Uso de Drone para Estimativa de Biomassa em Areas de Caatinga Do Estado de Pernambuco

UNIVERSIDADE FEDERAL DE PERNAMBUCO
CENTRO DE TECNOLOGIA E GEOCIÊNCIAS

DEPARTAMENTO DE ENERGIA NUCLEAR
PROGRAMA DE PÓS-GRADUAÇÃO EM TECNOLOGIAS ENERGÉTICAS E
NUCLEARES
CÁSSIA KELLEN LOPES FONSECA
USO DE DRONE PARA ESTIMATIVA DE BIOMASSA EM ÁREAS DE CAATINGA

DO ESTADO DE PERNAMBUCO
Recife
2020

Dissertação submetida ao Programa de Pós-

Graduação em Tecnologias Energéticas e
Nucleares da Universidade Federal de
Pernambuco como requisito parcial à
obtenção do título de Mestre em Tecnologias
energéticas e nucleares.
Área de Concentração: Produção

sustentável de biomassa
Orientador: Prof. Dr. Rômulo Simões Cezar Menezes

Coorientador: Prof. Dr. Aldo Torres Sales
Recife
2020
Catalogação na fonte
Bibliotecário Gabriel Luz, CRB-4 / 2222
F676u Fonseca, Cássia Kellen Lopes.

Uso de drone para estimativa de biomassa em áreas de caatinga
do estado de Pernambuco / Cássia Kellen Lopes Fonseca – Recife,
2020.
64 f.: figs., tabs., abrev. e siglas.
Orientador: Prof. Dr. Rômulo Simões Cezar Menezes

Coorientador: Prof. Dr. Aldo Torres Sales
Dissertação (Mestrado) – Universidade Federal de Pernambuco.
CTG. Programa de Pós-Graduação em Técnologias Energéticas e
Nucleares, 2020.
Inclui referências, apêndice e anexos.
1. Tecnologias Energéticas. 2. Geotecnologias. 3. Espectro visível.

4. Índices de vegetação. I. Menezes, Rômulo Simões Cezar
(Orientador). II. Sales, Aldo Torres (Coorientador). III. Título.
UFPE
621.042 CDD (22. ed.) BCTG / 2020-151


Dissertação submetida ao Programa de Pós-

Graduação em Tecnologias Energéticas e
Nucleares da Universidade Federal de
Pernambuco como requisito parcial à
obtenção do título de Mestre em Tecnologias
energéticas e nucleares.
Aprovada em: 19/02/2020
BANCA EXAMINADORA
_________________________________________________
Prof. Dr. Rômulo Simões Cezar Menezes (Orientador)
Universidade Federal de Pernambuco
_________________________________________________
Prof. Dr. Antônio Samuel Alves da Silva (Examinador externo)
Universidade Federal Rural de Pernambuco
_________________________________________________
Prof. Dr. Valdson José da Silva (Examinador externo)
Universidade Federal Rural de Pernambuco
_________________________________________________
Prof. Dr. Everardo Valadares de Sá Barreto Sampaio (Examinador interno)
Universidade Federal de Pernambuco
AGRADECIMENTOS
À Deus, presença constante em todos os momentos e decisões da minha vida;

Aos meus familiares, esposo e amigos que me apoiam e incentivam cada
conquista;
Aos meus orientadores Rômulo e Aldo que me ensinaram muito sobre ciência e
principalmente sobre valores, depositando em mim confiança e me dando a
oportunidade de aprender tanto,
A todos os integrantes do Grupo de Pesquisa em Energia da Biomassa, pela
parceria diária e espírito coletivo, em especial aos integrantes do subgrupo de
sensoriamento remoto: Margareth Santiago, Ivson Lucas e Diego Marcelino, me
ajudando sempre com as coletas em campo, processamento de dados e construção da
metodologia.
Enfim, a todos que contribuíram de maneira direta ou indireta para realização
deste trabalho.
RESUMO
Cada vez mais as geotecnologias estão sendo utilizadas para estudos

ambientais, e o uso das técnicas de sensoriamento remoto (SR) tem ganhado
importância devido a sua capacidade de levantar dados precisos e de com menor
custo, comparadas as técnicas tradicionais. Os sensores dos equipamentos de SR
coletam informações que podem se transformar em dados relacionados a aspectos
biofísicos da vegetação através da aplicação de modelos matemáticos a índices de
vegetação, sempre quando calibrados a partir de medidas diretas em campo. O drone
é um veículo aéreo não tripulado com sensores capazes de fornecer o valor das
bandas espectrais que constituem os índices de vegetação, utilizados para as mais
diversas finalidades. Como principal característica o drone apresenta como principal
vantagem à capacidade de coletar imagens em altíssima resolução, o que traz maior
precisão às análises, comparados aos satélites. Essa pesquisa objetivou definir uma
metodologia para estimar o estoque de biomassa na Caatinga, comparando diferentes
índices de vegetação do espectro visível, obtido através de câmeras RGB populares.
Dessa maneira, como método direto, foram coletados dados de biomassa total (Mg ha-
1) em parcelas estabelecidas de 20x20m em municípios com áreas de caatinga densa,
aberta e pastagem espalhados pelo estado de Pernambuco nos períodos seco e
chuvoso, totalizando 56 pontos. Nos mesmos sítios, como método indireto, imagens de
drone também foram capturadas e posteriormente processadas para extração do valor
das bandas para aplicação em diversos índices de vegetação para o espectro visível.
Para análise dos resultados foi utilizado o método de análise por regressão linear
múltipla, sendo os dados de campo a variável dependente e os índices de vegetação a
variável independente; levando em consideração os coeficientes de determinação,
análise de resíduos, e verificadas as pressuposições do modelo. Os resultados
encontrados são consideravelmente satisfatórios para um método indireto de tal
amplitude, onde foram construídos dois modelos de regressão linear múltipla para os
diferentes tipos e uso e cobertura da terra em áreas de caatinga, com coeficientes de
determinação de 0,73 e 0,82; podendo ser melhorados com a adição de mais pontos
de amostragem, diminuindo assim possíveis erros intrínsecos a análises. A aplicação
de metodologias eficazes para estimar biomassa na caatinga é importante e necessária
para a construção de modelos futuros de manejo sustentável do bioma e de um banco
de dados espectral do mesmo para futuros estudos.
Palavras-chave: Geotecnologias. Espectro visível. Índices de vegetação.

ABSTRACT
Increasingly geotechnologies are being used for environmental studies, and the
use of remote sensing (SR) techniques has gained importance due to its ability to
collect accurate and less expensive data, compared to traditional techniques. The
sensors of the SR equipment collect information that can be transformed into data
related to biophysical aspects of vegetation through the application of mathematical
models to vegetation indexes, always when calibrated from direct measurements in the
field. The drone is an unmanned aerial vehicle with sensors capable of providing the
value of the spectral bands that constitute the vegetation indices, used for the most
diverse purposes. As a main feature the drone has as its main advantage the ability to
collect images in very high resolution, which brings greater precision to the analysis,
compared to satellites. This research aimed to define a methodology to estimate the
biomass stock in the Caatinga, comparing different indexes of vegetation of the visible
spectrum, obtained through popular RGB cameras. Thus, as a direct method, data of
total biomass (Mg ha-1) were collected in established plots of 20x20m in municipalities
with areas of dense, open caatinga and pasture spread across the state of Pernambuco
in the dry and rainy periods, totaling 56 points. At the same sites, as an indirect method,
drone images were also captured and later processed to extract the value of the bands
for application in various vegetation indices for the visible spectrum. To analyze the
results, the multiple linear regression analysis method was used, with the field data
being the dependent variable and the vegetation indices being the independent
variable; taking into account the coefficients of determination, analysis of residues, and
verified the model's assumptions. The results found are considerably satisfactory for an
indirect method of such amplitude, where two models of multiple linear regression were
built for different types and land use and land cover in caatinga areas, with
determination coefficients of 0.73 and 0.82; they can be improved with the addition of
more sampling points, thus reducing possible errors inherent to analyzes. The
application of effective methodologies to estimate biomass in the caatinga is important
and necessary for the construction of future models of sustainable management of the
biome and a spectral database of it for future studies.
Keywords: Geotechnologies. Visible spectrum. Vegetation indexes.

LISTA DE FIGURAS
Figura 1 - Elementos essenciais para as técnicas de sensoriamento remoto.. 19

Figura 2 - Curva de reflectância de uma folha verde........................................ 21
Figura 3 - Pontos de coleta de dados nas parcelas permanentes e fora das
estações do IPA............................................................................... 29
Figura 4 - Drone Phantom 4 DJI....................................................................... 30
Figura 5 - Caatinga Densa no município de Serra Talhada no período
chuvoso........................................................................................... 31
Figura 6 - Caatinga Aberta no município de Arcoverde no período
chuvoso.......................................................................................... 32
Figura 7 - Pastagem no município de Serra Talhada no período seco........... 33
Figura 8 - Representação da parcela.............................................................. 33
Figura 9 - Shapefile da parcela no software ArcGIS®.................................... 34
Figura 10 - Utilização da ferramenta Zonal Statistic as Table........................ 35
Figura 11 - Fluxuograma com as etapas para extração de valores das
bandas do RGB no software Esri ArcGIS.................................... 35
Figura 12 - Gráfico de resíduos do modelo com todas as coberturas............ 41
Figura 13 - Gráfico de resíduos do modelo sem caatinga aberta................... 43
LISTA DE TABELAS
Tabela 1 - Informações sobre os pontos de coleta................................................ 28

Tabela 2 - Índices de vegetação utilizados neste trabalho ................................... 36
Tabela 3 - Modelo de regressão linear múltipla encontrado para estimar
biomassa em Caatinga densa, aberta e pastagem.............................. 39
Tabela 4 - Coeficientes da regressão linear múltipla .......................................... 40
Tabela 5 - Equações para cada tipo de cobertura e uso do solo em áreas de
Caatinga.............................................................................................. 40
Tabela 6 - Modelo de regressão linear múltipla encontrado para estimar
biomassa em Caatinga densa, aberta e pastagem............................ 42
Tabela 7 - Coeficientes da regressão linear múltipla.......................................... 42
Tabela 8 - Equações para modelo sem caatinga aberta.................................... 43
LISTA DE ABREVIATURAS E SIGLAS
MMA Ministério do Meio Ambiente

INPE Instituto Nacional de Pesquisas Espaciais
RS Remote Sensing/Sensoriamento Remoto
VANT Veículo Aéreo Não Tripulado
REM Radiação Eletromagnética
UAV Unmanned Aerial Vehicle
ABA Associação Brasileira de Aeromodelismo
IPA Instituto Agronômico de Pernambuco
EMBRAPA Empresa Brasileira de Pesquisa Agropecuária
CA Caatinga Aberta
CD Caatinga Densa
PA Pastagem
SIG Sistema de Informação Geográfica
IV’S Índices de Vegetação
VARI Visible atmospherically resistant index
GLI Green Leaf Index
NGRDI Normalized Difference Green
CI Coloration Index
I Intensity
IF Shape Index
RGR Red-Green Ratio
TGI Triangular Greenness Index
NCPI Normalized Pigment Chlorophyll Ratio Index
IO Simple Ratio Red/Blue Iron Oxide
RGBVI Red Green Blue Vegetation Index
GCC Green Cromatic Coordinate
SUMÁRIO
1 INTRODUÇÃO………………………………………………….……………. 12
2 REVISÃO DE LITERATURA……………………………………………….. 15
2.1 BIOMA CAATINGA................................................................................. 15
2.2 USO E COBERTURA DO SOLO............................................................ 16
2.3 MÉTODOS PARA QUANTIFICAÇÃO DE BIOMASSA ......................... 17
2.4 SENSORIAMENTO REMOTO – DEFINIÇÕES E SUAS APLICAÇÕES
PARA VEGETAÇÃO ............................................................................. 18
2.5 DRONE E SENSORES…...................................................................... 22
2.6 ÍNDICES DE VEGETAÇÃO................................................................... 24
2.7 ÍNDICES DE VEGETAÇÃO PARA O ESPECTRO VISÍVEL................. 24
3 OBJETIVOS ......................................................................................... 26
3.1 OBJETIVOS ESPECÍFICOS ................................................................ 26
4 MATERIAL E MÉTODOS…………………………………………………. 27
3.1 ÁREA DE ESTUDO ………………………………………………………. 27
3.2 SOBREVOO DO DRONE ...………………………………………………. 29
3.3 COLETA DE BIOMASSA ……………………………...…………………. 31
3.4 TRATAMENTO E PROCESSAMENTO DAS IMAGENS …………….. 34
3.5 ÍNDICES DE VEGETAÇÃO UTILIZADOS …..............………………... 36
3.6 BANCO DE DADOS.........……………………………………………….. 37
3.7 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA…………………….. 37
5 RESULTADOS E DISCUSSÃO…………………………………………. 39
6 CONCLUSÕES……………………………………………………………. 47
REFERÊNCIAS…………………………………………………………..... 48
APÊNDICE A - DADOS DE BIOMASSA COLETADA EM CAMPO E
MÉDIA DAS BANDAS DO ESPECTRO RGB..................................... 58
ANEXO A - DJI PHANTOM 4 PRO - ESPECIFICAÇÕES................... 60
ANEXO B - FICHA DE CAMPO PARA IMAGENS DO DRONE.......... 64
12
1 INTRODUÇÃO
O uso de técnicas de sensoriamento remoto vem ganhando importância em nível

mundial, devido a sua capacidade de levantar dados e informações valiosas com
precisão (IPPOLITI et. al., 1999). Nos estudos ambientais, devido à praticidade e
possibilidade de cobrir vastas áreas vem se tornando imprescindível. Cada vez mais se
investe nestas técnicas na agricultura e análise ambiental, devido à considerável
contribuição que as mesmas podem trazer alimentando bancos de informações que
permitem tomadas de decisões para diferentes finalidades. O aumento no uso de
imagens orbitais é consequência, principalmente, do baixo custo de seus produtos,
quando comparado aos métodos tradicionais de fotogrametria e topografia
(ROSENDO, 2005).
O espectro eletromagnético, ordenação contínua da energia eletromagnética em
função do comprimento de onda ou da frequência, é um componente fundamental para
os estudos de sensoriamento remoto. Quando a radiação solar atinge o topo da
atmosfera, essa energia pode ter diferentes destinos. Parte pode ser espalhada ou
refletida, e outra parte atingir um alvo, que pode ser qualquer objeto ou corpo na Terra.
Feito isso, ocorrem fenômenos de refletância, transmitância e absorbância. É através
da quantificação dessa energia pelos sensores que o especialista em sensoriamento
remoto pode tirar conclusões importantes sobre as condições de uma determinada
cultura ou vegetação (MOREIRA, 2003).
Os sensores acoplados aos VANT’s (Veículos Aéreos Não Tripulados) oferecem
vantagens quando comparados aos métodos tradicionais com o uso de satélites. Além
disso, esses veículos podem capturar imagens com pixels de alta resolução e sofrem
menos interferência atmosférica, reduzindo possíveis erros de amostragem, com menor
custo benefício, e liberdade de data para coleta de dados; além da simplificada
operação dos mesmos (PÁDUA et. al., 2017; WHITEHEAD et. al., 2014; TOTH, 2016).
Variáveis espectrais de sensoriamento remoto podem ser representadas de
várias maneiras. A mais simples, para sensoriamento remoto na faixa óptica do
espectro eletromagnético, é a refletância em uma única banda (por exemplo, vermelho
ou infravermelho). Outra, muito usual, é aquela em que as informações de refletância
transportadas por cada faixa individual são agrupadas de maneiras específicas, como
nos índices de vegetação (WIEGAND et. al., 1991).
13
Os índices de vegetação (IV' s) são medidas radiométricas constituídas de duas

