( PDF ) Estudo da contribuição do comportamento espectral de diferentes substratos do bioma pampa na componente espectral dos modelos agrometeorológicos-espectrais

ESTUDO DA CONTRIBUIÇÃO DO COMPORTAMENTO ESPECTRAL DE

DIFERENTES SUBSTRATOS DO BIOMA PAMPA NA COMPONENTE

ESPECTRAL DOS MODELOS AGROMETEOROLÓGICOS-ESPECTRAIS

FABRÍCIO DA SILVA TERRA

PORTO ALEGRE

2007

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

ii

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL (UFRGS)

CENTRO ESTADUAL DE PESQUISA EM SENSORIAMENTO REMOTO E

METEOROLOGIA (CEPSRM)

PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO

ESTUDO DA CONTRIBUIÇÃO DO COMPORTAMENTO

ESPECTRAL DE DIFERENTES SUBSTRATOS DO BIOMA

PAMPA NA COMPONENTE ESPECTRAL DOS MODELOS

AGROMETEOROLÓGICOS-ESPECTRAIS.

FABRÍCIO DA SILVA TERRA

Orientadora: Dr

a

. Dejanira Luderitz Saldanha

Dissertação apresentada como requisito parcial

Para a obtenção do grau de Mestre em

Sensoriamento Remoto, área de concentração

Sensoriamento Remoto Aplicado

a Recursos Naturais e do Ambiente

Porto Alegre, RS

Maio de 2007

iii

Este trabalho é dedicado aos meus pais

Lúcio Flávio Nazaret Terra e Tânia Mara da Silva Terra,

com amor do seu filho.

iv

“Pampa - matambre esverdeado dos costilhares do prata

que se agranda e se dilata de horizontes estaqueados,

couro recém pelechado que tem pátria nas raízes...”

Jayme Caetano Braum

v

AGRADECIMENTOS

Os agradecimentos são direcionados a todos que, de uma forma ou de outra, me

ajudaram no desenvolvimento desta dissertação de mestrado.

Aos meus pais, Lúcio Terra e Tânia Terra, e aos meus irmãos, pelo incentivo, dedicação

e apoio, pois sem eles este trabalho não teria sentido.

Gostaria de agradecer a família Albani pelo acolhimento, e em especial a minha

namorada, Patrícia Goularte Albani, pelo carinho, amor dedicado e compreensão nas

horas difíceis.

À minha orientadora, Prof

a

. Dr

a

. Dejanira Luderitz Saldanha, pelo empenho, dedicação,

confiança, e pela oportunidade de ampliar os meus horizontes e conhecimentos. À Prof

a

.

Dr

a

. Eliana Fonseca, do Departamento de Geografia, pelo apoio e sugestões, e pela

oportunidade de dar continuidade ao seu trabalho de doutorado.

Aos professores e colegas do curso de Pós-Graduação em Sensoriamento Remoto, do

CEPSRM / UFRGS, pelos ensinamentos, sugestões e dúvidas esclarecidas.

À Dr

a

Maria do Carmo Cunha, do Instituto de Geociência (UFRGS), pelo empenho e

ajuda nos trabalhos de campo e pelos materiais de pesquisa emprestados.

Ao pesquisador Dr. Lênio Soares Galvão, do Instituto Nacional de Pesquisas Espaciais

(INPE), pela ajuda na obtenção dos dados utilizados nesta dissertação e pelo apoio

durante a minha permanência no INPE.

Ao Instituto de Geociências (UFRGS) e ao Instituto Nacional de Pesquisas Espaciais

por me permitirem utilizar suas instalações laboratoriais, para a obtenção dos dados

necessários.

À coordenadoria do projeto “Mapeamento do Bioma Campos Sulinos”, pelo

financiamento dos trabalhos de campo. Ao Laboratório de Geoprocessamento, da

Faculdade de Biologia (UFRGS), coordenado pelo Prof. Henrich Hasenach, pelos dados

cedidos.

Aos amigos Samuel Beskow, Fábio Zanatta e Volnei Meneghette, e aos professores Dr.

Alfredo D’Ávila e Dr

a

. Ângela Maestrini, que mesmo distantes, em pensamento me

deram força para concluir esta jornada.

Aos mencionados aqui, e a todos que de alguma forma estiveram envolvidos neste

trabalho, o meu sincero muito obrigado.

vi

ESTUDO DA CONTRIBUIÇÃO DO COMPORTAMENTO ESPECTRAL DE

DIFERENTES SUBSTRATOS DO BIOMA PAMPA NA COMPONENTE

ESPECTRAL DOS MODELOS AGROMETEOROLÓGICOS-ESPECTRAIS

1

Autor: Fabrício da Silva Terra

Orientadora: Drª. Dejanira Luderitz Saldanha

SINOPSE

O objetivo do presente trabalho foi avaliar a contribuição de diferentes tipos de solo

na parcela espectral do modelo agrometeorológico-espectral JONG (Fonseca, 2004). Para

isso foi necessário analisar o comportamento espectral desses solos com relação à

mineralogia e parâmetros físico-químicos, caracterizando os substratos, e avaliando as

regiões espectrais mais sensíveis às variações da contribuição dos mesmos no modelo

JONG. Os solos analisados constituem-se no substrato do Bioma Pampa que ocorre na

porção centro sul do Estado do Rio Grande do Sul, distribuindo-se nas regiões

geomorfológicas denominadas Escudo Sul-rio-grandense e Depressão Periférica. Análises

de remoção do espectro contínuo, componentes principais e correlações foram aplicadas aos

espectros das amostras para auxiliar na caracterização. O modelo linear de mistura espectral

foi aplicado às imagens na tentativa de agrupar as unidades amostrais de acordo com a

semelhança nas proporções de solo e vegetação, a fim de verificar a participação do

substrato nas variáveis espectrais das imagens. As variáveis espectrais testadas foram

aquelas usadas por Fonseca (2004). Comprovando a influência do comportamento espectral

dos solos nas variações de brilho dos pixels amostrais, e buscando a inserção de outras

variáveis espectrais ao modelo JONG, foi proposto o cálculo da diferença entre os valores

de reflectância de superfície das unidades amostrais, e a comparação ao mesmo cálculo

entre as reflectâncias das respectivas amostras, buscando localizar as bandas mais sensíveis

às variações de albedo dos substratos. Uma nova parametrização do submodelo espectral foi

implementada e integrada à variável agrometeorológica, obtendo-se um modelo JONG

modificado. Concluiu-se que os solos analisados apresentaram grande contribuição à

reflectância dos pixels, exibindo alto albedo e bandas de absorção bem marcantes em 1400

nm, 1900 nm e 2200 nm. O método de remoção do espectro contínuo permitiu avaliar as

bandas de absorção e o relacionamento dessas com a presença de determinados elementos

químicos. O uso das componentes principais mostrou-se adequado na separação das

amostras com base nos espectros, possibilitando a formação de grupos por similaridade

espectral, química e mineralógica. O agrupamento das unidades amostrais permitiu a

comparação das grandezas espectrais testadas por Fonseca (2004) que mostraram-se

sensíveis as variações do comportamento espectral dos substratos. Da comparação entre as

diferenças nos valores de reflectância tanto das unidades amostrais quanto das amostras de

solo, a maior sensibilidade à variação de albedo dos substratos ocorreu, respectivamente,

nas bandas 4, 7, 5 e 3, do sensor Landsat 7/ETM+. Foi investigada a eficácia de novos

índices espectrais para representar a participação dos solos na componente espectral do

modelo JONG. As variáveis espectrais que melhor expressaram as variações da

disponibilidade inicial de forragem e a contribuição espectral dos diferentes solos foram: a

fração solo do modelo de mistura e os índices que relacionaram as bandas espectrais

susceptíveis a variação de brilho dos substratos. O modelo JONG modificado mostrou-se

sensível em representar a variabilidade espacial da disponibilidade de biomassa. A

utilização de uma base radiométrica fez-se importante no entendimento do comportamento

espectral dos solos visando considerar a contribuição desses ao Modelo JONG.

1

Dissertação de Mestrado em Sensoriamento Remoto, Centro Estadual de Pesquisa em Sensoriamento

Remoto, Curso de Pós Graduação em Sensoriamento Remoto da Universidade Federal do Rio Grande do

Sul. Porto Alegre/RS (107p.). Maio de 2007.

vii

SPECTRAL BEHAVIOR CONTRIBUTION OF DIFFERENT GROUND OF

THE BIOME PAMPA IN THE SPECTRAL COMPONENT OF THE

AGROMETEOROLOGICAL-SPECTRAL MODELS

1

Author: Fabrício da Silva Terra

Orientation: Drª. Dejanira Luderitz Saldanha

ABSTRACT

The objective of the present work was to evaluate the contribution of different soil

types in the spectral parcel of the JONG agrometeorological-spectral model (Fonseca,

2004). For this it was necessary to analyze the spectral behavior of these soils regarding to

mineralogy and parameters physicist-chemistries, characterizing ground, and evaluating the

regions most sensible to the contribution variations of the same ones in the JONG model.

The analyzed soil form the Biome Pampa’ grounds that occur in the portion south center of

the Rio Grande do Sul State, distributing itself in geomorphologic regions called Sul-rio-

grandense Shield and Peripherical Depression. Spectral continuum removal, principal

components analysis and correlations were applied to the spectra samples to help in the

characterization. Linear spectral mixture modeling was applied to the images in the attempt

to group the sample units in agreement the similarity between soil and vegetation

proportions in the pixel, in order to verify ground contribution in the spectral variable of

images. The spectral variable tested were the same used by Fonseca (2004). Proving the

influence of the soil spectral behavior in the brightness variations of the sample pixels, and

searching to insert others spectral variables in the JONG model, it was proposed the

difference calculation between the surface reflectance of the sample units, and the

comparison to the same calculation between the sample reflectance for the respective units,

in order to locate the bands most sensible to the ground albedo variations. New spectral

submodel parameterization was determined and integrated to the agrometeorological

variable, obtaining a modified JONG model. We conclude that the soils analyzed presented

great contribution to the pixels reflectance, showing high albedo and well-defined

absorption bands in 1400 nm, 1900 nm and 2200 nm. Analysis by continuum removal

allowed evaluating the absorption bands and the relationship of these with the concentration

of contents of chemical elements. The results of principal components showed adequate to

separate spectra samples in groups by spectral, mineralogical and chemical similarity. The

grouping of the sample units allowed the comparison of the spectral variables tested by

Fonseca (2004) that showed sensible to the spectral behavior variations of the grounds.

Comparison between differences in the reflectance values of the sample units and of the

respective soil samples showed that biggest sensibility to the ground albedo variations

occurred in the 4, 7, 5 and 3 bands, respectively. It was investigated the efficiency of the

new indices to represent the soil participation in the spectral component of the JONG

model. Spectral variables that best expressed to the availability variations of initial biomass

and the spectral contributions of the different soils were: soil fraction and indices that had

related the sensible spectral bands to the ground brightness variations. The modified JONG

model showed sensibility in representing the space variability of the biomass conditions.

The use of a radiometric base became important in the understanding of the soil spectral

behavior aiming at to consider the contribution of these to the JONG model.

1

Dissertation of Master of Science Degree in Remote Sensing, State Center for Remote Sensing and

Meteorolgy Research, Pos Graduate Course in Remote Sensing of the Universidade Federal do Rio

Grande do Sul. Porto Alegre/RS (107p.). May 2007.

viii

SUMÁRIO

Pág.

SINOPSE.........................................................................................................................vi

ABSTRACT...................................................................................................................vii

LISTA DE FIGURAS.....................................................................................................xi

LISTA DE TABELAS..................................................................................................xiii

LISTA DE SÍMBOLOS................................................................................................xv

LISTA DE SIGLAS E ABREVIAURAS...................................................................xvii

CAPÍTULO I – INTRODUÇÃO....................................................................................1

1.1. Tema...........................................................................................................................1

1.2. Justificativa.................................................................................................................2

1.3. Objetivos.....................................................................................................................3

1.4. Procedimentos Metodológicos...................................................................................3

CAPÍTULO II – FUNDAMENTAÇÃO TEÓRICA.....................................................6

2.1. Bioma Pampa..............................................................................................................6

2.2. Modelos agrometeorológicos-espectrais....................................................................9

2.2.1 Modelo agrometeorológico-espectral JONG..........................................................11

2.3. Interação da radiação eletromagnética com o dossel vegetal

e os solos subjacentes................................................................................................12

2.4. Espectrorradiometria de solos..................................................................................13

2.5. Pré-processamento e Processamento de imagens orbitais........................................18

2.5.1. Correção Geométrica.............................................................................................18

2.5.2. Correção Atmosférica............................................................................................19

2.5.3. Normalização Radiométrica..................................................................................21

2.5.4. Transformação Tasseled Cap.................................................................................23

2.5.5. Modelo Linear de Mistura Espectral (MLME)......................................................24

CAPÍTULO III – CARACTERIZAÇÃO DA ÁREA DE ESTUDO.........................26

3.1. Localização...............................................................................................................26

3.2. Clima........................................................................................................................27

3.3. Geologia e Geomorfologia.......................................................................................28

3.4. Características dos dosséis vegetais.........................................................................30

CAPITULO IV – COMPORTAMENTO ESPECTRAL DE DIFERENTES

SUBSTRATOS DO BIOMA PAMPA.........................................................................32

4.1. Obtenção dos dados das amostras de solo................................................................33

4.1.1. Coleta das amostras...............................................................................................33

ix

4.1.2. Classificação dos substratos..................................................................................33

4.1.3. Composição química das amostras de solo...........................................................35

4.1.4. Determinação dos constituintes mineralógicos das amostras de solo...................36

4.2. Espectroradiometria das amostras de solo................................................................37

4.3. Caracterização dos espectros das amostras...............................................................39

4.3.1 Remoção do espectro contínuo das feições de absorção........................................42

4.3.2. Determinação das feições de absorção..................................................................45

4.4. Agrupamento espectral das amostras de solo...........................................................49

4.4.1. Análise dos dados espectrais por Componentes Principais...................................49

4.4.2. Utilização da ACP e do FRB na formação dos grupos amostrais.........................53

4.5. Determinação das relações entre os constituintes químico-mineralógicos

e os espectros das amostras de solo...........................................................................58

CAPITULO V – INVESTIGAÇÃO DA PARTICIPAÇÃO DO SOLO NAS

VARIÁVEIS ESPECTRAIS DAS IMAGENS............................................................62

5.1. Determinação das variáveis espectrais nas áreas amostradas nas imagens..............62

5.1.1. Imagens utilizadas.................................................................................................62

5.1.2. Processamento das imagens para a determinação das variáveis espectrais...........64

5.1.2.1. Retificação geométrica.......................................................................................64

5.1.2.2. Correção dos dados orbitais para os efeitos de absorção e

espalhamento atmosféricos e padronização das imagens utilizadas....................64

5.1.2.3. Análise do comportamento espectral das unidades amostrais

para as diferentes datas de aquisição de dados orbitais......................................66

5.2. Processamento de imagens para o agrupamento das unidades amostrais.................68

5.2.1. Aplicação do Modelo Linear de Mistura Espectral (MLME)...............................68

5.2.2. Método de análise de agrupamento por k-médias.................................................71

5.3. Relações entre as variáveis espectrais do modelo JONG e as

variações de albedo dos substratos.........................................................................73

5.3.1. Diferenciação espectral das amostras de solo e das variáveis

nos diversos grupos................................................................................................73

5.3.2. Comparação entre os dados espectrais de laboratório e das imagens....................75

CAPÍTULO VI – INSERÇÃO DE NOVAS VARIÁVEIS ESPECTRAIS AO

MODELO JONG...........................................................................................................83

6.1. Seleção das variáveis espectrais e parametrização do submodelo espectral............83

6.2. Nova parametrização do submodelo espectral do modelo JONG............................85

6.2.1. Avaliação das equações resultantes do processo de parametrização.....................87

6.3. Integração do submodelo espectral ao agrometeorológico.......................................96

CAPÍTULO VII – CONCLUSÕES E RECOMENDAÇÕES.................................101

REFERÊNCIAS BIBLIOGRÁFICAS......................................................................103

ANEXO 1 – Coordenadas dos pontos de amostragem e

Descrição das classificações geológicas e de solos..................................114

ANEXO 2 – Análises de correlação linear com significância de 5%...........................118

x

ANEXO 3 – Parâmetros utilizados na determinação dos valores

de reflectância de superfície para as unidades amostrais..........................121

ANEXO 4 – Reflectância média de superfície referente

a cada unidade amostral............................................................................123

ANEXO 5 – Comportamento espectral das unidades

amostrais para os períodos estudados.......................................................125

ANEXO 6 – Resultados do teste de Tukey para a comparação

das reflectâncias médias das amostras......................................................130

ANEXO 7 – Resultados do teste de Tukey para a comparação

das reflectâncias médias de superfície das bandas

individuais (LANDSAT 7-ETM+) e variáveis

espectrais dentro de cada agrupamento....................................................133

ANEXO 8 – Comparação entre os valores médios de reflectância

dos solos e as variáveis espectrais das unidades amostrais......................169

ANEXO 9 – Relações entre as razões de bandas ETM+

e as reflectâncias das amostras de solo para

o mesmo agrupamento..............................................................................180

ANEXO 10 – Dados espectrais utilizados como variáveis

independentes no modelo de regressão linear múltiplo.........................184

xi

LISTA DE FIGURAS

Pág.

Figura 1.1 – Fluxograma dos procedimentos metodológicos............................................5

Figura 2.1 – Localização do Bioma Pampa. Fonte: IBGE (2004).....................................7

Figura 2.2 – Principais fitofisionomias campestres naturais

do Bioma Pampa. Fonte: Adaptada de IBGE (2004)...................................8

Figura 3.1 – Localização da região de estudo. Fonte: Adaptada

de Saldanha (2003).....................................................................................27

Figura 3.2 – Compartimentação Geomorfológica do Rio Grande

do Sul. Fonte: Adaptada de Fonseca (2003)..............................................29

Figura 4.1 – Recorte da carta geológica. Fonte: CPRM (2000)......................................34

Figura 4.2 – Recorte do mapa exploratório de solos.

Fonte: IBGE (2002)....................................................................................35

Figura 4.3 – Geometria de aquisição dos dados radiométricos.......................................38

Figura 4.4 – Espectros do Fator de Reflectância (FRB) das amostras de solo................39

Figura 4.5 – Feições de absorção em 2200nm, existentes nos argilos-minerais.

