Академический Документы
Профессиональный Документы
Культура Документы
Brecht Segue
19 de fevereiro · 12 minutos de leitura
Introdução
Os índices vegetativos (VI) permitem a aquisição de informações
ecológicas a partir de dados de satélites e drones através da análise de
bandas de imagens multi ou hiperespectrais. A re ectância da luz muda
com o conteúdo de cloro la, tipo de planta, teor de açúcar, teor de água
nos tecidos e outros fatores. Devido a esse fato, as respostas de
re etância espectral capturadas por imagens de satélite podem re etir
a interação e o acoplamento dos ciclos de carbono, nitrogênio e água
(Chang et al., 2016; Xue et al., 2017). Uma ampla gama de
características da planta pode ser inferida através de vários índices.
Esses índices também são usados para melhorar a precisão dos
algoritmos de classi cação. Índices aumentam a informação espectral e
aumentam a separabilidade das classes de interesse. Todos esses fatores
resultam em um aumento na qualidade do mapeamento da cobertura
do uso da terra (LULC) produzido (Ustuner et al., 2014). Os índices
têm uma dupla função: fornecer informações sobre o crescimento e a
saúde das plantas, bem como ajudar a categorizar as diferentes
classi cações de terras (mineração, oresta, solo nu, pastagem,
superfícies de água, indústrias, etc.).
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 1/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 2/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
Luz visível
• Verde: 495-570 nm
Infravermelho
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 3/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
Figura 3 - Imageador Landsat 8 Operacional Land (OLI) e Sensor Infravermelho Térmico (TIRS) (Barsi,
2014)
Figura 4 - Comparação das bandas Landsat 7 e 8 com bandas Sentinel-2 (NASA, 2018)
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 4/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
NDVI
A fotossíntese requer água, dióxido de carbono e luz para produzir
açúcares e oxigênio. A cloro la, que dá às plantas a cor verde, absorve a
luz visível. As folhas re etem a luz infravermelha próxima (NIR); isso
faz sentido falando em termos evolutivos porque as plantas usam
apenas luz visível para a fotossíntese. Isto signi ca que uma planta
saudável com boa atividade de fotossíntese pode ser analisada
comparando NIR com luz vermelha visível. Vegetação insalubre
re etirá mais luz visível e menos NIR. A vegetação saudável absorverá a
maior parte da luz visível que incide sobre ela. Originalmente
desenvolvido pela NASA, o índice NDVI é amplamente utilizado nesta
aplicação. Os valores de NDVI variam entre 0 e 1 (devido ao
procedimento de normalização). Valores muito baixos de NDVI (<0,1)
correspondem a áreas estéreis de rocha, areia ou neve. Água parada
livre tendem a estar nos valores muito baixos positivos a negativos. Os
solos tendem a gerar valores de NDVI bastante pequenos (0,1 a 0,2). A
vegetação esparsa, como arbustos e pradarias, pode resultar em valores
moderados de NDVI (0,2 a 0,5).
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 5/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
EVI
O Enhanced Vegetation Index (EVI) é o índice de vegetação alternativo
mais comum que aborda alguns dos problemas com o NDVI (limitações
do solo e da atmosfera). Em um estudo de 1995, Liu e Huete
analisaram vários tipos de solo e índices vegetativos atmosféricos
avançados; eles concluíram que, como resultado da interação entre o
solo e a atmosfera, reduzir um pode aumentar o outro. Eles
introduziram um mecanismo de feedback construindo um parâmetro
para corrigir simultaneamente os efeitos do solo e da atmosfera. Este
algoritmo reduz a in uência das condições atmosféricas e corrige os
sinais de fundo do dossel, tornando-o mais sensível às mudanças nas
áreas de alta biomassa (Liu & Huete, 1995; Xue et al., 2017). O EVI é
descrito pela seguinte fórmula:
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 6/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
Nota : como proposto no artigo de 2008 por Jiang, o índice EVI2 pode
ser usado para sensores sem uma faixa azul, como as imagens AVHRR e
ASTER, para produzir um índice de vegetação semelhante ao EVI,
complementar ao NDVI, mas sem o problema de saturação .
Especialmente quando a re etância vermelha é baixa e o NDVI se torna
saturado, o índice EVI2 pode revelar diferentes dinâmicas de vegetação
(Jiang et al., 2008).