ou mais bandas, que foram desenvolvidos para avaliar a cobertura vegetal e relacionar
a assinatura espectral e os parâmetros quantitativamente e qualitativamente
mensuráveis no campo, realçando efeitos da vegetação e minimizando efeitos
hipotéticos ou atmosféricos (BARBOSA, 2006; JENSEN, 2011; EPIHANIO, 1996). As
imagens de sensores remotos possuem estrutura matricial, sendo seu principal
componente o pixel, e a resolução espacial dessa imagem depende do tamanho que
este pixel representa no mundo real. Tal resolução tem relação direta com o número de
bandas que os sensores podem discretizar. Essas bandas, aplicadas a modelos,
destacam aspectos inerentes a cada índice (ROSENDO e ROSA, 2005), devido à
assinatura espectral diferenciada de cada alvo na superfície.
Um dos alvos mais complexos nas análises de sensoriamento remoto é a
vegetação, uma vez que uma única planta possui variadas propriedades de reflexão
foliar e múltiplos componentes refletores, entre outros fatores (EPIHANIO et. al., 1996).
Já foi possível relacionar, com algumas espécies, propriedades espectrais e biofísicas,
para estimar variáveis, como as apresentadas por Berra et. al. (2012), com estimativas
do volume de madeira de Eucalyptus sp., por exemplo, sendo necessária a
combinação de diferentes índices espectrais.
Os sensores RGB (Red-Green-Blue) são simples, populares, e capazes de
fornecer inúmeras informações que auxiliam na tomada de decisões no campo, tais
como: Detectar falhas de plantio, estágio fenológico das plantas, modelo de elevação
do terreno, estresse hídrico, entre outros (EMBRAPA, 2014). Alguns produtores e
pesquisadores buscam apenas informações como estas citadas, mais simples e pouco
variantes ao longo do tempo. Para esses propósitos, sistemas RGB são eficientes o
suficiente para fornecer dados úteis, e que por serem de baixo custo e acessibilidade,
tem vantagem em comparação aos multiespectrais, como o RGNir (Red-Green-Blue e
Infravermelho), que são caros e de complicado manuseio.
A estimativa de biomassa é um produto que pode ser conseguido pelo
sensoriamento remoto e modelos de regressão com diferentes combinações de
variáveis tem sido proposto mundialmente (HARKEL, et. al., 2020; NGUYEN, et. al.,
2020; GRÜNER, et. al., 2019). Brown (1997) indicou que, quando possível, é
aconselhável que se façam equações locais de biomassa, diminuindo assim os
possíveis erros, abordando as características peculiares de cada região ou tipo
14
florestal. O sensoriamento remoto é uma maneira adequada para suprir tais

necessidades.
O Bioma Caatinga, situado majoritariamente no Nordeste Brasileiro, de clima
semiárido e vegetação caducifólia nos períodos de seca, é rico em biodiversidade e
compõe aproximadamente 9,92% do território brasileiro, que vem sofrendo
perturbações com os problemas provenientes da falta de manejo adequado. Poucos
são os dados publicados sobre a biomassa deste bioma (VIEIRA et. al., 2009), e em
relação ao sensoriamento remoto ainda não existe nenhuma metodologia consolidada
para dar esse suporte no que diz respeito à contabilização de biomassa em escala
regional. Todos esses dados e produtos podem contribuir fornecendo subsídios para a
elaboração dos Inventários de emissões de gases de efeito estufa (GEE) de cada país,
como parte dos acordos globais de mudanças climáticas, que objetivam qualificar as
fontes de emissão e o “sequestro de carbono”.
15
2 REVISÃO DE LITERATURA
Este capítulo reúne informações da literatura dos principais trabalhos com

conteúdos relacionados a esta pesquisa, abordando a área principal de estudo, dados
já existentes e princípios metodológicos e técnicos, fundamentando o objetivo e a
importância de trabalhos com essa temática.
2.1 BIOMA CAATINGA
A Caatinga, bioma predominante na região semiárida localizada

majoritariamente no nordeste do Brasil, situa-se entre as latitudes 3° e 17° e longitudes
35° e 45°, ocupando aproximadamente 844.000 km2, o que representa 9,92% de todo
território brasileiro. Engloba parte dos estados de
Pernambuco, Paraíba, Piauí, Ceará, Rio Grande do Norte, Maranhão, Alagoas,
Sergipe, Bahia e norte de Minas Gerais, este último localizado na região sudeste
(MMA, 2007). As temperaturas registradas são altas, com médias entre 25 e 30º C, e
ocorrem três sistemas de circulação atmosférica: Massa de ar continental equatorial,
zona de convergência intertropical e frente polar Atlântica. (SAMPAIO, 2010;
FERREIRA e MELLO, 2015).
A caatinga possui flora altamente diversificada, apesar das suas condições
climáticas desfavoráveis (TABARELLI, 2004). A vegetação é caracterizada,
primordialmente, como caducifólia, xerófila e espinhosa, e tem como traço comum a
deficiência hídrica durante a maior parte do ano (RODAL et. al. 2013). Os ambientes da
caatinga são extremamente diversos, em geral, dependendo do mosaico de solos e
disponibilidade hídrica (VELLOSO et. al., 2002).
A deficiência hídrica origina-se da baixa pluviosidade, elevada
evapotranspiração potencial, má distribuição das chuvas ao longo do ano e baixa
capacidade de retenção de água dos solos, em geral rasos e pedregosos (ANDRADE-
LIMA, 1989). A evapotranspiração frequentemente ultrapassa os 2.000 mm anuais e a
área de caatinga está limitada pela isoieta de 1.000 mm.ano-1, mas as médias anuais
podem chegar até valores em torno de 300 mm.ano-1. As chuvas são irregulares no
tempo e no espaço, normalmente concentradas em três a quatro meses do ano, e com
grande variação entre anos. Períodos de extrema deficiência hídrica, denominados de
seca, ocorrem com frequência irregular a cada 10 a 20 anos (RODAL et. al. 2013).
16
Em Pernambuco, a caatinga apresenta áreas susceptíveis ao processo de

desertificação, agravadas pelo manejo inadequado dos recursos naturais, o que resulta
em vários níveis de degradação dos solos, recursos hídricos e também de vegetação
(SAMPAIO et. al., 2010; LIMA, et. al., 2004). Os processos de uso e ocupação do solo,
a antropização e sua ocupação desordenada causam grandes impactos na caatinga,
pois sua vegetação tornou-se fonte de energia para várias finalidades, além da
pecuária extensiva, o extrativismo crescente de lenha e a agricultura de tecnologias
baixas, que contribuem ainda mais para esse cenário (SOUZA, 2006).
A remoção parcial ou total da vegetação em áreas da caatinga corrobora para a
redução do estoque e da produção de biomassa vegetal e na diminuição da cobertura
dos solos, fatores que levam ao aumento na degradação (COSTA et. al., 2009). A
pecuária, atividade econômica principal do bioma, quando mal manejada, torna-se a
principal causadora de sua degradação, respondendo por uma grande área de terras
utilizadas para cultura de plantas forrageiras e pastos melhorados, e essa pastejo
intensivo acaba causando degradações profundas e por vezes irreversíveis,
comprometendo os recursos naturais da região, podendo-se encontrar áreas com
vegetação muito empobrecida e escassez de espécies peculiares (ALVES et. al.,
2008).
Apesar disso, há poucas informações sobre as quantidades de biomassa que
são retiradas desse bioma (SILVA; SAMPAIO, 2008), tendo, por exemplo, a pior
situação do nordeste em relação à oferta e demanda de lenha de plano de manejo,
sendo a demanda sete vezes maior que a oferta, além da baixa legalidade, o que faz
ser constantemente ameaçado pelo manejo insustentável (MMA, 2018; MEUNIER,
2014). Bem manejada, através de um planejamento com base no desenvolvimento
sustentável da vegetação, em que a planta consiga encontrar meios de se regenerar, a
caatinga pode ter suas áreas conservadas, atendendo as demandas de energia da
região (KILL, et. al., 2004).
2.2 USO E COBERTURA DO SOLO
O uso e cobertura do solo caracterizam-se pelos efeitos antrópicos, sejam eles

maléficos ou benéficos. as mudanças na vegetação de origem para inserção de
agricultura ou pastagens causam impactos ao meio ambiente de locais a globais. dessa
forma, é importante considerar essa caracterização nos estudos ambientais, além da
17
avaliação de biomassa e estoques de carbono na vegetação-solo (ACCIOLY, 2017). no

caso da caatinga, com característica desinforme, há divergências quanto às
classificações de tipologias deste bioma, e classifica-se, mais comumente, de acordo
com as características edafoclimáticas das mesmas (ANDRADE-LIMA, 1981;
ACCIOLY, 2017; GIULIETTI et. al., 2008).
A Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA) classificou o uso e
cobertura das terras do semiárido Pernambucano através de mapeamento usando
imagens de satélite por classificação supervisionada em : 1) caatinga densa; 2)
caatinga aberta; 3) mata serrana; 4) mata; 5) capoeira; 6)agricultura; 7) agricultura
irrigada; 8) pastagem; 9) cana-de-açúcar e/ou pastagem; 10) solo exposto; 11) água;
12) área urbana (ACCIOLY et. al., 2017).
As áreas de Caatinga densa compreendem locais de caatinga preservada ou em
estágios avançados de regeneração, com árvores altas e estrato vertical heterogêneo.
Quanto a caatinga aberta, suas características podem ou não se assemelhar a
caatinga densa, principalmente quando se trata da altura das árvores, porém diferem
destas em relação a densidade que é menor, e maior ocorrência de arbustos, além da
exposição do solo, tendo influência na resposta espectral da vegetação (ACCIOLY,
2017). Apesar da influência do homem nesta área ser muito acentuada, considerar esta
unidade como uma vegetação completamente secundária seria subestimar
grosseiramente a habilidade homeostática deste ecossistema (LEAL et. al., 2008).
As áreas de pastagem compreendem pastos plantados bem manejados ou
degradados, e pastos nativos, que contém, em sua maioria, gramíneas e espécies
herbáceas e arbustivas que são consumidas pelos animais quando ainda são jovens.
Estas três coberturas vegetais (caatinga densa, aberta e pastagem) tem grande
expressão em termos de área e são a fonte alimentar dos rebanhos, que se utiliza de
espécies nativas ou cultivadas que possuam potencial forrageiro como estratégia de
segurança alimentar (ACCIOLY, 2017).
2.3 MÉTODOS PARA QUANTIFICAÇÃO DA BIOMASSA
O termo geral biomassa significa a massa de origem biológica, vivos ou mortos,

vegetal ou animal. A biomassa especificamente vegetal diz respeito a biomassa da
floresta ou das árvores, que também pode ser chamada de fitomassa (SILVEIRA et al.,
2008; SANQUETTA, 2002). Alguns estudos têm sido desenvolvidos para quantificar a
18
biomassa, com uso de métodos diretos e indiretos (ALVES JUNIOR, 2010; VIANA et.
al., 2009).
As medições de forma direta possuem alto grau de precisão, todavia necessitam
de tempo, custo elevado e envolvem amostragem destrutiva. As medições indiretas são
alternativas com menor dano ambiental e mais viáveis, e podem ser feitas com uso de
imagens de satélite ou desenvolvimento de equações alométricas (JUNIOR et. al.
2014), que são modelos matemáticos mais complexos permitidos por meio dos
avanços das tecnologias (NASCIMENTO, 2015).
A biomassa e sua taxa de crescimento indicam potencial de rendimento da
cultura, e pode ser estimada com diferentes técnicas, como medições de reflectância
baseadas na relação entre o espectral e a biomassa (SCULLY & WALLACE, 1990;
SHANAHAN et. al., 2001; BARET et. al., 1989). Índices de vegetação são derivados de
dados de refletância, tornando-se adequados para estimar biomassa e diferentes
estudos demonstram a relação de diferentes índices de vegetação e biomassa em
escalas espaciais (GITELSON et. al., 2003; HEISKANEN, 2006; LE MAIRE et. al.,
2008).
Nas áreas de caatinga aberta, a biomassa varia de 5-10 Mg ha-1 e nas florestas
mais adensadas essa biomassa pode chegar a aproximadamente 100 Mg ha-1. A
produção de matéria seca aproxima-se de 3 a 5 Mg ha-1.ano-1, na média, com máxima
de 15-20 Mg ha-1 ano-1 (TIESSEN et al., 1998).
2.4 SENSORIAMENTO REMOTO
Começou-se a falar em sensoriamento remoto na década de 1960, sendo seu

surgimento estreitamente ligado às fotos aéreas (REEVES, 1975). O termo
sensoriamento remoto vem do inglês "remote sensing", palavra usada pela primeira vez
nos Estados Unidos por Evelyn L. Pruitt, no ano de 1950, para denominar uma técnica
de aquisição de imagens da superfície da terra sem o contato físico direto com os
objetos (LIMANA, 2014).
O sensoriamento remoto trata-se de um conjunto de técnicas que analisam
parâmetros de superfície de aquisições espaciais e fornecem informações por meio da
quantificação de energia refletida da radiação eletromagnética quando incidem em um
alvo qualquer, sem haver nenhum tipo de contato direto, através da medição das
respostas dessas interações. (MENESES & ALMEIDA, 2012; LUCÀ, 2018).
19
Tais técnicas baseiam-se em quatro elementos (Figura 1), sendo a radiação

eletromagnética (REM) o elo entre os demais. A energia proveniente da luz do sol é a
base de todos os princípios em que se fundamenta essa tecnologia (ANGELIS, 2011;
MOREIRA et. al., 2003). O alvo é qualquer elemento na terra de onde se extrai as
informações, essas coletadas pelo sensor, através da quantificação da radiação
eletromagnética refletida ou emitida pelo alvo. Os sensores necessitam de radiação
solar para ter energia, e nesse caso, será medida a sua refletância pelos objetos que
estão na superfície da Terra (PACHECO et. al., 2006; INPE, 2001).
Figura 1 - Elementos essenciais para as técnicas de sensoriamento remoto
FONTE
RADIAÇÃO
ELETROMAGNÉTICA
ALVO
SENSOR
Fonte: Angelis, 2011.
A radiometria espectral pode identificar quanto um objeto ou vegetação reflete a

