CAPÍTULO 1 INTRODUÇÃO

Transcrição

1 CAPÍTULO 1 INTRODUÇÃO O estudo do papel da vegetação em uma escala global é necessário para a compreensão do funcionamento da Terra como um sistema. Para que este objetivo seja alcançado, é necessário que as propriedades biofísicas, as variações temporais e a distribuição global dos tipos de vegetação sejam entendidas. A vegetação é um indicador sensível das propriedades que influenciam o clima, a hidrologia, o ciclo biogeoquímico e o balanço de energia de muitos ecossistemas. Mudanças ambientais em larga escala podem ser monitoradas e quantificadas através da resposta da vegetação às ações humanas e ao clima, utilizando observações de sensoriamento remoto (Huete et al., 1994). Em escalas regional, continental ou global, os índices de vegetação (IVs) têm sido utilizados amplamente para o monitoramento da vegetação. Por exemplo, Lobo et al. (1997) classificaram seqüências temporais de imagens do índice de vegetação da diferença normalizada (NDVI - normalized difference vegetation index) de uma região da Ibéria derivadas de dados do sensor Advanced Very High Resolution Radiometer (AVHRR). Eles concluíram ser possível produzir mapas de vegetação com significado ecológico consistente, já que o NDVI é dependente de características estruturais da vegetação e de variações bioclimáticas. Batista et al. (1997) também analisaram seqüências temporais de valores de NDVI oriundos de dados do sensor AVHRR para demonstrar a sazonalidade de alguns tipos de vegetação da Bacia Amazônica, tais como cerrado, caatinga e floresta de transição. As composições mensais de NDVI revelaram um comportamento sazonal em áreas de cerrado e caatinga enquanto que a floresta de transição apresentou poucas variações fenológicas no decorrer do ano. Os IVs também têm sido utilizados para estimar parâmetros biofísicos do dossel, tais como índice de área foliar (IAF) (Huete, 1988; Walter-Shea et al., 1997), fração da radiação absorvida 21

2 fotossinteticamente ativa (fapar) (Epiphanio e Huete, 1995; Walter-Shea et al., 1997), porcentagem da biomassa verde (Tucker, 1979) e outros. No entanto, os IVs são influenciados por fatores relacionados à superfície observada e ao processo de obtenção de dados (Galvão et al., 1999). Os fatores intrinsecamente relacionados à superfície observada como, por exemplo, efeitos de brilho do solo, da topografia, de sombras e da vegetação nãofotossinteticamente ativa (VNFA), têm sido amplamente estudados (Huete, 1988; Epiphanio e Huete, 1995; van Leeuwen e Huete, 1996; Gu e Gillespie, 1998). Fatores externos, como os efeitos atmosféricos e os parâmetros do sensor (p. ex., geometria de iluminação e visada) também têm recebido atenção (Kaufman e Tanré, 1992; Myneni e Asrar, 1994; Epiphanio e Huete, 1995; Gemmell e McDonald, 2000). Um estudo executado por Huete e Jackson (1988) mostrou que solos escuros, quando comparados a solos claros, apresentaram grande sensibilidade às condições atmosféricas no cálculo do NDVI. As degradações do NDVI induzidas pela atmosfera eram maiores em solos escuros e praticamente não eram detectadas em solos claros. A presença de fumaça afeta a aquisição de dados da superfície terrestre por sensoriamento remoto e o monitoramento da vegetação através dos IVs. Para superar este problema, há necessidade de propor soluções alternativas (Kaufman et al., 1998a; Miura et al., 1998). Entretanto, apenas um pequeno número de estudos tem sido feito sobre os efeitos da fumaça sobre a reflectância espectral de alvos naturais nas faixas espectrais do visível (VIS = nm), do infravermelho próximo (IVP = nm) e do infravermelho médio (IVM = nm). Como exemplo, Miura et al. (1998) estudaram os efeitos espectrais da fumaça usando dados do sensor Airborne Visible/Infrared Spectroradiometer (AVIRIS) coletados no Brasil simultaneamente com medições da espessura óptica do aerossol (AOT - aerosol optical thickness). Foram utilizadas as bandas do IVM em substituição às bandas do vermelho (V) para o cômputo dos IVs, que mostraram-se menos sensíveis à influência da fumaça na detecção da vegetação. Foi mostrado que 22

3 as faixas do IVP e do IVM são menos sensíveis à influência da fumaça do que a faixa do VIS, muito mais sensível ao espalhamento causado pela presença de aerossóis de fumaça. Griffin et al. (2000) utilizaram uma abordagem baseada no uso de relações empíricas e de análise por principais componentes (APC) para a caracterização de cenas com presença de fogo/fumaça e de nuvens. Estes autores propuseram um índice para identificar cicatrizes de queimada, que utiliza a diferença normalizada entre bandas do IVP e do IVM para cálculos de índices de vegetação em ambientes saturados por fumaça, a exemplo da formulação matemática proposta por Miura et al. (1998). O uso do IVM em estudos da vegetação em presença de fumaça tem sido sugerido já que esta faixa espectral apresenta comprimentos de onda maiores que o tamanho da maioria das partículas de aerossóis, principalmente, sulfatos e fumaça. Conseqüentemente, a coluna atmosférica tende a se tornar transparente ao IVM (Karnieli et al., 2001). O NDVI, um dos IVs mais utilizados, calculado a partir das bandas do V e do IVP, sensíveis à influência dos aerossóis (Fraser e Kaufman, 1985), é fortemente afetado pela fumaça. Para solucionar este problema, Karnieli et al. (2001) propuseram a estimativa da banda do V pela do IVM, com base na alta correlação existente entre estas bandas e no fato de a banda do IVM não ser significativamente afetada por aerossóis (Kaufman e Remer, 1994; Kaufman et al., 1997a). Foi proposto então o aerosol free vegetation index (AFRI). Na presença de fumaça, enquanto o NDVI da vegetação verde apresenta baixos valores, o AFRI mostra valores mais altos ou mais próximos dos que seriam obtidos pelo NDVI em uma atmosfera livre das condições de fumaça. As queimadas são responsáveis por 10-30% da emissão global de CO (Crutzen e Andreae, 1990) e aproximadamente 80% das queimadas ocorrem em regiões tropicais (Hao e Liu, 1994). Grandes quantidades de gases, como CO 2, CO, CH 4 e NO x e partículas de matéria orgânica, carbono e outros constituintes, são liberadas pelas queimadas (Kaufman et al., 1990). Os efeitos das queimadas sobre o ambiente global não são bem entendidos, mas sabe-se 23

4 que estes efeitos afetam a biosfera, a atmosfera e a geosfera (Prins et al., 1998). Em uma escala regional, o impacto da fumaça/fogo sobre a radiação solar, a poluição do ar e sobre a microestrutura das nuvens é relevante e alguns dos seus efeitos são: a deposição de ácidos, a degradação do solo, o desflorestamento e as alterações na flora e fauna local (Crutzen e Andreae, 1990). Uma aplicação do sensoriamento remoto é a detecção de queimadas para auxiliar a tomada de decisão de combate ao fogo (Kaufman et al., 1998b) ou a caracterização dos riscos de combustão dos diversos tipos de vegetação (Dennison et al., 2000). O número de queimadas no Brasil e, conseqüentemente, a quantidade de gases e aerossóis emitidos variam de ano para ano (Kaufman et al., 1998a). A Figura 1.1 mostra o número de queimadas entre 1991 e 1995 em algumas regiões do Brasil. Conforme visto nesta figura, em geral, Mato Grosso e Pará são os Estados onde ocorreram um maior número de queimadas. A Figura 1.2 mostra a cobertura de fumaça e aerossóis emitidos durante a estação de queimadas em unidades de milhões de km 2. De acordo com a Figura 1.2, os meses de julho a outubro são caracterizados por alta concentração de aerossóis, cujo impacto sobre o monitoramento da vegetação por dados de sensoriamento remoto precisa ser mais bem estudado. O pico das emissões de fumaça ocorre entre os meses de agosto e setembro e sua variabilidade, conforme esperado, apresenta flutuações similares às ocorrências das queimadas. Portanto, selecionar imagens livres de aerossóis de fumaça neste período pode ser uma tarefa muito difícil no Brasil, especialmente na transição de áreas de cerrado para floresta. 24

5 120 Número de Focos de Queimadas (milhares) Ano Fig. 1.1 Contagem de focos de queimadas do AVHRR no Brasil entre 1991 e 1995 por Estado. Os dados foram coletados e processados pelo Instituto Nacional de Pesquisas Espaciais (INPE). Correções na razão de queimadas devido às diferenças entre a instrumentação dos sensores AVHRR envolvidos e horários de observação em 1994 e 1995 foram efetuadas comparando as duas órbitas em agosto. FONTE: Adaptada de Kaufman et al. (1998a, p ). Nos meses de agosto e setembro de 1995, o sensor AVIRIS adquiriu imagens, a partir de uma aeronave da National Aeronautics and Space Administration (NASA), modelo ER-2 que voou a uma altitude média de 20 km, na região central do Brasil. A coleta de dados fez parte do experimento Smoke, Clouds, and Radiation - Brazil (SCAR-B) (Kaufman et al., 1998a). O sensor adquiriu dados em 224 bandas, posicionadas em intervalos regulares na faixa espectral de 400 a 2500 nm, com largura de aproximadamente 10 nm (Green et al., 1998). A resolução espacial foi de 20 metros. 25

6 Fig. 1.2 Estimativas diárias de cobertura de fumaça/aerossol usando o Geostationary Operational Environmental Satellites Automated Smoke/Aerosol Detection Algorithm (GOES8-ASADA), às 11:45 UTC, durante a estação de queimadas em A contagem de pixels de queimadas às 17:45 UTC usando o Automated Biomass Burning Algorithm (ABBA) dos dados GOES-8 também está representada. FONTE: Adaptada de Prins et al. (1998, p ). Este trabalho tem como objetivo geral investigar os efeitos da fumaça sobre os dados de reflectância da vegetação de cerrado e discutir a utilização potencial das bandas do IVM para a minimização destes efeitos sobre o cálculo do NDVI. Para tal finalidade, foi analisada uma pequena série temporal composta por imagens AVIRIS adquiridas em três datas distintas (25/08/95, 27/08/95 e 01/09/95) sobre uma área de estudo situada próxima à cidade de Cuiabá (MT). Os objetivos específicos foram: a) Detectar as mudanças ocorridas na área durante o período de aquisição de dados, especialmente aquelas decorrentes do fogo/fumaça, através de um modelo de mistura espectral; 26

7 b) Analisar os efeitos espectrais da fumaça sobre os componentes das cenas AVIRIS, com base nos resultados do modelo de mistura espectral; c) Avaliar a utilização das relações empíricas entre a banda do V e a banda do IVM para fazer a correção do NDVI para os efeitos de aerossóis de fumaça, usando um procedimento similar ao empregado por Karnieli et al. (2001). 27

8 28

9 CAPÍTULO 2 FUNDAMENTAÇÃO TEÓRICA 2.1 TÉCNICAS DE DETECÇÃO DE MUDANÇAS O sensoriamento remoto fornece uma fonte de dados com a qual a atualização de informações da cobertura terrestre pode ser feita. Estas informações podem ser obtidas com custos reduzidos e de forma eficiente (Mas, 1999). Entre as aplicações do sensoriamento remoto, estão a identificação de diversos fenômenos como: desmatamento, mudanças no uso do solo, diferenças sazonais na vegetação, expansão de áreas urbanas e outros. Estas aplicações podem ser efetivadas pelo uso de técnicas de detecção de mudanças da cobertura em imagens (Crósta, 1999). Mas (1999) testou e comparou seis procedimentos de detecção de mudanças: a imagem diferença, a diferença do índice de vegetação, a análise seletiva por principais componentes (ASPC), a classificação multi-temporal direta, a análise da pós-classificação e a combinação de realce de imagem/análise da pósclassificação. No caso da imagem diferença, uma imagem residual é obtida subtraindo-se imagens adquiridas em épocas diferentes, a qual representa as mudanças ocorridas no período. Na imagem diferença do IV, os índices de vegetação das imagens são calculados, e na seqüência, subtraídos (Singh, 1986). Na ASPC, duas bandas do sensor Multispectral Scanner (MSS) do satélite Landsat foram utilizadas por Mas (1999). A principal componente 1 (PC1) concentrou a informação que é comum a ambas as bandas e a principal componente 2 (PC2) mostrou a informação que não é comum a ambas as bandas, ou seja, as mudanças de cobertura (Chavez e Kwarteng, 1989). Já a classificação multi-temporal direta tem como objetivo identificar áreas de mudanças usando uma análise de um conjunto simples de duas datas de dados combinados (Singh, 1986). Por último, a análise de pós-classificação é uma análise comparativa simples de classificações espectrais de duas datas produzidas independentemente (Pilon et al., 1988; Singh, 1989). 29

10 Mas (1999) concluiu que a análise de pós-classificação foi a que apresentou a maior precisão (86,87% de precisão global) quando comparada às outras técnicas. O bom desempenho dessa técnica foi atribuído à alta precisão das classificações individuais das duas imagens. Em suma, os métodos baseados em classificação se mostraram menos sensíveis às variações espectrais devido às diferenças na umidade do solo e na fenologia da vegetação entre as cenas, e ainda mostraram-se mais robustos para a análise multi-temporal. Os métodos que utilizaram procedimentos de realce de imagens apresentaram um péssimo desempenho, pois permaneceram sensíveis às variações espectrais dos fatores mencionados (umidade e fenologia). Singh (1986) também avaliou métodos de detecção de mudanças com a finalidade de encontrar um algoritmo adequado para o estudo de dosséis de vegetação. Técnicas como a imagem diferença, a imagem razão, a imagem regressão, a imagem diferença de IV, a análise por principais componentes (APC), a comparação de resultados de pós-classificação, a classificação multitemporal direta e algumas técnicas de processamento espacial local foram utilizadas. Obtiveram-se quatro conclusões principais. Primeiro, o autor concluiu que os métodos de regressão alcançaram a maior precisão na detecção de mudanças, sendo seguidos pela imagem razão e imagem diferença. Segundo, as técnicas de processamento espacial local (como suavização, realce de bordas), quando combinadas com o processamento de imagens digitais, não melhoraram a precisão da detecção de mudanças. Terceiro, a classificação multiespectral foi a mais imprecisa entre as técnicas testadas. Finalmente, uma técnica simples, como a imagem diferença, apresentou melhor desempenho do que técnicas mais sofisticadas como a APC. A conclusão fundamental é que em uma mesma área de estudo, técnicas de detecção de mudanças diferentes poderão apresentar resultados significativamente distintos. Outras técnicas, como a análise por vetor de mudanças (Lambin e Strahler, 1994), a utilização de redes neurais (Gopal e Woodcock, 1996) e a 30

11 transformação Gramm-Schmidt (Collins e Woodcock, 1994) também têm sido usadas na detecção de mudanças da superfície terrestre. Atualmente, modelos lineares de mistura espectral têm sido muito utilizados na detecção de mudanças, como pode ser exemplificado por Adams et al. (1995), Roberts et al. (1997, 1998a e 1998b) e Radeloff et al. (1999). Uma vantagem do modelo de mistura espectral é a possibilidade de obtenção de informações ao nível de sub-pixel, ou seja, a obtenção das proporções dos membros de referência dentro de um elemento de cena (Roberts et al., 1998a). Outra vantagem é que as frações de membros de referência são mais fáceis de serem interpretadas do que níveis de cinza, devido à existência de uma correlação intuitiva entre as medidas na imagem e as observações em campo. Por exemplo, observadores em campo prontamente entendem o significado de um pixel tendo 65% de vegetação verde (VV) e 35% de solo, mas têm dificuldade de interpretar o valor equivalente da radiância da banda (Adams et al., 1995). O modelo linear de mistura será descrito e exemplificado a seguir Modelo Linear de Mistura Espectral Um dossel é composto de uma mistura de componentes da vegetação, solo exposto (potencialmente) e sombras. Para uma vegetação arbustiva, o elemento de cena do sensor Thematic Mapper do satélite Landsat 5 (TM- Landsat 5) (resolução espacial de 30 m) será formado por uma mistura de solo exposto, arbustos compostos de folhas verdes e VNFA e sombras causadas pelos arbustos. O espectro medido pelo sensor será, em geral, uma combinação linear dos espectros de cada um dos componentes ou materiais presentes na cena (Shimabukuro e Smith, 1991 e 1995; Roberts et al., 1998a; Hope et al., 1999). Estes materiais (assinaturas puras) são chamados de membros de referência (endmembers) que, devido aos ruídos do sensor e à variabilidade de assinaturas espectrais, só existem como uma conveniência conceitual (Schowengerdt, 1997). Quando a radiação é transmitida através dos materiais e refletida em um segundo material, ou ocorrem reflexões múltiplas 31

12 no material ou entre diversos materiais, tem-se uma mistura não-linear (Ray e Murray, 1996). Uma equação linear vetor-matriz descreve matematicamente uma mistura linear: DN ij = Ef ij + ε ij (2.1) Onde E é a matriz de assinatura dos membros de referência (KxL), com cada coluna contendo um dos vetores espectrais dos membros de referência. O termo f ij é o vetor Lx1 das L frações dos membros de referência para um pixel ij. O termo DN ij é o vetor espectral de K dimensões de um pixel ij e o termo ε ij é o erro residual proveniente do ajuste de um dado vetor espectral decorrente da soma entre L espectros de membros de referência e ruídos desconhecidos. Para que o modelo seja adequado, algumas suposições devem ser feitas. O número de membros de referência deve ser determinado pela análise do conjunto de dados. Além disso, o somatório das frações dos membros de referência pode ser igual a 1 e cada fração de membro de referência deve ter um valor superior a 0 (restrições) (Schowengerdt, 1997). As duas últimas suposições não são obrigatórias, e outras abordagens podem ser feitas sem considerar as restrições acima. Este procedimento pode ser útil para estimar quão satisfatoriamente o modelo linear de mistura espectral descreve os dados (Mather, 1999). A estimativa das frações de cada classe de um dado pixel vetor (unmixing analysis) é obtida pela inversão da equação (2.1). O maior problema nesta estimativa é a especificação de membros de referência (pixels puros) na imagem (Schowengerdt, 1997). Roberts et al. (1993) analisaram inicialmente um número mínimo de membros de referência (VV, sombra e solo exposto) para explicar a máxima variabilidade espectral dos alvos em uma área de estudo localizada em Jasper Ridge, Califórnia. As misturas não-lineares foram expressas como variações na fração de cada membro de referência quando um modelo linear de mistura foi 32

