Rafael Araújo (2018).pdf
Rafael Araújo (2018).pdf
Documento PDF (4.9MB)
Documento PDF (4.9MB)
O
ga
UNIVERSIDADE FEDERAL DE ALAGAOS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA
Rafael Araújo da Silva
Modelagem da umidade do solo utilizando imagem de satélite para análise da variação
do solo/vegetação em Floresta – PE
Maceió
2018
RAFAEL ARAÚJO DA SILVA
Modelagem da umidade do solo utilizando imagem de satélite para análise da variação
do solo/vegetação em Floresta – PE
Dissertação de Mestrado apresentada ao
Programa de Pós-Graduação em Meteorologia,
da Universidade Federal de Alagoas, como
requisito para obtenção do título de Mestre em
Meteorologia.
Orientador: Prof. Dr. Heliofábio Barros
Gomes
Co-orientador: Prof. Dr.Thieres George Freire
da Silva
Maceió
2018
FICHA CATALOGRÁFICA
Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Bibliotecária Responsável: Helena Cristina Pimentel do Vale – CRB4 - 661
S586m
Silva, Rafael Araújo da.
Modelagem da umidade do solo utilizando imagem de satélite para análise da
variação do solo/vegetação em Floresta- PE / Rafael Araújo da Silva. – 2018.
68 f. : il.
Orientador: Heliofábio Barros Gomes.
Coorientador: Thieres George Freire da Silva.
Dissertação (mestrado em Meteorologia) – Universidade Federal de Alagoas.
Instituto de Ciências Atmosféricas. Maceió, 2018.
Bibliografia: f. 64-68.
1. Meteorologia operacional. 2. Satélites meteorológicos. 3. Sensoriamento
remoto. 4. Imagem de satélite. 5. Solo – Umidade - Medição. I. Título.
CDU: 551.501.86
AGRADECIMENTOS
Mais um ciclo que se encerra, e com certeza o mais complicado de todos tendo sempre que
conciliar o trabalho com os estudos nestes últimos 2 anos. Agradecer primeiro aos meus pais
Carlos e Fátima pela educação e o incentivo de sempre trilhar pelos estudos para superar os
desafios do cotidiano com dignidade. Aos meus irmãos Eliel e Daniel que apesar das brigas
nas horas mais complicadas sempre estavam à disposição para ajudar. A minha esposa Kamila
pela paciência e compreensão e a minha filha Yasmin que está por vir minha maior fonte de
inspiração e motivação. Ao meu amigo e orientador Prof. Dr. Heliofábio Barros Gomes, que
apesar das suas diversas ocupações no curso me aceitou como orientando e sempre se mostrou
disposto a me ajudar e aconselhar, muito embora às vezes preocupado dizia: “Vá trabalhar,
mas não vá me abandonar não, você vai terminar este mestrado”. Ao meu co-orientador Prof.
Dr. Thieres George Freire da Silva que ajudou bastante na parte estatística e com sugestões
sobre o trabalho e me fornecendo os dados utilizados na pesquisa. Aos meus amigos de
laboratório Ismael e Laurizio que me ajudaram desde o início com a instalação dos softwares
de sensoriamento remoto até o hoje com as discussões sobre os resultados que encontramos
nos trabalhos. Enfim a todos que me ajudaram de forma direta e indireta no Programa de Pósgraduação em Meteorologia da UFAL meu MUITO OBRIGADO!
RESUMO
A umidade do solo é um fator de grande relevância para análise da vegetação, pois esta tem
influência no desenvolvimento e crescimento das plantas, sendo a medição em campo a forma
mais precisa e utilizada para sua determinação. Todavia, a estimativa por sensoriamento
remoto vem ganhando cada vez mais credibilidade através da validação dos dados de satélite
por meio de índices e de medidas realizadas em campo. Neste contexto, o presente trabalho
teve como objetivo avaliar as alterações promovidas pela umidade na vegetação do semiárido
em decorrência da precipitação em Floresta – PE, através do albedo e dos índices de
vegetação (NDVI) e umidade (NDWI), calculados utilizando o algoritmo SEBAL. O índice
de diferença normalizada da água (NDWI), utilizado para validação e correlação com a
umidade do solo, foi medido em campo em três estações micrometeorológicas nas áreas de
caatinga, desmatada e palmas nas profundidades de 0 – 60 cm, obtendo valores confiáveis
principalmente nas camadas mais superficiais do solo. Foram encontrados valores positivos
do NDWI o que indica a presença de água nas plantas, podendo relacionar com os períodos de
chuva no local. Os valores negativos, os quais foram obtidos em maior quantidade neste
trabalho, indicam vegetação seca ou sem presença de água, representando a baixa precipitação
no período analisado. Para o NDVI, foram obtidos apenas valores positivos representando
absorção de energia através da clorofila em todas as imagens, uma vez que os valores
negativos para este índice são para presença de corpos d´água. Em relação ao albedo, foram
encontrados valores acima de 30% de energia sendo refletida para superfícies naturais com
vegetação, e sendo maiores nos períodos de seca acima dos 45% apresentando para esta época
solos expostos ou vegetação seca, acarretando em alterações sazonais na vegetação em
decorrência da precipitação ou ausência da mesma. Na parte estatística foram realizadas
regressão linear e correlação entre o NDWI x Umidade do solo obtendo equações que foram
utilizadas para extrapolar os dados de uma séria de temporal de NDWI para obtenção da
umidade do solo. Foi possível validar os dados das imagens de satélite pelo algoritmo
SEBAL, no entanto a extrapolação dos dados de umidade através do NDWI não foi possível
em virtude terem sidos obtidos valores negativos para umidade do solo, e o solo tem uma
parcela de umidade nem que seja pequena. Além disso o NDWI é um índice sensível a
presença de água na vegetação e não no solo, neste que ele se comporta de modo indiferente
com ou sem presença de água.
Palavras-chave: albedo, NDWI, NDVI, umidade do solo.
ABSTRACT
Soil moisture is a factor of great relevance for vegetation analysis, since it has influence on
the development and growth of the plants, being the field measurement the most accurate and
used for its determination. However, remote sensing estimation has been gaining increasing
credibility through the validation of satellite data through indices and field measurements. In
this context, the present work had the objective of evaluating the changes promoted by the
humidity in the vegetation of the semi - arid region due to precipitation in Forest - PE,
through albedo and vegetation indices (NDVI) and humidity (NDWI), calculated using the
SEBAL algorithm. The normalized water difference index (NDWI), used for validation and
correlation with soil moisture, was measured in the field in three micrometeorological stations
in the areas of caatinga, deforested and palms in the depths of 0 - 60 cm, obtaining reliable
values mainly in the most superficial layers of the soil. Positive values of NDWI were found,
which indicates the presence of water in the plants, which can be related to rainy periods in
the site. The negative values, which were obtained in greater quantity in this work, indicate
dry vegetation or without presence of water, representing the low precipitation in the analyzed
period. For the NDVI, only positive values representing energy absorption through
chlorophyll were obtained in all the images, since the negative values for this index are for the
presence of water bodies. In relation to the albedo, values above 30% of energy were found,
being reflected to natural surfaces with vegetation, and being higher in the dry periods above
45% presenting for this time exposed soils or dry vegetation, causing in seasonal changes in
the vegetation in precipitation or absence thereof. In the statistical part, linear regression and
correlation between NDWI and soil moisture were obtained, which were used to extrapolate
data from a NDWI seismic data to obtain soil moisture. It was possible to validate the data of
the satellite images by the SEBAL algorithm, however the extrapolation of the humidity data
through NDWI was not possible because negative values were obtained for soil moisture, and
the soil has a moisture plot little. In addition, the NDWI is a sensitive index to the presence of
water in the vegetation and not in the soil, in which it behaves indifferently with or without
the presence of water.
Keywords: albedo, NDWI, NDVI, soil moisture.
LISTA DE ILUSTRAÇÕES
Figura 1. Landsat 1. .................................................................................................................. 17
Figura 2. Cronologia do satélite Landsat. ................................................................................. 19
Figura 3. Espectro de absorção da clorofila. ............................................................................. 20
Figura 4. Espectro de absorção da água. ................................................................................... 22
Figura 5. Localização da área de estudo. .................................................................................. 29
Figura 6. Estações micrometeorológica (A) Sítio Caatinga (B) Sítio Área Desmatada (C) Sítio
Palma. ....................................................................................................................................... 30
Figura 7. (A) Sonda capacitiva (B) Sonda capacitiva instalada na Área Desmatada. ............. 36
Figura 8. Acumulado de precipitação mensal para os anos de 2015, 2016 e 2017. ................. 41
Figura 9. Evolução temporal do NDWI.................................................................................... 42
Figura 10. Evolução temporal do NDVI. ................................................................................ 43
Figura 11. Evolução temporal do Albedo. ................................................................................ 44
Figura 12. Estatística dos dados obtidos para o NDWI ............................................................ 45
Figura 13. Estatística dos dados obtidos para o NDVI ............................................................. 45
Figura 14. Estatística dos dados obtidos para o Albedo. .......................................................... 46
Figura 15. Umidade do solo x NDWI....................................................................................... 47
Figura 16. Umidade do solo x NDWI – Área Desmatada. ....................................................... 49
Figura 17. Umidade do solo x NDWI – Palmas. ...................................................................... 51
Figura 18. Inclinação dos ajustes.............................................................................................. 53
Figura 19. NDWI para o dia 27 de abril de 2015 obtido com o sensor OLI – Landsat 8. As
regiões assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆. 53
Figura 20. NDVI para o dia 27 de abril de 2015 obtido com o sensor OLI – Landsat 8. As
regiões assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆. 54
Figura 21. Albedo para o dia 27 de abril de 2015 obtido com o sensor OLI – Landsat 8. As
regiões assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆. 55
Figura 22. NDWI para o dia 23 de novembro de 2016 obtido com o sensor OLI – Landsat 8.
As regiões assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma
∆. ............................................................................................................................................... 56
Figura 23. NDVI para o dia 23 de novembro de 2016 obtido com o sensor OLI – Landsat 8.
As regiões assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma
∆. ............................................................................................................................................... 57
Figura 24. Albedo para o dia 23 de novembro de 2016 obtido com o sensor OLI – Landsat 8.
As regiões assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma
∆. ............................................................................................................................................... 57
Figura 25. Perfil longitudinal e altitude 371.447 m, na caatinga.............................................. 59
Figura 26. Perfil longitudinal e altitude 366,249 m, na desmatada. ......................................... 59
Figura 27. Perfil longitudinal e altitude 366,146 m, na palma. ................................................ 60
LISTA DE TABELAS
Tabela 1. Satélites da série Landsat. ......................................................................................... 18
Tabela 2. Características do Landsat 8 ..................................................................................... 19
Tabela 3. Classes de vegetação e valores de NDVI. ................................................................ 21
Tabela 4. Albedo para variadas superfícies no intervalo visível (%). ...................................... 25
Tabela 5. Datas das imagens utilizadas no estudo. ................................................................... 31
Tabela 7. Coeficientes dos pesos (𝐫𝐫𝐫𝐫, 𝐛𝐛) para o cálculo do albedo planetário através do uso de
imagens orbitais do Landsat 8- OLI. ........................................................................................ 33
Tabela 8. Valores de irradiância espectral no topo da atmosfera (𝐄𝐄𝐄𝐄𝐄𝐄𝐄𝐄𝐄𝐄, 𝐛𝐛) para imagens
orbitais do Landsat 8- OLI........................................................................................................ 34
Tabela 9. Localização das Estações Micrometeorológicas em UTM....................................... 35
Tabela 10. Valores críticos do coeficiente de correlação de Pearson r. ................................... 38
Tabela 11. Data das imagens utilizadas para extrapolação. ..................................................... 39
Tabela 12. Umidade do solo Estação Caatinga. ....................................................................... 40
Tabela 13. Correlação de Pearson e R² na Área de Caatinga para o NDWI x Umidade do solo.
.................................................................................................................................................. 48
Tabela 14. Correlação de Pearson e R² na Área Desmatada para o NDWI x Umidade do solo.
