28/11/2018 Índices de Detecção Remota - Regen Network - Medium

Brecht Segue
19 de fevereiro · 12 minutos de leitura

Índices de Sensoriamento Remoto

O seguinte post foi preparado para orientar o leitor através de uma série
de diferentes métodos utilizados para obter informações sobre a vegetação
em paisagens a partir de dados de satélite. O termo “Índice Vegetativo”
descreve um algoritmo que processa dados espectrais com o objetivo de
determinar informações sobre a saúde das plantas. O termo
“Sensoriamento Remoto”, neste caso, descreve o uso de imagens de satélite
para discernir os fenômenos da paisagem.

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

Figura 1 - Curvas espectrais para várias características naturais (NASA, 2018)

As diferentes combinações de índices de vegetação também melhoram

as características espectrais de algumas culturas enquanto suprimem
outras (Kuzucu et al., 2017).

Neste blog, vou oferecer uma explicação introdutória sobre a diferença

entre uma variedade de algoritmos:

• Índice de Vegetação por Diferença Normalizada (NDVI)

• Índice de Vegetação Melhorado (EVI)

• Índice de Água de Diferença Normalizada (NDWI)

• Índice Modi cado de Vegetação Ajustada pelo Solo (MSAVI2)

• Índice de Vegetação Total do Solo Ajustado (SATVI)

• Índice de Vegetação Ajustada pelo Solo (SAVI)

• Índice de Vegetação Ajustado pelo Solo otimizado para

Monitoramento Agrícola (OSAVI)

Metodologia de Densidade de Dossel de Floresta (FCD)

• Índice Avançado de Vegetação (AVI)

• Índice de Sombra (SI)

• Índice de solo nu (BI)

• Índice de Temperatura (TI)

Esta postagem no blog não identi cará quais eco-indicadores

correspondem a resultados ecológicos especí cos. Isso será discutido

https://medium.com/regen-network/remote-sensing-indices-389153e3d947 2/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium

em posts adicionais no blog.

Imagens de satélite multiespectrais

As principais bandas espectrais relevantes para a aplicação dos VIs são
as seguintes:

Luz visível

• Azul: 450 a 495 nm

• Verde: 495-570 nm

• Vermelho: 620 a 750 nm

Infravermelho

• Infravermelho Próximo (NIR): 750–900 nm

• Infravermelho de ondas curtas (SWIR): 900–3000 nm

• Infravermelho Térmico (TIR): 3000–14000 nm

Figura 2 - Grá co espectral (NASA, 2018)

Os domínios de comprimento de onda variam de satélite para satélite.

Por exemplo, a faixa vermelha do satélite Worldview-3 varia de 630 a
690 nm, enquanto os satélites PlanetScope usam comprimentos de
onda de 590 a 670 nm. Satélites diferentes têm diferentes sensores que
geram imagens com várias bandas espectrais.

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)

O satélite Landsat 8 da NASA tem onze bandas no total. Desses onze,

nove bandas espectrais têm uma resolução espacial de 30 metros. A
resolução para a Band 8 (pancromática) é de 15 metros. As bandas
térmicas 10 e 11 são úteis para fornecer temperaturas de superfície
mais precisas e são adquiridas a uma resolução de 100 metros, mas são
reamostradas para 30 metros. O satélite Landsat 8 imagina toda a Terra
a cada 16 dias num deslocamento de 8 dias do Landsat 7. (NASA,
2018)

O Sentinel-2 da ESA tem treze bandas no total. Dessas treze bandas,

quatro bandas espectrais têm uma resolução de 10 metros. Seis faixas
têm uma resolução de 20 metros e as três restantes têm uma resolução
de 60 metros. A resolução temporal dos satélites sentinela (2A e 2B) é
de 10 dias, combinada com uma taxa de atualização de 5 dias.

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).