Fonte: Biblioteca espectral ENVI 4.2 (USGS)...........................................41

Figura 4.6 – Aplicação do método de remoção do espectro contínuo.............................43

Figura 4.7 – Espectros normalizados através do método de remoção

do contínuo para os comprimentos de onda entre 1364 a 1500nm............46

Figura 4.8 – Espectros normalizados através do método de remoção

do contínuo para os comprimentos de onda entre 1870 a 2008nm............47

Figura 4.9 – Espectros normalizados através do método de remoção

do contínuo para os comprimentos de onda entre 2160 a 2230nm............48

Figura 4.10 – Autovetores (E1 e E2) relacionados aos dois primeiros

componentes principais............................................................................. 49

Figura 4.11 – Diagrama de espalhamento dos escores componentes

principais das 15 amostras de solo.............................................................51

Figura 4.12 – Representação do ponto de inversão espectral dos valores

de reflectância para o conjunto de espectros amostrais

analisados com valores semelhantes de CP1..............................................53

Figura 4.13 – Coeficientes de correlação entre os elementos químicos

e valores de reflectância.............................................................................59

Figura 5.1 – Posicionamento de algumas unidades amostrais nas

imagens LANDSAT 7 de outubro, novembro e janeiro,

respectivamente, com composição R(4)G(5)B(3)......................................63

Figura 5.2 – Reflectância de superfície da unidade amostral 4

para as diferentes datas analisadas..............................................................67

Figura 5.3 – Comportamento espectral dos membros de referência

água, solo e vegetação, respectivamente, correspondentes

à imagem de janeiro....................................................................................69

Figura 5.4 – Relações entre a razão banda ETM+4 / banda ETM+5

e o FRB dos solos na banda 5 para o grupo 6.............................................80

Figura 6.1 – Valores observados da disponibilidade de forragem versus valores

estimados a partir da Equação A ajustada pelo método Stepwise..............89

Figura 6.2 – Valores observados da disponibilidade de forragem versus valores

estimados a partir da Equação C ajustada pelo método Stepwise..............90

xii

Figura 6.3 – Distribuição de resíduos pela disponibilidade de forragem

estimada pela Equação A............................................................................91

Figura 6.4 – Distribuição de resíduos pela disponibilidade de forragem

estimada pela Equação C............................................................................91

Figura 6.5 – Distribuição de resíduos pela variável independente

Banda ETM+5............................................................................................92

Figura 6.6 – Distribuição de resíduos pela variável independente

Razão ETM+4/ETM+3...............................................................................93

Figura 6.7 – Distribuição de resíduos pela variável independente

Razão ETM+4/ETM+7...............................................................................93

Figura 6.8 – Distribuição de resíduos pela variável independente

ND entre ETM+4 e ETM+7.......................................................................94

Figura 6.9 – Distribuição de resíduos pela variável independente

ND entre ETM+5 e ETM+3.......................................................................94

Figura 6.10 – Distribuição de resíduos pela variável independente

ND entre ETM+7 e ETM+3.......................................................................95

Figura 6.11 – Distribuição de resíduos pela variável independente

Índice SAVI (L:0,25)..................................................................................95

Figura 6.12 – Distribuição de resíduos pela variável independente

fração solo...................................................................................................96

Figura 6.13 – Comparação entre valores de disponibilidade final

de forragem estimados a partir do modelo JONG

modificado A e modelo JONG A...............................................................98

Figura 6.14 – Comparação entre valores de disponibilidade final

de forragem estimados a partir do modelo JONG

modificado A e modelo JONG B...............................................................98

Figura 6.15 – Comparação entre valores de disponibilidade final

de forragem estimados a partir do modelo JONG

modificado C e modelo JONG A...............................................................98

Figura 6.16 – Comparação entre valores de disponibilidade final

de forragem estimados a partir do modelo JONG

modificado C e modelo JONG B................................................................98

xiii

LISTA DE TABELAS

Pág.

Tabela 4.1 – Rochas subjacentes, unidades geológicas

e classes de solo..........................................................................................35

Tabela 4.2 – Composição química para elementos maiores,

em porcentagem..........................................................................................36

Tabela 4.3 – Mineralogia das amostras analisadas por

difratometria de raio-x................................................................................36

Tabela 4.4 – Composição química dos minerais e

argilominerais encontrados.........................................................................37

Tabela 4.5 – Valores de profundidade (altura) e área das bandas de

absorção, obtidos pelo método de remoção do contínuo............................44

Tabela 4.6 – Valores de coeficientes de correlação linear entre os atributos

químicos e os valores resultantes do método do espectro contínuo...........46

Tabela 4.7 – Resultados da análise e estatísticas (Média e Desvio Padrão) dos

agrupamentos por k-médias para os valores de CP1 e CP2......................54

Tabela 4.8 – Valores de reflectância correspondentes

às bandas do sensor ETM+.........................................................................55

Tabela 4.9 – Resultados da análise e estatísticas dos agrupamentos

por k-médias para os valores de CP1.........................................................55

Tabela 4.10 – Resultados da análise e estatísticas dos agrupamentos

por k-médias para os valores de reflectância correspondentes

às sete bandas do sensor ETM+..................................................................56

Tabela 4.11 – Porcentagem dos constituintes químicos dos

grupos de amostras de menor albedo..........................................................57

Tabela 5.1 – Valores resultantes do Modelo Linear de Mistura Espectral

para os meses de outubro, novembro e janeiro...........................................70

Tabela 5.2 – Resultados da análise e estatísticas dos agrupamentos

por k-médias para os valores de fração vegetação e solo...........................71

Tabela 5.3 – Resultados do teste de Tukey para a comparação

das reflectâncias médias das amostras correspondentes

ao intervalo 450 a 520nm (Banda 1)..........................................................74

Tabela 5.4 – Resultados do teste de Tukey para a comparação

das reflectâncias médias de superfície correspondentes

à banda 1 (485nm) do grupo 2....................................................................74

Tabela 5.5 – Comparação entre os valores médios de reflectância

dos solos e as variáveis espectrais das unidades

amostrais para o grupo 2.............................................................................76

Tabela 5.6 – Valores resultantes da diferença entre as reflectâncias

das unidades amostrais e dos espectros de solo, para

as bandas individuais..................................................................................78

Tabela 6.1 – Equações para a estimativa da disponibilidade inicial de

forragem, geradas pelo método Stepwise, e o valor do

coeficiente de correlação linear múltiplo (R).............................................85

Tabela 6.2 – Equações para a estimativa da disponibilidade inicial de

forragem, anteriormente geradas para o trabalho

de Fonseca (2004).......................................................................................85

xiv

Tabela 6.3 – Resultados do teste de significância para as variáveis

independentes das Equações A e C, com um nível mínimo

de significância de 5%................................................................................87

Tabela 6.4 – Variáveis agrometeorológicas usadas no cálculo da

disponibilidade final de Biomassa..............................................................97

xv

LISTA DE SÍMBOLOS

a – Coeficiente linear empírico da regressão linear

A

ij

– Reflectância espectral do componente j na banda i

AQ – Areia quartzosa

b – Coeficiente angular empírico da regressão linear

b

k

– Coeficiente do modelo de regressão linear múltiplo

C – Conjunto de pixels claros

CB - Cambissolo

Cfb – Clima temperado úmido

CP1 – Primeira Componente Principal

CP2 – Segunda Componente Principal

c

TC,n

– Coeficientes para o cálculo da transformação Tasseled Cap

d – Distância sol-terra em unidades astronômicas

D

B

– Profundidade de Banda

D

^

F – Estimativa da disponibilidade de forragem

DF

0

– Disponibilidade incial de forragem

DF

n

– Disponibilidade final de forragem

e

i

– Termo erro para a banda i

e

j

– Resíduo da estimativa j

E – Conjunto de pixles escuros

E

1

– Primeiro Autovetor

E

2

– Segundo Autovetor

ESUN – Irradiância solar no topo da atmosfera

Im

TC

– Imagem resultante da transformação Tasseled Cap

L – Radiância espctral detectada pelo sensor

La – Radiância retroespalhada pela atmosfera

LMAX – Radiância espectral máxima

LMIN – Radiância espectral mnima

L

placa

– Radiância espectral da placa de referência

L

solo

– radiância espectral do solo

LV – Latossolo vermelho-amarelo

m

i

– Coeficiente angular da equação de normalização

nm – nanômetros

xvi

PV – Podzólico vermelho-amarelo

PZ - Podzol

r – Coeficiente de correlação linear simples

R – Coeficiente de correlação linear múltilo

R

i

– Reflectância espectral média para a banda i

R

B

– Reflectância no centro da banda

R

C

– Refelctância do contínuo no centro da banda

S – Imagens a serem normalizadas

VE

o

– Variável espectral genérica

VE

k

– Variável Espectral Independente

X

i

– Valor original do pixel da banda i

X

*

i

– Valor normalizado do pixel da banda i

Y

j

– Proporção do componente j no pixel

α – Nível de significância

β

k

– Parâmetro do modelo de regressão linear múltiplo

λ – Comprimento de onda

ε

CA

– Eficiência de conversão da radiação solar incidente em fitomassa aérea

ε

j

– Erro aleatório ou resíduo

µm – Micrômetros

ρ – Reflectância

ρ

p

– Reflectância aparente

ρ

p

– Reflectância média da superfície

θ – Ângulo zenital solar em graus

xvii

LISTA DE SIGLAS E ABRAVIATURAS

ACP – Análise por Componentes Principais

BRAMS – Brazilian Regional Atmospheric Modeling System

CLS – Constrained Least-Square

CONAB – Companhia Nacional de Abastecimento

CPRM – Companhia de Pesquisa de Recursos Minerais

DAF – Distribuição Angular Foliar

DF – Disponibilidade de Forragem

DNMET – Departamento Nacional de Meteorologia

DP – Desvio Padrão

Embrapa – Empresa Brasileira de Pesquisa Agropecuária

ENVI – Environment for Vizualizing Images

ETM+ - Enhanced Thematic Mapper Plus

ETP – Evapotranspiração potencial

ETR – Evapotranspiração real

FCA – Fator de Calibração Absoluta

FLAASH – Fast Line-of-sight Atmospheric Analisys of Spectral Hypercubes

FOV – Field of View

FPIs – Feições Pseudo-Invariantes

FRB – Fator de Reflectância Bidirecional

GPS – Global Position System

GVI – Índice de Vegetação Global

IAF – Índice de Área Foliar

IBAMA – Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis

IBGE – Instituto Brasileiro de Geografia e Estatística

IFOV – Instantaneous Field of View

INPE – Instituto Nacional de Pesquisas Espaciais

IV – Índice de Vegetação

JONG – José Otávio Neto Gonçalves

LARAD – Laboratório de Radiometria

LEGAL – Linguagem Espacial para Álgebra de Mapas

MAD – Multivariate Alteration Detection

MLME – Modelo Linear de Mistura Espectral

xviii

MMA – Ministério do Meio Ambiente

MODIS – Moderate Resolution Imaging Spectroradiometer

MODTRAN4 – Moderate resolution atmospheric transmittance and radiance code

NASA – National Aeronautics and Space Administration

ND – Diferença Normalizada

NDVI – Índice de Vegetação por Diferença Normalizada

NIR – Infravermelho próximo

PAR – Radiação fotossinteticamente ativa

PF – Perda ao Fogo

PVI – Índice de Vegetação Perpendicular

REM – Radiação Eletromagnética

SAVI – Índice de Vegetação Ajustado para o Solo

SPSS – Statistical Package for the Social Sciences

Spring – Sistema de Processamento de Informações Georreferenciadas

SVD – Singular Value Decomposition

5S – Simulation of the Satellite in the Solar Spectrum

6S – Second Simulation of the Satellite in the Solar Spectrum

TM – Thematic Mapper

UFRGS – Universidade Federal do Rio Grande do Sul

UTM – Universal Transverse Mercator

USGS – United States Geological Survey

VNIR – Visível e infravermelho próximo

VIS – Visível

VE – Variável Espectral genérica

WLS – Weighted Least-Square

WRS – World Reference System

1

CAPÍTULO I

INTRODUÇÃO

1.1. Tema

O sistema de previsão da produtividade agrícola no Brasil tem se tornado cada

vez mais eficaz com relação à previsão e rapidez, tendo em vista o desenvolvimento de

técnicas e modelos de estimativas de produtividade agrícola.

Esses modelos, denominados agrometeorológico-espectrais, integram os

submodelos: agrometeorológico e espectral, com dados de produtividade vegetal e de

informações espectrais da vegetação. Além de melhorar as previsões de produção

agrícola, esses modelos podem ser utilizados para monitoramento e análise qualitativa

da vegetação e como indicativos das condições de sanidade vegetal.

Neste tipo de modelo, a componente agrometeorológica relaciona variáveis

meteorológicas (radiação solar, precipitação pluvial, temperatura, umidade relativa do ar

e velocidade do vento) com os processos fisiológicos das plantas (fotossíntese,

respiração e evapotranspiração), através de simulações. A componente espectral, por

sua vez, é responsável pela quantificação inicial e monitoramento da vegetação, em uma

determinada região. Esta variável é obtida por meio de sensores eletro-ópticos, que

geram imagens digitais multiespectrais a partir da detecção da radiação eletromagnética

(REM) refletida pelos alvos localizados na superfície terrestre, em específicas regiões

do espectro eletromagnético. Em geral, essa componente é medida nas regiões

espectrais que correspondem à banda do vermelho (λ = 0,63 – 0,69µm) e do

infravermelho próximo (λ = 0,76 – 0,9µm) onde ocorre a interação da vegetação com a

REM proveniente do sol de forma inversa. Há intensa absorção da REM nos

comprimentos de onda que correspondem ao vermelho e intensa reflexão na região do

2

infravermelho próximo. A partir deste comportamento espectral, as imagens digitais são

processadas no sentido de realçar o contraste da vegetação com os alvos circundantes.

As imagens geradas são denominadas índices de vegetação (IV). Estas imagens tem

sido utilizadas para a parametrização da parcela espectral dos modelos

agrometeorológicos-espectrais existentes.

Na presente pesquisa pretende-se investigar o modelo agrometeorológico-

espectral denominado JONG, proposto por Fonseca (2004), na avaliação da vegetação

estépica do Bioma Pampa.

1.2. Justificativa

O Bioma Pampa, alvo deste estudo, é constituído pelas formações campestres,

com predomínio de gramíneas gerando uma tipologia de vegetação aberta mapeada

como estepe. São campos naturais que ocorrem exclusivamente no estado do Rio

Grande do Sul e fazem parte do conjunto dos seis biomas brasileiros, classificados pelo

Ministério do Meio Ambiente (MMA) e mapeado em parceria com o Instituto Brasileiro

de Geografia e Estatística (IBGE). Segundo esse instituto, o bioma ocupa 63% do

estado, onde as pastagens naturais perfazem 44% da cobertura vegetal, correspondendo

a 70% do total de área destinada à pecuária na Região Sul do Brasil. A utilização das

pastagens como suporte alimentar para a produção pecuária é muito comum na região

tendo em vista o alto valor forrageiro existentes neste bioma devido à diversidade de

seus constituintes vegetais (Fonseca, 2004). Estima-se que, entre 1970 e 2005, 4,7

milhões de hectares desse Bioma foram convertidos em outros usos (Embrapa, 2007).

Com o objetivo de estimar a disponibilidade anual de forragem da vegetação

campestre estudada, Fonseca (2004) desenvolveu um modelo agrometeorológico-

espectral, denominado JONG (José Otávio Neto Gonçalves), com base nos

conhecimentos de agrometeorologia, fisiologia vegetal e comportamento espectral do

Bioma Pampa, integrando os dados radiométricos, provenientes do sensoriamento

remoto orbital, com variáveis agrometeorológicas, atuantes no sistema solo-planta-

atmosfera.

Na parametrização do submodelo correspondente à variável espectral, Fonseca

(2004) observou através de análises estatísticas que, além do manejo da atividade

pastoril, o tipo de solo subjacente também influenciou diretamente a resposta espectral

da vegetação.

3

Baseado na hipótese de que a parcela espectral admite diferentes componentes

contribuindo para a formação do sinal detectado pelo sensor na geração do pixel, torna-

se necessária a investigação do tipo de dossel e do tipo de substrato que coexistem na

geração desta variável. É certo, portanto, que diferentes alvos influenciam na acurácia

das respostas do submodelo espectral. Assim, justifica-se, neste trabalho, a continuidade

visando o aprimoramento do modelo JONG pela análise e inserção de fatores espectrais

que correspondem às características espectrais dos diferentes solos subjacentes aos

campos da área de estudo.

1.3. Objetivos

É objetivo do presente trabalho avaliar a contribuição de diferentes tipos de

solos na parcela espectral do modelo agrometeorológico-espectral JONG com a inclusão

de novas variáveis espectrais sensíveis à variação dos substratos, e não consideradas no

estudo prévio, aperfeiçoando e melhorando o desempenho desse modelo na área de

estudo.

Com relação aos objetivos específicos, pretende-se analisar:

- o comportamento espectral dos diferentes tipos de solos e sua relação com a

mineralogia e alguns de seus parâmetros químicos;

- as regiões espectrais que definem a melhor separabilidade espectral entre os diferentes

substratos e

- como essas características espectrais dos diversos substratos contribuem para o

refinamento do modelo JONG.

Espera-se que esta avaliação contribua para o desenvolvimento de pesquisas que

envolvam o desempenho desses modelos, que têm sido utilizados para previsões de

produtividade vegetal, no monitoramento da vegetação e também como indicadores da

composição dos constituintes vegetais e das condições de sanidade da vegetação.

1.4. Procedimentos Metodológicos

Os métodos utilizados no presente estudo agregam etapas e técnicas de trabalho

de diversas naturezas, a saber:

A - pesquisa bibliográfica sobre: a) modelos agrometeorológicos-espectrais; b) natureza

fisiográfica da área (geologia, geomorfologia, clima e aspectos da cobertura vegetal); c)

comportamento espectral de solos e rochas; d) processamento de imagens digitais.

4

B - levantamento de campo para definir a área de ocorrência do bioma a ser estudado.

Nesta etapa houve a preocupação em buscar locais para amostragem com

diversos substratos visando testar o modelo agrometeorológico-espectral JONG. Ainda

nesta fase foram avaliados outros parâmetros fisiográficos como morfologia do terreno,

análise qualitativa e quantitativa da vegetação, características físicas dos solos

(granulometria, homogeneidade, coloração, presença de matéria orgânica) e sua

vinculação aos substratos geológicos.

