SENSORIAMENTO REMOTO 2019 ndices Fsicos ndices de vegetao
- Slides: 39
SENSORIAMENTO REMOTO 2019 Índices Físicos: Índices de vegetação Índices de solo Índices de Água Índices de Nuvens Prof. Jean Espinoza
Índices Físicos em SR • Desde a metade do século XX cientistas vêm modelando e extraindo diversos parâmetros biofísicos da vegetação através de técnicas de sensoriamento remoto; • Grande parte destes esforços tem sido direcionados para determinar índices de: – Vegetação; – Água; – Nuvens; – Solo; – Plâncton; – Rochas; – Etc. . TM_L 5: R/G/B-3/2/1 NDVI (ou IVDN)
• Estes Índices Físicos – medidas radiométricas adimensionais – determinam características físicas presentes nos dados coletados via SR; • Os Índices Físicos realçam as características de interesse (i. e. , Biomassa, CO 2, etc. ); NDWI – ESTUÁRIO DA LAGOA DOS PATOS NDWI a “h” da coluna d’água
• Através da correlação entre estes Índices Físicos e medidas físicas de interesse, é possível determinar medidas indiretas (i. e. , presença de vegetação, concentração de CO 2, profundidade de corpos d’água, etc. ); • A determinação destas informações é obtida através de sistemas lineares (ou não lineares) que correlacionam a o CD da imagem com o valor físico de interesse (i. e. , CD vs Concentração de CO 2)
PARTE 1 ÍNDICES FÍSICOS
Índices de vegetação • Indicam a abundância relativa de vegetação (ex. : Índice de Vegetação por Diferença Normalizada – NDVI ou IVDN), a atividade da vegetação, incluindo área foliar (ex. : Índice de Área Foliar - IAF), porcentagem de cobertura verde, etc.
SR Simple Ratio (ou RS – razão Simples) • Cohen (1991) sugere que o primeiro índice de vegetação verdadeiro foi a Razão Simples (SR); • Razão entre o fluxo radiante no infravermelho próximo e o fluxo radiante no vermelho, como descrito por Birth e Mc. Vey (1968); • Fornece relevantes informações sobre a biomassa da vegetação , sendo sensível a variações de biomassa para vegetações de grande biomassa, como florestas;
SR (ou RS) • É um índice físico utilizado no realce da presença de vegetação; • Considera a propriedade física da vegetação sadia em refletir fortemente radiações comprimentos de onda na faixa do infravermelho próximo (IVP); • Considera o fato de vegetações sadias absorverem quase a totalidade das radiações eletromagnéticas na faixa do visível;
• É determinado dividido-se, para um mesmo dado-imagem, o valor da radiância obtido pela reflexão difusa na faixa do IVP pela radiância coletada no mesmo dado-imagem na faixa do visível (Verde); • Considerando a maior reflectância na faixa do IVP do que no Visível, encontraremos valores maiores do que a unidade para a presença de vegetação saudável e entre zero e 1 para locais não vegetados (ou com vegetação fenescente).
SR (ou RS) • Matematicamente para qualquer sensor: SR = Valor_pixel(IVP)/Valor_pixel(Visível=verde) Ou para dados sensores TM/ETM+ da série LANDSAT: SR = Valor_Pixel(B 4)/Valor_Pixel(B 2) • Com isto obtemos uma imagem com a vegetação realçada e os demais alvos suavizados.
EXEMPLOS SR PARA A VEGETAÇÃO - BENTO GONÇALVES/RS (OLI - LANDSAT 8)
NDVI (ou IVDN): índice de vegetação por diferença normalizada • O NDVI é um índice de vegetação obtido pelo mesmo princípio físico do SR, mas com uma abordagem normalizada; • Este índice relaciona as bandas vermelha e infravermelho próximo; • Nos sensores TM e ETM+ da série de satélites LANDSAT são empregadas as bandas 3 e 4 (Banda vermelha e IVP, respectivamente);
• O primeiro relato de uso de NDVI foi em 1974 por Rouse et al. ; • A formulação do índice de diferença normalizada para vegetação foi proposta por Kriegler et al. em 1969 como forma de identificação automática de vegetação em dados de imageamento digital; • Este índice tem seus valores relacionados à quantidade de biomassa refletora de radiação em um certo pixel;
NDVI (ou IVDN): índice de vegetação por diferença normalizada • O NDVI é importante porque: – Mudanças sazonais e interanuais no desenvolvimento e na atividade da vegetação podem ser monitoradas (i. e. , ciclos fenológicos); – A razão reduz muitas formas de ruído multiplicativo (i. e. , diferenças de iluminação solar, sombras de nuvens, atenuações atmosféricas, variações topográficas, etc. ); • O NDVI é muito sensível a variações de substrato sob o dossel(i. e. , solos visíveis sob o dossel). Os valores de NDVI são particularmente altos com substratos mais escuros
NDVI (ou IVDN): índice de vegetação por diferença normalizada • O NDVI é um índice de vegetação obtido pelo mesmo princípio físico do SR, mas com uma abordagem normalizada; • Este índice relaciona as bandas vermelha e infravermelho próximo; • Nos sensores TM e ETM+ da série de satélites LANDSAT são empregadas as bandas 3 e 4, enquanto para o sensor OLI, utilizamos as bandas 4 e 5 (Banda do vermelho e IVP, respectivamente);
• O primeiro relato de uso de NDVI foi em 1974 por Rouse et al. ; • A formulação do índice de diferença normalizada para vegetação foi proposta por Kriegler et al. em 1969 como forma de identificação automática de vegetação em dados de imageamento digital; • Este índice tem seus valores relacionados à quantidade de biomassa refletora de radiação em um certo pixel;
SAVI Índice de Vegetação Ajustado para os Efeitos do Solo • Determinado pela expressão de HUETE (1988); • O IAF, definido como sendo a razão entre a área foliar de toda a vegetação por unidade de área utilizada por essa vegetação, foi calculado pela equação empírica de ALLEN et al. (2002);
• L é constante, cujo valor mais freqüentemente usado é 0, 5 (Accioly et al. , 2002; Boegh et al. , 2002; Silva et al. , 2005); • L relaciona a extinção diferencial do fluxo radiante a partir do dossel em direção ao substrato; • De forma geral, para os sensores TM e ETM+ L=0, 5 minimiza as variações de brilho, eliminando a necessidade de calibrações adicionais.