Tabela 1 - Valores típicos de NDVI para diferentes ecossistemas (Pettorelli, 2013)

Altos valores de NDVI correspondem a vegetação densa como a

encontrada em orestas temperadas e tropicais ou culturas em seu pico
de crescimento (Pettorelli, 2006). Como um índice, é freqüentemente
usado no monitoramento em larga escala de distúrbios orestais e
avaliações da vegetação global. Mais especi camente, o NDVI tem sido
usado para mapear a distribuição do ecossistema, prever perturbações
e avaliar seu impacto, monitorar mudanças nos atributos funcionais
dos ecossistemas, monitorar a perda e degradação de habitat,
assimilação de carbono e evapotranspiração. Na escala da fazenda, o
NDVI é usado como um preditor de atributos da planta, status
siológico da planta, previsão de produtividade e distribuição de

https://medium.com/regen-network/remote-sensing-indices-389153e3d947 5/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium

culturas, e também pode ser usado para detectar e monitorar a

vegetação aquática (Pettorelli, 2013).

A principal desvantagem do NDVI é que ele é sensível aos efeitos do

solo (brilho e cor), atmosfera (cobertura de nuvens e sombra das
nuvens) e sombra do dossel das folhas (Xue et al., 2017). Outro
problema com o NDVI é que, na vegetação densa, atinge rapidamente a
saturação. Isso se deve ao fato de o índice NDVI não ser linear. Em
conclusão, o NDVI é bom para estudar grandes áreas e ter uma noção
aproximada da atividade fotossintética. Sua sensibilidade ao solo e
aerossóis signi ca que tem limitações. Para uma análise mais
qualitativa, devem ser usados outros índices que tenham construído
mecanismos de feedback.

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:

L corrige o fundo do solo, C1 e C2 são coe cientes que corrigem a

dispersão do aerossol na atmosfera. O EVI padrão usado pela NASA no
sensor MODIS: L = 1, C1 = 6 e C2 = 7.5.

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

deserti cação, estimativa de produção de pastagens, avaliação de IAF,

análise da matéria orgânica do solo, monitoramento de seca e análise
da erosão do solo (Xue et al., 2017). MSAVI2 um bom índice para áreas
que não são completamente cobertas com vegetação e expuseram a
superfície do solo.

Alguma sensibilidade à fotossíntese é perdida, devido à correção do

brilho do solo. Por essa razão, o MSAVI2 é melhor usado em casos em
que há muito solo exposto, como em climas desérticos. Também é
bastante suscetível às condições atmosféricas, o que di culta sua
utilização para detecção de mudanças bi-temporais.

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.

O OSAVI é o índice de vegetação ajustado ao solo otimizado para

monitoramento agrícola. Em um estudo de 1996 realizado por
Rondeaux, descobriu-se que, para uso agrícola, o OSAVI superou todos
os outros índices (Rondeaux et al., 1996). Em geral, o OSAVI é mais
sensível à vegetação e mostra diferenças na vegetação melhor que o
SAVI. Assim como o EVI, o OSAVI funciona bem em áreas onde a
densidade da vegetação é alta (Rondeaux et al., 1996).

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).

Modelo de Densidade de Dossel de

Floresta (FCD)
O modelo de Densidade de Dossel de Floresta (FCD) foi originalmente
desenvolvido como uma ferramenta para avaliar o novo crescimento de
um dossel orestal em orestas tropicais exploradas. Utiliza apenas as
bandas do sensor landsat e modela a densidade do dossel utilizando
dados derivados de quatro índices: Índice de Vegetação Avançada
(AVI), Índice de Solo Desarmado (BI), Índice de Sombra ou Índice de
Sombra Escalado (SI, SSI) e Índice Térmico (TI ).

O Índice de Vegetação Avançada (AVI):

O Índice de Solo Desarmado (BI):

https://medium.com/regen-network/remote-sensing-indices-389153e3d947 9/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium

O Índice de Sombra (SI):

Figura 6 - Índices AVI, BI, SI e TI no modelo FCD (Rikimaru, 2002)