C - procedimentos laboratoriais de análises: a) secagem, quarteamento e pulverização

manual das amostras de solo; b) determinação da composição química das amostras por

espectrometria de fluorescência de Raios-X e gravimetria para dosagem de H

2

O junto

ao Laboratório de Geoquímica do Instituto de Geociências da UFRGS; c) determinação

da composição mineralógica por Difratometria de Raios-X, em um conjunto de

amostras selecionadas; d) espectrorradiometria das amostras de solo secas e peneiradas,

para remoção de partículas acima de 2mm, junto ao Laboratório de Radiometria

(LARAD) do Instituto de Pesquisas Espaciais (INPE).

D - processamento dos dados espectrais no Programa SPSS 11.0; processamento das

imagens orbitais do sensor Landsat 7/ETM+, datadas de 2/10/2002, 19/11/2002 e

6/1/2003, nos Programas ENVI 4.2 e Spring 4.2; e experimentação do modelo JONG

por meio de testes estatísticos a partir dos dados acima descritos e validação dos

resultados por meio do Programa STATISTICA 6.0. O fluxograma geral dos

procedimentos metológicos encontra-se na Figura 1.1.

5

Figura 1.1 – Fluxograma dos procedimentos metodológicos.

Obtenção das

Amostras de solo

Classificação dos

substratos

Composição

química

Composição

mineralógica

Espectrorad.

das amostras

Caracterização dos

espectros amostrais

Agrupamento dos

espectros amostrais

Obtenção das

imagens

Processamento das

imagens orbitais e

Determinação das

variáveis espectrais

Aplicação do

modelo linear de

mistura espectral

(MLME)

Agrupamento das

unidades amostrais

Relações:

Variáveis espectrais

x

Variações de albedo dos substratos

Investigação da participação do

solo nas variáveis espect.

Determinação

de

novas va

ri

áveis

espectrais

Inserção de novas variáveis

espectrais ao modelo JONG

Nova parametrização do submodelo

espectral do modelo JONG

Avaliação dos resultados do

processo de parametrização

6

CAPÍTULO II

FUNDAMENTAÇÃO TEÓRICA

Neste capítulo, serão abordados tópicos que fornecem o suporte teórico deste

trabalho. Nesse sentido, será descrito o Bioma Pampa, sobre o qual se desenvolve este

estudo e os modelos agrometeorológicos-espectrais, aos quais é intenção agregar novas

variáveis, buscando seu melhor desempenho. Além desses, serão abordados tópicos

teóricos sobre: a interação da radiação eletromagnética com o dossel vegetal e solos

subjacentes, a espectrorradiometria de solos e procedimentos empregados em sua

análise e o processamento de imagens digitais.

2.1. Bioma Pampa

O Bioma ocorre apenas no Estado do Rio Grande do Sul, abrangendo

principalmente a metade sul do Estado, conforme Figura 2.1. Constitui a porção

brasileira dos Pampas Sul-Americanos que se estendem pelos territórios do Uruguai e

Argentina, onde são classificados como Estepe no sistema fitogeográfico internacional

(Veloso et al., 1991).

7

Figura 2.1 – Localização do Bioma Pampa. Fonte: IBGE (2004).

O Bioma Pampa compreende um conjunto ambiental onde ocorrem diferentes

litologias e solos, recobertos por fitofisionomias campestres com tipologia vegetal

dominante herbáceo/arbustiva, recobrindo as superfícies de relevo plano e suave

ondulado e ondulado. Conforme IBGE (2004), o conjunto das quatro principais

fitofisionomias campestres naturais que formam o Bioma Pampa são: Planalto da

Campanha, Depressão Central, Planalto Sul-rio-grandense e Planície Costeira (Figura

2.2). Este bioma limita-se ao norte com o Bioma Mata Atlântica.

8

Figura 2.2 – Principais fitofisionomias campestres naturais do Bioma Pampa. Fonte:

Adaptada de IBGE (2004).

As formações florestais, pouco expressivas neste bioma, restringem-se à vertente

leste do Planalto Sul-rio-grandense e às margens dos principais rios e afluentes da

Depressão Central. As paisagens campestres do bioma são naturalmente invadidas por

continentes arbóreos representantes da Floreta Estacional Decidual e Ombrófila Densa,

caracterizando um processo de substituição natural das estepes por formações florestais,

em função da mudança do clima frio e seco por quente e úmido (Embrapa, 2007).

A vocação da região do bioma está na pecuária de corte. As técnicas de manejo

adotadas, porém, não são adequadas para as condições desses campos. As pastagens

são, em sua maioria, utilizadas sem grandes preocupações com a recuperação e a

manutenção da vegetação. Os campos naturais no Rio Grande do Sul são geralmente

explorados sob pastoreio contínuo e extensivo. Outras atividades econômicas

importantes, baseadas na utilização dos campos, são as culturas de arroz, milho, trigo e

9

soja, muitas vezes, praticadas em associação com a criação de gado bovino e ovino

(IBAMA, 2006).

2.2. Modelos agrometeorológicos-espectrais

Estes modelos integram submodelos agrometeorológicos de produtividade

vegetal com as informações espectrais da vegetação, obtidas por sensores remotos

orbitais, visando aumentar a exatidão das informações geradas (King, 1989), e

possibilitar o monitoramento da vegetação nos diferentes estágios do ciclo fenológico,

informando a ocorrência de problemas que possam influenciar na produtividade

(Fontana et al., 2000).

Segundo Steffen et al. (1996), a reflectância espectral de objetos terrestres,

naturais ou artificiais, está fortemente associada às suas propriedades de natureza físico-

química e é determinante na aparência que estes objetos apresentam nas imagens dos

sensores remotos. Por essa razão, os dados de sensoriamento remoto, quando inseridos

nos modelos agrometeorológicos, permitem uma maior compreensão dos resultados

obtidos pela aplicação desses modelos de produtividade já existentes. Foram, então,

sugeridas diferentes aplicações para os dados radiométricos, quando integrados com os

modelos de produtividade vegetal, tais como, estimativa de variáveis biofísicas

(disponibilidade de biomassa, índice de área foliar, taxa de crescimento da vegetação) a

partir das relações entre estas variáveis e a resposta espectral da vegetação (Plummer,

2000).

Conforme Melo (2003), torna-se comum a utilização da reflectância de

superfície para estudos de vegetação tendo em vista o comportamento espectral deste

alvo ser facilmente distinguido dos demais. Os valores de reflectância da vegetação

podem ser transformados em índices de vegetação e utilizados para estabelecer padrões

de crescimento e desenvolvimento ao longo do tempo.

Rudorff e Batista (1990) avaliaram o potencial da utilização de dados espectrais,

como os índices de vegetação, para estimar os rendimentos da cultura de trigo, no

Estado de São Paulo, obtendo coeficientes de correlação de 0,82 e 0,93 entre os índices

de vegetação e o rendimento final dos grãos. Concluem que a energia refletida em

determinados estágios de desenvolvimento e em certos comprimentos de onda tem boa

relação com os rendimentos finais da cultura.

Em um estudo preliminar, Fontana (1995) correlacionou o GVI (índice de

vegetação global) com os rendimentos do cultivo da soja nos anos de 1983 a 1986,

10

apresentando bons índices de correlação. Conclui, ainda neste estudo, que em anos de

déficit hídrico os valores de GVI foram menores, e que a disponibilidade hídrica é uma

variável eficiente para indicar as variações no rendimento da soja no Rio Grande do Sul.

Fontana e Berlato (1998) testaram o uso de um modelo agrometeorológico-

espectral para estimar o rendimento da soja no Rio Grande do Sul. Verificaram que a

disponibilidade hídrica é o fator mais importante na definição do rendimento da cultura,

sendo esta constatação expressa tanto na componente agrometeorológica como na

espectral. Também foram verificadas melhorias de 6 a 12% na estimativa de rendimento

a partir da incorporação da componente espectral ao modelo agrometeorológico.

Trabalhando no desenvolvimento de um modelo agrometeorológico-espectral de

estimativa do rendimento da soja no Rio Grande do Sul, Melo (2003) verificou uma

melhoria na acurácia das estimativas de rendimento ao inserir o termo espectral (NDVI

– índice de vegetação por diferença normalizada) ao termo agrometeorológico do

modelo multiplicativo de Jensen (1968), modificado por Berlato (1989).

A avaliação da produtividade da vegetação dos campos naturais dos Estados

Unidos, realizada a partir de algoritmos construídos com os dados do sensor MODIS

(Moderate Resolution Imaging Spectroradiometer), Reeves et al. (2001), considerou

apenas a transformação da radiação fotossinteticamente ativa em biomassa vegetal. Em

função dos resultados alcançados, esses autores concluíram que, para estimar a real

produtividade vegetal por meio desses algoritmos, é preciso integrar os dados

meteorológicos.

Nouvellon et al. (2001) desenvolveram um modelo agrometeorológico espectral

estatístico empírico para a estimativa da produtividade de vegetação campestre em

escala regional, a partir de dados obtidos por um espectrorradiômetro portátil

adaptando-o para ser utilizado com imagens orbitais multiespectrais. O modelo simulou

o crescimento da planta e o balanço hídrico por meio das variáveis meteorológicas.

Utilizando valores de evapotranspiração, simulados pelo modelo BRAMS

(Brazilian Regional Atmospheric Modeling System), e valores espectrais provenientes

de imagens NDVI (Normalized Difference Vegetation Index), em um modelo de

estimativa de rendimento de soja no Rio Grande do Sul, Marchiori (2006) encontrou

resultados parciais de rendimento compatíveis aos fornecidos pela CONAB (Companhia

Nacional de Abastecimento), demonstrando a possibilidade de integração de dados

espectrais e agrometeorológicos obtidos pelo modelo BRAMS.

11

2.2.1. Modelo agrometeorológico-espectral JONG

Fonseca (2004) definiu um modelo agrometeorológico-espectral, denominado

JONG , para a estimativa do acúmulo de forragem em uma unidade homogênia do

Bioma Campos Sulinos. O modelo foi desenvolvido a partir de dois submodelos: o

agrometeorológico que estima a produção de forragem, ao qual foi integrado o

espectral. Este último indica a disponibilidade inicial de forragem, sobre a qual atuam

os fatores agrometeorológicos que definem o crescimento da vegetação, quais sejam:

radiação fotossinteticamente ativa incidente, evapotranspiração potencial e real.

O modelo JONG é representado pela Equação 2.1:

n

DF

n

= ((a + b . VE

o

) + ε

CA

. ΣPAR) . ETR/ETP (2.1)

t = 0

Onde, DF

n

é a disponibilidade final de forragem, a e b são respectivamente os

coeficientes linear e angular empíricos da regressão linear, VE

o

é a variável espectral

genérica, ε

CA

é a eficiência de conversão da radiação solar incidente em fitomassa aérea,

PAR é a radiação fotossinteticamente ativa incidente, ETR e ETP são as

evapotranspirações real e potencial, respectivamente.

Para o submodelo espectral (a + b . VE

o

), Fonseca (2004) testou diversos valores

de variáveis espectrais: as bandas individuais 3, 4, 5 e 7 do sensor ETM+, os índices de

vegetação (NDVI e SAVI), as diferenças normalizadas entre a bandas (ND 45, ND47,

ND 53 e ND 73), as variáveis espectrais oriundas da transformação Tasseled Cap

(Brigthness, greenness, wetness, quarta, quinta e sexta componentes) e as bandas do

Modelo de Mistura Espectral. Destes valores, concluiu que as variáveis espectrais mais

eficientes em representar a condição inicial da vegetação no modelo estudado, foram a

reflectância espectral das bandas 3 e 7 e a componente wetness da transformação

Tasseled Cap.

Segundo Fonseca et al. (2005), quando da parametrização do modelo JONG

utilizado para o Bioma Campos Sulinos, as análises permitiram concluir que o tipo de

solo influencia diretamente na resposta espectral da vegetação. Nesse sentido, é

importante o estudo da contribuição espectral do solo quando se pretende estudar o

submodelo espectral como fator que descreve a disponibilidade inicial de biomassa nos

modelos agrometeorológicos-espectrais para a previsão de produtividade.

12

2.3. Interação da radiação eletromagnética com o dossel vegetal e solos

subjacentes

O fluxo da REM (Radiação Eletromagnética) solar incidente no dossel, em

direção ao solo, e o conseqüente fluxo de energia refletida em direção ao sensor, não

dependem somente das propriedades de espalhamento e de absorção dos elementos da

vegetação, mas também da densidade e orientação espacial de seus constituintes. Estes

elementos definem a arquitetura da vegetação que pode ser avaliada por meio do Índice

de Área Foliar (IAF), que representa a razão entre a área do elemento pela área do

terreno, e da Distribuição Angular Foliar (DAF), caracterizada por uma função

densidade de distribuição da inclinação e do azimute das folhas. Esse último índice

varia com o tipo de vegetação, planófila, erectófila, extremófila, uniforme ou esférica,

conforme Ponzoni (2001). Além destas características arquitetônicas, as propriedades de

reflectância dos dosséis variam conforme as propriedades de reflectância dos solos

abaixo do dossel, quantidades de fluxo de energia direta e/ou difusa incidente no dossel

e segundo a variação do ângulo zenital solar que forma a geometria de visada do sensor

(Jensen, 2000).

A irradiância que penetra no dossel irá interagir com este e, dependendo da

densidade vegetal ou da biomassa, pode também interagir com o substrato formado pelo

solo. Estas interações com o solo tornam-se cada vez menores com o aumento da

biomassa ou densidade vegetal até que a reflectância espectral corresponda apenas à

parte superior do dossel. Portanto, a contribuição relativa espectral do solo, para a

contribuição do espectro do dossel, é inversamente relacionada à densidade de

vegetação ou biomassa (Tucker e Miller, 1977).

Um dos maiores problemas em determinar a quantidade de vegetação verde,

usando sensores orbitais, é que o tamanho do pixel, utilizado para o mapeamento dos

dosséis, supera as dimensões dos indivíduos vegetais. Portanto, nos pixels ocorre uma

integração de subpixels que representa a integração das diferentes reflectâncias dos

comportamentos do solo e da vegetação, além das sombras internas do dossel, tudo

modificado pela atmosfera (Jasinski e Eagleson, 1989).

Várias pesquisas foram feitas com relação aos efeitos do substrato nos valores de

índices de vegetação (Siegal e Goetz, 1977; Elvidge e Lyon, 1985; Huete et al., 1985;

Baret e Guyot, 1991; García-Haro et al., 1996; Todd e Hoffer, 1998). Esses estudos

demonstram que, dada a mesma cobertura vegetal, são maiores os valores nos índices de

vegetação nas imagens, quando essa vegetação está sobre solos de coloração escura e

13

baixa reflectância, em relação à vegetação sobre solos com coloração clara e alta

reflectância.

Métodos para minimizar os efeitos dos substratos, dado um conhecimento prévio

sobre o dossel ou características do solo, são apresentados em Huete (1988), Chehbouni

et al. (1994), Rondeaux et al. (1996) e Gilabert et al. (2002). Como as informações do

dossel de cobertura são geralmente desconhecidas e a informação de reflectância do

substrato em tempo real não é sempre disponível, os índices de vegetação insensíveis à

diferenciação dos substratos de solo, como o PVI (Perpendicular vegetation index) e a

componente Greenness (da transformação Tasseled Cap) são os mais desejáveis para

determinar a biomassa ou a cobertura vegetal em pequenos campos ou regiões (Todd e

Hoffer, 1998)

Alguns índices de vegetação têm efeitos adicionais atribuídos à irradiação no

comprimento de onda infravermelho próximo (NIR) devido ao grau de fechamento do

dossel. Isso se deve ao espalhamento e transmissão da radiação do NIR na estrutura

interna do dossel (Huete, 1988). No interior de dosséis com cobertura vegetal menos

densa, o espalhamento múltiplo da radiação do NIR é reduzido, porém a forma de

distribuição espacial dos elementos da vegetação no dossel possibilita a interação do

fluxo solar incidente com o solo e a reflexão do mesmo em direção ao sensor sem

obstáculos. Conforme as características de arquitetura do dossel (densidade, orientação,

distribuição e tamanho dos elementos vegetais), o fluxo de radiação NIR incidente pode

ser espalhado várias vezes por muitos elementos da vegetação sem atingir o solo. A

contribuição da radiação NIR do solo refletida para o sensor vai depender do grau de

fechamento do dossel (Ponzoni, 2001).

2.4. Espectrorradiometria de solos

A medida da distribuição da energia radiante proveniente de um objeto é

definida como Espectrorradiometria. A interação da energia eletromagnética

proveniente de uma determinada fonte, por exemplo, lâmpada ou sol, com a superfície

do objeto se dará por meios de troca desta energia incidente, resultando em fenômenos

de absorção, reflexão e transmissão. A quantidade de cada uma dessas formas de

interação dependerá das propriedades físicas, químicas e biológicas do objeto, do

comprimento de onda a ser analisado e da geometria de aquisição formada pela posição

relativa da fonte, do alvo e do sensor que realiza estas medições, e, por não estar em

14

contato físico direto com o objeto, registra apenas a componente da radiação

eletromagnética refletida (Meneses, 2001).

Espectrorradiometria de reflectância é uma técnica que mede, em diferentes

comprimentos de onda, a energia eletromagnética refletida da superfície de um

determinado alvo e a representa sob a forma gráfica através das curvas de reflectância

espectral. A reflectância (ρ) é a razão espectral, por comprimento de onda, entre a

radiância refletida da superfície do alvo e a irradiância incidente sobre essa superfície.

Esta radiação incidente, emitida pela fonte, é medida através da leitura de uma placa de

referência padrão com reflectância conhecida (Spectralon ou placa 100% refletora

revestida com óxido de magnésio ou sulfato de bário). O ideal é que as medidas da

placa e do alvo sejam feitas simultaneamente, tanto em condições de laboratório como

em campo, pois qualquer fonte produz radiação eletromagnética com pequenas

variações de intensidade radiante no tempo (Steffen et al., 1996).