radiação eletromagnética nos diferentes comprimentos de banda do espectro
(BRANDÃO et. al., 2008). Assim, conhecendo qual comprimento de onda é absorvido
por um determinado alvo e também qual a intensidade de sua refletância, torna-se
possível analisar uma imagem de sensoriamento remoto e obter interpretações
acuradas de uma determinada cena orbital (PACHECO et. al., 2006).
Esse fenômeno, conhecido como comportamento espectral de alvos ou
assinatura espectral, é muito utilizado pelos profissionais da área de sensoriamento
remoto, principalmente em estudos ambientais, mostrando como varia o comprimento
de onda em cada alvo em particular. é necessário observar os fenômenos de reflexão,
transmissão e absorção para determinar esses padrões, facilitando a compreensão de
suas propriedades fundamentais, sendo, a reflexão dos alvos o maior meio de fazer
essa caracterização, levando em consideração posicionamento da fonte em relação ao
20
objeto e também o posicionamento do sensor (NOVO E PONZONI, 2001). devido às

diferentes propriedades bio-físico-químicas, todos os alvos da superfície terrestre
(rochas, corpos d’água, vegetação, etc.) absorvem uma porção específica do espectro
eletromagnético, permitindo uma assinatura identificável da radiação eletromagnética.
tal determinação é chamada de assinatura espectral ou comportamento espectral do
alvo, o que depende muito de fatores químicos (pigmentos e água), físicos
(organização dos tecidos foliares), biológicos e mineralógicos (PONZONI, 2012;
SOUSA JUNIOR, 2008), sendo a folha o principal componente observado quando o
assunto é vegetação.
O que é usualmente utilizado das técnicas de sensoriamento para estudos da
vegetação baseia-se no estudo do seu comportamento ou “aparência” nos produtos
obtidos por tais técnicas, permitindo observar e avaliar as interações entre a vegetação
e o meio ambiente, captadas pelos sensores (FILHO, 2019).
Uma folha normal é constituída de tecidos básicos, coberta por células
protetoras na superfície externa. Logo após essa epiderme encontra-se o mesófilo
fotossintético, que se divide em uma ou mais camadas de células paliçádicas e
arranjadas formando o parênquima, cheio de seiva, além dos espaços intercelulares
que se abrem através dos estômatos e por onde o CO2 alcança as células da
fotossíntese e o oxigênio retorna a atmosfera (MOREIRA, 2007; PONZONI, 2015).
Além disso, seu tecido vascular supre a folha com água e nutrientes, e serve de
passagem para os fluidos da fotossíntese circularem por toda planta. Dessa forma, as
estruturas vão variar muito, dependendo da espécie e das condições ambientais
(JENSEN, 2009; PONZONI et. al. 2012), sendo o comportamento espectral de uma
folha (Figura 2) a junção de composição, morfologia e estrutura, o que, de modo geral,
claramente nos diz que as diferenças no comportamento espectral vão existir, visto,
que de acordo com cada conjunto de características de cada folha a REM vai se
espalhar distintamente (FILHO, 2019).
21
Figura 2 - Curva de reflectância de uma folha verde
Fonte: Moreira, 2007.
Nas regiões do espectro eletromagnético, tais aspectos relacionam-se ao

comportamento espectral da folha:
- Visível: A refletância é o ponto de domínio existente nas folhas, e tal
propriedade define a forma da curva dos fatores refletores nessa região do espectro
eletromagnético. Nos cloroplastos destas folhas são encontrados principalmente
clorofila, carotenos e xantofilas, com seus valores percentuais variando de acordo com
a espécie. A energia radiante interage com essas estruturas através dos fenômenos de
absorção e espalhamento. A clorofila absorve essa energia e a transforma em calor,
além de convertê-la fotoquimicamente por meio da fotossíntese (PONZONI et. al.,
2012).
- Infravermelho: Nessa região do infravermelho próximo do espectro
eletromagnético, pouco se absorve da folha. Em relação a água, a taxa de absorção
também é baixa e a reflectância quase constante. Tal relação é resultado da interação
da energia que incide sobre o objeto/alvo com a estrutura do mesófilo da folha, e
fatores externos, como falta de água, podem causar alterações, influenciando na curva
de reflectância. Quanto mais lacunosa for a estrutura interna da folha, maior será o
espalhamento e maior a reflectância (PONZONI et. al., 2012). Quanto ao infravermelho
médio, este se caracteriza pela absorção da água líquida. A água absorve a radiação
eletromagnética na região espectral entre 1300 nm a 2000 nm.
22
Na agricultura, o sensoriamento remoto vem sendo amplamente utilizado e suas

tecnologias fornecem vários tipos de informações sobre solos, plantas e culturas
(COELHO, 2005; SHANAHAN et. al., 2001). O uso dessas tecnologias é extremamente
necessário porque aperfeiçoa a qualidade dos resultados, além de que as técnicas de
monitoramento orbital utilizando drones e outras geotecnologias fornecem dados
confiáveis e com menor chance de erros amostrais (GATRELL, 2009).
2.5 DRONE E SENSORES
Cada vez mais as geotecnologias são utilizadas para as mais diversas

finalidades (CÂNDIDO et. al., 2014). O VANT (Veículo aéreo não tripulado) tem seu
uso crescente nas últimas décadas, pois apresenta baixo custo e vantagens técnicas,
conseguindo um imageamento excelente e resolução espacial diferenciada
(FERREIRA et. al. 2013). De acordo com a ABA (Associação brasileira de
Aeromodelismo) os VANT’s são capazes de voar na atmosfera, operados por um
controle remoto ou autônomo.
O drone é um tipo de VANT capaz de capturar imagens em tempo real de alvos
na terra (EISENBEISS 2009; WATTS et. al., 2010). Nos dias atuais com o aumento dos
impactos antrópicos cada vez mais recorrentes, essas tecnologias podem contribuir
para um monitoramento ambiental mais eficaz, avaliações como mapeamento de
cobertura de vegetação e uso do solo, são rapidamente executadas facilitando o
manejo de áreas e permitindo ações rápidas que podem minimizar os prejuízos ao
ecossistema (SALES, 2018).
Alguns problemas técnicos conhecidos podem atrapalhar o desempenho do
drone em campo, a autonomia baixa da bateria limita o tempo de voo em grandes
áreas, além do fato de que voar próximo a torres de alta tensão ou antenas de
transmissão bloqueiam ou limitam o sinal e o drone não levanta voo. Ademais, em
condições climáticas de nebulosidade e precipitação, o equipamento não desempenha
corretamente as suas funções. Um bom planejamento minimiza a possibilidade de
enfrentar tais dificuldades e favorecer uma experiência com o drone é proveitosa e
eficaz (MINUCIO, 2019).
Segundo o INPE (2001), os sensores precisam de elementos básicos para
aquisição de dados, que são energia radiante, fonte de radiação, alvo, trajetória e o
23
sensor (sistema óptico). A atmosfera reage com a radiação do sol, o que interfere na
energia final que pode ser capturada por esses sensores (FLORENZANO, 2002).
Munaretto (2015) apontou alguns tipos de sensores já utilizados em VANT’s.
Entre eles, na faixa do visível, está o RGB, muito utilizado para agricultura, mineração e
monitoramento de áreas. Estes sensores podem detectar falhas no plantio e estágios
de desenvolvimento da planta (EMBRAPA, 2014). O autor ainda citou sensores
infravermelhos, capazes de identificar estresses hídricos e estimativa de biomassa;
multiespectrais, que auxiliam na detecção de aspectos fisiológicos das plantas,
hiperespectrais, além dos sensores LIDAR (Light Detection and Ranging), que utiliza o
laser como fonte de luz. São grandes as possibilidades dos sensores multiespectrais
acoplados a VANT’s no mundo da agricultura através da alta resolução espacial em
relação a outros tipos de técnicas (NEBIKER, et. al. 2008).
Sensores de alta resolução obtêm facilmente imagens aéreas utilizando RGB e,
devido a essa facilidade e popularidade, é importante investigar se os sensores visíveis
são competitivos em relação aos que trabalham com o infravermelho quando se deseja
estimar biomassa (BENDIG, 2015), podendo ser feitas combinações desses índices
(KOPPE, et. al. 2013). O processamento de imagens capturadas por sensores visíveis
aplicados nesses índices estimam bem parâmetros de vegetação e podem substituir
índices que necessitem do alcance do espectro infravermelho (JANNOURA et. al.,
2015; SOUZA et. al., 2018). São exemplos os índices Visible atmospherically resistante
index - VARI (GITELSON et. al., 2002), Grean leaf index – GLI (LOUHAICHI et. al.,
2001), Triangular greeness index - TGI (Hunt et. al. 2011). O uso de tais sensores RGB
em veículos aéreos não tripulados como os drones vêm sendo bastante utilizado
devido às suas vantagens de autonomia de uso, custo reduzido para aquisição de
dados, além de ser um dispositivo “pronto para uso” na identificação dos recursos da
vegetação a nível consumidor (JIANG et. al., 2019; CUNHA, 2018; FIGUEIREDO et.
al., 2016).
Equipamentos imageadores que orbitam a certa distância da superfície, como os
drones, também providos de sensores remotos, utilizam os recursos obtidos por meio
dos índices de vegetação para obter análises em áreas estudadas que envolvam a
vegetação, o solo e a água. Assim, o NDVI é o índice de vegetação mais amplamente
usado no processamento de dados de satélite, pois explora as propriedades espectrais
da absorção da vegetação nos comprimentos de onda do visível (LIRA et. al., 2010).
24
O Congresso Brasileiro de Sensoriamento Remoto, no ano de 2015, teve mais

de vinte trabalhos com abordagem de VANT’s, com destaques para áreas importantes
como modelagem digital de terreno, avaliação de dados espaciais, planejamento
urbano, estimativa de cobertura verde em pastagens, georreferenciamento usando
fotogrametria (ZUCON et. al., 2015; SILVA et. al., 2015; JÚNIOR et. al., 2015; CHAVES
et. al., 2015)
2.6 ÍNDICES DE VEGETAÇÃO
Os índices de vegetação (IV’ s) avaliam quantitativamente a vegetação através

de medidas do espectro eletromagnético comparados a variáveis como biomassa, por
exemplo (BANNARI, 1995), e podem ser separados de acordo com propriedades
fisiológicas, bioquímicas ou estruturais (ROBERTS et. al., 2011). Devem ser
evidenciados trabalhos nesse tema com avanços ou aperfeiçoamentos, visto que não
existem certezas quanto a qual índice de vegetação é melhor para determinada
situação. (BANNARI, 1995; NASCIMENTO, 2015).
Os índices de vegetação de domínio visível baseiam-se na reflectância nas
cores vermelha (640-760 nm), verde (490-570 nm) e azul (420-480 nm), no espectro
eletromagnético (BENDIG et. al., 2015).
O visible atmosferical resistent index (VARI) foi projetado por Gitelson et. al.
(2002) e é uma medida de “quão verde” é uma imagem, possibilitando, então a
detecção de áreas de estresse de colheita em um campo. Tal índice tem conseguido
bons resultados estimando área foliar, biomassa e umidade (GITELSON et. al., 2003;
GITELSON et. al., 2002). O Green leaf index (GLI), elaborado por Louhaichi et. al.
(2001), foi desenvolvido para avaliar, em cultivos de trigo de inverno, qual impacto
poderia ser causado pelo pastejo, baseando-se na relação entre as bandas RGB para
variação da área foliar da vegetação. Dessa forma é capaz de identificar modificações
na cobertura do solo causada pelo dossel das plantas. O triangular greenness index
(TGI), construído por Hunt et. al. (2011), é um índice extremamente importante para o
setor agrícola no que diz respeito ao teor de clorofila e nitrogênio foliar.
O normalized difference green (NGRDI), também conhecido como NDVI visual, é
um indicador do verde da superfície e é um índice para detectar copas vivas de plantas
verdes. Pode ser usado para analisar culturas em todos os estágios de crescimento e
estimar biomassa total (PRECISION MAPPER, 2019; MOTOHKA et. al., 2010; CHANG
25
et. al., 2005). O red green ratio (RGR) é um índice utilizado para estimar o
desenvolvimento da folhagem nos dosséis, indicando produção de folhas, estresse e
até o florescimento em algumas copas. O valor deste índice varia de 0,1 a mais de 8.
Para uma vegetação sadia tem média de 0,7 a 3 (GAMON, 1999). Apesar de índices
de vegetação para infravermelho serem bastante utilizados em pesquisas para
conteúdo de clorofila foliar, correlações melhores são encontradas em índices de
vegetação para o espectro visível (BENDIG et. al., 2015).
Avaliando a resposta de índices de vegetação aos parâmetros biofísicos da
canola, Vicari et. al. (2015) detectaram que, o GLI foi um dos índices que apresentou
bons resultados. Lussem et. al. (2018), buscaram testar a eficiência de índices de
vegetação baseados em RGB para estimar a produção de forragem em uma pastagem,
na Alemanha. Seus resultados mostraram boa correlação do rendimento de forragens
com o índice NGRDI, com valores de R2 de 0,62. Hunt Jr. et al. (2005) não
encontraram correlação do NGRDI com a concentração de nitrogênio, mas
encontraram correlação com a biomassa de milho, soja e alfafa, para valores abaixo de
120 g/m2.
Zheng et. al. (2018), avaliando imagens adquiridas de VANT’s para estimar
acúmulo do nitrogênio em arroz, detectaram que os índices RGB tiveram um bom
desempenho para o conjunto de dados agrupados dos estágios de perfilhamento e
junção. Melo (2017) utilizou drones e técnicas de sensoriamento remoto para estimar
biomassa em Laguncularia racemosa, uma espécie de mangue entre os anos de 2007
e 2016, no Rio Capibaribe, no Recife e concluiu que tais métodos fornecem
informações precisas para subsidiar planos de manejo e políticas públicas voltadas
para preservação, visto que foi detectada a degradação deste ecossistema no estudo.
Bendig et. al. (2015) combinou alguns índices de vegetação para estimar
biomassa em um experimento com cevada. Os dados para os índices de vegetação
foram de imagens RGB baseadas em drones. Nessa pesquisa, encontrou resultados
onde todos os índices da banda visível produziram resultados variados para
desenvolvimento e aplicação do modelo estatístico. A autora afirma que os índices
baseados em imagens RGB são complementos úteis para estimar biomassa.
26
3 OBJETIVO GERAL
Definir uma metodologia para estimativas de estoque de biomassa por meio da

utilização de drones, para áreas com diferentes tipos de cobertura e uso da terra no
bioma caatinga do estado de Pernambuco.
3.1 OBJETIVOS ESPECÍFICOS
a) Adquirir dados espectrais para o bioma Caatinga no estado de Pernambuco e

formando um banco de dados, subsidiando possíveis futuros planos de manejo
sustentável;
b) Desenvolver equações de regressão linear múltipla para estimar biomassa nos
diferentes tipos de uso e cobertura do solo em áreas de Caatinga no Estado de
Pernambuco.
27
4 MATERIAL E MÉTODOS
Para a obtenção dos resultados, foram feitas análises por método direto (coleta
de amostras vegetais no campo) e indiretas (sobrevoo de drone para obtenção de
imagens aéreas). As metodologias utilizadas estarão detalhadas nas sessões
seguintes.
4.1 ÁREA DE ESTUDO
Em cada sítio, foram coletadas amostras em áreas com três tipos de vegetação
predominantes: Caatinga Aberta, densa e pastagem, de acordo com metodologia da
Embrapa em Accioly et. al. (2017), sendo estabelecidas, em cada uma dessas áreas,
parcelas de 20 x 20m, totalizando 56 unidades amostrais (Tabela 1). O estudo faz parte
das atividades de pesquisa do Projeto de Pesquisas Ecológicas de longa duração do
Grupo de Pesquisa em Energia da Biomassa e outros grupos parceiros. Também foram
incluídas parcelas em pontos fora das estações do IPA distribuídos no estado, com
objetivo de englobar mais municípios e espacializar melhor as áreas no estado.
28
Tabela 1 - Informações sobre os pontos de coleta
MUNICÍPIO VEGETAÇÃO PARCELA COORD. Y COORD. X PERÍODO

