CAPÍTULO 1 INTRODUÇÃO

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

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 = 400-700 nm), do infravermelho próximo (IVP = 700-1300 nm) e do infravermelho médio (IVM = 1300-2500 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

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

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

120 Número de Focos de Queimadas (milhares) 80 40 0 1991 1992 1993 1994 1995 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. 31788). 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

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 1995. 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. 31832). 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

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

28

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

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

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. 2.1.1 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

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

aplicado para sub-conjuntos espectrais de intervalos ao longo da faixa 400-2500 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

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

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

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). 2.2.1 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

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

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

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) 2.2.2 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

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

(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 660-680 nm (absorção de clorofila) e uma banda do IVP posicionada em menores comprimentos de onda no intervalo de 750-900nm, 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

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

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

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

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). 2.3.1 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

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

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 5 0 400 700 1000 1300 1600 1900 2200 2500 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

Partículas que possuem raio entre 100 e 10000 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 10000 nm, tais como gotas de chuva e pequenos fragmentos de gelo presentes em nuvens (Mather, 1999). 2.3.2 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

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

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 860 + 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