in a Desertification-threatened Area
EH = excesso hídricos
EM = Energia electromagnética
EMBRAPA = Empresa Brasileira de Pesquisa Agropecuária
ENSO = El Niño - Southern Oscillation
ENSPS = Universidade Nacional de Strasburg, França.
ENVISAT = Environmental Vision Satellite, European Space Agency launched advance polar orbit satellite
ENVI = The Environment for Visualizing Images, http://www.rsinc.com
EOC = Electro-Optical Camera
EOS = Earth Observation System
EOS-AM1 = Earth Observation Satellite-AM1 ou TERRA
EPA = Environmental Protection Agency
ERB = Earth Energy Budget
ERBE = Earth Radiation Budget Experiment
ERBS = Earth Radiation Budget Satellite
ERDAS = Earth Resources Data Analysis System
EROS = Earth Resources Observation Satellite
ERTS = Earth Resources Technology Satellit
ERS = European Remote Sensing Satellite
EROS = Earth Resources Observation Satellite
ESA = European Space Agency
ESSA = Environmental Science Service Administration
ET = Evapotranspiração
ETA = Actual Evapotranspiration
ETM = Evapotranspiração Maxima
ETM+ = Enhanced Thematic Mapper Plus
ETP = Evapotranspiração Potencial
ETR = evapotranspiração real
EUA =Estados Unidos
EVI = Enhanced Vegetation Index

F
FAO = Food and Agriculture Organization
FAPESP =Fundação Amparo de Pesquisa do Estado de São Paulo
FFT = Fast Fourier Transform
FIBGE =Fundação de Instituto Brasileiro de Geografias e Estatísticos
FK = Factorial Kriging
FMC = Fuel Moisture Content
FMI = Fuel Moisture Index
FPAR = Fractional Photosynthetic Active Radiation
FUNCEME = Fundação Cearense de Meteorologia e Hidrologia
FWI = Fuel Moisture Index

G
GAC = Global Area Coverage
GABS = Greenness above Bare Soil
GDD = Growth Degree Day
GDC = Grau dia de crescimento
GEF = Global Environmental Facilities
GEMI = Global Environment Monitoring Index
GDD = Growth Degree Day
GHz = Giga Hertz
GIS = Geographical Information System
GLCM = Grey Level Co-occurrence Matrix
GLM = General Linear Model
GMS = Geostationary Meteorological Satellite of Japan
GOES = Geostationary Operational Environmental Satellite
GOME = Global Ozone Monitoring Experiment
GOSSTCOMP = Global Operational Sea Surface Temperature Computation
GPP = Gross Primary Productivity
GPR = Ground-Penetration Radar
GPS = Global Positioning System
GRD = Groud Resolved Distance
GRFM =Global Rain Forest Mission Project
GSFC = Goddard Space Flight Center
GVI = Green Vegetation Index (Capítulo 7)
GVI = Global Vegetation Index (Capítulo 12)
GYURI = General Yield Unified Reference Index

H
HAPEX = Hydrologic Atmospheric Pilot Experiment
HASP = Hydrological Analysis Simulation Program
HH = polarization Horizontal-Horizontal
HCMM = Heat Capacity Mapping Mission
HEPD = High Energy Particle Detector
HDF = High Density File
HDTR = High Density Tape Recorder
HN = Hemisfério do Norte
HRG = High Resolution Geometric
HRPT =High Resolution Picture Transmission
HRS = High-Resolution Stereoscopic
HRV = High Resolution Visible
HRVIR = High Resolution Visible and Infrared
HRVIS = High Resolution Visible
HS = Hemisfério do Sul
HSPF = Hydrological Simulation Model Fortran
HV = polarização Horizontal-Vertical
Hz = Hertz

I
IAG = Instituto Astronômico e Geofísico
IATA/CNR = Instuto di Analisi Ambientale e Telerilevamento Applicati all’Agricoltura em Firenze, Itália
IBAMA = Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis
IBC = Instituto Brasileiro de Café
IBGE = Instituto Brasileiro de Geografia e Estatísticas
IBSNAT = The International Benchmark Sites Network for Agrotechnological Transfer
ICM = Imposto de Circulação de Mercadoria
ICRISAT = International Crop Research Institute for Semi-Arid Tropics
IDATERRA = Instituto de Desenvolvimento Agrário e Extensão Rural de MS
IDRISIS = software de programa de processamento de imagem
IDSE = Índice de Potencialidade de Desenvolvimento Socioeconômico
IEA = Índice de Estresses Ambientais
IET = Índice de Estresse Térmico
IGHP = Interrupted Goode Homolosine Projection
IGN = Instituto Geográfico Nacional
IGOS = Integrated Global Observation Strategy
IHS = Intensidade/Matiz/Saturação
IKONOS = nome de um satélite de alta resolução espacial
IMG = Interferometric Monitor for Greenhouse Gases
IMS = Ionosphere Measurement Sensor
INMET = Instituto Nacional de Meteorologia
INPE = Instituto Nacional de Pesquisas Espaciais
INSAT = India Meteorological Satellite
IPD = Índice de Potencialidade de Desenvolvimento
IPP = índice de perda de produtividade
IR = Infrared
IRA = Índice de Risco Agrícola
IRMSS = Infrared Multi-Spectral Scanner
IRS = Indian Remote Sensing Satellite
ISCCP = International Satellite Cloud and Climatology Project
ISE = Índice de Susceptibilidade de Erosão
ISODATA = uma técnica de classificação de imagem digital
ISPRS = International Society of Photogrammetry and Remote Sensing
ISSS = International Soil Science Society
ISRQ = Índice de Susceptibilidade de Risco de Queimadas
ITCZ = Inter-Tropical Convergence Zone
ITOS = Improved TIROS Operational System

J
JERS = Japanese Earth Resources Satellite
JHU = Johns Hopkins University
JPL = Jet Propulsion Laboratory
JM = Jeffery-Matusita
JRC = Joint Research Centre, European Union

K
KARI = Korea Aerospace Research Institute
Kc = coeficiente da cultura
KOMPSAT = Korea Multi-Purpose Satellite

L
LACIE = Large Area Crop Inventory and Estimation
LAC = Local Area Coverage
LAI = Leaf Area Index
Landsat = Land Resource Satellite
LAS = Improved Limb Atmospheric Spectrometer
LBL = Line By Line
LDD = Local Drainage Direction
LE = calor latente à atmosfera
LIDAR = Light Detection and Ranging
LISS-III = Multispectral Linear Imaging Self Scanning Sensor-III
LMM = Linear Mixture Model
LOWTRAN = Resolution Atmospheric Radiance and Transmittance Model
LPM =Line Pairs per Millimeter
LRR = Laser Retro-Reflector
LSIT/ENSPS = Laboratoire des Sciences de l’Image et de la Télédétection, Ecole Nationale Supérieure de Physique
de Strasbourg
LTER/NSF = Long Term Ecological Research/National Science Foundation, USA
LWP = Liquid Water Path

M
MACHYDRO = NASA Multisensor Aircraft Campaign Hydrology Experiment
MAE = Mean Absolute Error
MAI = Moisture Available Index
MAIS= Multi-Angle Imaging Spectroradiometer
MPCA = Multi-temporal Principal Component Analysis
MARS = Monitoring Agriculture with Remote Semsing
MBT = Main Boundary Thrust
MCBC = Minimum City Block Classifier
MCC = Mission Control Center
MCE = minimum cross-entropy algorithm
MDE = Modelo Digital de Elevação
MERIS = Medium Resolution Imaging Spectrometer
METEOR = Russian Meteorological satellite
METEOSAT = Meteorological Satellite
MG = Minas Gerais
MIR = Middle Infrared
MIRAS = Microwave Imaging Radiometer by Aperture Synthesis Radiometers
MISR = Multi-Angle Imaging Spectroradiometer
MJ = Mega joule
ML = Maximum Likelihood
MLC = Maximum Likelihood Classifier
MLDA = Maximum Likelihood Discriminant Analysis
MLP = Multilayer Perceptron
MMA = Ministerial do Meio Ambiente
MML = Minimum Message Length
MMR = Modular Multi-band 12-1000 Radiometers
MNT = Modelo Numérico de Terreno
MO =Materiais Orgânicos
MODIS =Moderate Resolution Imaging Spectroradiometer
MODTRAN3 = Moderate Resolution Atmospheric Radiance and Transmittance Model code 3
MOPITT = Measurement of Pollution in the Troposphere
MPDT = Microwave Polarization Difference Temperature
MS = matéria seca
MS = Mato Grosso do Sul
MSAVI = Modified Soil Adjusted Vegetation Index
MSE = Mean Square Error
MST = materiais suspensos totais
MSVAI = Modified Soil Adjusted Vegetation Index
MT = Mato Grosso
MTNDVIC = Multiple Time NDVI Classification.
MUBS = Mapas Urbanos básicos
MVC = Maximum Value Composite
MVN = Multivariant Normal Distribution

N
NASA =National Aeronautics and Space Administration
NASDA = National Space Development Agency of Japan
NDAI = Normalized Difference Albedo Index
NDB = Nordeste Brasileira
NDVI = Normalized Difference Vegetation Index
NEB = North Eastern Brazil
NERL/EPA = National Exposure Research Center
NESDIS = National Environmental Satellite, Data, and Information Service
NE-SW = Northeast- Southwest
NFDRS = National Fire Danger Rating System
NIMA = National Imagery and Mapping Agency
NIR = Near Infrared
NIST = National Institute of Standards and Technology
NLR = Net Longwave Radiation
NN = Nearest Neighbor
NOAA = National Oceanic and Atmospheric Administration
NPP = Net Primary Productivity
NPSM = Non Point Sources Model
NSCAT = Scatter meter
NSSR = Net Shortwave Solar Radiation

O
OAA = ácido oxaloacético
OBC = On Board Calibration
OCTS = Ocean Colour and Temperature Sensor
OEA = Organização dos Estados Americanos
OLR = Outgoing Longwave Radiation
OLS = Ordinary Least Square (Capítulo 10)
OLS = Operational Line scanning System (Capítlo 2)
OM = Organic Material
OSMI = Ocean Scanning Multi-spectral Imager
OSAVI = Optimized Soil Adjusted Vegetation Index

P
PAN =Pancromática
PAR = Photosynthetically Active Radiation
PARet = irradiância extraterrestre na faixa de PAR
PBMR = Push-Broom Microwave Radiometer
PCA = Principal Component Analysis
PCBAP = Plano de Conservação da Bacia do Alto Paraguai
PCD = Payload Correction Data
PCM = Precision Crop Management
PCP = Precipitação
PE = Pernambuco
PEP = fosfoenolpiruvato
PGA = ácido 3-fosfoglicérico
PNUMA = Programa das Nações Unidas para o Meio Ambiente
POES = Polar operational Environmental Satellites
POLDER = Polarization and Directionality of the Earth’s Reflectance
PR = Paraná
PRARE = Precise Range and Range-Rate Equipament
PROARCO = Monitoramento e Avaliação de Risco de Incêndios Florestais em Áreas Críticas, IBAMA, Brasil
PROSPECT = modelo de transferência radiativa da atmosfera no espectro das propriedades óticas das folhas
PSG = Polar Stereo Grid
PVI = Perpendicular Vegetation Index

R
R = raio de curvatura
RA = Radar Altimeter
RADARSAT = Radar Satellite
RBFNN = Regularized Radial Basis Kernel Function Neural Networks
RBV = Return Beam Vidicon
RDI = Relative Depth Index
ReVA = Regional Vulnerability Assessment model
RIKS = Research Institute for Knowledge Systems
RIS = Retroreflector in Space
RMS = root mean square
RMSE = Root Mean Square Error
ROL = Radiação Onda Longa
RP = a refletância do ponto da vegetação nas faixas MSS5 e MSS7.
RPROP = Resilient Back Propagation
RS = Rio Grande do Sul
RTLSA = RoosThick-LiSparse Ambrals
RuDP = ribulose-1,5-difosfato
RVI = Ratio Vegetation Index
RWC= Relative Water Content
RWL = River Water Level

