Leandro Rodrigues Macedo (2015).pdf

Leandro Rodrigues Macedo (2015).pdf
Documento PDF (4.0MB)

UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA

LEANDRO RODRIGO MACEDO DA SILVA

VARIABILIDADE E TENDÊNCIA ESPAÇO-TEMPORAL DA
CAATINGA UTILIZANDO O IVDN E PRECIPITAÇÃO PLUVIAL
RELACIONADAS COM A DEGRADAÇÃO AMBIENTAL NO
SEMIÁRIDO BRASILEIRO

MACEIÓ, ALAGOAS
2015

LEANDRO RODRIGO MACEDO DA SILVA

VARIABILIDADE E TENDÊNCIA ESPAÇO-TEMPORAL DA
CAATINGA UTILIZANDO O IVDN E PRECIPITAÇÃO PLUVIAL
RELACIONADAS COM A DEGRADAÇÃO AMBIENTAL NO
SEMIÁRIDO BRASILEIRO

Dissertação de Mestrado apresentada ao
Programa de Pós-Graduação em Meteorologia,
do Instituto de Ciências Atmosféricas da
Universidade Federal de Alagoas, como
requisito parcial para a obtenção do título de
Mestre em Meteorologia.
Orientador:
Barbosa

MACEIÓ, ALAGOAS
2015

Prof.

PhD.

Humberto

Alves

Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecário Responsável: Valter dos Santos Andrade
S586v

Silva, Leandro Rodrigo Macedo da.
Variabilidade e tendência espaço-temporal da Caatinga utilizando o IVDN e
precipitação pluvial relacionadas com a degradação ambiental no Semiárido
brasileiro / Leandro Rodrigo Macedo da Silva. – Maceió,
2015.
73 f. : il.

1
Orientador: Humberto Alves Barbosa.
Dissertação (Mestrado em Meteorologia) – Universidade Federal de Alagoas.
Instituto de Ciências Atmosféricas. Programa de Pós-Graduação em Meteorologia.
Maceió, 2015.
Bibliografia: f. 69-72.
Apêndice: f. 73.
1. Dinâmica da vegetação. 2. Áreas degradadas. 3. Sensoriamento remoto
4. IVDN. I. Título.
CDU: 551.577.3

DEDICATÓRIA

Dedico este trabalho à minha esposa e minha família
nuclear pela motivação, desde o início desta fase da
minha vida.

AGRADECIMENTOS
Ao meu amigo fiel, Jesus, que me faz entender que tudo posso naquele que me
fortalece. Muito obrigado Senhor!
A minha esposa pela sua imensa paciência e amor a mim dedicado nos momentos mais
difíceis durante o decorrer dessa fase.
A minha amada família nuclear, principalmente a minha mãe pelos conselhos, os quais
foram fundamentais para meu caráter pessoal e profissional. Também a minha amada grande
família, especialmente aos meus avós maternos pelo amor e cuidados.
Ao meu professor e orientador Humberto Alves Barbosa pelo apoio na minha
formação profissional, oportunidades proporcionadas, pelos ensinamentos, a amizade e pela
confiança no meu trabalho como aluno e pesquisador.
Aos meus amigos do LAPIS Anselmo Manoel dos Santos, Luiz Eduardo dos Santos
Costa, Edson Matias dos Santos, Tatiana Vanessa dos Santos, Carlos Alejandro Uzcátegui
Briceño, Anacleto Marito Diogo e Luis Hernan Acosta Salvatierra pela ajuda profissional e
pessoal, como também pela amizade que ultrapassa as fronteiras profissionais.
Ao professor Franklin Javier Paredes Trejo por dedicar seu tempo compartilhando
seus conhecimentos sobre o software R e estatística.
A professora Kalliana Dantas Araújo, pela fundamental contribuição no melhoramento
do meu trabalho, assim como a parceria.
Ao PPGMet e CNPq pelo apoio e financiamento da minha pesquisa.

Agradeço.

“Combati o bom combate, terminei a corrida,
guardei a fé”. (2 Timóteo: 4:7)

Ser vitorioso em pequenas lutas é tornar-se capaz de
grandes vitórias. (O autor)

LISTA DE FIGURAS
Figura 1 - Áreas susceptíveis a desertificação e núcleos de desertificação na região do SAB. 20
Figura 2 - Delimitação dos biomas (a) e tipo de cobertura vegetal (b), conforme o período
sazonal do SAB. ....................................................................................................................... 23
Figura 3 - Resposta espectral de cada banda, vegetação e solo. ............................................... 26
Figura 4 - Representação da síntese de 10 dias de acordo com o princípio máximo valor
composto do IVDN................................................................................................................... 27
Figura 5 - Procedimento de correção da para separação da água e solo .................................. 28
Figura 6 - Localização do semiárido no espaço geográfico brasileiro ..................................... 33
Figura 7 - Fluxograma metodológico do processamento do IVDN SPOT............................... 38
Figura 8 - Representação gráfica da criação dos mapas estatísticos de precipitação pluvial. .. 39
Figura 9 - Representação gráfica da correlação entre o IVDN e precipitação pluvial ............. 41
Figura 10 - Representação metodológica do cálculo do MDSI. Análise dos quantis da série
observada (a), aplicação do algoritmo de classificação de Fisher-Jenks (b), análise espaçotemporal dos limites de seca otimizada mensal (c), cálculo do MDSI (d) e exemplo da
probabilidade de eventos de secas (e)....................................................................................... 43
Figura 11 - Comparação da correlação ponto campos entre SDVI mensal e valores SPI-1
mensais sobre o SAB para o período 1998-2012. Coeficientes de regressão (coeficientes beta)
entre SDVI e SPI-1 maior ou menor que 0,6 (um). Os coeficientes de correlação de Pearson
(A) entre SDVI e SPI-1 desfasado de um atraso de 0-11 meses (B) ........................................ 50
Figura 12 - Comparação dos campos de tendência de inclinação SDVI (A) e SPI-1 (B) À
diferença do SAB para o período 1998-2012. .......................................................................... 52
Figura 13 - Distribuição geográfica da abordagem de árvore de decisão sobre o SAB para o
período 1998-2012. ................................................................................................................... 54
Figura 14 - Produto da média interanual do IVDN (A) e o desvio padrão (B) para o período de
2007 a 2014. ............................................................................................................................. 56
Figura 15 - Representação da precipitação interanual média (A) e desvio padrão da
precipitação pluvial (B) e coeficiente de variação (C) para o período de 1981 a 2014............ 58
Figura 16 - Distribuição geográfica da correlação entre o IVDN e precipitação pluvial para o
período de 2007 a 2014. ........................................................................................................... 60
Figura 17 - Distribuição geográfica do índice de risco de secas. ............................................. 61
Figura 18 - Distribuição espacial dos subíndices de propensão socioeconômica, quanto ao
nível e condição econômica (A), social (B) e agropecuária (C). .............................................. 64

Figura 19 - Correlação da precipitação, índice de risco de secas e IVDN, para os subíndices de
propensão da condição econômica (SIPe), social (SIPs) e agropecuária (SIPap), nos níveis 1,
2 e 3. ......................................................................................................................................... 66

LISTA DE TABELAS
Tabela 1 - Comportamento espectral da vegetação fotossinteticamente ativa. ........................ 24
Tabela 2 - Bandas espectrais SPOTVGT. ................................................................................ 26
Tabela 3 - Classificação de secas do SPI e correspondentes eventos de probabilidade ........... 31
Tabela 4 - Representação quantitativa dos munícipios quanto à condição e o nível de
propensão .................................................................................................................................. 62

LISTA DE ABREVIATURAS E SIGLAS
CHG

Climate Hazards Group

ECMWF

European Centre for Medium-Range Weather Forecasts

ENOS

El Niño Oscilação Sul

GDAL

Geospatial Data Abstraction Library

HDF5

Hierarchical Data Format version 5

IBGE

Instituto Brasileiro de Geografia e Estatística

IDH

Índice de Desenvolvimento Humano

IDHM

Índice de Desenvolvimento Humano Municipal

ILWIS

Integrated Land and Water Information System

INSA

Instituto Nacional do Semiárido

IPEA

Instituto de Pesquisa Econômica Aplicada

IVDN

Índice de Vegetação por Diferença Normalizada (IVDN)

JRC

Joint Resarch Centre

MSDI

Meteorological Severity Drought Index

NASA

National Aeronautics and Space Administration

NOAA

National Oceanic and Atmospheric Administration

OSGeo

Open Source Geospatial Foundation

PNUD

Programa das Nações Unidas para o Desenvolvimento

QGIS

Quantum GIS

S10

Syntesis 10

SAB

Semiárido brasileiro

SDVI

Standardized Difference Vegetation Index

SIPap

Subíndice de Propensão da condição agropecuária

SIPe

Subíndice de Propensão da condição econômica

SIPs

Subíndice de Propensão da condição social

SPI-1

Standardized Precipitation Index 1 month

UNCCD

United Nations Convention to Combat Desertification

USAID

U.S. Agency for International Development

USGS

United State Geological Survey

VCAN

Vórtice Ciclônico de Altos Níveis

VGT

VEGETATION

ZCIT

Zona de Convergência Intertropical

RESUMO

O objetivo desse trabalho é analisar variabilidade e tendência espaço-temporal da Caatinga,
utilizando o Índice de Vegetação por Diferença Normalizada e a precipitação pluvial
relacionadas com a degradação ambiental no semiárido brasileiro. Foram utilizados dados do
SPOT, na resolução temporal de 10 dias e espacial de 1 quilômetro, nos períodos de 19982012 e 2007-2014. Também foram utilizados dados de precipitação pluvial, com resolução
espacial de 0,25º (10 dias) e 0,05º (mensal), para os períodos de 1998-2012 e 1981-2014. O
trabalho foi dividido em duas metodologias. A primeira metodologia foi baseada na análise da
tendência da dinâmica da vegetação, através da correlação dos índices SDVI e SPI-1 para o
período de 1998 a 2012. A segunda metodologia foi a análise interanual da vegetação para o
período de 2007 a 2012, correlacionando o IVDN com a precipitação pluvial para o mesmo
período, relacionando ao índice de risco de secas e os subíndices de propensão
socioeconômica. Na análise da primeira metodologia, a correlação foi positiva em quase todo
SAB com melhores defasagens no período de 3-6 meses. O SDVI apresentou tendências
positivas ao norte e áreas isoladas do SAB, por outro lado o SPI-1 demonstrou em algumas
áreas fracas e positivas e na maior parte nula. Na árvore de decisões destacaram-se duas áreas
ao norte do SAB com tendências a degradação e verdejamento. Na análise da segunda
metodologia, o IVDN apresentou áreas com sinais de degradação em algumas áreas da região
central e nordeste do SAB. Enquanto na correlação interanual entre o IVDN e a precipitação
mostrou uma distribuição da correlação positiva e significativa que se estendeu da região
central ao norte do SAB, enquanto a correlação negativa esteve mais ao sul. Relacionando as
variáveis com os subíndices de propensão socioeconômica, a precipitação e o IVDN tiveram
correlação positiva em todos os níveis de propensão, com alto grau de correlação no nível 3
(alto) observado para os três subíndices. A metodologia de tendência é sugestiva para outras
análises por contribuir agregando valores às novas técnicas de monitoramento de áreas
degradadas atribuindo novos dados com melhor resolução espacial e temporal, como também
indicadores, no intuito de melhorar as análises e obter resultados mais eficientes.
Palavras-chave: Dinâmica da vegetação. Áreas degradadas. Sensoriamento remoto. IVDN.

ABSTRACT

The objective of this study is to analyze variability and trend spatiotemporal Caatinga using
the Normalized Difference Vegetation Index and rainfall related to environmental degradation
in the Brazilian semiarid region. The SPOT data were used in the temporal resolution of 10
days and space of 1 kilometer, in the periods of 1998-2012 and 2007-2014. Also of rainfall
data were used, with spatial resolution of 0,25º (10 days) and 0,05º (monthly) for the periods
1998-2012 and 1981-2014. The work was divided into two methodologies. The first
methodology was based on analysis of vegetation dynamics trend, by correlating SDVI and
SPI-1 indices for the period 1998 to 2012. The second methodology was the interannual
analysis of vegetation for the period 2007 to 2012, correlating NDVI with rainfall for the
same period, relating to drought risk index and sub-indices of socioeconomic bias. In the first
methodology analysis, the correlation was positive in almost all SAB with better lags in the
period of 3-6 months. The SDVI showed positive tendencies north and isolated areas of BSA,
on the other hand the SPI-1 showed weak in some areas and positive and greater void part. In
the decision tree stood out two areas north of the SAB with degradation trends and greening.
In the analysis of the second method, the NDVI showed areas with signs of degradation in
some areas of central and northeastern SAB. While the inter-correlation between NDVI and
precipitation showed a distribution of positive and significant correlation that extended from
the central region north of the SAB, while the negative correlation was further south. Relating
the variables with the sub-indices of socioeconomic bias, precipitation and the NDVI had
positive correlation at all likely levels with a high degree of correlation in the level 3 (high)
observed for the three sub-indices. The trend methodology is suggestive for further analysis to
contribute adding value to the new monitoring of degraded areas of technical assigning new
data with better spatial and temporal resolution, as well as indicators in order to improve
analysis and more efficient results.

Key-words: Vegetation dynamics. Degraded areas. Remote sensing. NDVI.