.................................................................................................................................................. 50
Tabela 15. Correlação de Pearson e R² na Área de Palma para o NDWI x Umidade do solo.52
Tabela 16. Extapolação dos valores para a Caatinga................................................................ 60
Tabela 17. Extrapolação dos valores da Área Desmatada. ....................................................... 61
Tabela 18. Extrapolação dos valores para Palma. .................................................................... 61
LISTA DE ABREVIATURAS E SIGLA
ERTS
Earth Resources Technology Satellite
ETM
Enhanced Thematic Mapper
IR
Infrared
LANDSAT
Land Remote Sensing Satellite
MMA
Ministério do Meio Ambiente
MSS
Multispectral Scanner System
NASA
National Aeronautics and Space Administration
NDVI
Normalized Difference Vegetation Index
NDWI
Normalized Difference Water Index
OLI
Operational Land Imager
RBV
Return Bean Vidicon
SEBAL
Surface Energy Balance Algorithm For Land
TIRS
Thermal Infrared Sensor
TM
Thematic Mapper
USGS
United Service Geological Survey
12
SUMÁRIO
1
INTRODUÇÃO ............................................................................................................... 12
2
OBJETIVOS .................................................................................................................... 14
2.1
OBJETIVO GERAL .................................................................................................. 14
2.2
OBJETIVOS ESPECÍFICOS..................................................................................... 14
3
REVISÃO BIBLIOGRÁFICA ....................................................................................... 15
3.1
Sensoriamento Remoto .............................................................................................. 15
3.2
História do programa Landsat .................................................................................... 17
3.2.1
Landsat 1 ...................................................................................................................... 17
3.2.2
Landsat 5 ...................................................................................................................... 18
3.2.3
Landsat 8 ...................................................................................................................... 18
3.3
Índices estimados pelo satélite ................................................................................... 19
3.3.1
Índice de vegetação por diferença normalizada (NDVI) ou (IVDN) ............................ 19
3.3.2
Índice de diferença normalizada da água (NDWI) ........................................................ 22
3.3.3
Albedo .......................................................................................................................... 24
3.4
Umidade do solo ........................................................................................................ 26
3.5
Surface Energy Balance Algorithm For Land (SEBAL) ............................................ 27
4
METODOLOGIA ........................................................................................................... 29
4.1
Caracterização da área de estudo ............................................................................... 29
4.2
Estações micrometeorológicas ................................................................................... 30
4.3
Precipitação ................................................................................................................ 30
4.4
Processamento de dados ............................................................................................ 31
4.4.1
Cálculo dos índices ....................................................................................................... 31
4.4.2
Albedo .......................................................................................................................... 32
4.4.2.1
Reflectância..................................................................................................... 32
4.4.2.2
Distância Terra-Sol (𝒅𝒅𝒅𝒅) ................................................................................ 33
4.4.2.3
Cálculo do albedo planetário (atoa) .................................................................. 33
4.4.2.4
Coeficientes de Irradiância ............................................................................. 33
4.4.2.5
Transmissividade (𝝉𝝉𝝉𝝉) ................................................................................... 34
4.4.2.6
Cálculos do albedo em superfície (α) ............................................................. 35
4.5
Umidade do solo ........................................................................................................ 35
4.6
Análise Estatística ...................................................................................................... 36
4.6.1
Resumo dos cinco números .......................................................................................... 36
4.6.2
Regressão ..................................................................................................................... 37
13
4.6.2.1
Correlação ....................................................................................................... 37
4.6.3
Calibração e Validação ................................................................................................. 39
4.6.4
Extrapolação ................................................................................................................. 39
5
RESULTADOS E DISCUSSÕES .................................................................................. 40
6
CONCLUSÃO ................................................................................................................. 62
7
RECOMENDAÇÕES PARA TRABALHOS FUTUROS ........................................... 63
REFERÊNCIAS...................................................................................................................... 64
12
1
INTRODUÇÃO
O sensoriamento remoto é a ferramenta que mais vem sendo utilizada em
diversos estudos ao longo desta última década Haubrock et al. (2008), Gomes (2009),
De Oliveira et al. (2010), Albuquerque et al. (2014) Farg et al. (2017), mediante uso de
imagens de satélites. O Landsat 5 foi um dos satélites que ampliou o uso de imagens de
satélites para fins de pesquisa através de índices estimados pelos satélites sendo
relacionados com valores obtidos em campo por meio de estações micrometeorólogicas.
Atualmente
os satélites tem
acoplados sensores que
possibilitam a
disponibilização de imagens com resoluções espaciais cada vez melhores, como no caso
do Landsat 8 , onde as imagens possuem resolução de 15 metros (pancromática) e 30
metros (visível e infravermelho) para o sensor OLI, além de atingir outras bandas do
espectro pelo sensor TIRS obtendo imagens na região do Infravermelho termal
(resolução de 100 metros).
Atrelado ao avanço do sensoriamento remoto, tem os avanços das tecnologias da
informática, pois o computador é de suma importância para realização dos cálculos
através de operações aritméticas utilizadas em algoritmos que trabalham com as bandas
do espectro eletromagnético.
Neste estudo foi utilizado o algoritmo Surface Energy Balance Algorithm For
Land - SEBAL para cálculo dos índices de vegetação (NDVI), umidade (NDWI) e o
albedo, de imagens do Landsat 5 e 8. Com o objetivo de avaliar as alterações ocorridas
na vegetação em decorrência da precipitação em Floresta – PE. Em razão dos índices
propiciarem embasamento para o cultivo de culturas observando o seu crescimento, área
foliar e desenvolvimento metabólico, que servem de informações para uma melhor
análise e aproveitamento da vegetação.
A umidade do solo, que foi medida nas estações micrometeorológicas nas áreas
de caatinga, desmatada e palma através de sondas capacitivas, é um fator de grande
relevância para análise da vegetação, e esta tem influência no desenvolvimento e
crescimento das plantas. Em vista que no desenvolvimento das plantas, ocorre a
interação das plantas com a radiação eletromagnética para realização da fotossíntese
podendo ser obtida pela absorção de energia através da clorofila.
Além disso, a umidade na vegetação advinda das chuvas ou irrigação na região
do semiárido modificam a paisagem do local de uma forma rápida, trocando aquela
13
aparência de ambiente seco por verde em períodos chuvosos, pois a água é um dos
fatores essenciais para o desenvolvimento das plantas.
Embora a principal finalidade das imagens neste estudo foi para realização de
cálculos de índices estimados pelo satélite, as imagens servem para o monitoramento
espaço-temporal das lavouras, para percepção de secas e estimativa da produtividade.
Estes benefícios que podem acarretar em um melhor controle da lavoura desde o seu
plantio até a sua colheita na região do semiárido pernambucano.
Neste trabalho foram utilizadas análises estatísticas advindas de medidas de
umidade do solo em campo e estimadas pelo satélite com o NDWI, sendo utilizados
coeficiente como r² e o r de Pearson, coeficientes que determinam os dados observados
e a intensidade da relação linear. Sendo utilizados para análise da relação entre a
umidade e o NDWI e a possibilidade de extrapolar os dados em uma série temporal
entre os anos de 1985 e 2005 através de dados estimados pelo satélite.
14
2
OBJETIVOS
2.1
OBJETIVO GERAL
Avaliar as alterações promovidas pela umidade do solo na vegetação do
Semiárido em decorrência da precipitação em Floresta – PE, através do albedo e dos
índices de vegetação e umidade.
2.2
OBJETIVOS ESPECÍFICOS
•
Calcular o albedo, índice de diferença normalizada da água e o índice de
vegetação por diferença normalizada por meio do algoritmo Surface Energy
Balance Algorithm For Land – SEBAL.
•
Medir a umidade do solo in loco com sondas capacitivas e a precipitação através
de estações micrometeorológicas nas áreas de caatinga, desmatada e palma e a
interferência destas no albedo e nos índices de vegetação e umidade.
•
Validar os dados estimados pelo satélite através de técnicas/análises estatísticas.
•
Extrapolar o comportamento do NDWI ao longo de uma série temporal para
obtenção da umidade do solo.
15
3
REVISÃO BIBLIOGRÁFICA
3.1
Sensoriamento Remoto
Em 1940 iniciou-se a utilização das técnicas de sensoriamento remoto no estudo
da vegetação no Brasil, com a produção de mapas temáticos realizados mediante
fotografias aéreas, tendo na década de 70 um dos marcos mais significativos: o projeto
Radambrasil que teve como finalidade representar espacialmente classes fisionômicas da
cobertura vegetal de todo território nacional a partir de imagens obtidas por um radar
aerotransportado. Além disso, serviu para estudos sobre o meio ambiente e os recursos
naturais como a geologia, os solos e a geomorfologia (PONZONI, SHIMABUKURO e
KUPLICH, 2015).
De acordo com Novo (2008), sensoriamento remoto pode ser definido como a
interação entre o satélite e a superfície através da energia eletromagnética que incide e é
refletida pelo alvo. É uma ferramenta que vem sendo cada vez mais aprimorada e
utilizada no desenvolvimento de diversas pesquisas e locais diferentes : Accioly et al. (
2001) no Seridó-RN; Cardozo (2009) na região do Pantanal-MS; Gomes (2009) em
Santa Rita do Passo-SP; De Oliveira et al. (2010) no rio Moxotó-PE; Gonzaga, Santos e
Nicácio (2011) no Sertão-AL; Albuquerque et al. (2014) em Sousa-PB; Farg et al.
(2017) região do Nilo no Egito.
A utilização das técnicas de sensoriamento remoto se constitui numa importante
ferramenta para a identificação dos fragmentos de vegetação principalmente porque ele
proporciona uma excelente resposta de estudos locais dentro de uma escala global
(CABACINHA e DE CASTRO, 2009).
Gomes (2009) afirma que vem aumentando as pesquisas utilizando imagens de
satélites orbitais e técnicas de sensoriamento remoto para estimar parâmetros biofísicos.
Esta ferramenta, que é importante para análise de mudanças em diversos biomas
terrestres, vem sendo utilizado em áreas de culturas diferentes e com estágios diversos de
desenvolvimento e umidade. As técnicas de sensoriamento remoto têm recursos
importantes para mapear as características da água de superfície e monitorar a dinâmica
de água da superfície (JI, ZHANG e WYLIE, 2009).
Segundo Liou (2009), o sensoriamento remoto é uma ferramenta importante para
análise da vegetação e propriedades da superfície através de satélites utilizados em
diversas temáticas como meteorologia, hidrologia e geografia entre outras. A detecção
remota envolve a interpretação e a inversão de medições das radiações eletromagnéticas
16
a uma distância, onde a radiação é caracterizada por um comprimento de onda
específico.
O sensoriamento remoto, por meio de imagens orbitais, permite o monitoramento
espaço-temporal dos recursos naturais em diversas partes do mundo de maneira eficiente
e sistemática, vindo a apresentar grande auxílio nas áreas de agricultura, previsões
meteorológicas e hidrológicas. Deste modo, diversos índices têm se apresentado mais
recorrente na literatura, como os índices de vegetação e do albedo superficial (DE
OLIVEIRA et al, 2010). O sensoriamento remoto tem sido utilizado por diversos
pesquisadores com intuito de obter resultados satisfatórios a respeito da dinâmica da
vegetação (FERREIRA et al, 2012).
Para Albuquerque et al. (2014) usar imagens de satélite possibilita uma ampla
visão de uma determinada região analisando, a dinâmica da paisagem em diferentes
escalas de acordo com o tipo do sensor. Na região Nordeste, vários estudos são
desenvolvidos com intuito de caracterizar, monitorar e mapear as mudanças ocorridas na
cobertura vegetal e no uso do solo, através de índices estimados pelos sensores orbitais:
Accioly et al. (2001) no Seridó-RN; Costa Filho et al. (2007) em Sousa-PB, De Oliveira
et al. (2010) no rio Moxotó-PE; Gonzaga, Santos e Nicácio (2011) no Sertão-AL; Farias
et al. (2017) no Agreste-PE.
Farias et al (2017) cita que o sensoriamento remoto permite obter imagens da
superfície terrestre através da interação da radiação eletromagnética, contribuindo para o
planejamento da utilização dos recursos naturais e análise ambiental.
Segundo Williamson et al. (2018) existem grandes redes de monitoramento de
umidade do solo in situ em regiões congeladas sazonalmente que podem ter uso para
validação de produtos de sensoriamento remoto de congelamento e descongelamento do
solo.
As técnicas estatísticas são mais utilizadas em computação, no entanto está sendo
indispensável para validação dos produtos de sensoriamento remoto para medições
terrestres ou para outros modelos. Uma ampla variedade de algoritmos foi proposta para
produzir mapas de sensoriamento remoto (ZAMMIT-MANGION, CRESSIE e
SHUMACK, 2018).
De acordo com Galvis, Gançarski e Équille (2018) as imagens de satélite tem se
tornado um requisito indispensável em diversas aplicações como gerenciamento de
desastres, mapeamento de florestas e planejamento urbano.
17
3.2
História do programa Landsat
Na época da corrida armamentista da Guerra Fria (1945-1991), Estados Unidos e
União Soviética disputavam poder em armas e tecnologias para construção de foguetes e
satélites. O Land Remote Sensing Satellite – (Landsat) foi criado nos Estados Unidos
associado às missões do projeto Apollo, programa com objetivo de levar o homem à Lua,
este que foi pioneiro em fotografar a superfície terrestre do espaço. (SITE DO
LANDSAT 2018).
Em 1965, o diretor do United Service Geological Survey (USGS), William
Pecora, propôs a ideia de um programa de satélite de sensoriamento remoto para coletar
dados sobre os recursos naturais da Terra. Em 1970. a NASA tinha uma luz verde para
construir um satélite. Surpreendentemente, em apenas dois anos, o Landsat 1 foi lançado,
anunciando uma nova era de sensoriamento remoto da terra a partir do espaço.
3.2.1 Landsat 1
Foi lançado, em 23 de Julho de 1972. o Landsat 1 conhecido como Earth
Resources Technology Satellite (ERTS), sendo o primeiro satélite de observação da
Terra a ser lançado com a intenção expressa de estudar e monitorar as massas terrestres
do nosso planeta (Figura 1).
Figura 1. Landsat 1.
Fonte: Site da Nasa, 2017.
O Landsat 1 operou até janeiro de 1978 sobrevivendo a sua vida de projeto por
cinco anos, adquirindo 300.000 imagens que forneceram a cobertura repetida das
superfícies terrestres da Terra. A qualidade e o impacto da informação resultante
excederam todas as expectativas. Na época que o Landsat 1 parou de operar já existia o
18
Landsat 2 e estava na iminência de lançamento do 3 de uma série de satélites que
continuaram ao longo dos anos (Tabela 1).
Tabela 1. Satélites da série Landsat.
Satélite
Lançamento
Sensor
Landsat 1
1972
RBV e MSS
Landsat 2
1975
RBV e MSS
Landsat 3
1978
RBV e MSS
Landsat 4
1982
RBV e MSS
Landsat 5
1984
MSS e TM
Landsat 6
1993
ETM
Landsat 7
1999
ETM+
Landsat 8
2013
OLI e TIRS
Fonte: Adaptado de Nasa, 2013.