S
SAD = South American Datum
SACZ = South Atlantic Convergence Zone
SAP = Sistema de Agricultura de Precisão
SAR = Synthetic Aperture Radar
SARVI = Soil Adjusted Ratio Vegetation Index
SAS = Statistical Analysis System
SAVI = Soil Adjusted Vegetation Index
SBI = Soil Brightness Index
SC = Santa Catarina
SCAT = Wind Scaterrometer
SD = Standard Diviation
SDD = Stress Degree Day
SDR = Second Derivative Reflectance
SEASAT = nome de um satélite
SeaWiFS = Sea-viewing Wide Field-of-View Sensor
SEBAL = Surface Energy Balance for Land
SEM = Senor for Environmental Monitoring
SEMA/IMAP = Secretário Estadual do Meio Ambiente do MS/Instituto de Meio Ambiente do Pantanal
SEPLAN = Secretário de Planejamento do Estado de Mato Grosso do Sul
SEPROTUR = Secretário de Produção e Turismo do Estado de Mato Grosso do Sul
SGBD = Sistema de Gerenciamento de Banco de Dados
SIG = Sistema de Informações Geográficas
SIR-C = Shuttle Imaging Radar-C
SLICER = Scanning LIDAR Imager of Canopies by Echo Recovery
SLMM = Spectral Linear mixing Model
SMACEX = Soil Moisture Atmosphere Coupling Experiment
SMC = Air Force Space and Missile Systems Center
SMMS = Scanning Multichannel Microwave radiometer
SMOS L1 = Soil Moisture and Ocean Salinity mission Level 1
SMS = Synchronous Meteorological Satellite
SMSS = Scanning Multichannel Microwave Radiometer Sensor
SP = São Paulo
SPA = Solo-Planta-Atmosfera
SPCZ = South Atlantic Convergence Zone
SPIM = Suspended Particulate Inorganic Material
SPRING = software de processamento de imagem disponível pelo INPE
SPOT = Satellite Pour l’Observation de la Terre
SR = Sensoriamento Remoto
SRTM = Shuttle Radar Topographic Mission
SPS = Space Physics Sensor
SSD = Stress Degree Day
SSJ/4 = Electron and Ion Spectrometer
SSM/I = Special Sensor Microwave Imager
SSM/T = Atmospheric Temperature Profiler
SSM/T2 = Atmospheric Water Vapor Profiler
SSSP = Social Science Statistical Program
SST = Sea Surface Temperature
SUCROS = Simple and Universal Crop Growth Simulator
SVM = Support Vector Machines
SVM-KFD = Support Vector Machines-Kernel Fisher Discriminant
SVM-LKF = Support Vector Machines-Linear Kernel Function
SVM-Poly = SVM-Polynomial
SVM-RBF =Supporting Vector Machines-Radial Basis Kernel Function
SWIR =Short Wave Infrared

T
TB = Temperatura de Brilho
TCI = Temperature Condition Index
TDI = Time Delay Integration
TDR = Time Domain Reflectometry
TIFF = formato do arquivo tiff
TIR = Thermal Infrared
TIROS = Television and Infrared Observational Satellite
TISI = Temperature Independent Spectral Index
TLMM = Temporal Linear Mixing Model
TM = Thematic Mapper
TMDL = Total Maximum Daily Loads Toolbox
TOA = Top of Atmosphere
TOMS = Total Ozone Mapping Spectrometer
TOPSAR = Topographic Synthetic Aperture Radar
TOS = TIROS Operational Satellites
TOVS = TIROS N Operational Vertical Sounder
TPCA = Transformed Principal Component Analysis
TPW = Total Precipitable Water
TRMMI = The Tropical Rainfall Mapping Mission Microwave Imager
TSARVI = Transformed Soil Atmospherically Resistant Vegetation Index
TSAVI = Transformed Soil Adjusted Vegetation Index
TSEB = Two-Source Energy Balance Model
TSI = Temperature Stress Index
TVI = Transformation Vegetation Index
TMDL = Total Maximum Daily Loads Tool
TWVI = Two-Axis Adjusted Vegetation Index

U
UCDB = Universidade Católica Dom Bosco
UNESCO =United Nations Educational, Scientific and Cultural Organization
UFRJ = Universidade Federal de Rio de Janeiro
UFMS = Universidade Federal de Mato Grosso do Sul
UFMT = Universidade Federal de Mato Grosso
UFPR = Universidade Federal de Paraná
UFRS-Pelotas = Universidade Federal de Rio Grande do Sul em Pelotas
UNESCO = United Nation Education, Social and Cultural Organization
USA =United States of America
USDA = United States Department of Agriculture
USGS = United States Geological Survey
USP = Universidade de São Paulo
UTM = Universal Transverse Mercator

V
VH = polarização Vertical-Horizontal (Capítulo 2)
VH = Vegetation Heath Index (Capítulos 7 e 12)
VV = polarização Vertical-Vertical
VAS = Vertical Visible-Infrared Spin Scan Radiometer Atmospheric Sounder
VCI = Vegetation Condition Index
VGT = um sensor do SPOT 4 ou SPOT 5, chamado VEGETATION
VHRR = Very High Resolution Radiometer
VI = Vegetation Index
VIIRS = Visible/Infrared Imager/Radiometer Suíte
VIS = visible
VIS = Vegetation-Impervious-surface-Soil (Capítulo 10)
VISSR = Visible- Infrared Spin Scan Radiometer
VH = polarization Vertical Horizontal
VNIR = Visible and Near Infrared
VRT = Variable Rate Technology
VSI = Vegetation Stress Index

Y
YI = Yellow Index
YM = produtividade máxima
Yp = produtividade potencial (kg/ha)
YR = Yellow (amarelo), Red (vermelho)

W
WASP = Water Analysis Simulation Program
WCRP = World Climate Research Program
WDVI = weighted Difference Vegtation Index
WFI = Wide Field Imager
WGS = World Geographical System
WWF = World Wild life