13 aplicado para sub-conjuntos espectrais de intervalos ao longo da faixa nm. Diferentes tipos de solo foram discriminados pelo resíduo espectral assim que as frações de cada espectro de membro de referência foram calculadas para cada pixel. A VNFA (grama seca, detritos de folhas e de madeira), a qual não pode se distinguir do solo quando incluída como um membro de referência, foi discriminada pelo espectro residual, ao ser desprezada como membro de referência, devido à presença de absorção de celulose e de lignina. A Figura 2.1 mostra exemplos de espectros de reflectância de alguns possíveis membros de referência (Roberts et al., 1997). Efeitos de mistura não-linear causadas pela transmissão de espalhamento de folhas verdes, variações no espectro de sombreamento (derivado do dossel) e uso de fração de VNFA permitiram que diferentes comunidades de VV fossem distinguidas. Informações de sombreamento do dossel unidas a estimativas de VNFA forneceram um discriminador confiável para as diversas comunidades de VV. Roberts et al. (1998a) realizaram um estudo em uma área localizada na região leste da Amazônia durante o período compreendido entre 1984 e 1994 com o objetivo de avaliar as mudanças na cobertura terrestre e seus efeitos nos processos hidrológicos e biogeoquímicos. Com essa finalidade, utilizaram a análise de mistura espectral multitemporal para identificar mudanças. Observaram um padrão de desflorestamento, manutenção de pasto e acréscimo na regeneração durante os primeiros oito anos de estudo e observaram altas razões de rebrota e desflorestamento nos dois anos seguintes. Embora tenham ocorrido efeitos sazonais e erros de classificação, esta estratégia providenciou uma medida direta do que mudou e quanto mudou. 33

14 Fig. 2.1 Espectro de reflectância dos membros de referência: vegetação verde (VV), vegetação não-fotossinteticamente ativa (VNFA), solo e sombra. FONTE: Adaptada de Roberts et al. (1997, p. 231). Roberts et al. (1997) utilizaram dados do sensor AVIRIS para monitorar mudanças sazonais na superfície e nas propriedades atmosféricas em uma área próxima a Jasper Ridge (Califórnia). Para quantificar a composição da superfície e caracterizar as mudanças temporais, foram utilizados o NDVI, a análise de mistura espectral e estimativas do conteúdo da água líquida das folhas calculadas a partir das imagens AVIRIS. Estes parâmetros mostraram-se altamente correlacionados, embora algumas diferenças significativas tenham sido observadas tanto espacial como temporalmente. Espacialmente, o NDVI saturou (ou atingiu seu valor máximo) em regiões de floresta, ao contrário do que ocorreu com as estimativas de água líquida, que mostraram uma maior variabilidade entre os tipos de vegetação. Temporalmente, enquanto o NDVI sugeriu um padrão de crescimento sazonal da vegetação, as frações espectrais e a água líquida mostraram decréscimo na VV, um acréscimo na vegetação 34

15 senescente e um decréscimo na iluminação em regiões de floresta nãoconíferas. Entretanto, em áreas de sequóias, ocorreu uma concordância nos resultados obtidos com o uso da água líquida e do NDVI, com um acréscimo na área foliar, enquanto que a fração VV apresentou declínio devido ao sombreamento. Adams et al. (1995) classificaram uma seqüência temporal do TM-Landsat 5 com base nas imagens frações de membros de referência obtidos por análise de mistura espectral. Foi concluído que, embora a classificação não fosse baseada em técnicas estatísticas convencionais e na utilização de áreas de treinamento para cada imagem, as categorias gerais de cobertura terrestre puderam ser identificadas. Em outras palavras, os membros de referência VV, VNFA, solo e sombra serviram de base para a definição de várias categorias, podendo ser aplicados para monitorar mudanças detalhadas na superfície terrestre. Um outro exemplo do uso de modelos de mistura espectral em detecção de mudanças foi dado por Sousa (2001), que empregou a subtração de imagensfração solo, sombra e VV para caracterizar as modificações nos padrões de uso e cobertura vegetal na região do Médio Vale do Paraíba. Ao utilizar imagens relativas à mesma época do ano, a subtração de imagens-fração permitiu uma eficiente detecção de mudanças no uso e na cobertura vegetal. 2.2 ÍNDICES DE VEGETAÇÃO Os índices de vegetação são transformações matemáticas que usualmente envolvem a combinação linear e/ou a razão entre as faixas espectrais do V e do IVP (Huete et al., 1994). Os IVs têm sido utilizados para o monitoramento da vegetação (Goward e Huemmrich, 1992; Huete et al., 1994; Huete et al., 1997) por serem correlacionados com diversos parâmetros biofísicos como biomassa (Huete, 1988), IAF (Huete, 1988; Walter-Shea et al., 1997), fapar (Epiphanio e Huete, 1995; Walter-Shea et al., 1997) e outros. Entretanto, diversos fatores 35

16 afetam tais correlações como: efeitos externos causados pela atmosfera, nuvens, geometria de iluminação e visada, influência do solo e estrutura das propriedades ópticas do dossel (Huete et al., 1994). Entre os índices de vegetação, o mais utilizado é o NDVI (Tucker, 1979). Embora seja sensível aos parâmetros biofísicos, o NDVI também é afetado por propriedades atmosféricas e da superfície (Kaufman e Remer, 1994). Dessa forma, diversas equações ou variantes desse índice foram desenvolvidas. O índice de vegetação ajustado ao solo (SAVI soil adjusted vegetation index) foi elaborado para minimizar a influência do brilho do solo (Huete, 1988). O índice de vegetação resistente à atmosfera (ARVI atmospherically resistant vegetation index) (Kaufman e Tanré, 1992) foi proposto para reduzir a influência da atmosfera. Finalmente, o índice de vegetação ajustado ao solo e resistente à atmosfera (SARVI soil adjusted atmospherically resistant vegetation index) (Kaufman e Tanré, 1992) foi elaborado para reduzir simultaneamente os efeitos da atmosfera e do brilho do solo. Maiores detalhes sobre a origem e desenvolvimento dos IVs podem ser vistos em Moreira (2000) Classificação dos Índices de Vegetação Basicamente os índices de vegetação são classificados em duas categorias: os índices de razão e os índices ortogonais. Os índices de razão mais comuns são: o índice da razão simples (RVI ratio vegetation index) e o NDVI. O primeiro é a razão entre a banda do IVP e a do V e o segundo, a diferença entre as bandas do IVP e do V dividida pela sua soma. Estes índices podem ser representados em um espaço bidimensional por isolinhas de vegetação cujas inclinações são variáveis, mais interceptam a origem. Os índices de razão dependem do conceito de linha de solo para normalizar o comportamento do solo e discriminar o espectro de vegetação. Os valores do NDVI e RVI para solos expostos são praticamente idênticos para uma ampla variedade de condições do solo desde que a maior parte do espectro de solo 36

17 seja coincidente com a linha de solo e também desde que o intercepto de cada linha cruze a origem (Huete, 1989). Quanto aos índices ortogonais, pode-se citar o índice de vegetação perpendicular (PVI- perpendicular vegetation index) (Richardson e Wiegand, 1977) e o índice de vegetação verde (GVI - green vegetation index) (Kauth e Thomas, 1976). As isolinhas dos índices ortogonais de igual quantidade de vegetação (greenness) não convergem para a origem como as isolinhas dos índices de razão, mas permanecem paralelas à linha de solo, ou seja, ao principal eixo da variação espectral do solo (Huete, 1989). Entre os IVs, o mais utilizado tem sido o NDVI devido ao seu sucesso em monitorar as variações da vegetação em escala global. É importante mencionar que o NDVI mostrou-se sensível, durante a estação de crescimento de vegetação à produtividade primária e a outros fatores que atuam de forma indireta como as fortes chuvas em regiões semi-áridas, as variações periódicas de concentração de CO 2 e as variações de latitude (Kaufman e Tanré, 1992). O potencial de uso multitemporal do NDVI para caracterização ambiental e identificação de ecossistemas florestais foi avaliado por Batista et al. (1997). Eles mostraram que a média estatística do NDVI, durante um período de 10 anos, permitiu que a floresta tropical fosse facilmente distinguida de outros tipos de cobertura vegetal, como o cerrado ou a caatinga, em imagem AVHRR (1 km de resolução espacial). Para o NDVI, adota-se a expressão: NDVI = (ρ IVP ρ v ) / (ρ IVP + ρ v ) (2.2) onde ρ IVP e ρ v são os valores de reflectância de superfície nas faixas espectrais do IVP e V, respectivamente (Tucker, 1979), embora os índices possam ser calculados a partir de outros tipos de grandezas radiométricas (por exemplo, radiância). 37

18 Numerosos estudos demonstraram que em áreas onde existe considerável variação do brilho do solo originado de variações de rugosidade, sombras ou de diferenças em sua composição (p. ex., variações no conteúdo de matéria orgânica), há influência induzida pelo solo nos valores dos IVs. Os índices utilizados até então não eram refinados ao ponto de reduzir as influências ou ruídos do solo. Huete (1988) elaborou uma técnica de transformação que minimizou a influência do brilho do solo, que pode ser descrita por: SAVI = (ρ IVP - ρ v ) (1 + L) / (ρ IVP + ρ v + L) (2.3) onde L é um fator de ajuste cujo valor de 0,5 tem sido adotado para representar a diversidade de densidades da vegetação. O ARVI foi criado para ser utilizado pelo sensor Moderate Resolution Imaging Spectroradiometer (MODIS) a bordo do satélite Terra (Kaufman e Tanré, 1992). No entanto, o enhanced vegetation index (EVI) (Miura et al., 2000) é o índice empregado pelo sensor MODIS atualmente. O seu objetivo principal é proporcionar um processo de auto-correção em que a diferença da radiância entre as bandas do azul e do vermelho seja utilizada para corrigir a radiância no intervalo do vermelho. Por meio de simulações, utilizando o código de transferência radiativa 5S, comprovou-se que o ARVI é, em média, quatro vezes menos sensível aos efeitos atmosféricos que o NDVI (Kaufman e Tanré, 1992). Similarmente à fórmula do NDVI, tem-se: ARVI = (ρ IVP - ρ va ) / (ρ IVP + ρ va ) (2.4) ρ va = ρ v - γ(ρ a - ρ v ) onde v e a denotam as bandas do vermelho e do azul, respectivamente. O parâmetro γ define a importância da radiação da banda azul e ρ significa reflectância (Kaufman e Tanré, 1992). 38

19 O NDVI, como mostrado em Huete et al. (1997), torna-se saturado sobre áreas com alta densidade de vegetação. Isto é atribuído à alta sensibilidade do NDVI à absorção, pela vegetação, da radiação na faixa espectral do vermelho (clorofila), o qual se satura rapidamente. O estudo demonstrou que o SARVI pode ser utilizado em áreas com alta densidade de vegetação, áreas florestais, áreas com vegetação esparsa e regiões semi-áridas. O SARVI nada mais é do que um híbrido entre as equações do SAVI e do ARVI, respectivamente, proposto para corrigir a influência do solo e da atmosfera (Kaufman e Tanré, 1992), cuja fórmula é: SARVI = (ρ IVP - ρ va ) (1 + L) / (ρ IVP + ρ va + L) (2.5) Fatores que Influenciam os Índices de Vegetação A compreensão dos fatores que afetam os IVs tem sido necessária para que seja possível a sua utilização global (Huete, 1989). Entre os fatores que afetam os IVs, pode-se destacar os efeitos atmosféricos (Kaufman, 1989; Myneni e Asrar, 1994), o solo (Huete, 1988; Huete, 1989), a geometria de iluminação e visada (Epiphanio e Huete, 1995; Verbrugghe e Cierniewski, 1995; Walter-Shea et al., 1997), a VNFA (litter) (van Leeuwen e Huete, 1996) e os efeitos de posicionamento e largura de bandas (Galvão et al., 1999; Moreira, 2000). Myneni e Asrar (1994) empregaram um método de transferência radiativa para estudar os efeitos atmosféricos em IVs. A distribuição da radiância sobre o plano principal solar (onde a fonte de iluminação, o sensor e o alvo estão em um mesmo plano) acima do dossel e acima da atmosfera são diferentes, pois os efeitos atmosféricos são dependentes do comprimento de onda. O efeito atmosférico é positivo em menores comprimentos de onda (menor que 700 nm) e é negativo em maiores comprimentos de onda (maior que 750 nm), onde o espalhamento e a absorção são dominantes, respectivamente. À medida que o ângulo zenital solar (AZS) aumenta, a anisotropia da distribuição de radiância também aumenta. O NDVI de topo do dossel (TOC - top-of-the-canopy) tem um 39

20 valor pequeno quando o sensor capta a radiação retroespalhada devido ao efeito hot spot que oferece um alto valor de reflectância do V, ou seja, reduz o contraste do NDVI. Quanto ao NDVI de topo da atmosfera (TOA - top-of-theatmosphere), o seu valor é sempre inferior ao do NDVI TOC por causa do efeito atmosférico positivo na reflectância do V (espalhamento causa aumento nos valores de reflectância). Myneni e Asrar (1994) mostraram que com o uso do ARVI, a distribuição desse índice sobre o plano solar principal e a distribuição do NDVI TOC foram iguais, ou seja, os efeitos atmosféricos foram corrigidos. Tanto o NDVI TOA quanto o TOC são sensíveis à reflectância do solo, especialmente para AZSs mais elevados e para maiores profundidades ópticas de aerossol. Ao utilizar o SAVI, os efeitos de brilho do solo são reduzidos, mas não os da atmosfera. Para minimizar ambos os efeitos (atmosfera e solo), conforme mencionado anteriormente, foi proposto o SARVI (união do ARVI com o SAVI). Segundo Huete (1989), a influência do solo sobre os IVs é caracterizada principalmente por: efeitos de brilho do solo, influências associadas com o ângulo solar, influências associadas com a atmosfera e problemas inerentes ao ruído do solo exposto. As variações de brilho do solo podem ser causadas por diferenças de umidade, variação de rugosidade e, principalmente, por diferenças em sua composição mineralógica/química. Solos secos e úmidos modificaram diferentemente a razão IVP/V para dosséis de trigo devido à presença de atmosfera túrbida (Slater e Jackson, 1982). Solos escuros, quando comparados a solos claros, apresentaram grande sensibilidade às condições atmosféricas no cálculo do NDVI (Huete e Jackson, 1988). Quanto aos problemas do ruído de solo exposto, em áreas de vegetação esparsa, a resposta do solo é particularmente forte em relação ao sinal fraco da vegetação e fica difícil identificá-la no meio do sinal do solo (Huete, 1989). A complexa variação das propriedades espectrais da transmitância e reflectância da VNFA e seus efeitos sobre os IVs são devidos aos processos de decomposição durante a etapa de crescimento. É difícil diferenciar VNFA 40

21 (litter) de solos claros devido ao fato de que as assinaturas espectrais são semelhantes. Entretanto, a utilização de modelos de mistura espectral com dados de alta resolução espectral tem possibilitado a distinção entre VNFA e outros elementos da superfície terrestre (van Leeuwen e Huete, 1996). Quanto aos efeitos de posicionamento e largura de banda sobre os IVs, podese exemplificar que "resultados de NDVI de dados coletados por sensores remotos nos cerrados do Brasil são dependentes da posição espectral de bandas estreitas e amplas, cuja influência varia durante a estação seca e chuvosa" (Galvão et al., 1999). Os autores sugerem que, para fins de determinação de IVs, os sensores de banda estreita tenham uma banda do vermelho posicionada no intervalo nm (absorção de clorofila) e uma banda do IVP posicionada em menores comprimentos de onda no intervalo de nm, considerando a existência das bandas de absorção atmosférica. Muitos fatores são responsáveis pela magnitude do sinal recebido por um sensor a bordo de um satélite, entre eles: a reflectância do alvo, as interações atmosféricas, a inclinação e o aspecto da área do alvo terrestre com relação ao ângulo solar azimutal, o ângulo de visada do sensor e o ângulo de elevação solar. O ângulo de iluminação e o ângulo de visada do sensor fazem com que a magnitude da radiação refletida e emitida captada pelo sensor varie. Assumindo a ausência de atmosfera e de outros fatores complicadores, a função de distribuição da reflectância bidirecional (FDRB) descreve a magnitude da radiação captada pelo sensor em função dos ângulos de iluminação e visada. A radiação refletida ou emitida pelo alvo também tem que atravessar a atmosfera, e o ângulo de visada controla a trajetória desta energia. Por exemplo, uma visada fora do nadir será mais influenciada pelas interações atmosféricas do que uma visada ao nadir (Mather, 1999). Um fator particularmente importante para a correção de imagens adquiridas por satélites com sensores de imageamento de visada ampla é o conhecimento das propriedades bidirecionais das superfícies naturais. Os efeitos bidirecionais 41

22 são fáceis de serem corrigidos empiricamente quando os variáveis ângulos de visada dos sensores incluem visadas ao nadir e fora do nadir, ao mesmo tempo e na mesma superfície. A aplicação de modelos geométricos para predizer os efeitos bidirecionais de alvos são razoavelmente eficientes para a correção dos efeitos bidirecionais presentes nos dados de sensoriamento remoto (Verbrugghe e Cierniewski, 1995). Kimes (1991) mostrou que as formas das distribuições de reflectância direcional são muito dinâmicas e dependem do ângulo solar, do comprimento de onda, da distribuição da orientação foliar, da densidade das folhas e das propriedades espectrais da reflectância dos componentes de cena. Logo, é difícil predizer a forma correta da distribuição de um alvo desconhecido. Middleton (1991) estudou a relação de dois IVs (NDVI e SR - simple ratio) em função do AZS para uma área de pradarias e também verificou a relação destes índices espectrais com parâmetros biofísicos. Para IAF intermediários (0,5<IAF<2,0), tanto o SR quanto o NDVI apresentaram um valor mínimo quando o Sol estava próximo ao meio-dia; à medida que o AZS aumentava, os índices também aumentavam. Para áreas com altos valores de IAF (>2,0), os índices apresentaram o maior valor com o Sol em sua posição próximo ao meio-dia. Para um aumento no AZS houve uma diminuição no valor dos índices. Para IAF < 0,5 não ocorreram variações nos IVs durante o período diurno. As diferentes respostas dos IVs excluíram a possibilidade, para este caso, de remover os efeitos do AZS nos IVs mensurados. A visada fora do nadir de cenas terrestres usando sistemas de sensoriamento remoto de plataformas orbitais oferecem a vantagem de aumentar a cobertura temporal de uma cena qualquer (Kimes et al., 1994). Entretanto, a utilização de visada fora do nadir origina o problema de que a radiação detectada pelo sensor se altera com a mudança do ângulo de visada, como é o caso do sensor AVHRR. Kimes et al. (1994) expandiram um sistema chamado VEG 42

23 para inferir as reflectâncias ao nadir ou fora do nadir de um alvo de vegetação, dada alguma combinação de outras reflectâncias direcionais do mesmo alvo. Epiphanio e Huete (1995) descreveram o impacto do AZS e do ângulo de visada do sensor (AVS) sobre dois IVs: o NDVI e o SAVI. Estes autores avaliaram a relação entre estes índices e a fapar. Foi demonstrado que alterações nos ângulos de visada causaram variações de até 50% com relação ao nadir nos IVs. O NDVI sofreu um aumento de intensidade à medida que a direção de visada se alterava da direção de visada antisolar até a direção de espalhamento à frente (forward-scattering). As relações entre fapar e IVs foram, em geral, lineares, mas as variações dos ângulos de visada causaram uma superestimativa ou subestimativa deste parâmetro, dependendo de fatores como direção de visada, ângulo de visada e tipo de IV. As variações dos ângulos de visada do sensor modificam a quantidade de vegetação vista, a espessura e a composição da vegetação/background no campo de visada do sensor. Já as variações no AZS modificam a espessura óptica e a iluminação do dossel. O fator L faz com que o SAVI se torne menos sensível às mudanças de reflectância do vermelho e mais sensível às mudanças do IVP. A conseqüência de diferentes sensibilidades do SAVI ao V e ao IVP é que, apesar de as reflectâncias nas faixas do V e IVP diminuírem à medida que o AVS se alterava; da direção antisolar para o espalhamento à frente, o NDVI aumentava e o SAVI diminuía. Além disso, o SAVI apresenta uma maior sensibilidade ao ângulo de visada do que o NDVI, para variações similares de variação do ângulo de visada do V e IVP (Epiphanio e Huete, 1995). Qi et al. (1995) mostraram que IVs baseados no albedo foram independentes de ângulos de visada enquanto que os IVs originados de dados de reflectância variaram substancialmente com a geometria de visada do sensor. A desvantagem de utilizar IVs baseados no albedo é que é necessário obter um grande número de medidas multidirecionais e encontrar um modelo FDRB 43