3.2.2 Landsat 5
O Landsat 5 veio para revolucionar a série de satélite landsat sendo lançado em 1
de março de 1984, com os sensores de Sistema de Varredores Multiespectrais (MSS) e o
instrumento Mapeador Temático (TM). Operando por mais de 30 anos sendo os
instrumentos do satélite desligados em janeiro de 2013, após problemas com o
giroscópio no final de 2012.
3.2.3 Landsat 8
Em 11 de fevereiro de 2013, na Base da Força Aérea de Vandenberg, na
Califórnia, em um foguete Atlas-V 401. foi lançado o satélite Landsat 8. O satélite foi
desenvolvido em parceria entre a NASA e o USGS. A NASA liderou as fases de projeto,
construção, lançamento e calibração em órbita, durante o qual o satélite foi chamado de
Landsat Data Continuity Mission (LDCM). O USGS lidera atividades de calibração póslançamento, operações de satélites, geração de dados e arquivamento de dados.
A carga útil do satélite Landsat 8 consiste em dois sensores: o Operational Land
Imager (OLI) e o Thermal Infrared Sensor (TIRS). Estes que fornecem cobertura
sazonal da massa terrestre global em uma resolução espacial de 30 metros (visível, NIR,
SWIR); 100 metros (térmica) e 15 metros (pancromática). O Landsat 8 tem adquirido
regularmente 550 cenas por dia com as suas 11 bandas espectrais (Tabela 2), o que
aumenta a probabilidade de capturar cenas sem nuvens para a massa terrestre global.
19
Tabela 2. Características do Landsat 8
Banda
Comprimento de onda (µm)
Resolução (m)
1 – Aerossol
0.433 – 0.453
30
2 – Azul
0.450 – 0.515
30
3 – Verde
0.525 – 0.600
30
4 – Vermelho
0.630 – 0.680
30
5 - IV próximo
0.845 – 0.885
30
6 - IV médio
1.560 – 1.660
30
7 - IV distante
2.100 – 2.300
30
8 - Pancromático
0.500 – 0.680
15
9 – Cirrus
1.360 – 1.390
30
10 – IV termal I
10.600 – 11.200
100
11 – IV termal II
11.500 – 12.500
100
Fonte: Adaptado de Nasa, 2013.
Após o lançamento do Landsat 8 em 2013 a tendência é que a série cronológica
(Figura 2) das novas edições dos satélites sejam construídos e desenvolvidos com
modernizações e aperfeiçoamentos para serem colocados em órbita no decorrer dos
próximos anos.
Figura 2. Cronologia do satélite Landsat.
Fonte. Site da Nasa, 2017.
3.3
Índices estimados pelo satélite
3.3.1 Índice de vegetação por diferença normalizada (NDVI) ou (IVDN)
Para Cabacinha e De Castro (2009) o uso de índices de vegetação como
indicadores da integridade da floresta mostrou ser uma ferramenta útil para o
planejamento ambiental e também para estratégias de conservação. Os índices de
vegetação são constituídos por equações algébricas envolvendo faixas de reflectância
20
que determinam a cobertura vegetal e sua densidade, permitindo assim a identificação de
mudanças. A alteração de valores dos índices está relacionada com a mudança de
variáveis biofísicas da cobertura vegetal (PONZONI, SHIMABUKURO e KUPLICH,
2015).
Os cálculos dos índices de vegetação são computados utilizando a reflectância
monocromática. O Índice de Vegetação por Diferença Normalizada (IVDN), do inglês
Normalized Difference Vegetation Index (NDVI), proposto por Tucker (1979) é obtido
através da razão entre a diferença das reflectâncias do infravermelho próximo (IVp)
aproximadamente 0.860 µm e do vermelho ~ 0.660 µm e a soma das mesmas
reflêctâncias (ALLEN et al, 2002):
De acordo com Gao (1996) a banda IVp é interessante por mostrar uma alta
reflectância independente das condições da vegetação, pois a absorção pelas plantas
desta banda é desprezível. Enquanto isso a banda do vermelho é altamente sensível a
presença de clorofila, que é uma substância presente na folha das plantas. A Figura 3
mostra o espectro de absorção da clorofila. Observa-se que na região em torno de 0.660
µm a absorção é elevada, o que torna a banda do vermelho sensível a análise de presença
das camadas de folha, em contrapartida o IVp tem condições de identificar cerca de oito
camadas de folhas.
Figura 3. Espectro de absorção da clorofila.
Fonte. Fernandes et al, 2016.
O processo de interação entre a radiação eletromagnética e a vegetação faz
recordar que os vegetais realizam fotossíntese, decorrente da absorção da radiação
eletromagnética por alguns pigmentos fotossintetizantes como a clorofila, e esta absorção
não ocorre em todo o espectro eletromagnético, mas na região do visível entre os
21
comprimentos de onda de 0.40 e 0.72 µm, sendo as folhas das plantas responsáveis pela
interação com a radiação (PONZONI, SHIMABUKURO e KUPLICH, 2015).
Embora muitos índices vegetativos existam, o mais usado e conhecido atualmente
é o NDVI, obtido através de uma operação aritmética entre a banda que mais reflete pela
que menos reflete. Portanto, é um índice vegetativo, calculado como uma razão entre a
refletividade medida nas regiões do vermelho e infravermelho próximo do espectro
eletromagnético, sendo essas duas bandas espectrais selecionadas em razão de serem
mais afetadas pela absorção da clorofila pela folhagem da vegetação verde e,
consequentemente, pela densidade dessa vegetação na superfície (COSTA FILHO et al.,
2007).
Segundo Duarte (2011) técnicas de processamento digital de imagens tem se
mostrado eficazes nos estudos de mudança na vegetação e uso do solo, como também na
análise de áreas degradadas no semiárido como no caso do NDVI.
O NDVI possui valores que variam entre -1 e 1 e é utilizado para diferenciar os
níveis de crescimento da vegetação (MORAIS et al. 2011). Sendo os valores de NDVI
classificados por Francisco et al. (2012) de acordo com tipo da vegetação conforme
Tabela 3.
Tabela 3. Classes de vegetação e valores de NDVI.
Classes de vegetação
Valores de NDVI
Arbórea muito densa
> 0.350
Arbórea densa
0.350 – 0.320
Subarbórea densa
0.320 – 0.300
Subarbórea arbustiva densa
0.300 – 0.285
Arbustiva subarbórea densa
0.285 – 0.265
Arbustiva subarbórea aberta
0.265 – 0.250
Arbustiva subarbustiva aberta
0.250 – 0.225
Subarbustiva arbustiva rala
0.225 – 0.200
Subarbustiva arbustiva muito rala
0.200 – 0.150
Solo exposto
0.150 – 0.000
Água
0.000 – -1.000
Fonte: Adaptado de Francisco et al, 2012.
22
3.3.2 Índice de diferença normalizada da água (NDWI)
De acordo com Gao (1996) o índice de diferença normalizada da água (NDWI) é
utilizado para detecção da água líquida na vegetação a partir do espaço, obtido através
das bandas do infravermelho próximo (~ 0.86µm) e médio (~ 1.240 µm).
Para Gates et al. (1965) a maioria das pesquisas realizadas sobre as propriedades
espectrais das folhas se preocupou em analisar a região do visível, tendo duas regiões do
espectro onde ocorrerá pouca absorção por parte das folhas, sendo uma delas no visível,
entre 0.50 – 0.60 µm e outra na região do infravermelho 0.70 µm – 1.20 µm. Já para os
comprimentos de ondas superiores a 1.20 µm a absorção de vapor de água aumenta
acentuadamente.
Na região do infravermelho próximo (0.72 – 1.10) µm a absorção de água é baixa
ocorrendo pequena absorção da radiação e considerável espalhamento interno da
radiação da folha, nesta região a reflectância é quase constante, enquanto na região do
infravermelho médio 1.11 – 3,20 µm a absorção da água líquida afeta a reflectância das
folhas, sendo a absorção maior em 1.10; 1.45; 1.95 e 2.7 µm (PONZONI,
SHIMABUKURO e KUPLICH, 2015), sendo destacado os pontos próximos de 1.50 e
2.00 na Figura 4.
Figura 4. Espectro de absorção da água.
Fonte. Site da Engesat, 2018.
23
O NDWI é um índice de vegetação independente podendo ser complementar ao
índice de vegetação por diferença normalizada - NDVI (GAO 1996). Este índice tem
relação com o conteúdo de água presente nas folhas das plantas e pode ser obtido pela
combinação de bandas espectrais dos satélites orbitais (CARDOZO, 2009).
O índice espectral da água é um número obtido de uma operação aritmética de
duas ou mais bandas espectrais, sendo a energia absorvida pela água nas bandas do
infravermelho próximo e médio. A operação aritmética é responsável também pela
melhoria dos sinais espectrais contrastando a reflectância entre diferentes comprimentos
de onda, que também cancela uma grande parte dos componentes dos ruídos (JI;
ZHANG e WYLIE, 2009).
Em pesquisa realizada no Pantanal sul-mato-grossense, Cardozo (2009) obteve,
para áreas alagadas, resultados para o NDWI com valores negativos e positivos, que
representam área com predominância de solo e vegetação seca, e área com vegetação
verde e água, respectivamente; para as áreas antropizadas, assim como as com solo
exposto, apresentam valores mais baixos de umidade, as quais também apresentam
valores mais elevados para o albedo de superfície (DE OLIVEIRA et al., 2010).
Em estudo realizado por De Oliveira et al. (2010) que avaliou as mudanças
ocorridas espaço-temporalmente na bacia do rio Moxotó-PE através do NDWI e albedo
foram encontrados resultados que caracterizavam as áreas com vegetação arbustiva e
fechada com valores mais elevados de umidade com índices de NDWI superiores a 0.25;
no sertão Alagoano para o NDWI apresentou valores mais elevados nos períodos
chuvosos em razão da vegetação responder fortemente a ocorrência das precipitações. Já
nos períodos mais secos são encontrados os valores mínimos. (GONZAGA, SANTOS E
NICÁCIO, 2011).
Farias (2017), em seu estudo da variabilidade espaço-temporal da cobertura do
solo por índices de vegetação e água no agreste Pernambucano, obteve que o baixo
regime pluviométrico em dias próximos as imagens resultaram em valores de NDWI
abaixo de 0. Sendo encontrados valores entre 0.0873 e -0.0583 para os anos de 2006 e
2010 respectivamente, evidenciando neste estudo áreas com baixo teor de presença de
água na região do Agreste Pernambucano.
O produto obtido pelo cálculo do NDWI é adimensional e varia entre -1 e 1. em
decorrência do teor de água da folha, e também do tipo de vegetação e cobertura. Os
valores de NDWI elevados representam cobertura vegetal e um alto teor de água na
vegetação. Já os valores baixos correspondem ao baixo teor de água da vegetação e
pouca cobertura vegetal, logo, no período de estresse hídrico o NDWI irá diminuir
24
(CASTRO, SARTORI e MORAES, 2017). O NDWI tem possibilidade de ressaltar as
acumulações hídricas e minimizar o restante dos alvos da superfície dependendo das
bandas utilizados no cálculo (RODRIGUES, MORAIS e PASCHOAL, 2017).
Em estudo do NDWI para estações chuvosas e secas na Bacia do Córrego
Barreiro – (TO) foi observado que na estação seca diante dos processos de irrigação do
tipo inundação, o nível do lençol freático é alterado, acarretando em valores de NDWI
variando entre 0.012 e -0.421. sendo a maior parte dos valores negativos encontrados em
áreas de maiores altitudes tanto na seca como na estação chuvosa (RODRIGUES,
MORAIS E PASCHOAL, 2017).
Para Ding et al (2017) o NDWI é um índice que pode ser utilizado para
identificar o fim da atividade metabólica da vegetação. Observado através do declínio do
metabolismo nos períodos de seca. Para Farg et al. (2017) em estudo realizado no Nilo
oriental obteve resultados positivos na correlação entre o NDWI e a profundidade da
água.
Em estudo realizado no Alaska, Mahto e Kushwaha (2018) classificou o NDWI
em três classes: pixel de água pura, pixel de não água e pixel de solo parcialmente
saturado sendo utilizado para monitorar as mudanças com relação a água e o conteúdo
em corpos d'água
3.3.3 Albedo
Para todo o espectro solar, o coeficiente de reflexão de uma superfície é
comumente conhecido como albedo, um termo emprestado da astronomia e derivado do
latim para “brancura”. O albedo é definido como a fração da energia recebida no
intervalo do espectro solar (0.3 a 3,0µm) que é refletida por uma superfície
(MONTEITH e UNSWORTH, 1990). Segundo Bastiaanseen (2000) albedo é a razão
entre a quantidade de energia refletida pelo alvo e a energia incidente no mesmo. O
albedo determina o fluxo solar disponível na superfície e é o parâmetro essencial na
discussão do clima sobre a terra (LIOU, 2009).
O albedo pode ser medido em campo por meio de piranômetros que possuem
campo de visada hemisférico e integram toda a radiação refletida no espectro solar e
quando utilizados sem a presença de nuvens não sofrem interferência da atmosfera. Os
sensores orbitais têm sido utilizados com maior frequência na avaliação das mudanças do
albedo de superfície por apresentarem vantagens como a possibilidade de monitoramento
de grandes áreas (ACCIOLY et al, 2001).
25
Para Gomes (2009) o albedo varia de acordo com as características da superfície,
sendo uma medida adimensional obtida pela razão entre a radiação solar direta e a difusa
em função do ângulo zenital solar com valores altos encontrados próximo ao nascer e pôr
do sol e mínimos próximo ao meio dia. Este índice varia em função da posição do sol,
grau de cobertura do solo e com o tamanho da planta, umidade do solo e do ar e a
cobertura de nuvens (OLIVEIRA, 2010).