Na realização dessas medições, principalmente em trabalhos de campo, o sensor,

o alvo e a fonte são dispostos em certas configurações onde as posições relativas entre

eles poderão favorecer ou não as medidas. Sendo assim, o termo Fator de Reflectância

Bidirecional (FRB) deve ser empregado, pois o valor de reflectância medido dependerá

dos ângulos entre a posição do sensor e da fonte em relação à amostra (Milton, 1987). O

termo bidirecional implica a necessidade de medidas direcionais em dois ângulos

sólidos muito pequenos, que se referem à posição da fonte de iluminação e outro à

posição do sensor.

Este parâmetro radiométrico é amplamente estudado em metodologias de análise

do comportamento espectral de amostras de solo (Stoner e Baumgardner, 1981;

Baumgardner et al., 1985; Valeriano et al., 1995; Formaggio et al., 1996; Galvão et al.,

1996; Pizarro 1999).

Ao estudar o comportamento espectral dos solos e substratos geológicos,

Saldanha e Cunha (2001) ressaltam que os experimentos espectrorradiométricos são de

grande importância para o sensoriamento remoto de alvos geológicos, pois possibilitam

analisar e interpretar o significado da informação espectral contida nos diferentes

materiais que compõem e influenciam os alvos estudados, dada a enorme variedade de

minerais e rochas presentes na natureza.

O espectro de uma rocha resulta da combinação dos espectros de seus minerais

constituintes, que, por uma série de condições limitantes, não apresenta todas as feições

identificadoras destes minerais (Meneses e Ferreira Jr., 2001). Na tentativa de utilizar a

15

informação espectral dos horizontes superficiais do solo, para a determinação de

ocorrência de minerais e unidades geológicas, esses autores alertam para a necessidade

do reconhecimento da característica residual do solo, isto é, se está diretamente

relacionado com a rocha subjacente, ou se transportado. Ainda, salientam que em áreas

muito intemperizadas existe a dificuldade em se correlacionar os minerais residuais do

solo com a mineralogia primária da rocha-mãe.

Appi (1996), trabalhando com amostras de rochas metamórficas, conseguiu

identificar grupos de curvas espectrais representativas das características espectrais de

associações de rochas aflorantes, definidas petrograficamente e pôde assim definir um

significado genético às feições de absorção encontradas nas curvas. O primeiro grupo,

representado pelos mármores dolomíticos, foi definido por meio das feições de absorção

devido à presença do íon carbonático. O segundo, correspondente a quartzitos impuros,

apresenta particularidades compatíveis às características de impureza mineralógica das

rochas; e o terceiro representa uma seqüência de espectros similares com variação

gradual, referentes às variações que ocorrem entre os gnaisses e os granitos-

migmatíticos, correspondentes de uma transição dentro de uma sucessão de termos

rochosos metamórficos.

Pela análise do comportamento espectral de solos derivados de rochas

metamórficas, da Seqüência Cerro Mantiqueira, Saldanha e Cunha (2001) conseguiram

realizar o agrupamento desses em classes espectral e quimicamente similares, além de

diferenciá-los dos solos das rochas encaixantes. Observaram ainda que, para análise de

imagens de satélite, os resultados obtidos pela espectrorradiometria podem ser

empregados como um guia na escolha de bandas espectrais e dos processamentos

utilizados para realçar essas rochas.

No que se refere à reflectância dos solos, admite-se que esta se constitui em uma

propriedade cumulativa resultante do comportamento espectral intrínseco das

combinações heterogêneas de matérias mineral, orgânica e umidade que os compõem

(Stoner e Baumgardner,1981). Logo, ao analisar-se o comportamento espectral dos

solos, é essencial levar em consideração as suas características físicas e pedológicas

(constituição química e mineralógica), pois esta resulta da combinação de vários fatores

presentes, tais como: a granulometria, a presença de argilominerais (caulinita,

montmorilonita), de óxidos de ferro ou alumínio, de minerais como a gibsita, além da

presença de matéria orgânica e de umidade (Baumgardner et al., 1985; Valeriano et al.,

16

1995; Formaggio et al., 1996; Bem-Dor et al., 1999; Madeira Netto, 2001; Galvão et al.,

2001).

A reflectância espectral de uma dada superfície é extremamente complexa,

sendo afetada pela diversidade de materiais presentes e suas concentrações, pelo

tamanho de seus constituintes, além da geometria de visada. Todos os atributos do solo

são importantes, porém, em diferentes graus (Fiorio et al., 2001).

Segundo Hunt e Salisbury (1970), as feições espectrais de absorção de amostras

de solo no visível e no infravermelho estão associadas às interações atômicas e

vibrações moleculares de grupos específicos presentes nas amostras. Essas feições são

os fundamentos dos estudos em bandas espectrais definidas. Essas afirmações

mencionadas anteriormente aparecem nos trabalhos de Stoner e Baumgardner (1981),

Baumgardner et al. (1985), direcionados aos solos americanos, e nas pesquisas de

Valeriano et al. (1995), Formaggio et al. (1996), Galvão et al. (1996), Galvão et al.

(1997), Pizarro (1999), Madeira Netto (2001) e Galvão et al. (2001), que se referem aos

solos tropicais brasileiros.

A grande maioria dos estudos do comportamento espectral dos solos brasileiros

restringe-se às regiões de clima tropical, localizadas na parte central do país, sendo

poucas as pesquisas direcionadas à região sul de clima temperado, onde os processos de

intemperismo atuam de forma diferente sobre a rocha parental.

Na avaliação do comportamento espectral de solos, normalmente são utilizadas

rotinas de processamento de dados espectrorradiométricos tais como a remoção do

espectro contínuo e a análise por componentes principais.

A remoção do espectro contínuo refere-se ao contínuo aparente que é uma

função matemática utilizada para análise de uma determinada feição de absorção do

espectro. O contínuo realça as feições de absorção devido a diferentes processos em um

material específico, ou o efeito conjunto da absorção de diferentes materiais presentes

em uma determinada amostra (Clark e Roush, 1984). A identificação do contínuo

espectral é feita a partir da ligação dos pontos de máxima reflectância do espectro, onde

o processo de remoção do contínuo se dá por meio de uma divisão dentro do espectro

para normalizar as bandas de absorção em uma referência comum (Kruse et al., 1993).

Vários parâmetros estão associados à banda de absorção, por exemplo: profundidade,

amplitude, assimetria, área, posição espectral da banda.

O espectro de reflectância de uma determinada superfície é muito complexo,

sendo afetado pelo número e tipo de matérias presentes, suas frações e tamanhos de

17

partículas. As bandas de absorção devido à transição eletrônica, modos vibracionais,

processos de transferência de carga e outros processos, muitas vezes, permitem a

identificação de um único mineral (Hunt e Salisbury, 1970). Contudo, relacionar uma

feição espectral à abundância de um determinado mineral é difícil. Dessa forma, a

técnica de remoção do espectro contínuo, amplamente utilizada para fins de

identificação mineral, permite isolar a feição de absorção e colocá-la em um nível que

possa ser comparada com outras feições, através de seus parâmetros associados (Clark,

1999).

A alta correlação entre os espectros de reflectância das diferentes amostras de

solo implica a quase impossibilidade de agrupá-las em conjuntos distintos por meio de

critérios visuais de observação da configuração das curvas espectrais. Essas amostras

são formadas pela mistura materiais superficiais e as feições de absorção diagnósticas,

muitas vezes, tornam-se imperceptíveis. Em vista disso, aplicam-se técnicas estatísticas

multivariadas para reduzir a dimensionalidade dos dados e proporcionar um

agrupamento e/ou separação dos tipos de solos, de modo mais eficaz.

A principal função da Análise por Componentes Principais (ACP) é determinar a

extensão destas correlações e removê-las por meio de uma transformação matemática

adequada, onde um conjunto de N dados de entrada vai produzir, após o processamento

de transformação por componentes principais, um outro conjunto de N dados não

correlacionados (Richards, 1993). A implementação algébrica da ACP é dada pela

Equação 2.2:

CP1 = (B

1

. e

1,1

) + (B

2

. e

1,2

) + ... + (B

n

. e

1,n

) (2.2)

.

CPn = (B

1

. e

n,1

) + (B

2

. e

n,2

) + ... + (B

n

. e

n,n

)

Onde, CP1, ..., CPn são as componentes pricipais, B

1

, ..., B

n

são os dados originais e

e

1,1

, ..., e

n,n

são os autovetores.

Através dos coeficientes de correlação dos dados originais, são determinados os

conjuntos dos autovalores medidos em unidades de variância, que determinam a medida

do contraste desses dados e descrevem a extensão de redundância entre eles (Green et

al., 1988). Associado a cada autovalor existe um conjunto de coordenadas (autovetores),

que representam as direções dos eixos da CPs. Estes servem como fatores de

18

ponderação que definem a contribuição de cada dado original para uma CP, numa

combinação aditiva e linear (Crosta, 1992). O novo conjunto de dados é definido pelos

seus autovalores e autovetores associados. A transformação por componentes

principais tem sido uma ferramenta padrão para a redução na dimensionalidade de

dados, e para determinação da magnitude dos efeitos de um determinado parâmetro, em

estudos de caracterização da reflectância espectral de solos, minerais e rochas (Smith et

al., 1985; Galvão et al., 1995; Galvão e Vitorello, 1995; Galvão et al., 1996; Galvão et

al., 1997; Pizarro, 1999; Saldanha e Cunha, 2001; Galvão et al., 2001).

2.5. Pré-processamento e Processamento de imagens orbitais

A principal função dos processamentos é realçar feições e, conseqüentemente,

remover degradações e distorções indesejáveis, inerentes aos processos de aquisição,

transmissão e visualização de imagens, facilitando assim a identificação e extração de

informações a partir dessas imagens. As informações de interesse caracterizam-se em

função das propriedades dos objetos ou padrões que compõem a imagem (Crosta, 1992).

2.5.1. Correção Geométrica

A transformação de uma imagem, de modo que sejam eliminadas as distorções

sistemáticas introduzidas durante o processo de aquisição para que essa imagem assuma

as propriedades de escala e de projeção de um mapa, é denominada Correção

Geométrica. Este processo determina uma precisão cartográfica e envolve os seguintes

passos: a) determinação da relação entre o sistema de coordenadas de um mapa e o

sistema de linhas e colunas da imagem, que pode ser obtida pela definição de pontos de

controle reconhecíveis tanto no mapa quanto na imagem; b) estabelecimento do

conjunto de pontos homólogos na imagem e no mapa que serão ajustados por meio de

equações de transformação polinomial definindo novo conjunto de coordenadas das

imagens por meio de um “grid” que assume as propriedades cartográficas do mapa; c) o

cálculo dos valores de intensidade dos pixels na imagem corrigida, por interpolação das

intensidades dos pixels da imagem original, é feito por reamostragem conforme o

método do vizinho mais próximo, por convolução bilinear ou convolução cúbica

(Crosta, 1992; Richards, 1993).

A distribuição dos pontos de controle, a precisão das coordenadas desses pontos,

a escolha do polinômio usado na transformação e o processo de reamostragem por

19

interpolação definirão o bom desempenho do processo de correção geométrica

(Chuvieco, 1996).

2.5.2. Correção Atmosférica

Dois processos atmosféricos modificam o sinal da radiação eletromagnética

refletido por um alvo, quando esse atravessa a atmosfera da superfície terrestre ao

sensor orbital, quais sejam: a absorção pelos gases e o espalhamento por aerossóis e

partículas em suspensão. Durante a correção atmosférica, a componente mais difícil de

eliminar são os efeitos dos aerossóis, pois esses estão distribuídos de forma heterogênea

na atmosfera. Através do espalhamento, as partículas em suspensão na atmosfera

provocam um efeito aditivo na reflectância aparente dos objetos escuros e reduzem o

contraste com os objetos claros na imagem, provocando uma perda de informação. Esta

informação perdida não pode ser recuperada pela correção atmosférica, que apenas

reduz o erro na estimativa da reflectância de superfície (Vermote et al., 1997; Song et

al.; 2001; Liang et al., 2001).

Para os sensores TM e ETM+, por causa do posicionamento de suas bandas, os

efeitos de absorção dos gases são desconsiderados, e os efeitos de espalhamento podem

ser bem caracterizados (Song et al., 2001).

A necessidade do processo de correção atmosférica dependerá da informação

desejada e dos métodos analíticos usados para extrair as informações. Para muitas

aplicações, envolvendo classificação de imagens e detecção de mudanças, a correção

atmosférica é desnecessária. Em geral, para aplicações onde uma escala radiométrica

comum é assumida entre imagens multitemporais, a correção atmosférica deveria ser

levada em consideração (Song et al., 2001).

Basicamente a correção atmosférica consiste em duas etapas principais:

estimativa de parâmetros e recuperação da reflectância de superfície. Desde que todos

os parâmetros atmosféricos são conhecidos, a recuperação da reflectância de superfície

é relativamente simples, quando se assume que a superfície é Lambertiana para dados

do tipo TM e ETM+ (Liang et al., 2001). Para a recuperação dos valores de reflectância

de superfície dos alvos terrestres, reduzindo os efeitos da atmosfera, são necessários os

seguintes passos: conversão dos níveis digitais em radiância; estimativa dos valores de

reflectância aparente; e estimativa dos valores de reflectância de superfície (Chuvieco,

1996).

20

Chavez (1988) propôs a determinação dos parâmetros atmosféricos necessários

para a transformação da reflectância aparente em reflectância de superfície, através da

própria imagem. Baseado no princípio que existem alvos escuros na imagem, sombras

de nuvens ou ocasionadas pela topografia, que deveriam apresentar um número digital

(ND) muito baixo, mas encontra-se com valor superior ao esperado, conclui-se que é

devido a dois fatores principais: ruído do próprio sensor e espalhamento atmosférico.

Esse último exerce maior influência nos comprimentos de onda mais curtos. Então, o

modelo sugerido para o cálculo do espalhamento em cada banda, denominado DOS

(Dark Oject Subtraction – Subtração do Objeto Escudo), envolve apenas o menor valor

de ND encontrado na banda de menor comprimento de onda. Esse valor é utilizado para

identificar a condição atmosférica contemporânea à obtenção da imagem, o que

determina o expoente do modelo de espalhamento relativo (Chavez, 1996; Gürtler et al.,

2005).

Em outras situações, as condições atmosféricas são obtidas por modelos de

transferência radioativa, como os modelos 5S (Simulation of the Satellite in the Solar

Spectrum – Simulação do Satélite no Espectro Solar), 6S (Second Simulation of the

Satellite in the Solar Spectrum – Segunda Simulação do Satélite no Espectro Solar) e

MODTRAN4 (MODerate resolution atmospheric TRANsmittance and radiance code –

código de transmitância e radiância atmosférica de resolução moderada), propostos

respectivamente por Tanré et al. (1990), Vermote et al. (1997), e Matthew et al. (2000).

A simulação desses modelos considera que, em regiões onde as reflectâncias de

superfície são muito estáveis, as variações de sinal adquiridas pelo satélite em diferentes

tempos podem ser atribuídas às variações das propriedades ópticas atmosféricas. Dessa

forma, a variação de reflectância pode ser usada para estimar a profundidade óptica dos

aerossóis (Liang et al., 2001).

A quantidade de partículas que espalham a REM (moléculas e aerossóis) acima

dos alvos e a quantidade de gases absorventes estão relacionadas à altitude dos alvos

(Vermote et al., 1997). No modelo 5S, as quantidades e tipos de aerossóis são

parâmetros de entrada, assim as suas características dependem da altitude do alvo em

razão deles serem medidos/estimados nesse local (Tanré et al., 1990). No modelo 6S, a

altitude do alvo pode ser um parâmetro de entrada: posterior a seleção do perfil

atmosférico. A altitude do alvo é usada para computar um novo perfil atmosférico, e

após, o fator de reflectância bidirecional é calculado de forma a simular a altitude dos

alvos a um nível de referência. Dessa forma, uma computação exata das funções

21

atmosféricas é realizada contabilizando as variações na intensidade da influência dos

efeitos associados à pressão e temperatura na absorção (Vermote et al., 1997).

O modelo MODTRAN4 admite uma atmosfera esfericamente simétrica,

consistindo de camadas homogêneas. O limite de cada camada é caracterizado por

especificações de pressão, temperatura e concentrações de espécies atmosféricas

(Acharya et al., 1999). No MODTRAN4, os parâmetros atmosféricos são calculados

com o uso dos ângulos de visada e solar, e a altitude média do terreno da medida. A

partir destes parâmetros, assume-se certo modelo atmosférico, tipo de aerossol e

visibilidade inicial. Os cálculos correspondem primeiramente a radiância que é refletida

da superfície e viaja diretamente em direção ao sensor, e após a radiância da superfície

que é espalhada pela atmosfera para o sensor. Os parâmetros atmosféricos calculados

são fortemente dependentes da quantidade de coluna de vapor d’água, que geralmente

não é bem conhecida e pode variar através da cena. Para contabilizar essa coluna de

vapor d’água, desconhecida e variável, os cálculos do MODTRAN4 são refeitos sobre

uma série de diferentes quantidades de coluna. Logo após, são selecionados os canais da

imagem mais afetados pela absorção que são analisados para a estimativa da quantidade

de radiância a ser recuperada para cada pixel (Matthew et al., 2000).

Atualizações introduzidas no MODTRAN4 permitem determinações de

radiâncias mais acuradas sob condições nebulosas e de forte camada de aerossóis, e a

modelagem do fator de reflectância bidirecional de superfície com contribuição

adjacente a radiância dos pixels (Acharya et al., 1999).

2.5.3. Normalização Radiométrica

Fatores como diferenças nas condições atmosféricas e mudanças nas

características de superfície dos alvos podem contribuir para a variabilidade nas

respostas espectrais multitemporais. Em qualquer análise multitemporal, onde o sinal

espectral não é forte o suficiente para minimizar esses fatores complicadores, a correção

radiométrica é essencial para diferenciar a mudança de sinal dos ruídos. Com uma

correção adequada, é possível examinar trajetórias temporais dos dados orbitais para

uma caracterização mais dinâmica do comportamento espectral dos alvos (Schroeder et

al., 2006). O processo de normalização radiométrica é utilizado para minimizar os

efeitos causados por variações de atmosfera e nas condições de iluminação, além de

minimizar os efeitos por mudanças nas características do sensor ao longo do tempo e

22

proporcionar a compatibilização de dados entre imagens que compõem o estudo

multitemporal (Hall et al., 1991).