SUMÁRIO
1

INTRODUÇÃO .......................................................................................... 16

1.1

Objetivos ................................................................................................... 17

1.1.1

Geral ......................................................................................................... 17

1.1.2

Específicos ................................................................................................. 17

REVISÃO DE LITERATURA ...................................................................... 19

2.1

O Semiárido do Nordeste brasileiro ................................................................ 19

2.2

Sistemas atmosféricos que atuam no SAB ....................................................... 21

2.3

Classificação da vegetação no SAB ................................................................ 23

2.4

Sensoriamento remoto: características espectrais da vegetação ........................... 24

2.5

O sistema VEGETATION ............................................................................ 25

2.5.1

Visão geral ................................................................................................. 25

2.5.2

Bandas espectrais ........................................................................................ 25

2.5.3

O Índice de Vegetação por Diferença Normalizada SPOTVGT/PROBA-V .......... 27

2.6

Índice de Vegetação por Diferença Padronizada ............................................... 29

2.7

Índice de Precipitação Padronizada ................................................................ 30

2.8

Climate Hazard InfraRed Precipitation (CHIRP) .............................................. 31

2.9

Geotecnologias para processamento de dados .................................................. 32

MATERIAIS E MÉTODOS.......................................................................... 33

3.1

Caracterização da área de estudo .................................................................... 33

3.2

Aquisição dos dados de IVDN SPOT-S10 e precipitação pluvial ........................ 33

3.3

Aquisição dos dados do índice de risco de secas ............................................... 34

3.4

Aquisição dos dados dos subíndices de propensão socioeconômica ..................... 34

3.5

Análise da tendência da dinâmica da vegetação para o SAB no período de 1998 a
2002 ......................................................................................................... 34

3.6

Análise da dinâmica interanual da vegetação por meio dos dados do IVDN para o
período de 2007 a 2014 ................................................................................ 36

3.6.1

Processamento dos dados IVDN .................................................................... 37

3.6.2

Análise estatística dos dados de precipitação ................................................... 38

3.6.3

Relação entre a variabilidade da precipitação pluvial com os dados de IVDN ....... 40

3.7

Análise do IVDN e precipitação pluvial com fatores biofísicos e socioeconômicos 41

3.7.1

Índice de risco de secas ................................................................................ 41

3.7.2

Índices de propensão social, econômica e agropecuária ..................................... 44

3.7.3

Análises estatísticas entre os índices, IVDN e precipitação ................................ 48

RESULTADOS E DISCUSSÃO ................................................................... 49

4.1

Análise da tendência da dinâmica da vegetação para o SAB no período de 1998 a
2002 .......................................................................................................... 49

4.2

Análise da dinâmica interanual da vegetação por meio dos dados do IVDN para o
período de 2007 a 2014 ................................................................................ 55

4.3

Relação entre a variabilidade da precipitação pluvial com os dados de IVDN ....... 57

4.4

Análise do IVDN e precipitação pluvial com fatores biofísicos e socioeconômicos 61

4.4.1

Análise do índice de risco de secas ................................................................. 61

4.4.2

Análise dos aspectos socioeconômicos ........................................................... 62

4.4.3

Análises estatísticas entre os índices, IVDN e precipitação pluvial ...................... 65

CONCLUSÕES .......................................................................................... 68

REFERÊNCIAS .......................................................................................... 69

APÊNDICE ................................................................................................ 73

2 INTRODUÇÃO
De acordo com Matallo Junior (2001) os sinais de degradação podem ser evidentes
quantitativamente em vários indicadores de degradação. Porém não fornecem resultados
consistentes com as observações e o único indicador mais aceito é a baixa cobertura vegetal,
como um sinalizador do início do processo de degradação. Desse modo, é necessário a
realização de pesquisas que analisem e identifique sua variabilidade associada à precipitação
pluvial, utilizando métodos estatísticos e relacionando-os com fatores de condição ambiental e
socioeconômicos, visando a identificação de áreas propensas a ocorrência de degradação
ambiental.
No Brasil, o Semiárido brasileiro (SAB) é uma das regiões mais afetadas pela
ocorrência de secas, registrando efeitos danosos principalmente na agricultura, pecuária e
suprimento hídrico para populações rurais e urbanas. Alguns fatores biofísicos, tais como
temperaturas anuais médias elevadas, má distribuição da precipitação pluviométrica,
insolação elevada, altas taxas de evapotranspiração e outros, podem agravar a situação do
SAB, contribuindo como o processo de desertificação (NEVES, 2010).
Os regimes de precipitação na região são influenciados por sistemas atmosféricos, de
diferentes escalas. Alguns desses ganham destaque por sua frequente atuação como a Zona de
Convergência Intertropical (ZCIT), ENOS (El Niño/La Niña) e frentes frias. A ZCIT é o
principal mecanismo causador de chuva na região norte do SAB, devido ao deslocamento
mais ao sul proveniente do enfraquecimento do anticiclone do Atlântico Sul. O ENOS, na sua
fase positiva, influencia diretamente no regime de chuvas na região do SAB, causando
diminuição do índice pluviométrico e contribuindo para a intensificação da seca. Quanto aos
sistemas frontais, são importantes mecanismos de influência nos regimes de pluviométricos
ao sul do SAB, produzindo chuvas na entrada ou pelo resquício deixado pela passagem
(MOLION, 2002). Outro sistema que afeta a região é o Vórtice Ciclônico de Altos Níveis
(VCAN), com ocorrência geralmente no período de novembro a fevereiro, podendo causar
chuvas em áreas das periferias do sistema, assim como estiagens nas áreas ao centro do
sistema.
A região Semiárida do Brasil tem um aspecto peculiar em termos de vegetação. O
bioma Caatinga é uma vegetação predominante neste ambiente é tipicamente brasileiro, com
uma área de 844.453 km2 (IBGE, 2004). As plantas são adaptadas ao clima, geralmente,
xeromórfica (espinhosas) e resistentes a períodos de estiagem, devido ao mecanismo
desenvolvido para reter/armazenar água. Outra característica é uma vegetação arbórea,

arbustiva, em sua maior parte, deciduais, além de muitas cactáceas.
Estudos na região Nordeste brasileiro sobre a variabilidade da vegetação a partir do
Índice de Vegetação por Diferença Normalizada (IVDN), foram utilizados para a
identificação de áreas degradadas, conforme pesquisa realizada por Barbosa et al. (2006)
durante a série temporal de 1982 a 1999, cujos resultados obtidos mostraram tendências de
quedas do IVDN devido a impactos espaço-temporais das condições meteorológicas e
períodos de secas prolongados. Analisando a dinâmica da vegetação e a relação com a
precipitação pluvial na América do Sul, para o período de 1998 a 2012, Barbosa et al. (2015)
identificaram em que 46% da área, os processos de degradação e verdejamento significativos,
e não estão ligados a mudanças na precipitação pluvial ao longo do tempo, indicando que o
impacto humano ou outros fatores climáticos estão influenciando direta ou indiretamente
nesse processo.
Diante deste contexto elaborou-se o seguinte questionamento: é possível avaliar a
degradação ambiental por meio de dados e técnicas de sensoriamento remoto na região de
Caatinga do Semiárido brasileiro? Para responder este questionamento foi elaborada a
seguinte hipótese: O IVDN é considerado um indicador biofísico capaz de identificar áreas de
degradação ambiental fornecendo subsídios para avaliação da variabilidade e tendência
espaço-temporal da caatinga do Semiárido brasileiro.
2.1 Objetivos
2.1.1 Geral
Analisar a dinâmica da vegetação na região do Semiárido brasileiro (SAB), utilizando
o IVDN e a precipitação pluvial como principais indicadores de degradação ambiental
relacionando-os com informações da condição ambiental e socioeconômica da região.
2.1.2 Específicos
 Analisar a tendência da dinâmica da vegetação para o SAB no período de 1998 a
2012;
 Analisar a dinâmica interanual da vegetação por meio de dados de IVDN, para o
período de 2007 a 2014;
 Relacionar a variabilidade da precipitação pluvial com dados de IVDN, utilizando
métodos estatísticos;
 Avaliar estatisticamente a relação do IVDN e precipitação pluvial com fatores de
condição ambiental e socioeconômica.

No primeiro capítulo encontra-se o item a introdução, na qual foram apresentadas a
contextualização e motivação da pesquisa, e/ou importância, além dos objetivos gerais e
específicos.
O segundo capítulo diz respeito ao item revisão de literatura no qual foi realizada uma
revisão teórica do Semiárido do Nordeste brasileiro, quanto as suas caraterísticas biofísicas e
socioeconômicas. No seguinte a vegetação, como um parâmetro alvo do sensoriamento
remoto e o sensor VEGETATION. Logo após os índices de SDVI e SPI-1, como também os
dados de precipitação pluvial e desenvolvedores. E por fim os programas de
geoprocessamento e cálculo estatístico.
No terceiro capítulo, são apresentados os materiais e métodos utilizados nesse
trabalho. No primeiro item são mostrados os dados da pesquisa. Logo após é apresentada a
metodologia de tendência da dinâmica da vegetação utilizada por Barbosa et al. (2015). No
seguinte a metodologia referente à análise interanual da dinâmica da vegetação e precipitação,
assim como a correlação entre IVDN e precipitação. Seguindo são abordados os métodos de
criação do índice de risco de secas e índice de propensão socioeconômica. E por fim, é
abordada a metodologia aplicada para relacionar os dados de IVDN e precipitação com
fatores de condição ambiental e socioeconômica.
No quarto capítulo é apresentado o item resultados e discussão, no que se referem à
análise da tendência da vegetação no SAB, no período de 1998 a 2012, utilizando análises
estatísticas entre SDVI com o SPI-1, como também as combinações das respostas dos índices
SPI-1 e SDVI, representada por uma árvore de decisões. Logo é analisada a dinâmica
interanual da vegetação, do período de 2007 a 2014, juntamente com as análises de
precipitação e correlação entre IVDN versus precipitação. Em seguida é visto o mapa do
índice de risco de seca que provém mostrar um índice de ocorrência de secas. Logo após serão
abordadas as análises dos subíndices de propensão socioeconômica. E por fim, as análises
estatísticas das relações entre o IVDN, precipitação e índice de risco de secas, tomando como
base de a quantidade de municípios e seus respectivos níveis de propensão.
No capítulo cinco, encontra-se o item conclusões e sugestões para trabalhos futuros. E
no capítulo seis as referências bibliográficas utilizadas no trabalho. E no capítulo sete
apresenta o apêndice que disponibiliza o artigo científico publicado relacionado à pesquisa.

3 REVISÃO DE LITERATURA
3.1 O Semiárido do Nordeste brasileiro
A região do Semiárido brasileiro (SAB) abrange uma área de 969.589,4 km² (MI,
2005). Nela estão contidos 1.135 municípios, com uma população maior que 23 milhões de
habitantes, densidade demográfica cerca de 24 habitantes/km², sendo considerada mais
populosa, assim como uma das maiores áreas do mundo susceptível ao processo de
desertificação (INSA, 2014)
No Brasil, a região que se enquadra na definição da UNCCD sobre desertificação é o
Nordeste e o Norte de Minas Gerais. Esse processo pode ocorrer em outras regiões do Brasil.
No entanto, não podem ser denominados de desertificação e não se enquadram na Convenção.
As características dessas regiões são baixa precipitação anual, alta evapotranspiração, alta
concentração populacional e alto índice de pobreza. No Semiárido brasileiro as áreas
susceptíveis a desertificação compreendem 1.340.863 km2, incluindo 1.488 municípios,
localizados em nove estados, municípios no Norte de Minas Gerais e do Espírito Santo, onde
o grau de conhecimento destes processos degradativos e sua extensão ainda não são
suficientes e necessitam de constantes atualizações (PAN BRASIL, 2004).
A desertificação foi o assunto abordado na obra pioneira do ecólogo João Vasconcelos
Sobrinho em 1997, intitulada como “Núcleos de desertificação no polígono de secas”. A partir
dessa obra, pôde visualizar melhor algumas características do fenômeno. Nela foram
apresentadas algumas áreas piloto na região SAB (Figura 1), pelas suas evidentes
características de alto nível de degradação sendo: Gilbués (Piauí), Irauçuba (Ceará), Seridó
(Rio Grande do Norte), Cabrobó (Pernambuco), Carirís Velhos (Paraíba) e Sertão do São
Francisco (Bahia), (INSA, 2014).

Figura 1. Áreas susceptíveis a desertificação e núcleos de desertificação na região do SAB.

As características climáticas são marcadas pela insuficiência e má distribuição de
chuvas, dispondo de uma média anual variando entre 300 a 800 mm/ano, com períodos seco e
chuvoso de 6-8 e 4-6 meses, respectivamente. Outro fator relevante são as altas temperaturas
médias que correspondem à mínima de 20 ºC e máxima de 30 ºC, como também a
evapotranspiração potencial elevada com cerca de 3.000 mm/ano, (NEVES, 2010).
A região dispõe de uma variedade de solos com baixa capacidade de fertilização, sob a
predominância de Latossolos (19%), Neossolos Litólicos (19%), Argissolos (15%) e

Luvissolos (13%), que representam 66% dos 15 tipos de solos que cobrem a Caatinga
(SALCEDO, 2008).
As principais atividades econômicas da região são a agricultura e pecuária. Essas são
diretamente afetadas pelo fenômeno da desertificação, causando impactos econômicos e
sociais remetendo a população à baixa qualidade de vida, podendo ser constatado pelo Índice
de Desenvolvimento Humano (IDH), que apresenta os menores valores para a região
Semiárida, no que diz respeito à renda, educação e saúde.