24 adequado. Modelos FDRB simples necessitam de poucos parâmetros físicos, mas eles perdem em precisão. Modelos FDRB mais sofisticados necessitam de um número maior de parâmetros físicos, e, portanto, de medições. Galvão et al. (2001a) estudaram os efeitos da geometria de visada na determinação do NDVI. Um exemplo desses efeitos pode ser visualizado na Figura 2.2, que mostra uma imagem NDVI resultante de dados hiperespectrais coletados pelo sensor Hyperspectral Mapper (HYMAP), com campo de visada (FOV field of view) de 60 o e com ângulo de visada realçado pelo giro da aeronave. Detalhes sobre este sensor podem ser vistos em Cocks et al. (1998). A diminuição dos valores de NDVI na direção centro-borda inferior (A-B) da imagem está relacionada ao ângulo de visada crescente de 0 a +60 o. Há um aumento na radiância do V causado pelo espalhamento atmosférico e uma diminuição no IVP devido à absorção atmosférica, ambos relacionados com a visada lateral. Logo, o aumento do percurso óptico da radiação tem como conseqüência um decréscimo substancial nos valores de NDVI (Galvão et al., 2001a). A B Fig. 2.2 Imagem NDVI resultante de dados coletados pelo sensor HYMAP nas bandas centradas em 665 e 894 nm. Os valores de NDVI diminuem da cor verde para a cor magenta ou de A para B. FONTE: Adaptada de Galvão et al. (2001a, p. 7). 44

25 2.3 EFEITOS ATMOSFÉRICOS As interações da radiação solar direta e da radiação refletida pelo alvo com os constituintes da atmosfera são chamadas de efeitos atmosféricos (Kaufman, 1989). A fonte de radiação é o Sol e a radiação eletromagnética que é refletida pela superfície da Terra e é detectada pelo sensor orbital ou aerotransportado passa pela atmosfera duas vezes. A primeira é a jornada do Sol para a superfície da Terra e a segunda é a da superfície da Terra para o sensor. No decorrer destas duas passagens a radiação interage com as moléculas dos gases atmosféricos e com as partículas em suspensão. Estas interações são descritas por dois processos: o espalhamento e a absorção. O espalhamento deflete a radiação enquanto que a absorção converte a energia presente na radiação eletromagnética em energia interna da molécula absorvedora (Mather, 1999). Quanto aos constituintes da atmosfera, as variações temporais e as espaciais na concentração de vapor d'água podem ser drásticas e geralmente as concentrações de vapor d'água decrescem rapidamente com o aumento de altitude. Na troposfera alguns gases são uniformemente misturados, como o metano, o oxigênio, o óxido nitroso e o dióxido de carbono. A quantidade total de ozônio varia com mudanças de latitude e estação do ano, do solo até o espaço. O pico de concentração de ozônio ocorre em aproximadamente 25 km (estratosfera com 90% do seu total). Em uma base diária e periódica, a variação da concentração de monóxido de carbono em áreas rurais não é tão dramática quanto a variação de vapor d'água (Gao et al., 1993) Espalhamento e Absorção Atmosférica A radiância detectada pelo sensor orbital é afetada por dois processos atmosféricos que ocorrem no espectro solar. Como já mencionado no item anterior, o primeiro é a absorção causada por gases atmosféricos e aerossóis, e o segundo é o espalhamento causado por moléculas e aerossóis (Tanré et al., 1992). O domínio espectral destes processos é indicado na Figura 2.3. A 45

26 faixa do VIS é influenciada por processos de espalhamento, enquanto que comprimentos de onda maiores são mais afetados por processos de absorção. Existem aproximadamente trinta gases na atmosfera terrestre que, em sua maioria, para a faixa espectral entre 400 e 2500 nm e uma resolução espectral de 10 nm, não apresentam feições observáveis de absorção. Apenas sete gases apresentam feições de absorção observáveis. São eles: vapor d'água, dióxido de carbono, ozônio, óxido nitroso, monóxido de carbono, metano e oxigênio. O vapor d'água apresenta picos de absorção em diversas bandas variando de uma pequena porcentagem a 100%. O dióxido de carbono tem seu pico aproximadamente em 2000 nm. O ozônio possui um pico de absorção de aproximadamente 10% próximo a 600 nm. Tanto o óxido nitroso quanto o monóxido de carbono possuem feições fracas de absorção variando de 1 a 2% no intervalo entre 2000 e 2500 nm. O metano tem um pico de absorção de aproximadamente 20% em uma banda próxima a 2350 nm. O oxigênio possui diversas bandas de absorção, estando a mais importante localizada em torno de 760 nm. Quanto às janelas atmosféricas, as principais estão localizadas em torno de 850, 1050 e 1250 nm. Um fator importante é que a detecção dos picos de absorção dependem da resolução espectral e estes picos citados acima referem-se a uma resolução espectral de 10 nm. A radiação solar é espalhada por moléculas e aerossóis atmosféricos. Para típicas condições atmosféricas, próximo a 1000 nm, o espalhamento causado pelos aerossóis contribuem com aproximadamente 10% da radiação total medida por um sensor orbital. O espalhamento molecular e por aerossóis é mais importante na região do VIS (Gao et al.,1993). As partículas e moléculas responsáveis pelo espalhamento da radiação na atmosfera variam em tamanho, possuindo desde tamanhos microscópicos a tamanhos de gotas de chuva (100 µm ou mais). As moléculas de gases atmosféricos (como o oxigênio, nitrogênio e ozônio) possuem raios menores que 1000 nm e afetam a radiação eletromagnética com 1000 nm ou menos de comprimento de onda. Alguns tipos de partículas, como as originadas de 46

27 atividade antrópica (partículas de fumaça provenientes da poluição industrial e doméstica) e de causas naturais (areia originada de processos eólicos e partículas de sal provenientes da evaporação oceânica), também atingem a atmosfera (Mather, 1999). 1 0,9 Transmitância 0,8 0,7 0,6 0,5 0,4 0,3 0 2 H 2O O 3 H 2O CH 4 CO 2 O 2 O 2 CO 2 H 2O H 2O H 2O CO 2 H 2O H 2O 0,2 0,1 TM-Landsat Comprimento de Onda (nm) Fig. 2.3 Espectro de transmitância dos constituintes da atmosfera nas 224 bandas espectrais do AVIRIS e as 6 bandas (radiação refletida) do sensor TM-Landsat 5. FONTE: Adaptada de Green et al. (1998, p. 229). Os efeitos de espalhamento são irregulares tanto espacialmente como sazonalmente. Pode-se distinguir dois tipos de espalhamento: um seletivo e outro não-seletivo. Enquanto o espalhamento seletivo afeta comprimentos de onda específicos, o espalhamento não-seletivo é independente do comprimento de onda. O espalhamento Rayleigh é causado por pequenas partículas e moléculas com raio bem menor do que o comprimento de onda da radiação eletromagnética de interesse. Pequenos comprimentos de onda são muito mais afetados pelo espalhamento Rayleigh do que grandes comprimentos de onda porque o efeito deste tipo de espalhamento é inversamente proporcional à quarta potência do comprimento de onda. 47

28 Partículas que possuem raio entre 100 e nm (por exemplo, partículas de fumaça, areia e sal), ou seja, aproximadamente a mesma magnitude dos comprimentos de onda das radiações nas faixas do VIS, IVP e infravermelho termal são responsáveis pelo espalhamento Mie. Como no caso do espalhamento Rayleigh, o espalhamento Mie tem sua intensidade inversamente proporcional ao comprimento de onda da radiação eletromagnética em questão. Entretanto, a potência do espalhamento Mie varia de -0,7 a -2,0, enquanto que o Rayleigh tem sua potência elevada a -4,0. O espalhamento não-seletivo não depende do comprimento de onda e é produzido por partículas com raios maiores do que nm, tais como gotas de chuva e pequenos fragmentos de gelo presentes em nuvens (Mather, 1999) Correção Atmosférica de Dados Hiperespectrais (ATREM) Uma correção precisa de efeitos de absorção e espalhamento é necessária para estimar a reflectância de superfície a partir dos dados AVIRIS (Gao et al., 1993). Entre os métodos de correção atmosférica de dados hiperespectrais existentes, um dos mais utilizados é o Atmosphere Removal (ATREM), que é um programa implementado no sistema Environment for Visualizing Images (ENVI) e baseado nos estudos de Gao et al. (1993). O ATREM é um código operacional para recuperar a reflectância de superfície em dados de imageamento por sensores hiperespectrais. O programa ATREM foi elaborado primeiramente para os sensores AVIRIS e Hyperspectral Digital Imagery Collection Experiment (HYDICE). Com a adição de um fator de escala (versão 3.1), o ATREM pode ser utilizado para a análise de diversos tipos de dados hiperespectrais (University of Colorado-ATREM, 2001). Sem o conhecimento prévio das características da superfície, o ATREM determina a reflectância de superfície usando um modelo de transferência radiativa. Partindo do princípio de que a superfície em questão é horizontal e possui reflectância lambertiana, a quantidade de vapor d'água é calculada pixel a pixel a partir das bandas de absorção d'água em 940 e 1140 nm. Baseado no 48

29 vapor d' água estimado, na geometria de iluminação e visada e no uso de modelos espectrais de bandas estreitas, os espectros de transmissão do vapor d'água, dióxido de carbono, ozônio, óxido nítrico, monóxido de carbono, metano e oxigênio são modelados na faixa de 400 a 2500 nm. Os efeitos de espalhamento e absorção são modelados pelo código 5S. As radiâncias são então divididas pela irradiância solar (acima da atmosfera) para obter os dados de reflectância aparente. Finalmente, a reflectância de superfície é obtida a partir da reflectância aparente ao utilizar as transmitâncias simuladas de gases atmosféricos e de dados simulados de espalhamento molecular e de aerossol (Gao et al., 1993). A reflectância de superfície foi obtida empregando a equação (2.6). ρ(λ) = [(ρ*(θ s, ϕ s, θ v,λ)/ T g (θ s,θ v,λ)) - ρ a (θ s, ϕ s, θ V, ϕ V,λ)] X {T(θ s,λ) T(θ v,λ) + S(λ)[(ρ*(θ s, ϕ s, θ V, ϕ V,λ)/ T g (θ s,θ v,λ)) - ρ a (θ s, ϕ s, θ V, ϕ V,λ)]} -1 (2.6) onde ρ* é a reflectância aparente, T g é a transmitância total dos gases na trajetória Sol-superfície-sensor, ρ a é a reflectância atmosférica, que é relacionada à radiância de trajetória resultante do espalhamento atmosférico, T(θ s,λ) é o coeficiente de transmissão no caminho óptico descendente, T(θ v,λ) é o coeficiente de transmissão no caminho óptico ascendente, S é o albedo hemisférico da atmosfera, ρ é a reflectância de superfície (Gao et al., 1993). 2.4 APLICAÇÕES DO IVM EM ESTUDOS DA VEGETAÇÃO O uso das bandas do IVM em estudos da vegetação tem sido limitado quando comparado ao amplo emprego das bandas do VIS e do IVP (Karnieli et al., 2001). Por exemplo, Vogelmann e Rock (1988) descobriram que razões entre bandas (TM 1650/830 nm e TM 2220/830 nm) foram bem correlacionadas com medições de campo em Camels Hump e Vermont de diferentes níveis de 49

30 danos florestais. A umidade na vegetação altera a amplitude das regiões em torno de 1650 e 2220 nm fornecendo um indicador preciso de conteúdo de água líquida. Quando a folha fica seca, a reflectância aumenta nessas regiões (1650 e 2220 nm) enquanto a região em torno de 830 nm é relativamente nãoafetada pelo conteúdo de umidade. Logo, quando mais seca for a folha, maior o dano e maiores são as razões 1650/830 nm e 2220/830 nm. Vogelmann (1990) prosseguiu os estudos de Vogelmann e Rock (1988) testando tanto o NDVI quanto os índices razão entre o short-wave infrared (SWIR) e o IVP para avaliar danos florestais. Gao (1996) propôs um novo índice, o normalized difference water index (NDWI), com o objetivo de monitorar a água líquida da vegetação a partir do espaço. O NDWI é definido como: NDWI = (ρ 860 ρ 1240 ) / (ρ ρ 1240 ) (2.7) Onde ρ representa a reflectância. Em 1240 nm, uma banda de absorção bem definida, causada pela água líquida das folhas, está presente. Esta banda é realçada à medida que o espalhamento pelo dossel de vegetação aumenta. Como conseqüência, além do NDWI ser sensível ao conteúdo de água líquida nas plantas, os comprimentos de onda utilizados são pouco sensíveis aos efeitos de espalhamento por aerossóis atmosféricos. No sensoriamento remoto de aerossóis, um passo importante é a detecção de alvos escuros, como a vegetação densa, por exemplo. Com esse fim, métodos que empregam o V e o IVP não são adequados em ambientes saturados por aerossóis porque os aerossóis afetam a reflectância aparente no VIS. Kaufman e Remer (1994) sugeriram o emprego de canais do IVM (3750 nm no AVHRR e 3950 nm no MODIS) já que são sensíveis à presença de vegetação (água líquida), mas não são afetados pela maioria dos aerossóis, com a exceção de areia (dust). Estes autores observaram uma boa correlação entre a resposta espectral das bandas do V e do IVM já que a ocorrência de processos que escurecem a superfície nesses dois canais está presente (Tabela 2.1). 50

31 TABELA 2.1 PROCESSOS QUE REDUZEM A REFLECTÂNCIA DA BANDA DO V E DO IVM Processo Canal V Canal IVM Acréscimo na cobertura vegetal Acréscimo na umidade do solo Presença de sombras A absorção pela presença de clorofila nas folhas reduz a reflectância neste canal. A presença de água líquida nos espaços entre os grãos de solo reduz o índice refrativo relativo entre os grãos e os espaços, capturando a radiação e reduzindo a reflectância. Reduzem a reflectância A absorção por água líquida, presente nas folhas reduz a reflectância neste canal. A absorção por água líquida reduz a reflectância do solo Reduzem a reflectância FONTE: Adaptada de Kaufman e Remer (1994, p. 673). Em função de a resposta espectral do canal centrado em 3750 nm ser bem correlacionada com a do canal centrado em 640 nm, um novo índice foi sugerido: VI3 = (ρ IVP ρ 3750 ) / (ρ IVP + ρ 3750 ) (2.8) O grande inconveniente da utilização do canal centrado em 3750 nm é a necessidade de correção por emissão e a suposição da emissividade de superfície a nm. Outra limitação deste canal é a sensibilidade à água líquida superficial como: poças recentes de água, pântanos, lagos e rios (Kaufman e Remer, 1994). 51

32 Sugerido por Kaufman e Remer (1994) e estudado, principalmente, por Kaufman et al. (1997a) e Karnieli et al. (2001), o canal centrado em 2100 nm (um substituto ao centrado em 3750 nm) não possui um componente significativo de emissão, além de penetrar a maioria dos aerossóis. A desvantagem é que este canal é menos sensível à presença de água líquida do que o centrado em 3750 nm. No entanto, é correlacionado com a faixa espectral do V, sofrendo os mesmos processos que reduzem a reflectância nos dois canais. O canal centrado em 2100 nm está presente no Advanced Earth Observing System-Ocean Color and Temperature Scanner and Global Imager (ADEOS-OCTS e GLI) e no Earth Observing System-Moderate Resolution Imaging Spectrograph (EOS-MODIS). Um canal similar é encontrado no TM- Landsat centrado em 2200 nm (Kaufman et al., 1997a). Kaufman et al. (1997a) desenvolveram uma nova técnica para o sensoriamento remoto de aerossóis e a correção atmosférica utilizando o canal centrado em 2100 nm do MODIS para a detecção de alvos escuros, ao contrário do uso do canal centrado em 3750 nm (AVHRR). Eles estabeleceram a correlação entre canais do VIS (490 e 660 nm) e o canal centrado em 2200 nm empregando imagens TM-Landsat 5 e AVIRIS corrigidas para os efeitos atmosféricos. Com um ρ = ±0,006 (variação máxima de reflectância) e para ρ 2200 < 0,10 as equações de predição dos valores de reflectância do VIS são: ρ 490 = ρ 2200 / 4 (2.9) ρ 660 = ρ 2200 / 2 (2.10) Logo, alvos escuros podem ser detectados usando as reflectâncias estimadas de canais do VIS (490 e 660 nm), com um erro de 0,006 na reflectância de superfície () que corresponde a um erro no sensoriamento remoto da espessura óptica de aerossóis (AOT aerosol optical thickness) de aproximadamente 0,06. Essas equações foram validadas usando dados espectrais de 52

33 superfícies vegetais de diferentes biomas expandindo a aplicação de alvos escuros para alvos claros no sensoriamento remoto de aerossóis. Com o altíssimo coeficiente de correlação entre o V e o IVM (r = 0,98) e com um baixo valor de estimador não tendencioso da variância, ambas as bandas foram incorporadas em um novo IV por Karnieli et al. (2001), onde a banda do IVM estima a banda do V. Este índice foi denominado aerosol free vegetation index (AFRI): AFRI 2100 = ( IVP 0,5 * 2100 ) / ( IVP + 0,5 * 2100 ) (2.11) Que também pode ser empregado utilizando a banda centrada em 1600 nm: AFRI 1600 = ( IVP 0,66 * 1600 ) / ( IVP + 0,66 * 1600 ) (2.12) Na Figura 2.4, podem ser observadas as relações entre o NDVI e o AFRI 1600 e o AFRI 2100 obtidos de dados livres de aerossóis em uma área de Israel. Observe que especialmente o NDVI e o AFRI 2100 são bem ajustados à reta 1:1 e possuem intercepto de valor desprezível. NDVI 0 0,2 0,4 0,6 0,8 1 NDVI 0 0,2 0,4 0,6 0, ,2 0,4 0,6 0, ,2 0,4 0,6 0,8 1 AFRI 1600 AFRI 2100 Fig. 2.4 NDVI versus AFRI para um conjunto de dados livres de aerossóis localizado em Israel. FONTE: Adaptado de Karnieli et al. (2001, p. 16). 53