Para as superfícies da água, o albedo varia de cerca de 6 a 9%, exceto nos casos
envolvendo o baixo ângulo solar que está associado às altas latitudes do hemisfério de
inverno. Já para as várias superfícies terrestres pode variar de 10 a 40%. Por exemplo, os
desertos e as dunas de areia têm cerca de 30-40%, enquanto que para os prados e as
florestas são cerca de 10%. Os albedos de neve e gelo são bem maiores do que 40%.
Além disso, os albedos de algumas superfícies de vegetação variam de acordo com o
comprimento de onda e com o tipo de vegetação (LIOU 2009).
Oliveira et al (2010) em sua pesquisa as áreas de solo exposto refletiram mais que
as áreas com solos mais vegetados. No caso do solo seco podem apresentar variação de
albedo entre 8 e 40%, em contrapartida, em solo úmido, a variação ocorre entre 4 e 20 %
(OLIVEIRA et al, 2010).
A classificação deste índice para o intervalo do visível (OLIVEIRA, VIANELLO
e FERREIRA, 2001) pode ser observada na Tabela 4.
Tabela 4. Albedo para variadas superfícies no intervalo visível (%).
Superfície
Características
Superfície de água
Superfícies naturais
Albedo (%)
6–8
Deserto
25 – 30
Savana, estação seca
25 – 30
Savana, estação chuvosa
15 – 20
Pastagens verdes
10 – 20
Grama
15 – 25
Floresta
10 – 20
Superfície do mar (pequena altura do sol)
10 – 70
26
Superfície
Características
Albedo (%)
Superfície do mar (sol > 25° acima do horizonte)
< 10
Nuvens espessas
70 – 80
Nuvens finas
25 – 50
Dunas de areia, seca
35 – 45
Dunas de areia, molhada
20 – 30
Areia, deserto
25 – 40
Solo escuro
5 – 15
Solo argila, seca
20 – 35
Solo arenoso, seco
25 – 45
Concreto, seco
17 – 27
Estradas, asfalto
5 – 10
Neve (limpa, seca)
75 – 95
Neve (molhada e/ou suja)
25 – 75
Solo descoberto
Fonte: Oliveira, Vianello e Ferreira (2001).
3.4
Umidade do solo
A umidade do solo é definida como a massa de água contida em uma amostra de
solo dividido pela massa de solo seco. O teor de umidade no solo é um dos fatores
determinantes de alguns processos hidrológicos em uma bacia hidrográfica, como por
exemplo, na separação entre as parcelas da precipitação que infiltra e a que escoa
superficialmente (NASCIMENTO, 2002).
Para Haubrock et al. (2008), a umidade do solo é uma das principais variáveis
nos processos de controle do ciclo hidrológico. As informações sobre a umidade do solo
são necessárias para monitoramento e modelagem dos processos nas superfícies em
várias escalas espaciais, sendo muitos destes modelos validados com a quantificação da
27
umidade do solo em relação ao reflorestamento, porém somente alguns foram aplicados
a partir do sensoriamento remoto e amplamente validados em campo.
A umidade do solo possui uma grande variabilidade espaço-temporal decorrente
de alguns fatores como: a textura do solo, tempo, vegetação e topografia, sendo a
umidade do solo um fator importante para o crescimento e desenvolvimento das plantas,
estando altamente relacionada com as características temporais e a intensidade de
precipitação (DOS SANTOS, MONTENEGEGRO E SILVA, 2011).
De acordo com Cortez et al (2015) os horários que foram realizadas as leituras
influenciaram sobre a umidade e a temperatura do solo em todos os estágios de
desenvolvimento do milho.
Segundo Esch et al. (2018) a umidade do solo tem influência nos processos de
troca hidrológica e meteorológica na superfície da terra e é um dos principais fatores nos
processos de troca solo-vegetação-atmosfera, interferindo no crescimento das plantas e
na produção de alimentos relação com a umidade do solo. Existem diferentes métodos
para estimar a umidade do solo e o sensoriamento remoto é uma ferramenta que pode ser
utilizada para estimar os valores da superfície.
3.5
Surface Energy Balance Algorithm For Land (SEBAL)
O SEBAL foi elaborado em 1993 com intuito de mapear valores advindos da
energia da superfície, e diferentes dos outros modelos de sensoriamento remoto não
precisa de medições em terra (BASTIAANSSEN; HOEKMAN; ROEBELING, 1993).
Este algoritmo tem sido validado em diferentes países, com dados de campanhas
experimentais em áreas irrigadas e bacias hidrográficas, sendo usado em escala
operacional nos Estados Unidos, e em outros países, propiciando a geração de diversos
produtos, como identificação da eficiência de uso da água, produtividade de água,
produtividade de culturas, umidade do solo dentre outros (BASTIAANSSEN, 1995).
Morse et al. (2000) define SEBAL como um conjunto de algoritmo de
processamento de imagem composto por vinte e cinco etapas computacionais que calcula
trocas de energia na superfície terrestre através de imagens de satélites que são capazes
de medir a radiação na região do visível, infravermelho próximo e termal.
Baseado em alguns dados locais aferidos em superfície e medições espectrais de
satélites, o SEBAL é um algoritmo semi-empírico que promove a parametrização do
balanço de energia e fluxos de superfície (WELIGEPOLAGE, 2005), sendo um dos
algoritmos mais utilizados no sensoriamento remoto, onde o mesmo é aplicado para
28
estudos de fluxo de calor e massa na superfície (GOMES, 2009). Assim, para a
inicialização do mesmo faz a utilização de imagens de satélite que possibilitam
determinar o albedo de superfície.
A aplicabilidade do SEBAL em imagens captadas pelo sensor OLI a bordo do
Landsat 8 estão sendo ainda inicializados, tendo em vista que este satélite está em órbita
por cerca de cinco anos e os estudos estão sendo realizados com objetivo de obter
resultados satisfatórios e ao mesmo tempo estão servindo para aprimorar os coeficientes
dos satélites para melhorar a acurácia dos modelos e assim poder extrapolar os resultados
(RUHOFF ET AL., 2015).
Estudos de validação também estão sendo realizados no Brasil em locais de
diferentes tipos de vegetação, como exemplo, Gomes (2009) estimou e validou o albedo
em área de cerrado e cana de açúcar no estado de São Paulo. Silva et al.(2010) também
estimou e validou o albedo de superfície em áreas heterogêneas do estado do Ceará; e
Ruhoff et al. (2015) utilizou imagens captadas pelo sensor OLI e estimou albedo,
validando com dados de uma torre micrometeorológica instalada dentro de uma área com
vegetação constituída de mata atlântica (floresta ombrófila densa), que sofreu
perturbação por corte.
Segundo Ke (2016) o SEBAL está entre um dos principais modelos utilizados
para cálculo de dados da superfície como a evapotranspiração, sendo as abordagens
existentes desenvolvidas especificamente para a redução da evapotranspiração calculadas
a partir de imagens do MODIS e do Landsat podendo obter resultados diários, mensais
ou sazonais.
29
4
4.1
METODOLOGIA
Caracterização da área de estudo
O estudo foi realizado na região rural da cidade de Floresta, Pernambuco, com a
utilização de três estações micrometeorológicas (Figura 5), situadas próximas ao Rio
Pajeú. O município de Floresta está inserido na unidade geoambiental da Depressão
Sertaneja a que representa a paisagem típica do semiárido nordestino, caracterizada por
uma superfície de pediplanação bastante monótona, relevo predominantemente suaveondulado, cortada por vales estreitos, com vertentes dissecadas.
Figura 5. Localização da área de estudo.
Fonte: Autor, 2018.
A vegetação é basicamente composta por caatinga hiperxerófila com trechos de
mata atlântica. O clima é semiárido com chuvas de verão, sendo o período chuvoso de
janeiro até abril e no inverno geralmente não chove deixando o local seco. A
precipitação total acumulada anualmente é de 610.1mm e temperatura média de 20.6 °
C. As estações possuem áreas de 200 hectares caatinga, 4 hectares na área desmatada e
1.1 hectares de palmas.
30
4.2
Estações micrometeorológicas
Foram coletados dados de precipitação através de estações micrometeorológicas
no período de janeiro de 2015 a dezembro de 2017, nos sítios Caatinga, Área
Desmatada
e
Palmas,
foram
empregados
para
calibração
e
validação
do
SEBAL/METRIC. Esses dados foram cedidos pelo professor Dr. Thieres George Freire
da Silva, da Universidade Federal Rural de Pernambuco, Grupo de Agrometeorologia
do
Semiárido
(GAS/UFRPE).
A
instrumentação
utilizada
nas
estações
micrometeorológicas (Figura 6) instaladas em cada sítio, inclui medições automáticas
de diferentes elementos do tempo e clima.
A. Caatinga
B. Área Desmatada
C. Palma
Figura 6. Estações micrometeorológica (A) Sítio Caatinga (B) Sítio Área Desmatada (C) Sítio Palma.
Fonte: Autor, 2018.
4.3
Precipitação
Foram utilizadas datallogers do modelo CR10X (Campbell Scientific Inc,
Logan, Utah, USA) acopladas as estações micrometeorológicas obtendo leituras em
intervalos de um minuto e armazenando os dados a cada dez minutos sendo calculados
os acumulados mensais de cada estação micrometeorológica. Sendo obtidas as
precipitações acumuladas mensais e anuais.
31
4.4
Processamento de dados
Neste trabalho foram utilizadas imagens do satélite Landsat 8 (sensores OLI e
TIRS) do quadrante 66 através do site da USGS que é responsável pela geração de
dados e arquivamentos das imagens, estas que foram obtidas para 32 datas diferentes
conforme Tabela 5.
Tabela 5. Datas das imagens utilizadas no estudo.
DATAS
06/02/2015
20/10/2015
29/04/2016
10/01/2017
26/03/2015
05/11/2015
15/05/2016
27/02/2017
27/04/2015
21/11/2015
18/07/2016
15/03/2017
13/05/2015
07/12/2015
03/08/2016
16/04/2017
14/06/2015
23/12/2015
20/09/2016
25/05/2017
01/08/2015
24/01/2016
06/10/2016
03/06/2017
02/09/2015
09/02/2016
23/11/2016
06/08/2017
04/10/2015
28/03/2016
25/12/2016
07/09/2017
Fonte: Autor, 2018
As imagens são baixadas georreferenciadas ao Datum WGS 84 Norte e
reprojetadas através da propriedade do projeto com o uso da aba SRC para o Datum
SIRGAS 2000 Fuso 24 (Sul) referência geocêntrica na projeção UTM, sendo em
sequência empilhadas através do comando miscelânea no Quantum Gis 2.14.20 desde a
banda azul (2) até a infravermelho termal (7) e representadas na composição RGB com
resolução espacial de 30 x 30 metros.
No site do Instituto Brasileiro de Geografia e Estatística (IBGE) foram baixados
quatro arquivos shapefiles do Estado de Pernambuco para localização e recorte da área
de análise. Posteriormente as imagens e os arquivos shapefiles foram reprojetados para
o Datum: SIRGAS 2000. Fuso 24 (Sul) referência geocêntrica na projeção UTM no
software QGis 2.14.20. Após a reprojeção dos arquivos foram realizados recortes
regulares, calibrações e processamento das imagens e gerados os mapas temáticos
expostos no trabalho.
4.4.1 Cálculo dos índices
O cálculo do NDWI foi realizado para todas as imagens obtidas no estudo, sendo
calculado usando a equação 01 pela metodologia de Gao (1996), utilizando as bandas 5
32
(infravermelho próximo) e 6 (infravermelho médio) do Landsat 8, e bandas 4
(infravermelho próximo) e 5 (infravermelho médio) no Landsat 5.
𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 =
𝜆𝜆𝐼𝐼𝐼𝐼𝑝𝑝𝑝𝑝ó𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 − 𝜆𝜆𝐼𝐼𝐼𝐼𝑚𝑚é𝑑𝑑𝑑𝑑𝑑𝑑
(01)
𝜆𝜆𝐼𝐼𝐼𝐼𝑝𝑝𝑝𝑝ó𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 + 𝜆𝜆𝐼𝐼𝐼𝐼𝑚𝑚é𝑑𝑑𝑑𝑑𝑑𝑑
Já o NDVI foi calculado usando a equação 02 proposta pela metodologia de
Tucker (1979) utilizando as bandas 5 (infravermelho próximo) e 4 (vermelho) do
Landsat 8.
𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 =
𝜆𝜆𝐼𝐼𝐼𝐼𝑝𝑝𝑝𝑝ó𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 − 𝜆𝜆𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉ℎ𝑜𝑜
(02)
𝜆𝜆𝐼𝐼𝐼𝐼𝑝𝑝𝑝𝑝ó𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 + 𝜆𝜆𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉ℎ𝑜𝑜
4.4.2 Albedo
O albedo foi calculado conforme equação 03, no entanto para sua obtenção, é
necessário que alguns parâmetros sejam obtidos, conforme descrição nos tópicos a
seguir.
𝛼𝛼 =
𝐸𝐸𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅
𝐸𝐸𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼
(03)
4.4.2.1 Reflectância
Para o cálculo do albedo de superfície primeiramente foi calculada a reflectância
da imagem (Equação 04), onde os fluxos representam a reflectância no topo da
atmosfera, calculada com informações de cada pixel da imagem. Assim foram
calculadas as reflectâncias das bandas (2 a 7), como proposto por Chander, Markham e
Helder (2009):
ρλ,b =
Addref,b + Multref,b NDb
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 ∙ 𝑑𝑑𝑑𝑑
Sendo Addref,b (o termo aditivo)
(04)
e Multref,b (o termo multiplicativo) da
reflectância referente a cada banda do satélite utilizada neste cálculo. Os valores de
Addref,b (-1x 10-1) e Multref,b (2x 10-5) são obtidos através do arquivo metadata das
imagens.