3.2 Sistemas atmosféricos que atuam no SAB
Para Nobre et al. (1988), a variabilidade pluvial no Nordeste brasileiro resulta de
efeitos combinados da ação de vários sistemas meteorológicos e das variações na intensidade
e posição das circulações de Hadley e Walker, embora esteja intimamente relacionada, com as
mudanças nas configurações de circulação atmosférica de grande escala e com a interação
oceano-atmosfera no Pacífico e no Atlântico.
O semiárido nordestino é caracterizado pela heterogeneidade espacial e temporal das
chuvas. Os regimes de precipitação na região são influenciados por sistemas atmosféricos,
como Zona de Convergência Intertropical (ZCIT), ENOS (El Niño/La Niña) e sistemas
frontais. Outro sistema que atinge a região é Vórtice Ciclônico de Altos Níveis, sua
ocorrência geralmente é verificada no período de novembro a fevereiro, podendo causar
chuvas nas áreas próximas as periferias do sistema, assim como estiagens para as áreas
localizadas ao centro do sistema.
A ZCIT é o principal mecanismo causador de chuva na região norte do SAB, devido
ao deslocamento mais ao sul proveniente do enfraquecimento do anticiclone do Atlântico Sul.
Do contrário, a ZCIT também pode causar seca na região do SAB. Segundo Pan Brasil (2004)
as áreas mais afetadas pela seca no Nordeste são as decorrente da ação da ZCIT, essa por sua
vez provoca uma variabilidade climática quando combinada com outros fatores, causando
secas de grandes proporções. Nessas áreas os solos são relativamente mais pobres do que nas
demais zonas geoeconômicas do Nordeste (Zonas da Mata, do Agreste ou dos Cerrados da
Bahia), onde a precipitação pluviométrica gira em torno de 400 mm a 800 mm de chuvas
anuais.
O componente atmosférico, denominado de oscilação sul, expressa a correlação
inversa existente entre a pressão atmosférica nos extremos leste (Tahiti, na Polinésia
Francesa; 7,5º S e 149,6º W) e oeste (Darwin, norte da Austrália; 12,4º S e 130,9º E) do

oceano Pacífico. Essa relação foi estabelecida por Gilbert Walker, na década de 1920, e é
também conhecida como “gangorra barométrica” (BERLATO et al., 2003)
O El Niño representa o componente oceânico do fenômeno, enquanto a Oscilação Sul
(OS) representa a contrapartida da atmosfera. O componente oceânico, denominado EL Niño,
originariamente designava uma corrente marítima quente para o sul no Pacífico, ao longo da
costa do Peru e Equador. A denominação do fenômeno, dada por marinheiros da região, é
alusiva ao Menino Jesus, visto que o aparecimento dessa corrente de águas quentes se dava
com maior frequência, próximo ao Natal (BERLATO et al., 2003)

Os VCANs são definidos como sistemas fechados de baixa pressão, de escala sinótica,
que se formam na alta troposfera (GAN, 1982). São comumente chamados na literatura de
baixas frias, pois apresentam centro mais frio que a periferia. Os VCANs podem ser
classificados de duas maneiras: vórtices do tipo Palmén, que se originam nas latitudes
subtropicais e os vórtices do tipo Palmer, também chamados de vórtices de origem tropical
por originarem-se nessa região.
Os vórtices ciclônicos de origem tropical formam-se nos meses de primavera, verão e
outono, passam a maior parte de sua atividade nos trópicos (PALMER, 1951). Ainda de
acordo com o autor, os vórtices ciclônicos de origem tropical originam-se acima de 9000 m
nas latitudes mais baixas, são persistentes, crescem e intensificam-se durante a passagem para
as latitudes mais altas e, no Hemisfério Norte, deslocam-se para Nordeste ou Leste-nordeste
no cinturão de 20° - 30° de latitude. Os vórtices ciclônicos na vizinhança do Nordeste do
Brasil formam-se devido a intensificação simultânea da crista associada à Alta da Bolívia e o
cavado corrente abaixo sobre o Oceano Atlântico (KOUSKY, 1981). Isto ocorre quando um
sistema frontal proveniente do sul do Brasil, ao penetrar nos subtrópicos, provoca forte
advecção de ar quente no seu lado leste, amplificando a crista de nível superior e, por
conservação de vorticidade absoluta, o cavado que está a jusante também é intensificado,
formando-se o ciclone na alta troposfera.
Quanto às frentes frias, é um importante mecanismo de influência nos regimes de
chuva no sul do SAB, produzindo-as na sua entrada ou pelo resquício de sua passagem
(MOLION, 2002).

3.3 Classificação da vegetação no SAB
A cobertura vegetal do bioma Caatinga é muito diversificada (Figura 2), de modo que
a savana estépica predomina em relação aos outros tipos de vegetação. O bioma tem
características distintas e é tipicamente brasileiro, abrange uma área de 844.453 km2 (IBGE,
2004). As plantas são adaptadas ao clima, geralmente, xeromórfica (espinhosas) e resistentes
a períodos de estiagem, devido ao mecanismo desenvolvido para reter/armazenar água.
Apresenta uma vegetação arbórea, arbustiva, em geral, deciduais, além de muitas cactáceas.
No conceito da UNCCD foi definido que a alteração do ambiente pela ação humana é
condição que intensifica a ação dos efeitos climáticos adversos que promovem degradação
ambiental, por isso é muito importante a identificação dessas áreas degradadas. (MMA,
2007).
Figura 2. Delimitação dos biomas (a) e tipo de cobertura vegetal (b), conforme o período sazonal do
SAB.

Fonte: BARBOSA (2014)

3.4 Sensoriamento remoto: características espectrais da vegetação
Os estudos sobre vegetação envolvendo a aplicação das técnicas de sensoriamento
remoto são baseados na condição da estrutura física de uma cobertura vegetal, onde essa
responde ao fluxo de radiação eletromagnética incidente através dos processos de
espalhamento (reflexão e reflexão) e absorção (PONZONI, 2002). Esses processos dependem
das características do fluxo e físico-química da vegetação.
O principal elemento de detecção do sinal da vegetação são as folhas. Essas possuem
propriedades espectrais físico-químicas capazes de interagir com a energia eletromagnética.
Na tabela 1, são apresentadas

características

espectrais

de uma vegetação

fotossintéticamente ativa.

Tabela 1. Comportamento espectral da vegetação fotossintéticamente ativa.

Intervalos do comprimento
de onda

Resposta espectral

𝜆 < 0,7 µm

Baixa reflectância
(menos de 20%)

0,7 µm < 𝜆 < 1,3 µm

Alta reflectância
(entre 30 e 40%)

1,3 µm < 𝜆 < 2,5 µm

Condicionada ao
conteúdo de água na
folha

Descrição
Região
do
espectro
visível
correspondente
ao
vermelho.
Absorve a radiação incidente pelos
pigmentos da planta em 0,48 µm
(carotenóides) e em 0,62 µm
(clorofila).
É
a
reflectância
responsável pela percepção da cor
verde da vegetação.
Região
do
espectro
visível
correspondente ao infravermelho
próximo.
Reflete
a
radiação
incidente, devido à interferência da
estrutura celular.
Nessa região, encontram-se dois
máximos de absorção pela água, em
1,4 µm e 1,95 µm, a esta região
correspondem também às bandas de
absorção atmosférica, por esta razão
os sensores desenvolvidos têm suas
faixas espectrais deslocadas para
regiões menos sujeitas à atenuação
atmosférica.

Fonte: BOWKER et al. (1985)

Durante o ciclo de crescimento da vegetação a reflectância diminui no comprimento
de onda visível e aumenta no comprimento de onda do infravermelho próximo, até que o
desenvolvimento máximo do dossel é atingido. No período de senescência, a reflectância no

visível aumenta, enquanto diminui no infravermelho próximo, embora relativamente menos
do que o aumento no visível. Assim, a reflectância da vegetação geralmente progride de um
fundo, tal como o solo, até a verdura (enfolhamento) completa e, em seguida, retorna para o
fundo novamente (BOWKER et al., 1985). Sendo assim, em combinações do espectro
infravermelho próximo, vermelho e parte do visível, esses são usados para gerar uma
variedade de diferentes índices (JACKSON, 1991).

3.5 O sistema VEGETATION
3.5.1 Visão geral
O Programa de VEGETATION foi desenvolvido em conjunto pela França, Comissão
Europeia, Bélgica, Itália e Suécia. Desde abril de 1998, os satélites de observação da Terra
SPOT 4 e 5 esteve operacional, levando a bordo o sensor VEGETATION. A missão visou
fornecer aos usuários um serviço de observação global, de forma operacional. Com o intuito
de monitorar a vegetação, para produção científica de estimativas e a interação entre a
biosfera e mudanças climáticas (SAINT, 1994). Em 06 de maio de 2013 foi lançado o satélite
PROBA-V que foi projetado para preencher a lacuna nas medições de vegetação entre os
satélites SPOT-VGT, com a intenção de dar continuidade com a missão (WOLTERS et al.,
2014).
O sensor VEGETATION pode ser utilizado para diferentes finalidades, devido à
abrangência das resoluções pancromática (2,5 metros), para fins de mapeamento de alta
precisão, até a resolução espacial de 1 km, onde a largura de faixa imageada é de 2.250 km
(2.295 km, PROBA-V), na resolução temporal de 24 horas. O sensor opera em 4 bandas
espectrais, sendo que três estão centradas no espectro visível do azul, verde, vermelho e a
última no infravermelho próximo, que estão exclusivamente dedicadas para o monitoramento
vegetativo em escala regional, com resolução radiométrica de 8 bits (SAINT, 1994;
WOLTERS et al., 2014).

3.5.2 Bandas espectrais
De modo a identificar as principais características da copa das plantas (a absorção pela
clorofila, teor de água e propriedades estruturais), as bandas espectrais para cumprir esta
necessidade foram compostas por: uma banda do vermelho centrada sobre o pico de absorção
da clorofila (0,665 µm); uma banda do infravermelho próximo correspondente à máxima

reflectância espectral da vegetação e, principalmente relacionadas com as propriedades
estruturais das copas e porcentagem de solo coberto por vegetação e uma banda de
infravermelho de onda curta, centrado em torno de 1,65 µm onde reflectância está relacionada
ao teor de água dos componentes da copa e a sua estrutura.
Considerando a caracterização ou correção de efeitos atmosféricos, uma banda
adicional é fornecida, a fim de calcular ou caracterizar o estado da atmosfera (aerossóis): uma
faixa azul entre 0,45 e 0,50 µm, onde reflectância do solo da cobertura vegetal é mínima e os
efeitos atmosféricos e difusão de aerossóis são máximos.
Sendo assim, as bandas espectrais do sensor VEGETATION são expressas na tabela 2
e na figura 3 é apresentada a resposta espectral de cada banda, para o solo e a vegetação.

Tabela 2. Bandas espectrais SPOTVGT.

Acrônimo
B0
B2
B3
SWIR

Bandas espectrais
Azul
Vermelho
Infravermelho próximo
Infravermelho de ondas curtas

Fonte: SMETS (2015)
Figura 3. Resposta espectral de cada banda, vegetação e solo.

Fonte: VITO (2010b)

(𝜆) Central
0.450 µm
0.645 µm
0.835 µm
1.665 µm

Intervalo (𝜆)
0.43 - 0.47 µm
0.61 - 0.68 µm
0.78 - 0.89 µm
1.58 - 1.75 µm

3.5.3 O Índice de Vegetação por Diferença Normalizada SPOTVGT/PROBA-V

O produto IVDN VGT-S10, é pré-processado pelo Flemish Institute for Technological
Research (VITO). A síntese de 10 dias (S10) fornece valores de reflectância de superfície com
base em uma seleção das “melhores” medições em todo o período. A seleção efetiva baseia-se
no valor máximo IVDN, através do método Maximum Value Composite Syntheses (MVC),
que realiza a seleção dos maiores valores de IVDN (SMETS, 2015). Para obter uma visão
sintetizada do mundo a partir de um conjunto de segmentos de visualização, um processo de
mosaico do pixel é realizado escolhendo o “melhor” para um determinado pixel entre o
conjunto das projeções disponíveis. O algoritmo escolhe a “melhor visualização” do máximo
valor composto, também chamado “melhor IVDN”. Assim, um dado pixel pode ter sido visto
várias vezes, isto é, a reflectância selecionada corresponde a melhor visualização IVDN. Os
pixels nublado, de má qualidade ou interpolados são excluídos. Os pixels de mar ou lago são
determinados a partir de um indicador estático, derivado da Carta Digital do Mundo (CDM),
onde as terras foram ampliadas em 5 km para cobrir a imprecisão da CDM, para cobrir os
casos de marés crescentes ou deltas de rios e para não alterar as costas marítimas reais dos
pixels e interpolação com dados nulos. Este algoritmo utiliza 10 dias de observação, o que
implica 5 a 30 vistas resultantes por pixel, o que dá a síntese S10, que dá uma vista quase
livre de nuvem (VITO, 2010a). Na figura 4, mostra uma representação gráfica da composição
S10 dos dados de IVDN.