34 Outra contribuição de Kaufman et al. (1997a) foi permitir a detecção de areia (dust) sobre superfícies com ρ 2200 = 0,15 ± 0,05 já que o efeito radiativo da areia é pequeno nestes limites de reflectância. Kaufman et al. (2000) estudaram a detecção de areia principalmente sobre os desertos usando uma combinação de canais do VIS e do IVM para estimar a espessura óptica da areia e planejaram seu emprego para o sensor MODIS-EOS. Holben et al. (1992) modificaram dois métodos de recuperação da quantidade de aerossóis de imagens Landsat para serem aplicados no AVHRR. Um dos métodos utiliza o contraste entre as cenas para recuperar a espessura óptica do aerossol. O outro, de interesse deste trabalho no que se refere à estimativa da banda do V, recupera a informação dos aerossóis baseados nos efeitos atmosféricos sobre a radiância de trajetória. Este método necessita de uma superfície escura, com reflectância de superfície em torno de 0,02±0,01, como é o caso das florestas (canal V). A detecção de pixels escuros é feita utilizando os menores valores de NDVI ou do canal centrado em 3750 nm em áreas com Vegetação Densa e Escura (Dense Dark Vegetation DDV) e com o conhecimento a priori de que a área de estudo possui vegetação densa. Vale salientar que a detecção de alvos escuros usando o canal centrado em 3750 nm teve um desempenho melhor do que a utilização do NDVI. Os dois métodos apresentaram a mesma precisão de recuperação da espessura óptica para as condições investigadas. Entretanto, o método DDV pode ser usado em qualquer imagem e só necessita da informação do pixel de vegetação densa enquanto o método de contraste necessita de uma imagem referência com valor de espessura óptica do aerossol conhecida. Um exemplo de emprego operacional do canal 7 ( nm) do sensor TM-Landsat 5 para a correção atmosférica de imagens TM-Landsat foi desenvolvido por Liang et al. (1997), em que a profundidade óptica do aerossol é estimada utilizando a aproximação do alvo escuro com os dados contidos na própria imagem. A reflectância de superfície é então recuperada consultando- 54

35 se uma lookup table obtida a partir de um código de transferência radiativo numérico. A quantidade de aerossóis é altamente variável tanto no tempo como no espaço. Logo, a melhor prática de recuperar a informação de aerossóis será sobre os dados da própria imagem. Na mesma época que Liang et al. (1997) desenvolveram um método de correção atmosférica para imagens TM, Kaufman et al. (1997b) também elaboraram um algoritmo para o sensoriamento remoto de aerossóis sobre a Terra para o sensor MODIS-EOS. O objetivo é monitorar a distribuição de elevadas concentrações de aerossóis como: aerossóis urbanos originados nas latitudes médias e de queimadas nos trópicos. A informação diária dos aerossóis sobre a terra e o mar, combinada com o sensoriamento remoto de aerossóis a partir de estações baseadas em terra, são úteis para estudos como: climatologia dos aerossóis e a interação dos aerossóis com nuvens e vapor d água e seu impacto radiativo no clima. Os principais passos do algoritmo são: identificar alvos escuros na faixa do IVM, estimar a reflectância da banda do azul e do V usando a faixa do IVM e basicamente recuperar a espessura óptica do aerossol. Os autores concluíram que a identificação de alvos escuros empregando-se a faixa do IVM causa um pequeno erro na estimativa da espessura óptica do aerossol sobre áreas totalmente ou parcialmente cobertas por vegetação. Uma revisão sobre o sensoriamento remoto de aerossóis troposféricos e correção atmosférica para o efeito dos aerossóis pode ser encontrada em Kaufman et al. (1997c). Ao estudar a variabilidade espectral angular e sazonal, Remer et al. (2001) descobriram que a reflectância especular de alvos vistos na direção do espalhamento à frente pode afetar as relações entre o IVM e a faixa do VIS quando a reflectância de superfície for derivada de dados adquiridos na posição nadir. A reflexão especular pode introduzir um erro de 0,01 nas reflectâncias estimadas a partir do IVM. 55

36 2.5 INFLUÊNCIA ESPECTRAL DA FUMAÇA Em geral, para o monitoramento da vegetação, são utilizadas combinações das bandas espectrais do V e do IVP (Tucker, 1979). Pela Figura 2.5 pode-se observar os efeitos espectrais da fumaça em algumas bandas de uma imagem do sensor AVIRIS adquirida durante o experimento SCAR-B em uma área coberta por uma espessa camada de fumaça resultante de queimadas ativas em floresta tropical (Miura et al., 1998). Azul (555 nm) V (645 nm) IVP (858 nm) IVM (1640 nm) IVM (2130 nm) Fig. 2.5 Imagens simuladas do MODIS a partir de dados AVIRIS mostrando as propriedades ópticas da fumaça para diferentes bandas. A imagem do sensor AVIRIS foi adquirida sobre Ji-Paraná, Brasil, durante o experimento SCAR-B em 25 de agosto de FONTE: Adaptada de Miura et al. (1998, p ). Pode-se observar com clareza que, para a faixa do VIS, a detecção de vegetação verde fica seriamente prejudicada, porque ela é mascarada pela presença de fumaça. Quanto ao IVP, a detecção de vegetação verde não se apresenta tão prejudicada quando comparada com a faixa do V. Como previsto 56

37 por Karnieli et al. (2001), as duas faixas do IVM (1640 e 2130 nm), comportamse com relativa transparência à fumaça e ainda permanecem sensíveis à vegetação. Miura et al. (1998) estudaram quatro níveis de contaminação por fumaça usando os dados AVIRIS para simular bandas do sensor MODIS. As Figuras 2.6, 2.7 e 2.8 mostram espectros de reflectância corrigidos para o espalhamento Rayleigh e para a absorção do ozônio de áreas de florestas, de campos queimados e de vegetação arbustiva, respectivamente, sobre quatro níveis de contaminação por fumaça. Os espectros foram extraídos de lugares próximos aos fotômetros solares com exceção da área totalmente encoberta pela pluma de fumaça. A sigla AOT indica a espessura óptica do aerossol correspondente a 670 nm. Na Figura 2.6, que mostra espectros da área de floresta aberta, pode-se observar que com o aumento da espessura óptica do aerossol todas as reflectâncias das três bandas do VIS também aumentam. O aumento na reflectância do V é de mais de 0,2 unidades. Já as bandas do IVP e IVM tiveram apenas suaves aumentos à medida que a espessura óptica do aerossol aumentou. Para áreas de campos queimados (pouca ou nenhuma vegetação) (Figura 2.7), ocorreram grandes aumentos nos valores de reflectância nas bandas do VIS e nas do IVP. O aumento da espessura óptica do aerossol, desde a atmosfera livre de fumaça até as espessas camadas de fumaça, fizeram com que as bandas do vermelho e do IVP aumentassem proporcionalmente (0,19 e 0,17 unidades, respectivamente). No que se refere às bandas do IVM, não ocorreram grandes mudanças, com diferenças máximas de 0,02 e 0,03 unidades para IVM1 e IVM2, respectivamente. 57

38 0,35 AOT = 0,14 AOT = 1,1 AOT = 1,91 Sob pluma Reflectância de superfície 0,3 0,25 0,2 0,15 0,1 0, Comprimento de Onda (nm) Fig. 2.6 Espectros de reflectância corrigidos para o espalhamento Rayleigh e para a absorção do ozônio de áreas de florestas sob quatro níveis de contaminação por fumaça. Os espectros foram extraídos de lugares próximos aos fotômetros solares, com exceção da área totalmente encoberta pela pluma de fumaça. AOT indica a espessura óptica do aerossol correspondente a 670 nm. FONTE: Adaptada de Miura et al. (1998, p ). 0,3 AOT = 0,14 AOT =1,1 AOT = 1,91 Sob pluma Reflectância de superfície 0,25 0,2 0,15 0,1 0, Comprimento de Onda (nm) Fig. 2.7 Espectros de reflectância corrigidos para o espalhamento Rayleigh e para a absorção do ozônio de áreas de campos queimados sob quatro níveis de contaminação por fumaça. Os espectros foram extraídos de lugares próximos aos fotômetros solares, com exceção da área totalmente encoberta pela pluma de fumaça. AOT indica a espessura óptica do aerossol correspondente a 670 nm. FONTE: Adaptada de Miura et al. (1998, p ). Finalmente, as assinaturas espectrais da vegetação arbustiva/savana foram analisadas (Figura 2.8). A reflectância das bandas do VIS e do IVP aumentou com os valores de AOT ou de contaminação por fumaça. No entanto, os 58

39 aumentos foram diferenciados: 0,13 unidades para a reflectância do V e 0,06 unidades para a reflectância do IVP. As bandas do IVM não apresentaram mudanças significativas com o aumento da espessura óptica do aerossol. 0,4 AOT = 0,14 AOT = 1,1 AOT = 1,91 Sob pluma. Reflectância de superfície 0,35 0,3 0,25 0,2 0,15 0,1 0, Comprimento de Onda (nm) Fig. 2.8 Espectros de reflectância corrigidos para o espalhamento Rayleigh e para a absorção do ozônio de áreas de vegetação arbustiva/savanas sob quatro tipos de contaminação por fumaça. Os espectros foram extraídos de lugares próximos aos fotômetros solares, com exceção da área totalmente encoberta pela pluma de fumaça. AOT indica a espessura óptica do aerossol correspondente à 670 nm. FONTE: Adaptada de Miura et al. (1998, p ) Griffin et al. (2000) propuseram um índice de queimada (burn index - BI) que utiliza comprimentos de onda mais transparentes à fumaça e possibilita a identificação de cicatrizes de queimadas: BI = (ρ ρ 2200 ) / (ρ ρ 2200 ) (2.13) Onde ρ n representa a reflectância de superfície nos comprimento de onda mencionados na equação. Antes da aplicação do BI, uma máscara de nuvem e fumaça espessa foi usada. A Figura 2.9 exemplifica a imagem resultante da aplicação desse índice. As áreas em marrom localizadas no quadrante superior esquerdo são indicativos de uma cicatriz de queimada. As regiões de nuvens e plumas de fumaça espessas foram mascaradas em preto. 59

40 Fig. 2.9 Aplicação do Índice de Queimada (burn index) para uma cena do sensor AVIRIS localizada em Linden. FONTE: Adaptada de Griffin et al. (2000, p. 9). 2.6 SENSOR AVIRIS O sensor AVIRIS foi desenvolvido pelo Jet Propulsion Laboratory (JPL) em 1983 com o objetivo de ser utilizado em estudos de espectroscopia. A primeira imagem foi obtida em A faixa espectral abrangida pelo sensor se localiza entre 400 e 2500 nm sendo dividido em 224 canais contíguos com largura de faixa de aproximadamente 10 nm. Possui um imageador tipo whiskbroom que é um espelho oscilante com um campo de visada de 30 (15 para cada lado em relação ao nadir) que oscila a uma razão de 12 Hz e adquire imagens com 11 km de largura (width) e mais de 800 km de comprimento. A resolução espacial a 20 km de altura é de 20 m. Atualmente, mais de 4 TB de dados AVIRIS já foram adquiridos e distribuídos para os pesquisadores desde o primeiro vôo. Em 1995, durante a missão SCAR-B as imagens foram adquiridas pelo Q-bay da aeronave ER-2 pertencente à NASA. A Tabela 2.2 apresenta algumas características do sensor AVIRIS. 60

41 O sistema de varredura whiskbroom do AVIRIS permite uma excepcional uniformidade nas 614 amostras espaciais de cada linha da imagem. O sensor possui quatro espectrômetros chamados de A, B, C e D, que possuem 32, 64, 64 e 64 detectores, respectivamente. O espectrômetro A é composto de detectores de silício enquanto que os outros são formados por antimônio de índio. Os dados são armazenados em gravadores com capacidade de 10,4 GB ou 60 minutos de gravação. A aeronave ER-2 é pilotada por um único piloto e o sensor AVIRIS opera de forma automática. Geralmente, os primeiros oito meses de cada ano são reservados para a aquisição de dados e os quatro meses restantes servem para que esforços em manutenção e melhoria dos equipamentos sejam realizadas (Green et al., 1998). TABELA 2.2 CARACTERÍSTICAS DO SENSOR AVIRIS Tipo de imageador Razão de varredura Whiskbroom 12 Hz Dispersão Quatro espectrômetros (A, B, C e D) Detectores 224 detectores (32, 64, 64 e 64) Digitalização Razão de dados Capacidade de armazenamento de dados 12 bits 20,4 mbits/s > 10 GB (> 8000 km 2 ) FONTE: Adaptada de Green et al. (1998, p. 229) 61

42 62

43 CAPÍTULO 3 METODOLOGIA A Figura 3.1 mostra o fluxograma utilizado para a execução do trabalho. As etapas indicadas no fluxograma serão descritas nos próximos itens. Seleção da área de estudo e das imagens AVIRIS Pré-processamento Detecção de mudanças através do modelo de mistura espectral Estudo dos efeitos espectrais da fumaça Minimização dos efeitos espectrais da fumaça sobre os IVs Seleção de alvos com e sem a influência de fumaça Seleção de alvos livres da influência de fumaça Análise dos espectros Obtenção de relações empíricas para a predição da banda do V Análise de imagens NDVI Variação temporal da reflectância e dos valores de NDVI e NDVI corrigido sob diferentes condições de fumaça Conclusões Fig. 3.1 Fluxograma de execução do trabalho. 63

44 3.1 SELEÇÃO DA ÁREA DE ESTUDO E DAS IMAGENS AVIRIS A área de estudo localiza-se próximo à cidade de Cuiabá, no Estado do Mato Grosso (Figura 3.2). A região em torno de Cuiabá é caracterizada por alguns tipos de solos como: podzólico vermelho-amarelo distrófico, solos concrecionários distróficos, latossolo vermelho-amarelo álico e solos litólicos distróficos. O clima é o tropical chuvoso com uma estação seca (maio a setembro) e outra chuvosa (dezembro a fevereiro) e médias anuais de precipitação pluviométrica da ordem de 1350 a 2000 mm. A temperatura média está em torno de 25 C (Projeto RADAMBRASIL, 1982). Brasil 15º S 56º W Cuiabá 15º S 55º W Fig. 3.2 Área de estudo próxima à cidade de Cuiabá - MT. Na área de estudo, predomina a vegetação de cerrado ou mais especificamente: campo limpo, campo sujo e cerrado/cerradão. Nas áreas de campo limpo (gramíneas) praticamente não há árvores, enquanto nos campos 64

45 sujos aparecem uns poucos arbustos. Para o cerrado sensu stricto, a vegetação torna-se mais densa e é denominada arbustiva fechada, com árvores com altura em torno de 8 a 10 m de altura. Finalmente, o cerradão é uma formação arbórea com árvores de até 25 m de altura e com uma camada inferior densa de gramíneas e alguns arbustos (Miranda et al., 1996). A justificativa principal para a escolha da área de estudo é a existência de um conjunto de imagens AVIRIS adquiridas em três datas distintas (25 de agosto, 27 de agosto e 1 de setembro de 1995), que caracterizam uma pequena série temporal. Os dados AVIRIS da área de estudo foram adquiridos em 224 bandas espectrais (10 nm de largura) a partir de uma aeronave posicionada a 20 km de altitude. A resolução espacial foi de 20 metros. As imagens foram adquiridas na faixa espectral de 400 a 2500 nm. Constatou-se a presença de diferentes condições atmosféricas na série temporal, principalmente, decorrentes da presença de fumaça resultante de queimadas que ocorreram em diversas proporções nas três datas. As condições atmosféricas durante a missão SCAR-B, período de agosto a setembro de 1995, foram de uma típica estação seca na região central do Brasil e sul da Amazônia. Durante a missão, as precipitações variaram de 0 a 50 mm, ou seja, ligeiramente abaixo do normal. A temperatura média aumentou em aproximadamente 2,5 C, sendo consistente com a redução da precipitação. Os ventos, geralmente de leste, variaram de suaves a moderados para a maior parte da região sendo coerentes com a calmaria em larga escala que permaneceu durante a maior parte da missão SCAR-B. Logo, as condições estáveis inibiram a dispersão de plumas de fumaça originadas de queimadas. O bloqueio dos sistemas frontais no sudoeste do Pacífico foi o responsável por longos períodos de baixa umidade, pela presença de névoa e pela pouca formação de nuvens. A penetração de um sistema frontal no dia 20 de setembro interrompeu a situação estável do tempo, e a chegada de um segundo no dia 28 marcou o término da estação seca (Nobre et al., 1998). 65

46 Na Tabela 3.1 são mostrados os diferentes valores de AOT no instante de aquisição das imagens. Pode-se observar que, de forma geral, a influência da atmosfera aumenta no decorrer da série temporal. As imagens dos dias 25 de agosto, 27 de agosto e 1 de setembro foram adquiridas com AZS aproximados de 29, 45 e 44, respectivamente. TABELA 3.1 ESPESSURA ÓPTICA DO AEROSSOL (AOT - AEROSOL OPTICAL THICKNESS) (660 nm) DETERMINADA A PARTIR DE MEDIDAS DO FOTÔMETRO SOLAR PARA AS DATAS/HORAS UTC DE AQUISIÇÃO DAS IMAGENS AVIRIS (SCAR-B) NA ÁREA DE ESTUDO Cuiabá (Data/Hora) AOT 25/08/95 (14:54:16) 0,13+0,03 27/08/95 (18:04:54) 0,46+0,01 01/09/95 (13:11:48) 0,73+0,01 FONTE: Adaptado de Chu et al. (1998, p ). 3.2 PRÉ-PROCESSAMENTO O conjunto de imagens AVIRIS é composto por 4 subcenas (614 por 512 pixels) para cada data. Primeiramente, as imagens foram mosaicadas (614 por 2048 pixels) e rotacionadas 90 no sentido horário para que a parte superior das imagens correspondesse à região norte da área de estudo. Em seguida, os dados de radiância foram convertidos para reflectância de superfície aplicando o programa ATREM, cujos princípios são descritos em Gao et al. (1993). Conforme indicado no Capítulo 2 (item 2.3.2), a técnica consiste em determinar a reflectância de superfície usando um modelo de transferência radiativa. A característica principal desta técnica é a utilização de valores de vapor d água derivados das bandas de absorção d água em 940 nm e 1140 nm. Estes valores são usados para remover as feições de vapor d água e dos demais 66

47 gases em todo o espectro compreendido entre 400 e 2500 nm (Gao et al., 1993). A grande vantagem e o motivo do emprego do ATREM neste trabalho foi a possibilidade de recuperar a reflectância de superfície usando somente os dados coletados pelo sensor. Outros fatores determinantes na escolha do método de correção atmosférica foram a disponibilidade do programa no INPE e o seu rápido processamento. A partir dos valores de radiância medidos pelo sensor, a reflectância de superfície foi obtida com o emprego da equação 2.6. Conforme orientações da University of Colorado (2001), tanto o modelo atmosférico quanto o modelo de aerossóis foram escolhidos como sendo os que mais bem descrevem a área de estudo. O modelo atmosférico usado foi o tropical e o modelo de aerossóis foi o continental (rural), também empregado por Latorre (1999) na mesma área de estudo. As visibilidades foram escolhidas segundo a Tabela 3.2. As visibilidades foram escolhidas e testadas de acordo com uma situação intermediária, variando de 35 a 50 km, de 5 em 5 km. Segundo este critério, as visibilidades selecionadas foram 50, 40 e 35 km para os dias 25 de agosto, 27 de agosto e 1 de setembro de 1995, respectivamente. A transformação EFFORT foi aplicada para remover o ruído residual causado pelo método ATREM ao corrigir a influência da atmosfera (ENVI, 2001). O segmento mais ruidoso, determinado pela análise visual dos espectros, foi compreendido entre 432 e 1210 nm. Um polinômio de 8 a ordem foi utilizado para as três imagens, sendo que foram testados polinômios variando de 5 a a 15 a ordem. Os espectros corrigidos foram suavizados ao ponto de eliminar o máximo de ruído possível, sem descaracterizar as feições de absorção dos alvos. Os registros entre as imagens foram feitos tomando como base a imagem correspondente ao dia 25 de agosto. Aplicou-se uma transformação espacial, com um polinômio linear de baixa ordem (2 a ordem) para executar a transformação de coordenadas linha/coluna entre as imagens. Os erros obtidos 67