33
O termo NDb representa a intensidade de cada pixel em cada banda no Landsat8 onde este valor varia entre 0 e 65365; O Cosθ é o ângulo zenital referente ao vetor
terra-sol, que também é obtido no arquivo metadata das imagens.
4.4.2.2 Distância Terra-Sol (𝒅𝒅𝒅𝒅)
Já a distância terra sol corresponde ao inverso do quadrado da distância terra
sol (Equação 05).
𝑑𝑑𝑑𝑑 = 1 + 0.033 ∙ cos �
𝐷𝐷𝐷𝐷 ∙ 2𝜋𝜋
�
365
(05)
Em que DJ representa o Dia Juliano do ano e o ângulo é calculado em radianos
4.4.2.3 Cálculo do albedo planetário (atoa)
O passo seguinte foi calcular o albedo não ajustado no topo da atmosfera que é
feito através da reflectância espectral ( ρλ,b ) de cada banda com pesos ( rλ,b ) já
determinados para as bandas (2 a 7) de acordo com equação a seguir:
𝑎𝑎𝑡𝑡𝑡𝑡𝑡𝑡 = (ρ2 × r2 ) + (ρ3 × r3 ) + (ρ4 × r4 ) + (ρ5 × r5 ) + (ρ6 × r6 ) + (ρ7 × r7 ) (06)
Onde os valores de rλ,b foram determinados por Ruhoff et al. (2015) e estão
descritos na Tabela 7 a seguir:
Tabela 6. Coeficientes dos pesos (𝐫𝐫𝛌𝛌,𝐛𝐛 ) para o cálculo do albedo planetário através do uso de imagens
orbitais do Landsat 8- OLI.
Banda
Coeficiente
2
0.300
3
0.276
4
0.233
5
0.143
6
0.035
7
0.012
Fonte: Ruhoff et al. (2015).
4.4.2.4 Coeficientes de Irradiância
Os coeficientes de peso correspondem à razão entre a irradiância espectral das
bandas e somatório de todas as irradiâncias das seis bandas utilizadas neste trabalho. A
34
Equação 07 (Starks et al, 1991) representa a intensidade da irradiância solar na
superfície.
rλ,b =
ESUNλ,b
∑ ESUNλ,b
(07)
Os valores de irradiância (ESUNλ,b) utilizados no cálculo estão dispostos na
Tabela 8, conforme obtidos por Ruhoff et al. (2015).
Tabela 7. Valores de irradiância espectral no topo da atmosfera (ESUNλ,b ) para imagens orbitais do
Landsat 8- OLI.
2
ESUNλ (W/m2 μm)
3
1827
4
1540
5
942
6
234
7
79
Banda
1982
Fonte: Ruhoff et al., 2015.
O somatório correspondente aos valores de irradiância espectral no topo da
atmosfera (ESUNλ,b ) é igual a 6.604 W/m2 μm.
4.4.2.5 Transmissividade (𝜏𝜏𝑤𝑤 )
A transmissividade atmosférica ( τw ), que é a quantidade de energia solar
incidente, transmitida pela atmosfera, representando assim a ação de absorção e
reflecção de toda radiação ao passar pela atmosfera, foi computada utilizando a Equação
08, proposta por Allen et al., (2002), em que foi dada em função da altitude do local.
τw = 0.75 + 2 × 10−5 × 𝑀𝑀𝑀𝑀𝑀𝑀
(08)
Para as estações do estudo foi utilizado um modelo digital de elevação (MED)
obtido através da Missão Topográfica Radar Shuttle (SRTM) disponibilizado no site do
INPE através do banco de dados - TOPODATA.
35
4.4.2.6 Cálculos do albedo em superfície (α)
O passo final foi obter o valor do albedo em superfície proposto por Tasumi et
al. (2008) e descrito na Equação 09.
α=
αtoa − αatn
τw
(09)
Em que αatn corresponde o valor do albedo atmosférico, no qual condiz a
quantidade de transferência de energia radiativa absorvida para a atmosfera,
Bastiaanssen (2000) propôs um modelo que varia 0.025 a 0.040. neste estudo utilizouse o valor de 0.03, valor este que é recomendado na utilização do modelo SEBAL.
4.5
Umidade do solo
Para estimar a umidade do solo in situ foram utilizadas três estações
micrometeorológicas (Tabela 9) instaladas na área Caatinga, área Desmatada e área de
Palmas localizadas no município de Floresta-PE.
Tabela 8. Localização das Estações Micrometeorológicas em UTM.
ESTAÇÃO
NORTE
ESTE
CAATINGA
9.081.546,752
553.106,729
DESMATADA
9.081.823,468
553.745,758
PALMAS
9.081.884,447
553.605,981
Foram coletados dados de umidade do solo conforme metodologia de Primo et al
(2015) usando sondas capacitivas (Figura 7) para obter dados nas profundidades 0 – 10
cm; 10 – 20 cm, 20 – 30 cm, 30 – 40 cm, 40 – 50 cm e 50 – 60 cm.
36
A
B
Figura 7. (A) Sonda capacitiva (B) Sonda capacitiva instalada na Área Desmatada.
Pela NORMA DNIT 164/2013-ME, a determinação do teor de umidade do solo
realizada em laboratório é obtida através da estufa, o qual a amostra úmida é pesada,
após isso vai para a secagem na estufa e é calculada pela razão entre a massa úmida (Ph)
menos a massa seca (Ps) dividido pela massa seca (Equação 10).
ℎ=
𝑃𝑃ℎ − 𝑃𝑃𝑠𝑠
𝑥𝑥 100
𝑃𝑃𝑠𝑠
(04)
h = teor de umidade em porcentagem (%)
Ph = massa da amostra úmida
Ps = massa da amostra seca em estufa na temperatura de 110ºC ± 5ºC
4.6
Análise Estatística
4.6.1 Resumo dos cinco números
No software Excel 2016 foram realizados os cálculos que consistiram no resumo
dos cinco número são eles: Mínimos, Quartis Exlusive (Q1. Q2 e Q3) e Máximos ,
usando os valores dos índices estimados pelo satélite no período de 2005 a 2017 com a
função “QUARTIL.EXC” que considera os outliers (valores atípicos na amostra de
dados) em decorrência da amplitude interquartil (AIQ) e os limites superior e inferior
utilizando as fórmulas abaixo:
37
𝑄𝑄1 =
𝑁𝑁 + 1
4
(11)
𝑄𝑄2 =
𝑁𝑁 + 1
2
(12)
3 𝑥𝑥 (𝑁𝑁 + 1)
4
(13)
𝐴𝐴𝐴𝐴𝐴𝐴 = 𝑄𝑄3 − 𝑄𝑄1
(14)
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = 𝑀𝑀é𝑑𝑑𝑑𝑑𝑑𝑑 + 1.5 𝑥𝑥 𝐴𝐴𝐴𝐴𝐴𝐴
(15)
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 𝑀𝑀é𝑑𝑑𝑑𝑑𝑑𝑑 − 1.5 𝑥𝑥 𝐴𝐴𝐴𝐴𝐴𝐴
(16)
𝑄𝑄3 =
4.6.2 Regressão
A regressão linear simples é uma técnica estatística utilizada para encontrar os
coeficientes a e b de acordo com a reta que se ajusta melhor aos pontos, por meio de uma
equação linear do tipo y = a + bx. Sendo o r² o coeficiente que quantifica e mostra quanto
os valores previstos podem determinar os dados observados (MARÔCO, 2018).
4.6.2.1 Correlação
Para Pearson (1901) apud Triola (2013), existe uma correlação entre duas
variáveis quando uma delas relaciona-se com a outra de alguma forma. Sendo o
coeficiente de correlação linear o valor que exprime a intensidade da relação linear,
também chamado de coeficiente de correlação do produto de Pearson, que é explanado
seus valores de acordo com Tabela 10, que para um teste de significância com 95 e 99%
respectivamente apresenta valores fortes de correlação acima de 0,80; médio entre 0,79 e
0,50 e fracos abaixo de 0,49. Foi utilizado o teste de T-student para verificar a
significância utilizando o software SPS na versão estudante.
38
Tabela 9. Valores críticos do coeficiente de correlação de Pearson r.
N
α = 0.05
α = 0.01
4
0.950
0.990
5
0.878
0.959
6
0.811
0.917
7
0.754
0.875
8
0.707
0.834
9
0.666
0.798
10
0.632
0.765
11
0.602
0.735
12
0.576
0.708
13
0.553
0.684
14
0.532
0.661
15
0.514
0.641
16
0.497
0.623
17
0.482
0.606
18
0.468
0.590
19
0.456
0.575
20
0.444
0.561
25
0.396
0.505
30
0.361
0.463
35
0.335
0.430
40
0.312
0.402
45
0.294
0.378
50
0.279
0.361
60
0.254
0.330
70
0.236
0.305
80
0.220
0.286
90
0.207
0.269
100
0.196
0.256
Fonte: Triola, 2013.
39
4.6.3 Calibração e Validação
Das 32 imagens obtidas entre os anos de 2015 e 2017 foram separadas
aleatoriamente, sendo 16 imagens utilizada para calibração e outras 16 para validação,
com os dados das três estações e sendo utilizadas as médias das estações para o NDWI e
as médias da umidade do solo entre 10 – 30 centímetros de cada estação.
4.6.4 Extrapolação
Para extrapolação dos dados de NDWI para obtenção da umidade do solo foram
baixadas nove imagens do Landsat 5 entre os anos de 1985 e 2005 para os meses de
janeiro, maio e outubro. Que serão calculadas através das equações obtidas nas
correlações para as três estações micrometeorológicas.
Tabela 10. Data das imagens utilizadas para extrapolação.
DATAS DAS IMAGENS
18/01/1985
14/01/1995
09/01/2005
26/05/1985
06/05/1995
01/05/2005
01/10/1985
29/10/2016
24/10/2005
40
5
RESULTADOS E DISCUSSÕES
Os valores da umidade do solo que foram obtidos neste trabalho podem ser
observados na Tabela 12. As estações com relação as profundidades em geral
registraram maiores valores de umidade nas camadas mais profundas em decorrência
dos processos de escoamento superficial, infiltração e percolação ocorrerem nas
camadas mais superficiais do solo.
Tabela 11. Umidade do solo Estação Caatinga.
DATA
06/02/2015
26/03/2015
27/04/2015
13/05/2015
14/06/2015
01/08/2015
02/09/2015
04/10/2015
20/10/2015
05/11/2015
21/11/2015
07/12/2015
23/12/2015
24/01/2016
09/02/2016
28/03/2016
29/04/2016
15/05/2016
18/07/2016
03/08/2016
20/09/2016
06/10/2016
23/11/2016
25/12/2016
10/01/2017
27/02/2017
15/03/2017
16/04/2017
25/05/2017
03/06/2017
06/08/2017
07/09/2017
CAA 0.10
0.030
0.048
0.094
0.121
0.043
0.079
0.035
0.031
0.030
0.029
0.028
0.029
0.060
0.105
0.078
0.080
0.037
0.043
0.033
0.043
0.031
0.028
0.027
0.069
0.044
0.070
0.094
0.098
0.081
0.101
0.038
0.030
CAA 0.20
0.042
0.056
0.093
0.124
0.052
0.070
0.049
0.043
0.041
0.040
0.039
0.040
0.048
0.085
0.083
0.076
0.048
0.046
0.045
0.033
0.041
0.039
0.036
0.069
0.061
0.061
0.061
0.092
0.056
0.047
0.036
0.036
CAA 0.30
0.059
0.066
0.080
0.153
0.068
0.070
0.065
0.062
0.061
0.060
0.059
0.059
0.060
0.079
0.107
0.085
0.063
0.061
0.060
0.035
0.058
0.056
0.053
0.061
0.067
0.066
0.065
0.108
0.055
0.045
0.038
0.040
CAA 0.40
0.076
0.080
0.085
0.182
0.089
0.089
0.084
0.084
0.082
0.082
0.080
0.081
0.079
0.086
0.123
0.087
0.081
0.079
0.078
0.052
0.078
0.077
0.074
0.076
0.080
0.080
0.080
0.118
0.067
0.059
0.051
0.053
CAA 0.50
0.095
0.095
0.097
0.192
0.109
0.109
0.103
0.104
0.104
0.103
0.102
0.102
0.098
0.101
0.139
0.106
0.100
0.098
0.097
0.073
0.099
0.098
0.096
0.096
0.098
0.098
0.097
0.131
0.087
0.083
0.071
0.073
CAA 0.60
0.186
0.184
0.185
0.264
0.196
0.197
0.189
0.192
0.189
0.191
0.188
0.188
0.151
0.156
0.180
0.162
0.157
0.153
0.152
0.132
0.156
0.154
0.151
0.147
0.151
0.151
0.148
0.185
0.149
0.146
0.131
0.128
Fonte: Autor, 2017.