Z
ZEE = Zoneamento Ecológico Econômico
 Índice de Assuntos
Absorção,
Absorção de Água, 107, 111, 114, 121, 122, 143, 143, 144, 254, 751, 756.
Absorção de Aerossóis, 257, 680.
Absorção Atmosférica, 287, 305, 694.
Absorção de Cátions, 106.
Absorção de Energia Eletromagnética, 135, 751.
Absorção de Gases, 678.
Absorção de Luz, 133, 142, 222, 596.
Absorção de Moléculas, 674.
Absorção de Nutrientes, 392, 403.
Absorção de Ozônio, 682.
Absorção da PAR, 601.
Absorção de Radiação, 13, 17, 136, 199, 238, 284, 287, 750, 753, 755.
Absorção de Vapor de água, 285, 696.
Absorvência, 140.
Acidez do Solo, 107, 403.
Ácido Ribonucléico, DNA, 4, 146.
ADEOS 87, 93, 549.
Água Disponível no Solo, ADS, 317, 356, 397, 399, 414, 415, 417, 420, 421, 422, 427, 468, 588.
Água Disponível no Solo Máxima, ADSM, 414, 415, 420, 421, 422, 423, 247.
Aerodinâmica, 343, 345, 346, 348.
Equação Aerodinâmica, 352.
Resistência Aerodinâmica, 314, 355, 356, 359, 416, 585, 586.
Rugosidade Aerodinâmica, 355.
Temperatura Aerodinâmica, 352.
Aerossóis, 74, 78, 79, 196, 228, 254, 301, 302, 306, 357, 535, 607, 607, 662, 674, 675, 677, 678, 678, 679, 680, 381,
382, 384, 385, 686, 687, 689, 690, 691, 693, 694, 698
Agrícola,
Atividades Agrícolas, 115.
Monitoramento Agrícola, 71, 74.
Produção Agrícola, 107, 240, 296, 315, 317, 322, 397, 406, 409, 411, 418, 445, 449, 450, 561, 563, 564,
565, 566, 573, 576, 587, 599, 619, 624, 625, 626, 798.
Produtividade Agrícola, 154, 247, 564, 575, 576, 591, 616, 638.
Risco Agrícola, 409, 412, 413, 474.
Safra Agrícola, 235, 240, 308, 377, 449, 450, 559, 561, 562, 564, 565, 575, 576, 613, 614, 615, 617, 623,
624, 628.
Seca Agrícola, 409, 624, 625.
Agricultura, 31, 59, 73, 112, 426, 438, 516, 570, 623, 625, 818, 834.
Agricultura de Precisão, 63, 625.
Agricultura Clima temperado, 24.
Agricultura Tropical, 24.
Agrometeorológico, 475, 617.
Albedo, 22, 84, 195, 219, 253, 254, 255, 256, 257, 258, 259, 260, 261, 262, 263, 264, 278, 291, 300, 302, 303, 304,
305, 308, 344, 350 357, 358, 362, 363, 367, 369, 370, 371, 372, 373, 375, 379, 380, 382, 453, 4540, 478,
545, 550, 576, 581, 608, 623, 628, 654, 665, 666, 667, 668, 676, 677, 681, 684, 685, 690, 694, 695, 701,
705, 716, 717, 720, 721.
Altimetria, 47, 61.
Altímetro, 40, 178, 203, 315.
América do Norte, 138, 139, 420, 451.
América do Sul, 22, 24, 49, 75, 84, 212, 262, 268, 420, 437, 438, 439, 440, 441, 442, 445, 446, 449, 450, 451, 453.
Amplitude, 458, 459, 461, 463, 465, 466, 467, 591, 592, 606, 694, 698, 706, 708, 759, 760.
Ângulo,
Ângulo Incidente, 138, 434, 707.
Ângulo de Inclinação, 33, 653.
Ângulo de Visada, 16, 19, 20, 21, 58, 60, 62, 71, 74, 83, 148, 191, 196, 217, 220, 222, 266, 267, 277, 288,
296, 509, 536, 541, 655, 659, 668, 676, 678, 679, 684, 688, 690, 697, 698, 700, 702.
Ângulo Zenital Solar, 11, 16, 256, 357, 509, 611, 612, 653, 665, 678, 679, 686, 691, 697.
Anisotropia, 701.
ANNs, 203, 513, 515, 525, 545, 547, 764, 784, 786, 788, 791, 792, 797, 798.
Anticiclones, 203.
Antocianina, 139, 571.
Antropogênicas, 239.
Aquecimento Global, 822.
Árvore de Decisão, 203, 791.
Assinatura,
Assinatura Angular, 19.
Assinatura Espacial, 18.
Assinatura Espectral, 14, 17, 108, 121, 124, 133, 257, 744, 745, 750.
Assinatura Polarizada, 24.
Assinatura Singular, 108, 179.
Assinatura Temporal, 22.
ASTER, 77, 78, 79, 80, 81, 91, 175, 272, 297, 363, 369, 815, 841.
Atmosfera:
Atenuação atmosférica, 13.
Atmosfera Poluída, 301.
Atrito Atmosférico, 653.
Camada atmosférica, 4, 5, 12, 13, 15, 218, 228, 287, 305, 306, 307, 322, 359, 676, 697.
Correções Atmosféricas, 16, 198, 262, 272, 305, 653, 662, 668, 672, 674, 675, 676, 677, 678, 682, 683,
686, 692, 693, 694, 696, 700.
Espessura Ótica da Atmosfera, 697.
Interferência Atmosférica, 4, 16, 220, 231, 296, 687.
Pressão Atmosférica, 349, 390, 392, 396, 403, 538, 661.
Atmosfera Terrestre, 161, 299.
Topo de Atmosfera, 4
Balanço de Energia da Superfície, 253, 284, 298, 300, 301, 308, 316, 328, 354, 361, 363, 406.
Bacia Hidrográfica, 349, 429, 523, 623, 726, 812, 819, 820, 822, 825, 835, 839, 843.
Balanço Hídrico, 105, 315, 316, 317, 328, 349, 356, 361, 389, 397, 402, 411, 416, 417, 418, 419, 420, 421, 422, 475,
480, 562, 617, 819, 820.
Banda,
Bandas Hiperespectrais, 190, 290.
Banda de Infravermelho Próximo, NIR, 79, 84, 86, 131, 136, 137, 140, 146, 147, 148, 149, 161, 218, 220,
221, 222, 224, 225, 226, 227, 228, 229, 231, 236, 351, 546, 547, 548, 660, 661.
Banda de Infravermelho Termal, TIR, 79, 285, 286, 522.
Banda Pancromática, PAN, 33, 52, 54, 55, 58, 59, 62, 65, 74, 75, 89, 175, 366, 515, 555, 726, 743, 806,
833.
Banda de Visível, VIS, 21, 134, 136, 137, 146, 147, 161, 195, 218, 220, 221, 222, 224, 225, 226, 227, 229,
231, 236, 314, 523, 524, 528, 530, 599, 607, 609, 660, 661, 716.
Banda Larga, 50, 253, 254, 256, 258, 259, 260, 261, 289, 303, 308.
Base Cartográfica, 566, 726, 727, 733, 738, 739, 742, 744, 811, 815, 825, 827, 840.
Bayesian, 797.
Bioclimáticas, 48, 77, 82, 239, 253, 284, 450, 619, 654.
Biodiversidade, 25, 77, 389, 811.
Biofísicos, 47, 253, 361, 362, 363, 372, 377, 453, 454, 660, 725, 795.
Biomassa, 45, 138, 218, 219, 222, 223, 231, 234, 241, 296, 436, 451, 528, 535, 537, 564, 581, 599, 600, 604, 605,
606, 609, 610, 613.
Biosfera, 25, 60, 187.
BRDF, 19, 21, 22, 674, 676, 697, 698, 700, 701, 702, 711, 716, 717.
Brewster, 7.
Cadeia Markoviana, 815, 816.
Caixa Preta, 265, 266, 274, 275, 277, 278, 279, 280, 281, 282, 283.
Calibração Radiométrica (Veja Correções Radiométricas)
Camada de Ozônio, 16, 679, 681.
Capacidade Calorífica, 114, 118, 119, 120, 342, 343, 347, 427, 540.
Caroteno, Carotenóides, 136, 137, 138, 146, 147, 149, 750.
Carta Topográfica, 733, 739.
Cartografia, 49, 60, 67, 71, 73, 726, 727.
Carvão, 162, 172, 174, 548.
CASI, 196, 198, 437, 628, 778, 779, 780, 781, 782, 783,
Caulinita, 105, 106, 111, 114, 123, 161, 273, 274.
CBERS, 90, 93, 535, 568, 572, 726, 743, 829, 836, 837.
CCD, 56, 68, 69, 88, 89, 90.
CE312, 278, 280, 281, 283, 291.
Celuloses, 136, 577.
CERES, 77, 78, 79, 472, 563, 629, 634.
Cerradão, Cerrado, 24, 353, 426, 438, 725, 802.
Ciclo Fenológico, 195, 239, 240, 318, 411, 412, 449, 455, 459, 461, 562, 563, 573, 577, 594, 595, 596, 597, 598,
606, 615, 616, 617.
CIDEMA, 824, 825, 840, 843.
Ciências de Computação, 25.
Contexto Computacional, 840.
Linguagem Computacional, 797.
Programa Computacional, 344, 412, 420, 705.
Tempo Computacional, 791.
Ciências Espaciais, 25.
Citylife, 821, 843.
Classificação
Classificação não Supervisionada, 544, 744, 762, 795.
Classificação Supervisionada, 191, 197, 565, 566, 572, 762, 764, 766,
Clima,
Análise Climática, 836.
Ciências Climáticas, 836.
Climáticas Regionais, 836, 837.
Impacto Climático, 239, 436, 836.
Mudanças Climáticas, 25, 60, 77, 87, 123, 239, 253, 278, 284, 301, 349, 350, 361, 451, 660, 822, 827,
832, 836, 837.
Climatização, 520.
Clorofila, 74, 133, 134, 138, 139, 141, 146, 147, 149, 179, 196, 199, 200, 219, 222, 238, 240, 427, 575, 580, 586,
587, 701, 750, 751.
Cloroplasto/Cloroplastos, 133, 146, 582, 583, 587.
CNES, 55, 59, 60, 87, 93, 97, 675, 693.
Coberturas Vegetais, 25, 63, 194, 237, 291, 535, 549, 755, 829.
Coeficiente de Cultura, 317
Coeficiente de Extinção, 188, 189, 190, 749.
Coeficiente de Compensação, 662, 663, 664.
Colóides, 105, 107,
Condutividade:
Condutividade Calorífica, 427.
Condutividade de Água, 401.
Condutividade Elétrica, 124, 125, 126.
Constante Psicrométrica, 342, 343, 348.
Constante Stephan-Boltzman, 116, 264, 285, 296.
Coordenada Geográfica, 726, 727.
Corpo Negro, 9, 116, 265, 266, 275, 277, 285.
Correções Atmosféricas (veja atmosfera)
Correção Geométrica, 47, 54, 162, 703, 704, 708.
Correção Radiométrica / Correções Radiométricas, Calibração Radiométrica / Calibrações Radiométricas, 54, 286,
293, 302, 653, 659, 660, 662, 663, 664, 665, 666, 668, 673, 708.
Correlação Linear, 305, 310, 357, 360, 601, 671.
COSMOS, 123.
Cota do Rio (Cota), 202, 203, 204, 206, 207, 208, 209, 733, 737, 738, 812, 819, 820.
Cota de Elevação, 733, 737, 738.
Covariância, 340, 697, 766, 767, 770, 772, 773.
CTC, 106, 115, 755.
Curva de Nível / Curvas de Nível, 172, 733, 734, 736, 737, 739, 740.
Curva Polinomial, 699, 700.
Curvatura do Globo, 659, 674, 730.
CWSI, 416.
DAAC, 565, 668.
DAIS, 124, 125, 126, 127, 128, 129, 210, 377.
Datum, 726, 730.
Déficit Hídrico, 222, 223, 318, 328, 410, 411, 416, 423, 424, 427, 550, 575, 585, 588, 594, 598, 606, 610, 617, 621,
628.
Degradação:
Degradação Ambiental / Degradações Ambientais, 239, 551, 822, 825.
Degradação de Sensores, 653, 661, 667
DEM, Modelo de Elevação Digital, 202, 433, 676, 726, 733, 735, 736, 737, 806, 812, 813, 814, 815, 819, 825, 835,
843.
Densidade:
Densidade de Água, 355.
Densidade de Fluxo, 400, 401, 684.
Densidade do Ar, 335, 336, 340, 349.
Densidade Global, 103, 104, 105, 309, 626.
Densidade de Material, 118.
Densidade de Partículas, 103.
Densidade do Solo, 103.
Densidade de Vapor de Água, 390
Densidade Volumétrica, 310
Desvio-Padrão, 80, 513, 525, 705, 745, 749, 750, 753, 754, 755, 756, 757, 762, 764, 767, 793, 814, 815.
Differential Global Positioning System - DGPS, 45, 80, 525, 526, 569, 627, 733, 740, 741, 742, 813, 815, 833.
Dióxido de Carbono, CO2, 13, 16, 60, 77, 103, 121, 240, 302, 307, 335, 338, 340, 341, 367, 379, 380, 535, 577, 578,
579, 580, 582, 583, 584, 585, 586, 587, 588, 589, 596, 602, 632, 635, 675, 695,
Distância Jefferys-Matusita, 766,.
Distribuição Gaussiana, 766,
DLR, German Space Agency, 124, 813
DLR, Direct Longwave Radiation, 306, 307, 308, 813,
DMSP, 32, 86, 93, 296, 531, 536, 541, 549, 551, 553.
Doppler, 41.
DSG, 733, 734, 802, 830, 833, 837, 842.
DSM, 45, 46, 814, 815, 844.
DSSAT, 563, 594.
DSSR, 301, 302, 303, 304,
DTM, 45, 46, 812, 814, 841.
DVI, 220, 616.
Ecossistemas, 14, 77, 88, 239, 264, 341, 389, 427, 468, 568, 605, 725, 726, 811
Ecoturismo, 204, 824, 831.
Efeito de Estufa, 520.
Efeito Pepita, 774, 775, 777, 778, 779, 780, 783.
Eficiência Fotossintética, 22, 575, 577, 580, 581, 583, 601, 602, 603, 604, 606, 607, 701.
El Niño, 203, 248, 437, 476, 639, 641.
Eletromagnética,
 Energia Eletromagnética, 3, 4, 5, 6, 7, 8, 10, 11, 13, 14, 15, 24, 38, 47, 118, 135, 137, 138, 159, 161, 187,
188, 232, 423, 428, 510, 541, 707, 708, 733, 751.
Onda Eletromagnética, 17, 36, 47, 50, 138, 199, 232, 233, 238, 253, 271, 675, 756, 779.
Radiação Eletromagnética, 5, 9, 12, 15, 31, 110, 116, 191, 217, 222, 285, 660.
Emissividade, 264, 265, 266, 267, 268, 269, 270, 271, 272, 273, 274, 275, 276, 277, 278, 280, 281, 283, 284, 285,
288, 289, 290, 291, 293, 295, 296, 297, 298, 300, 306, 357, 358, 362, 363, 372, 430, 521, 540, 676, 677,
696, 705.
Enchentes, 25, 80, 175, 318, 624. (veja inundação também).
ENSO, 248, 437, 438, 441, 443, 450, 455, 474, 476, 842.
Entropia, 517, 709, 767, 768.
ENVI, 150, 710, 732, 742, 813.
ENVISAT, 73, 74, 93, 175, 182, 298, 471, 479, 536, 546, 554.
EOS, 80, 81, 97, 264, 297, 636, 673, 701, 715, 716, 718, 778.
EPA, 820, 822, 824, 835, 841, 842.
ERBE, 258, 302, 305, 364.
ERDAS, 63, 150, 543, 710, 736, 742, 743, 813, 833, 837.
EROS, 27, 33, 48, 68, 69, 70, 93.