O método proposto por Hall et al. (1991), para normalização radiométrica,

fundamenta-se em dois passos: definição de uma série radiométrica e aplicação de uma

transformação linear. Para tanto, o autor baseia-se na pressuposição de que nas imagens

existem pixels que têm a mesma reflectância média, entre as diferentes datas,

denominados feições pseudo-invariantes (FPIs). Tais feições correspondem à série

radiométrica e são localizadas nos extremos não vegetados da distribuição Kauth-

Thomas formada pelas imagens “Greenness” (verdor) e “Brightness” (brilho),

resultantes da transformação Tassled Cap. A suposição estabelecida por Hall et al.

(1991) é verdadeira se as diferenças de calibração, entre os sensores, e de condições

atmosféricas introduzirem somente diferenças lineares nas radiâncias dos membros de

controle.

A seleção das FPIs correspondentes aos alvos claros (dunas, afloramentos

rochosos e manchas urbanas) e aos alvos escuros (corpos d’água), etapa mais

importante para a qualidade do processo de normalização (Du et al., 2002), é realizada

pelo cruzamento das imagens “Greenness” e “Brightness” de toda a série temporal,

onde se identificam as séries radiométricas de controle da imagem de referência e das

demais cenas. Após, calculam-se os valores médios dos pontos de controle radiométrico

de todas as bandas, que são utilizados para o cálculo do coeficiente angular e linear da

equação de normalização (Equação 2.3) para as diferentes bandas das diferentes

imagens (Hall et al., 1991).

X

*

i

= m

i

.X

i

+ b

i

(2.3)

Onde, X

*

i

é o valor do pixel da banda i após a normalização, X

i

corresponde ao valor

original do pixel da banda i, e m

i

e b

i

são, respectivamente, os coeficientes angular

(Equação 2.4) e linear, (Equação 2.5) da equação para a banda i.

m

i

= (C

Ri

- E

Ri

)/(C

Si

– E

Si

) (2.4)

b

i

= (E

Ri

.C

Si

- E

Si

.C

Ri

)/(C

Si

– E

Si

) (2.5)

23

Onde C representa o conjunto de pixels claros, E os escuros, e R e S representam

respectivamente as imagens de referência e as que serão normalizadas para cada banda

i.

Outro método de transformação radiométrica é o da Detecção de Alteração

Multivariada (Multivariate Alteration Detection – MAD), que utiliza análises de

correlação canônica para encontrar combinações lineares entre dois grupos de variáveis

(imagens de referência e bandas espectrais das demais cenas) dispostos por correlação

ou similaridade entre os pares. Diferenças entre tais pares ordenados são chamadas

variáveis MAD, e estas são invariantes às transformações afins (incluindo

escalonamento linear). Isso implica que efeitos lineares atmosféricos e instrumentais

não influenciarão as probabilidades de mudança ou não dos pixels derivados do método

(Nielsen et al., 1998; Canty et al., 2004; Schroeder et al., 2006).

2.5.4. Transformação Tasseled Cap

A base fundamental da transformação Tasseled Cap envolve a descoberta da

estrutura inerente aos dados de um determinado sensor e grupo de classes da cena, e o

ajuste de uma transformação para que essa estrutura possa ser observada e facilmente

compreendida (Crist e Kauth, 1986).

Desenvolvida primeiramente por Kauth e Thomas (1976), a transformação

Tasseled Cap foi realizada utilizando as quatro bandas do sensor Landsat/ MSS

(Multispectral Scanner) com bases na técnica de componentes principais e visando à

geração de novas bandas com informação físicas. O processo dividiu-se em três partes:

o entendimento das relações entre as bandas espectrais para as classes da cena de

interesse, a compressão da informação das “n” bandas espectrais para um determinado

número de características, e a extração das características físicas da cena. Diferente

dessa transformação, a análise de componentes principais, que também fornece uma

redução no volume de dados, traz dificuldades com relação à interpretação física das

feições derivadas especialmente entre datas e cenas.

As componentes, geradas pela transformação de Kauth e Thomas (1796), foram

denominadas “Brightness” (Brilho), que é a soma ponderada de todas as bandas e

representa o brilho ou a reflectância total da cena, “Greenness” (verdor), que é o

constraste entre as bandas do infravermelho próximo com as do visível representativo

das densidades vegetais, e a “Yelowness” (amarelidão), que contém informações sobre

a senescência da vegetação (Crist e Cicone, 1984).

24

Posteriormente a transformação foi adaptada para o sensor Landsat/TM

(Thematic Mapper), por Crist e Cicone (1986) com a utilização novos coeficientes, que

proporcionou a geração de uma nova terceira componente, no lugar da “yelowness”,

denominada “Wetness”, que é o contraste entre o infravermelho médio com as faixas do

visível e do infravermelho próximo e contém informações relacionadas às condições de

umidade de solos e plantas. As demais componentes geradas, quarta, quinta e sexta,

apresentaram características puramente estatísticas.

Novamente os coeficientes de transformação foram revistos por Huang et al.

(2002), que mostraram a necessidade de transformação da imagem em nível digital

(ND) para reflectância aparente como meio de minimizar os efeitos da geometria de

aquisição e da atmosfera. Seguindo a mesma linha de raciocínio, Fonseca e Gleriani

(2005) encontraram diferenças estatísticas significativas no cálculo das imagens da

transformação Tasseld Cap, feitas utilizando imagens com correção atmosférica e

retificação radiométrica e feitas utilizando imagens somente com reflectância aparente.

A transformação Tasseled Cap gera componentes ou imagens, com significado

físico conhecido, utilizado principalmente para o estudo de áreas agrícolas, ressaltando

as características de solo e vegetação em bandas distintas a partir do uso de coeficientes

de transformação pré-fixados (Crist e Cicone, 1986). A Equação 2.6 representa a

transformação Tasseled Cap.

Im

TC

= (b

1

.c

TC,1

) + (b

2

.c

TC,2

) + (b

3

.c

TC,3

) + (b

4

.c

TC,4

) + (b

5

.c

TC,5

) + (b

6

.c

TC,6

) + (b

7

.c

TC,7

)

Im

TC

= Σ(b

n

.c

TC,n

) (2.6)

Onde, Im

TC

é a imagem resultante da transformação Tasseled Cap, b

n

são as bandas do

sensor ETM+ e c

TC,n

são os coeficientes para o cálculo da transformação para cada

banda do sensor.

2.5.5. Modelo Linear de Mistura Espectral (MLME)

Qualquer sensor orbital é essencialmente um dispositivo de integração, onde a

radiância gravada pelo satélite é uma soma integrada das radiâncias de todos os

materiais de dentro do Campo de Visada Instantâneo (IFOV – Instantaneous Field of

View) do sensor. Então, a radiação detectada, para a formação de um determinado pixel,

é resultante da mistura de diferentes materiais mais a contribuição atmosférica. A não

uniformidade das cenas naturais e a variação nas proporções de materiais específicos,

em função das diferentes escalas espaciais dos pixels, resultam em um grande número

25

de componentes na mistura (Shimabukuro e Smith, 1991; Boardman, 1994; Small,

2004).

No modelo linear de mistura espectral, assume-se que todas as respostas

espectrais dos alvos observados são combinações lineares de algum grupo de bases

espectrais, ou membros de referência (endmembers), que representam os componentes

com comportamento espectral considerado puro ou único. As misturas espectrais são

modeladas como combinações lineares ponderadas dos membros de referências, em que

os coeficientes de ponderação correspondem às frações (ou proporções) da cobertura de

superfície ocupada por esses componentes puros no pixel, cuja soma dessas proporções

deve ser um valor positivo e unitário (Shimabukuro e Smith, 1991; Boardman, 1994). O

modelo linear de mistura espectral é apresentado na Equação 2.7.

n

R

i

= Σ ( A

ij

.Y

j

) + e

i

(2.7)

j 1

Onde, R

i

é a reflectância espectral média para a banda i, de um pixel contendo um ou

mais componentes, A

ij

é a reflectância espectral do componente j na banda i, Y

j

é a

proporção do componente j no pixel, e

i

é o termo erro para a banda i.

Para avaliar as frações de cada componente dentro do pixel pode-se utilizar o

Método dos Mínimos Quadrados (CLS – Constrained Least-Square), que estima as

proporções de cada endmember pela minimização da soma dos quadrados dos erros

residuais (Shimabukuro e Smith, 1991; García-Haro et a., 1996), ou o Método dos

Mínimos Quadrados Ponderados (WLS – Weighted Least-Square), onde conceitos de

ponderação são aplicados ao método dos mínimos quadrados dando um maior peso aos

valores das componentes mais importantes e de ocorrência certa no pixel. Esta

ponderação dá a solução um significado de relevância física (Shimabukuro e Smith,

1991).

Boardman (1989) propôs um método para a inversão dos modelos de mistura

espectral denominado Decomposição do Valor Singular (SVD – Singular Value

Decomposition), baseado no fato de que qualquer matriz pode ser decomposta no

produto de duas matrizes de coluna ortogonal e uma matriz diagonal. A determinação

das proporções desconhecidas é alcançada pela inversão da matriz correspondente aos

pixels de referência e multiplicação pelo espectro observado.

26

CAPÍTULO III

ÁREA DE ESTUDO

Neste capítulo, será caracterizado o ambiente físico no qual a área de estudo está

inserida. Fazem parte desta caracterização a localização, aspectos climáticos,

geológicos, geomorfológicos e da vegetação que se sobrepõem a esses substratos.

3.1. Localização

A área de estudo está localizada nas regiões geográficas denominadas Campanha

e Serra do Sudeste, na porção sul sudoeste do Estado do Rio Grande do Sul, situando-se

entre os municípios de Aceguá, Hulha Negra, Candiota e Bagé. Como o principal

objetivo deste trabalho consiste em analisar a contribuição do comportamento espectral

de diferentes substratos na componente espectral do modelo JONG (Fonseca, 2004), a

área de estudo abrange a mesma utilizada neste estudo e estende-se por

aproximadamente 610.000 hectares, apresentando ocorrência significativa do Bioma

Pampa. O acesso à área se faz pelas estradas BR 290 e BR 293 e por vicinais distante de

Porto Alegre em torno de 350km, sendo próxima das cidades de Bagé, Pinheiro

Machado e Aceguá, conforme Figura 3.1.

27

Figura 3.1 – Localização da região de estudo. Fonte: Adaptada de Saldanha (2003).

3.2. Clima

Segundo o sistema de classificação de Köppen, a região estudada encontra-se

sob o clima sutropical úmido (Cfa), com características chuvosas, sem período seco

sistemático, mas marcado pela freqüência de frentes polares e temperaturas negativas no

período de inverno (Moreno, 1961). Essa característica produz uma sazonalidade

fisiológica vegetal típica de clima frio seco, evidenciando intenso processo de

evapotranspiração. A temperatura do ar média anual, especificamente para o município

de Bagé, é de 17,9

o

C, sendo a temperatura média do mês de junho, o mais frio, de 12,3

o

C e para o mês de janeiro, o mais quente, é de 24

o

C (DNMET, 1992).

A precipitação pluvial anual é de 1.460mm, com freqüente déficit hídrico

climatológico no período do verão (DNMET, 1992).

28

3.3. Geologia e Geomorfologia

A geomorfologia do Rio Grande do Sul, embora apresentando um relevo

relativamente simples, tem sido objeto de diversos estudos que originaram diferentes

compartimentações, demonstrando que o padrão geomorfológico tem correspondência

estreita com o padrão geológico. Sobre esse substrato geológico atua um regime

climático que, juntamente com a hidrografia estabelecida, modela a morfologia desses

terrenos (Saldanha, 2003).

O Bioma Pampa ocorre em área cujo substrato é composto por diversas

litologias constituindo os domínios morfológicos do Escudo Sul-rio-grandense e da

Depressão Periférica.

O Escudo Sul-rio-grandense situa-se no centro sul do Estado, com forma

ligeiramente triangular e vértices em Porto Alegre, São Gabriel e Jaguarão (Figura 3.2).

Constitui-se em um complexo de idade pré-cambriana a neo-paleozóica em que

predominam rochas ígneas plutônicas e vulcânicas e rochas metamórficas, além de

rochas sedimentares. Os processos morfogenéticos atuantes nesta unidade resultam da

reativação de alinhamentos pré-cambrianos, aplainamentos amplos e erosão fluvial

(Muller, 1970). O relevo é acidentado com altitudes entre 200 e 400m (460m é o ponto

mais elevado), sendo os topos aplainados e as vertentes dissecadas.

29

Figura 3.2 – Compartimentação Geomorfológica do Rio Grande do Sul. Fonte:

Adaptada de Saldanha (2003).

Dois sistemas principais constituem o padrão de drenagem do escudo Sul-rio-

grandense, um dominado pelo Rio Camaquã, que drena esta unidade de oeste para leste,

atingindo diretamente a Laguna dos Patos e outro que drena de sul para norte,

alimentando o sistema maior dominado pelo rio Jacuí, posicionado na unidade

Depressão Periférica (Saldanha, 2003).

Portanto, esta região de exposição do embasamento delimita-se ao norte, oeste e

sudoeste com os sedimentos gonduânicos da Bacia do Paraná, formando a denominada

feição morfológica Depressão Periférica, a leste com os depósitos sedimentares

inconsolidados da Província Costeira do Rio Grande do Sul e, ao sul prolonga-se em

continuidade física para além da fronteira do Brasil com o Uruguai (Soliani et al.,

2000).

Soliani et al. (2000) salientam que o Escudo Sul-rio-grandense a leste,

caracteriza-se por uma ampla área constituída por uma multiplicidade de granitóides,

com diversos tipos petrográficos, características geoquímicas e idades. Na porção

30

central, afloram principalmente rochas metamórficas xistosas, com metavulcânicas e

quartzitos associados, que se deixam recobrir por rochas sedimentares com as mais

variadas granulometrias, deformadas ou não, associadas a vulcânicas intermediárias e

ácidas. A oeste, volta a predominar os granitóides, em grande parte com estrutura

gnáissica, aos quais se associam, restritamente, complexos máficos-ultramáficos e

granulitos, vulcânicos intermediários e ácidos.

A Depressão Periférica compreende terrenos sedimentares, formando uma faixa

semicircular sinuosa desde Porto Alegre em direção ao oeste e ao centro sul do Estado

(Figura 3.2). Tem por substrato rochas sedimentares mesozóicas, que afloram nas

bordas do escudo Sul-rio-grandense, sobre as quais atuam processos morfogenéticos

como erosão fluvial, processos sob condições áridas e sedimentação das atuais planícies

aluviais. Os terrenos, com altitudes entre 50 e 200m, têm formas dominantes de colinas

côncavo-convexas ou de topo plano, denominadas coxilhas e mesas, respectivamente

(Menezes, 2000).

O substrato rochoso da área de estudo varia de rochas ígneas, sienogranitos e

Suíte Intrusiva Santo Afonso, a rochas sedimentares das Formações Estrada Nova, Irati,

Rio Bonito e Santa Tecla. Com relação às formações sedimentares, elas são constituídas

por intercalações de arenitos, siltitos e argilitos. Os solos nas áreas amostradas

qualificam-se como planossolos, chernossolos, argissolos, vertissolos e neossolos. As

principais características que os distinguem são: textura, mineralogia predominante,

teores matéria orgânica, e relevo de ocorrência desses solos.

3.4. Características dos dosséis vegetais

Na região da campanha gaúcha, especificamente os campos de Baixada de Bagé,

sobre os solos mediamente profundos e férteis, a vegetação é bastante densa e

heterogênea (Boldrini, 1997), apresentando um estrato contínuo de gramíneas

rizomatosas e estoloníferas que cobrem bem o solo, como o Paspalum notatum (capim-

forquilha), espécie com mais freqüência relativa (36,83%), e o Axonopus affinis (grama-

tapete), entremeadas por leguminosas, como a babosa-do-campo, Ademis bicolor e o

trevo nativo, Trifoliun polmorphun, entre outras espécies de menor freqüência (Boldrini,

2006a). A alta pressão de pastejo que ocorre na região, provocada por bovinos e ovinos,

resulta na desestruturação da comunidade vegetal, além da degradação do solo através

da compactação, que reduz a capacidade de infiltração de água e aumenta o

31

escorrimento superficial, provocando a erosão. Com a erosão, especialmente sobre solos

rasos, ocorre a exposição da rocha subjacente (Boldrini, 1997).

Na região da Serra do Sudeste, correspondente ao Planalto Sul-rio-grandense,

onde atualmente existem áreas cobertas por vegetação campestre, originalmente

apresentavam-se ocupadas por subarbustos, arbustos e árvores de pequeno porte, que

aos poucos foram sendo cortados e queimados, ampliando as áreas utilizadas como

pastagem (Girardi Deiro et al., 2004). Compreendidas sobre solos geralmente rasos e

muito pedregosos, originados principalmente de granitos, a vegetação campestre do

planalto em geral é rala, especialmente nas partes das encostas, ocorrendo uma alta

porcentagem de solo descoberto, afloramentos de rocha e grande ocorrência de arbustos

(Boldrini, 1997). Nos campos, encontram-se espécies cespitosas eretas, como as barbas-

de-bode (Aristida jubata, Aristida filifolia, Aristida spegazzini, Aristida circinalis,

Aristida venustula) e algumas leguminosas (Lathyrus pubescens, Rhynchosia

diversifolia) junto à vegetação arbustiva. A presença de gravatá (Erygium horridum) é

muito comum (Boldrini, 2006b).

A essa caracterização dos campos, constituídos por um complexo vegetacional

arbustivo-herbáceo, estão associadas às florestas de galeria degradadas, que, em geral,

são compostas por espécies arbóreas deciduais. Esta formação arbórea apresenta uma

maior disponibilidade de umidade, motivada pela maior regularidade pluviométrica e/ou

pela maior concentração de drenagem e depressões do terreno. Associada à densa rede

de drenagem, existem extensas planícies sedimentares aluviais nas quais as formações

pioneiras e as florestas de galeria foram substituídas por culturas e pastagens (IBGE,

2004).

32

CAPÍTULO IV

COMPORTAMENTO ESPECTRAL DE DIFERENTES SUBSTRATOS DO

BIOMA PAMPA

Os ecossistemas tendem a ajustar sua capacidade fotossintética como resposta

aos recursos ambientais disponíveis. Esses ajustes podem se manifestar na mudança de

índices de área foliar, conteúdo de clorofila, composição das associações vegetais e

outras mudanças na arquitetura vegetal (Saldanha, 2003).