Figura 5 - Grá co cruzado de EVI2 e EVI usando dados VI do MODIS aceitos pela QA de 1 km, dados de
VI composto de 16 dias nos 13 principais locais da EOS Land Validation de 2000 a 2006 (Jiang et al.,
2008)
MSAVI2
MSAVI2 é a versão simpli cada do algoritmo MSAVI. Foi criado para
lidar com o problema de brilho do solo, que é uma das maiores
limitações do NDVI. Sempre que o MSAVI é usado, é quase sempre a
versão MSAVI2, que não requer uma linha de solo (declive). É usado
principalmente na análise de crescimento de plantas, pesquisa de
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 7/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
OSAVI / SAVI
Quando o brilho do solo desempenha um papel importante - como em
áreas onde a cobertura vegetal é baixa e o solo é exposto - o NDVI pode
ser in uenciado pela re etância do solo. O Índice de Vegetação
Ajustada pelo Solo (SAVI) é uma modi cação do NDVI com um fator de
correção para o brilho do solo. O valor de L é ajustado com base na
quantidade de vegetação. L = 0,5 é o valor padrão e funciona bem na
maioria das situações. Com L = 0, NDVI = SAVI.
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 8/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
SATVI
Índice de Vegetação Total do Solo (SATVI) mede a fotossíntese e a
vegetação morta. Requer banda infravermelha de onda curta (SWIR),
que resulta em uso menos frequente desse índice em comparação com
aqueles que dependem apenas de NIR e luz visível, já que muitos
satélites não coletam banda SWIR. O SATVI é útil no mapeamento da
biomassa fotossintetizadora, resíduos do solo, resíduos de plantas,
condições de superfície e nos cálculos da biomassa acima do solo,
compensando a variação do brilho do solo e dos artefatos de fundo. O
SATVI pode ser usado em imagens Landsat, ASTER, Sentinel e MODIS.
As bandas necessárias são RED, SWIR 1 e SWIR 2. No caso do Sentinel,
esta é a banda 4, 11 e 12. L é geralmente xado em 0,5 e corresponde
ao declive da linha do solo (Marsett et al., 2006; Qi et al., 2002; Qi,
2000; Torbick, 2016; Hagen et al., 2012).
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 9/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 10/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
NDWI
The Normalized Di erence Water Index (NDWI) measures the change
in the water content of leaves by using the NIR and SWIR bands.
Because NDWI is sensitive to the water content of plants as well as
bodies of water, it is often used for drought monitoring, recording yield
reductions, reservoir discharge, lowering of groundwater levels etc.
Values for water bodies are larger than 0.5. Vegetation has much
smaller values, which makes distinguishing between vegetation and
water bodies easier. Built-up features have positive values between zero
and 0.2 (Sentinel-hub, 2018).
Works Cited
Spatial — Resolutions — Sentinel-2 MSI — User Guides — Sentinel Online,
earth.esa.int/web/sentinel/user-guides/sentinel-2-
msi/resolutions/spatial.
Akike, Slady, and Sailesh Samanta. “Land Use/Land Cover and Forest
Canopy Density Monitoring of Wa -Golpu Project Area, Papua New
Guinea.” Journal of Geoscience and Environment Protection, vol. 04, no.
08, 2016, pp. 1–14., doi:10.4236/gep.2016.48001.
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 11/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
Liu, Hui Qing, and A. Huete. “A Feedback Based Modi cation of the
NDVI to Minimize Canopy Background and Atmospheric Noise.” IEEE
Transactions on Geoscience and Remote Sensing, vol. 33, no. 2, 1995, pp.
457–465., doi:10.1109/36.377946.
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 12/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
Rikimaru, P.S. Roy and S. Miyatake, 2002. Tropical forest cover density
mapping. Tropical Ecology Vol. 43, №1, pp 39–47.
Ustuner, M., et al. “Crop Type Classi cation Using Vegetation Indices of
RapidEye Imagery.” ISPRS — International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-
7, 2014, pp. 195–198., doi:10.5194/isprsarchives-xl-7–195–2014.
Xue, Jinru, and Baofeng Su. “Signi cant Remote Sensing Vegetation
Indices: A Review of Developments and Applications.” Journal of
Sensors, vol. 2017, 2017, pp. 1–17., doi:10.1155/2017/1353691.
Xue, Jinru, and Baofeng Su. “Signi cant Remote Sensing Vegetation
Indices: A Review of Developments and Applications.” Journal of
Sensors, vol. 2017, 2017, pp. 1–17., doi:10.1155/2017/1353691.
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 13/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium
https://medium.com/regen-network/remote-sensing-indices-389153e3d947 14/14