Compared to NDVI, the AVI reacts more sensitively to vegetation

quantity and is able to highlight subtle di erences in canopy density.
The Shadow Index (SI) increases as the forest density increases and
this shadow pattern a ects the spectral response. For example, young
and evenly spaced trees have a low canopy shadow index compared to
mature natural forest stands. The Bare Soil index (BI) enhances the
identi cation of bare soil areas and fallow lands. The Thermal Index
(TI) is the calibrated values of the thermal band and increases as the
vegetation quantity increases. It is lower inside the canopy of a forest
due to blocking and absorption of the sun’s rays and because of the
cooling e ect of evaporation from leaves. The TI is therefore used to
further di erentiate bare soil from grassland and forest. The below
gure demonstrates the interaction of the four di erent indices in the
FCD model (Azizia et al., 2008; Rikimaru et al., 2002; Baynes, 2004).

https://medium.com/regen-network/remote-sensing-indices-389153e3d947 10/14
28/11/2018 Índices de Detecção Remota - Regen Network - Medium

In their 2016 article, Akike & Samanta recommend the FCD

methodology for use in forest management activities with little need for
ground truth, which makes the FCD method e cient and e ective.
They recommended that this model be used to estimate forest canopy
density and possible forest loss in deforestation areas (Akike &
Samanta, 2016). Accordingly to Baynes in his 2004 article, the FCD
methodology successfully discriminates between forest types over a
wide range of heights as long as canopy closure was maintained. From
his observation, the FCD method appeared to be useful for analyzing
deforestation or conversion from native forest to plantations (Baynes,
2004).

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.

NASA, NASA, landsat.gsfc.nasa.gov/.

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

Azizia, Naja a , Sohrabia. “Forest canopy density estimating, using

satellite images”, Natural Resources and Marine Sciences Faculty of
Tarbiat Modares University — The International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences.
Vol. XXXVII. Part B8. Beijing 2008

Barsi, Julia, et al. “The Spectral Response of the Landsat-8 Operational

Land Imager.” Remote Sensing, vol. 6, no. 12, 2014, pp. 10232–10251.,
doi:10.3390/rs61010232.

Baynes, Jack. “Assessing Forest Canopy Density in a Highly Variable

Landscape Using Landsat Data and FCD Mapper Software.” Australian
Forestry, vol. 67, no. 4, 2004, pp. 247–253.,
doi:10.1080/00049158.2004.10674942.

Chang, Liu, et al. “A Review of Plant Spectral Re ectance Response to

Water Physiological Changes.” Chinese Journal of Plant Ecology, vol. 40,
no. 1, 2016, pp. 80–91., doi:10.17521/cjpe.2015.0267.

Hagen, Stephen C., et al. “Mapping Total Vegetation Cover Across

Western Rangelands With Moderate-Resolution Imaging
Spectroradiometer Data.” Rangeland Ecology &amp; Management, vol.
65, no. 5, 2012, pp. 456–467., doi:10.2111/rem-d-11–00188.1.

Kuzucu, A. Karakacan, and F. Bektas Balcik. “Testing The Potential Of

Vegetation Indices For Land Use/Cover Classi cation Using High
Resolution Data.” ISPRS Annals of Photogrammetry, Remote Sensing and
Spatial Information Sciences, IV-4/W4, 2017, pp. 279–283.,
doi:10.5194/isprs-annals-iv-4-w4–279–2017.

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.

Marsett, Robert, et al. “Remote Sensing for Grassland Management in

the AridSouthwest.” Rangelands, vol. 59, no. 5, 2006,
doi:10.2458/azu_jrm_v59i5_marsett.

Pettorelli, Nathalie. Normalized Di erence Vegetation Index. Oxford

University Press, 2013.

Qi, J. “Spatial and Temporal Dynamics of Vegetation in the San Pedro

River Basin Area.” Agricultural and Forest Meteorology, vol. 105, no. 1–
3, 2000, pp. 55–68., doi:10.1016/s0168–1923(00)00195–7.

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.

Rondeaux, Geneviève, et al. “Optimization of Soil-Adjusted Vegetation

Indices.” Remote Sensing of Environment, vol. 55, no. 2, 1996, pp. 95–
107., doi:10.1016/0034–4257(95)00186–7.

Torbick, Nathan, et al. “Regional Mapping of Plantation Extent Using

Multisensor Imagery.” Remote Sensing, vol. 8, no. 12, 2016, p. 236.,
doi:10.3390/rs8030236.

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