Araripina Densa Permanente -7,465 -40,415 Chuvoso
Araripina Aberta Permanente -7,465 -40,415 Chuvoso
Araripina Pastagem Permanente -7,460 -40,410 Chuvoso
Arcoverde Densa Permanente -8.431 -37.011 Seco/Chuvoso
Arcoverde Aberta Permanente -8.439 -37.004 Seco/Chuvoso
Arcoverde Densa Fora do IPA -8.427 -36.998 Seco/Chuvoso
Arcoverde Aberta Fora do IPA -8.381 -37.233 Seco/Chuvoso
Arcoverde Pastagem Fora do IPA -8.407 -37.125 Seco/Chuvoso
Caruaru Densa Permanente -8,236 -35,920 Chuvoso
Caruaru Aberta Permanente -8,237 -35,924 Chuvoso
Caruaru Pastagem Permanente -8.239 -35.920 Chuvoso
Ibimirim Densa Permanente -8.374 -37.288 Seco
Ibimirim Aberta Permanente -8.373 -37.285 Seco
Ibimirim Pastagem Permanente -8.371 -37.286 Seco
Petrolina Densa Fora do IPA -9.136 -40.651 Seco
Petrolina Aberta Fora do IPA -9.138 -40.652 Seco
Petrolina Pastagem Fora do IPA -9.163 -40.634 Seco
Petrolina Pastagem Fora do IPA -9.262 -40.602 Seco
São Bento Densa Permanente -8.528 -36.466 Seco/Chuvoso
São Bento Aberta Permanente -8.525 -36.462 Seco/Chuvoso
São Bento Pastagem Permanente -8.524 -36.461 Seco/Chuvoso
Salgueiro Densa Fora do IPA -8.003 -39.141 Chuvoso
Salgueiro Aberta Fora do IPA -8.000 -39.159 Chuvoso
Salgueiro Pastagem Fora do IPA -8.002 -39.149 Chuvoso
Santa Cruz Pastagem Fora do IPA -7.953 -36.137 Chuvoso
Serra Talhada Densa Fora do IPA -7.940 -38.301 Chuvoso
Serra Talhada Aberta Fora do IPA -7.952 -38.293 Chuvoso
Serra Talhada Pastagem Fora do IPA -7.951 -38.284 Chuvoso
Sertânia Densa Permanente -8.074 -37.225 Seco/Chuvoso
Sertânia Aberta Permanente -8.069 -37.228 Seco/Chuvoso
Sertânia Pastagem Permanente -8.073 -37.225 Seco/Chuvoso
Fonte: A autora, 2020.
29
Figura 3 - Pontos de coleta de dados nas parcelas permanentes e fora das estações do IPA

Os pontos foram localizados no campo e determinados o centro da parcela, na
qual, a partir de sua coordenada central, foram definidos os vértices. É respeitada uma
bordadura de 5 m para evitar áreas possível influência antrópica, várzeas inundáveis e
afloramentos rochosos.
4.2 SOBREVOO DO DRONE
Uma vez delimitada a parcela, foi realizado o sobrevoo de VANT drone Phantom
4 (DJI, 2016), que funciona com ajuda de um controle remoto, e possui um GPS
externo que fornece geo-tagging instantâneo para cada imagem capturada e grande
resolução de GSD. Este modelo é um quadricóptero, equipado com um sensor RGB de
HD, CMOS de 1”e 20 MP e obturador mecânico, e conta com uma lente grande-angular
otimizada com f/2.8, dentre outas especificações (Anexo 1). Esta se conecta ao VANT
por meio de um estabilizador gimbal, acionado através do controle remoto do próprio
drone, podendo sobrevoar até uma altura de 1,5 km. Sua bateria tem uma autonomia
de cerca de 25 a 30 minutos. O drone conecta-se a um tablet ou smartphone para
diversas funções a partir do aplicativo gratuito DJI Go, que realiza voos manuais.
30
Figura 4 - Drone Phantom 4 DJI
Antes de iniciar o voo, foi realizado o planejamento e uma sequência de

procedimentos, para que não ocorra nenhum imprevisto e possam ser diminuídas as
chances de falhas, que consiste: 1) Verificação do clima, pois em casos de chuva e
ventos fortes não é aconselhável realizar o sobrevoo, assim como em temperaturas
muito elevadas, que podem prejudicar a qualidade das imagens; 2) Necessário conferir
se as baterias do drone, câmera e tablet/smartphone estão carregadas; e no caso da
bateria, para cada vôo, observar se seu nível de carga é suficiente para realização de
acordo com o tempo previsto; 3) Montagem do drone: encaixe das hélices, bateria,
GPS externo; 4) Verificação se o drone e a câmera extra estão com seus respectivos
cartões de memória inseridos; 5) Estabelecer conexão segura do controle remoto com
o tablet ou smartphone;
Os sobrevoos aconteceram numa altura de 30 m, para garantir que toda a
parcela seja capturada no centro de cada imagem. As coletas foram feitas duas vezes
ao ano, objetivando contemplar os períodos seco e chuvoso. As imagens foram salvas
em formato TIFF em cartão de memória acoplado ao drone. A finalidade, neste caso,
foi extrair as informações RGB para análise em laboratório de sensoriamento remoto.
Algumas informações foram coletadas e inseridas em uma ficha de campo
(Anexo 2) e serviram para alimentar o banco de dados, entender o histórico de uso e
sanar quaisquer dúvidas a respeito das imagens, para o caso surgisse algum problema
de organização no armazenamento ou falhas no GPS, por exemplo. Além disso,
31
também serviu para registrar um histórico de falhas (quando ocorreram) em momentos

de voo e evitar problemas futuros com a identificação da necessidade de manutenções
e resoluções de problemas técnicos do equipamento.
As coordenadas de altitude, longitude e latitude fazem parte das propriedades
dessas imagens de maneira padrão. Para facilitar a extração desses valores, foi
utilizado o programa freeware BR EXIFextractor, que de forma simples, extrai os
metadados de EXIF de todas as fotos digitais da pasta de interesse selecionada e
salva os dados em um arquivo CSV. É possível selecionar quais dados devem ser
extraídos – nesse caso, as coordenadas -, e foram colocados na planilha geral de
dados das imagens do drone.
4.3 COLETAS DE BIOMASSA
Uma vez coletadas as imagens de campo dos diferentes tipos de uso e

cobertura do solo: Caatinga Densa, Aberta e Pastagem (Figuras 5, 6 e 7), foram
coletadas amostras de biomassa vegetal acima do solo, que consistiu no corte da
biomassa em quatro quadrantes de 1m2 cada (subparcelas), tendo seu peso
quantificado e determinado para quantidade de biomassa por hectare.
Figura 5 - Caatinga Densa no município de Salgueiro

32
Figura 6 - Caatinga Aberta no município de Arcoverde
Figura 7 – Pastagem no município de Serra Talhada
Foram levantados dados em campo dos diferentes compartimentos vegetais

para estimativa de biomassa (serapilheira, herbáceo e arbustivo, necromassa, outras
formas de vida) em subparcelas de 1 x 1 m nos quatro vértices da parcela de 20 x 20
m (figura 8), respeitando uma bordadura de 5m, para reduzir interferências antrópicas,
onde, seguiram os procedimentos:
33
- Em cada uma das quatro subparcelas foi coletada a biomassa contida de cada
compartimento vegetal e feita a pesagem para encontrar o peso úmido;
- Mistura do material para obter uma amostra composta e ser determinado seu teor de
matéria seca (peso da amostra seca em kg/peso da amostra úmida em kg)
posteriormente em laboratório após secagem em estufa a 65°C, chegando ao seu peso
constante;
- Para calcular a biomassa na parcela (Kg): Teor de matéria seca ｘ peso da biomassa
na parcela ｘ (100, nas parcelas de 1 ｘ 1 m) (NASCIMENTO, 2015).
Figura 8 - Representação da parcela
Fonte: A autora, 2020
Ainda, nestas áreas de coleta de biomassa do estrato herbáceo-arbustivo (nas

subparcelas de 1x1m), antes do corte foi realizada a fitossociologia de todas as árvores
com CAP (circunferência a altura do peito) ≥ 6 cm em toda parcela de 20x20m. A partir
disso foi possível fazer a estimativa de biomassa total em kg de matéria seca aplicando
2,295
a equação alométrica de Sampaio & Silva, (2005): = 0,173 x DAP , onde DAP =
diâmetro em cm, medido na altura do peito da planta.
34
4.4 TRATAMENTO E PROCESSAMENTO DAS IMAGENS
Ao fim do voo, as imagens georreferenciadas, de cerca de 8 MB cada uma,

foram extraídas para posterior processamento, realizado no software Esri ArcGIS®.
Essas imagens, de maneira geral, foram separadas por códigos, e em seguida feito o
shapefile de polígono para cada uma delas (Figura 9), demarcando assim a área da
parcela. Os valores das bandas do espectro visível foram extraídos através da
ferramenta “Zonal Statistic as table”, comando esse que resume os valores do raster
dentro das zonas definidas (Figura 10) e relata os dados para uma tabela, que expõe
valores estatísticos por ela calculados como: Padrão com todas as estatísticas, média,
mediana, máximo, mínimo, amplitude. As etapas desse processo estão descritas no
fluxograma seguinte (Figura 12):
Esta ferramenta necessita do fornecimento do raster ou shape contendo
as zonas de interesse, sendo neste caso a parcela de 20x20m; a coluna de atributo
referente a cada zona; o raster contendo a informação a ser extraída, que se refere à
banda do espectro que deseja analisar; o local onde a tabela será salva e quais as
estatísticas de interesse analisar.
Figura 9 - Shapefile da parcela no software ArcGIS®

35
Figura 10 - Utilização da ferramenta Zonal Statistic as Table
Figura 11 - Fluxograma com as etapas para extração de valores das bandas do RGB no
software Esri ArcGIS®

36
4.5 ÍNDICES DE VEGETAÇÃO UTILIZADOS
A Tabela 2 lista os índices de vegetação que foram utilizados nesta pesquisa:
Tabela 2 – Índices de vegetação utilizados neste trabalho
ÍNDICE SIGLA EQUAÇÃO AUTOR

Visible atmospherically Gitelson et al.,
VARI (Rg−Rr)/(Rg+Rr−Rb)
resistant index (2002)
(2*Rg−Rr− Louhaichi et al.
Green Leaf Index GLI
Rb)/(2*Rg+Rr+Rb) (2001)
Normalized Difference
NGRDI (Rg−Rr)/(Rg+Rr) Tucker (1979)
Green
Escafadal et. al.,
Coloration Index CI (Rr−Rb)/Rr
(1994)
Escafadal et. al.,
Intensity I (1/30.5)*(Rr+Rg+Rb)
(1994)
Escafadal et. al.,
Shape Index IF (2*Rr−Rg−Rb)/(Rg−Rb)
(1994)
Gamon et. al.,
Red-Green Ratio RGR Rr/Rg
(1999)
Triangular greenness Index TGI (Rg-0.39)*(Rr-0,61)*Rb Hunt et al. (2011)
Normalized Pigment Peñuelas et. al.,
NCPI (Rr-Rb)/(Rr+Rb)
Chlorophyll Ratio Index (1993)
Simple Ratio Red/Blue Iron Hewson et. al.,
IO Rr/Rb
Oxide (2001)
Gillespie et al.,
Green Cromatic Coordinate GCC Rg/(Rr+Rg+Rb)
(1987)
(Rg*Rg)–
Red Green Blue Vegetation
RGBVI (Rr*Rb)/(Rg*Rg)+(Rr*Rb Bendig et al., (2015)
Index
)
Onde: Rr = Valor médio da banda vermelha; Rg = Valor médio da banda verde; Rb = Valor médio da banda azul.
37
4.6 BANCO DE DADOS
Todos os dados (de campo e espectrais) foram inseridos em uma planilha

eletrônica fusion table para futuras consultas e correlações com os dados espectrais,
com os metadados:
● Código de identificação da parcela;