ERS, 40, 71, 72, 73, 94, 162, 200, 203, 214, 287, 288, 289, 297, 298, 429, 432, 433, 435, 468, 478, 527, 546, 547,
554, 566, 640, 675, 697, 715, 776, 794, 802, 814, 843.
Espaço-S, 108, 778, 779, 780, 781, 783, 798.
Espalhamento:
Espalhamento Atmosférico, 228, 681, 863.
Espalhamento Bragg, 708.
Espalhamento Mie, 301, 687, 689.
Espalhamento Molecular, 682.
Espalhamento Rayleigh, 189, 301, 302, 661, 677, 679, 681, 682, 687, 689, 691, 693.
Espectro Eletromagnético, 8, 17, 38, 750, 751, 753.
Espectrorradiômetro, 36, 175, 196, 254, 256, 268, 278, 280, 281, 282, 283, 297, 350, 406, 427, 437.
Espessura Ótica, 288, 303, 305, 608, 676, 681, 682, 684, 687, 688, 689, 690, 693, 694, 697, 698.
ESSA, 32, 81.
Estereoscopia, 58, 60, 61, 69, 70, 75, 536.
Estratosfera, 13, 675.
Estrutura Geológica, 172, 193.
Estrutura Espacial, 150, 701, 771, 774, 775, 777, 779.
Estrutura Tectônica, 159, 166.
ETM+(veja Landsat ETM+).
Evapotranspiração, ET
Evapotranspiração Máxima, ETM, 317, 318, 328, 351, 353, 354, 411, 416, 422, 819.
Evapotranspiração Potencial, ETP, 317, 318, 328, 329, 330, 331, 332, 333, 334, 335, 343, 344, 348, 349,
350, 409, 410, 411, 414, 415, 420, 421, 422, 423, 594, 627.
Evapotranspiração Real, ETR, 317, 318, 328, 335, 338, 342, 345, 349, 353, 354, 355, 356, 361, 362, 363,
405, 411, 414, 416, 417, 420, 421, 422, 468, 594, 626.
Evolução Temporal / Evoluções Temporais, 239, 441, 443, 444, 446, 447, 448, 450, 520, 522, 563, 615 653, 660,
669, 700, 799, 815, 817, 821, 824.
Evoluções Espaciais, 424.
Expert System, 788, 796, 797, 802.
FAO, 243, 318, 330, 332, 334, 344, 368, 369, 470, 477, 565, 631, 632..
Feições, 45, 55, 63, 71, 159, 513, 528, 709, 726, 727, 736, 740, 742, 777, 790, 795, 814.
FFT, 458, 462, 463, 464, 465, 466, 467, 473, 492, 792, 842.
Fisionomia, 159, 193, 706, 707.
Fitoplâncton, 74, 78, 198, 199.
Floresta, 20, 21, 24, 25, 117, 140, 143, 150, 231, 240, 255, 324, 362, 426, 427, 438, 451, 522, 524, 535, 537, 540,
550, 551, 603, 605, 606, 610, 660, 681, 682, 692, 726, 744, 779, 780, 781, 782, 829, 831, 836, 837.
Fluxo de Calor Latente, 253, 300, 315, 316, 317, 354, 356, 357, 359, 361.
Fluxo de Calor Sensível ao ar, 253, 300, 356, 359.
Fluxo de Calor Sensível ao solo 253, 300, 316, 358, 362.
FLUXNET, 341, 364.
Fokker Space, 64.
FORTAN, Fortran-77, 332, 382, 421, 456, 692.
Fotografia Aérea, 123, 124, 140, 142, 172, 176, 510, 514, 524, 525, 837.
Fótons, 16,.
Fotoperiodismo, 146.
Fotorrespiração 578, 579, 581, 582, 583, 584, 588.
Fotossíntese, 138, 240, 241, 300, 316, 562, 573, 575, 576, 577, 578, 579, 581, 583, 584, 585, 586, 587, 588, 595,
596, 604,
Fragipã, 102.
Função Planck, 9, 266, 276, 296, 696.
Fuzzy,
Fuzzy ARTa, 787.
Fuzzy ARTb, 787.
Fuzzy ARTMAP, 568, 786, 788, 801.
Fuzzy Expert, 788, 792.
Gás Carbônico (Veja Dióxido de Carbono)
Gaussiana, 567, 763, 766, 798.
Geadas, 25, 217, 318, 322, 327, 561.
GEMI, 236, 237, 248.
Geobotânica, 179.
Geocampo, 735, 740, 812.
Geociências, 25.
Geodésico, 177, 733.
Geoestacionário, 32, 33, 35, 84, 287, 297, 798.
Geologia, 169, 175, 177, 179, 825, 827.
Geomorfologia, 45, 159, 160, 169, 193, 253, 432, 825, 827.
Geo-Objetos, 735, 740, 812, 813,
Georreferenciamento,. 64, 726, 733, 736, 740, 741, 742, 811, 833
Geosfera, 25, 60, 187.
Geossincronizada, 35, 84.
GIS, (veja SIG).
GLCM, 764, 767, 768.
GLM, 818.
GMS, 32, 84, 297.
GMT, 656, 658, 659.
GOES, 32, 33, 35, 36, 48, 84, 85, 94, 287, 297, 362, 368, 369, 542, 549, 608, 609.
GOSSTCOMP, 284.
GPS, 54, 63, 94, 175, 180, 525, 526, 625, 732, 733, (veja também DGPS).
Gramas, 12, 17, 335, 509, 510.
Granizo, 16.
Greenwich, 655, 656, 658, 659, 727.
GSFC, 86, 92, 293, 565, 668, 675, 682, 704, 721, 837.
GTOPO30, 676.
GVI, 219, 613.
HAPEX, 291, 631, 712.
HCMM, 195.
HELIOS, 59.
Heliossincronizado, 53.
Herbáceas, 146, 579.
Hidrocarbonatos, 169, 172.
Hidrologia, 73, 74, 82, 733, 738, 800.
Hidrotérmica, 173.
Hiperespectral / Hiperespectrais, 4, 33, 108, 123, 124, 125, 126, 140, 175, 187, 190, 290, 418, 437, 513, 528, 567,
676, 743, 765, 778, 791, 794, 796, 798, 840..
Hipsometria, 737.
Histograma, 445, 688, 767, 796.
HITRAN, 674, 675, 718.
Horizontal-Horizontal, HH, 24, 25, 41, 138, 429, 430, 599, 710.
Horizontal-Vertical, HV, 24, 25, 41, 346, 347, 430, 599, 710.
Hot Spot, 19, 20, 27, 92, 196, 555, 661, 703, 714, 721.
HRG, 58, 59, 60, 220, 221.
HRS, 58, 60, 61, 743, 762.
HRV, 55, 56, 58, 60, 80, 91, 152, 220, 221, 244, 525, 545, 568, 609, 655, 659, 661, 672, 673, 694, 714, 726, 802,
806, 815, 841.
IATA/CNR, 692.
IBGE, 450, 633, 731, 733, 830, 833, 842.
Idaterra/MS, 825, 840.
IDRISIS, 710.
IGHP, 704.
IKONOS, 4, 18, 33, 48, 62, 63, 64, 95, 101, 123, 162, 175, 511, 512, 525, 526, 527, 528, 529, 535, 540, 542, 544,
551, 726, 743, 762, 796, 807.
Ilha de Calor, 520, 521.
Imageador, 39, 40, 60, 68, 74, 86, 89, 297.
Índices de Vegetação, 47, 179, 191, 215, 217, 218, 219, 220, 221, 222, 224, 225, 226, 227, 228, 229, 234, 235, 236,
237, 239, 240, 241, 247, 363, 389, 423, 550, 562, 563, 564, 565, 576, 598, 599, 603, 604, 613, 616, 617,
618, 624, 625, 638, 725, 751.
INMET, 82, 837.
INPE, 27, 48, 49, 75, 82, 84, 87, 89, 90, 91, 92, 93, 96, 97, 341, 371, 542, 743, 800.
INSAT, 33, 84, 87, 297.
Interferências Atmosféricas (veja atmosferas)
Interferometria, Interferométrica, 45, 72, 433, 813.
Interferômetro, 87, 150, 175, 432, 626, 708, 709, 813, 814.
Inundação, 173, 188, 200, 201, 203, 204, 205, 206, 208, 209, 212, 828. (veja também enchentes).
Irrigação, 143, 146, 147, 197, 308, 316, 317, 318, 328, 354, 399, 417, 418, 427, 477, 563, 566, 593, 625, 829.
IRS, 33, 74, 75, 94, 95, 123, 155, 166, 168, 174, 175, 192, 197, 212, 213, 214, 599, 617, 628, 639, 726, 800, 802,
815.
ISODATA, 567, 744, 762.
Isotrópico, 12, 42, 691, 707, 817.
ISSS, 112, 113, 389.
ITCZ, 437, 455.
Janelas Atmosféricas, 15, 284, 286, 297.
Janela Dividida / Janela Dividida Local 116, 264, 265, 267, 268, 284, 285, 286, 287, 288, 289, 290, 291, 292, 293,
295, 297, 298, 308, 353, 416, 521, 617, 697, 708.
JERS, 173, 202, 203, 211, 213, 214, 610, 792, 805.
JPL, 181, 272, 429, 814.
Kernal, 791, 801.
KFD, 791.
K-means, 567, 568, 762, 763.
KOMPSAT 33, 66, 67.
Krigagem, 773, 774, 775, 776, 777, 819.
La Niña, 203.
LAC, 22, 240, 272, 293, 354, 361, 416, 451, 521, 540, 541, 545, 548, 550, 604, 624, 668, 681, 698, 700, 725.
LAI, 137, 150, 151, 222, 223, 224, 232, 236, 237, 239, 240, 241, 242, 257, 314, 315, 318, 360, 427, 552, 573, 575,
576, 598, 599, 605, 616, 617, 623, 630, 636, 701.
Lambertiana / Lambertiano, 12, 148, 272, 275, 276, 686, 687, 694.
Landsat:
Landsat 1, 50, 170, 171, 655, 656, 657, 658, 711.
Landsat 2, 48, 49, 50, 628, 655, 656, 657, 658, 711.
Landsat 3, 48, 50, 568, 655, 656, 657, 658, 711
Landsat 4, 49, 50, 51, 655, 656, 657, 658.
Landsat 5, 50, 51, 52, 54, 55, 56, 66, 99, 637, 685, 686, 687, 688, 704.
Landsat 6, 33, 49.
Landsat 7, 49, 51, 52, 53, 54, 55, 95, 123, 150, 194, 363, 542, 543, 544, 550, 658, 672, 673, 712, 743, 745,
746, 747, 748, 749, 750, 751, 753, 754, 755, 756, 757, 759, 760, 761, 823, 824, 832, 833.
+
 Landsat ETM , 124, 155, 220, 548, 556, 605, 623, 655, 796, 830, 833, 834.
Landsat MSS, 163, 169, 170, 171, 177, 178, 219, 220, 254, 522, 564, 655, 664.
Landsat TM, 220, 522, 655, 664, 672, 686, 689, 691, 692, 714, 727, 744, 762, 770, 788, 7982, 811, 814,
815.
LBA, 341, 364, 371.
LBL, 307.
LDD, 819, 840.
Lençóis Freáticos, 193, 194, 195, 417, 422.
LIDAR, 9, 33, 38, 45, 46, 92, 175, 240, 315, 378, 527, 528, 537, 552, 604, 606, 635, 726, 803, 815.
Limo, 112, 113, 114, 121, 160, 288, 398, 428, 750.
Limonitos, 161.
Lisímetro, 328, 329, 338, 342, 343, 422.
Litologia, 159, 161, 162, 193, 194, 195, 814.
LMM, 764, 769, 770.
Local Split-Window, (veja Janela Dividida Local).
LOWTRAN, 254, 674, 716.
LPM, 36, 37, 47.
LSIT/ENSPS, 265, 274.
MACHYDRO, 437.
Macrozoneamento, 827, 830, 833.
MAI, 389, 411, 412, 455.
Markoviano, 124.
Materiais Orgânicos, 78, 105, 124, 125, 126, 191, 198, 199, 310, 316, 757, 828.
Máxima Verossimilhança,. 124, 197, 566, 567, 572, 764, 766.
Meio Ambiente, 63, 73, 87, 123, 159, 218, 236, 266, 278, 535, 542, 555, 576, 817, 820, 823, 824, 825, 842, 843.
Mesófilo, 133, 134, 136, 140, 141, 144, 582, 583, 584, 585, 586, 587, 750.
METEOR, 32, 84.
METEOSAT, 32, 33, 48, 84, 85, 95, 155, 245, 249, 256, 257, 258, 273, 287, 297, 366, 367, 376, 379, 473, 673, 674,
694, 695, 714, 716.
Microclima, 253, 316, 322, 363, 465, 537, 538, 540, 576, 827.
Microonda:
Banda C, 40, 71, 73, 429, 430, 435, 548, 610, 813.
Banda L, 40, 41, 102, 173, 194, 202, 429, 430, 435, 610, 685, 710, 788.
Banda X, 40, 65, 68, 138, 150, 194, 430, 599.
MIR, Mid Infrared, 79, 161, 218,
MIR (satélite Russo), 429.
MIRAS, 710, 712, 713.
MISR, 77, 78, 79, 636, 701, 716.
MODIS, 4, 19, 20, 27, 77, 78, 92, 101, 108, 123, 150, 155, 175, 254, 264, 272, 290, 297, 298, 363, 377, 416, 476,
536, 541, 542, 548, 549, 550, 551, 553, 554, 568, 605, 623, 630, 632, 634, 675, 676, 701, 715, 726, 792,
MODTRAN, 308, 711.
Mudanças Climáticas, 25, 60, 77, 87, 123, 239, 253, 278, 284, 301, 349, 350, 361, 451, 660, 822, 827, 832, 836,
837, 843.
Multiplicador Lagrangiano, 775, 790.
Munsell, 109, 110, 742.
NASA, 31, 34, 35, 36, 48, 51, 69, 70, 75, 77, 78, 79, 80, 81, 86, 87, 92, 93, 95, 96, 97, 210, 264, 293, 341, 429, 435,
437, 565, 653, 668, 673, 675, 682, 704, 788, 793, 813, 814, 837.
NDVI,
NDVI, 21, 22, 23, 24, 140, 206, 207, 209, 220, 221, 222, 223, 224, 225, 226, 228, 229, 230, 231, 232, 236, 237, 238,
239, 240, 241, 267, 268, 269, 289, 290, 291, 293, 295, 314, 315, 352, 354, 358, 382, 423, 424, 425, 426,
427, 436, 437, 438, 439, 440, 441, 442, 443, 444, 445, 446, 447, 448, 449, 450, 451, 452, 453, 454, 455,
458, 459, 460, 461, 462, 463, 464, 465, 466, 467, 528, 541, 545, 548, 550, 563, 564, 565, 566, 598, 601,
602, 603, 604, 605, 606, 607, 610, 613, 614, 615, 616, 617, 618, 621, 623, 627, 628, 660, 676, 677, 681,
682, 698, 700, 701, 705, 706, 725, 836, 837, 838.
NESDIS, 48, 81, 85, 95, 96, 382, 624, 665, 669, 671, 682.
Nimbus, 32, 284.
NOAA,
 NOAA 1, 81.
NOAA 2, 81.
NOAA 3, 81.
NOAA 4, 81.
NOAA 5, 81.
NOAA 6, 33, 81, 82, 176, 177, 608, 609, 654, 655, 663.
NOAA 7, 81, 304, 609, 654, 665, 668, 669.
NOAA 8, 82, 609, 654, 655, 669, 678.
NOAA 9, 230, 256, 286, 304, 609, 618, 654, 662, 663, 665, 666, 668, 669, 678, 681, 697, 698.
NOAA 10, 609, 654, 655, 678.
NOAA 11, 230, 256, 257, 261, 286, 293, 304, 609, 618, 654, 665, 666, 668, 670, 678, 705.
NOAA 12, 95, 608, 609, 663.
NOAA 13, 667.
NOAA 14, 34, 35, 95, 286, 521, 665, 666, 667, 668, 670, 671, 672.
NOAA 15 (NOAA K), 82, 83, 95, 536, 670, 671, 672.
NOAA 16 (NOAA L), 82, 83, 95, 670.
17 (NOAA M), 82, 83, 96, 670.
NOAA 18, 82, 83, 670.
NOAA AVHRR GAC, 24, 258, 354, 444, 565, 614, 619, 660, 668.
NOAA AVHRR LAC, 22, 240, 272, 354, 361, 416, 451, 521, 540, 541, 545, 548, 550, 604, 624, 668, 681,
698, 700, 725.
NOAA AVHRR GVI, 616.
NSSR, 302, 304, 305.
OrbView, 75, 76, 96.
OSAVI, 236, 237.
Paralelepípedo, 764, 767, 770.
Pastagem, Pastagens, 20, 21, 24, 25, 46, 110, 117, 138, 148, 149, 234, 240, 255, 258, 288, 353, 419, 429, 432, 509,
510, 522, 546, 548, 550, 563, 566, 568, 581, 582, 601, 603, 604, 605, 606, 607, 610, 613, 617, 698, 725,