A dinâmica das chuvas entre os anos de 2015 e 2017 apresentaram baixos
registros de precipitação nas estações micrometeorológicas com o acumulado de
precipitação anual bem abaixo dos 610.10 mm expostos pelo INMET para a cidade de
Floresta – PE, sendo representado na Figura 8 o acumulado de precipitação mensal entre
os anos de 2015 e 2017 com grande parte dos meses obtendo valores de acumulado de
41
precipitação abaixo da média obtida entre os anos de 1961 e 1990. Segundo dados do
Ggweather (2018) no durante o ano de 2015 ocorreu o fenômeno El Niño em
intensidade muito forte com índices de oscilação acima de 2.0, de acordo com a
literatura nos casos de El Niño de intensidade moderada a muito forte o fenômeno tende
atenuar de maneira significativa o regime de precipitação na região nordeste do Brasil
(ARAGÃO, 1990; FREITAS et al, 2016). No começo do ano de 2016 a precipitação
mais intensa no mês de janeiro se deu devido a atuação do fenômeno La Niña que
provoca efeitos contrários aos casos de El Niño, intensificando a precipitação
(Ggweather, 2018), enquanto no ano de 2017 a diminuição na intensidade da
precipitação não foi associada a casos de Enos, podendo ser associados a outros fatores
meteorológicos.
160
2015
2016
2017
Média 1961 a 1990
140
Precipitação (mm)
120
100
80
60
40
20
0
Figura 8. Acumulado de precipitação mensal para os anos de 2015, 2016 e 2017.
Foram
obtidos resultados pontuais de
32 imagens para
os pontos
georreferenciados das três estações para os índices de umidade vegetação e albedo. A
distribuição temporal do NDWI, NDVI e Albedo entre os anos de 2015 e 2017 sendo
representados nas Figuras 09, 10 e 11.
O NDWI apresentou valores quase uniformes para as três estações
micrometeorológicas no período entre agosto e dezembro de 2015 com valores de solo
42
seco em razão de um baixo índice pluviométrico para mesma época atingindo uma
precipitação acumulada de 16,32 milímetros neste período (Figura 09).
Tendo a palma valores um pouco mais elevados em razão da mesma ter
propriedades higroscópicas que possibilitam o armazenamento e retenção de água
(Araújo et al, 2005), o que acarreta em uma perda de umidade mais lenta por parte da
palma, visto que em praticamente todos os períodos da evolução temporal com valores
de NDWI abaixo de 0 (solo seco), apresentou maior valor de NDWI.
No mesmo período citado, a região da caatinga apresentou valores mais baixos
de NDWI até que a de área desmatada, esta que em decorrência da falta de cobertura
vegetal poderia ter acelerado o escoamento superficial nas poucas ocorrências de chuva
no local, acarretando em uma menor infiltração da água resultando em valores
provavelmente mais baixos entre as três áreas (DOS SANTOS, MONTENEGRO E
SILVA, 2011). Além da área descoberta está mais propensa a radiação solar de forma
direta no solo de aumentando a perda de água por evapotranspiração.
0.4
Caatinga
Desmatada
Palma
NDWI
0.2
0.0
-0.2
01/2018
10/2017
07/2017
04/2017
01/2017
10/2016
07/2016
04/2016
01/2016
10/2015
07/2015
04/2015
01/2015
10/2014
-0.4
Figura 9. Evolução temporal do NDWI.
Observa-se na Figura 10 que o NDVI só apresentou resultados positivos, ou seja,
não ocorrendo corpos d’água os quais são representados por valores negativos. Além
disso, a área desmatada apresentou os valores mais baixos em razão do índice ser
43
estimado pela presença de vegetação e quanto mais forte a ação da clorofila mais altos
os valores para o NDVI.
0.8
Caatinga
Desmatada
Palma
NDVI
0.6
0.4
0.2
01/2018
10/2017
07/2017
04/2017
01/2017
10/2016
07/2016
04/2016
01/2016
10/2015
07/2015
04/2015
01/2015
0.0
Figura 10. Evolução temporal do NDVI.
Já para o albedo algumas imagens tiveram bastante presença de nuvens,
acarretando em valores altos para ultrapassando o limite de 1 (Figura 11). Mas de uma
maneira geral, a área de caatinga foi a que apresentou menores valores de albedo, ao
contrário da área desmatada, a qual predominou valores maiores em decorrência do solo
exposto refletir mais que as áreas com vegetação.
44
1.6
Caatinga
Desmatada
Palma
1.4
1.2
Albedo
1.0
0.8
0.6
0.4
0.2
01/2018
10/2017
07/2017
04/2017
01/2017
10/2016
07/2016
04/2016
01/2016
10/2015
07/2015
04/2015
01/2015
0.0
Figura 11. Evolução temporal do Albedo.
Na representação estatística obtida pelo resumo dos 5 números, representados
nas as Figuras 12 a 14, com valores de limites máximo e mínimo e os quartis, além da
média.
Não foi encontrado nenhum dado discrepante (outlier) no resumo dos cinco
números, ou seja, os dados se comportaram de uma maneira uniforme (Figura 13). A
caatinga e a área desmatada tiveram valores máximos de NDWI iguais com valor de
0.286; já a palma, 0.270. No entanto, a região de palma obteve valores de média e
mediana mais elevados, em decorrência desta planta ter a propriedade de reserva de
água em suas ramificações. A área desmatada apresentou o menor valor igual a NDWI 0.177.
45
Caatinga
Desmatada
Palma
0.4
NDWI
0.2
0.0
-0.2
-0.4
Caatinga
Desmatada
Palma
Figura 12. Estatística dos dados obtidos para o NDWI
Diferente do NDWI que não teve dados discrepantes no NDVI em todas as
estações foram encontrados dados de outliers dispersando dentro da amostra. Sendo na
caatinga o valor máximo e 0.379 e na palma 0.423 ultrapassaram os limites máximos de
0.310 e 0.288 respectivamente. Já na área desmatada ultrapassou o limite máximo de
0.308 e também o mínimo de 0.053 com dados tendo valores até de 0.569 e 0.038.
Caatinga
Desmatada
Palma
0.8
NDVI
0.6
0.4
0.2
0.0
Caatinga
Figura 13. Estatística dos dados obtidos para o NDVI
Desmatada
Palma
46
No Albedo as estações caatinga, área desmatada e palma tiveram valores
discrepantes além dos limites mínimo e máximo. Mostrando que este índice foi o que
teve uma maior variação de valores extraídos das imagens.
0.8
Albedo
0.6
0.4
0.2
0.0
Caatinga
Desmatada
Palma
Figura 14. Estatística dos dados obtidos para o Albedo.
Foram utilizados dados para correlação de Pearson com 32 imagens com um
fator de significância α = 0.05, para o NDWI e a umidade do solo medida em seis
profundidades diferentes.
47
y = 0.06473 + 0.20133*x
0.20
0.15
0.10
0.05
0.00
-0.2 -0.1 0.0
0.1
0.2
0.25
0.10
0.05
CAA 0.40 m
0.30
y = 0.08875 + 0.13440*x
0.20
0.15
0.10
0.05
0.00
-0.2 -0.1 0.0
0.1
NDWI
Figura 15. Umidade do solo x NDWI.
Fonte: Autor, 2017.
-0.2 -0.1 0.0
0.1
0.2
0.25
0.2
0.3
0.25
0.10
0.05
0.30
0.20
0.15
0.10
0.05
0.00
-0.2 -0.1 0.0
0.1
NDWI
0.2
0.3
-0.2 -0.1 0.0
0.1
NDWI
CAA 0.50 m
y = 0.10688 + 0.11664*x
y = 0.07282 + 0.14793*x
0.15
0.00
0.3
CAA 0.30 m
0.20
NDWI
Umidade do Solo (m3/m3)
Umidade do Solo (m3/m3)
0.25
y = 0.06249 + 0.14950*x
0.15
NDWI
0.30
0.30
0.20
0.00
0.3
CAA 0.20 m
Umidade do Solo (m3/m3)
0.30
Umidade do Solo (m3/m3)
0.25
CAA 0.10 m
Umidade do Solo (m3/m3)
Umidade do Solo (m3/m3)
0.30
0.25
0.2
0.3
CAA 0.60 m
y = 0.17231 + 0.08911*x
0.20
0.15
0.10
0.05
0.00
-0.2 -0.1 0.0
0.1
NDWI
0.2
0.3
48
Para área de caatinga os dados de umidade do solo em seis profundidades
diferentes se mostraram em geral com uma boa confiabilidade dos pontos de NDWI em
relação a reta. Obtendo bons valores de correlação, e em praticamente em todas as
profundidades foi obtida significância com 99% dos dados conforme Tabela 13.
Tabela 12. Correlação de Pearson e R² na Área de Caatinga para o NDWI x Umidade do solo.
PROFUNDIDADE
PEARSON´S R
R²
0.10
0.779**
0.637
0.20
0.791**
0.643
0.30
0.755**
0.567
0.40
0.657**
0.420
0.50
0.624**
0.378
0.60
0.399 *
0.111
**. A correlação é significativa no nível 0,01; *. A correlação é significativa no nível 0,05.
49
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.18
Umidade do Solo (m3/m3)
Umidade do Solo (m3/m3)
ADA 0.40 m
y = 0.05208 + 0.15997*x
0.12
0.10
0.08
0.06
0.04
0.02
0.16
-0.2 -0.1 0.0 0.1 0.2 0.3
NDWI
Figura 16. Umidade do solo x NDWI – Área Desmatada.
Fonte: Autor, 2017.
0.12
0.10
0.08
0.06
0.04
0.02
0.00
-0.2 -0.1 0.0 0.1 0.2 0.3
NDWI
ADA 0.50 m
0.18
y = 0.04642 + 0.09847*x
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.16
ADA 0.60 m
y = 0.03472 + 0.03768*x
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
0.00
0.00
ADA 0.30 m
y = 0.06182 + 0.25253*x
0.14
NDWI
NDWI
0.14
0.16
-0.2 -0.1 0.0 0.1 0.2 0.3
-0.2 -0.1 0.0 0.1 0.2 0.3
0.16
0.18
0.00
0.00
0.18
ADA 0.20 m
y = 0.07288 + 0.29440*x
Umidade do Solo (m3/m3)
0.18
Umidade do Solo (m3/m3)
0.16
ADA 0.10 m
y = 0.05565 + 0.27766*x
Umidade do Solo (m3/m3)
Umidade do Solo (m3/m3)
0.18
-0.2 -0.1 0.0 0.1 0.2 0.3
NDWI
-0.2 -0.1 0.0 0.1 0.2 0.3
NDWI
50
Na área desmatada os pontos ficaram um pouco mais dispersos nas
profundidades mais próximas da superfície até 0.20 centímetros. E a partir de 0.30 cm
tiveram uma melhor aproximação entre os valores do NDWI e da umidade do solo.
Mantendo ainda assim uma correlação boa (Tabela 14).
Tabela 13. Correlação de Pearson e R² na Área Desmatada para o NDWI x Umidade do solo.
PROFUNDIDADE
PEARSON´S R
R²
0.10
0.772**
0.583
0.20
0.794**
0.619
0.30
0.840**
0.695
0.40
0.779**
0.594
0.50
0.656**
0.411
0.60
0.432*
0.695
**. A correlação é significativa no nível 0,01; *. A correlação é significativa no nível 0,05.
51
y = 0.04110 + 0.28552*x
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
0.16
PAL 0.20 m
y = 0.05422 + 0.25340*x
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
-0.1
0.0
0.1
0.2
0.3
0.18
Umidade do Solo (m3/m3)
Umidade do Solo (m3/m3)
0.16
PAL 0.40 m
y = 0.07068 + 0.11969*x
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
0.16
0.0
0.1
NDWI
0.2
Figura 17. Umidade do solo x NDWI – Palmas.
Fonte: Autor., 2017
0.0
0.1
NDWI
0.2
0.3
y = 0.06404 + 0.19110*x
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.3
-0.1
PAL 0.50 m
0.18
y = 0.06698 + 0.07262*x
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
-0.1
0.16
PAL 0.30 m
0.00
-0.1
NDWI
0.18
0.18
Umidade do Solo (m3/m3)
0.18
Umidade do Solo (m3/m3)
0.16
PAL 0.10 m
Umidade do Solo (m3/m3)
Umidade do Solo (m3/m3)
0.18
0.16
0.0
0.1
NDWI
0.2
0.3
PAL 0.60 m
y = 0.06995 + 0.05273*x
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
-0.1
0.0
0.1
NDWI
0.2
0.3
-0.1
0.0
0.1
NDWI
0.2
0.3
52
Já na área de palma os valores foram muitos dispersos diminuindo a
confiabilidade da análise doa umidade do solo e do NDWI nesta área. Apresentando
valores de correlação de pouca confiança/significância, existindo ainda bons valores nas
profundidades mais próximas da superfície (Tabela 15).
Tabela 14. Correlação de Pearson e R² na Área de Palma para o NDWI x Umidade do solo.
PROFUNDIDADE
PEARSON´S R
R²
0.10
0.546**
0.275
0.20
0.532**
0.258
0.30
0.378*
0.114
0.40
0.238
0.025
0.50
0.163
-0.005
0.60
0.129
-0.016
**. A correlação é significativa no nível 0,01; *. A correlação é significativa no nível 0,05
Nota-se que a inclinação é sempre maior quanto mais perto da superfície, isso
significa que uma mudança no valor de umidade na superfície tem relação mais forte
com o valor do NDWI. Apontando uma melhor correlação mais próximo da superfície
para a área de Caatinga e Desmatada.
Figura 18. Inclinação dos ajustes.
53
Embora o período de chuva no local tenha início em janeiro ao final da quadra
chuvosa entre os dias 20 e 25 de abril teve um acumulado de precipitação próximo dos
50 mm. Resultado em valores positivos para a área desmatada e caatinga. Já na palma o
valor de NDWI foi de -0.019, que pode ter sido ocasionado pelo volume de chuva de
aproximadamente 100 mm em um mês. Podendo a palma está eliminando água para
entrar em equilíbrio de umidade com o ar ao seu redor (ARAÚJO et al, 2005).
Salientando que o tipo de vegetação interfere nos valores obtidos do NDWI pelo
algoritmo SEBAL.