Figura 4. Representação da síntese de 10 dias de acordo com o princípio máximo valor composto do
IVDN

Fonte: VITO (2010a)

O Índice de Vegetação por Diferença Normalizada (IVDN) está relacionado a
vegetação fotossinteticamente ativa. É calculado a partir das reflectâncias do vermelho e
infravermelho próximo.
(1)
Onde:
B2 e B3 reflectâncias de superfície das bandas vermelho e infravermelho próximo
atmosfericamente corrigidas dos dados SPOT síntese de 10 dias.
Durante o processamento do IVDN, as informações armazenadas na máscara de estado
(SM) estão integradas dentro do IVDN usando os valores mais altos. Então esses são
removidos por serem pixels falsos do solo que são erroneamente identificados no SPOT ou
PROBA-V no SM (o continente é falsamente estendida com terreno com cerca de dez pixels
em torno das costas) usando o GLC2000 classificação de terras global (BARTHOLOMÉ et
al., 2005). Todos os pixels de corpos d’água (mar, lago e rios), neste último mapa recebem um
valor sinalizador de 254 nas imagens IVDN. Essa correção é importante para uma distinção
entre terra e água (Figura 5).
Figura 5. Procedimento de correção da para separação da água e solo

Fonte: SMETS (2015)

A resolução espacial final do IVDN é de 1 km no nadir e apresenta variações mínimas
para observações fora do nadir.
3.5.3.1 Formatos e nomenclatura
Os dados de IVDN do SPOT são disponibilizados nos formatos HDF-5 ou Geotiff, em
quadrante de 10ºx10º ou para um recorte continental. A nomenclatura padrão do dado

disponibilizado por quadrante está descrito na sequência.
g2_BIOPAR_NDVI_201107210000_H23V01_VGT_V1.2.tif
Onde:
g2_BIOPAR = geoland2 e BIOPAR
NDVI = nome abreviado de cada produto e variável
201107210000 = data e hora do arquivo
H23V01 = área de cobertura na horizontal (H) e vertical (V), considerando um quadrante de
10°x10°, como: 23° (H ou longitude) e 01 (V latitude)
VGT ou PROBA-V = nome do sensor
V1.2 = versão do dado
tif = formato do dado

3.5.3.2 Conversão radiométrica
As imagens do SPOTVGT são disponibilizadas em tons de cinza. Para a
transformação dos dados para a faixa física da banda IVDN é necessário que seja aplicada a
seguinte equação, para o SPOT ou PROBA-V:
(

)

(2)

em que:
ND = número digital da imagem que varia de 0 a 255.
3.6 Índice de Vegetação por Diferença Padronizada
O Índice de Vegetação por Diferença Padronizada (SDVI) toma como principal
parâmetro de entrada o máximo valor composto do IVDN. Ele é baseado no fato da existência
de uma relação direta entre as condições de vegetação e condições do tempo. Peters et al.
(2002) afirmam que ele é capaz de mostrar os efeitos do clima sobre a vegetação em períodos
curtos. O SDVI é calculado com base no conceito de "verdura relativa" introduzido por
Burgan e Hartford (1993). Verdor relativo é um valor percentual que expressa como o verde
de cada local do pixel em relação ao verdor da média e ao recorde histórico para um pixel de
cada dado tempo. Para a verdura relativa, a gama de possíveis valores é determinado pela
relação do IVDN corrente pela média do IVDN em um determinado período de tempo para
cada pixel (PETERS et al., 2002). O SDVI é calculado utilizando a equação:

̅̅̅̅̅̅̅̅̅̅

(3)

em que:
SDVIijk = índice para o pixel (i) durante o período (j) no ano k;
IVDNijk = valor do IVDN para o pixel (i) durante período (j) no ano k;
IVDNij = valor médio do IVDN para o pixel (i) durante período (j) sobre n anos;
𝜎ij = desvio padrão para o pixel (i) durante período (j) sobre n anos.
O SDVI estima a probabilidade de ocorrência da condição atual da vegetação que
varia entre maior que zero a menor que um (0 < SDVI < 1). Zero é o estado inicial em que um
valor de pixel IVDN é menor que todos os possíveis valores de IVDN para esse período, em
outros anos, enquanto que um valor de 1 é o estado inicial em que o valor de pixel IVDN para
o respectivo período como, uma semana, é maior que todos os valores de IVDN do mesmo
período em outros anos (PETERS et al., 2002). Valores baixos SDVI indicam má condição da
vegetação que poderia ser um resultado da seca.

3.7 Índice de Precipitação Padronizada
McKee et al. (1993) desenvolveram o SPI, para quantificar o déficit de precipitação
em várias escalas de tempo. O SPI é simplesmente uma transformação das séries temporais de
precipitação em uma distribuição normal padronizada (Z-distribuição) (LLOYD-HUGHES et
al., 2002).
O SPI é baseado na variável precipitação pluvial e requer apenas o cálculo de dois
parâmetros. Ao evitar a dependência de condições de umidade do solo, o SPI pode ser usado
efetivamente no verão e no inverno. O SPI não é adversamente afetado pela topografia e sua
escala de tempo é variável, o que lhe permite descrever as condições de seca importantes para
uma gama de aplicações meteorológicas, agrícolas e hidrológicas. Esta versatilidade temporal
é também útil para a análise das dinâmicas de seca, especialmente a determinação de início e
término, que têm sido sempre difíceis de controlar com outros índices. Sua normalização
garante que a frequência de eventos extremos em qualquer local e em qualquer escala de
tempo sejam consistentes (LLOYD-HUGHES et al., 2002).
O SPI é calculado pelo ajuste da função densidade de probabilidade para a distribuição
de precipitação somada sobre a escala de tempo da frequência de interesse. Isto é realizado
separadamente para cada mês (qualquer base temporal da série bruta do tempo de precipitação
pluvial) e para cada localização no espaço. Cada função de densidade de probabilidade é,

transformada na distribuição normal padronizada (LLOYD-HUGHES et al., 2002).
As correspondentes probabilidades de ocorrência de cada severidade, estas
naturalmente decorrentes da função densidade de probabilidade normal, encontram-se
descritas na tabela 3.
Tabela 3. Classificação de secas do SPI e correspondentes eventos de probabilidade

SPI
2,00 <
1,50 – 1,99
1,00 – 1,49
0,00 – 0,99
0,00 – - 0,99
- 1,00 – -1,49
- 1,50 – -1,99
- 2,00 >

Categoria
Extremamente úmido
Severamente úmido
Moderadamente úmido
Ligeiramente úmido
Ligeiramente seco
Moderadamente seco
Severamente seco
Extremamente seco

Probabilidade (%)
2,3
4,4
9,2
34,1
34,1
9,2
4,4
2,3

Fonte: LLOYD-HUGHES et al., (2002)

3.8 Climate Hazard InfraRed Precipitation (CHIRP)
Desde 1999, o cientistas do United State Geological Survey (USGS) e do Climate
Hazards Group (CHG), apoiados pelo financiamento da U.S. Agency for International
Development (USAID), a National Aeronautics and Space Administration (NASA) e a
National Oceanic and Atmospheric Administration (NOAA), vem desenvolvendo técnicas
para a produção de mapas de chuva, especialmente onde os dados de superfície são escassos.
O CHIRP foi criado para entregar, de forma confiável, conjuntos de dados mais
completos para uma série de objetivos de alerta precoce como análise de tendências e
monitoramento da seca sazonal.
Em descrição Funk et al. (2014), mencionam que estimando variações de precipitação
pluvial no espaço e no tempo é um aspecto importante de alerta precoce da seca e
monitoramento ambiental. No entanto, estimativas calculadas a partir de dados de satélite que
fornecem médias de áreas são consideradas inconsistentes devido aos complexos terrenos que
muitas vezes subestimam a intensidade das precipitações em eventos extremos. Por outro
lado, os dados de precipitação pluvial produzidos a partir de redes de estações são
considerados inconsistentes em regiões rurais, onde há menos estações pluviométricas. O
dado CHIRP foi criado em colaboração com cientistas do USGS e o centro Earth Resources
Observation and Science (EROS).

3.9 Geotecnologias para processamento de dados
Integrated Land and Water Information System (ILWIS) é uma ferramenta para
trabalhos com dados geográficos, que integra SIG e sensoriamento remoto, desenvolvido pelo
Institute for Aerospace Survey and Earth Sciences (ITC). O ILWIS é um software de código
aberto (binários e código-fonte), compreende um pacote completo de processamento de
imagens, análise espacial e mapeamento digital. Nele é possível integrar o processamento de
imagens raster e vetoriais, por meio de interface gráfica ou linha de comando (ILWIS, 2015).
O Quantum GIS (QGIS) é um Sistema de Informação Geográfica (SIG) de código
aberto licenciado segundo a Licença Pública Geral GNU. O QGIS é um projeto oficial da
Open Source Geospatial Foundation (OSGeo). Opera em vários sistemas operacionais e
suporta inúmeros formatos de vetores, rasters e bases de dados e funcionalidades (QGIS,
2015).
Geospatial Data Abstraction Library (GDAL) é uma biblioteca que traduz dados
geoespaciais (raster e vetores). Ela está licenciada como open source pela Open Source
Geospatial Foundation. Essa biblioteca tem suporte para vários formatos de dados e opera em
muitos softwares de geoprocessamento. Ele também vem com uma variedade de utilitários de
linha de comando útil para tradução de dados e processamento (GDAL, 2015).
Por definição o R é um software de ambiente livre para computação estatística e
gráfica. Ele compila e roda em uma ampla variedade de plataformas UNIX, Windows e Mac
OS. Ele é um veículo para o desenvolvimento de novos métodos de análise de dados
interativos, tendo sido desenvolvido rapidamente e prorrogado por uma grande coleção de
pacotes (VENABLES, 2015).

4 MATERIAIS E MÉTODOS
4.1 Caracterização da área de estudo
O estudo foi realizado na região do Semiárido do Nordeste brasileiro (Figura 6),
seguindo a nova delimitação estabelecida pelo Ministério da Integração Nacional em março
de 2005 (MI, 2005). A área está compreendida entre as coordenadas 3ºS e 17ºS e 35ºW e
46ºW, englobando os estados de Alagoas, Bahia, Sergipe, Pernambuco, Paraíba, Ceará, Piauí,
Rio Grande do Norte e Minas Gerais e municípios contidos em cada Estado. Os dados
vetoriais da área foram obtidos pelo Instituto Nacional do Semiárido (INSA), com sistema de
referência geográfica South American Datum de 1969 (SAD 69).
Figura 6. Localização do semiárido no espaço geográfico brasileiro

4.2 Aquisição dos dados de IVDN SPOT-S10 e precipitação pluvial
A tendência da vegetação, adotou Barbosa et al. (2015) que utilizou dados de IVDN
do satélite SPOTVGT, com resolução espacial de 1 quilômetro, frequência temporal de 10
dias e período de abril de 1998 a março de 2012. Os dados foram fornecidos pela Flemish
Institute for Technological Research (VITO).
Quanto aos dados de precipitação, foram obtidos na resolução espacial de 0,25º
frequência temporal de 10 dias e período de abril de 1998 a março de 2012. Esses dados
foram fornecidos pela European Centre for Medium-Range Weather Forecasts (ECMWF).

Para análise interanual da dinâmica da vegetação, foram utilizados dados de IVDN do
satélite SPOT/PROBA Vegetation, operado/administrado pela VITO, com resolução espacial
de 1 quilômetro e frequência temporal de 10 dias. Os dados brutos foram adquiridos no
formato HDF5, através do banco de dados do Laboratório de Análise e Processamento de
Imagens de Satélites (LAPIS). O período selecionado para a análise foi de 2007 a 2014.
Em seguinte foram utilizados dados de precipitação obtidos pelo Climate Harzards
Group (CHG). O CHIRP é um conjunto de dados de precipitação quase mundial com mais de
30 anos. A área de cobertura abrange 50 graus norte e sul (e todas as longitudes), iniciando
sua série temporal em 1981 até o presente, disponíveis em médias mensais. A resolução
espacial dos dados é de 0,05 graus, equivalente a aproximadamente 5 quilômetros (CHG,
2015).
4.3 Aquisição dos dados do índice de risco de secas
O índice de risco de secas é um dado desenvolvido e disponibilizado pela Joint
Resarch Centre (JRC). Para a o cálculo do Índice de severidade de seca meteorológica
(MDSI) foram utilizados dados de totais mensais de precipitação completos de reanálises da
versão 6.0 do Centro de Climatologia Global de Precipitação (GPCC), com resolução espacial
de 0,5º e período de 1902 a 2010 (100 anos de dados).
4.4 Aquisição dos dados dos subíndices de propensão socioeconômica
Nesta pesquisa considerou-se os subíndices de propensão agropecuária (SIPap),
econômica (SIPe) e social (SIPs). Para a criação dos SIPe e SIPs foram utilizados dados do
IBGE, IPEA e PNUD, dos períodos censitários de 2000 e 2010. Para o SIPap foram utilizados
os dados de censo agropecuário de 2006.
4.5 Análise da tendência da dinâmica da vegetação para o SAB no período de 1998 a
2002
Esta etapa baseou-se nos métodos de Barbosa et al. (2015) onde buscou tendências da
vegetação associada à variabilidade da precipitação pluvial para a região do SAB, afim de
analisar a dinâmica da vegetação e comparar com dados da pesquisa.
Com base nas análises estatísticas aplicadas ao Índice de Vegetação Diferença
Padronizada (SDVI) e Índice de Precipitação Padronizada (SPI-1), ambos com composição de
10 dias, foram feitas estimativas em dois tipos: quantificação e analise da força das relações

espaciais e temporais entre o SDVI e SPI-1 conforme suas séries temporais; e a utilização da
variabilidade do SDVI e SPI-1, a fim de identificar as tendências significativas da atividade
da vegetação associada a variabilidade da precipitação.
A resolução espacial das séries temporais do IVDN (de 04/1998 a 03/2012) foi
ajustada para manter uma coerência com as estimativas de precipitação, utilizando uma média
ponderada. O procedimento permitiu que o IVDN e as séries temporais de precipitação
pluvial obtivessem a resolução espacial de 0,25º (aproximadamente 28 km). Ambos os índices
(SDVI/SPI-1) foram calculados para remover os efeitos da sazonalidade da série temporal
original. Isso permite a comparação direta das chuvas (SPI-1) sob diferentes climas para as
mudanças do desvio padrão do IVDN (SDVI) sob diferentes coberturas vegetais. Os
procedimentos e formulações foram realizadas com base em Peters et al. (2002) e Guttman
(1999).
O SDVI indica se existe uma relação direta entre as condições de vegetação e
condições do tempo. Ele mostra os efeitos do clima sobre a vegetação em períodos curtos
(PETERS et al., 2002). O SDVI é, portanto, a diferença em termos de desvio-padrão, da
média para a situação que determinado período de 10 dias, para cada pixel, ou também
chamado de z-score. O índice foi calculado pela equação:
̅̅̅̅̅̅̅̅̅̅