● Mesorregião;
● Legenda da imagem;
● Tipo de área;
● Coordenadas;
● Data;
● Equipe;
● Município;
● Valor da banda R;
● Valor da banda G;
● Valor da banda B;
● Resultado (valor) para cada índice de vegetação aplicado.
4.7 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA
Para análise dos resultados foi utilizado o método de análise por regressão
linear múltipla, correlacionando o valor de cada índice de vegetação (variável
independente ou explicativa), e o valor da biomassa (Mg ha -1) obtido por método de
coleta direta em campo (variável dependente ou resposta). Esse modelo de regressão
está sendo utilizado com o objetivo de melhor explicar o comportamento das variáveis
dos dados, para que haja uma correlação positiva da variável determinada com a
prevista nas estimativas futuras, sendo perfeitamente possível utilizada na predição de
resultados. Tais análises de correlação e regressão foram realizadas utilizando o
software R (R CORE TEAM, 2013).
Utilizou-se o método Stepwise, na combinação dos procedimentos Backward e
Forward. Essa ferramenta identifica um subconjunto de preditores, adicionando a
variável mais significativa ou removendo a que se comporta de maneira contrária. O
stepwise realizou-se via Akaike Information Criterion - AIC (AKAIKE, 1974), utilizado
38
em trabalhos de ecologia (DERRYBERRY et. al. 2018; FISHER et. al., 2018). Este
critério funciona como um avaliador da qualidade do modelo para modelos, e para isso,
testa essa qualidade em vários modelos possíveis (coleção de modelos) em relação
aos demais, estimando também a perda de informações, o que indica a qualidade (ou
não) do ajuste.
Também foram verificadas as pressuposições do modelo através dos testes de
normalidade de Shapiro & Wilk (1965), para verificar se os resíduos seguem uma
distribuição normal ou não; e o teste de variância de Breusch Pagan (1979), que se
trata de um teste qui-quadrado de variância que detecta formas de heterocedastidade
lineares. Foram observados dos de R2 múltiplo, R2 ajustado, análise de resíduos e teste
de significância das variáveis.
39
5 RESULTADOS E DISCUSSÃO
A biomassa total foi modelada a partir de dados de diferentes tipos de uso e

cobertura do solo: Caatinga Densa - CD (20 pontos), Caatinga Aberta - CA (17 pontos)
e Pastagem – PA (18 pontos), totalizando 56 pontos amostrais. Os valores de CD, CA,
e PA variaram de 11,89 a 39,40 Mg ha-1, 2,34 a 36,04 Mg ha-1 e 0,56 a 6,99 Mg ha-1,
respectivamente. As diferenças acontecem provavelmente devido às características
climáticas e de solo desses locais, como também diferenças nas comunidades vegetais
existentes e interferências antrópicas (LIMA JUNIOR et. al., 2014).
Utilizando as variáveis de cobertura (caatinga densa, aberta ou pastagem), no
período (seco ou chuvoso) e todos os índices de vegetação sugeridos, encontrou-se
um R2 múltiplo de 0,7342 e R2 ajustado de 0,6738, tendo como interpretação do
modelo de biomassa como variável categórica (variáveis quantitativas ou de atributo,
organizadas em categorias, representadas, neste caso, pelos tipos de uso e cobertura
da terra), em relação à caatinga aberta, há uma tendência de aumento da biomassa na
caatinga densa e uma redução para a pastagem. A equação encontrada, com o melhor
ajuste está descrita na Tabela 3:
Tabela 3 - Modelo de regressão linear múltipla encontrado para estimar biomassa em Caatinga
densa, aberta e pastagem
(Biomassa ~ cobertura + VARI + NGRDI + CI + I + RGR + NCPI +
MODELO
RGBVI + GCC)
R2 0,7342
2
R Aj. 0,6738
F-statistic 12,15
P-value 1.015e-09
Verificando os resultados da função conhecemos os respectivos coeficientes

(Tabela 4):
40
Tabela 4 - Coeficientes da regressão linear múltipla

Estimativa Erro Padrão T valor Pr (>|t|)
(Intercept) 5.037e+03 2.363e+03 2.132 0.038630 *
Caatinga
1.607e+01 2.996e+00 5.365 2.86e-06 ***
Densa
Pastagem -1.099e+01 3.053e+00 -3.600 0.000803 ***
VARI -1.169e+03 5.793e+03 -2.018 0.049668 *
NGRDI 1.153e+04 5.740e+03 2.008 0.050799 .
CI 6.893e+02 3.685e+02 1.871 0.068060 .
I 2.841e-05 1.758e-05 1.616 0.113231
RGR 7.883e+02 5.080e+02 1.552 0.127847
NCPI 2.447e+03 1.227e+03 1.994 0.052356 .
RGBVI -1.649e-04 5.656e-05 -2.915 0.005582 **
GCC -1.742e+04 8.484e+03 -2.053 0.046010 *
Códigos de significância: 0’ ***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1
A partir destas estimativas é possível construir as equações separadamente,

para cada tipo de cobertura e uso da terra nas áreas de Caatinga, demonstradas na
(tabela 5):
Tabela 5 - Equações para cada tipo de cobertura e uso do solo em áreas de Caatinga
EQUAÇÕES
CD Bcd=5.037e+03+1.607e+01-
1.169e+03*VARI+1,153e+04*NGRDI+6.893e+02*CI+2.841e-
05*I+7.883e+02*RGR+2.447e+03*NCPI-1.649e-04*RGBVI-1.742e+04*GCC
CA Bca=5.037e+03-1.169e+03*VARI+1,153e+04*NGRDI+6.893e+02*CI+2.841e-
PA Bpa=5.037e+03-1.099e+01-
1.169e+03*VARI+1,153e+04*NGRDI+6.893e+02*CI+2.841e-
Sendo, CD= Caatinga Densa; CA= Caatinga Aberta; PA= Pastagem; Bcd = biomassa de caatinga densa; Bca=
biomassa de pastagem; Bpa= Biomassa de pastagem.
41
As pressuposições do modelo foram verificadas, e nessas análises, foram

encontrados bons resultados. No teste de normalidade de Shapiro-Wilk, os valores
encontrados foram SW= 0,97070457 e p-valor= 0,1979636, portanto não encontramos
evidências para rejeitar a hipótese de normalidade dos dados. Quanto ao teste de
Breusch-Pagan, os valores de BP = 7,7431 e p-valor= 0,6539 demonstram que não
houve violação da homogeneidade de variância para os resíduos. De acordo com o
gráfico de resíduos (figura 12), pode-se concluir que o modelo segue distribuição
normal, pois a maioria dos pontos se aproxima da reta identidade.
Figura 12 - Gráfico de resíduos do modelo com todas as coberturas
Seguindo o mesmo princípio e análise estatística, verificou-se uma melhora no

modelo de regressão quando aplicado uma regressão para as coberturas de caatinga
densa e pastagem chegando a um R2 múltiplo de 0,8521 e um R2 ajustado de 0,8235.
O fato fundamentador desta decisão de criar uma equação desconsiderando a caatinga
aberta parte do princípio de que existe uma falta de padrão nas fitofisionomias dos
dosséis da caatinga aberta, áreas que sofrem com a ação antrópica de maneira mais
pontual. Sendo assim, diferenças maiores na homogeneidade dos dosséis entre tal
grupo faz com que se acentue mais a variância entre os dados, além do fato de que, no
geral, um dossel é constituído por vários elementos da própria vegetação e que o fluxo
de radiação sobre esses elementos está sujeito aos fenômenos de espalhamento (que
se subdivide em reflexão e transmissão) e absorção. O destino desse fluxo de energia
42
vai depender das características dependentes do fluxo e das suas características

físico-químicas (PONZONI, 2012). A equação encontrada, com o melhor ajuste é
apresentada na Tabela 6.
Tabela 6 - Modelo de regressão linear múltipla encontrado para estimar biomassa em Caatinga
densa e pastagem
MODELO (Biomassa ~ cobertura + NGRDI + I + NCPI + RGBVI + GCC)
R2 0,8521
2
R AJ. 0,8235
F-STATISTIC 29,77
P-VALOR 1.459e-11
Verificando os resultados da função conhecemos os respectivos coeficientes:
Tabela 7 - Coeficientes da regressão linear múltipla

Estimativa Erro padrão T valor Pr (>|t|)
(Intercept) 6.844e+02 2.569e+02 2.664 0.0121 *
Pastagem -2.751e+01 2.462e+00 -11.175 2.12e-12***
NGRDI 9.135e+02 3.723e+02 2.453 0.0200 *
I 2.655e-05 1.487e-05 1.786 0.0839 .
NCPI 4.084e+02 1.626e+02 2.512 0.0174 *
RGBVI -9.595e-05 5.187e-05 -1.850 0.0739 .
GCC -1.956e+03 7.696e+02 -2.541 0.0163 *
Códigos de significância: 0’ ***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1
A partir destas estimativas é possível construir as equações separadamente,

para cada tipo de cobertura e uso da terra nas áreas de Caatinga, demonstradas na
tabela 8:
43
Tabela 8 - Equações para modelo sem caatinga aberta

EQUAÇÕES
CD Bcd = 6.844e+02 + 9.135e+02*NGRDI + 2.655e-05*I + 4.084e+02*NCPI -9.595e-
05 *RGBVI -1.956e+03*GCC
PA Bpa = 6.844e+02 - 2.751e+01 + 9.135e+02*NGRDI + 2.655e-05*I +
4.084e+02*NCPI -9.595e-05 *RGBVI -1.956e+03*GCC
Sendo, CD= Caatinga Densa; PA= Pastagem; Bcd= Biomassa de caatinga densa; Bpa= Biomassa de
pastagem.
Através da análise dos resultados do teste de Shapiro Wilk (SW= 0,98241435 e

p-value = 0,8011023), percebe-se que também não houve evidências para rejeitar a
hipótese de normalidade dos resíduos; e de acordo com o gráfico de resíduos (figura
13), conclui-se que o modelo segue distribuição normal, tendo a maioria dos pontos
próximos da reta identidade.
Figura 13 - Gráfico de resíduos do modelo sem caatinga aberta
No teste de variância de Breusch-Pagan, os valores de BP = 17,451e p-valor =

0,007762 demonstram que houve violação da homogeneidade de variância para os
resíduos quando considerado o valor de significância para 5%. Esse resultado significa
que, para este modelo, é necessária uma espacialização maior de tempo para que haja
44
detecção da variância dos dados, o que se espera que possa ser corrigido com o
aumento da amostragem nos próximos anos. Santos et al. (2009) consideram que no
ajuste de modelos estatísticos a dados de biomassa, em espécies nativas, é comum
erros elevados, devido às características típicas desses ambientes, porém, retratam a
variabilidade real dos mesmos (BARRETO, 2018).
Neste trabalho, considerando o primeiro modelo, obteve-se um coeficiente de
determinação de 0,73 estimando pontos distintos no estado de Pernambuco.
Comparando com outros trabalhos, com metodologias diferentes disponíveis na
literatura, Lima-Junior et. al. (2014), em seu trabalho estimando biomassa, utilizou o
NDVI (Normalized Difference Vegetation Index) aplicado em imagens de satélite e
biomassa estimada a partir de equações alométricas, e construiu uma equação de
regressão linear com coeficiente de determinação igual a 0,70 e desvio de 8,43 t.h -1. É
importante salientar que este estudo contou com um número pequeno de cinco sítios
localizados no município de Petrolina. Já Accioly et. al. (2002), no Seridó do Rio
Grande do Norte, em um estudo da correlação de biomassa e índices de vegetação,
encontrou um coeficiente de determinação de 0,36, sendo o índice de razão simples o
que melhor explicava o modelo.
Cerqueira (2007) em seu estudo objetivou estimar o estoque de carbono na
vegetação utilizando NDVI na região de Rio de Contas, no estado da Bahia, inserido no
Bioma Caatinga, e encontrou um R2 de 0,98, superando o encontrado neste trabalho
nos dois modelos apresentados, porém, conta com um número de observação
pequeno, de apenas seis casos e em uma região delimitada. Mais alinhado com a
metodologia deste trabalho encontra-se o trabalho de Nascimento (2015), que obteve
uma equação de regressão linear com R2 de 0,38, quando estimou biomassa em áreas
de caatinga através de imagens de satélite, considerando os diferentes uso e cobertura
da terra, porém o autor considera o modelo que utiliza o NDVI, que é um índice que se
baseia nas bandas vermelha e infravermelha, como variável independente, enquanto
nesta pesquisa utilizam-se apenas índices do espectro visível, testando sua
capacidade de explicar e estimar a biomassa da Caatinga. Costa et. al. (2002)
utilizaram este mesmo índice correlacionado ao índice de área da planta e encontrou
um R2 de 0,78. A partir deste modelo, criou uma função estimadora de biomassa com
R2 de 0,76, que, neste caso, de acordo com Nascimento (2015) os erros se cumulam
com a utilização de duas equações.
45
Estudando a modelagem de biomassa verde Alves Júnior (2010) construiu

equações para diversos grupos de espécies, e encontrou valores de R²aj superiores a
0,90 em todos os casos, entretanto seu estudo contemplou apenas uma área de
vegetação de caatinga na fazenda Itapemirim, do município de Floresta – PE. Em
áreas de transição floresta-cerrado, Araújo et. al. (2001) avaliaram dados do sensor
SIR-C/X SAR, utilizando as bandas L e C na forma de razão, com objetivo de
correlacionar com a biomassa de tais áreas. Através de testes estatísticos encontrou
um R2 de 0,63.
Odeland et. al. (2017) fizeram um mapeamento de espécies arbóreas em áreas
de savana no centro da Namíbia, na África do Austral. Os autores analisaram
parâmetros adquiridos por drone de asa delta, considerando índices espectrais a partir
de sensores RGB-Nir, obtendo melhor precisão geral média de 0,77, e concluem que
as imagens derivadas de VANT’s são promissoras para mapear espécies arbóreas.
Günlü et. al. (2014) examinaram as relações entre biomassa e valores de refletância de
bandas puras e dez índices de vegetação (do espectro visível e infravermelho)
derivados de imagens de satélite Landsat das florestas de pinheiros da Anatólia na
Turquia. A partir de análises de regressão múltipla encontraram um R 2 ajustado de
0,465, e quando utiliza somente o índice EVI e ND57 esse valor chega a 0,606. Eles
concluem também que os índices de vegetação predizem melhor a biomassa do que
modelos baseados apenas nos valores de refletância das bandas individuais ou puras.
Não houve diferenças significantes nos valores, em um primeiro momento, em
relação ao período seco e chuvoso, visto que se tratou de biomassa total. A partir
dessas análises também se atestou a coerência da metodologia de estimativa de
biomassa total coletada em campo, onde foi possível identificar diferenças de
níveis nos resultados de acordo com o uso e ocupação da terra. Poucos trabalhos
foram encontrados na literatura com metodologia semelhante a essa, e não se
encontrou com os mesmos métodos, utilizando apenas índices do espectro visível e
drones para estimar biomassa de Caatinga. Porém, vê-se que os valores encontrados
neste trabalho, em maioria, são superiores aos encontrados na literatura para outras
metodologias, principalmente quando é considerada a variabilidade espacial de
abrangência dos pontos, tendo no presente estudo representatividade em pontos
distintos do estado de Pernambuco.
46
Considerando a metodologia objetivada na busca de métodos mais baratos e

eficazes, na utilização de drones com câmeras populares do espectro visível, esse
modelo atende ao objetivo proposto. Outro ponto válido de menção, é que, diferente
da maioria dos trabalhos encontrados na literatura, onde se usa poucos de vegetação
como variável preditora, utilizar vários índices de vegetação e a partir dele gerar um
modelo que melhor explique o objetivo diminui os graus de incertezas intrínsecos a
análise, visto que os alvos sofrem interferências pela resposta espectral e isso
prejudica a correlação dos valores dos índices e biomassa, justificando muitas vezes os
valores baixos dos coeficientes de determinação. Além disso, o modelo de estimação
criado atende a necessidade de desenvolvimento de modelos específicos para cada
tipo de vegetação e região (HIGUCHI et. al., 2004; SEGURA & KANINEN, 2005).
Ainda é possível melhorar a acurácia dos resultados e consequentemente o
modelo com o ampliando à malha de pontos de calibração em escala espacial e
temporal, visto que esses são dados de apenas um ano e meio de coletas. Espera-se
que numa análise temporal ampliada, sejam amenizados possíveis erros que são
passíveis de surgir devido a efeitos como iluminação, nebulosidade, diferenças no
dossel, propriedades biofísicas dos alvos, entre outros fatores que interferem nos
resultados extraídos de cada imagem, as quais estão sujeitas as metodologias de
coleta indireta como via sensoriamento remoto.
Esse tipo de modelo é vantajoso, pois se trata de uma tecnologia limpa, e a
coleta de dados pode ser planejada e repetida, de acordo com a necessidade, sem
depender de dados fornecidos por órgãos competentes. Além disso, trata-se de um
material de resolução maior do que o encontrado nas técnicas tradicionais - como nos
satélites -, o que potencializa assim resultados de melhor qualidade e mais precisos.
Regionalmente falando, estudos do semiárido brasileiro podem ser
aprofundados através da utilização desse modelo de estimativa de biomassa para,
através da aplicação em ferramentas popularizadas, subsidiar planos de manejo
sustentável de suas áreas, como também utilizar-se para a construção de alternativas
para suas realidades, por exemplo, prevenção para épocas de seca, monitorando a
produção de biomassa de espécies forrageiras alimentadoras do gado, o que possibilita
a construção de melhores estratégias para o setor agropecuário da região, responsável
pela economia local. Tais fatos potencializam ainda mais a inovação do modelo e
demonstram que os avanços serão graduais e cada vez mais alinhados com o real.
47
6 CONCLUSÕES
● Foram construídos dois modelos de regressão linear múltipla para diferentes tipos de
uso e cobertura da terra em áreas de Caatinga e pastagem para o semiárido
pernambucano com resultados satisfatórios para um método indireto e de tal amplitude;
● Os modelos de estimativa de biomassa, com coeficientes de determinação de 0,73 e
0,85, construídos no presente estudo, são vantajosos em sua utilização por se tratarem
de um método não destrutivo e que pode ser utilizado em áreas de caatinga;
● Uma base de dados de campo e espectrais para a Caatinga foi construído, e será
alimentado no decorrer dos anos com dados de coletas futuras dos mesmos municípios
e de outros nos quais serão implementadas mais parcelas no estado de Pernambuco.
48
REFERÊNCIAS
ACCIOLY, L. C. O.; SILVA, E. A.; JUNIOR, E. A. C.; ALVES, E. A.; PEREIRA, A. G. S.;
SILVA, R. S.; RAMOS, R. R. D.; SILVA, R. R. Mapeamento do Uso e Cobertura das
Terras do Semiárido Pernambucano (escala 1:100.000). Rio de Janeiro: [s.n.], 2017.
AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on