48 foram de 0,4363 e 0,5401 pixels para as datas de 27 de agosto e 1 de setembro, respectivamente. O processo de registro gerou novas imagens que tiveram os valores de elementos de cena redefinidos (Crósta, 1999). Os valores foram definidos pelo método de reamostragem por vizinho mais próximo, que foi usado para que os dados espectrais fossem preservados (Roberts et al., 1997). Finalizado o registro, as imagens foram recortadas de forma que somente as áreas comuns fossem preservadas. A finalidade do registro foi permitir a análise integrada das imagens para fins de detecção de mudanças. TABELA 3.2 CRITÉRIOS PARA A SELEÇÃO DO PARÂMETRO VISIBILIDADE NA CORREÇÃO ATMOSFÉRICA Visibilidade Descrição 5 km Muita bruma, dificuldade em observar feições terrestres. 23 km Condições suaves de bruma em regiões úmidas. 35 km Excelentes condições visuais em regiões úmidas. 50 km Visibilidade típica em regiões áridas. 100 km Excelente visibilidade em regiões áridas. FONTE: Adaptado de University of Colorado (2001). 3.3 DETECÇÃO DE MUDANÇAS POR MEIO DO MODELO DE MISTURA ESPECTRAL Para caracterizar as modificações introduzidas nos componentes de cena pelo comportamento dinâmico do fogo/fumaça, um modelo linear de mistura espectral foi utilizado. O objetivo da detecção de mudanças foi a caracterização dos componentes de cena para ajudar na seleção de alvos do estudo dos efeitos espectrais da fumaça. Para uma melhor caracterização dos 68

49 componentes de cena, um trabalho de campo foi realizado durante o mês de julho de Para o trabalho de campo, foi gerada uma composição colorida 457 (RGB) georreferenciada a partir de uma imagem ETM+/Landsat-7 adquirida em 5 de junho de 2001, com órbita/ponto 226/71. Também foi utilizado um equipamento receptor Global Positioning System (GPS) de bolso. Com base nas informações obtidas, os padrões dos componentes de cena da imagem ETM+/Landsat-7 foram analisados e comparados com os padrões das composições coloridas normais e falsa-cor do sensor AVIRIS para que, de forma geral, informações como presença e tipo de vegetação pudessem ser extraídas. O primeiro passo no uso do modelo de mistura espectral é a seleção dos membros de referência. O procedimento utilizado para tal seleção foi a análise por principais componentes (APC). Um exemplo do uso desta técnica para tal finalidade foi dado por Galvão et al. (2001b). O diagrama de dispersão das primeiras PCs foi empregado para selecionar candidatos a membros de referência para S, VNFA, VV e A. Estes membros de referência já foram utilizados em vários estudos e explicam a maior parte da variabilidade espectral das cenas (Moreira, 2000; Roberts et al., 1993). A estimativa das frações de cada classe de um dado pixel vetor foi obtida pela inversão da equação 2.1. O método utilizado para resolver este tipo de problema linear foi o singular value decomposition (Boardman, 1989). Em seguida, a utilização de composições coloridas foi feita aplicando uma abordagem similar à de Roberts et al. (1997). Empregando imagens de diferentes datas e de diferentes frações, estes autores associaram as regiões de mudanças às áreas coloridas nas composições resultantes, já que atribuíram uma cor específica às frações correspondentes a cada data. 3.4 EFEITOS ESPECTRAIS DA FUMAÇA Para caracterizar os efeitos espectrais da fumaça, foram selecionados alvos para a avaliação do impacto da fumaça sobre a reflectância de superfície, 69

50 como fez Miura et al. (1998). A seleção foi baseada na caracterização dos componentes de cena usando o modelo linear de mistura espectral. Alvos localizados sob a influência de nuvens na data de 1º de setembro foram desprezados. Para isso, a análise foi precedida pela obtenção de uma máscara de nuvens. A razão da utilização desse procedimento deve-se ao fato de que a resposta espectral de nuvens e de fumaça é parecida em algumas bandas e, conseqüentemente, análises em composições coloridas podem se tornar complicadas onde esses elementos estiverem presentes. A Tabela 3.3 mostra os critérios utilizados no trabalho para a obtenção da máscara de nuvens na imagem do dia 1º de setembro, com as seguintes modificações: (a) o critério empregado por Griffin et al. (2000) para a banda de 1600 nm não foi utilizado, devido às semelhanças encontradas entre a resposta espectral de solo exposto e nuvens nesta faixa espectral; (b) para separar solo exposto de nuvens, além dos critérios de Griffin et al. (2000), foi acrescentada a razão entre a banda 28 (648 nm) e 15 (520 nm), eliminando valores superiores a 1. Esta razão foi criada fundamentada no fato de que os valores de reflectância das nuvens da imagem do dia 1 de setembro apresentaram magnitudes quase iguais para as duas bandas, enquanto que as respostas dos solos, de acordo com amostras das imagens e literatura vigente, possuem valores baixos na banda 15 e altos na banda 28; (c) por último, um filtro de média 4 x 4 foi utilizado para retirar pixels isolados erroneamente selecionados como nuvens. 70

51 TABELA 3.3 COMPARAÇÃO ENTRE OS CRITÉRIOS UTILIZADOS PARA A OBTENÇÃO DA MÁSCARA DE NUVENS NESTE TRABALHO E OS DE GRIFFIN ET AL. (2000) Trabalho Griffin et al. (2000) Limiar de 0,155 na banda 28 (648 nm). Razão entre as bandas 28 (648 nm) e 54 (865 nm) com limiar de 0,7. Razão entre a banda 28 (648 nm) e 15 (520 nm) para separar solo exposto de nuvens. Foram eliminados valores superiores a 1. Limiar de 0,2 (640 nm). Razão entre as bandas centradas em 640 nm e 860 nm. Após a escolha dos alvos, foram gerados gráficos reflectância de superfície x comprimento de onda a partir de dados retirados de janelas de 7 por 7, correspondentes às áreas de campo limpo, campo sujo e cerrado. Esses alvos sofreram alteração na quantidade de aerossóis de fumaça presentes na atmosfera no decorrer das três datas. De posse desses gráficos, o impacto espectral da fumaça sobre alvos pôde ser descrito. Em seguida, imagens NDVI foram utilizadas para avaliar a magnitude do impacto da fumaça sobre as mudanças ocorridas. Para isso, foram feitos transectos em imagens NDVI cruzando regiões que sofreram mudanças. As imagens NDVI foram obtidas empregando-se as bandas 31 (677 nm) e 54 (865 nm), utilizando a equação 2.2. A análise das composições coloridas de imagens NDVI para a escolha das posições dos transectos foi similar à usada pelas imagens-fração. 71

52 3.5 RELAÇÕES EMPÍRICAS PARA MINIMIZAÇÃO DOS EFEITOS ESPECTRAIS DA FUMAÇA SOBRE O NDVI Correlação da Banda do V com as Bandas do IVM Como já mencionado anteriormente, há um forte impacto da fumaça sobre os IVs. Esse impacto ocorre porque a banda do V, utilizada no cálculo do NDVI, é fortemente influenciada por aerossóis. Para minimizar os efeitos espectrais da fumaça, a literatura prevê o uso da correlação entre o V e o IVM (não afetado por aerossóis) com o objetivo de utilizar o IVM para predizer o V (Kaufman e Remer, 1994; Kaufman et al., 1997c; Karnieli et al., 2001). O produto final é o NDVI corrigido para os efeitos da fumaça. Para construir tal relação na área de estudo, os espectros dos alvos selecionados para a determinação das correlações entre o V e o IVM foram extraídos a partir da imagem mais limpa de aerossóis, dia 25 de agosto, ou com menor valor de AOT (Tabela 3.1). Para cada área representativa de alvos como solo, campo limpo, campo sujo, cerrado e mata galeria, foram extraídos 49 espectros de pixels (245 espectros no total). Posteriormente, os espectros médios e desvios padrões de reflectância de superfície dos alvos selecionados foram inspecionados. A intenção era verificar se eles realmente eram representativos de cada alvo em questão e não estavam influenciados espectralmente por resíduos de fumaça. Após esta inspeção, foram calculados os coeficientes Pearson entre a banda centrada em 677 nm (maior absorção por clorofila) e o conjunto de bandas posicionadas nas faixas do IVP e do IVM, salvo regiões de grande absorção atmosférica por vapor d água em torno de 1400 e 1900 nm. Com a obtenção da banda de maior valor r, foram elaborados gráficos de espalhamento entre esta banda e a banda de 677 nm. O objetivo foi obter as equações de regressão tanto com o conjunto total de dados (245 espectros), como para alvos individuais (49 espectros de cada). A finalidade foi avaliar tanto globalmente (equação universal de regressão), como individualmente (análise de classes) a utilidade da equação de regressão para 72

53 predizer a banda do V e, dessa forma, o seu uso na determinação do NDVI corrigido para a presença de aerossóis de fumaça. A equação universal de regressão entre a banda 31 (677 nm) e a banda 31 estimada foi validada utilizando 9 espectros de reflectância diferentes de cada alvo e verificando se os valores se ajustavam à reta 1:1 do gráfico de espalhamento entre a banda do V e a banda estimada. De posse da equação universal de regressão, foram calculados o NDVI convencional e o não-convencional. Para facilitar o entendimento do texto, o NDVI corrigido para os efeitos de fumaça, ou seja, o NDVI não-convencional, tendo a banda do V substituída por sua estimativa através do IVM, será chamado de NDVI corrigido. De acordo com o objetivo do trabalho, também foram gerados gráficos de espalhamento entre esses índices, empregando a mesma abordagem usada na extração das correlações entre o V e o IVM. Para finalizar esta etapa, foram geradas as imagens NDVI e NDVI corrigido para que elas fossem comparadas entre si Variação Temporal dos Valores de NDVI e NDVI Corrigido sob Diferentes Condições de Fumaça Esta análise foi precedida pelo estudo da variação dos valores de reflectância das bandas envolvidas no cálculo do NDVI e do NDVI corrigido sob diferentes condições de fumaça. O objetivo foi saber até que ponto as diferentes condições de fumaça podem afetar a reflectância de superfície dos alvos empregados neste estudo nas bandas de interesse (V, IVP e IVM). Para verificar o desempenho da correção nas três datas, foram elaborados gráficos a partir da seleção de alvos extraídos de janelas de 5 por 5 sob diferentes condições de fumaça nas imagens NDVI e NDVI corrigido das três datas. Esses gráficos procuraram mostrar a evolução temporal do NDVI e NDVI corrigido para os diferentes tipos de alvos. 73

54 74

55 CAPÍTULO 4 RESULTADOS E DISCUSSÃO 4.1 CARACTERIZAÇÃO DOS COMPONENTES DE CENA A Figura 4.1 mostra as composições coloridas normais da área de estudo correspondentes às datas 25 de agosto (Figura 4.1a), 27 de agosto (Figura 4.1b) e 1 de setembro de 1995 (Figura 4.1c), respectivamente. Nestas composições, as bandas 31 (677 nm), 19 (559 nm) e 9 (461 nm) são exibidas em vermelho, verde e azul, respectivamente. Quanto à fumaça, é observada uma situação geral de crescente concentração no decorrer das datas, implicando em grandes variações tanto espaciais como temporais. O rio Cuiabá e o rio Coxipó são indicados na Figura 4.1. A Figura 4.2 apresenta as composições coloridas da área de estudo para as três datas com as bandas 54 (865 nm), 137 (1651 nm) e 183 (2101 nm) exibidas, respectivamente, em vermelho, verde e azul. As bandas do IVM utilizadas não são afetadas pelos aerossóis de fumaça (Karnieli et al., 2001) e, como conseqüência, a distinção de alvos sobre a superfície é facilitada. As setas indicam alguns componentes de cenas inferidos a partir da interpretação das imagens AVIRIS e ETM+/Landsat 7 (5 de junho de 2001) e de observações de campo ocorridas em julho de Os alvos indicados são: mata galeria, cerrado, campo sujo, campo limpo, solo exposto, área urbana, fogo ativo e áreas queimadas. A Figura 4.2c destaca a existência de nuvens na porção oeste da área de estudo. Essa inferência é possível já que uma das características das nuvens é ter altos valores nas faixas desde o VIS até o IVM. Os espectros de reflectância de superfície e as fotos dos componentes de cena mais representativos da área de estudo podem ser observados na Figura 4.3. De forma geral, os espectros de reflectância (Figura 4.3g) estão de acordo com o previsto pela literatura. As regiões de forte absorção atmosférica por vapor d água em 1400 nm e 1900 nm não foram representadas. 75

56 N rio Cuiabá rio Coxipó 0 km 5 km (a) (b) (c) Fig. 4.1 Imagens do sensor AVIRIS da região de Cuiabá - MT adquiridas em: 25 de agosto (a), 27 de agosto (b) e 1 de setembro de 1995 (c). As composições coloridas foram obtidas a partir de dados de reflectância de superfície com as bandas 31 (677 nm), 19 (559 nm) e 9 (461 nm) exibidas, respectivamente, em vermelho, verde e azul. 76

57 mata galeria N campo limpo cerrado cerrado fogo ativo cerrado 0 km 5 km mata galeria (a) solo campo sujo queimada queimada solo (b) nuvens nuvens queimada área urbana área urbana (c) Fig. 4.2 Imagens do sensor AVIRIS da região de Cuiabá - MT adquiridas em: 25 de agosto (a), 27 de agosto (b) e 1 de setembro de 1995 (c). As composições coloridas foram obtidas a partir de dados de reflectância de superfície com as bandas 54 (865 nm), 137 (1651 nm) e 183 (2101 nm) exibidas, respectivamente, em vermelho, verde e azul. 77

58 (a) (b) (c) (d) Reflectância de Superfície 0,6 0,5 0,4 0,3 0,2 0,1 (e) Comprimento de Onda (nm) (f) Água Campo Limpo Campo Sujo Cerrado Área queimada Solo exposto Mata galeria (g) Fig. 4.3 Principais componentes de cena da área de estudo: solo exposto (a), campo limpo/pasto (b), campo sujo (c), cerrado (d), mata galeria/água (e) e queimada (f). Os espectros AVIRIS de reflectância de superfície são mostrados em (g). As faixas em torno de 1400 nm e 1900 nm indicam regiões de forte absorção atmosférica por vapor d água. 78

59 O espectro de mata galeria mostra um pico de reflectância na faixa espectral do verde e regiões de absorção no azul e no V causadas principalmente pela clorofila. Na transição entre o V e o IVP existe um forte aumento de reflectância causado pelo espalhamento de energia radiante pela estrutura celular interna das folhas. Nas faixas superiores a 1300 nm, a redução na reflectância é causada principalmente pelo conteúdo de água líquida presente nas folhas (Knipling, 1970). O espectro de cerrado tende a ser parecido com o de mata galeria, mas as feições de absorção pela clorofila e pelo conteúdo de água do alvo cerrado tendem a ser suavizadas devido à redução da área foliar. A alta reflectância na faixa do IVP é reduzida. No IVM, existe um incremento na reflectância causado pela redução do conteúdo de água líquida. Quanto aos espectros de campo limpo e campo sujo, existe a tendência de serem parecidos com espectros de vegetação seca porque há a presença de biomassa senescente em ambos os alvos. O espectro de solo sofre um acréscimo gradual da reflectância variando do VIS para o IVP. No IVM, o espectro de solo apresenta uma banda de absorção por minerais argilosos em torno de 2200 nm. O alvo água é um forte absorvedor de radiação em quase todo o espectro eletromagnético e, na faixa de 450 a 700 nm, apresenta reflectância um pouco superior a 0,05. O espectro de área queimada apresenta baixa reflectância ao longo da faixa compreendida entre 400 nm e 2500 nm, porém levemente acentuada do VIS para o IVM Detecção de Mudanças Para caracterizar as variações espectrais dos componentes de cena, no decorrer das três datas, foi utilizado um modelo linear de mistura espectral. Os membros de referência foram escolhidos a partir da seleção dos elementos de cena mais extremos e representativos de pixels puros, utilizando um visualizador n-dimensional das primeiras três Principais Componentes (PCs). A Figura 4.4 mostra o diagrama de espalhamento de pixels entre as imagens 79

60 PC1 e PC3 e a localização aproximada dos pixels selecionados como membros de referência. Eles foram extraídos da imagem reflectância de superfície do dia 25 de agosto, em porções mais livres ou distantes da pluma de fumaça da Figura 4.1a. Os membros usados no modelo linear de mistura espectral foram: solo (S), vegetação não-fotossinteticamente ativa (VNFA), vegetação verde (VV) e água (A). S Principal Componente 1 VNFA VV A Principal Componente 3 Fig. 4.4 Localização aproximada dos membros de referência no gráfico de espalhamento entre a Principal Componente 1 (PC1) e a Principal Componente 3 (PC3) processadas a partir da imagem reflectância de superfície do dia 25 de agosto de Os membros de referência escolhidos foram: solo (S), vegetação nãofotossinteticamente ativa (VNFA), vegetação verde (VV) e água (A). A Figura 4.5 mostra os espectros de reflectância de superfície dos membros de referência escolhidos para a aplicação do modelo de mistura nas três datas. O espectro de S corresponde a uma área de solo exposto enquanto o espectro de A foi extraído do rio Cuiabá. O espectro de VNFA foi retirado de uma área de campo limpo, e o espectro de VV foi escolhido de uma área de mata galeria. Para todos os espectros, nas regiões em torno de 940 nm e 1140 nm, são observados resíduos espectrais causados pelo processo de correção atmosférica da absorção por vapor d água. 80

61 0,7 A S VNFA VV Reflectância de Superfície 0,6 0,5 0,4 0,3 0,2 0, Comprimento de Onda (nm) Fig. 4.5 Espectros de reflectância de superfície dos membros de referência escolhidos para o modelo linear de mistura espectral: solo (S), vegetação não-fotossinteticamente ativa (VNFA), vegetação verde (VV) e água (A). As áreas em torno de 1400 nm e 1900 nm indicam regiões de forte absorção atmosférica por vapor d água. A Figura 4.6 mostra as imagens-fração resultantes do uso do modelo de mistura para a data de 25 de agosto de A abundância das frações é indicada pela presença de pixels claros. Pela observação das imagens-fração, é facilmente notado que o componente que domina a cena é a VNFA (Figura 4.6b). Na imagem-fração S (Figura 4.6a), os pixels claros não só indicam a abundância de solos expostos como também mostram as áreas urbanizadas. Conforme esperado, a imagem-fração VV (Figura 4.6c) destacou as áreas onde a vegetação estava mais densamente presente como: matas galerias e cerrado. Quanto à imagem-fração A (Figura 4.6d), além de destacar a presença de corpos d água, ela também erroneamente realça as regiões cobertas por fumaça e as áreas de linhas de fogo. A imagem-fração erro (Figura 4.7) do modelo de mistura espectral para a imagem AVIRIS adquirida em 25 de agosto de 1995 mostra as áreas classificadas erroneamente como membros de referência. As áreas cobertas por plumas de fumaça, fogo ativo e queimadas recentes são basicamente as que são destacadas pela imagem-fração erro. A área mais escura, ou seja, com menor erro, é a componente água. Os outros componentes de cena também apresentaram baixos erros. 81