(4)

onde:
y = ano;
p = o período de 10 dias no ano.
O SPI-1y, é um indicador estatístico comparando a precipitação total recebida em um
determinado local durante um período de tempo (p) com a distribuição de chuvas de longa
duração para o mesmo período de tempo no local.
A relação entre IVDN e precipitação podem não ocorrer espacialmente invariante (ou
seja, altamente diferenciadas no espaço). Também não podem ocorrer temporariamente
invariante (isto é, altamente diferenciadas no tempo), em parte, devido às respostas espacial e
temporalmente heterogêneas de tipos de cobertura do solo, as variações na precipitação. Para
resolver este problema, diferentes defasagens de tempo (resposta após um atraso de 1-11
meses), foram utilizadas para avaliar se existe uma resposta atrasada à chuva no IVDN sobre
a grade do SAB. Devido ao alto grau de variação espacial e temporal nos valores de
precipitação, relacionamentos significativos, não seria esperado sobre áreas onde a
precipitação é baixa e pouco frequente. No início da estação chuvosa, o verdejamento da

vegetação ocorre quase que simultaneamente com o início das chuvas. Após a estação
chuvosa, o máximo em produtividade da vegetação é alcançado apenas 2-3 meses após o
máximo de precipitação, especialmente para áreas de matagal e savanas (BARBOSA, 1998).
No entanto, cabe mencionar que a resposta após um atraso de 7-11 meses não é de fácil
interpretação, porque não se sabe que mecanismo realmente causou essa ligação. Pode ser
justificada pelo fato de que a ocorrência de El Niño-Southern Oscilações (ENOS) eventos no
final de um ano iria causar diminuição ou aumento da precipitação na estação chuvosa.
De modo a identificar se um pixel está verdejando seja positivo (regeneração,
reflorestação) ou negativo (degradante, desertificação) pela tendência linear dos mínimos
quadrados, foram realizadas análises das séries temporais do SDVI e SPI-1, tendo em conta a
precipitação acumulada ao longo da respectiva melhor defasagem. Basicamente é a
comparação da dinâmica de duas variáveis, que são ambas gravadas em uma única série.
Somente tendências de SDVI e SPI-1, com os coeficientes de correlação de Pearson
significativamente diferentes de zero (p < 0,05) foram consideradas como as tendências mais
significativas (BURROWS et al.,1995). Seguindo as análises de tendência, uma abordagem
de árvore de decisão é adotada a fim de interpretar os resultados (MAHESH et al., 2003).
Foram estipuladas cinco perguntas: A série temporal de SDVI mostra uma tendência
significativa?; as tendências são mais significativas em SDVI acoplados a correlações
significativas entre IVDN e SPI-1?; as tendências significativas em SDVI ligados a tendências
significativas na SPI-1?; o SDVI mostra uma tendência positiva?; tendências em SDVI
correspondem às tendências da SPI-1?
4.6 Análise da dinâmica interanual da vegetação por meio dos dados do IVDN para o
período de 2007 a 2014
Nesta etapa foi analisada a resposta interanual do IVDN em relação aos sinais de
degradação ou verdejamento, a distribuição da precipitação e a relação dessas duas variáveis,
de modo a analisar a dinâmica da vegetação em relação à variabilidade espaço-temporal da
precipitação. A metodologia aplicada nesse tópico foi composta por três etapas: inicialmente,
o processamento dos dados de IVDN e criação de mapas interanuais da vegetação do período
de 2007 a 2014. Para isso foram utilizadas de técnicas de geoprocessamento. Em seguida,
foram mostradas as técnicas de processamento dos dados de precipitação, a fim de gerar as
informações de estatísticas de precipitação do período de 2007 a 2014. Posteriormente a
demonstração da metodologia utilizada para correlacionar essas duas variáveis, no intuito de
encontrar as suas respectivas relações.

4.6.1 Processamento dos dados IVDN

A representação metodológica do processamento dos dados de IVDN é apresentada no
fluxograma (Figura 7). O pré-processamento (1*) se deu por operações de decodificação,
tratamento e conversão dos dados brutos e foram utilizados algoritmos para processamento
em lote, escritos na linguagem de programação shell script em junção com os comandos da
biblioteca do GDAL. Esses algoritmos foram utilizados para o pré-processamento dos dados
de IVDN, realizando operações de descompactação, decodificação dos dados brutos, mosaico,
recorte da área de estudo e conversão do formato padrão (.hdf) para o formato nativo do
ILWIS (.mpr). No ILWIS (2*) foi feita a conversão dos valores radiométricos em valores
biofísicos, através do cálculo do fator de escala do IVDN. Os dados foram adquiridos em
valores de tons de cinza, referentes ao número digital (ND) dos pixels que compõem a
imagem e varia de 0 a 255. Através da equação 2 sugerida por Baret (2015), foi calculado o
fator de escala do IVDN.
(

)

(5)

A partir da etapa (3*) foram gerados histogramas das imagens. Esse procedimento
permitiu gerar a escala de valores de IVDN para, posteriormente, serem calculados os valores
dos máximos anuais1 e a média interanual para o período de estudo, na escala espaçotemporal. Posteriormente o processo de quanti-qualificação (4*) do produto final que
eliminou os pixels de valores inválidos, como valores fora do intervalo padrão do IVDN [01], permitiu a exclusão dos corpos d’água contidos na imagem.

O IVDN máximo foi calculado com base na técnica de Holben (1986), onde utilizou valores mensais
do IVDN máximo para cada pixel dentro do período de composição, visando minimizar o efeito da
atmosfera, o ângulo de varredura e a contaminação de nuvem. A técnica fornece uma melhor definição
do IVDN e minimiza a influência de diferentes ângulos zenitais solares e topografia da superfície
sobre o conjunto de dados.

Figura 7. Fluxograma metodológico do processamento do IVDN SPOT.

Com base nesses procedimentos foi possível transformar os valores em mapas
temáticos, pela distribuição geográfica dos pixels, criando uma classificação para o IVDN.
Partindo do princípio que a vegetação exerce uma dinâmica no tempo e no espaço, e que sua
condição biofísica pode ser percebida ao logos dos anos pelo sinal do IVDN essa análise nos
remete a identificar que áreas onde existem sinais de degradação estão definidas pelos valores
mais baixos do IVDN, enquanto as áreas de verdejamento pelos valores mais altos.

4.6.2 Análise estatística dos dados de precipitação

Essa etapa foi baseada pela utilização do software estatístico R e QGIS para cálculo e
criação dos mapas estatísticos anuais e interanuais de precipitação pluvial. Por meio dos
dados globais mensais, foi definido o recorte para a região do SAB extraindo uma matriz de
32.381 pontos, através do somatório dos pontos pixel a pixel dos mapas mensais, foram
obtidos os mapas de precipitação acumulada anual pela equação:
∑ X
X
em que:
Xacm = precipitação anual acumulada
n = número de meses
i = número do mês

(6)

O mapa interanual médio de precipitação foi obtido mediante o cálculo da média
aritmética da precipitação acumulada anual, pixel a pixel, de toda a série de dados que
corresponde 1981 a 2014, numa variação espaço-temporal, conforme a equação:
̅

∑

(7)

em que:
̅ = precipitação média interanual
n = número de anos
i = número do ano
Pelos acumulados anuais também foram calculados os mapas do desvio padrão e
coeficiente de variação, onde o cálculo é representado pelas equações:
𝜎

∑

√

(

̅)

(8)
(9)

onde:
̅ = precipitação média interanual
𝜎�= desvio padrão
CV = coeficiente de variação
n = número de anos
i = número do ano
Na figura 8 é representado graficamente o processamento dos dados de precipitação
baseando-se nas equações 6, 7, 8 e 9.
Figura 8. Representação gráfica da criação dos mapas estatísticos de precipitação pluvial.

4.6.3 Relação entre a variabilidade da precipitação pluvial com os dados de IVDN

Esta etapa visou relacionar a produção de biomassa da vegetação com a variabilidade
da precipitação pluvial. A relação estatística entre o IVDN e precipitação pluvial foi feita
através do cálculo da correlação de Pearson. Atribuiu-se como referência a resolução espacial
de 1 quilômetro para os dados de precipitação pluvial, utilizando o método de interpolação
bicubico, gerando uma matriz de 1.009.316 pontos. Para obter os valores interanuais foram
utilizadas as matrizes dos acumulados anuais de precipitação e valores máximos anuais de
IVDN, para o período de 2007 a 2014, representados pelas equações.
∑
̅

(10)

∑

(11)

onde:
Xacm = precipitação anual acumulada
̅ = precipitação média interanual
n = número de meses
m = número de anos
i = número do mês
j = número do ano
(12)
̅

∑

(13)

onde:
Yi = IVDN máximo anual
̅ = IVDN interanual médio
n = número de anos
i = número do ano
A correlação foi calculada através da média interanual da precipitação pluvial (X),
variável independente, e a média interanual do IVDN (Y) variável dependente, com os valores
de 1.009.316 pontos de ambas variáveis, que corresponde a matriz da região do SAB. Os
coeficientes de correlação foram obtidos para todos os pontos correlacionados de precipitação
pluvial (X) e IVDN (Y) pela equação:
cos(𝛼)

∑
√∑

(

̅) (
̅ ) √∑

̅)
(

̅)

(14)

Na figura 9 é representada graficamente a correlação de Pearson baseando-se nas
equações 10, 11, 12, 13 e 14.

Figura 9. Representação gráfica da correlação entre o IVDN e precipitação pluvial

4.7 Análise do IVDN e precipitação pluvial com fatores biofísicos e socioeconômicos
Esse item foi composto por análises estatísticas que visaram identificar a relação entre
os índices de condição biofísica e socioeconômica do SAB e as variáveis de IVDN e
precipitação.
4.7.1 Índice de risco de secas

A metodologia de criação do produto visou à avaliação da severidade das secas
históricas e o mapeamento da frequência de ocorrência delas. Para isso foi utilizado o MDSI,
padronizado no espaço e no tempo, considerando os défices de precipitação mensal e a
influência dos regimes de chuvas sazonal no computo da severidade da seca meteorológica
(CARRAO et. al., 2015b).
A metodologia de processamento dos dados foi dividida em cinco etapas: Inicialmente
foram calculados os quantis para 5, 10, 16, 20 e 50 anos para todos os meses da série; Em
seguida foi calculado o limite total de precipitação abaixo da mediana histórica (

)

para cada mês, no intervalo de 50 anos, no intuito de quantificar e padronizar a precipitação,
utilizando o algoritmo de classificação de Fisher-Jenks; Foram criados mapas normalizados
dos limites de seca para cada mês, variando de 0 a 1, onde os valores mais próximos de 0

indicam menor probabilidade de ocorrência de secas e vice-versa; O MDSI foi calculado pelo
somatório da multiplicação entre a variação da precipitação mensal observada e a relação
entre o limite de precipitação mensal e o somatório intra-anual da precipitação limite mensal,
considerando o quantil de 50 anos para cada mês, conforme as equações:
∑

(15)
(16)
(17)

∑

Total de precipitação observada para o mês m de um ano Y da série.
Posteriormente foi elaborado o mapa do número de ocorrência de secas na variação espaçotemporal (Figura10).

Figura 10. Representação metodológica do cálculo do MDSI. Análise dos quantis da série observada
(a), aplicação do algoritmo de classificação de Fisher-Jenks (b), análise espaço-temporal dos limites de
seca otimizada mensal (c), cálculo do MDSI (d) e exemplo da probabilidade de eventos de secas (e).

Fonte: CARRAO (2015a)

Após esse processamento foi criado o mapa do índice de risco de seca que pode ser
interpretado por: o risco de seca aumenta se a quantidade de ocorrências de secas excede a
mediana de severidade histórica.

4.7.2 Índices de propensão social, econômica e agropecuária

Os índices de propensão social, econômica e agropecuária foram avaliados com base
na metodologia do INSA (2014), para avaliar o grau de vulnerabilidade das três dimensões ao
fenômeno da desertificação. Essas três dimensões compuseram um grupo de cinco subíndices
para levantar informações sobre a situação da cobertura vegetal, degradação ambiental,
produção agropecuária, situação econômica e indicadores de ordem social. Cada subíndice foi
classificado de acordo com o grau de susceptibilidade. Os atributos foram categorizados nos
níveis (1, 2 e 3) indicando baixa, média e alta susceptibilidade, respectivamente.
As informações foram apresentadas a nível municipal, e as expressões lógicas
abrageram a mesorregião, na qual o município faz parte, como base de cálculo do subíndice.
Foram selecionadas 35 mesorregiões do Semiárido e para serem comparadas com aspectos
homogêneos. Para o cálculo dos subíndices foram aplicados três critérios: cada mesorregião
precisava ter no mínimo cinco municípios pertencentes ao polígono do SAB; Mesorregiões
que tinham mais de cinco municípios no SAB, estes foram comparados entre si,
desconsiderando os municípios fora do limite do SAB; as mesorregiões com menos de cinco
municípios pertencente ao SAB, agregaram-se a mesorregiões do SAB mais próxima
geograficamente, levando em consideração a definição de mesorregião.
Os subíndices (SIPe, SIPs, SIPap) seguiram uma classificação lógica através de uma
equação distinta cada um. Essas equações levaram em consideração indicadores sociais e
econômicos para a obtenção dos resultados (INSA, 2014).
Para o SIPe, subíndice de propensão da condição econômica, o indicador principal foi
a renda per capita. Com este subíndice calculou-se a pobreza rural e municipal, segundo o
autor. Por isso a renda per capita foi um indicador mais direto para o SPe, por ela ser
composta de todo recurso financeiro (atividade, por auxílio governamental, pensão, dentre
outros) de uma população.
Outras fontes também poderiam influenciar na renda per capita e causar um impacto
ambiental se, por exemplo, a renda estivesse acima da média regional por elevado grau de
atividades agropecuárias ou de extrativismo do município ou até mesmo vindo de outras

diversas fontes de renda. Para incluir as variáveis de atividade agropecuária e extrativismo, foi
utilizado o PIB agropecuário municipal. Conforme a equação:

SE 70%RPCr < RPCm < RPCr E PPIBa > PPIBar, SIPe = 2

(18)

SE RPCm < 70%RPCr E PPIBam > PPIBar, SIPe = 3

(19)

em que:
RPCm = Renda per capita municipal (IPEA, 1999 e 2000);
RPCr = Renda per capita regional, expressa por:
∑(

)
∑

(20)

onde:
Popm = População do município (IBGE, 2000 e 2010);
PPIBam = participação do PIB agropecuário e extrativista do município no PIB municipal,
expressa por:
(21)
Onde:
PIBam = Produto interno bruto agropecuário municipal (IPEA, 2000 e 2010);
PIBm = Produto interno bruto municipal (IPEA, 2000 e 2010);
PPIBar = Participação do PIB agropecuário e extrativista da região no PIB regional, expressa
pela equação:
∑
∑

(22)

O SIPs, subíndice de propensão da condição social da população, foi calculado a partir
da comparação do IDH municipal (IDHM) com o IDH regional, observando a proporção da
população rural em relação ao total e a densidade demográfica rural, municipal e regional. De
acordo com INSA (2014), o IDH apresentou os principais aspectos sociais que tornam o
município parcialmente susceptível à deterioração que conduziu o ciclo de desertificação.
Desse modo a dimensão da propensão decorrente da condição social da população foi
determinada mediante a equação:

SE IDHm < IDHr E Poprm > 40%Popm, SIPs = 2

(23)

SE IDHm < IDHr E Poprm > 40%Popm E DPoprm > DPoprr, SIPs = 3

(24)

Onde:
IDHm = Índice de Desenvolvimento Humano municipal (PNUD, 2000 e 2010).