Automatic Control, Boston, v.19 (6), p.716–723, 1974.
ALVES JUNIOR, F. T. Biomassa e volumetria de uma área de caatinga. Tese

(Doutorado em Ciências Florestais) – Universidade Federal Rural de Pernambuco.
Recife, p. 123. 2010.
ALVES, J. J. A.; ARAÚJO, M. A.; NASCIMENTO, S. S. Degradação da caatinga: uma

investigação ecogeográfica. Caminhos de Geografia , v. 9 (27), p. 143 – 155, 2008.
ANDRADE-LIMA, D. Plantas das caatingas. Rio de Janeiro: Academia Brasileira de

Ciências, 1989.
ANGELIS, C. F. Princípios de Sensoriamento Remoto. Instituto Nacional de

Pesquisas Espaciais, Divisão de satélites e Sistemas Ambientais – INPE-DAS, 2011.
ARAÚJO, L. S.; SANTOS, J. R.; KEIL, M.; LACRUZ, M. S. P.; KRAMER, J. C. M.

Razão entre bandas do SIR-C/ X SAR para estimativa de biomassa em áreas de
contato floresta e cerrado. In: X SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos,
São Paulo, Brasil. 2001.
BANNARI, A. et al. A review of vegetation index. Remote Sensing Reviews, New

York, v. 13, p. 95-120, 1995.
BARBOSA, K. M. N. Monitoramento espacial de biomassa e carbono orgânico da

vegetação herbácea de várzea na Amazônia Central. Curitiba: Universidade Federal
do Paraná, Tese de Doutorado, p. 131. 2006.
BARET, F.; GUYOT, G.; MAJOR, D. TSAVI: A vegetation index which minimizes soil
brightness effects on LAI or APAR estimation. In: International Geoscience and Remote
Sensing Symposiun (IGARSS’89). Canadian Symposium on Remote Sensing, 12.,
Vancouver, 1989. Remote Sensing: an economic tool for the nineties. Piscataway:
IEEE, 1989. v. 1, p. 1355-1358.
BENDIG, J. et al. Estimating biomass of barley using crop surface models (CSMs)
derived from UAV-based RGB imaging. Remote Sensing, v. 6, n. 11, p. 10395-10412,
2014.
BERRA, E. F.; BRANDELERO, C.; PEREIRA, R. S.; SEBEM, E.; GOERGEN, L. C. G.;
BENEDETTI, A. C. P. B.; LIPPERT, D. B. Estimativa do volume total de madeira em
espécies de eucalipto a partir de imagens de satélite Landsat. Ciência Florestal, v. 22,
n. 4, p. 853-864, 2012.
49
BARRETO, T. N. A.; SILVA, J. A. A.; FERREIRA, R. L. C.; ALMEIDA, C. C. S. Ajuste de

modelos matemáticos à biomassa seca dos compartimentos de plantas lenhosas em
área de caatinga. Scientia Forestalis, Piracicaba, v. 46, n. 118, p. 285-295, jun. 2018.
BRANDÃO, Z. N.; BEZERRA, M. V. C.; FREIRE, E. C.; SILVA, B. B. Agricultura de

precisão para gerenciamento do algodão. In: AZEVÊDO, D. M. P.; BELTRÃO, N. E.
M. O agronegócio do algodão no Brasil. Brasília: Embrapa Informação Tecnológica, v.
2, cap. 20, p 1309. 2008.
BRASIL. MINISTÉRIO DO MEIO AMBIENTE. Biomassa para energia no Nordeste:

atualidade e perspectivas. Ministério do Meio Ambiente, Programa das Nações
Unidas para o Desenvolvimento. Brasília, DF: MMA, 2018.
BREUSCH, T. S.; PAGAN, A. R. A simple test for heteroscedasticity and random

coefficient variation. Econometrica, v. 47, p. 1287-1294, 1979.
BROWN, S. Estimating biomass and biomass change of tropical forests: a primer.

Roma: FAO - Food and Agriculture Organization of the United Nations, 1997. v. 1p. 55
CÂNDIDO, A. K. A. A.; ENCINA, C. C. C.; SCHLICHTING, A. F.; HAUPENTAL, M. R.;

FILHO, A. C. P.; JÚNIOR, J. M.; SILVA, N. M. Modelo digital de superfície gerado a
partir de imagens de VANT. In: SIMPÓSIO DE GEOTECNOLOGIAS NO PANTANAL,
5., Anais... Campo Grande, MS: Embrapa Informática Agropecuária/ INPE, 2014.
CERQUEIRA, D. B. Levantamento do estoque de carbono na vegetação com base

em Geotecnologias. Feira de Santana: Universidade estadual de Feira de Santana,
2007.
CHAVES, I. B.; LOPES, V. L.; FFOLLIOTT, P. F.; PAES-SILVA, A. P. Uma

classificação morfo-estrutural para descrição e avaliação da biomassa da vegetação da
caatinga. Revista Caatinga, v. 21, n. 2, p. 204-213, 2008.
CHAVES, A. A.; SCALEA, R. A. L.; COLTURATO, A. B.; KAWABATA, C. L. O.;

FURTADO, E. L.; BRANCO, K. R. L. J. C. Uso de VANTs e processamento digital de
imagens para a quantificação de áreas de solo e de vegetação. In: SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, 2015, João Pessoa. Anais... São
José dos Campos: INPE, p. 5642-5649, 2015.
CHANG, K.-W., SHEN, Y., LO, J. C. Predicting Rice Yield Using Canopy Reflectance
Measured at Booting Stage. Agronomy Journal, v.97, p. 872. 2005.
COELHO, A. M. Agricultura de precisão: manejo da variabilidade espacial e

temporal dos solos e culturas. Sete Lagoas: Embrapa Milho e Sorgo, p. 60, 2005.
COSTA, T. C. C.; OLIVEIRA, M. A. J.; ACCIOLY, L. J. O.; SILVA, F. H. B. B. Análise da

degradação da caatinga no núcleo de desertificação do Seridó (RN/ PB). Revista
Brasileira de Engenharia Agrícola e Ambiental, v. 13, p. 961-974, 2009.
50
CUNHA, R. M. Estimativa da perda de biomassa em área de manejo florestal

sustentável na Amazônia com uso combinado de LIDAR e câmera RGB a bordo
de aeronave remotamente pilotada. Dissertação de mestrado em ciências naturais –
Universidade Federal do Acre, Rio Branco, 2018.
DERRYBERRY, D.; AHO, K.; EDWARDS, J.; PETERSON, T. Model Selection and
Regression t-Statistics, The American Statistician, v. 72:4, p. 379-381, 2018.
EISENBEISS, H. UAV Photogrammetry. Doctor of sciences, University of Technology

Dresden, Germany. 2009.
EMBRAPA. Agricultura de precisão: resultados de um novo olhar. Brasília, DF.

2014.Disponível:http://ainfo.cnptia.embrapa.br/digital/bitstream/item/113993/1/Agricultur
a-de-precisao-2014.pdf
EPIHANIO, J. C. N.; GLERIANI, J. N.; FORMAGGIO, A. R.; RUDORFF, B. F. T. Índices

de vegetação no sensoriamento remoto da cultura do feijão. Pesquisa Agropecuária
Brasileira, Brasília, v. 31, n. 6, p. 445 – 454, junho, 1996.
FARIA, R. B.; COSTA, M. E. A inserção dos veículos aéreos não tripuláveis (drones)
como tecnologia de Monitoramento no combate ao dano ambiental. Revista Ordem
Pública e Defesa social, v. 8, p. 81, 2015.
FERREIRA, A. G.; MELLO, N. G. S. Principais sistemas atmosféricos atuantes sobre a

região Nordeste do Brasil e a influência dos oceanos Pacífico e Atlântico no clima da
região. Revista Brasileira de Climatologia, v. 1, n. 1, p. 15–28, 2005.
FIGUEIREDO, E. O; D’OLIVEIRA, M. V. N.; LOCKS, C. J.; PAPA, D. A. Estimativa do

volume de madeira em pátios de estocagem de toras por meio de câmeras RGB
instaladas em Aeronaves Remotamente Pilotadas (ARP). Rio Branco, AC: Série
Embrapa Acre, Boletim de Pesquisa e Desenvolvimento, 55, 2016.
FLORENZANO, T.G. Imagens de satélite para estudos ambientais. São Paulo,

Oficina de Textos, 2002.
FILHO, R. S. Reconstrução de séries temporais de NDVI para uma área de

caatinga. Universidade Federal de Campina Grande, Centro de Tecnologia e Recursos
Naturais / Campina Grande, Dissertação (Mestrado em Engenharia Civil e Ambiental),
f. 96. 2019.
FISHER, R .; WILSON, S. K , SIN, T. M.; LEE, A. C.; LANGLOIS, T.J. A função simples
para full-subconjuntos de regressão múltipla em ecologia com R . Ecology and
Evolution, v. 8, p. 6104 – 6113, 2018.
GAMON, J; SURFUS, J. Avaliação do conteúdo e atividade do pigmento da folha com

um refletômetro. New Phytologist, v. 143, p. 105-117. 1999.
GATRELL, J. D.; JENSEN, R. R (eds). Planning and socioeconomic applications,

geotechnologies and the environment. Springer Science, 2009.
51
GILLESPIE, A. R.; KAHLE, A. B.; WALKER, R. E. Color enhancement of highly

correlated images. II Channel ratio and “chromaticity” transformation techniques.
Remote Sensing of Environment, v. 22 , pp. 343 – 365, 1987.
GITELSON, A. A.; VIÑA, A.; ARKEBAUER, T.J.; RUNDQUIST, D.C.; KEYDAN, G.;
LEAVITT, B. Remote estimation of leaf area index and green leaf biomass in maize
canopies. Geophysical Research Letters, v. 30, p. 1248. 2003.
GITELSON, A.; GRITS, U.; STARK, R.; RUNDQUIST, D.; KAUFMAN, Y. J. Novel
algorithms for remote estimation of vegetation fraction. Remote Sensing of
Environment, v.80, p. 76-87. 2002.
GIULIETTI, A. M.; BOCAGE NETA, A. L.; CASTRO, A. A. J. F.; GAMARRAROJAS, C.

F. L.; SAMPAIO, E. V. S. B.; VIRGÍNIO, J. F.; QUEIROZ, L. P.; FIGUEIREDO, M. A.;
RODAL, M. de J. N.; BARBOSA, M. R.V.; HARLEY, R. M. Diagnóstico da vegetação
do Bioma Caatinga. Biodiversidade da Caatinga: áreas e ações prioritárias para a
conservação. Brasília, DF: Ministério do Meio Ambiente; Recife, PE: Universidade
Federal de Pernambuco, p. 382. 2003.
GÜNLÜ, A.; ERCANLI, I.; BASKENT, E. Z.; ÇAKIR, G. Estimating aboveground

biomass using Landsat TM imagery: A case study of Anatolian Crimean pine forests in
Turkey. Annals of Forest Research, v. 57(2), p. 289-298. 2014.
HARKEL, J. T.; BARTHOLOMEUS, H.; KOOISTRA, L. Biomass and crop height

estimation of different crops using UAV-based lidar. Remote sensing, v. 12(1), p. 17,
2020.
HIGUCHI, N.; SANTOS, J.; RIBEIRO, R. J.; MINETTE, L.; BIOT, T. Biomassa da parte
área da vegetação da floresta tropical úmida de terra firme da Amazônia brasileira.
Acta Amazônica, Manaus, v. 28, n. 2, p. 153-166. 1998.
HUNT JR, E. R. et al. Evaluation of digital photography from model aircraft for remote
sensing of crop biomass and nitrogen status. Precision Agriculture, v. 6, n. 4, p. 359-
378, 2005.
HUNT JR, E. R.; DAUGHTRY, C. S. T.; EITEL, U. H.; LONG, D. S. Remote sensing
leaf chlorophyll content using a visible band index. Agronomy Journal, v. 21, p.103-
112. 2011.
KOPPE, W.; GNYP, M. L.; HÜTT, C.; YAO Y.; MIAO, Y.; CHEN, X.; BARETH, G. Rice
monitoring with multi-temporal and dual-polarimetric TerraSAR-X data. International
Journal of Applied Earth Observation and Geoinformation, v. 21, p. 568-576. 2013.
KIILL, L. H. P.; DRUMOND, M. A.; LIMA, P. C. F.; ALBUQUERQUE, S. G.; OLIVEIRA,

V. R. Como manejar a caatinga? (ABC da Agricultura Familiar: Preservação e uso da
Caatinga, 2). Brasília, DF: Embrapa Informação Tecnológica, p. 19, 2004.
52
IPPOLITI, G. A.; EPIPHANIO, J. C. N.; SHIMABUKURO, Y. E. Utilização de

Sensoriamento remoto na previsão de área a ser plantada com culturas de verão em
três municípios do Estado de São Paulo. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 9., 1998, Santos. Anais eletrônicos... São José dos
Campos: INPE, p. 25-37, 1998.
JANNOURA, R. et al. Monitoring of crop biomass using true colour aerial photographs
taken from a remote controlled hexacopter. Biosystems Engineering, v. 129, p. 341-
351, 2015.
JENSEN, J. R. Sensoriamento Remoto do Ambiente: Uma Perspectiva em

Recursos Terrestres, São José dos Campos, São Paulo, Brasil: Parêntese, Ed. 2,
2009.
JENSEN, J.R.; EPIPHANIO, J.C.N. et. al. Sensoriamento remoto do ambiente: uma
perspectiva em recursos terrestres. São José dos Campos, SP : Parêntese, ed. 2,
2011.
JIANG, J. et. al. Using digital cameras on an unmanned aerial vehicle to derive optimum
color vegetation indices for leaf nitrogen concentration monitoring in winter wheat.
Remote sensing, v. 11 (22), p. 2667, 2019.
JUNIOR, C. L.; ACCIOLY, L. J. O.; GIONGO, V.; LIMA, R. L. F. A.; SAMPAIO, E. V. S.