62 N 0 km 5 km (a) (b) (c) (d) Fig. 4.6 Imagens-fração do modelo de mistura espectral para a imagem AVIRIS adquirida em 25 de agosto de 1995: solo (S) (a), vegetação não-fotossinteticamente ativa (VNFA) (b), vegetação verde (VV) (c) e água (A) (d). 82

63 N 0 km 5 km Fig. 4.7 Imagem-fração erro do modelo de mistura espectral para a imagem AVIRIS adquirida em 25 de agosto de A Figura 4.8 apresenta uma composição colorida formada pelas imagensfração VNFA dos dias 25 de agosto, 27 de agosto e 1 de setembro de 1995 exibidas, respectivamente, em vermelho, verde e azul. A fração VNFA foi escolhida pelo fato de que as mudanças visíveis ocorridas entre as datas são causadas pelas queimadas, que consomem a vegetação seca. N 0 km 5 km Fig. 4.8 Composição colorida das imagens-fração vegetação não fotossinteticamente ativa (VNFA) correspondentes aos dias 25 de agosto, 27 de agosto e 1 de setembro de 1995 exibidas, em vermelho, verde e azul, respectivamente. Como pode ser observado na Figura 4.8, os tons acinzentados na composição colorida representam áreas em que não houve mudança significativa na superfície do terreno ou nas cenas pela ação do fogo/fumaça ou presença de nuvens. As mudanças mais intensas são representadas pelas áreas coloridas. As áreas em vermelho mostram a vegetação seca que estava presente no dia 25 de agosto e que foi consumida pelo fogo. Os tons amarelados indicam 83

64 feições que aparecem nos dias 25 e 27 de agosto e que não aparecem no dia 1 de setembro de Isto é devido à grande quantidade de nuvens, fumaça, áreas queimadas/queimando que aparecem na imagem do dia 1 de setembro. Os tons em ciano representam feições que não estavam presentes na data 25 de agosto e estavam nas datas subseqüentes, ou seja, representa a grande pluma de fumaça do dia 25 de agosto próxima a Cuiabá, que mascarou a detecção de vegetação nesta data. 4.2 EFEITOS ESPECTRAIS DA FUMAÇA Para demonstrar os efeitos espectrais da fumaça, com base nos resultados do modelo de mistura espectral, foram selecionadas porções nas imagens AVIRIS, representativas dos principais componentes de cena, com condições distintas de aerossóis nas três diferentes datas. Para a imagem de 1 de setembro, a seleção dos alvos foi precedida pela aplicação de uma máscara de nuvens (Figura 4.9). A razão da utilização desse procedimento deve-se ao fato de que a resposta espectral de nuvens e de fumaça é parecida em algumas bandas. Conseqüentemente, análises em composições coloridas podem se tornar complicadas onde esses elementos estiverem presentes. N 0 km 5 km Fig. 4.9 Máscara de nuvens aplicada sobre a imagem do dia 1 de setembro de A composição colorida foi obtida a partir de dados de reflectância de superfície com as bandas AVIRIS 54 (865 nm), 137 (1651 nm) e 183 (2101 nm) exibidas, respectivamente, em vermelho, verde e azul. 84

65 A máscara de nuvens, de forma geral, separou bem as nuvens dos outros alvos. Somente algumas áreas de plumas espessas de fumaça foram classificadas erroneamente. Em uma porção da cena livre de cobertura de nuvens, mas com condições distintas de aerossóis de fumaça nas três diferentes datas, foram calculados valores médios de reflectância de superfície de alvos comuns selecionados a partir de janelas de 7 por 7 pixels (Figura 4.10). Os alvos analisados foram: campo limpo (Figura 4.11), campo sujo (Figura 4.12) e cerrado (Figura 4.13). A partir de observações das composições coloridas normais da série temporal, foi verificado que os espectros foram retirados de áreas onde a fumaça era mais espessa no dia 25 de agosto e mais suave no dia 27 de agosto. O dia 1 manteve uma situação intermediária de fumaça (Figuras 4.11, 4.12 e 4.13). N cerrado campo sujo campo limpo 0 km 5 km Fig Alvos selecionados para o estudo dos efeitos espectrais da fumaça sobre campo limpo, campo sujo e cerrado. Os valores médios dos espectros de reflectância de superfície foram calculados a partir de janelas de 7 por 7 pixels correspondentes aos centros dos recortes mostrados acima. A imagem mostrada é correspondente ao dia 25 de agosto de

66 (a) (b) (c) 0,4 25/ago/95 27/ago/95 01/set/95 Reflectância de Superfície 0,3 0,2 0, Comprimento de Onda (nm) (d) Fig As variações espectrais devidas à fumaça podem ser observadas pela banda 31 (677 nm) (lado esquerdo) e banda 185 (2121 nm) (lado direito) no decorrer dos dias 25 de agosto (a), 27 de agosto (b) e 1 de setembro (c). Em (d) são apresentados espectros de campo limpo retirados de janelas de 7 por 7 pixels correspondentes aos centros dos recortes mostrados acima. 86

67 (a) (b) (c) 0,4 25/ago/95 27/ago/95 01/set/95 Reflectância de Superfície 0,3 0,2 0, Comprimento de Onda (nm) (d) Fig As variações espectrais devidas à fumaça podem ser observadas pela banda 31 (677 nm) (lado esquerdo) e banda 185 (2121 nm) (lado direito) no decorrer dos dias 25 de agosto (a), 27 de agosto (b) e 1 de setembro (c). Em (d) são apresentados espectros de campo sujo retirados de janelas de 7 por 7 pixels correspondentes aos centros dos recortes mostrados acima. 87

68 (a) (b) (c) 0,4 25/ago/95 27/ago/95 01/set/95 Reflectância de Superfície 0,3 0,2 0, Comprimento de Onda (nm) (d) Fig As variações espectrais devidas à fumaça podem ser observadas pela banda 31 (677 nm) (lado esquerdo) e banda 185 (2121 nm) (lado direito) no decorrer dos dias 25 de agosto (a), 27 de agosto (b) e 1 de setembro (c). Em (d) são apresentados espectros de cerrado retirados de janelas de 7 por 7 pixels correspondentes aos centros dos recortes mostrados acima. 88

69 Conforme visto na Figura 4.11, a reflectância na faixa do VIS aumentou consideravelmente com a pluma espessa de fumaça observada no dia 25 de agosto. Sabendo-se que o efeito atmosférico é maior na banda do V do que no IVP (Kaufman e Tanré, 1992), houve um acréscimo de 0,06 para a banda do V (677 nm) referente ao dia 25 de agosto em relação ao dia 27 de agosto e de 0,04 em relação ao dia 1 de setembro. No IVP (865 nm), para a mesma data, o acréscimo foi de 0,03 em relação às outras duas datas que apresentaram resposta praticamente igual. Quanto ao IVM, praticamente não houve variação entre o dia 27 e o dia 1 de setembro (0,002), no entanto houve um acréscimo de 0,01 para o dia 25 de agosto. Ao analisar a Figura 4.12 (espectros de campo sujo), observa-se que a banda do V (677 nm) referente ao dia 25 de agosto (maior resposta) possui uma magnitude de 0,05 superior a data de 27 de agosto e de 0,03 superior a data de 1 de setembro. Para as bandas do IVP, a seqüência da maior resposta para a menor foi diferente do comportamento da faixa do VIS. A maior resposta ocorreu no dia 1 de setembro sendo seguido pelos dias 27 e 25 de agosto (variação máxima de 0,01). Para os dias 27 de agosto e 1 de setembro, o comportamento do IVP é parecido com o do VIS só que a magnitude da influência espectral de aerossóis é menor, conforme esperado. Para o IVM, as bandas em torno de 1600 nm sofreram pouca variação e as bandas em torno de 2121 nm praticamente não sofreram alteração (variação máxima de 0,003). A Figura 4.13 ilustra os resultados para uma área com predomínio de cerrado. Esta área apresenta condições atmosféricas parecidas com as encontradas para a região de campo sujo (Figura 4.12); logo o comportamento espectral é semelhante. A reflectância da banda do V (677 nm) referente ao dia 25 de agosto é 0,06 maior que a reflectância do dia 27 de agosto e 0,03 maior que a resposta do dia 1 de setembro. O IVP (865 nm) sofreu uma variação máxima de 0,007 enquanto o IVM (2121 nm) obteve uma variação máxima de 0,

70 Os resultados mostrados nas Figuras 4.11 a 4.13 são concordantes com os obtidos por Miura et al. (1998). Para áreas de floresta tropical, Miura et al. (1998) observaram grandes acréscimos na reflectância, em torno de 0,2, na simulação da banda do V do MODIS ( nm) a partir de dados AVIRIS e suaves acréscimos nas bandas do IVP e IVM. Em áreas arbustivas/gramíneas, os autores verificaram variações de reflectância de 0,13 na banda do V e de 0,06 na banda do IVP ( nm). Os diferentes acréscimos de reflectância indicam a dependência do tipo de alvo na magnitude da influência dos aerossóis de fumaça. A interpretação da composição colorida de imagens NDVI (Figura 4.14a) é parecida com a obtida pelas imagens-fração VNFA (Figura 4.8). As variações de NDVI no decorrer das três datas, indicadas pelas áreas coloridas, podem ser explicadas pelas alterações ocorridas na abundância dos componentes de cena (queimadas), nas variações devidas às diferentes condições atmosféricas e aos diferentes AZSs (25 de agosto - 28,76 ; 27 de agosto - 44,64 e 1 de setembro de ,36 ) observados nesta pequena série temporal. Como pode ser verificado no transecto A-B (Figura 4.14b), os valores de NDVI não sofreram alterações bruscas no início do transecto fornecendo um forte indicador de que não ocorreram mudanças significativas dos componentes de cena nesse trecho. O decréscimo dos valores de NDVI na série temporal no início do transecto, do dia 25 de agosto para o dia 1 de setembro, deveu-se principalmente ao aumento crescente na quantidade de aerossóis nesta porção da cena (ver Figura 4.1 para uma análise visual). Do centésimo pixel até o ponto B (área em vermelho no transecto A-B da Figura 4.14a), foi observada uma queda brusca do NDVI para as datas 27 de agosto e 1 de setembro. 90

71 NDVI (a) 1 0,8 25Ago95 27Ago95 01Set95 0,6 0,4 0, A Pixels B (b) NDVI 1 0,8 0,6 0,4 0,2 25Ago95 27Ago95 01Set C Pixels (c) Fig Composição colorida das imagens NDVI para as datas de 25 de agosto (vermelho), 27 de agosto (verde) e 1 de setembro (azul) de Os transectos A-B (b) e C-D (c), com localização indicada em (a), representam a variação de NDVI no decorrer das três datas. As imagens NDVI foram obtidas a partir de dados de reflectância de superfície usando-se as bandas 31 (677 nm) e 54 (865 nm). Como pode ser observado na Figura 4.2, no dia 25 de agosto existia uma área de campo sujo (VV mais biomassa senescente) que foi queimada entre esta D 91

72 data e a do dia 27 de agosto. Em outras palavras, os valores de NDVI variaram de quase 0,4 no dia 25 (VV mais biomassa senescente) a valores em torno de 0,1 (área queimada). O comportamento do transecto C-D mostrado na Figura 4.14c, nos primeiros 150 pixels, tem igual explicação ao do transecto A-B (Figura 4.14b) nos primeiros 100 pixels. A partir do pixel 150, são observados valores muito baixos e até negativos para a data de 25 de agosto, enquanto que para os dias 27 de agosto e 1 de setembro os valores apresentam comportamento semelhantes entre si e com valores em torno de 0,3. Isso pode ser explicado pelo fato de que no dia 25 de agosto existia uma forte pluma de fumaça reduzindo fortemente os valores de NDVI, o que não ocorreu para as datas subseqüentes (Figura 4.14c). 4.3 MINIMIZAÇÃO DOS EFEITOS ESPECTRAIS DA FUMAÇA SOBRE O NDVI Estimativa da Banda do V através de Dados do IVM Conforme demonstrado no transecto C-D da Figura 4.14, os valores de NDVI diminuem em áreas saturadas por aerossóis de fumaça já que, nesse caso, a banda do V aumenta consideravelmente seu valor de reflectância de superfície. Os baixos valores de NDVI impedem a correta caracterização do vigor da vegetação sob a camada de fumaça. Uma alternativa sugerida por Karnieli et al. (2001) para resolver este problema foi a estimativa da banda do V pelo IVM no cálculo do NDVI. Os motivos foram: as duas bandas são correlacionadas entre si, e a banda do IVM não é afetada por aerossóis. Visando corrigir o NDVI para os efeitos espectrais da fumaça foram extraídas para este estudo as correlações entre as bandas do V e do IVM. A Figura 4.15 mostra os alvos escolhidos a partir da imagem do dia 25 de agosto de 1995 para a extração das correlações entre as bandas do V e do IVM, em condições locais livre de aerossóis. Foram selecionados 49 espectros para cada tipo de alvo, tais como: solo, campo limpo, campo sujo, cerrado e mata galeria. 92

73 cerrado N campo limpo mata galeria solo campo sujo 0 km 5 km Fig Alvos selecionados para a extração das correlações entre as bandas do V e do IVM. A composição colorida do dia 25 de agosto de 1995 foi obtida a partir de dados de reflectância de superfície utilizando as bandas 54 (865 nm), 137 (1651 nm) e 183 (2101 nm) exibidas, respectivamente, em vermelho, verde e azul. A Figura 4.16 mostra os espectros médios de reflectância de superfície relativos aos alvos escolhidos. Reflectância Reflectância 0,6 0,5 0,4 0,3 0,2 0,1 0 0,6 0,5 0,4 0,3 0,2 Média Média +Desvio Padrão Média - Desvio Padrão Comprimento de Onda (nm) (a) Média Média +Desvio Padrão Média - Desvio Padrão 0, Comprimento de Onda (nm) (c) Reflectância Reflectância 0,6 0,5 0,4 0,3 0,2 0,1 Média Média +Desvio Padrão Média - Desvio Padrão Comprimento de Onda (nm) ,6 0,5 0,4 0,3 0,2 0,1 0 (b) Média Média +Desvio Padrão Média - Desvio Padrão Comprimento de Onda (nm) (d) Fig Espectros médios de reflectância de superfície correspondentes às 49 amostras de: solo (a), campo limpo (b), campo sujo (c), cerrado (d) e mata galeria (e). (continua) 93

74 Reflectância 0,6 0,5 0,4 0,3 0,2 0,1 Média Média +Desvio Padrão Média - Desvio Padrão Comprimento de Onda (nm) (e) Fig Conclusão Na Figura 4.16, a pequena variabilidade espectral indicada por baixos valores de desvio-padrão, especialmente na faixa do VIS, sugere que a seleção de pixels livres de influência de aerossóis de fumaça foi adequada. Utilizando todos os 245 espectros (49 por 5 alvos), foram calculados os coeficientes de correlação Pearson (r) entre a banda AVIRIS do V centrada em 677 nm (absorção de clorofila) e as demais bandas posicionadas nas faixas do IVP e IVM, exceto para bandas posicionadas em faixas de forte absorção por vapor d'água em torno de 1400 nm e 1900 nm. Os resultados são apresentados na Figura O objetivo foi identificar a banda de melhor desempenho para predizer a banda do V, posicionada em um intervalo espectral não sensível aos efeitos da fumaça, preferencialmente. Na faixa de 750 nm a 2450 nm, a banda centrada em 2121 nm apresentou a melhor correlação com a banda do V, com valor de coeficiente Pearson de 0,982. Bons resultados também foram obtidos em torno de 1600 nm, com coeficientes ligeiramente inferiores ao verificado para a banda posicionada em 2121 nm. Portanto, bandas posicionadas em ambos os intervalos espectrais podem ser utilizados na estimativa da banda do V. Na Figura 4.17, a redução da correlação em 2200 nm está associada à banda de absorção por minerais argilosos, presente nos espectros de solo. 94

75 Coef. de Correlação 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, nm (banda de maior correlação) r = 0, Comprimentos de Onda (nm) á = 0,05 Fig Coeficiente de correlação linear da banda AVIRIS do V posicionada em 677 nm (absorção de clorofila) com as bandas localizadas nas faixas espectrais do IVP e do IVM. indica o nível de significância. Uma vez selecionada a banda do IVM de maior correlação com a banda do V, a equação de regressão (Figura 4.18) foi gerada a partir dos 245 espectros selecionados nas áreas determinadas pela Figura Reflectância (677 nm) 0,5 0,4 0,3 0,2 0,1 solo campo limpo campo sujo cerrado y = -0, ,6614x r = 0,982 = 0,05 mata galeria 0 0 0,1 0,2 0,3 0,4 0,5 Reflectância (2121 nm) Fig Gráfico de espalhamento entre a reflectância das bandas 31 (677 nm) e 185 (2121 nm) correspondentes aos 245 espectros selecionados entre alvos como: solo, campo limpo, campo sujo, cerrado e mata galeria. Uma rápida observação da Figura 4.18 indica que, de forma geral, todos os alvos estão ajustados à reta de regressão, sendo que é visível um maior espalhamento do alvo solo. 95

76 As relações de regressão para alvos individuais entre as bandas centradas em 677 nm e em 2121 nm também foram verificadas (Figura 4.19). Para isso foram elaborados gráficos de espalhamento entre a banda 31 (677 nm) e a banda 185 (2121 nm) correspondentes aos 49 espectros selecionados para cada alvo de: solo (Figura 4.19a), campo limpo (Figura 4.19b), campo sujo (Figura 4.19c), cerrado (Figura 4.19d) e mata galeria (Figura 4.19e). Pode-se observar que os valores de r possuem uma tendência geral de aumentar à medida que a cobertura arbórea também aumenta, ou seja, do solo (r de 0,69 na Figura 4.19a) para a mata galeria (r de 0,86 na Figura 4.19e). Outra tendência geral diz respeito ao espalhamento em torno das retas de regressão que diminui à medida que a fração de vegetação aumenta. É perfeitamente aceitável que alvos com maior quantidade de vegetação tenham a banda do V mais correlacionada com a banda do IVM em função da associação entre clorofila e umidade das folhas. Nos solos, esta correlação é controlada pelas variações relativas da matéria orgânica e óxidos de ferro (V) com a fração de argila (IVM). 0,3 y = -0, ,6619x r = 0,6916 0,2 y = 0, ,3705x r = 0,8114 Reflectância (677 nm) 0,25 0,2 Reflectância (677 nm) 0,15 0,1 0,15 0,05 0,27 0,32 0,37 0,42 Reflectância (2121 nm) 0,15 0,2 0,25 0,3 Reflectância (2121 nm) (a) (b) Fig Gráficos de espalhamento entre a banda 31 (677 nm) e a banda 185 (2121 nm) correspondentes aos 49 espectros selecionados para cada alvo de: solo (a), campo limpo (b), campo sujo (c), cerrado (d) e mata galeria (e). (continua) 96