IDHr = Índice de Desenvolvimento Humano regional, expresso por:
∑(

)

(25)

∑

em que:
Poprm = População rural do município (IBGE, 2000 e 2010).
DPoprm = Densidade de população rural municipal, expressa por:
(26)
Onde:
Am = Área do município em km²(IBGE, 2010)
DPoprr = Densidade de população rural regional, expressa por:
∑

(27)

∑

No SIPap, subíndice de propensão da condição da produção agropecuária, o cálculo
foi realizado com base nas informações de produtividade das principais culturas, da proporção
de áreas cultivadas, densidade de rebanhos por área, densidade de pessoas ocupadas na
agricultura por área, com dados do censo agropecuário de 2006 (IBGE, 2006), por meio da
equação:

SE PPPm < PPPr E PACm > PACr E DRm > DRr E DPOm > DPOr, SIPpa = 3

(28)

SE (PPPm < PPPr E PPPm > 70%PPPp) OU PACm >PACr OU DRm > DRr OU DPOm > DPOr,
SIPpa = 2

(29)

Onde:
PPPm = Produtividade, expressa pela relação entre a produção, em toneladas. De acordo com
o Censo agropecuário do IBGE (2006), o feijão (todas as variedades) e o milho representa
79,3% da produção da lavoura temporária no SAB, excetuando-se do cálculo a produção
forrageira e de sementes.
em que:
Produção nacional de feijão e milho = 44.755.810t (IBGE, 2006);
Área colhida nacional de feijão e milho = 16.285.585 ha (IBGE, 2006);
∑(
∑(

�

� �
� �

�

)�

(30)

)

PPPr = Produtividade na região dos principais produtos municipais, nas mesmas condições de
PPPm = Expressa pela equação anterior, tomada para todos os municípios da região:
∑(
∑(

�
�

�

� �
� �

)
)�

(31)

PPPp = Produtividade no país dos principais produtos municipais, nas mesmas condições de
PPPm = expressa pela equação anterior, tomada para todos os municípios do país:
∑(
∑(

�
�

�

� �
� �

�

)

(32)

)

PACm – Proporção de área cultivada do município, expressa pela relação entre a área:
∑(

�

� �

∑(

�

)

(33)

)

PACr – Proporção de área cultivada na região, expressa por:
∑(

�

∑(

� �
�

�

�
)

�

)

(34)

DRm = Densidade de rebanhos no município. Levou-se em consideração que no SAB uma
quantidade expressiva de animais corresponde aos bovinos, caprinos e ovinos, os números
correspondentes a estes, em cabeças, foram contabilizados para compor a variável. Á área de
uso para o rebanho foi calculada mediante a soma da variável referente à área de pastagens
(naturais, plantadas degradadas e plantadas em boas condições), pois não se encontram
informações que se apliquem para o ano de 2006, por município referente à área exclusiva de
pecuária. A DRm foi calculado de acordo:
∑
∑

�

� �

�

(35)

Onde:
O somatório do número de cabeças de caprinos, bovinos e ovinos do município e o
somatório do da área de pastagens naturais, plantadas degradas e plantadas em boas condições
do município foram obtidos do IBGE (2006). A DRr (Densidade de rebanhos) por área na
região, foi calculado pela equação:
∑
∑

�

�
� �

�

� �
�

�

(36)

em que:
DRr = Densidade de rebanhos por área na região.
A densidade de pessoas ocupadas na agropecuária no município (DPOm) foi obtida
mediante a equação:
�

�
�

�

(37)

Para esta variável, o IBGE (2006), considerou pessoal ocupado em estabelecimentos
agropecuários. Assim, a variável referente à área, visando manter a coerência para a expressão
lógica, também considerou a área destes estabelecimentos agropecuários.
A densidade de pessoas ocupadas na agropecuária na região (DPOr), foi expressa por:
�

�
�

�

�
�

�

(38)

4.7.3 Análises estatísticas entre os índices, IVDN e precipitação

A analise da tendência da dinâmica da vegetação e variabilidade da precipitação foi o
ponto focal desse item, buscando-se correlacionar as variáveis (precipitação, IVDN, índice de
risco de secas e subíndices socioeconômico), fazendo associação com o número de
municípios e os níveis de propensão socioeconômica (1, 2 e 3).
Para padronizar os valores das variáveis para todos os municípios do SAB e eliminar
as diferenças da resolução espacial, em cada polígono municipal foram extraídos a aritmética
dos pontos de cada variável no formato matricial (precipitação, IVDN e índice de risco de
secas). Assim, para cada município foi considerado um valor médio para cada variável. No
Obteve um total de 1.135 pontos referentes a cada município do SAB. No caso dos SIPe, SIPs
e SIPap não foi necessário realizar essa operação pelo fato dos valores já estarem no formato
adequado as futuras operações. Esse procedimento permitiu criar tabelas com valores médios
para cada variável e em seguida proceder com as análises estatísticas.
Nas análises estatísticas foram utilizados diagramas de dispersão, com intuito de
analisar quantitativamente a relação entre variáveis. Também foi calculado o coeficiente de
correlação linear para verificar qual o grau de relação entre elas. Bem como traçado a reta de
regressão linear, para verificação do grau de associação linear.

5 RESULTADOS E DISCUSSÃO
5.1 Análise da tendência da dinâmica da vegetação para o SAB no período de 1998 a
2002
Com base nas análises realizadas nesta pesquisa constatou-se que houve uma
correlação distinta entre o SDVI e SPI-1. A correlação positiva (azul) aparece em quase toda a
área do SAB, apresentando valores mais altos nas regiões leste e nordeste e valores mais
fracos nas demais áreas. No geral, para essas áreas, as melhores defasagens ocorreram em 3-6
meses. Observou-se que a produção de biomassa foi determinada pela quantidade de chuva,
havendo relações positivas entre a vegetação e precipitação nas terras secas do SAB (Figura
11A).
No oeste da Bahia, Minas Gerais e Piauí constatou-se que algumas áreas
demonstraram haver uma correlação fraca negativa. Essas áreas estão localizadas no bioma
Cerrado, e é caracterizado por uma cobertura de solo com interferência antrópica. Assim, os
resultados possivelmente estão relacionados a áreas de vegetação cultivada, ou seja, a
pastagem e convertida para produção agrícola (Figura 11A).
De acordo com Barbosa et al. (2015), ainda existem limitações e incertezas no
entendimento da dinâmica da vegetação em relação à precipitação, devido à falta de
compreensão da interação dos mecanismos de precipitação e ecossistemas no espaço e no
tempo, onde é normal existir efeitos de defasagem temporais heterogêneos.

50
Figura 11. Comparação da correlação ponto campos entre SDVI mensal e valores SPI-1 mensais sobre o SAB para o período 1998-2012. Coeficientes de
regressão (coeficientes beta) entre SDVI e SPI-1 maior ou menor que 0,6 (um). Os coeficientes de correlação de Pearson (A) entre SDVI e SPI-1 desfasado de
um atraso de 0-11 meses (B)

Constatou-se ainda que as respostas dos ecossistemas em relação à mudança da
precipitação dentro do período estudado podem ocorrer em diferentes intervalos de tempo e
ser heterogêneas espacialmente. Como já observado anteriormente, as áreas com defasagem
zero (resposta direta), geralmente são associadas com valores de correlação negativa. Do
contrário, os valores de correlação positiva são ligados a defasagens de 1-11 meses, conforme
áreas apresentadas nas cores laranja (Figura 11A) e branco (Figura 11B). Barbosa et al.
(2015), sugerem que essas áreas sejam identificadas como degradação do solo induzida por
interferência antrópica, de que a resposta do IVDN pode variar por alteração do uso do solo.
Com base nos dados do MMA (2002), no SAB a influência antrópica atinge cerca de 45,6%
da área total de toda cobertura vegetal, isso pode ocasionar diferentes efeitos no IVDN
dependendo do bioma e tipo de cultura. O desmatamento de florestas para fins agrícolas ou
pastagens, reduzem o IVDN, a ação contrária induziria no aumento do IVDN. O azul escuro
(Figura 11A), magenta, roxo, azul claro, ciano e verde (Figura 11B), sugeriram que o sinal de
mudanças das chuvas, altera a dinâmica da vegetação em terras secas, podendo atingir o
máximo verdejamento em 2-3 meses após a máxima precipitação. O verde da vegetação é
afetado com as alterações no ciclo de chuvas. Nas áreas com defasagem máxima (marrom 11
meses) e mínima (verde 7 meses), pode ser explicada hipoteticamente com o sinal de El-niño
Oscilação Sul (ENOS) que marca a mudança nos padrões normais da precipitação no período
chuvoso. Esses sinais estão sujeitos a problemas nas correlações, devido ao longo período de
ocorrência do fenômeno, causando restrição no crescimento da vegetação por restrição da
ocorrência da precipitação, implicando na redução da confiança estatística.
Na figura 12 a escala de cores mostra os valores das encostas maior (positivo) ou
menor (negativo) que 0,02. Tendências não significativas foram mascaradas em cinza.
Inclinação da tendência linear foi calculada por mínimos quadrados ordinários
Registrou-se a tendência da inclinação do SDVI e SPI-1 para o SAB (Figura 12). O
SDVI mostrou uma tendência positiva e significativa ao norte do SAB, indicando áreas de
verdejamento, enquanto no sudoeste do Piauí mostrou uma tendência negativa também
significativa. Na região central do SAB a tendência se mostra nula, maior parte nos Estados
de Bahia, Piauí, Minas Gerais e Sergipe. Analisando a tendência positiva do SDVI, é possível
sugerir que as áreas em verdejamento podem está relacionadas a uma contribuição de uma
vegetação nativa, já essa região tem uma predominância da vegetação do tipo savana estépica,
típicas do bioma Caatinga. O declínio do SDVI e sudoeste do Piauí é um indicador de
degradação, em contrapartida a resposta nula indica que não houve variação da vegetação
durante o período analisado.

52
Figura 12. Comparação dos campos de tendência de inclinação SDVI (A) e SPI-1 (B) À diferença do SAB para o período 1998-2012.

Na figura 12B o SPI-1 mostrou somente uma leve tendência negativa no sudeste da
Bahia. A tendência positiva esteve presente em todos os Estados. Porém os valores mais
significativos correspondentes aos Estados de Minas Gerais, Bahia, Pernambuco, Paraíba,
indicando que nessas regiões com tendência positiva significativa existe menor déficit de
precipitação.
Em comparação das tendências do SDVI (Figura 12A) e SPI-1 (Figura 12B), nota-se
que mesmo com áreas tendências nulas no SPI-1 as tendências no SDVI continuam positivas
em alguns estados como, por exemplo, Parte do Piauí, Ceará, Rio Grande do Norte, Paraíba e
Alagoas. O inverso acontece em algumas áreas da Bahia e Minas Gerais.
Foi feita a identificação da área de foco, ou seja, pixels, a sazonalidade do índice de
vegetação (SDVI) mostra uma tendência linear significativa ao longo do tempo. Também
foram identificadas as áreas que diferem na sua relação entre as tendências de vegetação e
precipitação, e em seguida distinguem-se tendências positivas e negativas que estão ligadas a
tendências na precipitação. Além disso, é possível identificar regiões onde as tendências
positivas ou negativas na vegetação não estão ligadas a mudanças na precipitação e outras
variáveis climáticas ou onde o impacto humano desempenha um papel significativo.
Na figura 13 os pixels são divididos em verdejamento ou degradantes, em que as
tendências de ambos SDVI e SPI-1 são avaliadas. A distribuição da análise de tendência,
seguindo a árvore de decisão, é apresentada as classes em verde indicando uma tendência
positiva significativa no SDVI acoplado a um aumento do SPI-1. As Classes vermelhas
indicam um acoplamento entre uma diminuição de SDVI e SPI-1. As classes em amarelo e
laranja indicam onde o SDVI e SPI-1 mostram tendências opostas. Como também as classes
em cinza que indicam pixels mascarados sem uma tendência significativa em SDVI. Os pixels
foram classificados de acordo com as cinco consultas descritas no presente estudo. As áreas
foram objetivamente classificadas de acordo com as classes de gama onde o Y e N se referem
a "sim" ou "não" resposta para a consulta, e (*) para qualquer Y ou N. Áreas em verde
mostram um aumento na SDVI, acoplado a uma tendência positiva significativa na SPI-1
(verde escuro) ou não (verde claro). Áreas em vermelho mostram uma diminuição no SDVI,
acoplado a uma tendência negativa significativa no SPI-1 (vermelho escuro) ou não
(vermelho claro). Áreas em amarelo mostram uma tendência positiva no SDVI, mas uma
tendência negativa em SPI-1. Áreas em laranja mostram uma tendência negativa no SDVI,
mas uma tendência positiva no SPI-1. Pixels sem uma tendência significativa em SDVI são
mascarados em cinza. A barra de cores mostram as respectivas respostas das cinco consultas
entre as classes de alcance.