A reflectância dos solos, que varia conforme sua natureza, grau de umidade e

área de exposição, sofre influência da cobertura vegetal, relativamente a sua densidade e

composição. Essa reflectância se agrega então como um sinal de substrato às superfícies

vegetadas. Isso porque materiais de substratos com mais baixo albedo (menor radiância)

são os mais influenciados pela cobertura vegetal, podendo ser mascarados quando essa

se encontra verde (gramínea). Quando seca, a vegetação não altera significativamente a

forma da curva espectral, modificando apenas o albedo (Siegal e Goetz, 1977). Tendo

em vista a perspectiva de estudo da associação dos dosséis de gramíneas e seus solos e

substratos associados, é importante o estudo radiométrico dos solos para após agregar os

valores radiométricos da vegetação sobrejacente.

Neste capítulo serão abordadas as metodologias de coleta e classificação das

amostras de solo, além das análises de composição química, mineralógica e

espectroradiométrica. Serão avaliadas também as características radiométricas das

amostras, aliadas aos constituintes químicos e mineralógicos, por meio de

processamentos como Remoção do Espectro Contínuo e Análise por Comopentes

Principais na tentativa de relacionar essas características às classes de solo ou formações

geológicas.

33

4.1. Obtenção dos dados das amostras de solo

4.1.1. Coleta das amostras

Do ponto de vista litológico, os substratos a serem avaliados foram determinados

pela localização das amostras de solo cujas análises fazem parte deste trabalho. A

posição geográfica dessas amostras foi determinada no trabalho de Fonseca, 2004 e pela

análise preliminar das imagens a serem utilizadas. Nos locais de ocorrência de campos

do Bioma Pampa, onde havia contrastes espectrais nas imagens, os pontos foram

determinados para amostragem do solo. A imagem de satélite que abrange a região a ser

estudada está classificada no Sistema de Referência Mundial (WRS – World Reference

System) como 222/82 (órbita/ponto).

A coleta das amostras de solo foi coincidente com os pontos de amostragem do

trabalho de Fonseca (2004), tendo em vista o objetivo do estudo em analisar a influência

dos diversos substratos no modelo agrometeorológico-espectral (JONG), desenvolvido

naquele trabalho. Além dessas amostras, para que as formações geológicas ficassem

ainda mais representativas, foram coletadas amostras também nos municípios de

Pinheiro Machado e Pedras Altas.

Em todos os pontos foram obtidas tanto as coordenadas planas UTM (Universal

Transverse Mercator) quanto às coordenadas geográficas, com o auxílio das cartas

topográficas em escala 1: 50.000 e aparelho GPS com precisão de 15 metros.

As amostras de solo foram coletadas com o auxílio de uma pá, na profundidade

de 0 a 20 cm, correspondente à camada superficial (horizonte A), totalizando 23

amostras. Foram então selecionadas as 15 amostras que mais representaram as

divergências de substrato. Estas foram secas ao ar livre e enviadas para análises

química, mineralógica e espectroradiométrica.

4.1.2. Classificação dos substratos

Os pontos de amostragem foram então posicionados por meio de suas

coordenadas na carta geológica da CPRM – Serviço Geológico do Brasil, folha SH.22-

Y-C PEDRO OSÓRIO, escala 1:250.000 (CPRM, 2000), representada pela Figura 4.1,

definindo-se assim os diferentes arcabouços geológicos representados pelas Formações

Estrada Nova, Irati, Rio Bonito e Santa Tecla, além de sienogranito e da Suíte Intrusiva

Santo Antonio (granítica).

34

Figura 4.1 – Recorte da carta geológica. Fonte: Adaptada de CPRM (2000).

De forma análoga, foram obtidas as classes de solos dos locais de amostragem,

utilizando-se o mapa exploratório de solos, escala 1:250.000, fornecido pelo

Laboratório de Geoprocessamento da Faculdade de Biologia (UFRGS). A classificação

feita em campo foi concordante com o visto no mapa. Os resultados obtidos, na

classificação dos pontos, foram coincidentes aos do mapa exploratório de solos do

IBGE (2002), Figura 4.2. A escala pequena, tanto da carta geológica quanto do mapa de

solos, justifica alguma possível imprecisão na localização dos pontos.

35

Figura 4.2 – Recorte do mapa exploratório de solos. Fonte: IBGE (2002).

As amostras de solos com suas respectivas rochas subjacentes, unidades

geológicas e classes de solo encontram-se na Tabela 4.1. As coordenadas dos pontos de

amostragem, assim como a descrição das classificações geológicas e dos solos,

encontram-se no Anexo 1.

Tabela 4.1 – Rochas subjacentes, unidades geológicas e classes de solo.

Amostras Rochas Unidades Geológicas Classes de solo

1 Sedimentar (argilito e siltito) Formação Estrada Nova PLe2 planossolo

2 Sedimentar (argilito e siltito) Formação Estrada Nova PLe2 planossolo

3 Sedimentar (argilito e siltito) Formação Estrada Nova BT9 chernossolo

4 Sedimentar (argilito e siltito) Formação Estrada Nova BT9 chernossolo

5 Sedimentar (argilito e siltito) Formação Estrada Nova BT9 chernossolo

6 Ígnea ácida (sienogranito) Sienogranito BT9 chernossolo

7 Ígnea ácida (sienogranito) Sienogranito BT7 chernossolo

8 Sedimentar (siltito) Formação Irati PLV2 planossolo

9 Sedimentar (arenito) Formação Rio Bonito PVd12 argissolo

10 Sedimentar (arenito) Formação Rio Bonito PVd12 argissolo

11 Sedimentar (arenito) Formação Rio Bonito V2 vertissolo

12 Ígnea ácida (sienogranito) Sienogranito Rd6 neossolo

13 Ígnea ácida (sienogranito) Sienogranito PVd14 argissolo

14 Sedimentar (siltito) Formação Santa Tecla PEd4 argissolo

15 Ígnea ácida (sienogranito) Suíte intrusiva Sto Afonso PVd13 argissolo

4.1.3. Composição química das amostras de solo

A determinação dos teores dos elementos químicos foi realizada por

espectrometria de fluorescência de raios-x e gravimetria (perda ao fogo), no Laboratório

36

de Geoquímica do Instituto de Geociências (UFRGS). A composição química para

elementos maiores pode ser vista na Tabela 4.2.

Tabela 4.2 – Composição química para elementos maiores, em porcentagem.

Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

SiO

2

75,06 90,65 72,35 76,64 65,07 80,2 67,52 88,53 90,14 78,85 84,66 81,68 70,82 95,13 67,48

Al

2

O

3

9,17 3,24 10,09 8,86 13,41 8,4 11,77 4,33 4,05 7,6 6,02 7,82 12,49 2,19 12,48

TiO

2

0,61 0,25 0,66 0,65 0,61 0,6 0,57 0,31 0,41 0,55 0,47 0,3 0,46 0,33 0,76

Fe

2

O

3

2,38 0,8 2,73 2,72 3,2 3 3,27 0,95 1,49 2,06 2,62 1,07 2,31 0,96 3,94

MnO 0,08 0,01 0,08 0,04 0,03 0,09 0,09 0,02 0,04 0,02 0,06 0,02 0,02 0,03 0,07

MgO 0,32 0,02 0,53 0,53 0,96 0,24 0,9 0,06 0,06 0,08 0,05 0,02 0,13 0 0,21

CãO 0,51 0,12 0,55 0,41 1,11 0,19 1,09 0,16 0,13 0,09 0,09 0,14 0,09 0,04 0,44

Na

2

O 1,11 0,43 1,31 1,04 1,43 0,86 1,19 0,57 0,33 0,34 0,44 0,86 0,97 0,34 2,07

K

2

O 1,49 0,54 1,83 1,47 2,17 2,45 2,34 1,13 0,56 0,7 1,34 3,85 4,02 0,22 3,7

P

2

O

5

0,06 0,02 0,06 0,03 0,08 0,07 0,07 0,02 0,02 0,04 0,06 0,03 0,02 0,04 0,09

P.F. 10,51 3,41 9,86 7,74 12,18 4,92 12,92 5,76 4,76 10,33 5,46 4,36 8,22 1,95 7,29

4.1.4. Determinação dos constituintes mineralógicos das amostras de solo

A mineralogia das amostras foi obtida por difratometria de raios-x, constatando-

se a predominância de minerais de quartzo seguido de feldspato alcalino e plágioclásio.

Além disso, foi verificada, em algumas amostras, a ocorrência de argilominerais como

esmectita (montmorilonita), ilita e caulinita. Os constituintes mineralógicos

correspondentes a cada amostra, resultantes da análise de difratometria, e a constituição

química dos minerais e argilominerais encontrados, são apresentados nas Tabelas 4.3 e

4.4, respectivamente.

Tabela 4.3 – Mineralogia das amostras analisadas por difratometria de raio-x.

Amostras Mineralogia

1 Quartzo, Plagioclásio, Feldspato Alcalino, Ilita, Montmorilonita, Caolinita

2 Quartzo, Feldspato Alcalino

3 Quartzo, Plagioclásio, Feldspato Alcalino, Ilita

4 Quartzo, Plagioclásio, Feldspato Alcalino, Ilita

5 Quartzo, Plagioclásio, Montmorilonita

6 Quartzo, Plagioclásio, Feldspato Alcalino, Caolinita

7 Quartzo, Plagioclásio, Feldspato Alcalino, Montmorilonita

8 Quartzo, Feldspato Alcalino

9 Quartzo, Feldspato Alcalino, Ilita, Caolinita

10 Quartzo, Feldspato Alcalino, Caolinita

11 Quartzo, Feldspato Alcalino, Caolinita

12 Quartzo, Plagioclásio, Feldspato Alcalino, Ilita

13 Quartzo, Plagioclásio, Feldspato Alcalino, Caolinita

14 Quartzo

15 Quartzo, Plagioclásio, Feldspato Alcalino, Caolinita

37

Tabela 4.4 – Constituição química dos minerais e argilominerais encontrados.

Minerais Composição química

Quartzo SiO

2

Plagioclásio NaAlSi

3

O

8

Feldspato Alcalino KAlSi

3

O

8

Ilita K

0,5

(Al,Fe,Mg)

3

(Si,Al)

4

O

10

(OH)

2

Montmorilonita Ca

0,2

(Al,Mg)

2

Si

4

O

10

(OH)

2

.4H

2

O

Caolinita Al

2

Si

2

O

5

(OH)

4

4.2. Espectrorradiometria das amostras de solos

A espectrorradiometria foi realizada no Laboratório de Radiometria (LARAD)

do Instituto Nacional de Pesquisas Espaciais (INPE). As amostras secas foram

destorroadas e peneiradas para remover partículas superiores a 2 mm, e após,

acondicionadas em placas de Petri.

O Fator de Reflectância Bidirecional (FRB) das amostras foi determinado pelo

espectrorradiômetro Field Spec modelo FR (350-2500). Neste equipamento, a aquisição

de dados na porção espectral do visível e infravermelho próximo (VNIR), de 350 a

1050nm, é realizada por um arranjo de 512 canais de fotodiodos de silício cobertos por

um filtro de separação por ordem. Cada canal, com seu detector individual, registra a

REM de uma banda estreita de aproximadamente 1,4nm (intervalo de amostragem),

resultando em uma resolução espectral de aproximadamente 3nm em torno 700nm.

Na porção restante do espectro eletromagnético, os dados são adquiridos por

dois sensores de varredura. Cada detector é exposto a diferentes comprimentos de onda.

O primeiro mede a REM entre 900-1850nm, enquanto que o segundo, entre 1700-

2500nm. O intervalo de amostragem para cada região é de 2nm, resultando em uma

resolução espectral de 10 a 12nm, dependendo do ângulo de varredura no comprimento

de onda. Estes sensores são montados sobre uma haste que oscila com um período de

200mseg, realizando a obtenção dos dados por varredura quase que instantaneamente.

A geometria de aquisição para os dados radiométricos foi obtida com o

posicionamento do espectrorradiômetro ao nadir e a fonte de iluminação, uma lâmpada

halógena, disposta a aproximadamente 90 cm acima do plano da amostra e com

inclinação de 15° com a vertical, conforme Figura 4.3. A placa spectralon com 100% de

reflectância foi usada como referência, sendo necessária apenas uma medida da placa

para calibrar o equipamento antes de começar as medições.

38

Figura 4.3 – Geometria de aquisição dos dados radiométricos.

O equipamento utilizado estava regulado para um campo de visada de 18

o

(FOV), realizando de 10 a 25 leituras do fator de reflectância e fornecendo uma média

destes valores. O tempo de aquisição dos dados, para cada leitura, oscilava entre 17 a

200mseg, sendo obtidas as informações em tempo real.

A Equação 4.1 mostra a razão entre a radiância espectral refletida pela superfície

da amostra de solo e a radiância espectral refletida pela placa de referência, sob as

mesmas condições de iluminação e mesma geometria de aquisição dos dados,

fornecendo os valores de FRB:

FRB(λ) = (L

solo

(λ)/ L

placa

(λ))* FCA(λ) (4.1)

Onde, L

solo

(λ) é a radiância espectral do solo, L

placa

(λ) é a radiância espectral da placa de

referência (spectralon ≈ 100%), FCA(λ) é o Fator de Calibração Absoluta da placa

sepctralon e λ é o comprimento de onda.

Metodologias de análises semelhantes foram utilizadas nos trabalhos de Stoner e

Baumgardner (1981), Baumgardner et al. (1985), Valeriano et al. (1995), Formaggio et

al. (1996), Galvão et al. (1996), Pizarro (1999), porém com equipamentos diferentes.

39

Para diminuir os ruídos das curvas espectrais e facilitar a interpretação dos

espectros, os FRB calculados foram filtrados, resultando nas curvas espectrais

representadas na Figura 4.4.

Figura 4.4 – Espectros do Fator de Reflectância Bidirecional (FRB) das amostras de

solo.

4.3. Caracterização dos espectros das amostras

Observou-se nas amostras de solo estudadas uma grande identidade com a rocha

subjacente, em virtude de a região de estudo ser de clima temperado, onde os processos

de intemperismo químico não atuam de forma tão intensa sobre a rocha parental

(Meneses e Ferreira Jr. 2001), e a posição das amostras no terreno indicarem serem

solos autóctones. Diferente foi o estudo realizado por esses autores, onde houve

dificuldade em se correlacionar os minerais residuais da maioria dos solos tropicais com

a mineralogia primária da rocha-mãe.

Com base nos espectros resultantes da análise da espectrorradiometria (Figura

4.4) observou-se que a principal variação ocorre entre os valores de albedo (brilho) das

amostras, enquanto que a forma das curvas espectrais não varia, significativamente, com

as feições de absorção variando em amplitude e profundidade, mas não em quantidade e

posicionamento.

40

Nanni e Demattê (2001) encontraram resultados semelhantes ao relacionar o

grau de intemperismo de solos basálticos à intensidade de reflectância, para o mesmo

tipo de rocha com variações no grau de alteração, verificando que solos menos

intemperizados apresentaram os maiores albedos.

De uma maneira geral os solos apresentaram mineralogia predominante

constituída de quartzo, feldspato alcalino e plagioclásio e valores elevados de SiO

2

,

Na

2

O, K

2

O, materiais predominantemente de alta reflectância que se mostraram

influentes nos espectros estudados. As amostras de solo provenientes de rochas

sedimentares clásticas (arenitos, siltitos e argilitos) constituídas, principalmente, por

quartzo e algumas argilas, apresentaram pequenas quantidades de óxido de ferro e

matéria orgânica, exibindo espectros com elevado albedo e feições bem marcantes.

Como característico de solos oriundos de rochas ígneas ácidas (granitos), ricas em Si,

Na e K e com minerais de quartzo, feldspato alcalino e plagioclásio, seus espectros

apresentaram comportamento de materiais predominantemente transparente, exibindo

alto albedo e algumas bandas de absorção. Meneses e Ferreira Jr (2001), ao trabalharem

com espectros de rochas ígneas ácidas e sedimentares, encontraram resultados

semelhantes.

Segundo Hunt e Salisbury (1970), as feições espectrais de absorção de amostras

de solo no visível e no infravermelho estão associadas às interações atômicas e

vibrações moleculares de grupos químicos mineralógicos específicos presentes nas

amostras. No conjunto das curvas espectrais analisadas (Figura 4.4), as feições de

absorção mais intensas e bem definidas foram as posicionadas em 1400nm e em

1900nm originadas pelo processo vibracional molecular, que provavelmente ocorrem

pela existência de água adsorvida aos minerais argilosos ou devido ao radical hidroxila

existente nos mesmos (Madeira Netto, 2001). Existe ainda a possibilidade de estas

feições serem ocasionadas pela água aprisionada como inclusões fluídas em grãos de

quartzo. A feição de absorção em 2200nm, causada por vibrações de dobramento das

ligações Al-OH (hidroxila) existente nos argilo-minerais (caulinita, esmectita e ilita),

Figura 4.5, também foi observada nos espectros amostrais estudados.

41

Figura 4.5 – Feições de absorção em 2200nm, existentes nos argilo-minerais. Fonte:

Biblioteca espectral ENVI 4.2 (USGS).

Stoner e Baumgardner (1981) e Baumgardner et al. (1985) realizaram medições

espectrais para um total de 485 amostras de solos dos Estados Unidos (e inclusive 4

amostras de latossolo roxo provindas do Estado do Paraná) e encontraram as bandas de

absorção mencionadas em 1400nm e 1900nm para solos minimamente alterados,

dominados por matéria orgânica e óxido de ferro. Para os solos brasileiros dominados

por óxido de ferro e por minerais opacos (magntita e ilminita) estas feições foram

vagamente perceptíveis.

Valeriano et al. (1995) e Formaggio et al. (1996), analisando o comportamento

espectral 13 classes de amostras de solos tropicais de São Paulo, em regiões sob

intemperismo intenso, observaram que as amostras das classes: podzólico vermelho-

amarelo (PV), cambissolo (CB), areias quartzosas (AQ) e podzol (PZ) apresentaram

curvas espectrais de altos albedos e as duas bandas de absorção devidas à água (1450 e

1950nm) apareceram claramente. Tais solos apresentam, nos horizontes mais

superficiais, predominância de texturas arenosas e médias, e baixos teores de matéria

orgânica e de óxidos de ferro e titânio (materiais opacos). Para as demais classes

estudadas, os teores de óxido de ferro e matéria orgânica foram os fatores espectrais de

influência responsáveis pelos baixos e constantes albedos. Formaggio et al. (1996) ainda

42

salientam que as rochas básicas dão origem aos solos de mais baixo albedo, seguidas

das intermediárias e das ácidas, cujos valores de reflexão são os mais altos.