765, 829, 830, 831, 833, 834.
PCA, 515, 764, 765, 774, 776, 777, 781, 783, 795.
PCBAP, 824, 825, 827, 828, 830, 833.
PCRaster, 819, 820.
Permeabilidade, 162, 195, 821.
Planeta Terra, 3, 10, 11, 15, 25, 32, 33, 34, 48, 101, 123, 159, 174, 176, 263, 298, 299, 301, 419, 420, 535, 609, 667,
798, 813, 840.
Plano Equatorial, 35, 55.
Plataforma, 32, 40, 64, 87, 550.
Polarização, 5, 6, 24, 41, 71, 73, 121, 138, 230, 296, 297, 707.
Polarização Circular, 6.
Polarização Elíptica, 6.
Polarização Horizontal, H, 230, 297.
Polarização Linear, 6.
Polarização Vertical, V, 230, 296, 297.
Polarização Vertical-Horizontal, VH, 24, 25, 41, 234, 599, 604, 710.
Polarização Vertical-Vertical, VV, 24, 25, 41, 71, 138, 429, 430, 599, 710.
Porosidade, 103, 104, 114, 119, 162, 402, 408.
Pós-Classificação, 515, 544, 795, 798.
Potencial de Água, 389, 390, 391, 392, 397, 400, 401, 402, 403, 404, 405, 406, 408.
Potencial Matricial, 393, 408, 409.
Potencial de Pressão, 393, 396.
Potencial Gravitacional, 393, 396.
Potencial Osmótico, 393, 395, 396.
Potencial da Magnética, 5.
Potencial Elétrico, 5, 404.
Precipitação, 16, 25, 105, 107, 206, 207, 209, 231, 316, 317, 354, 409, 410, 413, 414, 418, 419, 421, 422, 423, 424,
425, 426, 427, 436, 446, 447, 448, 453, 455, 456, 458, 459, 460, 461, 462, 463, 464, 465, 466, 467, 538,
564, 573, 591, 594, 624, 626, 676, 812, 819, 820, 822, 827, 836, 837, 838.
Pré-Processamento, 513, 653, 659, 725.
Previsão de Safra, 63, 235, 308, 317, 449, 450, 559, 561, 562, 563, 564, 565, 576, 606, 613, 614, 615, 617, 618, 628.
Processamento de Dados, 16, 47, 429, 651, 653, 701, 707, 811, 813.
Processamento de Imagem, 73, 776, 796, 797,
Produções Agrícolas, Produção Agrícola, 107, 240, 296, 315, 317, 322, 389, 397, 406, 409, 411, 418, 445, 449, 450,
561, 563, 564, 565, 566, 573, 576, 587, 599, 619, 624, 625, 626, 798.
Produtividade de Algodão, 617.
Produtividade de Biomassa, 138, 231, 234, 241, 451, 599, 600, 604, 605, 609.
Produtividade de Culturas, Produtividade de Cultura, 234, 409, 564, 573, 574, 597, 616.
Produtividade de Milheto, 565, 613, 616.
Produtividade de Milho, 234, 565, 613, 623.
Produtividade de Soja, 619, 622, 623.
Produtividade de Trigo, 594.
Produtividade de Pastagem, 603, 604, 617.
Produtividade Máxima, 318, 411, 580, 595, 604.
Produtividade Primária Bruta, 601, 602, 605, 606.
Produtividade Primária Líquida, 599, 602, 603, 605, 606, 607.
Produtividade Potencial, 573, 575, 580, 581, 594, 627.
Projeção Cartográfica, 54, 73.
Projeção Cilíndrica, 728, 729.
Projeção Cônica, 728, 729.
Projeção de Goode Homolosine Interrompida, (veja IGHP)
Projeção Homolográfica, 704.
Projeção Mercator, 728, 729.
Projeção Mollweide, 704.
Projeção Pseudocilíndrica, 704.
Projeção Senoidal, 704.
Projeção Universal, 728.
Projeção UTM, 728, 734.
Propagação da Fase, 432.
Propagação Espacial, 818.
Propagação Retroativa, 784, 785, 786.
Psicrômetro, 397, 408.
PVI, 224, 225, 226, 240, 616.
QUAL2k, 820, 822, 824, 835.
Queimadas, 13, 25, 49, 71, 82, 86, 324, 533, 535, 536, 538, 539, 540, 541, 542, 543, 544, 545, 546, 547, 548, 549,
550, 551, 746, 748, 750, 752, 765, 832.
QuickBird, 4, 18, 33, 48, 64, 65, 66, 96, 123, 162, 175, 511, 535, 542, 544, 743, 814, 815.
RADARSAT, 24, 25, 96, 180, 202, 203, 211, 429, 479, 554, 566, 610, 637.
Radiação Fotossintética Ativa, PAR, 151, 223, 240, 241, 242, 245, 406, 409, 436, 472, 564, 573, 575, 580,
581, 582, 583, 584, 596, 601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612, 616, 626, 633, 635,
637, 750.
Radiação Solar 3, 4, 6, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 31, 38, 50, 74, 121, 133, 134, 137, 148, 188,
189, 191, 195, 196, 253, 285, 286, 298, 299, 301, 302, 303, 308, 314, 319, 320, 321, 323, 326, 328, 330,
332, 333, 334, 343, 344, 350, 351, 357, 362, 416, 423, 428, 453, 520, 539, 573, 576, 577, 580, 581, 582,
583, 589, 596, 598, 599, 601, 603, 604, 605, 606, 609, 610, 626, 643, 677, 683, 684, 685, 687, 691, 696,
753, 754, 756, 757, 758.
Radiação Extraterrestre, 332, 333, 610.
Radiação Global, 610.
Radiação Incidida, Incidente, 11, 285, 304, 509, 540, 750.
Radiação Líquida, 299, 300, 301, 304, 305, 308, 314, 316, 328, 341, 342, 344, 345, 348, 349, 350, 351,
352, 353, 354, 357, 358, 361, 362, 626.
Radiação Onda Curta, 254, 299, 300, 301, 302, 304, 305, 607.
Radiação Onda Longa, Termal, 10, 16, 284, 286, 298, 299, 300, 306, 307, 308, 326, 357, 358, 626.
Radiação Refletida, 116, 304, 687.
Radiação Ultravioleta, 8, 13.
Radiômetro, 40, 82, 85, 87, 143, 146, 147, 274, 275, 276, 278, 279, 280, 281, 284, 291, 297, 409, 418, 423, 661,
 710.
Radiossondagem, 286, 307, 361, 682.
Recursos Hídricos, 25, 185, 187, 188, 189, 193, 195, 308, 315, 328, 389, 456, 820, 823, 824, 832, 835, 841.
Recursos Naturais, 25, 31, 33, 101, 123, 418, 419, 520, 738, 815, 822, 823, 824, 825, 832, 833.
Redes Neurais Artificiais, (veja ANNs)
Refração, 12, 13, 188, 196, 756, 757.
Regressão Linear, 517, 565, 572, 593, 610, 619, 662, 663, 694, 818.
Regressão Múltipla, 591, 592, 593, 594, 613, 669, 771, 818.
Resolução:
Resolução Azimutal, 43, 44.
Resolução Espacial, 3, 4, 18, 33, 36, 37, 39, 40, 43, 44, 47, 48, 49, 50, 51, 52, 54, 55, 56, 59, 60, 61, 62,
63, 64, 667, 70, 71, 74, 75, 76, 78, 79, 80, 86, 87, 88, 89, 123, 162, 169, 175, 187, 191, 192, 193, 222, 253,
264, 271, 172, 296, 297, 298, 361, 363, 435, 446, 463, 509, 510, 511, 513, 514, 515, 516, 519, 525, 528,
535, 536, 537, 540, 541, 544, 545, 551, 561, 562, 564, 566, 568, 605, 606, 613, 614, 616, 617, 624, 625,
626, 628, 668, 675, 710, 726, 727, 734, 736, 740, 742, 743, 762, 779, 792, 793, 798, 837.
Resolução Espectral, 4, 36, 40, 123, 307, 511, 674, 675, 778, 796.
Resolução Radial, 43, 44, 45.
Resolução Temporal, 48, 89, 101, 298, 536, 605.
Respiração, 397, 576, 577, 578, 579, 581, 583, 584, 585, 587, 588, 589, 596, 602, 603, 605, 610,
Retroespalhamento, 19, 21, 41, 42, 118, 119, 138, 196, 203, 429, 430, 432, 433, 434, 610, 661, 679, 698, 700, 708,
777.
Rugosidade, 11, 12, 41, 43, 44, 45, 115, 121, 191, 236, 237, 253, 265, 315, 335, 336, 337, 346, 347, 353, 355, 359,
360, 423, 428, 429, 430, 432, 433, 434, 435, 586, 701, 707, 750, 755.
RWC, 142, 143, 144, 408, 427.
SACZ, 437.
Salinidade, 124, 146, 320.
SAR, 468, 475, 478, 479, 527, 528, 529, 530, 546, 547, 548, 554, 555, 566, 626, 640, 707, 708, 709, 710,
721, 776, 777, 778, 788, 794, 802, 804, 806, 813, 814.
SAVI, 224, 225, 226, 227, 229, 236, 237, 239, 240, 423, 725, 726.
Seasat, 40, 169, 170, 177, 181.
SeaWiFS, 196, 199, 210, 211, 214.
SEBAL, 354, 357, 360, 361, 362, 363.
Secas, 17, 25, 49, 133, 136, 195, 217, 231, 257, 362, 387, 389, 415, 437, 441, 446, 447, 448, 449, 450, 455, 460,
468, 537, 561, 562, 576, 577, 598, 599, 617, 621, 624, 704, 836.
Sedimentos / Sedimanetação, 49, 74, 75, 80, 81, 167, 193, 194, 196, 197, 199, 204, 209, 745, 757, 758, 760, 827,
839, 842.
Semivariância, 773, 774, 779.
Semivariograma, 773, 774, 775, 779, 780, 781, 782, 783.
Sensores:
Sensores Ativos, 9, 38, 41, 429.
Sensores de Microondas, 38, 40, 200, 231, 296, 423, 430, 431, 796.
Sensores Eletro-Óticos, 39.
Sensores Fotográficos, 39.
Sensores Imageadores, 39. 40.
Sensores não-Imageadores, 38, 47.
Sensores Passivos, 9, 38.
SIG, (Veja GIS).
SMMS, 200, 204, 230.
Speckle, 47, 709, 710, 721, 803.
Split-Window, (veja Janela Dividida).
SPOT
Spot 1, 33, 55, 56, 58, 59, 97, 536, 655, 656, 657, 658, 672, 673,
Spot 2, 33, 55, 56, 58, 59, 97, 536, 608, 609, 658.
Spot 3, 33, 55, 56, 58, 59, 97, 536, 658.
Spot 4, 56, 57, 58, 59, 60, 97, 545, 546, 547, 551, 556, 658, 792.
Spot 5, 4, 55, 56, 58, 59, 60, 61, 80, 97, 124, 658, 743, 762, 815.
SRTM, 150, 813, 814,
SSM/I, 86, 296, 371, 682, 716.
Stepwise, 515, 593, 771, 818.
Subsolo, 25, 101, 179, 187, 194, 316, 121, 417, 421, 422.
Sun Glint, 19, 196, 254, 661.
Superfície:
Superfície Lambertiana (veja Lambertiana).
Superfície de Água, 121, 198, 254, 323, 335, 341, 342, 356, 363, 390, 509, 623.
Superfície Oceânica, 117, 199, 254, 284, 285, 286, 288, 696, 705, 706.
Superfície Terrestre, 3, 5, 8, 9, 10, 13, 15, 16, 17, 18, 31, 37, 39, 45, 48, 49, 50, 75, 78, 84, 85, 116, 118,
175, 217, 222, 232, 236, 239, 251, 253, 254, 258, 261, 262, 264, 265, 267, 268, 278, 284, 285, 289, 291,
292, 293, 295, 296, 298, 299, 300, 301, 304, 306, 308, 315, 316, 322, 325, 328, 340, 341, 352, 353, 354,
355, 356, 357, 358, 359, 361, 362, 363, 420, 428, 429, 436, 451, 541, 550, 564, 575, 613, 628, 653, 660,
661, 669, 672, 683, 684, 685, 687, 696, 701, 703, 704, 705, 706, 720, 725, 727, 728, 732, 740, 744, 745,
769, 814, 836.
Superfície de Vegetatação, 111, 217, 218, 221, 222, 231, 232, 233, 267, 268, 269, 362, 363, 433, 621, 623,
628, 679, 694, 701, 751.
SVM, 200, 764, 788, 789, 790, 791, 792, 793, 795, 798, 804.
TCI, 233, 234, 235, 550, 565, 598, 614, 617, 618, 619, 620, 621, 622, 623, 627, 628.
Tectônicas, (veja Estrutura Tectônica)
Telecomunicações, 50, 59, 60, 63, 88.
Temperatura:
Temperatura do Ar, 150, 253, 287, 290, 293, 308, 320, 326, 327, 329, 330, 341, 344, 347, 351, 353, 357,
359, 362, 416, 427, 428, 538, 539, 573, 587, 589, 626, 705, 818.
Temperatura de Brilho, 115, 116, 233, 234, 264, 267, 281, 282, 285, 286, 287, 288, 289, 296, 352, 353,
429, 430, 520, 521, 540, 548, 618, 628, 669, 696, 705.
Temperatura do Solo 118, 195, 253, 313, 427.
Temperatura da Superfície Oceânica, 117, 199, 284, 285, 286, 288, 705.
Temperatura do Superfície Terrestre, 116, 253, 264, 278, 284, 289, 291, 292, 293, 295, 300, 352, 353, 359,
361, 372, 379, 541, 669, 685, 696, 705, 720.
Tensiômetro, 397, 408.
Textura:
Textura de Imagem, 709.
Textura da Superfície, 429, 432, 528.
Textura de Solo, 112, 115, 118, 321.
Textura Espacial, 18.
Textura Granulada, 709.
TIROS, 31, 32, 33, 81, 82, 285, 287, 366.
Topologia, 735, 737, 786, 812, 840.
TOPSAR, 528.
TOVS, 33.
TOXIROUTE, 835.
Transmitância, 12, 15, 119, 120, 135, 136, 140, 146, 148, 190, 236, 288, 302, 580, 674, 675, 677, 678, 679, 680,
688, 691, 693, 694, 696, 749, 751.
Transpiração, 118, 315, 316, 317, 319, 321, 355, 402, 403, 404, 573, 577, 596.
TRMMI, 298.
Troposfera, 78, 79, 306.
Umidade do Solo, 104, 112, 114, 118, 119, 121, 122, 124, 125, 126, 150, 174, 187, 188, 193, 194, 195, 217, 225,
236, 237, 291, 310, 321, 329, 337, 362, 395, 397, 399, 401, 407, 408, 416, 420, 421, 422, 423, 427, 428,
429, 430, 431, 432, 433, 434, 435, 436, 437, 588, 623, 755, 756.
Umidade do Solo Gravimétrica, 122, 407, 429.
Umidade do Solo Volumétrica, 397, 401, 407, 429, 434, 435.
UTM, 728, 730, 733, 734, 740, 747, 748, 749, 802.
Variabilidade(s) Climática(s), 264, 291, 318, 436, 438, 445, 449, 455, 459, 463, 465, 467, 562, 619, 620, 626, 798,
818, 836.
Variograma(s), 628, 773, 774, 775, 776, 777, 782, 793.
VCI, 231, 234, 235, 445, 446, 447, 448, 449, 450, 550, 555, 565, 598, 613, 614, 617, 618, 619, 620, 621, 622, 623,
627, 628, 631, 706.
Velocidade da Luz, 3, 5, 44, 47, 733.
Velocidade Relativa, 4.
VIS, (veja Banda Visível)
VISSR, 85, 307, 609.
WASP, 820, 822, 824, 835.
WDVI, 226, 598, 599.
Xilema, 403, 405, 409.
ZEE, 823, 832.
Zooplânctons, 196.
 Índice de Autores