IAF índice de Área Foliar • Estima a cobertura em metros-quadrados por pixel proporcionada pela cobertura vegetal;
Tasseled Cap Transformação de dados proposta por Kauth e Thomas • Kauth e Thomas (1976) produziram uma transformação ortogonal dos dados MSS/LANDSAT originais para um novo espaço de 4 dimensões, passando a ser conhecida como “tasseled cap” ou “transformação de Kauth. Thomas”, que é constituída por quatro novos eixos: – Índice de brilho do solo (Brightness - B); – Índice de verdor da vegetação (Greenness - G); – Índice de material amarelo (yellow stuff – Y); – Inespecífico (none-such – N).
• Os nomes junto aos novos eixos indicam as características que os índices pretendem medir. ; • Segundo Crist e Kauth (1986) a transformação Tasseled cap para o sensor TM é; B = 0, 2909. TM 1+0, 2493. TM 2+0, 4806. TM 3+0, 5568. TM 4+0, 4438. TM 5+0, 1706. TM 7 G = -0, 2728. TM 1 -0, 2174. TM 2 -0, 5508. TM 3+0, 7221. TM 4+0, 0733. TM 5 -0, 1648 TM 7 W = 0, 1446. TM 1+0, 1761. TM 2+0, 3322. TM 3+0, 3396. TM 4 -0, 6210. TM 5 -0, 4186. TM 7 • A transformação “Tasseled cap”´é um índice de vegetação global, visando particionar os componentes referentes ao solo, a vegetação e a umidade em pixels individuais para dados TM/ETM+.
EXEMPLO TM_5 (LANDSAT): R/G/B – 3/2/1 => B - Solos G - vegetação W - Umidade
NDWI (ou IADN): índice de água por diferença normalizada • O NDWI é importante porque: – Permite estimar o conteúdo de água interno à vegetação, sendo muito úteis na agricultura como subsidio à cálculos de rendimento; – Muito útil para estimação de redes hidrológicas, gerando máscaras dos corpos d’água; – Altamente correlacionado com a coluna do corpo d’água (profundidade z), o que permite inferir a batimetria. • O NDWI acompanha melhor as variações da quantidade de água armazenada pela vegetação do que o NDVI (Jackson et al, 2004), sendo melhor indicado para este fim.
NDWI (ou IADN): índice de água por diferença normalizada • O NDWI pode ser determinado, empregando: • Já nos sensor OLI, teremos:
NDWI (ou IADN): índice de água por diferença normalizada • Para estimativas de batimetria, considera-se um decaimento exponencial entre a intensidade radiante refletida a partir do fundo de um corpo d’água e a profundidade deste; • Isto permite, a partir de dados pontuais de profundidade já conhecidos e as características da água observada (turbidez e densidade), estimar a profundidade de todo um corpo d’água imageado;
Imagens NDWI geradas a partir de dados TM_L 5, exibidas em escalas de cores (tabelas de cores)
NDSI (ou INDN): índice de neve por diferença normalizada • Permite o realce e a identificação da presença de neve e nuvens em imageamentos multiespectrais com cobertura do infravermelho e visível; • Um limiar (threshold) pode ser aplicado para separar os pixels de nuvens de neve em uma mesma cena; • O Algorítmo de detecção automática de nuvens proposto por Irish (2000) usou limiar de 0, 7 para o NDSI (este varia de -1 a 1);
NDSI (ou INDN): índice de neve por diferença normalizada • O valor ideal de NDSI varia de uma cena para outra; • Usualmente, o maior emprego do NDSI ocorre em dados MODIS e LANDSAT(TM e ETM+); • Provedores de imagens orbitais utilizam o NDSI para determinar a cobertura de nuvens sobre uma imagem;
• Para os Sensores TM e ETM+ (série LANDSAT): • Atualmente o NDSI é aplicado no monitoramento das coberturas de neve globais, estimando: – Albedo terrestre médio; – variáveis do balanço de radiação terrestre; – Impactos climáticos sobre a cobertura de gelo terrestre (Criosfera);
Exemplo do NDSI ETM+_L 7 B 4/B 3/B 2 R/G/B NDSI Realçado (*10)
PARA SABER MAIS: • Sensoriamento Remoto do Ambiente: Recursos Terrestres. Jensen, 2009. ISBN: 7885605070601; uma perspectiva em editora Parentese. • Novo, E. M. de M. Sensoriamento remoto: principios e aplicações. São Paulo. Edgard Blucher. 1989. 308 p. • EPIPHANIO, J. C. N. ; GLERIAN, J. ; FORMAGIO, A. R. ; RUDORFF, B. F. T. Índices de vegetação no sensoriamento remoto da cultura de feijão. Pesquisa Agropecuária Brasileira, v. 31, n. 6, p. 445 -454, 1996. • FONTANA, D. C. ; BERLATO, M. A. ; BERGAMASCHI, A. Relação entre índice de vegetação global e condições hídricas no Rio Grande do Sul. Pesquisa Agropecuária Brasileira, v. 33, n. 8, p. 1399 -1405, 1988. • HUETE, A. R. , 1988. A soil-adjusted vegetation index. Remote Sensing of Environment, Elsevier Science. Publishing Co. , New York, USA. 25: 295 -309.