77 0,18 y = 0, ,3413x r = 0,6855 0,15 y = 0, ,30667x r = 0,7724 Reflectância (677 nm) 0,13 0,08 Reflectância (677 nm) 0,1 0,05 0,03 0 0,1 0,15 0,2 0,25 Reflectância (2121 nm) 0,03 0,08 0,13 0,18 Reflectância (2121 nm) (c) (d) 0,15 y = 0, ,2960x r = 0,8585 Reflectância (677 nm) 0,1 0,05 0 0,02 0,07 0,12 0,17 Reflectância (2121 nm) (e) Fig Conclusão A validação do poder de predição da equação de regressão da Figura 4.18, para estimativa da banda do V (677 nm) através da banda do IVM (2121 nm), pode ser vista na Figura Foram empregados 9 novos espectros de cada alvo retirados de áreas próximas aos conjuntos de dados empregados nos itens anteriores. Foi observado que o solo (I Vestimado - Vmedido I = 0,03) se mostrou mais distante da reta 1:1, indicando um menor poder de predição da banda do V para este alvo. A capacidade de predição desta equação é maior para os alvos campo limpo (0,0008) e cerrado (0,005) porque a maioria dos 97

78 pontos caíram na vizinhança da linha 1:1. De modo geral, a performance da equação de regressão é boa para todas as superfícies com vegetação. Reflectância (677 nm) 0,5 0,4 0,3 0,2 0,1 solo campo limpo campo sujo cerrado mata galeria 0 0,0 0,1 0,2 0,3 0,4 0,5 Reflectância estimada (677 nm) Fig Validação da equação de regressão da Figura 4.18, utilizando 9 espectros diferentes de cada alvo Variação dos Valores de NDVI e NDVI Corrigido em Ambientes Livres de Aerossóis de Fumaça O NDVI corrigido, obtido pela utilização da banda do IVM para estimar a banda do V, é mais útil que o NDVI convencional, em ambientes saturados com aerossóis de fumaça, já que a banda do IVM é insensível à presença de aerossóis (Kaufman e Remer, 1994; Kaufman et al., 1997c). O gráfico de espalhamento entre o NDVI e o NDVI corrigido correspondentes aos 245 espectros selecionados é mostrado na Figura De forma geral, alvos como solo são superestimados, e alvos como campo limpo e campo sujo ligeiramente subestimados. Alvos como cerrado e mata galeria apresentam-se bem agrupados à reta de regressão. A Figura 4.21 sugere que o NDVI corrigido poderia ser um excelente substituto para o NDVI em ambientes livres de aerossóis, já que o intercepto é extremamente pequeno e a inclinação é bem ajustada à linha 1:1. Entretanto, como será demonstrado adiante, alvos como água ou superfícies úmidas, em que a correlação entre a banda do V e do IVM não é significativa, mostram valores discrepantes de NDVI corrigido. 98

79 NDVI 1 0,8 0,6 0,4 solo campo limpo campo sujo cerrado y = 0, ,9243x r = 0,9878 á = 0,05 mata galeria 0, ,2 0,4 0,6 0,8 1 NDVI corrigido Fig Gráfico de espalhamento entre o NDVI e o NDVI corrigido correspondentes aos 245 espectros selecionados dos alvos: solo, campo limpo, campo sujo, cerrado e mata galeria. Na Figura 4.22, é mostrado o gráfico de espalhamento entre o NDVI e o NDVI corrigido de espectros de reflectância de alvos como: solo, campo limpo, campo sujo, cerrado e mata galeria. 0,25 y = 0, ,3050x r = 0,6717 0,45 y = 0, ,5228x r = 0,8008 0,2 0,4 0,15 0,35 NDVI NDVI 0,1 0,3 0,05 0,25 0-0,02 0,03 0,08 0,13 0,18 0,23 NDVI corrigido (a) 0,2 0,15 0,2 0,25 0,3 0,35 0,4 NDVI corrigido (b) Fig Gráficos de espalhamento entre o NDVI e o NDVI corrigido correspondentes aos espectros selecionados dos alvos: solo (a), campo limpo (b), campo sujo (c), cerrado (d) e mata galeria (e). Foram coletados 49 espectros de cada tipo. (continua) 99

80 0,5 y = 0, ,7162x r = 0,8482 0,65 y = 0, ,4755x r = 0,7887 0,45 0,6 0,4 0,55 NDVI NDVI 0,35 0,5 0,3 0,45 0,25 0,25 0,3 0,35 0,4 0,45 0,5 NDVI corrigido (c) 0,4 0,4 0,45 0,5 0,55 0,6 0,65 NDVI corrigido (d) 0,8 0,75 y = 0, ,5383x r = 0,8909 0,7 NDVI 0,65 0,6 0,55 0,55 0,6 0,65 0,7 0,75 0,8 NDVI corrigido (e) Fig Conclusão Pode ser verificada uma tendência geral de acréscimo no valor da correlação entre NDVI e o NDVI corrigido à medida que a cobertura arbórea aumenta (Figura 4.22a a 4.22e). Já na Figura 4.23, pode-se verificar que, em média, alvos como mata galeria são superestimados, e alvos como campo sujo são subestimados, ao calcular o NDVI corrigido. O campo limpo e o cerrado permanecem bem ajustados à reta e são bem estimados. A diferença entre os valores médios do NDVI e do NDVI 100

81 corrigido para o alvo mata galeria foi de 0,07 e para o solo (superestimado) foi de 0,06. Os outros alvos apresentaram pequenas variações em torno da reta 1:1 como: campo limpo (0,003), cerrado (0,02) e campo sujo (0,04 subestimado). 1 0,8 solo campo limpo campo sujo cerrado mata galeria NDVI 0,6 0,4 0, ,2 0,4 0,6 0,8 1 NDVI corrigido Fig Gráfico de espalhamento entre o NDVI e NDVI corrigido correspondentes aos 9 espectros selecionados dos alvos: solo, campo limpo, campo sujo, cerrado e mata galeria. Apenas as médias das classes estão representadas. A Figura 4.24 mostra a imagem NDVI e a Figura 4.25 apresenta a imagem NDVI corrigido para os aerossóis de fumaça para as três datas. A equação de regressão observada na Figura 4.18 foi utilizada para a estimativa da banda do V através da banda do IVM (2121 nm) e subseqüente geração das imagens NDVI corrigido (Figura 4.25). Pode-se observar que áreas escuras na Figura 4.24 equivalem as plumas de fumaça. Na Figura 4.25 é possível detectar ou reconstituir o valor de NDVI da vegetação sob as plumas. Por outro lado, podese também observar que o alvo água mostrou valores elevados ou pixels claros nas imagens NDVI corrigido (Figura 4.25). Esta discrepância deve-se à não validade da relação de covariância positiva entre os dados do V e do IVM da Figura 4.18, em função de a resposta da água ser praticamente nula em 2121 nm. Diferenças entre NDVI e NDVI corrigido, embora de menor magnitude, também foram observadas em áreas queimadas. 101

82 (a) (b) (c) Fig Imagens NDVI correspondentes aos dias 25 de agosto (a), 27 de agosto (b) e 1 de setembro de 1995 (c). As imagens NDVI foram obtidas a partir de dados de reflectância de superfície usando-se as bandas 31 (677 nm) e 54 (865 nm). 102

83 (a) (b) (c) Fig Imagens NDVI corrigido correspondentes aos dias 25 de agosto (a), 27 de agosto (b) e 1 de setembro de 1995 (c). As imagens NDVI foram obtidas a partir de dados de reflectância de superfície usando-se a banda 185 (2121 nm) para estimar a banda do V em 677 nm, através de equação de regressão da Figura 4.18, e a banda 54 (865 nm). 103

84 4.3.3 Variação Temporal dos Valores de NDVI e NDVI Corrigido sob Condições Distintas de Aerossóis de Fumaça Com o objetivo de quantificar o impacto de aerossóis de fumaça sobre bandas específicas usadas no cálculo do NDVI e do NDVI corrigido e sobre os valores destes índices, foram selecionados alvos sob uma pluma de fumaça na imagem do dia 25 de agosto (Figura 4.1a). Esta pluma não esteve presente nas outras duas datas (Figura 4.26). Os valores médios das bandas do V, IVP e IVM foram calculados a partir de janelas de 5 por 5 pixels. Nesta análise, também foram incluídos dois novos tipos de alvos em função dos resultados obtidos anteriormente: a água e as queimadas. N campo sujo mata galeria solo queimada cerrado campo limpo água 0 km 5 km Fig Alvos selecionados para o estudo da influência da fumaça sobre as bandas do V, IVP e IVM e sobre o NDVI e o NDVI corrigido. Os valores médios das bandas do V, IVP e IVM foram calculados a partir de janelas de 5 por 5 pixels. A imagem mostrada é correspondente ao dia 25 de agosto de Uma consideração a ser feita diz respeito à banda do IVP (865 nm), pouco estudada no que se refere aos IVs derivados do IVM e supostamente pouco sensível à presença de aerossóis. O IVP despertou o interesse já que autores 104

85 como Karnieli et al. (2001) não consideraram os efeitos espectrais da fumaça sobre esta banda para o cálculo do AFRI, embora Miura et al. (1998) tenham verificado diferentes magnitudes da influência da fumaça sobre o IVP. A influência da fumaça sobre a reflectância de alvos terrestres pode ser analisada através da inspeção das Figuras 4.27 e A Figura 4.27 mostra a reflectância média de alvos sob diferentes condições de fumaça. Os alvos foram escolhidos em áreas (Figura 4.26) onde a contaminação por fumaça era maior no dia 25 (plumas de fumaça) e menor no dia 27 de agosto. O dia 1 de setembro apresentou uma situação intermediária nesta porção da imagem. De forma geral, a reflectância no V apresentou uma queda à medida que a presença de fumaça diminuiu. O IVP também apresentou variações de reflectância, coerentes com a quantidade de aerossóis de fumaça, em todos os alvos. Reflectância média 0,5 0,4 0,3 0,2 0,1 V (677 nm) IVM (2121 nm) IVP (865 nm) Reflectância média 0,5 0,4 0,3 0,2 0,1 V (677 nm) IVM (2121 nm) IVP (865 nm) /ago/95 27/ago/95 01/set/95 25/ago/95 27/ago/95 01/set/95 (a) (b) Reflectância média 0,5 0,4 0,3 0,2 0,1 V (677 nm) IVM (2121 nm) IVP (865 nm) Reflectância média 0,5 0,4 0,3 0,2 0,1 V (677 nm) IVM (2121 nm) IVP (865 nm) /ago/95 27/ago/95 01/set/95 25/ago/95 27/ago/95 01/set/95 (c) (d) Fig Valores médios de reflectância de superfície para bandas do V, IVP e IVM, extraídos de janelas de 5 por 5 pixels sob diferentes condições de fumaça para alvos como: água (a), queimada (b), solo (c), campo limpo (d), campo sujo (e), cerrado (f) e mata galeria (g). (continua) 105

86 Reflectância média 0,5 0,4 0,3 0,2 0,1 V (677 nm) IVM (2121 nm) IVP (865 nm) Reflectância média 0,5 0,4 0,3 0,2 0,1 V (677 nm) IVM (2121 nm) IVP (865 nm) /ago/95 27/ago/95 01/set/95 25/ago/95 27/ago/95 01/set/95 (e) (f) Reflectância média 0,5 0,4 0,3 0,2 0,1 V (677 nm) IVM (2121 nm) IVP (865 nm) 0 25/ago/95 27/ago/95 01/set/95 (g) Fig Conclusão No entanto, as variações no IVP foram mais suaves do que as variações do V. Quanto ao IVM, conforme esperado, praticamente não houve variações para todos os alvos. Visando mostrar as variações nos valores de reflectância das bandas envolvidas no decorrer das datas, a diferença entre o valor médio máximo e o mínimo das bandas do V, IVP e IVM, mostradas na Figura 4.27, foi calculada (Figura 4.28). Para a banda do V, a variação máxima foi de 0,12 para o alvo cerrado e a variação mínima foi de 0,055 para o alvo campo limpo mantendo uma diferença média geral de 0,086. De forma geral, as maiores diferenças ocorreram para alvos com baixa reflectância no V como as coberturas arbóreas. Para o IVP, a variação máxima foi de 0,069 para o alvo solo enquanto o alvo campo limpo apresentou uma variação mínima de 0,029, mantendo uma diferença média geral de 0,045. O IVM apresentou uma variação máxima de 0,052 para o alvo solo e uma variação mínima de 0,009 para o alvo mata galeria mantendo uma diferença média geral de 0,02. Em suma, as bandas do V, IVP e IVM apresentaram variações máximas de 106

87 aproximadamente 9%, 5% e 2% de reflectância, respectivamente. Embora a maior parte destas variações seja produzida por fumaça, há ainda uma contribuição não avaliada das condições distintas de iluminação da cena entre as datas. Já eram esperadas as altas variações para o V e as baixas para o IVM. No que se refere ao IVP, os resultados indicam que há uma influência residual da fumaça sobre a banda do IVP, o que é concordante com o observado por Miura et al. (1998). 0,15 V (677 nm) IVP (865 nm) IVM (2121 nm) Diferença máxima 0,1 0,05 0 cerrado campo sujo água mata galeria queimada solo campo limpo Fig Diferença máxima das médias das bandas do V, IVP e IVM de alvos retirados de janelas de 5 por 5 pixels sob três diferentes condições de fumaça. Nas áreas escolhidas, a data de 25 de agosto mostrou-se mais saturada e o dia 27 de agosto mostrou-se mais livre de aerossóis. O dia 1 de setembro de 1995 apresentou uma situação intermediária de aerossóis de fumaça. A Figura 4.29 mostra os resultados obtidos com o NDVI e NDVI corrigido para os aerossóis de fumaça. A dependência dos valores de NDVI com a espessura óptica pode ser observada nos gráficos. Quanto menor o valor do NDVI em uma determinada data, maior é a contaminação por fumaça. No entanto, os valores de NDVI corrigido permanecem constantes para a maioria dos alvos ou coberturas vegetais no decorrer das datas, conforme esperado. As exceções são os valores de NDVI corrigido observados para a água e, secundariamente, para a queimada. O solo também apresentou valores inesperadamente mais baixos de NDVI corrigido, em relação aos do NDVI. 107

88 0,9 NDVI corrigido NDVI 0,9 NDVI corrigido NDVI 0,7 0,7 NDVI 0,5 0,3 NDVI 0,5 0,3 0,1 0,1-0,1-0,1 25/ago/95 27/ago/95 01/set/95 25/ago/95 27/ago/95 01/set/95 (a) (b) 0,9 NDVI corrigido NDVI 0,9 NDVI corrigido NDVI 0,7 0,7 NDVI 0,5 0,3 NDVI 0,5 0,3 0,1 0,1-0,1 25/ago/95 27/ago/95 01/set/95-0,1 25/ago/95 27/ago/95 01/set/95 (c) (d) 0,9 NDVI corrigido NDVI 0,9 NDVI corrigido NDVI 0,7 0,7 NDVI 0,5 0,3 NDVI 0,5 0,3 0,1 0,1-0,1 25/ago/95 27/ago/95 01/set/95-0,1 25/ago/95 27/ago/95 01/set/95 (e) (f) 0,9 0,7 NDVI corrigido NDVI NDVI 0,5 0,3 0,1-0,1 25/ago/95 27/ago/95 01/set/95 (g) Fig Valores médios de NDVI e NDVI corrigido calculados de janelas de 5 por 5 pixels de alvos sob diferentes condições de fumaça: água (a), queimada (b), solo (c), campo limpo (d), campo sujo (e), cerrado (f) e mata galeria (g). 108

89 Os resultados da Figura 4.29 sugerem uma contaminação por aerossóis de fumaça nas três datas e influência da banda do IVP nos resultados, em função de os valores de NDVI corrigidos serem superiores aos de NDVI para todos os alvos, à exceção do solo. Eles indicam que a correção é adequada para coberturas vegetais, em função da boa relação de covariância entre as bandas do V e do IVM. Para alvos em que esta relação não é observada, como água e queimadas, são obtidos valores discrepantes após a correção. 109

90 110

91 CAPÍTULO 5 CONCLUSÕES Em relação à caracterização dos componentes de cena, pode-se concluir que: a) a dinâmica do fogo/fumaça no período de estudo (25 de agosto a 1º de setembro de 1995) introduziu fortes mudanças na resposta espectral dos componentes de cena, especialmente da vegetação de cerrado arbóreoarbustiva e gramíneas (campo limpo e campo sujo); b) de acordo com os resultados do modelo linear de mistura espectral, a fração VNFA ou vegetação seca foi claramente a componente que dominou a cena e que melhor realçou as mudanças causadas pelas queimadas. No que se refere aos efeitos espectrais da fumaça, pode-se concluir que: a) a fumaça adicionou valores de reflectância nas bandas do V e IVP da ordem de 5 a 6% e de 1 a 3%, respectivamente. No IVM, não houve efeitos significativos da fumaça; b) além da densidade óptica da pluma de fumaça, a magnitude dos efeitos dos aerossóis no V e IVP é dependente do tipo de alvo, mas a causa de tal dependência ainda precisa ser mais bem compreendida. No estudo da minimização dos efeitos espectrais de fumaça sobre o NDVI, pode-se concluir que: a) a reflectância da banda do V, sensível aos efeitos espectrais dos aerossóis de fumaça, pode ser estimada a partir da resposta de bandas posicionadas ao redor de 1650 nm ou, preferencialmente, 2100 nm, não afetados por tais efeitos; b) para a vegetação, a alta correlação entre a banda do V e a banda do IVM é produzida por variações conjuntas nos teores de clorofila (V) e de umidade das folhas (IVM). Para o solo, um efeito similar, mas de menor 111

92 magnitude, é produzido pela relação de covariância positiva do ferro e matéria orgânica (V) com a fração de argila (IVM). Áreas recentemente queimadas e água ou superfícies úmidas são exemplos de alvos em que tal correlação não é observada; c) na área de estudo, a magnitude de correlação entre as bandas do V e IVM aumentou do solo exposto (r = 0,69) para as formações arbóreas (por exemplo: mata galeria com r = 0,86); conseqüentemente, o erro de estimativa da banda do V através do IVM (medido menos estimado) atingiu valores da ordem de 0,03 para o solo, sendo menor para os diferentes tipos de vegetação de cerrado; d) pelo uso da equação de regressão para estimar a resposta da banda do V a partir da resposta da banda do IVM, é possível minimizar os efeitos espectrais de fumaça sobre o cálculo do NDVI. Os valores de NDVI corrigido foram superiores aos de NDVI para a maioria dos alvos, em situações distintas de fumaça. O NDVI corrigido mostrou que a correção é adequada para coberturas vegetais, em função da boa relação de covariância das bandas do V (clorofila) e do IVM (água líquida). Entretanto, para alvos em que esta relação não é observada, como água e áreas queimadas, foram obtidos valores discrepantes de NDVI após a correção; e) a utilização do NDVI corrigido não é recomendável para fins de monitoramento global, mas pode ser muito útil em escala local ou semiregional no estudo de áreas fortemente afetadas por ações antrópicas, como o cerrado brasileiro e parte da Amazônia. A sua utilização requer um conhecimento a priori dos componentes de cena ou dos alvos em que as relações de covariância das bandas do V e IVM não sejam válidas, para evitar uma interpretação errônea dos resultados. Uma análise mais detalhada ainda é necessária para avaliar os efeitos residuais da fumaça sobre o IVP e, conseqüentemente, sobre o cálculo do NDVI corrigido para os diferentes alvos. 112