Abdelhamid G., 162, 180.

Abuzar M., 566, 629.
Abel P., 661, 711.
Acharya P. K., 365, 701, 711, 712.
Ackerman S. A., 352, 364.
Ackermann F., 46, 91.
Ackinson P. M., 562, 568, 629.
Adams J. B., 800, 769.
Adams M. L., 238, 242.
Addink E. A., 705, 711.
Ahern F. J., 211, 561, 629.
Ahl D. E., 155, 605, 629.
Ahem F. J., 664, 711.
Akman A. U., 814, 841.
Allen J. D., 474, 562, 629.
Almeida T. I., 765, 800.
Alonson F. C., 561, 629.
Al-Rawi K. R., 552.
Amici G., 203, 210.
Ammenberg A., 198, 210.
Anderson G. P., 365, 711, 712, 716
Anderson H. E., 537, 552,
Anderson H. S., 617, 627, 629
Anderson J. L., 627, 641
Anderson M. C., 369
Anderson W. P. 844.
Anding D., 284, 364.
Andrés L., 629.
Anthes R. A., 242, 436, 469.
Anunciação Y. M. T., 563, 629.
Aranuvachapun S., 629, 690, 711.
Arino O. G., 304, 364, 694, 695, 711.
Armstrong T. B., 176, 180.
Ashcroft P. M., 564, 629.
Attema E. P., 599, 629.
Avenier D., 566, 568, 570, 571, 629.
Avissar R., 341, 364.
Awaya Y., 630.
Azzali S., 455, 458, 475, 479.
Baier W., 418, 420, 421, 469, 480.
Baker D. N., 587, 603, 630.
Baldocchi D., 341, 364, 379.
Baltsavias E. P., 528, 529, 797, 800.
Bannari A., 217, 228, 236, 242.
Baran S. M., 191, 210, 709, 711.
Barale W., 298, 364.
Baret F., 151, 154, 227, 237, 242, 247, 248, 552, 555, 630.
Barton I. J., 284, 364.
Bastiaanssen W. G. M., 282, 354, 357, 360, 361, 362, 364, 372, 711.
Batty M., 819, 841.
Bauer M. E., 122, 127, 561, 562, 627, 630, 633.
Baumgartner A., 340, 364, 420.
Bausch W. C., 223, 239, 242, 247, 248, 436, 476, 564, 638.
Becker F., 116, 127, 129, 264, 265, 271, 272, 273, 274, 284, 289, 290, 291, 293, 306, 308, 364, 365, 372, 377, 417, 469, 630, 675,
697, 705, 711, 719.
Bégué A., 151, 241, 242, 638.
Bell J.C., 626, 630.
Bell J. F. 159, 180.
Bella C.M. 630.
Ben-Dor E., 124, 125, 126, 127, 187, 210, 418, 469.
Beneditti R., 151, 242.
Benediktsson J. A., 513, 529.
Benny A.H., 191, 210.
Berg C.P., 176, 177, 180.
Berk A., 290, 365, 272, 274, 711, 712.
Berman B. J., 150, 151.
Bhaskaran S., 175, 180.
Bicheron P., 701, 702.
Bielski C. M., 108, 127, 778, 780, 781, 782, 783, 800.
Bilal A., 163, 164, 165, 166, 167, 168, 180, 195, 210.
Birkett C.M., 202, 203, 210, 213.
Black S. E., 610, 630, 643, 644, 672, 673, 712, 805.
Blad B. L., 156, 247, 337, 342, 365, 557.
Blaney H. F., 329, 330, 344, 349, 365.
Blumberg G., 429, 469.
Boegh E., 362, 365.
Boff L. 841.
Boles S. H., 541, 552.
Borak J. S., 568, 630, 800.
Bouman B.A., 151, 223, 241, 242, 436, 469, 564, 598, 599, 630.
Bouzouane A., 797, 800.
Boyd D. S., 218, 242.
Bowen I. S., 341, 365.
Bowyer P., 537, 552, 553, 555.
Box G. E., 274, 456, 469, 805.
Bradshaw L. S., 549, 552.
Brest C. L., 242, 436, 469, 668.
Brivio P. A., 200, 201, 210.
Brolio R., 797, 800.
Brooks R. L., 177, 178, 180, 461, 476.
Brown K. W., 586, 588, 589, 630, 631.
Brown L. C., 841.
Brutsaert W., 337, 346, 359, 365, 366, 370, 419, 420, 469.
Bruzzone L., 200, 210, 791, 792, 795, 800, 801.
Buckman H. O., 102, 103, 108, 115, 127, 417, 469.
Buettner K. J. K., 117, 127, 274, 366.
Bukin O. A., 196, 210.
Burk E. J., 210, 429, 469.
Burns E. E., 140, 151.
Burrough P., 819, 840, 841.
Bush T. F., 561, 631.
Businger J. A., 340, 366.
Calder I. R., 345, 366.
Camacho de Coca F., 745, 800.
Câmara A. S., 819, 841.
Câmara G., 735, 772, 774, 800.
Camargo E. C., 735, 772, 774, 800.
Campana N. A., 749, 750, 751, 755, 800.
Campbell J. B., 26, 50, 51, 91, 127, 159, 180, 729, 800.
Campbell P. K., 140, 151
Carlson J. D., 551, 552.
Carlson T. N., 151.
Carmel Y. 801.
Carpenter G. A., 786, 801.
Caselles V., 127, 268, 269, 270, 272, 274, 276, 277, 278, 289, 290, 291, 293, 294, 295, 351, 353, 366, 367, 370, 375, 376, 377, 379,
631, 641, 712, 719, 720.
Cate R.B., 595, 596, 631.
Cess R. T., 304, 305, 366.
Chadwick J., 175, 180.
Chan S.W., 797, 801.
Chang J. H., 581, 610, 631.
Chauhan N. S., 430, 437, 470.
Chavez P. S., 688, 712.
Chedin A., 287, 366.
Chen C. M., 528, 529.
Chen C. W., 709, 712.
Chen J., 92, 286, 302, 375, 555, 665, 666, 667, 668, 671, 717, 718,.
Chen S., 516, 529.
Chen Z. M., 631.
Cherniawsky J. Y., 203, 211.
Chou M. D. 302, 305, 366.
Chou T. Y., 525, 529.
Choudhury B. J., 230, 231, 243.
Chudnovskii A. F., 114, 127.
Chung Y. S., 180.
Chust G., 794, 801.
Chuvieco E., 536, 541, 545, 548, 550, 552, 553, 556.
Cierniewski J., 701, 712.
Cihlar J., 22, 26, 223, 243, 436, 470, 700, 702, 706, 712, 797, 801.
Clevers J. G., 111, 127, 598, 631.
Coble P. G., 199, 211.
Coburn C. A., 769, 801.
Cogswell A., 536, 553, 557.
Coll C., 116, 127, 264, 272, 274, 276, 284, 289, 298, 366, 367, 375, 377, 631, 712, 719.
Colliander A., 710, 712, 713.
Colwell R. N., 26, 91, 127, 135, 136, 138, 139, 140, 141, 148, 149, 151, 152, 171, 180, 211, 243, 529, 530.
Coppin P., 473, 725, 801.
Corbella I., 710, 713.
Corina C. F., 38, 42, 43, 44, 45, 91.
Correa M. A. L., 191, 192, 211.
Corves C. 152, 243.
Costa M. P., 203, 211, 638.
Coulson K.L., 121, 127, 685, 713.
Crow W. T., 435, 470.
Cuartero A., 80, 91, 815, 841.
Culf A. D, 255, 262, 362, 367.
Cull P. O., 343, 367.
Cuomo V., 541, 553.
Curran P. J., 121, 127, 175, 181, 629, 631, 773, 801.
Cyr L., 227, 243.
Da Costa L. M., 111, 112, 127.
Dadhwal W.K., 365, 631,
Darnell W. L., 302, 367.
Daschiel H., 795, 801.
Dash P., 265, 296, 367.
Daughtry C. S., 153, 246, 350, 358, 367, 371.
Dawn D., 553.
Dawson G. J., 191, 210.
Dawson T. P., 631.
De Vries S. L., 402, 476.
De Wit A. J., 631.
De Witt C. T., 562, 631.
Debinski D. M., 811, 841.
Dedieu G. P., 302, 364, 367, 394, 695, 711.
Deeming J. E., 550, 552, 553.
Defant A., 189, 211.
Dekker A.G., 198, 211.
Demattê J. A., 123, 128.
Denmead O. T., 340, 342, 367, 641.
Derrien M., 705, 713.
Desjardins R. L., 335, 340, 367.
Di L., 243, 461, 470.
Dickinson R, 451, 470.
Dingman, S.L., 81.
Disney M., 254, 367.
Dixon H. H., 403, 470.
Dobson M. C., 430, 470.
Donion C. J., 298, 367.
Doorenbos J., 243, 318, 319, 329, 330, 332, 334, 343, 344, 368, 369, 411, 412, 418, 470, 589, 631.
Doraiswamy P. C., 576, 623, 628, 632.
Dragomir J. H., 536, 541, 553.
Draper B. A., 797, 801.
Drayton R.S., 841.
Drew D., 842.
Drewry D.J., 176, 181.
Duchemin B., 211, 427.
Dusek D. A., 156, 249, 557, 564, 632.
Dutra L.V., 91, 154, 766, 784, 786, 802.
Dutton E. G., 308, 366, 368.
Dwivedi R.S., 197, 211.
Dyer A. J., 223, 243, 337, 368, 436, 470.
Dymond, J. R., 152, 243.
Eck T. F., 244, 245, 472, 473, 701, 705, 713, 715, 717.
Eidenshink J. C., 91, 293, 368, 668, 713.
Ellingson R. G., 92, 306, 368, 376, 477, 640, 719.
Elvidge C. D., 531, 541, 553, 555.
Emery W. J., 27, 287, 368, 701, 717.
Engelen G., 819, 821, 842, 844.
Engman E. T., 372, 430, 470.
Erbek S., 792, 802.
Erickson E. D., 664, 713.
Estep L. 632.
Estes J. E., 522, 529.
Eymard L., 354, 362, 368, 383.
Faivre R., 614, 632.
Felde G. W., 232, 243, 470.
Ferencz C., 632.
Ferreira L.G., 725, 802.
Ferreira E., 752, 755, 802.
Ferrier G. K., 173, 180.
Field C. B., 92, 368, 376, 451, 470, 477, 632, 640, 719.
Fischer A., 152, 243, 632
Fischer J., 199, 211.
Fitzpartrick-Lins K., 529.
Flemming B. W., 179, 181.
Fletcher E. R., 140, 152.
Flood M., 45, 91.
Floyd H. N., 45, 91.
Flynn T. J., 709, 713.
Foody G. M., 788, 802.
Ford J. P., 169, 170, 181.
França H., 545, 553.
França G. B., 116, 128, 264, 265, 284, 287, 289, 368, 551, 553, 713.
Fraser R.S., 244, 472, 713.
Freeman A., J., 24, 25, 26, 152, 154, 243.
French A. N., 363, 369.
Frouin R., 223, 243, 301, 375, 436, 471, 564, 607, 632.
Fuller D. O., 545, 553.
Fung I. Y., 430, 431, 434, 479, 554, 577, 632, 641.
Galdino S., 204, 211.
Gallego J., 562, 565, 568, 572, 622, 725, 802.
Gallo K. P., 156, 211, 239, 244, 249, 436, 471, 521, 529, 557, 564, 633.
Ganas A., 525, 527, 529.
Gao B. C., 136, 152.
Gao W., 21, 26, 713, 807.
Garcia-Haro F. J., 554, 800.
Gash J. H., 341, 369, 376.
Gausman H. W., 142, 144, 145, 147, 149, 150, 152.
Gautier C., 302, 369.
Gens R., 708, 809, 814.
Gerbermann A. H., 128, 152, 156, 249, 557.
Gerstl S. A. W., 17, 19, 21, 26, 661, 714.
Ghiglia D. C., 709, 714.
Ghosh T. K., 244, 436, 471, 796, 802.
Ghulam A. O., 194, 212.
Giglio L., 541, 554.
Gilabert M. A., 13, 26, 636, 660, 675, 686, 692, 693, 714.
Gimero M., 546, 554.
Givri J. R., 297, 369.
Gloersen P., 298, 369.
Goetz A. F. 136, 152, 210, 469.
Goetz S. J., 156, 249, 362, 369, 714.
Goita K., 797, 802.
Goldstein R A., 364, 709, 714.
Gombrich E. H., 5, 4, 26, 91, 743, 802.
Gómez L., 377, 567, 633.
Gong P., 152, 154, 244, 802, 807.
González F., 572, 633.
Goode J. P., 714, 719, 704.
Goodrum G. 83, 84, 91, 670, 714, 715
Goovaerts P., 128, 773, 776, 777, 778, 802, 804.
Gordon H. R., 668, 687, 714.
Gorodetskii A. K., 288, 369.