PARTE 2 Temperatura e variáveis físicas monitoradas via Sensores Remotos
SENSORES REMOTOS APLICADOS PARA MENSURAR A TEMPERATURA • O que é a temperatura? • Medida indireta: Calor emitido • Problema: o Calor emitido é uma componente da Temperatura e da Emissividade do corpo (e); • Emissividade: Capacidade que um dado corpo tem de emitir energia radiante em comparação a energia emitida por um corpo ideal (corpo negro) a mesma temperatura.
TEMPERATURA – Dados LANDSAT • • - TM – L 5 Banda 6 (Banda Termal) Corrigir emissividade Via NDVI TIRS – L 8 BANDAS 10 e 11(Bandas Termais) Corrigir emissividade Via NDVI
A Emissividade Para a estimativa de emissividade da superfície terrestre, o método de Griend e Owe (1993), que utiliza uma correlação empírica entre emissividade e NDVI (Índice de Vegetação por Diferença Normalizada), foi usado. A estimativa de emissividade média das bandas 4 e 5 é expressa em função do NDVI: Para NDVI £ 0, 24, considerado como solo nu, e = 0, 94; Para NDVI > 0, 24, e = 1, 0094 + 0, 10824 log (NDVI) (2)
Temperatura de brilho Dados LANDSAT (TM ou TIRS)
Temperatura de Brilho (TB) Para a banda 10 do sensor TIRS do LANDSAT 8: TB 10=(k 2. /log(( k 1)+1). /TIRS 10 )))) Para a banda 11 do sensor TIRS do LANDSAT 8: TB 11=(k 2. /log((( k 1)+1). /TIRS 11 ))))
Conversão da Temperatura de Brilho em Temperatura de superfície Ts = e. TB • Emissividade = VIA NDVI e
Albedo (a) Medida de radiação Total refletida em função da radiação total incidente Para a imagem OLI LANDSAT 8 temos: a = 0, 300 x. OLI 02+0, 276 x. OLI 03 +0, 233 x. OLI 04+0, 143 x. OLI 05+ 0, 035 x. OLI 06+0, 012 x. OLI 07 Para outras imagens, devemos seguir o proposto por: Tasumi, M. ; Allen, R. G. ; Trezza, R. At-surface reflectance and albedo from satellite for operational calculation of land surface energy balance. Journal of Hydrologic Engineering, v. 13, n. 2, p. 51 -63, 2008.
- Coniugare verbo amare
- Indicativo futuro semplice
- Passato remoto italiano
- Pronomi indiretti
- Sensor remoto
- Congiuntivo essere avere
- Entorno remoto
- Participio passato
- Futuro semplice
- Conclusión de las 7 iglesias del apocalipsis
- Frasi con passato prossimo
- Passato remoto verbi regolari
- Charlar imperfect tense
- Isak 35 yayasan
- Wind energy science conference
- What is fcc form 499
- Iworid 2021
- Sap innovation awards
- Joanna has a total of 50 coins in her purse
- Nrg oncology semiannual meeting
- Pergub 126 tahun 2019
- Bexley e admissions
- Ebd 1 trimestre 2019
- Sql server 2019 bdc deployment
- Obob 2019
- Informe técnico 354-2019-servir/gpgsc
- Licenciatura por acuerdo 286
- Npapi plugin
- Rdso specification for blanket material
- Tema kempen galakan membaca 2021
- Vrije beroepen lijst
- Lightboard frq
- Barney os 2019
- Nwerc 2019
- Maakuntatilaisuudet 2019
- Lc 631
- 2019 msü taban puanları
- Stoc 2019
- Organigrama indra 2019
- Nyseslat turnkey training 2019