93 REFERÊNCIAS BIBLIOGRÁFICAS Adams, J. B.; Sabol, D. E.; Kapos, V., Almeida Filho, R.; Roberts, D. A.; Smith, M. O.; Gillespie, A. R. Classification of multispectral images based on fractions of endmembers: application to land-cover change in the brazilian amazon. Remote Sensing of Environment, v. 52, n. 2, p , Batista, G. T.;Shimabukuro, Y. E.; Lawrence, W. T. The long-term monitoring of vegetation cover in the Amazonia region of northern Brazil using NOAA- AVHRR data. International Journal of Remote Sensing, v. 18, n. 15, p , Boardman, J. W. Inversion of imaging spectrometry data using singular value decomposition. In: International Geoscience and Remote Sensing Symposium (IGARSS 89). Canadian Symposium on Remote Sensing, 12., Vancouver, Remote Sensing: an economic tool for the nineties. Piscataway: IEEE, v. 4, p Chavez, P.; Kwarteng, A. Extracting spectral contrast in Landsat Thematic Mapper image using selective principal components analysis. Photogrammetric Engineering and Remote Sensing, v. 3, p , Chu, D. A.; Kaufman, Y. J.; Remer, L. A.; Holben, B. N. Remote sensing of smoke from MODIS airborne simulator during the SCAR-B experiment. Journal of Geophysical Research, v. 103, n. D24, p , Cocks, T.; Jenssen, R.; Stewart, A.; Wilson, I.; Shields, T. The Hymap TM airborne hyperspectral sensor: the system, calibration and performance. In: EARSEL workshop on Imaging Spectroscopy, 1., Zurich, Proceedings. Paris: EARSEL, p Collins, J. B.; Woodcock, C. E. Change detection using the Gramm-Schmidt transformation applied to mapping forest mortality. Remote Sensing of Environment, v. 50, n. 3, p , Crósta, A. P. Processamento digital de imagens de sensoriamento remoto. Campinas: UNICAMP, p. Crutzen, P. J.; Andreae, M. O. Biomass burning in the tropics: impact on atmospheric chemistry and biogeochemical cycles. Science, v. 250, p ,

94 Dennison, P. E.; Roberts, D. A.; Reggelbrugge, J. C. Characterizing chaparral fuels using combined hyperspectral and synthetic aperture radar data. In: JPL Airborne Earth Science Workshop, 9., Pasadena, Summaries. Pasadena: JPL/California Institute of Technology, p (JPL 00-18). ENVI. Guia do ENVI [on line] disponível em: < Dez Epiphanio, J. C. N.; Huete, A. R. Dependence of NDVI and SAVI on sun/sensor geometry and its effect on fapar relationships in alfalfa. Remote Sensing of Environment, v. 51, n. 3, p , Fraser, R. S.; Kaufman, Y. J. The relative importance of aerosol scattering and absorption in remote sensing. IEEE Transactions on Geoscience and Remote Sensing, v. 23, n. 5, p , Galvão, L. S.; Vitorello, I.; Almeida Filho, R. Effects of band positioning and bandwidth on NDVI measurements of tropical savannas. Remote Sensing of Environment, v. 67, n. 2, p , Galvão, L. S.; Ponzoni, F. J.; Epiphanio, J. C. N.; Formaggio, A. R. Efeitos da geometria de visada sobre a determinação de índices de vegetação. In: Simpósio Brasileiro de Sensoriamento Remoto, 10., Foz do Iguaçu, Anais. São José dos Campos: INPE, 2001a. Galvão, L. S.; Pizarro, M. A.; Epiphanio, J. C. N. Variations in reflectance of tropical soils: spectral-chemical composition relationships from AVIRIS data. Remote Sensing of Environment, v. 75, n. 2, p , 2001b. Gao, B. NDWI A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, v. 58, n. 3, p , Gao, B.; Heidebrecht, K. B.; Goetz, A. F. H. Derivation of scaled surface reflectances from AVIRIS data. Remote Sensing of Environment, v. 44, n. 2/3, p , Gemmell, F.; McDonald, A. J. View zenith angle effects on the forest information content of three spectral indices. Remote Sensing of Environment, v. 72, n. 2, p , Gopal, S.; Woodcock, C. Remote sensing of forest change using artificial neural networks. IEEE Transactions on Geoscience and Remote Sensing, v. 34, n. 2, p ,

95 Goward, S. N.; Huemmrich, K. F. Vegetation canopy PAR absorptance and the normalized difference vegetation index: an assessment using the SAIL model. Remote Sensing of Environment, v. 39, n. 2, p , Green, R. O.; Eastwood, M. L.; Sarture, C. M.; Chrien, T. G.; Aronsson, M.; Chippendale, B. J.; Faust, J. A.; Pavri, B. E.; Chovit, C. J.; Solis, M.; Olah, M. R.; Williams, O. Imaging spectroscopy and the airborne visible/infrared imaging spectrometer (AVIRIS). Remote Sensing of Environment, v. 65, n. 2, p , Griffin, M. K.; Hsu, S. M.; Hsiao-hua, K. B.; Snow, J. W. Characterization and delineation of plumes, clouds and fires in an AVIRIS image. In: JPL Airborne Earth Science Workshop, 9., Pasadena, Summaries. Pasadena: JPL/California Institute of Technology, p (JPL 00-18). Gu, D.; Gillespie, A. Topographic normalization of Landsat TM images of forest based on subpixel sun-canopy-sensor geometry. Remote Sensing of Environment, v. 64, n. 2, p , Hao, W. M.; Liu, M. Spatial and temporal distribution of tropical biomass burning. Global Biogeochemical Cycles, v. 8, n. 4, p , Holben, B.; Vermote, E.; Kaufman, Y. J.; Tanré, D.; Kalb, V. Aerosol retrieval over land from AVHRR data application for atmospheric correction. IEEE Transactions on Geoscience and Remote Sensing, v. 30, n. 2, p , Hope, A. S.; Coulter, L. L.; Stow, D. A. Estimating lake area in an Arctic landscape using linear mixture modelling with AVHRR data. International Journal of Remote Sensing, v. 20, n. 4, p , Huete, A. R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, v. 25, n. 3, p , Huete, A. R. Soil influences in remotely sensed vegetation-canopy spectra. In: Asrar, G. ed. Theory and applications of optical remote sensing. New York: J. Wiley, Cap. 4, p Huete, A. R.; Jackson, R. D. Soil and atmosphere influences on the spectra of partial canopies. Remote Sensing of Environment, v. 25, n. 1, p , Huete, A. R.; Justice, C. O.; Liu, H. Q. Development of vegetation and soil indices for MODIS-EOS. Remote Sensing of Environment, v. 49, n. 3, p ,

96 Huete, A. R.; Liu, H. Q.; Batchily, K.; van Leeuwen, W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, v. 59, n. 3, p , Karnieli, A.; Kaufman, Y. J.; Remer, L.; Wald, A. AFRI aerosol free vegetation index. Remote Sensing of Environment, v. 77, n. 1, p , Kaufman, Y. J. The atmospheric effect on remote sensing and its correction. In: Asrar, G. Theory and applications of optical remote sensing. New York: J. Wiley, Cap. 9, p Kaufman, Y. J.; Tanré, D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing, v. 30, n. 2, p , Kaufman, Y. J.; Remer, L. A. Detection of forests using mid-ir reflectance: An application for aerosol studies. IEEE Transactions on Geoscience and Remote Sensing, v. 32, n. 3, p , Kaufman, Y. J.; Tucker, C.J.; Fung, I. Remote sensing of biomass burning in the tropics. Journal of Geophysical Research, v. 95, n. D7, p , Kaufman, Y. J.; Tanré, D; Gordon, H. R.; Nakajima, T.; Lenoble, J.; Frouin, R.; Grassl, H.; Herman, B. M.; King, M. D.; Teillet, P. M. Passive remote sensing of tropospheric aerosol and atmospheric correction for the aerosol effect. Journal of Geophysical Research, v. 102, n. D14, p , 1997c. Kaufman, Y. J.; Tanré, D.; Remer, L. A.; Vermote, E. F.; Chu, A.; Holben, B. N. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectroradiometer. Journal of Geophysical Research, v. 102, n. D14, p , 1997b. Kaufman, Y. J.; Wald, A. E.; Remer, L. A. ; Gao, B.; Li, R.; Flynn, L. The MODIS 2,1 m channel correlation with visible reflectance for use in remote sensing of aerosol. IEEE Transactions on Geoscience and Remote Sensing, v. 35, n. 5, p , 1997a. Kaufman, Y. J.; Hobbs, P. V.; Kirchhoff, V. W. J. H.; Artaxo, P.; Remer, L. A.; Holben, B. N.; King, M. D.; Ward, D. E.; Prins, E. M.; Longo, K. M.; Mattos, L. F.; Nobre, C. A.; Spinhirne, J. D.; Ji, Q.; Thompson, A. M.; Gleason, J. F.; Christopher, S. A.; Tsay, S.-C. Smoke, Clouds, and Radiation-Brazil (SCAR-B) experiment. Journal of Geophysical Research, v. 103, n. D24, p , 1998a. 116

97 Kaufman, Y. J.; Kleidman, R. G.; King, M. D. SCAR-B fires in the tropics: properties and remote sensing from EOS-MODIS. Journal of Geophysical Research, v. 103, n. D24, p , 1998b. Kaufman, Y. J.; Karnieli, A.; Tanré, D. Detection of dust over deserts using satellite data in the solar wavelengths. IEEE Transactions on Geoscience and Remote Sensing, v. 38, n. 1, p , Kauth, R. J.; Thomas, G. S. The tasselled-cap a graphic description of the spectral-temporal development of agricultural crops as seen by Landsat. In: Symposium on Machine Processing of Remotely Sensed Data, 3., West Lafayette, Proceedings. West Lafayette: Purdue University, p. 4B41-4B51. Kimes, D. S. Radiative transfer in homogeneous and heterogeneous vegetation canopies. In: Myneni, R. B. and Ross, J. ed. Photon-vegetation interactions: applications in optical remote sensing and plant ecology. New York: Springer-Verlag, Cap. 11, p Kimes, D. S.; Harrison, P. A.; Harrison, P. R. Extension of off-nadir view angles for directional sensor systems. Remote Sensing of Environment, v. 50, n. 3, p , Knipling, E. B. Physical and physiological basis for the reflectance of visible and near-infrared radiation from vegetation. Remote Sensing of Environment, v. 1, n. 3, p , Lambin, E. F.; Strahler, A. H. Change-vector analysis: A tool to detect and categorize land-cover change processes using high temporal-resolution satellite data. Remote Sensing of Environment, v. 48, n. 2, p , Latorre, M. L. Utilização de um método de correção atmosférica para o processamento de dados hiperespectrais do sensor AVIRIS em regiões tropicais. São José dos Campos. 202 p. (INPE-7295-TDI/710). Dissertação (Mestrado em Sensoriamento Remoto) Instituto Nacional de Pesquisas Espaciais, Liang, S.; Fallah-Adl, H.; Kalluri, S.; JáJá, J; Kaufman, Y. J.; Townshend, J. R. G. An operational atmospheric correction algorithm for Landsat Thematic Mapper imagery over the land. Journal of Geophysical Research, v. 102, n. D14, p , Lobo, A.; Martí, J. J. I.; Giménez-Cassina, C. C. Regional scale hierarchical classification of temporal series of AVHRR vegetation index. International Journal of Remote Sensing, v. 18, n. 15, p ,

98 Mather, P. M. Computer processing of remotely-sensed images. New York: John Wiley & Sons, p. Mas, J. F. Monitoring land-cover changes: a comparison of change detection techniques. International Journal of Remote Sensing, v. 20, n. 1, p , Middleton, E. M. Solar zenith angle effects on vegetation indices in tallgrass prairie. Remote Sensing of Environment, v. 38, n. 1, p , Miranda, A. C.; Miranda, H. S.; Lloyd, J.; Grace, J.; Mcintyre, J. A.; Meir, P.; Riggan, P; Lockwood, R.; Brass, J. Carbon dioxide fluxes over a cerrado sensu stricto in central Brazil. In: Gash, J. H. C.; Nobre, C. A.; Roberts, J. M. and Victoria, R. L. eds. Amazonian deforestation and climate. New York: J. Wiley, Cap. 20, p Miura, T.; Huete, A. R.; van Leeuwen, W. J. D.; Didan, K. Vegetation detection through smoke-filled AVIRIS images: an assessment using MODIS band passes. Journal of Geophysical Research, v. 103, n. D24, p , Miura, T.; Huete, A. R.; Yoshioka, H. Evaluation of sensor calibration uncertainties on vegetation indices for MODIS. IEEE Transactions on Geoscience and Remote Sensing, v. 38, n. 3, p , Myneni, R. B.; Asrar, G. Atmospheric effects and spectral vegetation indices. Remote Sensing of Environment, v. 47, n. 3, p , Moreira, R. C. Influência do posicionamento e da largura de canais de sensores remotos e dos efeitos atmosféricos na determinação de índices de vegetação. São José dos Campos. 179 p. (INPE TDI/735). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, Nobre, C. A.; Mattos, L. F.; Dereczynski, C. P.; Tarasova, T. A.; Trosnikov, I. V. Overview of atmospheric conditions during the Smoke, Clouds, and Radiation-Brazil (SCAR-B) field experiment. Journal of Geophysical Research, v. 103, n. D24, p , Pilon, P. G.; Howarth, P. J.; Bullock, R. A. An enhanced classification approach to change detection in semi-arid environments. Photogrammetric Engineering and Remote Sensing, v. 12, p , Prins, E. M.; Feltz, J. M.; Menzel, W. P.; Ward, D. E. An overview of GOES-8 diurnal fire and smoke results for SCAR-B and 1995 fire season in South America. Journal of Geophysical Research, v. 103, n. D24, p ,

99 Projeto RADAMBRASIL. Folha SD-21 Cuiabá: Geologia, Geomorfologia, Pedologia, Vegetação, Uso Potencial da Terra. Rio de Janeiro: MME/SG/Projeto RADAMBRASIL, p.29, (Levantamento de Recursos Naturais, 26). Qi, J.; Moran, M. S.; Cabot, F.; Dedieu, G. Normalization of sun/view angle effects using spectral albedo-based vegetation indices. Remote Sensing of Environment, v. 52, n. 3, p , Radeloff, V. C.; Mladenoff, D. J.; Boyce, M. S. Detecting jack pine budworm defoliation using spectral mixture analysis: separating effects from determinants. Remote Sensing of Environment, v. 69, n. 2, p , Ray, T. W.; Murray, B. C. Nonlinear spectral mixing in desert vegetation. Remote Sensing of Environment, v. 55, n. 1, p , Remer, L. A.; Wald, A. E.; Kaufman, Y. J. Angular and seasonal variation of spectral surface reflectance ratios: implications for the remote sensing of aerosol over land. IEEE Transactions on Geoscience and Remote Sensing, v. 39, n. 2, p , Richardson, A. J.; Wiegand, C. L. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, v. 43, n. 12, p , Roberts, D. A.; Smith, M. O.; Adams, J. B. Green vegetation, nonphotosynthetic vegetation, and soils in AVIRIS data. Remote Sensing of Environment, v. 44, n. 2/3, p , Roberts, D. A.; Green, R. O.; Adams, J. B. Temporal and spacial patterns in vegetation and atmospheric properties from AVIRIS. Remote Sensing of Environment, v. 62, n. 3, p , Roberts, D. A.; Batista, G. T.; Pereira, J. L. G.; Waller, E. K.; Nelson, B. W. Change identification using multitemporal spectral mixture analysis: applications in eastern Amazonia. In: Lunetta, R. S. and Elvidge, C. D. eds. Remote sensing change detection: environmental monitoring methods and applications. Michigan: Ann Arbor Press, 1998a. p Roberts, D. A.; Gardner, M.; Church, R.; Ustin, S.; Scheer, G.; Green, R. O. Mapping chaparral in the Santa Monica mountains using multiple endmember spectral mixture models. Remote Sensing of Environment, v. 65, n. 3, p , 1998b. 119

100 Shimabukuro, Y. E.; Smith, J. A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, v. 29, n. 1, p , Shimabukuro, Y. E.; Smith, J. A. Fraction images derived from Landsat TM and MSS data for monitoring reforested areas. Canadian Journal of Remote Sensing, v. 21, n. 1, p , Schowengerdt, R. A. Remote sensing. models and methods for image processing. New York: Academic Press, p. Singh, A. Change detection in the tropical forest environment of northeastern India using Landsat. In: Eden, M. J. and Parry, J. T. ed. Remote Sensing and Land Management. Wiley & Sons, Cap. 13, p Singh, A. Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, v. 6, p , Slater, P. N.; Jackson, R. D. Atmospheric effects on radiation reflected from soil and vegetation as measured by orbital sensors using various scanning directions. Applied Optics, v. 21, p , Sousa, C. J. S. Detecção de mudanças nas unidades territoriais básicas através da subtração de imagens-proporção de vegetação, solo e sombra. In: Simpósio Brasileiro de Sensoriamento Remoto, 10., Foz do Iguaçu, Anais. São José dos Campos: INPE, Tanré, D.; Holben, B. N.; Kaufman, Y. J. Atmospheric correction algorithm for NOOA-AVHRR products: theory and application. IEEE Transactions on Geoscience and Remote Sensing, v. 30, n. 2, p , Tucker, C. J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, v. 8, n. 2, p , University of Colorado. ATREM- Atmospheric removal program [on line] < Jan van Leeuwen, W. J. D.; Huete, A. R. Effects of standing litter on the biophysical interpretation of plant canopies with spectral indices. Remote Sensing of Environment, v. 55, n. 2, p , Verbrugghe, J.; Cierniewski, M. Effects of sun and view geometries on cotton bidirecional reflectance. test of a geometrical model. Remote Sensing of Environment, v. 54, n. 3, p ,

101 Vogelmann, J. E.; Rock, B. N. Assessing forest damage in high-elevation coniferous forests in Vermont and New Hampshire using Thematic Mapper data. Remote Sensing of Environment, v. 24, n. 2, p , Vogelmann, J. E. Comparison between two vegetation indices for measuring different types of forest damage in the north-eastern United States. International Journal of Remote Sensing, v. 11, n. 12, p , Walter-Shea, E. A.; Privette, J.; Cornell, D.; Mesarch, M. A.; Hays, C. J. Relations between directional spectral vegetation indices and leaf area and absorbed radiation in alfafa. Remote Sensing of Environment, v. 61, n. 1, p ,

102 122