Figura 19. NDWI para o dia 27 de abril de 2015 obtido com o sensor OLI – Landsat 8. As regiões
assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆.
Para a mesma data da imagem anterior a extração dos valores do NDVI foram
todos positivos e com a predominância de um tom verde mais escuro, o que representa
uma maior absorção da clorofila em decorrência dos processos de desenvolvimento das
plantas acontecerem com maior intensidade nos períodos úmidos acarretando em um
aumento da vegetação, tendo na estação de caatinga o maior valor de NDVI com 0.310
para a data da imagem. Sendo os valores da estação área desmatada 0.286 e da de
palmas 0.209, concordando com a variação de Gonzaga, Santos e Nicácio (2011) que
54
relaciona uma variação para o período úmido entre 0.2 e 0.4 para região do semiárido
no Sertão Alagoano.
Figura 20. NDVI para o dia 27 de abril de 2015 obtido com o sensor OLI – Landsat 8. As regiões
assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆.
No período mais chuvoso os valores de albedo foram altos, mesmo com uma
parte da radiação sendo absorvida pela vegetação, acarretando em uma diminuição da
energia refletida consequentemente diminuindo o albedo. Em decorrência da vegetação
quando está em desenvolvimento necessitar da radiação eletromagnética para auxiliar
no seu crescimento para realização da fotossíntese o que acarreta em uma maior
absorção pelas plantas. E em relação ao solo expostos, os solos saturados refletem
menos que os solos secos.
55
Figura 21. Albedo para o dia 27 de abril de 2015 obtido com o sensor OLI – Landsat 8. As regiões
assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆.
A imagem a seguir representa o período seco na região de Floresta, sendo
perceptível o tom esbranquiçado em decorrência da ausência de chuvas tendo um
acumulado de precipitação inferior a 1 mm sendo registrado entre os meses de agosto e
novembro nas estações micrometeorológicas. Acarretando em valores negativos de
NDWI para as estações de caatinga e área desmatada, no entanto na palma obteve um
valor de 0.013 no índice, em decorrência da mesma suportar um período de 180 dias
sem chuva.
56
Figura 22. NDWI para o dia 23 de novembro de 2016 obtido com o sensor OLI – Landsat 8. As regiões
assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆.
Durante a estação seca os valores do NDVI permaneceram positivos, sendo
desta vez apresentado em um tom de verde mais claro, com a estação de palma tendo o
maior valor de NDVI 0.224. Estando dentro da média para os períodos secos que
variam no intervalo entre 0 e 0.40 (GONZAGA, SANTOS E NICÁCIO, 2011).
57
Figura 23. NDVI para o dia 23 de novembro de 2016 obtido com o sensor OLI – Landsat 8. As regiões
assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆.
No período de seca o mapa ficou em tom alaranjado, iniciando na faixa de
26,20%, demonstrando uma alta reflectância nas estações pela ausência de chuvas
deixando a vegetação mais seca e os solos mais expostos. Concordando com Oliveira et
al. (2010) que no caso do solo seco o albedo fica na faixa entre 8 e 40 %.
Figura 24. Albedo para o dia 23 de novembro de 2016 obtido com o sensor OLI – Landsat 8. As regiões
assinaladas correspondem às áreas estudadas: Caatinga □ , Desmatada ○ e Palma ∆.
58
Em geral para o NDWI as imagens possuíram valores negativos representando o
baixo índice pluviométrico na cidade de Floresta nos últimos anos em torno de 400 mm
ao ano inferior aos 610 mm obtido como média pelo INMET. O que acarretou em mais
da metade dos dados obtidos nos pontos das estações sendo registrados valores negativos
para o NDWI. Já para o NDVI todos os valores nas estações foram positivos, em
decorrência da ausência de corpos d´água. Tendo a vegetação alterações em relação a
sazonalidade da região semiárida do nordeste decorrentes da precipitação e dos períodos
de seca (Silva et al. 2016). Com relação ao albedo a dinâmica das chuvas no local
também tem relação com seus valores, pois a vegetação/solo reflete mais em períodos
secos que chuvosos.
Na estação palma ao longo das 32 análises 17 resultaram em valores positivos.
Em muitas das imagens não haviam eventos de chuva no dia, porém uma precipitação
antecedente acarretou em valores positivos para o índice de diferença normalizada da
água, concordando com Cardozo et al. (2009), Ferreira et al (2012) e Farias et al (2017)
que cita que os valores positivos para o NDWI são advindos da vegetação verde e os
valores negativos da vegetação seca. Valores positivos de NDWI tem relação com o teor
de água na vegetação (CASTRO, SARTORI E MORAES, 2017).
Houveram casos em que algumas das estações se comportaram com índices
positivos e outras negativos, podendo ser em relação a topografia local e tipo do solo no
local.
Através dos dados do radar SRTM foi possível obter o modelo digital de
elevação e com este obter e analisar o perfil longitudinal da área de estudo através do
comando “Terrain Profile” no QGis. O perfil que pode representar a topografia local e
propiciar um possível traçado do escoamento superficial advindo da precipitação,
observando pontos mais baixos próximos às margens do Rio Pajeú, tendo na área de
caatinga altitudes mais elevadas.
O perfil longitudinal representa o relevo de um traçado. No caso da caatinga que
se encontra em uma altitude mais elevada proporciona um escoamento mais rápido das
águas da chuva. Acarretando em valores mais baixos de NDWI. Concordando com
Rodrigues, Morais e Paschoal (2017), os quais encontraram valores negativos áreas de
maiores altitudes tanto na seca como na estação chuvosa.
59
Figura 25. Perfil longitudinal e altitude 371.447 m, na caatinga.
Fonte: Autor, 2018.
Figura 26. Perfil longitudinal e altitude 366,249 m, na desmatada.
Fonte: Autor, 2018.
60
Figura 27. Perfil longitudinal e altitude 366,146 m, na palma.
Fonte: Autor, 2018.
Com as equações geradas na correlação da umidade do solo com o NDWI para
cada tipo de vegetação serviram como base para extrapolar os valores ao longo de uma
série temporal de 30 anos entre 1985 e 2005.
A caatinga foi a que melhor apresentou relação com os valores de umidade,
embora apenas em janeiro de 1985 teve valor positivo para profundidade mais
superficial 0.10 cm, e na mesma data todos os valores da umidade foram positivos. Já
para as profundidades mais superficiais de 0.40 – 0.60 cm todos os valores foram
positivos para umidade do solo (Tabela 16).
Tabela 15. Extapolação dos valores para a Caatinga.
DATA
NDWI
CAA
18/01/1985
26/05/1985
01/10/1985
14/01/1995
06/05/1995
29/10/1995
09/01/2005
01/05/2005
24/10/2005
-0.185
-0.514
-0.384
-0.628
-0.383
-0.360
-0.327
-0.574
-0.357
Umidade Umidade Umidade Umidade Umidade Umidade
CAA
CAA
CAA
CAA
CAA
CAA
0.10
0.20
0.30
0.40
0.50
0.60
0.027
0.035
0.045
0.064
0.085
0.156
-0.039
-0.014
-0.003
0.020
0.047
0.127
-0.013
0.005
0.016
0.037
0.062
0.138
-0.062
-0.031
-0.020
0.004
0.034
0.116
-0.012
0.005
0.016
0.037
0.062
0.138
-0.008
0.009
0.020
0.040
0.065
0.140
-0.001
0.014
0.024
0.045
0.069
0.143
-0.051
-0.023
-0.012
0.012
0.040
0.121
-0.007
0.009
0.020
0.041
0.065
0.140
Fonte: Autor, 2018.
Na área desmatada houve duas datas que obtiveram bons resultados em janeiro
de 1985 e outubro de 2005, onde os valores para todas as profundidades foram
encontrados de forma positiva. E para a profundida de 0.60 cm foram encontrados
valores positivos para todas as imagens (Tabela 17).
61
Tabela 16. Extrapolação dos valores da Área Desmatada.
DATA
NDWI
ADA
18/01/1985
26/05/1985
01/10/1985
14/01/1995
06/05/1995
29/10/1995
09/01/2005
01/05/2005
24/10/2005
-0.133
-0.478
-0.398
-0.613
-0.655
-0.374
-0.327
-0.552
0.359
Fonte: Autor, 2018.
Umidade Umidade Umidade Umidade Umidade Umidade
ADA
ADA
ADA
ADA
ADA
ADA
0.10
0.20
0.30
0.40
0.50
0.60
0.019
0.034
0.028
0.031
0.033
0.030
-0.077
-0.068
-0.059
-0.024
-0.001
0.017
-0.055
-0.044
-0.039
-0.012
0.007
0.020
-0.115
-0.108
-0.093
-0.046
-0.014
0.012
-0.126
-0.120
-0.104
-0.053
-0.018
0.010
-0.048
-0.037
-0.033
-0.008
0.010
0.021
-0.035
-0.023
-0.021
0.000
0.014
0.022
-0.098
-0.090
-0.078
-0.036
-0.008
0.014
0.155
0.179
0.152
0.110
0.082
0.048
Para Palma nas três imagens utilizadas em 2005 apenas em janeiro foram
encontrados valores negativos nas camadas superficiais de 0.10 e 0.20 cm, com todos os
outros valores sendo positivos, e assim como nas outras estações todos os valores da
primeira imagem 18/01/1985 foram encontrados valores positivos assim como na
camada mais profunda 0.60 cm de todas as imagens obtiveram valores positivos, além
da camada de 0.50 ( Tabela 18).
Tabela 17. Extrapolação dos valores para Palma.
DATA
NDWI
PAL
18/01/1985
26/05/1985
01/10/1985
14/01/1995
06/05/1995
29/10/1995
09/01/2005
01/05/2005
24/10/2005
-0.134
-0.483
-0.383
-0.612
-0.681
-0.380
-0.319
0.542
0.313
Fonte: Autor, 2018.
Umidade Umidade Umidade Umidade Umidade Umidade
PAL
PAL
PAL
PAL
PAL
PAL
0.10
0.20
0.30
0.40
0.50
0.60
0.003
0.020
0.038
0.055
0.057
0.063
-0.097
-0.068
-0.028
0.013
0.032
0.129
-0.068
-0.043
-0.009
0.025
0.039
0.138
-0.134
-0.101
-0.053
-0.003
0.023
0.118
-0.153
-0.118
-0.066
-0.011
0.018
0.112
-0.067
-0.042
-0.009
0.025
0.039
0.138
-0.050
-0.027
0.003
0.032
0.044
0.144
0.196
0.192
0.168
0.136
0.106
0.221
0.130
0.134
0.124
0.108
0.090
0.200
62
6
CONCLUSÃO
Ao avaliar as alterações promovidas pela umidade na vegetação do Semiárido
em decorrência da precipitação em Floresta – PE, através do albedo e dos índices de
vegetação e umidade é notada uma variação sazonal da vegetação em relação aos
períodos com predominância de chuva e estiagem, o que altera a paisagem do semiárido
podendo passar de uma vegetação densa arbustiva nos períodos chuvosos para uma
vegetação rala, seca ou até desmatada pela falta de chuvas no local.
A umidade do solo é um dos principais fatores para esta variação sazonal, que
pode ser acompanhado através dos valores obtidos pelos índices NDVI, NDWI e
albedo. Sendo a mensuração da umidade do solo em campo com o uso de sondas
capacitivas para obter dados nas profundidades de 0 – 60 cm. E a precipitação
utilizando datallogers acopladas as estações micrometeorológicas obtendo leituras em
intervalos de um minuto e armazenando os dados a cada dez minutos.
O algoritmo SEBAL possibilitou por meio de operações aritméticas os cálculos
dos índices de vegetação e do albedo por meio de equações geradas através de modelos
para extração dos valores pontuais. Sendo utilizados as coordenadas de três estações
micrometeorológicas para obtenção dos índices estimados pelo satélite. ararag
O albedo com relação a umidade do solo, apresentou valores maiores para solos
secos e mais baixos para solos úmidos. Já para o NDWI não tem distinção entre a
umidade medida no solo seco ou úmido com a água na vegetação sendo o fator principal
para análise dos valores do NDWI. O NDVI tem relação com a absorção de energia
através da clorofila na vegetação e por não ter corpos hídricos não foram encontrados
valores negativos e obtidos valores maiores e positivos com a presença de chuva.
Foi possível validar os dados estimados pelo satélite Landsat 8 através de dados
medidos em campo por uma estação micrometeorológica. Trazendo bons valores de
correlação de NDWI x Umidade do solo principalmente nas camadas mais superficiais
da vegetação. No entanto na extrapolação dos dados de umidade do solo através das
equações obtidas na correlação as medidas dispersaram bastante acarretando em geral
em valores de umidade abaixo de 0, ou seja, a extrapolação não teve boa confiabilidade,
pois na vegetação/solo existe “sempre” uma parcela de umidade, nem que seja pequena.
63
7
RECOMENDAÇÕES PARA TRABALHOS FUTUROS
•
Utilizar o índice de umidade do solo normalizado (NSMI) estimado pelo satélite
para correlação e validação com a umidade do solo. Além disso fazer o ensaio
de granulometria do solo para saber a relação da umidade, tendo em vista que o
tipo de solo interfere nos processos de escoamento superficial infiltração e
percolação.
•
Inserir o balanço de água no solo, gerando um modelo para análise da
cultura/vegetação em relação ao déficit ou excedente hídrico com os índices de
vegetação, umidade e o albedo.
•
Obter imagens com melhores resoluções para que possa ter uma melhor análise
espaço-temporal da área de estudo.
64
REFERÊNCIAS
ACCIOLY, L.J.O.et al. Avaliação de Mudanças no Albedo do Núcleo de Desertificação
do Seridó através de Imagens do Landsat TM. In: SIMPOSIO BRASILEIRO DE
SENSORIAMENTO REMOTO. 2001. p. 549-556.