Nesse trabalho, a feição devido à presença de óxido de ferro, que ocorre na

curva espectral da amostra 6, apresentou-se bem marcante e posicionada entre 800 e

1000nm, salientada na Figura 4.4. Destacam-se ainda as feições em 2200nm devido à

caulinita (mais cristalizada), presentes nas amostras 6 e 10, indicadas por setas na

Figura 4.4. Essa feição não se mostrou bem definida nas demais amostras, indicando a

presença de uma classe de argilo-mineral ou mistura de dois ou mais minerais, não

sendo possível identificar sua predominância (Madeira Netto, 2001).

Formaggio e Epiphanio (2001), trabalhando com solos tropicais brasileiros,

observaram feições marcantes localizadas em 1450nm e em 1950nm referentes às

absorções pela água confinada típica das montmorilonitas (Hunt e Salisbury, 1970),

além de uma banda larga centrada em aproximadamente 900nm, associada ao óxido de

ferro, para a classe podzólico vermelho-amarelo (PV). Constataram também uma banda

de absorção centrada em 2200nm, atribuída à caulinita, para as classes podzólico

vermelho-amarelo (PV), latossolo vermelho-amarelo (LV) e areias quartzosas (AQ).

4.3.1 Remoção do espectro contínuo das feições de absorção

A análise das feições de absorção dos espectros amostrais foi realizada através

do método de remoção do espectro contínuo, proposto por Clark e Roush (1984), onde

se ajusta uma função matemática denominada: contínuo linha-reta, nos limites da linha

espectral (Pizarro et al., 2001). A Figura 4.6 mostra um exemplo de uma banda de

absorção resultante da aplicação de remoção do contínuo.

43

Figura 4.6 – Aplicação do método de remoção do espectro contínuo. : Adaptada de

Pizarro (1999).

As feições de absorção selecionadas para análise foram as mais freqüentes nos

espectros, decorrentes da existência de água adsorvida aos minerais argilosos ou devido

ao radical hidroxila, centradas em 1412nm (com intervalo de 1364-1500nm), 1910nm

(com intervalo de 1870-2008nm), e as causadas por vibrações de dobramento das

ligações Al-OH existente nos argilo-minerais, centradas em 2210nm (com intervalo de

2160-2230nm).

Para que estas bandas de absorção pudessem ser comparadas, houve a

necessidade de se normalizar os espectros de ambas, através da divisão do valor de

reflectância do espectro original, em cada comprimento de onda, pelo valor equivalente

projetado na função linha-reta (Clark e Roush, 1984). De acordo com a Equação 4.2, a

profundidade da banda (D

B

) é definida como:

D

B

= (R

C

- R

B

)/R

C

(4.2)

Onde, R

B

é a reflectância no centro da banda e R

C

é a reflectância do contínuo no centro

da banda.

44

Através da equação descrita acima implementada em uma planilha de cálculos

(Excel), além da profundidade de banda, também foram determinadas as áreas destas

feições. A Tabela 4.5 apresenta os valores obtidos de profundidade e área, para as

feições de absorção selecionadas. Estes parâmetros, associados às bandas de absorção,

servem como indicadores quantitativos das propriedades espectrais das amostras

analisadas.

Tabela 4.5 – Valores de profundidade (altura) e área das bandas de absorção, obtidos

pelo método de remoção do contínuo.

1412nm 1910nm 2210nm

Amostras Altura Área Altura Área Altura Área

1 0,069 4,257 0,208 15,899 0,060 1,770

2 0,060 3,707 0,163 12,192 0,045 1,584

3 0,078 4,817 0,213 16,269 0,057 2,007

4 0,082 5,084 0,210 15,802 0,052 1,733

5 0,100 6,281 0,268 19,479 0,070 2,127

6 0,055 2,738 0,095 7,139 0,072 1,733

7 0,078 4,754 0,258 19,196 0,049 1,798

8 0,060 3,957 0,186 14,383 0,032 1,165

9 0,049 2,929 0,127 9,973 0,067 2,181

10 0,054 3,046 0,134 10,470 0,063 1,851

11 0,059 3,243 0,131 10,492 0,064 2,066

12 0,065 4,208 0,175 14,394 0,050 1,810

13 0,081 4,794 0,182 14,351 0,080 2,690

14 0,028 1,660 0,097 7,696 0,038 1,411

15 0,089 5,355 0,213 16,865 0,073 2,456

Evidencia-se que a profundidade e a largura das bandas de absorção não são

apenas funções da intensidade de refletividade, ou seja, para solos com altas

refletividades, as bandas nem sempre se pronunciam mais significativamente. Seria

ideal que os parâmetros quantitativos das bandas de absorção (profundidade e área)

estivessem significativamente correlacionados com os teores dos parâmetros que as

causam (Formaggio e Epiphanio, 2001).

Buscando identificar a influência dos atributos químicos das amostras de solo,

na formação de cada uma das feições de absorção, foram estabelecidas análises de

correlação linear, a um nível de significância de 5%, entre os valores resultantes do

método de remoção do contínuo (Tabela 4.5) e os constituintes químicos (Tabela 4.2).

Encontraram-se relações significativas entre os valores de profundidade e área de cada

45

banda de absorção com os respectivos teores dos parâmetros químicos que as causam

(Tabela 4.6).

Tabela 4.6 – Valores de coeficientes de correlação linear entre os atributos químicos e

os valores resultantes do método do espectro contínuo.

1412nm 1910nm 2210nm

Constituintes

Altura Área Altura Área Altura Área

SiO2 -0,884 -0,827 -0,767 -0,768 -0,561 -0,583

Al2O3 0,876 0,811 0,712 0,720 0,617 0,645

TiO2 0,609 0,513 0,437 0,424 0,573 0,455

Fe2O3 0,683 0,565 0,479 0,466 0,641 0,556

MnO 0,186 0,098 0,174 0,159 0,273 0,131

MgO 0,694 0,687 0,789 0,732 0,151 0,137

CaO 0,695 0,706 0,845 0,800 0,112 0,132

Na2O 0,827 0,796 0,719 0,736 0,399 0,468

K2O 0,613 0,562 0,380 0,438 0,493 0,594

P2O5 0,443 0,357 0,362 0,344 0,399 0,268

P.F. 0,684 0,667 0,758 0,733 0,323 0,310

4.3.2. Determinação das feições de absorção

Com a utilização do método de remoção do espectro contínuo, foi possível a

comparação das bandas de absorção individuais a partir de um valor base comum das

amostras. Estas bandas foram centradas em 1412nm (com intervalo de 1364-1500nm),

em 1910nm (com intervalo de 1870-2008nm) e em 2210nm (com intervalo de 2160-

2230nm). As comparações seguiram os critérios das diferenças de altura (profundidade)

e das áreas destas feições, como mostradas na Tabela 4.5.

A Figura 4.7 ilustra a feição de absorção posicionada em torno de 1400nm

obtida pelo método de remoção do contínuo. As maiores diferenças entre valores de

profundidade e área desta banda espectral ocorreram em amostras com variações

significativas dos teores de SiO

2

, Al

2

O

3

, TiO

2

, Fe

2

O

3

, CaO, K

2

O. Esta afirmação é

reforçada pela análise de correlação linear entre os constituintes químicos e os valores

obtidos pelo método, mostrada no Anexo 2. SiO

2

apresentou os valores de coeficiente

mais elevados, porém com sinais negativos, seguido de Al

2

O

3

, TiO

2

, Fe

2

O

3

, CaO e K

2

O,

ambos diretamente correlacionados com os valores de profundidade e área. Estes

resultados eram esperados, visto que esta feição é associada ao processo vibracional

molecular provavelmente ocasionado pelo radical hidroxila ou pela existência de água

adsorvida aos minerais argilosos formados por estes constituintes.

46

Figura 4.7 – Espectros normalizados através do método de remoção do contínuo para

os comprimentos de onda entre 1364 a 1500nm.

A feição de absorção centrada em 1910nm apresentou os maiores coeficientes de

correlação linear positivos para os teores químicos Al

2

O

3

, MgO, CaO, e a maior

correlação negativo para SiO

2

, Anexo 2. Como na feição anterior, estes atributos

químicos compõem os argilo-minerais. A presença de água adsorvida e dos radicais de

hidroxila, ao interagirem com a radiação eletromagnética, ocasionam o processo de

vibração destas moléculas, surgindo esta banda de absorção (Hunt e Salisbury, 1970). A

comparação desta feição das diferentes amostras, conforme os parâmetros estipulados

pela análise de remoção do contínuo, encontra-se na Figura 4.8.

47

Figura 4.8 – Espectros normalizados através do método de remoção do contínuo para

os comprimentos de onda entre 1870 a 2008nm.

A sílica, SiO

2

,

apresentou correlação negativa nos dois parâmetros analisados

(profundidade e área) para as bandas de absorção centradas em 1412nm e 1910nm

(Anexo 2), reforçando a hipótese do surgimento desta feição não estar associado à água

aprisionada como inclusões fluídas em grãos de quartzo.

A terceira banda de absorção observada, centrada em 2210, mostrou os melhores

valores de correlação positiva para Al

2

O

3

e Fe

2

O

3

quando comparados à profundidade e

área desta banda (Anexo 2). Esta relação explica-se tendo em vista que estes

constituintes químicos são os principais integrantes dos minerais de argila (caulinita,

esmectita e ilita). As vibrações de dobramento das ligações Al-OH (hidroxila) causam

esta banda de absorção. Na Figura 4.9, observa-se que as amostras estão dispostas

seguindo uma tendência de ordenamento em função do aumento na concentração dos

constituintes químicos Al

2

O

3

e Fe

2

O

3

.

48

Figura 4.9 – Espectros normalizados através do método de remoção do contínuo para

os comprimentos de onda entre 2160 a 2230nm.

D`Arco et al. (2003) encontraram resultados semelhantes aos descritos acima, ao

utilizarem a mesma técnica para comparação de profundidades das feições de absorção

de cinco classes distintas de solo. Verificaram que as bandas mais pronunciadas

ocorreram nos solos de classe Argissolo Amarelo e Latossolo Vermelho Amarelo,

ambos com as maiores concentrações de caulinita, onde as feições de absorção

centradas em 2200nm aumentaram de acordo com os teores desse constituinte.

Nanni et al. (2004), Nanni et al. (2005) e Fiorio et al. (2005) utilizaram, como

parâmetros para modelos de regressão linear múltiplo, além das bandas espectrais, os

valores obtidos pela diferença entre o fator de reflectância da borda da feição de

absorção e o menor valor desta banda de absorção dos espectros eletromagnéticos

analisados. Como resultado, conseguiram discriminar as diferentes classes de solos

estudadas, com taxa de acerto médio de 91% e erro global de 8, 8%. O mesmo

procedimento estatístico gerou equações de regressão linear múltipla com coeficientes

de determinação elevados para atributos físicos (areia, silte e argila) no trabalho de

49

Genú e Demattê (2003), e para os teores de SiO

2

, Al

2

O

3

, TiO

2

e Fe

2

O

3

nos trabalhos de

Fiorio et al. (2003a) e Fiorio et al. (2003a).

4.4. Agrupamento espectral das amostras de solo

4.4.1. Análise dos dados espectrais por Componentes Principais

A Análise por Componente Principal (ACP), técnica estatística multivariada, foi

aplicada ao conjunto dos espectros obtidos, para reduzir a dimensionalidade dos dados e

proporcionar um agrupamento e/ou separação dos tipos de solo de forma mais eficiente.

Além disso, permite identificar os fatores responsáveis pela variabilidade espectral.

Salienta-se que os resultados deste tipo de tratamento estatístico variam conforme o

conjunto e a variância dos dados analisados.

Nos trabalhos de Smith et al. (1985), Galvão et al. (1996), Galvão et al. (1997),

Pizarro (1999) e Galvão et al. (2001) encontram-se exemplos da aplicação de ACP em

análise de espectros de reflectância.

Para aplicação da ACP, os valores de reflectância foram lidos, nas curvas

espectrais, a cada 125nm no intervalo de 500 até 2400nm. Os autovalores e autovetores

foram gerados por uma matriz de correlação a partir dos valores de reflectância de 15

bandas das 15 amostras. No anexo 2 apresentam-se as informações espectrais das

bandas selecionadas.

Os fatores de peso dos dois primeiros autovetores (E1 e E2), oriundos da matriz

de correlação, são mostrados na Figura 4.10. Esses apresentam uma prévia da

variabilidade nas características espectral dos dados.

-0,6

-0,4

-0,2

0

0,2

0,4

0,6

500 750 1000 1250 1625 1910 2205 2400

Comprimento de onda (nm)

vetores de peso

E1

E2

Figura 4.10 - Autovetores (E1 e E2) relacionados aos dois primeiros

componentes principais.

50

O nível de separação espectral e a identificação de grupos homogêneos entre as

amostras de solo foram identificados pela projeção dos dois primeiros escores

componentes principais (CP1 e CP2), resultantes da multiplicação dos autovetores pelas

bandas originais. Os valores dos escores dos dois primeiros componentes principais

encontram-se no Anexo 2.

Vários estudos têm utilizado Análise por Componentes Principais na análise de

espectros (Galvão et al., 1995; Galvão e Vitorello, 1995; Saldanha e Cunha, 2001),

usando os autovetores para obter informações a respeito da separação espectral de

amostras e identificação de grupos homogêneos.

Na tentativa de agrupar os espectros amostrais com a utilização da Análise por

Componentes Principais (ACP), os fatores de peso dos dois primeiros autovetores (E1 e

E2), Figura 4.10, obtidos da matriz de correlação entre os valores de reflectância de 15

bandas das 15 amostras, forneceram a primeira indicação das características para a

variabilidade espectral dos dados, onde a primeira componente (CP1) foi responsável

por 91,51% da variância total desses dados. O primeiro autovetor (E1), Figura 4.10,

apresentou seus fatores de peso positivos e constantes ao longo do intervalo de 500nm a

2400nm, indicando uma relação de covariância positiva entre as 15 bandas de

reflectância estudadas. Isso significa que CP1 varia diretamente com os valores de

reflectância do visível ao infravermelho próximo. Portanto, quando linearmente

transformados por esse autovetor (E1), os espectros tendem a se distribuir no espaço CP

de acordo com o albedo das amostras (Galvão, 2001).

Já a segunda componente (CP2) responsabilizou-se por 4,14% da variância dos

dados e está relacionada com as características de inclinação do espectro das amostras

de mesmo albedo. Visto que o segundo autovetor (E2) apresentou uma relação de

covariância negativa entre os dados de reflectância do visível, com fatores de peso

positivos, e os dados do infravermelho, com fatores de peso negativos (Figura 4.10), a

CP2 irá variar diretamente com a reflectância no visível e inversamente no

infravermelho. Quando multiplicados pelo segundo autovetor (E2), os espectros

tenderão a se distribuir no espaço CP em função de sua declividade, mais ascendente ou

descendente, no infravermelho (Galvão, 2001). O segundo autovetor (E2) representa a

forma geral dos espectros, incluindo a presença de algumas bandas de absorção, por

exemplo, 1400nm, 1900nm e 2200nm (Galvão et al., 1997).

Na Figura 4.11, onde está representada a projeção dos escores componentes

principais, a proximidade entre as amostras é um indicativo de similaridade espectral. O

51

que se observou neste caso é que não existe uma tendência de agrupamento das

amostras no que se refere ao critério de sua classificação por associação à formação

geológica ou à classe de solos. A semelhança das características químicas e

mineralógicas desses solos justificou a impossibilidade de agrupamento por esses

critérios.

Figura 4.11 - Diagrama de espalhamento dos escores componentes principais (CP1

e CP2) das 15 amostras de solo.

Galvão et al. (1995), utilizando a mesma técnica para discriminar espectros de

solos lateríticos fosfáticos e titaníferos, observaram uma tendência de agrupamento

associada ao conteúdo de minerais opacos (minerais de titânio e magnésio). As amostras

titaníferas apresentam reflectância total e a razão NIR/VIS (indicativo da inclinação do

espectro) mais baixas que as amostras fosfáticas que, devido à presença de óxidos de

ferro, apresentam diminuição do espectro apenas nos intervalos de comprimento de

onda do visível e infravermelho próximo, comportamento de minerais transopacos.

Para Galvão e Vitorello (1995) a ACP, de vários espectros de rochas

sedimentares, foi um bom indicador da homogeneidade ou heterogeneidade litológica

das unidades estratigráficas das bacias de “Wind River” e “Bighorn”, Wyoming, USA.

52

A dispersão das amostras no espaço CP foi provavelmente devido a variações na

reflectância relacionadas à mineralogia, química, granulometria e rugosidade de

superfície. Xistos ricos em esmectita, de baixo albedo, pertencentes à formação

“Thermopolis” formaram grupos distintos em função das diferenças nos conteúdos de

quartzo, responsável por maiores albedos, enquanto que as dolomitas da formação

“Goose Egg” também caíram em duas regiões correspondentes às diferenças no

conteúdo de calcita.

Analisando apenas o eixo da CP1 (Figura 4.11), onde os albedos aumentam da

esquerda para a direita, e comparando com a Figura 4.4, observa-se o mesmo

ordenamento entre os espectros amostrais, destacando as amostras 6, 2 e 4 de maiores

albedos, confirmando a relação existente entre os valores da primeira componente e a

reflectância total (Galvão, 2001).

Pela observação do segundo autovetor, os seus fatores de peso variaram de

valores positivos, em comprimentos de onda na região do visível, para valores

negativos, em comprimentos de onda no infravermelho, conforme Figura 4.10. Esse

comportamento explica a inversão das reflectâncias a partir do comprimento de onda de

1200 nm. Observando a Figura 4.12, as curvas espectrais das amostras 1, 7 e 9; 3 e 13;

11 e 15; e 2 e 4, de semelhantes escores no eixo da CP1, invertem os valores da

reflectância, constatando-se que a razão infravermelho próximo/visível, indicativa da

inclinação espectral, varia inversamente com os valores de CP2. O que resulta dessas

constatações é uma inversão espectral ao redor de 1200nm para os conjuntos de

espectros analisados. De um ponto de vista químico, o caráter mais descendente da

declividade dos espectros no infravermelho pode ser explicado pelas variações no

conteúdo de Al

2

O

3

ou da fração argila, responsável por fortes bandas de absorção em

2200nm (Galvão et al., 1996).