B.; MENEZES, R. S. C. Etimativa de biomassa lenhosa da caatinga com uso de
equações alométricas e índice de vegetação. Scientia Forestalis, v. 42, n. 102, p. 289-
298. 2014.
JÚNIOR, L. R. A.; CORTES, J. B. R.; FERREIRA, M. E.; SILVA, J. R. Validação de

ortomosaicos e Modelos Digitais de Superfície utilizando fotografias obtidas com
câmera digital não métrica acoplada a um VANT. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 2015, João Pessoa. Anais... São José dos Campos:
INPE, p. 2157-2164, 2015.
LEAL, I. R.; TABARELLI M.; SILVA, J. M. C. Ecologia e Conservação da Caatinga. 3

ed. Recife: Ed. Universitária da UFPE, p. 822, 2008.
LE MAIRE, G.; FRANÇOIS, C.; SOUDANI, K.; BERVEILLER, D.; PONTAILLER, J.-Y.;
BRÉDA, N.; GENET, H.; DAVI, H.; DUFRÊNE, E. Calibration and validation of
hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content,
leaf mass per area, leaf area index and leaf canopy biomass. Remote Sensing of
Environment, v. 112, 3846–3864. 2008.
LIMA JUNIOR, C.; ACCIOLY, L. J. O.; GIONGO, V.; LIMA, L. R. F. A.; SAMPAIO, E. V.
S. B.; MENEZES, R. S. C. Estimativa de biomassa lenhosa da caatinga com uso de
equações alométricas e índice de vegetação. Scientia Forestalis, v. 42, n. 102, p.
289–298, 2014.
LIMANA, C.C. O sensoriamento remoto como ferramenta didática na educação

profissional e tecnológica. Dissertação de mestrado. Santa Maria, Rio Grande do
Sul. 2014.
53
LIRA, D. R. et al. Mapeamento e quantificação da cobertura vegetal do Agreste Central

de Pernambuco utilizando o NDVI. Revista Brasileira de Geografia Física, Recife, v.
3, p. 157-162, 2010.
LOUHAICHI, M.; BORMAN, M. M.; JOHNSON, D.E. Spatially located platform and
aerial photography for documentation of grazing impacts on wheat. Geocarto
International, v. 16, p. 65-70. 2001.
MATOS, F. D. A.; KIRCHNER, F. F. Estimativa de biomassa da floresta ombrófila

densa de terra firme na Amazônia central com o satélite Ikonos II. Floresta, Curitiba,
PR, v. 38, n. 1, jan./mar. 2008.
MELO, C. A. A. Modelo para estimativa de biomassa de vegetação em áreas de

manguezais por técnicas de sensoriamento remoto. Dissertação de Mestrado.
2017.
MEUNIER, I. M. J. Análises de sustentabilidade de planos de manejo florestal em

Pernambuco. Tese de doutorado, Universidade Federal Rural de Pernambuco -
RECIFE, p. 135. 2014.
MINUCIO, L. F. Problemas técnicos mais comuns em drones – O guia

definitivo. Futuriste, 2019. Disponível em:
<HTTP://FUTURISTE.COM.BR/BLOG/PROBLEMAS-TECNICOS-DRONES/>. Acesso
em: dez de janeiro de 2019.
MMA (MINISTÉRIO DO MEIO AMBIENTE). Mapas de cobertura vegetal dos biomas

brasileiros. Brasília: MMA. 2007.
MOREIRA, M. A. Fundamentos de sensoriamento remoto e metodologias de

aplicação. Universidade Federal de Viçosa, Ed. 2, 2003.
MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de

aplicação. Universidade Federal de Viçosa, Ed. 3, p. 315, 2007.
MOTOHKA, T., NASAHARA, K.N., OGUMA, H., TSUCHIDA, S. Applicability of Green-

Red Vegetation Index for Remote Sensing of Vegetation Phenology. Remote Sensing,
p. 2369–2387. 2010
MUNARETTO, L. VANT e drones: a aeronáutica ao alcance de todos. São José dos

Campos: Edição Independente, 2015.
NASCIMENTO, D. M. E. Estimativa do estoque de biomassa arbustivo arbórea por

sensoriamento remoto em áreas de caatinga em Pernambuco. Dissertação de
mestrado. Recife, p. 74. 2015.
NEBIKER, S.; ANNENA, A.; SCHERRERB, M.; OESCHC, D. A light-weight

multispectral sensor for micro UAV- Opportunities for very high resolution airborne
remote sensing. The International Archives of the Photogrammetry, Remote
Sensing and Spatial Information Sciences, v. 37, p. 1193- 1200, 2008.
54
NGUYEN, T.; JONES, S.; BERELOV, M. S.; HAYWOOD, A.; HISLOP, S. Landsat time-
series for estimating forest aboveground biomass and its dynamics across space and
time: A review. Remote sensing, v. 12, p. 98, 2020.
NOVO, M. F. L.; PONZONI, J. Introdução ao sensoriamento remoto. 2001.
OLDELAND, J.; GROßE-STOLTENBERG, A.; NAFTAL, L.; STROHBACH, B. J. The

Potential of UAV Derived Image Features for Discriminating Savannah Tree
Species. Os papéis do sensoriamento na manutenção da natureza. 2017.
PACHECO, A. P.; FREIRE, N. C. F.; BORGES, U. N. Uma contribuição do

sensoriamento remoto para detecção de áreas degradadas na Caatinga Brasileira.
Boletim Goiano de Geografia, v. 26, n. 1, p. 49-68, 2006.
PÁDUA, L.; VANKO, J.; HRUSKA, J.; ADÃO, T.; SOUSA, J. J.; PERES, E.; MORAIS,
R. UAS, sensors, and data processing in agroforestry: a review towards practical
applications. International Journal of Remote Sensing, v. 38, p. 2349–2391, 2017.
PRECISION MAPPER. Visual NDVI. Disponível em:

<https://www.precisionmapper.com/algorithms/normalized-green-red-difference-index>.
Acesso em 20 de dezembro de 2018.
PONZONI, F.J. Sensoriamento remoto no estudo da vegetação. São José dos

campos, SP: A. Silva Vieira. Ed 2. 2009.
R CORE TEAM. R: a language and environment for statstical computing. Vienna,

Austria:R Foundation for Statistical Computing, 2013. Disponível em: <https://www.r-
project.org/>.
REEVES, R.G. Manual of remote sensing. American Society of Photogrammetry.

Falls Church, Virginia. 1975.
ROBERTS, D.; ROTH, K.; PERROY, R. Hyperspectral Vegetation Indices, in:

Thenkabail, P.S., Huete, A. (Eds.), Hyperspectral Remote Sensing of Vegetation. CRC
Press, Boca Raton, FL, US, pp. 309–328. 2011.
RODAL, M. J. N., SAMPAIO, E. V. S. B., FIGUEIREDO, M. A. Manual sobre métodos

de estudo florístico e fitossociológico: ecossistema caatinga. Brasília: Sociedade
Botânica do Brasil - SBB. 2013.
ROSENDO, J. S. R. Índices de vegetação e monitoramento do uso do solo e

cobertura vegetal na bacia do Rio Araguari – MG – utilizando dados do sensor
MODIS. Dissertação (Mestrado em Geografia) – Universidade Federal de Uberlândia,
Uberlândia. 130 p. 2005.
ROSENDO, J. S.; ROSA, R. Exemplo de aplicação do Produto MOD13Q1

disponibilizado pelo sensor MODIS/Terra. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 12., 2005, Goiânia. Anais... Goiânia: INPE, 2005. p.
3285-3292.
55
SILVA, R. R.; SANTIAGO, M. T. B.; CANDEIAS, A. L. B.; GURGEL, J. F.; SALES, A. T.;
MENEZES, R. S. C. Mapping of regional land-use/land-cover distribution according to
soil types in the semiarid region of Pernambuco State, Brazil. Revista GEAMA, 2018.
SILVA, R. M.; INOCENCIO, L. C.; REIS, B. S.; SOARES, G.; KIRSTEN, E. Fotos
digitais obtidas com o uso de VANT para o mapeamento de áreas verdes do Campus
da Unisinos em São Leopoldo: análise da exatidão posicional, utilizando o software
GEOPEC. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 2015, João
Pessoa. Anais... São José dos Campos: INPE, p. 6281-6289, 2015.
SAMPAIO, E. V. S. B. Caracterização do bioma Caatinga. In: GARIGLIO, M. A.;

SAMPAIO, E. V. S. B.; CESTARO, L. A.; KAGEIAMA, P. Y. (Eds.)... Uso sustentável e
conservação dos recursos florestais da Caatinga. 2. ed. Brasília: Serviço florestal
brasileiro, 2010. p. 27–85.
SAMPAIO, E. V. S. B. Uso sustentável e conservação dos recursos florestais da

Caatinga. In: GARIGLIO et al. [Orgs]. Brasília: Serviço Florestal Brasileiro, 2010.
SANQUETTA, C. R. Métodos de determinação de biomassa florestal. In:

SANQUETTA, C. R. et al. (Eds.). As florestas e o carbono. Curitiba: [s.n.], 2002, p. 119-
140.
SEGURA, M.; KANNINEN, M. Allometric models for tree volume and total aboveground
biomass in a Tropial Humid Forest in Costa Rica. Biotropica, Washington, US, v. 37. n.
1, p. 2-8, 2005.
SHANAHAN, J. F.; SCHEPERS, J. S.; FRANCIS, D. D.; VARVEL, G. E.; WILHELM, W.

W.; TRINGE, J. S.; SCHLEMMER, M. R.; MAJOR, D. J. Use of remote sensing imagery
to estimate corn yield. Agronomy Journal, v. 93, p. 583-589, 2001.
SHAPIRO, S. S.; WILK, M. B. An analysis of variance test for normality (complete

sample). Biometrika, Great Britain, v. 52, n. 3, p. 591-611, 1965.
SILVA, E. T. J. B. Veículos aéreos não tripulados: panorama atual e perspectivas para

o monitoramento de atividades ilícitas na Amazônia. In: Simpósio Brasileiro de
Sensoriamento Remoto. Foz do Iguaçu: INPE, 2013. p. 9324-9331. Disponível em:
<http://www.dsr.inpe.br/sbsr2013/files/p1457.pdf>. Acesso em: 11 de dezembro de
2018.
SILVA, G. C.; SAMPAIO, E. V. S. B. Biomassas de partes aéreas em plantas da

caatinga. Revista Árvore, v. 32, n. 3, p. 567-575, 2008.
SILVEIRA, P.; KOEHLER, H. S.; SANQUETTA, C. R.; ARCE, J. E. O estado da arte na

estimativa de biomassa e carbono em formações florestais. Revista Floresta, v. 38, n.
1, p. 185–206, 2008.
SOUSA, H. L. Sensoriamento remoto com VANTs: uma nova possibilidade para a

aquisição de geoinformação. Revista Brasileira de Geomática, v. 5, n. 3, p. 326-
342, 2017.
56
SOUSA JUNIOR, J. G. A.; DEMATTE, J. A. M.; GENU, A. M. Comportamento espectral

dos solos na paisagem a partir de dados coletados por sensores terrestre e
orbital. Revista Brasileira de Ciências do Solo, Viçosa , v. 32, n. 2, p. 727-
738, Apr. 2008 .
SOUZA, M. J. N. A problemática ambiental: cenários para o Bioma Caatinga no

Nordeste do Brasil. In: SILVA, J. B.; LIMA, L. C.; DANTAS, E. W. C. (Org.). Panorama
da geografia brasileira. São Paulo: Annablume, v. 2, p. 119-133, 2006.
STAR, J.; ESTES, J. Geographic Information Systems: An introduction. Englewood

Cliffs, New Jersey: Prentice-Hall, 1990.
SUITS, G. H. Manual of remote sensing. Falls Church, Virginia: American Society of

Photogrammetry, 1983.
TABARELLI, M.; VICENTE, A. Conhecimento sobre plantas lenhosas da Caatinga:

lacunas geográficas e ecológicas. In: SILVA, J. M. C.; TABARELLI, M.; FONSECA, M.
T.; LINS, L. V. (Eds.). . Biodiversidade da Caatinga: áreas e ações prioritárias para
a conservação. Brasília, DF: Ministério do Meio Ambiente, 2004. p. 101–111.
TIESSEN, H.; FELLER, C.; SAMPAIO, E. V. S. B.; GARIN, B. Carbon sequestration

and turnover in semiarid savannas and dry forest. Climatic Change, v. 40, n. 1, p. 105–
117, 1998.
TOTH, C.; JÓŹKÓW, G. Remote sensing platforms and sensors: a survey. Journal of
Photogrammetry and Remote Sensing, v. 115, p. 22–36, 2016.
TUCKER, C. J. Red and photographic infrared linear combinations for monitoring

vegetation. Remote Sensing of Environment, v. 8, p. 127–150, 1979.
VELLOSO, A. L.; SAMPAIO, E. V. S. B.; PAREYN, F. G. C. Ecorregiões propostas

para o bioma Caatinga. Recife: Associação Plantas do Nordeste; The Nature
Conservancy do Brasil. 2002.
VIANA, H.; LOPES, D.; ARANHA, J. Predição de biomassa arbustiva lenhosa

empregando dados do inventário e o índice de diferença normalizada extraído em
imagens landsat5 TM. Millenium, n. 37, nov. 2009.
VIEIRA, G.; SANQUETTA, C. R.; KLÜPPEL, M. L. W.; BARBEIRO, L. S. S. Teores de

carbono em espécies vegetais da caatinga e do cerrado. Ciências Agrárias e
Ambientais, v.7, p.145-155. 2005.
VICARI, M. B.; PINTO, D. G.; FONTANA, D. C.; DALMAGO, G. A.; FOCHESATTO, E.

Avaliação de resposta de índices de vegetação aos parâmetros biofísicos da canola.
XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB,
Brasil, v. 1. 2015.
WATTS, A. C. et al. Small unmanned aircraft systems for low-altitude aerial surveys.
The Journal of Wildlife Management, v. 74, n. 7, p. 1614-1619, 2010.
57
WIEGAND, C. L., RICHARDSON, A. J., ESCOBAR, D. E. GERBEMANN, A. H.