Gould R. W., 199, 212.
Govaerts Y. M., 7673, 674, 714.
Goward S. N., 475, 601, 633.
Granados-Ramirez R., 633.
Gray T. I., 63, 223, 244, 471.
Griend A. A., 181, 212, 268, 289, 290, 291, 293, 294, 295, 358, 369, 472, 714.
Grim R. E., 105, 106, 128.
Grimm F., 797, 802.
Grippa M., 709, 714.
Grove C. I. 181.
Gu J., 362, 369.
Guilford M. T., 455, 463, 471.
Guillermo O. E., 842.
Guindon B., 515, 529, 713.
Günther K. P., 152, 240, 244.
Gupta, R. P., 175, 182.
Gupta, S. K., 344, 367, 369, 842.
Gutman G. D., 254, 256, 262, 269, 436, 471, 705, 714.
Guyot G., 151, 154, 227, 242, 247, 552, 555, 613, 633, 672, 673, 714, 718.
Haala N., 46, 91.
Hamilton S. K., 204, 206, 207, 212, 214.
Hanson L. D., 627, 633.
Hapke B., 701, 714.
Hargreaves G. H., 329, 332, 333, 349, 369, 381, 389, 411, 412, 421, 422, 455, 460, 461, 467, 471.
Harvey J. T., 517, 518, 519, 530.
Hastenrath S., 244, 437, 455, 471.
Haugen D. A., 340, 370.
Hay C. M., 219, 244.
Hayes M. J., 468, 478, 565, 613, 618, 622, 633, 715.
Henderson F. M., 516, 530.
Henderson A., 536, 541, 554.
Hielkema J. U., 156, 212, 244, 424, 436, 471.
Hill R. A., 46, 91.
Hixon M. M., 562, 630.
Hobbs T. J., 682, 715.
Hodges T., 563, 576, 632, 633.
Hoffer R. M., 138, 139.
Holah N. 430, 471, 479.
Holben B. N., 660, 662, 663, 665, 668, 675, 677, 678, 681, 682, 704, 715, 720.
Holyer R. J., 284, 370.
Holz R. K., 515, 530.
Huang C., 788, 789, 791, 792, 803.
Huang S., 546, 554.
Huang, W. J., 156.
Hucek R., 256, 258, 259, 260, 261, 262, 303, 370.
Hudak A. T., 546, 554.
Huete A. R., 153, 224, 225, 229, 244, 245, 248, 373, 423, 472, 554, 556, 725, 802.
Hufford G. L., 536, 541, 554.
Hunt E. R., 92, 223, 245, 376, 436, 472, 477, 564, 610, 633, 718.
Hunt G. R., 161, 181.
Hurtado E., 308, 351, 353, 366, 370.
Idso S. B, 150, 153, 212, 362, 370, 389, 416, 423, 428, 472.
Igbal M., 10, 15, 26, 689, 691.
Ignatov A., 715.
Ikeda H., 617, 634.
Ingram R. N., 676, 715.
Inoue Y., 634, 637.
Issaks M., 771, 803.
Jackson R. D., 153, 212, 225, 244, 245, 362, 366, 367, 370, 389, 403, 416, 423, 428, 472, 720.
Jackson T. J., 154, 181, 212, 246, 371, 429, 432, 470, 472, 474, 479, 632.
Jaquet O., 776, 803.
Jarvis P. G., 155, 249, 340, 370, 602, 634.
Jensen J. R., 18, 26, 510, 530.
Jensen M. E., 329, 330, 349, 370.
Jiang D., 634.
Jiménez L. O., 794, 795, 803.
Jin Y. Q., 432, 472.
Joachims T., 788, 803.
Johannson C. J., 114, 128.
Johnson B. C., 673, 715.
Johnson R. A., 764, 803.
Johnson G. E., 564, 634.
Jones C. A., 472, 563, 634.
Juarez R. N., 460, 462, 464, 466, 467, 492, 836.
Justice C.O., 22, 23, 24, 27, 223, 239, 245, 249, 436, 473, 554, 661, 715.
Kalacska M., 150, 153.
Kalubarme M.H., 634.
Kalluri S. N., 701, 715.
Katul G. G., 346, 364, 370, 374.
Katz R.W., 562, 592, 634.
Kaufman Y. J., 211, 228, 244, 471, 541, 550, 554, 660, 662, 668, 677, 678, 681, 682, 688, 713, 715, 720.
Kauth R. J., 219, 245, 284, 364, 564, 634.
Kawamura K., 634
Kaya S., 175, 181.
Kavak K. S., 167, 188.
Kavzoglu T., 788, 803.
Kealy P. S., 271, 370.
Keegan H. J., 140, 153.
Keighley J. R., 169, 181.
Keller M., 341, 370.
Kempeneers P., 437, 473.
Kerdiles H., 290, 370, 614, 634.
Kerekes J. P., 676, 715, 796, 803.
Kerr Y. H., 116, 128, 155, 236, 246, 248, 264, 267, 268, 289, 293, 294, 295, 302, 367, 371, 372, 556, 613, 642, 716.
Kharuk V. I., 140, 153.
Kidder S. Q., 34, 91.
Kidwell K.B., 83, 91, 245, 304, 371, 473, 554, 634, 669, 670, 714, 715, 716.
Kiema J. B. K., 767, 768, 803.
Kim S. W., 173, 181.
Kimura F., 352, 371.
Kinipling E. B., 146, 153.
Klar A. E., 113, 128, 407, 408, 409, 473.
Kleespices T. J., 696, 716.
Knap W. H., 254, 255, 371
Kneizys F. X., 254, 307, 308, 371, 674, 683, 716.
Koepke P., 694, 695, 716.
Kogan F. N., 92, 153, 230, 231, 233, 234, 235, 239, 245, 249, 389, 424, 425, 426, 436, 445, 446, 447, 451, 455, 473, 550, 554, 555,
565, 604, 618, 619, 622, 634, 635, 706, 716, 836, 842.
Korolyuk T.V., 153, 245.
Kotchenova S. Y., 604, 635.
Kornienko L., 765, 795, 803.
Koukoulas S., 726, 803.
Kousky V. E., 246, 437, 455, 461, 462, 463, 464, 467, 473.
Kowalik W.S, 162, 163, 181, 642.
Krajicek V., 153, 246.
Kramer P. J., 403, 405, 473.
Kumar M., 601, 603, 635.
Kumar S., 296, 371, 473.
Kumar V. K., 191, 212.
Kushwaha, S. P., 26.
Kustas W., 153, 246, 314, 358, 363, 369, 371, 378, 379.
Kuusk A., 702, 717.
Lacis A. A., 302, 371.
Lam N. S., 793, 803.
Lambin E. F., 801, 817, 818, 842.
Lanari R., 527, 530, 843.
Landgrebe D. A., 25, 26, 798, 803, 840, 842.
Langford M., 516, 530.
Larcher W., 578, 579, 580, 600, 635.
Lasaponara R., 548, 555.
Lasne Y., 194, 212.
Laurini R., 842.
Leblon B., 545, 550, 555.
Lee C. M. 528, 530.
Lee H. T., 307, 371.
Lee J. S., 153, 248, 803.
Lee T. E., 536, 541, 555.
Lee W. H., 706, 717.
Lefsky M. A., 577, 606, 635.
Lemon E. L., 333, 335, 338, 340, 367, 371, 378, 474, 581, 582, 585, 635.
Leprieur C., 236, 246.
Levine M. D., 797, 804.
Lettau H., 340, 371.
Li X., 531, 722.
Li Xia, 229, 246.
Li Y., 153, 191, 214, 229, 232, 233, 238, 246, 264, 555
Li Z., 116, 127, 129, 271, 272, 273, 284, 290, 291, 293, 306, 308, 365, 372, 375, 377, 416, 469, 607, 608, 609, 611, 612, 630, 635,
637, 675, 697, 705, 711, 720,
Liang S., 254, 371, 716, 792, 803.
Lillesand, T. M., 117, 128, 842.
Lin D. S., 153, 154, 246, 429, 473, 474.
Lin S. Y., 110, 111, 128.
Lin T. H., 694, 717.
Linderman M., 635, 788, 804.
Liu C. H., 694, 717.
Liu H., 796, 804.
Liu W. T. H., 51, 53, 92, 154, 204, 205, 206, 207, 208, 209, 212, 223, 246, 247, 254, 261, 262, 263, 278, 280, 292, 293, 294, 295,
372, 379, 382, 397, 398, 405, 408, 412, 413, 421, 423, 424, 425, 426, 427, 436, 437, 438, 439, 440, 442, 443, 444, 445, 446,
447, 448, 450, 452, 454, 455, 459, 460, 461, 462, 464, 466, 467, 473, 474, 478, 492, 542, 543, 544, 553, 555, 562, 563, 564,
565, 594, 613, 616, 619, 620, 622, 623, 629, 636, 638, 640, 685, 721, 737, 738, 739, 741, 743, 746, 747, 748, 749, 750, 754,
756, 757, 759, 761, 819, 822, 823, 825, 826, 834, 835, 836, 837, 838, 842, 843.
Liu X., 515, 530.
Liu Y., 240, 247.
Liewellyn D. T., 175, 181, 284.
Lloyd C. D., 46, 92, 376.
Lo C. P., 516, 522, 530, 531.
Long D. G., 475.
Longley M., 841, 843.
Loomis R. S., 580, 581, 636.
Lopez A. S., 550, 555.
Lotsch A., 636.
Loveland T.R., 22, 27, 92, 223, 247, 451, 475, 477, 719.
Lu D., 769, 804.
Lu Z., 115, 128, 213, 432, 433, 435, 433, 475.
Lucht W., 702, 717.
Ludovic A., 154, 247, 475.
Lundien J. R., 118, 128.
Maas S. J., 598, 636.
Main I. G., 459, 475.
Major D. J., 151, 154, 227, 242, 247, 552, 555.
Mallet C., 682, 717.
Manore M., 660, 718.
Mantero P., 793, 804.
Manzer F. E., 140, 154.
Maselli F., 14, 26, 564, 605, 636, 639, 660, 675, 686, 692, 693, 714.
Massonnet D., 213, 433, 475.
Mathew K., 288, 372.
Matsuyama T., 797, 804, 805.
Matthews A. M., 196, 213.
Matthews E., 247, 475.
McClatchey R. A., 685, 717.
McCloy K.R., 628, 636.
McCree K. J., 603, 637.
McGonigle J. W., 172, 181.
McKeown D. M., 797, 804.
McKenney M. S., 349, 350, 372.
McLachlan G. J., 794, 804.
McMillin L. M., 284, 286, 372, 696, 705, 717, 718.
McNairn, H., 566, 567, 637.
McQuigg, J. D., 562, 593, 637.
Meirvenne M. V., 773, 776, 777, 778, 804.
Mendes C. A. B., 823, 824, 825, 843.
Menenti M., 262, 315, 362, 372, 455, 458, 469, 475.
Menges C. H., 547, 555, 799, 804.
Mertikas P., 796, 804.
Methven I. R., 536, 555.
Metternicht G., 625, 637.
Miller J. B., 169, 181.
Minnett P. J., 287, 372, 373.
Monteith J. L., 155, 249, 342, 345, 356, 370, 373, 378, 601, 603, 635, 637.
Moody E. G., 264, 373.
Moore D. G., 195, 213
Moore G. K., 196, 213
Moran M. S., 366, 367, 564, 606, 613, 625, 637, 721, 769, 770, 793, 804.
Moreau L., 607, 608, 609, 611, 612, 635, 637, 717.
Morgan J. A., 290, 373.
Morisette J. T., 804, 818, 843.
Mostafa M. E., 173, 182.
Mota F. S., 420, 475.
Moulin S., 597, 617, 637.
Munn R. E., 337, 373.
Muramatsu K., 254, 373.
Murphy D. P., 627, 637.
Mutanga O., 637.
Myint S.W., 793, 804.
Nagao M., 796, 805.
Nageswara P. P., 154, 247.
Nagler P. L., 363, 373.
Nakayama M., 541, 555.
Nebel B., 797, 805.
Neeff T., 150, 154.
Nemani P. R., 92, 376, 437, 477, 642, 719.
Nerry F., 9, 27, 265, 266, 274, 276, 373.
Nichol J., 528, 530.
Nielsen T. T., 365, 545, 556, 627, 637.
Nobel P. S., 134, 154.
Nomoto R., 154, 246, 247, 616, 638.
Novo E. M., 27, 38, 40, 92, 200, 211, 214, 335, 610, 638.
Obukhov A. I., 109, 111, 128.
Oindo B. O., 239, 247.
Oke T. R., 117, 118, 119, 120, 128, 255, 299, 313, 325, 326, 327, 373.
Olson J. S., 22, 27, 364.
Onsi H.M., 744, 805.
Ottlé C., 375, 682, 696, 697, 717.
Pacheco A. P., 272, 273, 281, 373, 374.
Paiva C. M., 361, 374.
Pakzad K., 797, 805.