Figura 13. Distribuição geográfica da abordagem de árvore de decisão sobre o SAB para o
período 1998-2012.

Em análise, os dados mostraram uma área de verdejamento na região que abrange os
estados de Ceará, Rio Grande do Norte, Paraíba, Pernambuco, Alagoas e Bahia. No entanto
outras áreas observadas mostraram um declínio na vegetação, enquanto a precipitação
aumentou (áreas em laranja) nas áreas localizadas no entorno dos sinais de verdejamento,
como também em áreas isoladas do SAB. Estendendo da região central ao sul do SAB (em
cinza) a resposta da tendência não foi significativa. Portanto os resultados analisados indicam
que as áreas com tendência a verdejamento podem está associadas a um aumento de
precipitação, favorecendo o aumento da biomassa. Ao contrário disso, áreas com tendência de
declínio da vegetação, podem está relacionadas à degradação.

5.2 Análise da dinâmica interanual da vegetação por meio dos dados do IVDN para o
período de 2007 a 2014
Analisando a média interanual do IVDN, nota-se que nos Estados de Bahia,
Pernambuco, Rio Grande do Norte e Ceará há áreas com sinais de perda da biomassa. Os
casos mais graves são vistos nos dois primeiros locais, onde a resposta do IVDN é muito
baixa com valores variando de 0,2 a 0,4 (Figura 14A). As áreas encontradas em Pernambuco
estão localizadas dentro do polígono do núcleo de desertificação de Cabrobó que pelas
características biofísicas podem está influenciando na resposta da vegetação. Por outro lado, é
notado que em algumas áreas também existem sinais de aumento da biomassa, como é o caso
dos Estados de Minas Gerais, Bahia, Piauí e Ceará. A resposta da vegetação nessas áreas, de
aumento da biomassa, pode está sendo influenciada por características típicas dos biomas
onde elas estão localizadas, e/ou por outros fatores, como regime de precipitação. No mapa de
desvio padrão observa-se uma alta variabilidade da vegetação com valores altos que se
estende desde a região central ao norte do SAB, indicando uma maior variabilidade da
resposta da vegetação, por outro lado observa-se nas periferias das regiões sul, oeste e parte
da região norte baixos valores do desvio que indica menor variabilidade da resposta da
vegetação, que está ligada com a influência de outros biomas e eventos meteorológicos típicos
da região (Figura 14B).

56
Figura 14. Produto da média interanual do IVDN (A) e o desvio padrão (B) para o período de 2007 a 2014.

5.3 Relação entre a variabilidade da precipitação pluvial com os dados de IVDN
Analisando-se a precipitação pluvial no intervalo (1981-2014) e reduzindo a resolução
espacial do pixel para 0,05º, avalia-se o comportamento espaço-temporal da variável ao longo
do período, utilizando a média interanual (Figura 15A) e desvio padrão e coeficiente de
variação, para verificar a variabilidade quali-quantitativa (Figuras 15B e 15C).
A precipitação interanual média mostrou uma variação espaço temporal de 125 a
1.000 mm/ano para uma extensa área do SAB e em algumas outras áreas isoladas uma
variação de 1.000 a 1.800 mm/ano. Segundo Molion (2002), a variabilidade interanual das
chuvas no Nordeste brasileiro (NEB) na escala espaço-temporal está intimamente relacionada
a fatores climáticos como, El-Niño Oscilação Sul, que influencia diretamente no ramo
descendente da circulação geral da atmosfera, deslocando os ventos do ramo descendente da
célula de Walker para cima do NEB, causando inibição das nuvens que provocam chuva na
região. Desse modo, os baixos índices pluviométricos (Figura 15A) estão relacionados à
influência de fatores climáticos, que em alguns locais do mapa essas evidências foram mais
fortes, como na região central do SAB que não são influenciados por outros sistemas
atmosféricos como no norte e sul do SAB.
Quanto ao desvio padrão, observam-se baixos valores na região central do SAB
indicando pouca variabilidade da ocorrência de chuvas na região, por outro lado em sentido às
extremidades norte e sul esses valores aumentaram, mesmo que em menor proporção ao sul.
A (Figura 15B) maior variabilidade da precipitação nas extremidades norte/sul do SAB
confirma o que foi identificado no mapa médio, sobre as chuvas causadas por fatores
climáticos e sistemas atmosféricos, como a Zona de Convergência Intertropical (ZCIT), ao
norte, e pelos sistemas frontais, ao sul (MOLION, 2002). Em relação ao coeficiente de
variação verificou-se uma ampla variação entre 2,4 a 5,4, com menores valores mais ao norte
do SAB, indicando uma maior homogeneidade da precipitação ao norte do SAB e uma
diminuição gradativa à medida que se aproxima da região sul (Figura 5C).

58
Figura 15. Representação da precipitação interanual média (A) e desvio padrão da precipitação pluvial (B) e coeficiente de variação (C) para o período de
1981 a 2014.

Verificou-se uma grande deficiência de chuvas na região central do SAB, diante da
associação dos baixos índices e baixa variabilidade, indicando uma forte influência na
ocorrência de secas e, dependendo do período de ocorrência e severidade, um dispositivo que
pode acelerar ainda mais o processo de degradação ambiental (Figuras 15A e 15B).
Barbosa et al. (2015), no estudo do comportamento da vegetação em relação a
precipitação na América do Sul, encontrou uma correlação alta e positiva em regiões
semiáridas. Observou-se que na região semiárida na houve uma distribuição da correlação
positiva e significativa que se estende da região central ao norte do SAB, enquanto a
correlação negativa está mais ao sul. Tomando como referência os limites dos biomas,
disponibilizados pelo IBGE (2004), no que representa a área da vegetação que está associada
às respostas do IVDN, percebe-se uma extensa área de correlação alta e positiva na região
Nordeste do bioma Caatinga, essa resposta está ligada a uma região de vegetação nativa que,
segundo o Ministério do Meio Ambiente (2002), 62,77% das áreas desse bioma são
compostos por vegetação nativa. Nas demais áreas do bioma a distribuição do nível de
correlação positiva diminui. Essa resposta está sendo influenciada por outros fatores como
áreas antropizadas que cobrem 36,28%, outro fator importante é a perda de cobertura vegetal
no bioma, que chega à ordem de 500 mil hectares por ano (MMA, 2002).
Para os biomas Cerrado e Mata Atlântica a correlação é nula ou forte/fraca e negativa,
indicando que a precipitação não é o um limitante para a variação do IVDN nessas regiões.
No Cerrado 60% da sua área coberta por vegetação nativa 36,76% dessa cobertura é
caracterizada como floresta. A Mata Atlântica tem uma característica semelhante de formação
florestal, porém menor área de vegetação nativa 26,97%, sendo 21,80% de formação florestal
e 70,95% de influência antrópica. (MMA, 2002). Assim, a precipitação pluvial não é um fator
limitante em todas as áreas para a variação do IVDN, isso vai depender dos componentes de
uso do solo.
A barra de cores da figura 16 classifica os valores de alta correlação positiva (azul) até
baixa correlação negativa (verde fraco).

Figura 16. Distribuição geográfica da correlação entre o IVDN e precipitação
pluvial para o período de 2007 a 2014.

5.4 Análise do IVDN e precipitação pluvial com fatores biofísicos e socioeconômicos
5.4.1 Análise do índice de risco de secas
Pela análise do mapa da distribuição espacial do índice de risco de secas, mostra que
os valores mais altos (vermelho) concentrados na região central e em algumas áreas isoladas
do SAB. Em contrapartida, valores mais baixos (azul) do índice estão localizados em regiões
norte e sul do SAB (Figura 17).
Figura 17. Distribuição geográfica do índice de risco de secas.

Os valores mais altos do índice representam um risco maior de secas, indicando
ocorrência de eventos de secas são mais frequentes, os valores mais baixos o risco é menor,
não significando que haverá ocorrência de secas. O Estado da Bahia é o que apresenta os
maiores de riscos de seca, com uma extensa área predominando no território. Posto que nos
estados de Paraíba, Piauí e Pernambuco também apresentam altos valores do índice em
grandes extensões.
Em comparação com a precipitação, abordada anteriormente, existe uma forte
concordância na distribuição espacial entre as informações, é nas áreas onde os índices
pluviométricos são menores o risco de seca é maior.

5.4.2 Análise dos aspectos socioeconômicos
Diante dos resultados obtidos pelos subíndices de propensão socioeconômica,
constata-se que todos tiveram respostas distintas em termos de distribuição espacial das
informações. Na tabela 4 estão apresentados de forma detalhada os subídices conforme o
nível de propensão, correspondente a cada condição analisada, em valores absolutos e
relativos. Analisando-se a quantidade dos municípios propensos a desertificação, constata-se
que na condição econômica (SIPe), os níveis alto e médio somam 80% dos munícipios
analisados com somente 20% desses no nível baixo, na condição social (SIPs), quase 70% dos
munícipios estão no nível baixo, indicando uma situação melhor que o SIPe (20%) e já a
condição agropecuária (SIPap) apresenta 52% dos municípios no nível baixo, tendo apenas
10% no nível alto, indicando que poucos municípios está altamente susceptíveis a
desertificação.
Tabela 4. Representação quantitativa dos munícipios quanto à condição e o nível de propensão

Subíndices
Condição econômica (SIPe)

Condição Social (SIPs)

Condição Agropecuária (SIPap)

Níveis
1- Baixo
2- Médio
3- Alto
1- Baixo
2- Médio
3- Alto
1- Baixo
2- Médio
3- Alto

Nº de municípios
230
557
348
788
142
205
583
431
113

(%)
20
49
31
69
13
18
52
38
10

Analisando-se todos os subíndices de forma pontual, observou-se que o SIPe
apresentaram resultados mais acentuados que os demais subíndices, apontando 80% dos
munícipios para os níveis médio-alto. Isso indica maior vulnerabilidade econômica para a

população do SAB, sabendo que o índice toma como objeto principal para o cálculo lógico a
renda per capita, que pobreza rural e municipal. De modo contrário, o subíndice social
apresenta, aproximadamente, 70% dos municípios no nível baixo, isso pode está relacionado
ao fato do subíndice ter sido calculado pela comparação entre o IDH municipal de 2000 e
2010. Com base nos dados do IDH-M para a região do SAB os valores foram 0,434 (2000) e
0,598 (2010), demostrando que o aumento foi significativo passando do nível muito baixo
(2000) para baixo (2010), de acordo com a classificação do PNUD (2013). No SIPap, embora
os dados apresentem uma grande quantidade de municípios no nível baixo (583), merece
destaque também os de médio nível (431), pois subtende este encontra-se no limite de
transição assim pode passar para um nível mais alto ou mais baixo, dependendo das condições
ambientais, já que o principal fator do cálculo lógico desse subíndice são os dados
agropecuários.
A distribuição espacial dos subídices socioeconômico apresentou uma tendência
distinta, variando espacialmente os níveis de propensão (Figura 18). Nota-se que o SIPe
apresenta uma situação crítica em quase todos os municípios numa distribuição praticamente
uniforme. Quanto ao SIPs predomina o nível baixo, como foi apresentado anteriormente
(Tabela 4), porém espacialmente, percebe-se que os níveis médio e alto estão localizados em
áreas isoladas do SAB. O SIPap tem uma configuração que coincide com alguns resultados já
visto nesse trabalho, onde os valores críticos localizam-se na região central do SAB e em
áreas isoladas no norte e sul (Figura 18).

64
Figura 18. Distribuição espacial dos subíndices de propensão socioeconômica, quanto ao nível e condição econômica (A), social (B) e agropecuária (C).

5.4.3 Análises estatísticas entre os índices, IVDN e precipitação pluvial

Realizou-se uma correlação entre o índice de risco de secas, precipitação e IVDN,
visando verificar a relação entre as variáveis do trabalho e entender a sua dinâmica da delas
subídices de propensão socioeconômica. Assim, as nuvens de pontos (Figura 19) representam
a quantidade de munícipios por nível de propensão, vista anteriormente na tabela 4. Quanto à
organização, cada coluna de gráficos corresponde a um nível de propensão em ordem
crescente da esquerda para direita. As linhas estão organizadas por variáveis dependentes
conforme a ordem de análise. Os valores da correlação representa a média das variáveis por
município.
Para os subíndices de propensão socioeconômica a relação entre o IVDN e
precipitação mostram uma correlação positiva e significativa nos três níveis, indicando uma
relação direta da precipitação com o aumento ou diminuição da vegetação nos municípios
analisados. Desse modo, constata-se que a precipitação atua como um fator determinante na
condição cobertura vegetal do SAB. Outro ponto importante é que no nível 3, o grau de
correlação foi maior que os demais níveis.
A correlação do índice de risco de secas com a precipitação e com o IVDN
apresentou-se negativa. Essa resposta está associada à variabilidade a precipitação como
também da vegetação, devido à localização dos municípios analisados (Figura 18). Já que, a
resposta do IVDN varia dependendo da região, como foi visto na análise da tendência como
também na correlação interanual.