Vegetation indices in crop assessments. Remote Sensing Environment, v.35, p. 105-
119,1991.
WHITEHEAD, K.; HUGENHOLTZ, C. H. Remote sensing of the environment with small

unmanned aircraft systems (UASs), part 1: a review of progress and challenges.
Journal of Unmanned Vehicle Systems, v. 2, p. 86–102, 2014.
WIJESINGHA, J.; ASTOR, T.; SCHULZE-BRÜNINGHOFF, D.; WENGERT, M.;

WACHENDORF, M. Predicting forage quality of grasslands using UAV-borne imaging
spectroscopy. Remote Sensing, v. 12, p. 126, 2020.
ZHENG, H.; LI, W.; JIANG, J.; LIU, Y.; CHENG, T.; TIAN, Y.; ZHU, Y.; CAO, W.;
ZHANG, YU.; YAO, X. A. Comparative assessment of different modeling algorithms for
estimating leaf nitrogen content in winter wheat using multispectral images from an
unmanned aerial vehicle. emote Sensing, v. 10, p. 2026, 2018.
ZUCON, A. R. S.; HAWKES, B.; LEMOS, C. C. Z.; BATISTUZZO, G. Z. B.;

HAKAMADA, R. E.; PONTES, G. R.; FREITAS, T. U.; BAZANI, J. H.; ALVARES, C. A.;
ARTHUR JUNIOR, J. C.; GONÇALVES, J. L. M. Use of Unmanned aerial vehicle
images as a tool to evaluate stand uniformity in clonal Eucalyptus plantations. In:
SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 2015, João Pessoa.
Anais... São José dos Campos: INPE, p. 4636-4642, 2015.
58
APÊNDICE A – DADOS DE BIOMASSA COLETADA EM CAMPO E MÉDIA DAS

BANDAS DO ESPECTRO RGB
BIOMASSA MÉDIA
MÉDIA DA MÉDIA DA
COLETADA DA
MUNICÍPIO VEGETAÇÃO PERÍODO BANDA BANDA
EM CAMPO BANDA
VERMELHA AZUL
(kg/ha-1) VERDE
Ibimirim Aberta 4,29 SECO 56,64 61,78 50,56
Ibimirim Pastagem 2,97 SECO 50,15 52,60 46,01
Ibimirim Densa 29,62 SECO 44,81 46,87 43,11
Sertânia Densa 11,89 SECO 29,74 56,09 24,36
Sertânia Aberta 2,34 SECO 45,17 51,32 49,13
Sertânia Pastagem 6,99 SECO 48,71 51,31 44,35
Arcoverde Densa 42,12 CHUVOSO 84,09 88,31 75,87
Arcoverde Aberta 5,55 CHUVOSO 108,07 112,38 97,03
Arcoverde Pastagem 6,54 CHUVOSO 114,64 130,39 63,94
Sertânia Aberta 2,34 SECO 183,25 174,70 160,64
Sertânia Densa 11,89 SECO 189,22 185,40 181,23
Sertânia Pastagem 6,99 SECO 176,72 175,91 173,84
São Bento Densa 18,70 SECO 145,34 152,52 134,51
São Bento Aberta 7,24 SECO 185,67 186,29 180,27
São Bento Pastagem 3,67 SECO 197,65 196,93 190,75
Araripina Pastagem 2,99 CHUVOSO 119,28 135,22 91,96
Araripina Aberta 0,13 CHUVOSO 132,65 140,09 109,46
Caruaru Pastagem 2,77 CHUVOSO 108,27 126,24 101,26
Caruaru Densa 20,17 CHUVOSO 82,46 122,35 69,27
São Bento Pastagem 3,31 CHUVOSO 112,58 142,82 95,24
São Bento Aberta 4,63 CHUVOSO 109,96 168,18 99,35
São Bento Densa 18,40 CHUVOSO 92,77 152,41 96,11
Sertânia Aberta 0,94 CHUVOSO 130,65 149,38 108,81
Sertânia Densa 12,95 CHUVOSO 97,16 141,53 91,29
Sertânia Pastagem 4,36 CHUVOSO 125,02 158,75 91,70
Petrolina Aberta 36,24 SECO 134,69 121,76 112,90
Petrolina Densa 41,39 SECO 156,42 147,51 143,16
Petrolina Pastagem 0,49 SECO 158,15 143,49 127,92
Petrolina Pastagem 0,56 SECO 146,31 139,81 135,27
Salgueiro Densa 26,99 CHUVOSO 153,03 145,59 134,37
Salgueiro Aberta 11,29 CHUVOSO 120,97 111,69 96,91
Salgueiro Pastagem 0,56 CHUVOSO 109,91 111,50 101,98
59
Serra Talhada Aberta 13,81 CHUVOSO 118,91 117,68 108,10

Serra Talhada Densa 24,58 CHUVOSO 106,72 113,43 82,24
Serra Talhada Pastagem 2,13 CHUVOSO 138,30 130,08 122,44
Arcoverde Aberta 17,86 CHUVOSO 134,90 134,22 125,63
Santa Cruz Pastagem 1,59 CHUVOSO 119,91 129,31 89,11
60
ANEXO A – DJI PHANTOM 4 PRO - ESPECIFICAÇÕES
AIRCRAFT
Weight (Battery & Propellers

1375 g
Included)
Diagonal Size (Propellers
350 mm
Excluded)
S-mode: 6 m/s
Max Ascent Speed
P-mode: 5 m/s
S-mode: 4 m/s
Max Descent Speed
P-mode: 3 m/s
S-mode: 45 mph (72 kph)
Max Speed A-mode: 36 mph (58 kph)
P-mode: 31 mph (50 kph)
S-mode: 42°
Max Tilt Angle A-mode: 35°
P-mode: 25°
S-mode: 250°/s
Max Angular Speed
A-mode: 150°/s
Max Service Ceiling Above
19685 feet (6000 m)
Sea Level
Max Wind Speed Resistance 10 m/s
Max Flight Time Approx. 30 minutes
Operating Temperature
32° to 104°F (0° to 40°C)
Range
Satellite Positioning Systems GPS/GLONASS
Vertical:
±0.1 m (with Vision Positioning)
±0.5 m (with GPS Positioning)
Hover Accuracy Range
Horizontal:
±0.3 m (with Vision Positioning)
±1.5 m (with GPS Positioning)
61
VISION SYSTEM
Forward Vision System

Vision System Backward Vision System
Downward Vision System
Velocity Range ≤31 mph (50 kph) at 6.6 ft (2 m) above ground
Altitude Range 0 - 33 feet (0 - 10 m)
Operating Range 0 - 33 feet (0 - 10 m)
Obstacle Sensory Range 2 - 98 feet (0.7 - 30 m)
Forward: 60°(Horizontal), ±27°(Vertical)
Backward: 60°(Horizontal), ±27°(Vertical)
FOV
Downward: 70°(Front and Rear), 50°(Left and
Right)
Forward: 10 Hz
Measuring Frequency Backward: 10 Hz
Downward: 20 Hz
Surface with clear pattern and adequate
Operating Environment
lighting (lux>15)
CAMERA
1’’ CMOS
Sensor
Effective pixels: 20M
FOV 84° 8.8 mm/24 mm (35 mm format
Lens
equivalent) f/2.8 - f/11 auto focus at 1 m - ∞
Video:
100 - 3200 (Auto)
100 - 6400 (Manual)
ISO Range
Photo:
100 - 3200 (Auto)
100- 12800 (Manual)
Mechanical Shutter Speed 8 - 1/2000 s
Electronic Shutter Speed 8 - 1/8000 s
Image Size 3:2 Aspect Ratio: 5472 × 3648
62
4:3 Aspect Ratio: 4864 × 3648

16:9 Aspect Ratio: 5472 × 3078
4096×2160(4096×2160 24/25/30/48/50p)
3840×2160(3840×2160 24/25/30/48/50/60p)
2720×1530(2720×1530 24/25/30/48/50/60p)
PIV Image Size 1920×1080(1920×1080
24/25/30/48/50/60/120p)
1280×720(1280×720
24/25/30/48/50/60/120p)
Single Shot
Burst Shooting: 3/5/7/10/14 frames
Still Photography Modes Auto Exposure Bracketing (AEB): 3/5
bracketed frames at 0.7 EV Bias
Interval: 2/3/5/7/10/15/20/30/60 s
H.265
C4K:4096×2160 24/25/30p @100Mbps
4K:3840×2160 24/25/30p @100Mbps
2.7K:2720×1530 24/25/30p @65Mbps
2.7K:2720×1530 48/50/60p @80Mbps
FHD:1920×1080 24/25/30p @50Mbps
FHD:1920×1080 48/50/60p @65Mbps
FHD:1920×1080 120p @100Mbps
HD:1280×720 24/25/30p @25Mbps
Video Recording Modes HD:1280×720 48/50/60p @35Mbps
HD:1280×720 120p @60Mbps
H.264
C4K:4096×2160 24/25/30/48/50/60p
@100Mbps
4K:3840×2160 24/25/30/48/50/60p
@100Mbps
2.7K:2720×1530 24/25/30p @80Mbps
2.7K:2720×1530 48/50/60p @100Mbps
63
FHD:1920×1080 24/25/30p @60Mbps

FHD:1920×1080 48/50/60 @80Mbps
FHD:1920×1080 120p @100Mbps
HD:1280×720 24/25/30p @30Mbps
HD:1280×720 48/50/60p @45Mbps
HD:1280×720 120p @80Mbps
Max Video Bitrate 100 Mbps
Supported File Systems FAT32 (≤32 GB); exFAT (>32 GB)
Photo JPEG, DNG (RAW), JPEG + DNG
Video MP4/MOV (AVC/H.264; HEVC/H.265)
Micro SD
Max Capacity: 128GB
Supported SD Cards
Write speed ≥15MB/s, Class 10 or UHS-1
rating required
Operating Temperature
32° to 104°F (0° to 40°C)
Range
CHARGER
Voltage 17.4 V
Rated Power 100 W
APP / LIVE VIEW
Mobile App DJI GO 4

Live View Working Frequency 2.4 GHz ISM, 5.8 GHz ISM
Live View Quality 720P @ 30fps, 1080P @ 30fps
Phantom 4 Pro V2.0: 220 ms (depending on
Latency conditions and mobile device)

Phantom 4 Pro + V2.0：160 - 180 ms
64
ANEXO B – FICHA DE CAMPO PARA IMAGENS DO DRONE

Uso de Drone para Estimativa de Biomassa em Areas de Caatinga Do Estado de Pernambuco

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Uso de Drone para Estimativa de Biomassa em Areas de Caatinga Do Estado de Pernambuco

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE PERNAMBUCO

CENTRO DE TECNOLOGIA E GEOCIÊNCIAS

CÁSSIA KELLEN LOPES FONSECA

USO DE DRONE PARA ESTIMATIVA DE BIOMASSA EM ÁREAS DE CAATINGA

USO DE DRONE PARA ESTIMATIVA DE BIOMASSA EM ÁREAS DE CAATINGA

Dissertação submetida ao Programa de Pós-

Área de Concentração: Produção

Orientador: Prof. Dr. Rômulo Simões Cezar Menezes

F676u Fonseca, Cássia Kellen Lopes.

Orientador: Prof. Dr. Rômulo Simões Cezar Menezes

1. Tecnologias Energéticas. 2. Geotecnologias. 3. Espectro visível.

621.042 CDD (22. ed.) BCTG / 2020-151

USO DE DRONE PARA ESTIMATIVA DE BIOMASSA EM ÁREAS DE CAATINGA

Dissertação submetida ao Programa de Pós-

Aprovada em: 19/02/2020

À Deus, presença constante em todos os momentos e decisões da minha vida;

Cada vez mais as geotecnologias estão sendo utilizadas para estudos

Palavras-chave: Geotecnologias. Espectro visível. Índices de vegetação.

Keywords: Geotechnologies. Visible spectrum. Vegetation indexes.

Figura 1 - Elementos essenciais para as técnicas de sensoriamento remoto.. 19

Tabela 1 - Informações sobre os pontos de coleta................................................ 28

MMA Ministério do Meio Ambiente

O uso de técnicas de sensoriamento remoto vem ganhando importância em nível

Os índices de vegetação (IV' s) são medidas radiométricas constituídas de duas

florestal. O sensoriamento remoto é uma maneira adequada para suprir tais

Este capítulo reúne informações da literatura dos principais trabalhos com

2.1 BIOMA CAATINGA

A Caatinga, bioma predominante na região semiárida localizada

Em Pernambuco, a caatinga apresenta áreas susceptíveis ao processo de

2.2 USO E COBERTURA DO SOLO

O uso e cobertura do solo caracterizam-se pelos efeitos antrópicos, sejam eles

avaliação de biomassa e estoques de carbono na vegetação-solo (ACCIOLY, 2017). no

2.3 MÉTODOS PARA QUANTIFICAÇÃO DA BIOMASSA

O termo geral biomassa significa a massa de origem biológica, vivos ou mortos,

2.4 SENSORIAMENTO REMOTO

Começou-se a falar em sensoriamento remoto na década de 1960, sendo seu

Tais técnicas baseiam-se em quatro elementos (Figura 1), sendo a radiação

Figura 1 - Elementos essenciais para as técnicas de sensoriamento remoto

Fonte: Angelis, 2011.

A radiometria espectral pode identificar quanto um objeto ou vegetação reflete a

objeto e também o posicionamento do sensor (NOVO E PONZONI, 2001). devido às

Figura 2 - Curva de reflectância de uma folha verde

Fonte: Moreira, 2007.

Nas regiões do espectro eletromagnético, tais aspectos relacionam-se ao

Na agricultura, o sensoriamento remoto vem sendo amplamente utilizado e suas

2.5 DRONE E SENSORES

Cada vez mais as geotecnologias são utilizadas para as mais diversas

O Congresso Brasileiro de Sensoriamento Remoto, no ano de 2015, teve mais

2.6 ÍNDICES DE VEGETAÇÃO

Os índices de vegetação (IV’ s) avaliam quantitativamente a vegetação através

Definir uma metodologia para estimativas de estoque de biomassa por meio da

3.1 OBJETIVOS ESPECÍFICOS

a) Adquirir dados espectrais para o bioma Caatinga no estado de Pernambuco e

4.1 ÁREA DE ESTUDO

Tabela 1 - Informações sobre os pontos de coleta

MUNICÍPIO VEGETAÇÃO PARCELA COORD. Y COORD. X PERÍODO

Fonte: A autora, 2020.

4.2 SOBREVOO DO DRONE

Figura 4 - Drone Phantom 4 DJI

Fonte: A autora, 2020.

Antes de iniciar o voo, foi realizado o planejamento e uma sequência de

também serviu para registrar um histórico de falhas (quando ocorreram) em momentos

4.3 COLETAS DE BIOMASSA