Pal M., 197, 213, 792, 805.
Palmer R. J., 627, 638.
Palmer W. C., 389, 413, 414, 415, 476.
Paloscia S., 247, 296, 374.
Paltridge G. W., 254, 262, 374, 675, 683, 685, 686, 698, 718.
Park S., 416, 476.
Pasquill F., 337, 374.
Pearl J., 796, 805.
Pearman G. I., 144, 154.
Pearson R. L., 138, 149, 156, 218, 247.
Penman H. L., 154, 335, 337, 356, 374, 476.
Perrier A., 315, 374.
Philip J. R., 343, 374, 402, 476.
Phinn S., 523, 524, 525, 526, 530.
Phulpin T., 545, 546, 547, 556.
Pinker R. T., 223, 243, 248, 301, 302, 303, 305, 374, 375, 436, 471, 564, 607, 632, 702, 718.
Pinty B., 236, 248, 375, 702, 718.
Plummer S. E., 236, 247, 631.
Podest E., 792, 796, 805.
Potter C. S., 461, 476, 635.
Pozdnyakov D., 199, 213.
Prabhakara C., 284, 375.
Prata A. J., 289, 375, 718.
Pratt D. A., 195, 213.
Prévot J. R., 613, 638, 642.
Price J. C., 195, 213, 223, 248, 286, 289, 375, 436, 476, 515, 521, 530, 564, 638, 641, 654, 655, 656, 657, 658, 659, 668, 687, 712,
718.
Prince S. D., 154, 212, 222, 223, 244, 248, 354, 424, 436, 471, 476, 556, 564, 603, 604, 605, 606, 607, 638.
Priestley C. H., 348, 375, 379.
Privette J. L., 22, 27, 700, 702, 718.
Prol-Ledesma R. M., 522, 530.
Pruitt W. O., 243, 329, 330, 332, 334, 342, 343, 368, 369, 375, 411, 470, 631.
Puyou P., 614, 638.
Pu R., 143, 144, 154, 478.
Qi J., 154, 155, 226, 248, 556, 635, 787, 804.
Qin F., 290, 375.
Qiu F., 792, 805.
Quaidrari H., 614, 638.
Quarmby, N. A., 436, 476, 562, 564, 617, 638.
Quinio P., 797, 805.
Rahman H., 697, 698, 702, 718.
Raines G. L., 169, 182.
Rao C. R. N., 92, 286, 302, 375, 665, 666, 667, 668, 671, 718, 719.
Rao V. R., 140, 155
Rao V. B., 248, 443, 476.
Rasmussen M. S., 241, 248, 564, 565, 613, 617, 622, 638, 639, 719.
Rasmusson E. M., 455, 476.
Rason K. J., 155, 248.
Raupach M. R., 360, 375.
Ray S. S., 155, 617, 639.
Reeves M. C., 639.
Reis E. J., 818, 843.
Rembold F., 639.
Reyes S., 116, 129, 248, 264, 289, 295, 371, 379, 436, 476, 685, 722.
Reynolds O., 340, 375.
Riaño D., 537, 552, 553, 556.
Ricchetti E., 162, 182, 814, 843.
Rice J. P., 673, 719.
Richards J., 798, 805, 840, 843.
Richardson A. J., 155, 156, 220, 224, 240, 241, 248, 249, 250, 436, 451, 479, 556, 557, 563, 564, 616, 642, 702.
Richter R. A., 676, 719.
Ricotta C., 792, 805.
Ridd M., 523, 524, 531.
Riedmiller M., 785, 805.
Ritchie J. T., 372, 379, 418, 477.
Robertson G. W., 477, 597, 639, 674, 711.
Roclot D., 639.
Rogan J., 545, 556.
Ropelewski C. F., 248, 437, 455, 477, 639.
Rose C. W., 402, 403, 477.
Rosema A., 155, 249.
Rosenberg N. J., 328, 329, 336, 337, 342, 343, 348, 349, 350, 365, 372, 375, 376, 379, 588, 589, 631.
Rosenfeld A., 767, 805.
Rosenqvist A. B., 202, 203, 213.
Rothman L. S., 674, 675, 719.
Roujean J. L., 27, 697, 698, 699, 700, 719.
Rondeaux G. M., 236, 237, 238, 248.
Rouse J. W., 220, 221, 248, 249.
Roy G. G., 821, 843.
Rubio E., 276, 277, 278, 366, 376, 802.
Rumelhart D., 784, 806.
Running S., 92, 364, 376, 451, 471, 477, 639, 642, 719, 722.
Russell G., 249, 606, 639.
Saha A. K., R.P., 175, 182.
Sharkawy E. M., 587, 632, 645.
Sakamoto C. M., 477, 562, 564, 624, 633, 634, 636, 639, 641, 721.
Salas G. P., 169, 182.
Salas, W. A, 154, 155, 240, 247, 249, 475, 629.
Salassier B., 418, 477.
Salisbury J. W., 161, 181, 272, 376.
Sandholt I. H., 353, 376.
Sannier C. A. D., 610, 613, 639, 806.
Sansosti E., 530, 814, 843.
Santer R., 693, 719, 721.
Saraf A. K., 166, 168, 174, 182.
Saunders A. W., 308, 372, 376, 688, 706, 720.
Schadlich S., 265, 376.
Schanda E., 688, 725.
Schiffer E. A., 92, 303, 376, 477, 640.
Schmid T., 364, 569, 608.
Schimel D., 92, 376, 451, 477, 640, 702.
Schmetz J., 305, 357, 376.
Scholander P. F., 409, 477.
Schott J. R., 522, 531.
Schotten C.G., 566, 640.
Scrase F. J., 340, 376.
Seaquist J. W., 698, 720.
Searcy S. W., 627, 640.
Seguin B., 370, 376, 377, 389, 477, 478, 613, 640.
Sellers P. J., 92, 156, 249, 351, 361, 376, 451, 477, 536, 541, 640, 720.
Serbin G., 435, 477.
Seto K. C., 239, 249.
Stewart J. B., 352, 378.
Stewart M., 711.
Settle J. J., 770, 806.
Shaban M.A., 515, 531.
Shabanov N. V., 150, 155, 635.
Shibles R. N., 579, 640.
Shimabukuro Y. E., 155, 200, 553.
Shockley W. G., 121, 129.
Siegert F., 546, 548, 554, 556.
Silva J. M., 376, 548, 553, 556.
Simmer C., 296, 377.
Simpson D. N. 705, 720.
Singh D., 138, 155, 203, 213.
Singh S. M., 284, 377.
Sippel S., 200, 204, 206, 207, 212, 214.
Slabbers P. J., 345, 377.
Slater P. N., 224, 245, 661, 672, 720, 721.
Smith G. M., 566, 815, 844.
Smith H. T. U., 176, 182,
Smith W. L., 307, 377.
Snedecor G. W., 513, 531.
Snyder R. L., 590, 591, 592, 640.
Soares Filho B. S., 816, 817, 844.
Sobrino J. A., 116, 127, 129, 264, 272, 274, 276, 278, 284, 287, 288, 290, 308, 351, 366, 370, 375, 377, 633, 636, 696, 712, 720.
Solaiman B., 796, 806.
Souza A. L., 279, 282, 283, 277, 565, 636, 640, 765, 800, 807.
Specht M. R., 190, 214.
Stanhill G., 334, 338, 377.
Stassopoulou A., 797, 806.
Staylor W. F., 302, 303, 307, 377, 668.
Steinmetz S., 377, 412, 416, 474, 478, 606, 645.
Steinwand D. R., 704, 720.
Stilla U., 797, 806.
Stoeckenius T., 455, 478.
Stokes C. R., 160, 182.
Stove G. C., 191, 214.
Stramondo M., 175, 182.
Streutker D. R., 521, 531.
Sullivan J., 640, 671, 672, 719, 720.
Srivastava A. N., 771, 803, 814, 844.
Sun R., 354, 378.
Sunar F., 545, 556.
Shuttleworth W. J., 341, 376.
Sutton S., 315, 378.
Sutton P., 516, 531.
Steele B. M., 796, 806.
Sturm B., 689, 720.
Sváb E., 199, 214.
Svoray T., 468, 478, 726, 806.
Swinbank W. C., 340, 378.
Szeicz G., 346, 378.
Tachiiri K., 676, 720.
Tadesse T., 468, 478.
Tanner C. B., 333, 334, 338, 342, 343, 378.
Tansey K. J., 214, 432, 478.
Tanré D., 214, 228, 245, 254, 257, 378, 473, 660, 674, 677.
Tarpley J. D., 302, 369, 374, 378, 705, 714.
Tateishi R., 127, 770, 608.
Taylor B. F., 603, 640.
Teillet P. M., 660, 661, 662, 663, 664, 665, 713, 721.
Teng C. H., 788, 806.
Thom A. S., 336, 337, 378, 412, 478. 145
Thomas J. R., 143, 147, 155, 156, 219.
Thompson J. R., 348, 379.
Thompson L. M., 594, 640.
Thornthwaite C. W., 329, 330, 331, 337, 349, 379, 389, 409, 410, 418, 420, 478.
Tian Q., 427, 478.
Tomer M. D., 627, 641.
Toutin T., 704, 721, 814, 844.
Toy T. J., 101, 129, 419, 478.
Townshend J. R., 22, 23, 24, 27, 223, 229, 245, 249, 424, 436, 473, 478, 638, 716, 788, 789, 791, 792, 803.
Tralli D. M., 175, 182.
Trigg S., 556.
Tripathi N. K., 191, 192, 214, 814, 844.
Tsay C. M., 254, 261, 262, 263, 292, 293, 294, 295, 372, 379, 452, 454, 478, 685, 711, 721.
Tsuji G. Y., 420, 479, 563, 597, 641.
Tucker C. J., 27, 138, 140, 149, 156, 221, 239, 243, 249, 424, 436, 478, 554, 577, 632, 641, 718.
Tupin F., 797, 806.
Ulaby F.T., 430, 431, 434, 470, 479, 561, 599, 629.
Ulivieri C., 289, 290, 379.
Unganai L. S., 234, 249, 565, 619, 622, 641, 722.
Usery E. L., 627, 641.
Valiente J. A., 256, 257, 258, 379, 721.
Valor E., 127, 268, 269, 270, 289, 293, 294, 295, 366, 367, 379, 631, 641, 712, 721.
Van Bavel C. H., 348, 379.
Van Dijk A., 634, 641, 706, 721.
Van Der R. J., 364, 675, 711, 721.
Vapnik V. N., 788, 790, 807.
Vázquez D. P., 116, 129, 254, 264, 289, 295, 379, 685, 722.
Velleman P., 706, 722.
Verhoef W., 451, 455, 475, 479.
Veroustraete F., 577, 641.
Verma S. B., 156, 241, 249, 341, 343, 364, 379.
Vermote E., 19, 20, 27, 92, 194, 214, 674, 675, 676, 716, 719, 722.
Vicent R. K., 161, 182.
Vidal-Pantaleoni A., 709, 722.
Vries de A. C., 315, 379.
Waggoner P. E., 595, 641.
Wagtendonk J. W., 548, 556.
Wald L., 511, 531.
Walker G., 455, 479.
Walters K. R., 536, 556, 557.
Wang D., 146, 147, 156.
Wang J, 641.
Wang W., 769, 796, 807.
Wang Y., 203, 214.
Wanner W., 702, 722.
Ward M. N., 249, 436, 479.
Warne D. K., 191, 214.
Warren W., 601, 641.
Warrick J. A., 199, 214.
Waters K. J., 199, 214.
Watson K., 195, 214.
Webster C. J., 517, 531.
Wehr A., 45, 92.
Werbos P., 786, 807.
Whittaker R. H., 600, 642.
Wickel A. J., 429, 432, 479.
Wiegand C. L., 147, 152, 155, 156, 220, 223, 224, 240, 241, 248, 249, 250, 436, 451, 479, 556, 557, 563, 564, 616, 642, 702, 722.
Wigneron J. P., 613, 642.
Wilkinson G. G., 798, 807.
Williams R. S., 159, 180, 183, 581.
Winter E. J., 408, 409, 479.
Wofsy S. C., 341, 364, 380.
Woodcock C. E., 773, 807.
Woolley J. T., 144, 145, 156.
Wulder M. A., 726, 807.
Wydick J. E., 256, 258, 380, 722.
Xiong X., 676, 722.
Yamamoto G. A., 302, 380.
Yang X., 156, 183, 522, 531, 814, 844.
Ye W., 707, 722.
Yeh A. G., 516, 531.
Yi G., 191, 214.
Zhao C. J., 136, 156, 427, 479,
Zhao M., 605, 639, 642.
Zhang J., 458, 557.
Zhang M., 140, 156.
Zhang Y., 515, 531.
Zhang X., 124, 129.
Zhou G., 527, 531.
Zibordi G., 686, 688.
Zielinska K. D., 619, 642.