Figura 19. Correlação da precipitação, índice de risco de secas e IVDN, para os subíndices de
propensão da condição econômica (SIPe), social (SIPs) e agropecuária (SIPap), nos níveis 1, 2 e 3.

6 CONCLUSÕES
Foi possível representar características importantes da região, relacionadas à dinâmica
da vegetação e regime de chuvas, mostrando sinais de degradação e verdejamento no SAB.
A análise de tendência pelo SDVI e SPI-1, ainda existem limitações e incertezas no
entendimento da dinâmica da vegetação relacionada à precipitação, devido aos efeitos de
defasagens temporais heterogêneos.
O IVDN é um bom indicador de áreas degradadas, por mostrar a dinâmica da
vegetação no espaço e no tempo.
Tanto a análise de tendência e a correlação entre SDVI e SPI-1, como a correlação
interanual entre IVDN e precipitação, mostraram-se coerentes indicando que a vegetação do
bioma Caatinga é dependente da precipitação pluvial, sobretudo nas áreas ao norte do SAB.
A partir da análise interanual do IVDN contatou-se áreas com sinais de degradação em
alguns Estados do SAB, sobretudo na Bahia, comprovadas estatisticamente pela correlação
nula nas áreas degradadas.
Os indicadores biofísicos e socioeconômicos foram sensíveis na identificação de áreas
mais susceptíveis à degradação ambiental, como na região central do SAB, em termos
distribuição espacial.
Os resultados dos subíndices SIPe e SIPap foram menos propensos à condição
socioeconômica, podendo os resultados apresentar variação por influência de fatores que não
se incluem na metodologia, eque são de suma importância por se tratar de dados que chegam
mais próximos da realidade por características biofísicas da região.
As metodologias desta pesquisa são indicadas para serem aplicadas em análises, de
outras pesquisas por contribuirem agregando valores às novas técnicas de monitoramento de
áreas degradadas, atribuindo novos dados com melhor resolução espacial e temporal, como
também indicadores, no intuito de melhorar as análises e obter resultados mais eficientes.
O assunto desertificação deve ser tratado como um problema não somente ambiental,
mas também social e econômico. Existem dificuldades para lidar com o assunto, portanto é
importante a colaboração social e governamental para a mitigação do problema.

7 REFERÊNCIAS
BARBOSA, H. A.; LAKSHMI KUMAR, T. V.; SILVA, L. R. M. Recent trends in
vegetation dynamics in the South America and their relationship to rainfall. Natural
Razards. Vol. 77. Feb. 2015, p. 883-899.
BARBOSA, H. A. Vegetation dynamics over the Northeast region of Brazil. Scholars'
Press. 2014, 84p.
BARBOSA, H. A.; HUETE, A. R.; BAETHGEN, W. E. A 20-year study of NDVI
variability over the Northeast Region of Brazil. Journal Arid Enviroment. Vol. 67. May
2006, p. 288–307.
BARBOSA H. A. Análise espaço temporal de índice de vegetação AVHRR/NOAA e a
precipitação na regi ão nordeste do Brasil em 1982-85. Dissertação de mestrado. Abril
1998, 170p. Instituto Nacional de Pesquisas Espacias: São José dos Campos, Brazil.
BARET, F.; SMETS, B.; LACAZE, R. Normalized Difference Vegetation Index (NDVI),
SPOT/VGT. Product manual user. Version 1. 2015, 24p.
BERLATO, M. A.; FONTANA, D. C. El Niño e La Niña: impactos no clima, na vegetação e
na agricultura no Rio grande do Sul; aplicações de previsões climáticas na agricultura. Porto
Alegre. Editora UFRGS. 2003, 110p.
BOWKER, D. E. et al. Spectral reflectance of natural targets for use in remote sensing
studies. Scientific and technical information branch. NASA. Hampton, 1985, 184p.
BRASIL/INSTITUTO DE PESQUISA APLICADA. Produto Interno Bruto. Disponível
em: <http://www.ipeadata.gov.br/>. Acesso em: 08 de set. de 2015.
BRASIL/INSTITUTO NACIONAL DO SEMIÁRIDO. Estudo de caso: índice de propensão
econômica, social e agropecuário no semiárido brasileiro. Campina Grande: Editora Instituto
Nacional do Semiárido, 2014, 53p.
BRASIL/INSTITUTO NACIONAL DO SEMIÁRIDO. Desertificação e mudanças
climáticas no semiárido brasileiro. Campina Grande: Editora Instituto Nacional do
Semiárido, 2011, 209p.
BRASIL/MINISTÉRIO DO MEIO AMBIENTE. Atlas das áreas susceptíveis à
desertificação do Brasil. Brasília: Secretaria de Recursos Hídricos/Universidade Federal da
Paraíba. 2007, 134p.
BRASIL/MINISTÉRIO DA INTEGRAÇÃO NACIONAL/SECRETARIA DE POLÍTICAS
DE DESENVOLVIMENTO REGIONAL. Nova delimitação do Semiárido Brasileiro.
Brasília: MI. 2005, 35p.
BRASIL/MINISTÉRIO DO MEIO AMBIENTE. Mapa de cobertura vegetal: Caatinga.
2002. Disponível em: <www.mma.gov.br/biomas/caatinga/mapa-de-cobertura-vegetal>.
Acesso em: 20 de ago. de 2015.

BURGAN, R. E.; HARTFORD, R. A. Monitoring vegetation greenness with satellite data.
United States Department of Agriculture, Forest Service, General technical report INT-297,
Intermountain Forest and Range Experiment Station, Ogden, Utah, 1993, 13 p.
BURROWS, J.P. et al. Scanning imaging absorption spectrometer for atmospheric
chartography. Acta Astronaut. Bremen,vol.35, april 1995, p. 445–451.
CARRAO, H., BARBOSA P., VOGT, J. Assessing and mapping drought hazard in Africa
and South-Central America with a Meteorological Drought Severity Index. Geophysical
Research Abstracts. Vol. 17, nº. 15453, april 2015 (b)
CARRAO, H., BARBOSA P., VOGT, J. Assessing and mapping drought hazard in Africa
and South-Central America with a Meteorological Drought Severity Index (MSDI).
Viena, Austria: European Geosciences Union General Assembly. 2015, 4p. (a)
CARVALHO,V. C. O uso de sensoriamento remoto para um estudo de caso de
desertificação, a partir da análise de cobertura vegetal de Quixadá-PE. Seminário sobre
Desertificação no Nordeste. Brasília, SEMA/SPL, 1986.
CARVALHO, O. et al. Plano integrado para o combate preventivo aos efeitos das secas
no Nordeste. Brasília: Ministério do Interior/MINTER, 1973, p. 14.
FUNK, C.C. et al. A quasi-global precipitation time series for drought monitoring. U.S.
Geological Survey Data Series, Techinical report, vol. 832, 2014, 4p.
GAN, M. A; KOUSKY, V. E. Estudo observacional sobre as baixas frias da alta
troposfera nas latitudes subtropicais do Atlântico Sul e Leste do Brasil. São José dos
Campos, INPE, 1982, p. 429-453.
GDAL. Geospatial Data Abstraction Library. Disponível em: <http://www.gdal.org/>.
Data de acesso: 03 de jul de 2015
GUTTMAN, N. B. Accepting the Standardized Precipitation Index: A calculation
algorithm. Journal American Water Resources Association, vol.35, nº2, 1999, p. 311-322.
HOLBEN, B.N. Characteristics of maximum-value composite images from temporal AVHRR
data. International Journal Remote Sensing. Vol.7,nº 11, p. 1417–1434, 1986.
IBGE. Censo agropecuário 2006. Disponível em:
<http://www.sidra.ibge.gov.br/bda/acervo/acervo1.asp?z=t&o=3>. Acesso em: 08 de set de
2015.
IBGE. Censo populacional 2010. Disponível em:
<http://www.sidra.ibge.gov.br/bda/acervo/acervo1.asp?z=t&o=3>. Acesso em: 08 de set de
2015.
IBGE. Mapa de biomas e de vegetação. 2004. Disponível em: <http://www.ibge.gov.br>.
Data de acesso: 20 de ago de 2015.
ILWIS. ILWIS, the free user-friendly raster and vector GIS. Disponível em:
<http://www.ilwis.org/>. Data de acesso: 03 de jul de 2015.

JACKSON, R. D.; HUETE, A. R. Interpreting vegetation indices. Preventive veterinary
medicine.vol. 11, nº3 , Amsterdam, p. 185-200,1991.
KOUSKY, V.E.; GAN, M.A. Upper tropospheric cyclonic vortices in the tropical South
Atlantic. Tellus, vol.36,nº 6, p. 538-551 , Dec. 1981.
LLOYD-HUGHES, B.; SAUNDERS, M. A. A drought climatology for Europe. Intenational
Journal of Climatology. Vol.22, nº 13, p.1571–1592, jun 2002.
MAHESH, P., MATHER PM. An assessment of the effectiveness of decision tree methods
for land cover classification. Remote Sensing Environment. vol. 86, nº 4, p.554–565, aug
2003.
MATALLO JÚNIOR, H. Indicadores de desertificação: histórico e perspectivas. Brasília:
UNESCO, 2001. Disponível em: <http://unesdoc.unesco.org >. Acesso em: 15 de jan de 2015.
MCKEE, T. B.; DOESKEN, N. J.; KLEIST, J. The relationship of drought frequency and
duration of time scales. Eighth Conference on Applied Climatology, American
Meteorological Society, Anaheim CA, 1993, p.179-186.
MOLION, L. C. B.; OLIVEIRA, S. Uma revisão da dinâmica das chuvas no nordeste
brasileiro. Revista Brasileira de Meteorologia, vol. 17, nº 1, p.1-10. 2002.
NASCIMENTO, F. R. O fenômeno da desertificação. Goiânia: Editora UFG, 2013, 240 p.
NOBRE, C. A.; MOLION, L. C. B. The climatologic of drought prediction. Kluwer
Academic Publishers. The impact of variation on agriculture, vol. 2, 23 p., 1988.
PALMER, C.E. On high-level cyclones originating in the tropics. Transactions of
Americam Geophysics Union, vol. 32, nº 5:p. 683-695, 1951.
PAN BRASIL. Programa de Ação Nacional de Combate à Desertificação e Mitigação dos
Efeitos da Seca. Brasília: Ministério do Meio Ambiente/Secretaria de Recursos Hídricos,
2004, 34p.
PETERS, A. J. et al. Drought monitoring with NDVI-based standardized vegetation index.
Photogrammetric engineering and remote sensing, vol. 68, nº1, p. 71–75, 2002.
PNUD, Programa das Nações Unidas para o Desenvolvimento. Índice de Desenvolvimento
Humano Municipal Brasileiro. Brasília: PNUD, Ipea, FJP, 2013, 96 p.
PNUD, Programa das Nações Unidas para o Desenvolvimento. Índice de desenvolvimento
humano. 2010. Disponível em: <http://www.ipeadata.gov.br/>. Acesso em: 08 de ago de
2015.
PNUD, Programa das Nações Unidas para o Desenvolvimento. Índice de desenvolvimento
humano. 2000. Disponível em: <http://www.ipeadata.gov.br/>. Acesso em: 08 de ago de
2015.
PONZONI, F. J. Sensoriamento remoto no estudo da vegetação: diagnosticando a Mata
Atlântica. São José dos Campos, INPE, 2002, 28 p.

QGIS. Sobre o QGIS. Disponível em: <http://qgis.org/>. Data de acesso: 03 de jul de 2015.
SAINT, G. Products-vegetation system. Version 2, 1994. Disponível em: <http://www.spotvegetation.com >. Data de acesso: 06 de jul de 2015.
SALCEDO, I. H.; SAMPAIO, E. V. S. B. Matéria orgânica do solo no bioma caatinga. In:
SANTOS, G. S. et al. Fundamentos da matéria orgânica do solo: ecossistemas tropicais e
subtropicais. 2 Ed. Porto Alegre: Metrópole, p.419-441, 2008.
SAMPAIO, E. V. S. B. et al. Desertificação no Brasil: Conceitos, núcleos e tecnologias de
recuperação e convivência. Recife: UFPE, 2003. 202p.
SCIORTINO, Maurizio. Desertification in the Mediterranean. 2001. Disponível em: <
http://www.isodarco.it >. Data de acesso: 16 de mai de 2015.
SMETS, B.; JACOBS T.; SWINNEN, E. Normalized Difference Vegetation Index (NDVI).
Product user manual, version 2. 2015, 88p.
STILES, D. Desertification is not a myth. Desertification Control Bulletin: a bulletin of
world events in the control of desertification, restoration of degraded lands and reforestation,
n. 26, 1995, p. 29-36
UNCCD. Learning to combat desertification. Paris. 1997, 261 p. Disponível
em:<http://www.unccd.int/Lists/SiteDocumentLibrary/Publications/Educ%20Kit%20UNESC
O%20eng.pdf> Data de acesso: 25 de mar de 2015.
VENABLES, W. N.; SMITH, D. M. R: a programming Environment for Data Analysis and
Graphics. Disponível em: <https://cran.r-project.org>. Data de acesso: 02 de jul de2015
VITO. Data processing-vegetation system. 2010a. Disponível em: <http://www.spotvegetation.com >. Data de acesso: 08 de set de 2015.
VITO. The Spectral responses-vegetation system. 2010b. Disponível em:
<http://www.spot-vegetation.com >. Data de acesso: 08 de ago de2015.
WER. Desertification: its effects on people and land. Vol. 21, nº 1. 2009, 16 p.
WORSTER, Donald. Dust Bowl: The Southern Plains in the 1930s. New York: Oxford
University Press, 1979, 227 p.

8 APÊNDICE

Anexo 1. Artigo publicado na revista Natural Hazads sobre a metodologia de tendência aplicada nesse
trabalho