ALBUQUERQUE, E.M et al. Análise do comportamento do NDVI e NDWI sob
diferentes intensidades pluviométricas no município de Sousa-PB. Revista Estudos
Geoambientais, v. 1. n. 1. 2014.
ALLEN, R.; et al. SEBAL Surface Energy Balance Algorithm for Land – Advanced
Training and Users Manual – Idaho Implementation, version 1.0. 2002a.
ARAGÃO, J. A. R. Fatos sobre o fenômeno de El Niño e sua relação com as secas no
NEB. Boletim da Sociedade Brasileira de Meteorologia – SBMET. Vol.14, nº1, p.2-8,
1990.
ARAÚJO, L.F. et al. Equilíbrio higroscópico da palma forrageira: Relação com a
umidade ótima para fermentação sólida. Revista Brasileira de Engenharia Agrícola e
Ambiental, v. 9, n. 3, p. 379-384, 2005.
BASTIAANSSEN, W.G.M.; HOEKMAN, D.H.; ROEBELING, R. A. A methodology
for the assessment of surface resistance and soil water storage variability at mesoscale
based on remote sensing measurements. A case study with HAPEX-EFEDA data.
Landbouwuniversiteit Wageningen, 1993.
BASTIAANSSEN, W.G.M. Regionalization of surface flux densities and moisture
indicators in composite terrain: A remote sensing approach under clear skies in
Mediterranean climates. SC-DLO, 1995.
BASTIAANSSEN, W. G. M. Sebal based sensible and latent heat fluxes in the
irrigated Gediz Basin, Turkey. Journal of Hidrology, v.229, p.87-100. 2000.
CABACINHA, C.D.; DE CASTRO, S.S. Relationships between floristic diversity and
vegetation indices, forest structure and landscape metrics of fragments in Brazilian
Cerrado. Forest ecology and management, v. 257, n. 10. p. 2157-2165, 2009.
CARDOZO, F.S. et al. Discriminação de áreas alagadas no Pantanal sul-matogrossense
a partir de imagens orbitais. 2º Simpósio de Geotecnologias no Pantanal, Anais,
Corumbá, p. 7-11. 2009.
CHANDER, G.; MARKHAM, B. L.; HELDER, D. L. Summary of current radiometric
calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote
sensing of environment, v. 113, n. 5, p. 893- 903, 2009.
CASTRO, B.O.S; SARTORI, A.A.C; MORAES, D.A.C. Índices de vegetação (IV’s)
correlacionados com parâmetros do solo em área de cana-deaçúcar ANAIS XVIII
SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO - SBSR, Santos, SP,
Brasil, 2017, INPE p.4104-4111.
65
CORTEZ, J.W. et al. Soil moisture content and surface temperature in tillage systems
and stages of development of maize crop. Engenharia Agrícola, v. 35, n. 4, p. 699-710.
2015.
COSTA FILHO, J.F. et al. Estimativa do índice de vegetação da diferença normalizada
(NDVI) na microrregião de Sousa-PB utilizando imagens do CBERS-2. 15. In: o
Congresso Brasileiro de Agrometeorologia, Aracaju-SE. 2007.
CPRM – Companhia de pesquisa de Recursos Minerais. Disponível em:
http://www.cprm.gov.br/publique/Geologia/Sensoriamento-Remoto-eGeofisica/Projeto-Radam-D-SB24-812.html.
DE OLIVEIRA, T. H. et al. Índice de umidade (NDWI) e análise espaço-temporal do
albedo da superfície da bacia hidrográfica do rio Moxotó-PE. Revista Brasileira de
Geografia Física, v. 3, n. 2. p. 55-69, 2010.
DING, C. et al. Onset of drying and dormancy in relation to water dynamics of semiarid grasslands from modis ndwi. Agricultural and Forest Meteorology, v. 234, p. 2230. 2017.
DOS SANTOS, T E.M; MONTENEGRO, A.A.A; SILVA, D.D. Umidade do solo no
semiárido pernambucano usando-se reflectometria no domínio do tempo
(TDR). Revista Brasileira de Engenharia Agricola e Ambiental-Agriambi, v. 15, n. 7,
2011.
DUARTE, C.C. et al. Detecção de áreas com vegetação permanente na bacia leiteira do
estado de Pernambuco, a partir da utilização de técnicas de processamento digital em
imagens multitemporais Landsat 5-TM. ANAIS XV SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO - SBSR, Curitiba, PR, Brasil, 2011. INPE p.7364.
ENGESAT - Disponível em: http://www.engesat.com.br/ndvi-para-medir-lavoura/.
Acessado em: 12/02/2018.
ESCH, Sabrina et al. Soil moisture index from ERS-SAR and its application to the
analysis of spatial patterns in agricultural areas. Journal of Applied Remote Sensing, v.
12. n. 2. p. 022206, 2018.
FARG, E. et al. Evaluation of water distribution under pivot irrigation systems using
remote sensing imagery in eastern Nile delta. The Egyptian Journal of Remote Sensing
and Space Science, v. 20. p. S13-S19, 2017.
FARIAS, M.O. et al. Variabilidade espaço-temporal da cobertura do solo por índices de
vegetação e água no agreste pernambucano. Revista Brasileira de Agrotecnologia, v. 7,
n. 3, p. 091-099, 2017.
FERNANDES, G. S. T. et al. Relação da temperatura do ar com o teor de clorofila do
tomateiro. In: Congresso Técnico Científico da Engenharia e da Agronomia, 2016, Foz
do Iguaçú. Anais do CONTECC, 2016.
FERREIRA, J.M.S. et al. Análise Espaço-Temporal da Dinâmica da Vegetação de
Caatinga no Município de Petrolina-PE (Analysis Space-Time from Dynamics of
66
Caatinga Vegetation in the Municipality of Petrolina–PE). Revista Brasileira de
Geografia Física, v. 5, n. 4, p. 904-922. 2012
FRANCISCO, P.R.M. et al. Mapeamento da Caatinga com Uso de Geotecnologia e
Análise da Umidade Antecedente em Bacia Hidrográfica (Mapping of Caatinga with
Use of Geotechnology and Analysis of Antecedent Humidity in Hydrographic
Basin). Revista Brasileira de Geografia Física, v. 5, n. 3, p. 676-693, 2012.
FREITAS, I. G. F.; et al. Estudo dos índices de vegetação e temperatura em
anos de El Niño para o município de Cabrobró- PE com uso de imagens de Satélite. In:
Lucas Barbosa Cavalcante. (Org.). 4º Geoalagoas. 4ed.Maceió: SECRETARIA DE
ESTADO DO PLANEJAMENTO GESTÃO E PATRIMÔNIO, 2016, v. 1, p. 328-339.
GALVIS, A.T.; GANÇARSKI, P.; ÉQUILLE, L.B. Remote sensing image analysis by
aggregation of segmentation-classification collaborative agents. Pattern Recognition, v.
73, p. 259-274, 2018.
GAO, B.C. NDWI—A normalized difference water index for remote sensing of
vegetation liquid water from space. Remote sensing of environment, v. 58, n. 3, p. 257266, 1996.
GATES, D.M. et al. Spectral properties of plants. Applied optics, v. 4, n. 1. p. 11-20.
1965.
GGWEATHER- El Niño and La Niña Years and Intensities. Disponível em: <
http://ggweather.com/enso/oni.htm>. Acesso em: 05 de fevereiro de 2018
GOMES, H. B. Balanços de radiação e energia em áreas de cultivo de cana-de-açúcar e
cerrado no Estado de São Paulo mediante imagens orbitais. 2009. 108 p. 2009. Tese de
Doutorado. Tese (Doutorado em Meteorologia) - Universidade Federal de Campina
Grande, Campina Grande.
GONZAGA, E.P; SANTOS, V. V.; NICÁCIO, R.M. Análise do comportamento do
NDVI e NDWI em períodos de diferentes intensidades pluviométricas no Sertão
alagoano. XV Simpósio Brasileiro de Sensoriamento Remoto-SBSR, p. 1736-1743,
2011.
HAUBROCK, S.N. et al. Surface soil moisture quantification and validation based on
hyperspectral data and field measurements. Journal of Applied Remote Sensing, v. 2. n.
023552. p. 023552. 2008.
IBGE - Instituto Brasileiro de Geografia e Estatística -. Disponível em:<
http://mapas.ibge.gov.br/bases-e-referenciais/bases-cartograficas/malhasdigitais.html.>. Acesso em: 07 de maio de 2017
INPE – Instituto Nacional de Pesquisas Espaciais – Disponível em <
http://www.webmapit.com.br/inpe/topodata/>. Acesso em 05 de janeiro de 2018.
JI, L.; ZHANG, L.; WYLIE, B.. Analysis of dynamic thresholds for the normalized
difference water index. Photogrammetric Engineering & Remote Sensing, v. 75, n. 11.
p. 1307-1317, 2009.
67
KE, Y. et al. Downscaling of MODIS One kilometer evapotranspiration using Landsat8 data and machine learning approaches. Remote Sensing, v. 8, n. 3, p. 215, 2016.
LANDSAT - Land Remote Sensing Satellite . Disponível em:
http://landsat.gsfc.nasa.gov/about/history/. Acessado em: 10/01/2017.
LIOU, K.N. An introduction to atmospheric radiation. Academic press, 2002.
MAHTO, S.S.; KUSHWAHA, A.P.. An Assessment of Inter-Seasonal Surface Water
Level Fluctuation of Lonar Crater Lake, Maharashtra, India Using Multi-Temporal
Satellite Dataset. American Journal of Remote Sensing, v. 6, n. 1. p. 6-14, 2018.
MARÔCO, J. Análise Estatística com o SPSS Statistics.: 7ª edição. ReportNumber,
Lda, 2018.
MONTEITH, J.L; UNSWORTH, M.H. Principles of environmental physics. New York,
Chapman ans Hall, Inc, 1990
MORAIS, Y. C. B. et al. Análise espaço-temporal e detecção de mudanças da cobertura
vegetal no município de Floresta/PE–Brasil, utilizando o NDVI. XV Simpósio
Brasileiro de Sensoriamento Remoto-SBSR. Curitiba, p. 2128-2134, 2011.
MORSE, A et al. Application of the SEBAL methodology for estimating consumptive
use of water and streamflow depletion in the Bear River Basin of Idaho through remote
sensing. Idaho Department of Water Resources–University of Idaho, 2000.
NASCIMENTO, A.C. Avaliação da umidade no perfil do solo a partir de sensoriamento
remoto. UnB, 2002.
NOVO, E.M.L. Sensoriamento remoto, v. 2. 2008.
OLIVEIRA, L.L.; VIANELLO, R.L.; FERREIRA, N.J. Meteorologia fundamental.
Edifapes, 2001.
PONZONI, F.J; SHIMABUKURO, Y.E; KUPLICH, T.M. Sensoriamento remoto da
vegetação. Oficina de Textos, 2015.
PRIMO, J.T.A. et al. Calibração de sondas capacitivas, funções físico-hídricas e
variação do armazenamento de água em um argissolo cultivado com palma
forrageira. Revista Ceres, v. 62. n. 1. 2015.
RODRIGUES, W. B; MORAIS, F; PASCHOAL, L.G. Índice de diferença normalizada
da água (NDWI) calculado para estações chuvosas e secas na bacia do Córrego
Barreiro, Lagoa da Confusão–TO. Os Desafios da Geografia Física na Fronteira do
Conhecimento, v. 1. n. 2017, p. 254-263, 2018.
RUHOFF, A. L. et al. Determinação da irradiância solar no topo da atmosfera para
cálculo do albedo e balanço de energia a partir de imagens LANDSAT 8 OLI. In: XVII
Simpósio Brasileiro de Sensoriamento Remoto, 2015. Anais do XVII Simpósio
Brasileiro de Sensoriamento Remoto, 2015.
68
SILVA, B.B. et al. Mapeamento do albedo de áreas heterogêneas do estado do Ceará
com imagens TM-LANDSAT 5. Revista de Geografia (Recife)-ISSN: 0104-5490. v. 25,
n. 2. p. 24-41. 2010.
STARKS, P. J., et al.. Estimation of short wave hemispherical reflectance albedo from
bi-directionally reflectedradiance data. Remote Sensingof Environment, v. 38, p. 123–
134, 1991.
TASUMI, M. et al. At-surface reflectance and albedo from satellite for operational
calculation of land surface energy balance. Journal of hydrologic engineering, v. 13, n.
2. p. 51-63, 2008.
TRIOLA, M. Introdução à Estatística-Atualização da Tecnologia, 11ª edição. Rio de
Janeiro: LTC, 2013.
TUCKER, Compton J. Red and photographic infrared linear combinations for
monitoring vegetation. Remote sensing of Environment, v. 8, n. 2. p. 127-150. 1979.
WELIGEPOLAGE, K. Estimation of spatial and temporal distribution of
evapotranspiration by satellite remote sensing–A case study in Hupselse Beek, The
Netherlands. 2005, 114 p. 2005. Dissertation (Master of Science), International Institute
for Geo-information Science and Earth Observation, Waganingen, Netherlands.
WILLIAMSON, M et al. Plot-scale assessment of soil freeze/thaw detection and
variability with impedance probes: implications for remote sensing validation
networks. Hydrology Research, v. 49, n. 1. p. 1-16, 2018.
ZAMMIT-MANGION, A; CRESSIE, N; SHUMACK, C. On Statistical Approaches to
Generate Level 3 Products from Satellite Remote Sensing Retrievals. Remote Sensing,
v. 10. n. 1. p. 155, 2018.