53

Figura 4.12 – Representação do ponto de inversão dos valores de reflectância para

o conjunto de espectros amostrais analisados com valores semelhantes de CP1.

Galvão et al. (1997) e Galvão et al. (1998) ao aplicarem a ACP em espectros de

solos tropicais, do sudeste brasileiro, encontraram os fatores peso de E2 variando de

negativos, em comprimentos de onda curtos, para positivos, em comprimentos de onda

longos. Logo, concluíram que os valores de CP2 variavam inversamente com a

reflectância em comprimentos de onda curtos e diretamente com o restante do intervalo

do infravermelho próximo. O ponto de inversão espectral foi em 1200nm para Galvão et

al. (1997) e em 820nm para Galvão et al. (1998).

4.4.2. Utilização da ACP e do FRB na formação de grupos amostrais

Na tentativa de verificar se a distribuição das amostras no espaço espectral é

controlada pelas classes de solo ou formação geológica, e agrupar seus espectros por

semelhanças nas características de inclinação espectral e intensidade de albedo, os

valores dos escores das duas primeiras componentes principais CP1 e CP2 (Anexo 2)

serviram como variáveis de entrada para uma análise de agrupamento por k-médias.

Para cada grupo também foi calculado os valores de média e desvio padrão (DP). Como

resultado foi possível formação de 5 grupos, número de grupos suficiente para que as

54

amostras pudessem ser reunidas de acordo com suas características comuns, mostrados

na Tabela 4.7. Nenhuma tendência de agrupamento com relação à classe de solo ou

formação geológica pôde ser observada.

Tabela 4.7 – Resultados da análise e estatísticas (Média e Desvio Padrão) dos

agrupamentos por K-méidas para os valores de CP1 e CP2.

Grupos Amostras Média (CP1) Média (CP2) DP (CP1) DP (CP2)

1 4 e 6 1,6806 0,5679 0,8704 0,2702

2 2, 8, 10 e 15 0,5030 -0,9679 0,5796 0,4720

3 11,12 e 14 0,0446 0,7056 0,3281 0,4934

4 3, 5 e 9 -0,8224 1,0998 0,2691 0,1250

5 1, 7 e 13 -1,0133 -0,8935 0,2224 0,6445

Utilizando o tratamento por componentes principais para reduzir a

dimensionalidade dos dados espectrais radiométricos e proporcionar um agrupamento

e/ou separação dos tipos de solo derivados de rochas máficas e ultramáficas do Cerro

Mantiqueira (RS), Saldanha e Cunha (2001) observaram que a técnica possibilitou o

agrupamento dos solos dessa seqüência em classes espectral e quimicamente similares e

diferenciá-los dos solos das rochas encaixantes. Observaram ainda que CP1 mostrou

que solos derivados de rochas ultramáficas da Seqüência Cerro Mantiqueira possuem

albedo mais baixo que aqueles das rochas encaixantes, enquanto que CP2 revelou que

os mesmos solos tiveram as menores razões NIR/VIS, com inversão espectral, quando

comparados aos das rochas encaixantes.

Outra forma de agrupar as amostras utilizou como base apenas as suas

características de brilho, ou seja, de albedo e os valores correspondentes à primeira

componente principal (Anexo 2). Os fatores de reflectância das amostras de solo foram

simulados para as bandas equivalentes do sensor LANDSAT 7 - ETM+ , para fins

comparativos, conforme Tabela 4.8.

55

Tabela 4.8 - Valores de reflectância correspondentes às bandas do sensor ETM+.

Amostras Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 7

1 0,0588 0,0777 0,1050 0,1817 0,3390 0,3067

2 0,0981 0,1370 0,1893 0,3190 0,4933 0,4660

3 0,0740 0,1021 0,1411 0,2371 0,3555 0,3111

4 0,1100 0,1530 0,2094 0,3389 0,4807 0,4274

5 0,0816 0,1124 0,1533 0,2530 0,3778 0,3129

6 0,1189 0,2260 0,3156 0,4016 0,5345 0,5132

7 0,0588 0,0762 0,0979 0,1592 0,3697 0,3379

8 0,0723 0,1003 0,1420 0,2547 0,4121 0,3671

9 0,0612 0,0947 0,1359 0,2188 0,3148 0,3025

10 0,0937 0,1272 0,1749 0,2884 0,4517 0,4038

11 0,0883 0,1342 0,1906 0,3068 0,4243 0,3873

12 0,0763 0,1101 0,1551 0,2579 0,3917 0,3506

13 0,0521 0,0748 0,1114 0,2151 0,3816 0,3212

14 0,0863 0,1303 0,1851 0,2789 0,3670 0,3785

15 0,0722 0,1101 0,1564 0,2629 0,4648 0,3860

Os grupos resultantes da análise por k-médias, para os valores de CP1 e

reflectância das amostras de solo, encontram-se nas Tabelas 4.9 e 4.10.

Tabela 4.9 – Resultados da análise e estatísticas dos agrupamentos por k-médias para os

valores de CP1.

Grupos Amostras Média (CP1) DP (CP1)

1 6 2,2961 0,0000

2 2, 4 e 10 0,9738 0,3455

3 8, 11, 12, 14 e 15 0,0579 0,2624

4 1, 3, 5, 7, 9 e 13 -0,9178 0,2443

* número de grupos suficiente para a caracterização amostral.

56

Tabela 4.10 - Resultados da análise e estatísticas dos agrupamentos por k-médias para

os valores de reflectância correspondentes às sete bandas do sensor ETM+.

Grupos Amostras Média (485nm) DP (485nm)

1 6 0,1189 0,0000

2 2, 4, 10, 11 e 15 0,0924 0,0139

3 5, 8, 12 e 14 0,0791 0,0061

4 1, 3, 7, 9 e 13 0,0610 0,0081

Grupos Amostras Média (570nm) DP (570nm)

1 6 0,2260 0,0000

2 2, 4, 10, 11 e 15 0,1323 0,0156

3 5, 8, 12 e 14 0,1133 0,0125

4 1, 3, 7, 9 e 13 0,0851 0,0125

Grupos Amostras Média (660nm) DP (660nm)

1 6 0,3156 0,0000

2 2, 4, 10, 11 e 15 0,1841 0,0198

3 5, 8, 12 e 14 0,1589 0,0184

4 1, 3, 7, 9 e 13 0,1183 0,0192

Grupos Amostras Média (840nm) DP (840nm)

1 6 0,4016 0,0000

2 2, 4, 10, 11 e 15 0,3032 0,0291

3 5, 8, 12 e 14 0,2611 0,0120

4 1, 3, 7, 9 e 13 0,2024 0,0313

Grupos Amostras Média (1650nm) DP (1650nm)

1 6 0,5345 0,0000

2 2, 4, 10, 11 e 15 0,4629 0,0267

3 5, 8, 12 e 14 0,3872 0,0195

4 1, 3, 7, 9 e 13 0,3521 0,0263

Grupos Amostras Média (2220nm) DP (2220nm)

1 6 0,5132 0,0000

2 2, 4, 10, 11 e 15 0,4141 0,0335

3 5, 8, 12 e 14 0,3523 0,0287

4 1, 3, 7, 9 e 13 0,3159 0,0141

* número de grupos suficiente para a caracterização amostral.

Posteriormente, os resultados dos agrupamentos oriundos dos valores de PC1 e

dos fatores de reflectância referentes às bandas do sensor ETM+ foram comparados

entre si. Não se observou diferença significativa entre os dois critérios utilizados para a

formação dos grupos, ou seja, a divisão das amostras entre os clusters deu-se de forma

semelhante para ambas as metodologias de agrupamento utilizadas.

57

Sobre estes grupos tentou-se verificar possíveis tendências de caracterização

relacionadas à constituição química dos solos, responsáveis pelas variações nas

intensidades de brilho. O grupo formado pelas amostras 1, 3, 5, 7, 9 e 13 (Tabelas 4.9 e

4.10), com os menores albedos, valores de CP1 e reflectância próximos entre si,

apresentou os maiores valores de perda ao fogo (P.F), parâmetro que representa

conteúdo de matéria orgânica e umidade, e de MgO, de Fe

2

O

3

, de CO e de Al

2

O

3

. Em

contrapartida, apresentam os menores valores SiO

2

, comparado com as demais

amostras, como indicado na Tabela 4.11. Por não seguirem a mesma tendência

observada, os solos de maior brilho não puderam ser caracterizadas quanto a estes

constituintes.

Tabela 4.11 – Porcentagem dos constituintes químicos do grupo de amostras de menor

albedo.

Amostras P.F> (%) MgO> (%) Fe

2

O

3

> (%) CaO> (%) SiO

2

< (%) Al

2

O

3

> (%)

1 10,51 0,32 2,38 0,51 75,06 9,17

3 9,86 0,53 2,73 0,55 72,53 10,09

5 12,18 0,96 3,2 1,11 65,07 13,41

7 12,92 0,9 3,27 1,09 67,02 11,77

9 - - - - - -

13 8,22 - 2,31 - 70,92 12,49

Em concordância com estes resultados, Galvão e Vitorello (1995), ao

trabalharem com informações espectrais de rochas sedimentares, verificaram uma

tendência de aumento do albedo, e conseqüente o aumento da CP1, com o incremento

do conteúdo de sílica, mas uma diminuição na componente argila e nos teores de óxido

de ferro e matéria orgânica.

Na análise de dados radiométricos de laboratório, Fiorio et al. (2001) puderam

separar amostras de solo do município de Barra Bonita (SP), quanto à intensidade das

curvas espectrais, em três grupos, sendo o primeiro com maiores albedos, os solos

Neossolos Quartzârenicos (RQo) e Latossolos Vermelhos Distróficos e Eutróficos (LVd

e LVe); o segundo grupo intermediário com o Latossolo Vermelho Eutroférrico (LVef)

e, com menor intensidade os solos, Nitossolos Vermelhos Eutroférricos (NVef e

NVefpp – raso) e Cambissolos Háplicos (CXbe). As características físico-químicas e

mineralógicas, determinadas na formação dos solos, propiciaram diferenças nos dados

espectrais, permitindo sua discriminação e caracterização.

58

4.5. Determinação das relações entre os constituintes químico-mineralógicos

e os espectros das amostras de solo

Foram realizadas análises de correlação entre elementos químicos e os fatores de

reflectância bidirecionais, obtidos a cada 100nm no intervalo de 400 a 2500nm, com os

resultados da análise de componentes principais (CP1 e CP2) e entre si. Esses estudos

visam a um melhor entendimento nas relações existentes entre as curvas espectrais e as

características químicas específicas dos solos. No Anexo 2, encontram-se as análises de

correlação linear (5% de significância) entre os itens destacados.

Tendo em vista que as amostras de solo apresentaram mineralogia e conteúdo

dos elementos químicos semelhantes, a análise dos coeficientes de correlação linear

apresentou valores muito baixos, não indicando uma relação significativa (a um nível de

5% de significância) entre a refletância e os atributos químicos, e entre esses e os

resultados das duas primeiras componentes principais (representado albedo e formato da

curva espectral), conforme as Tabelas no Anexo 2. Diferente destes resultados, Pizarro

et al. (2001) e Galvão et al. (2001), trabalhando com solos tropicais, encontraram

coeficientes de correlação significativos para todos os atributos químicos testados com

exceção dos resultados obtidos em 461nm.

Entretanto, com base na Figura 4.13 que representa graficamente os coeficientes

de correlação linear entre os atributos químicos e os valores de reflectância das amostras

nos diferentes comprimentos de onda, algumas considerações puderam ser feitas: as

variações dos albedos entre as amostras puderam ser mais bem explicadas pelas

diferenças de concentração dos elementos SiO

2

e Al

2

O

3

, no comprimento de onda de

2470nm, MgO e CaO, em 1910nm, e perda ao fogo (P.F), em 810nm, conforme visto na

Figura 4.13.

59

-0,60

-0,40

-0,20

0,00

0,20

0,40

0,60

400 600 800 1000 1100 1300 1500 1700 1900 2100 2300 2500

Comprimentos de onda (nm)

Coeficientes de correlação

SiO2

Al2O3

TiO2

Fe2O3

MnO

MgO

CaO

Na2O

K2O

P2O5

P.F.

Figura 4.13 – Coeficientes de correlação entre os elementos químicos e valores de

reflectância.

A similaridade na forma da maioria das curvas de correlação está associada com

as fortes relações de covariância positiva entre alguns constituintes dos solos, Anexo 2

(Galvão et al., 2001).

SiO

2

e Al

2

O

3

apresentaram as melhores correlações em 2470 nm, porém com

sinais opostos, 0,52 e -0,51 respectivamente. O efeito dos materiais argilosos na curva

espectral é provavelmente visto em comprimentos de onda maiores que 2000nm,

causando o aumento das correlações negativas com o Al

2

O

3

(Galvão e Vitorello, 1998),

observados na Figura 4.13.

A matéria orgânica, representada por P.F, apresentou um coeficiente de -0,51 em

810 nm.

MgO e CaO apresentaram os maiores coeficientes de correlação -0,45 e -0,57 ,

respectivamente, com relação ao valor de reflectância em 1910 nm.

Na análise de solos tropicais do Estado de Mato Grosso de Sul, Brasil, Pizarro et

al. (2001) e Galvão et al. (2001) encontraram os maiores coeficientes de correlação para

TiO

2

, Fe

2

O

3

e Al

2

O

3

ao redor de 1075, 2232 e 2210nm, respectivamente. Esses

constituintes também se mostraram correlacionados entre si (0,92), visto que solos

tropicais ricos em oxi-hidroxos de ferro (hematita, goetita) tendem a apresentar também

grandes quantidades de óxidos de titânio, como ilmenita, por exemplo, (Galvão e

Vitorello, 1998).

60

A matéria orgânica mostrou-se a principal responsável pela redução da

reflectância entre 600-800nm (Figura 4.13), concordando com as análises de Galvão e

Vitorello (1998).

De forma análoga à análise anterior, os atributos químicos mais relacionados à

CP1 foram os mesmos citados anteriormente. SiO

2

e Al

2

O

3

apresentaram valores

semelhantes, com sinais opostos, seguidos de P.F (-0,42), CaO (-0,37) e MgO (-0,26).

Galvão et al. (1996), na tentativa de caracterizar as relações de similaridade espectral

entre diferentes perfis de solos tropicais brasileiros através de uma abordagem baseada

em Análise por Componentes Principais, encontraram o Fe

2

O

3

e Al

2

O

3

, dos

constituintes analisados, como os mais importantes para explicar a variação dos escores

de CP1 (variação de albedo).

Na análise de correlação linear, com 5% de significância, apenas com os dados

dos elementos químicos dos solos, mostrados no Anexo 2, verificou-se que SiO

2

está

inversamente correlacionado com os demais constituintes. O que explica o fato de SiO

2

ter correlações positivas com as reflectâncias e com a CP1 é uma tendência de aumento

de albedo com o aumento do conteúdo deste constituinte, ao passo que os outros

componentes, tendo apresentado valores negativos, indicam uma tendência de

diminuição nas reflectância com o aumento da concentração dos mesmos.

Entre SiO2 e Al

2

O

3

ocorreu a maior correlação negativa, valor de r de -0, 989,

indicando que a sílica existente nas amostras de maior albedo pode ser oriunda dos

grãos de quartzo e não de argilo-minerais. Para as amostras de menor albedo, a

diminuição da sílica total pode significar o deslocamento dessa, dos grãos de quartzo,

para os feldspatos alcalinos, plagioclásios ou argilo-minerais, em função dos aumentos

observados nos constituintes Na

2

O, K

2

O e CaO destas amostras.

Galvão e Vitorello (1996), ao estudarem as relações entre reflectância e

constituintes de solos tropicais do estado de São Paulo, encontraram padrão de

comportamento similar entre SiO

2

e Al

2

O

3

, com uma correlação linear positiva (r =

0,88) entre os mesmos.

Na tentativa de explicar a ocorrência de minerais félsicos (claros) e máficos

(escuros), foi analisado o resultado da correlação linear do somatório dos teores de

Fe

2

O

3

, CaO, MgO, TiO

2

e MnO com SiO

2

, Anexo 2. A alta correlação negativa (-0,88),

explica a predominância dos minerais de quartzo sobre os demais minerais opacos

constituídos por Fe

2

O

3

, CaO, MgO, TiO

2

e MnO.

61

Salienta-se que ajustes não-lineares sobre os dados podem melhor expressar as

relações entre constituintes químicos, fatores de reflectância bidirecionais e resultados

da análise de componentes principais.

De uma forma geral as características radiométricas das amostras juntamente

com a primeira componente principal (CP1), que retrata a variação de reflectância dos

alvos, possibilitaram a formação de grupos por similaridade química, onde o grupo de

amostras com mais baixos albedos apresentaram baixos valores de SiO

2

e altos

conteúdos de MgO, Fe

2

O

3

, CaO e Al

2

O

3

e de matéria orgânica. As características

radiométricas das amostras de solo analisadas nesse Capítulo servirão para auxiliar o

estudo das relações entre as variações de albedo dos substratos e as variáveis espectrais

coletas das imagens, obtidas do sensor orbital, abordado no próximo Capítulo.

62

CAPÍTULO V

INVESTIGAÇÃO DA PARTICIPAÇÃO DO SOLO NAS VARIÁVEIS

ESPECTRAIS DAS IMAGENS

Neste capítulo serão analisadas as relações entre as variações no comportamento

espectral dos substratos e as variáveis espectrais utilizadas no modelo JONG (Fonseca,

2004), obtidas das imagens orbitais. Tal análise será baseada na comparação entre os

dados espectrais de laboratório e das imagens, no intuito de investigar a participação e

contribuição do comportamento espectral dos solos nas variações dos valores das

variáveis espectrais testadas.

5.1. Determinação das variáveis espectrais nas áreas amostradas nas

imagens

A localização geográfica dos pontos a serem amostrados foi definida nas

imagens por meio da visualização de diferenças espectrais em área de ocorrência do

Bioma Pampa a ser avaliado, Figura 5.1. Um trabalho de campo foi realizado e, por

meio do uso de GPS, as coordenadas planas adquiridas no sistema UTM foram

acessadas, definindo-se assim a posição das unidades amostrais.

5.1.1.Imagens utilizadas

Tendo em vista a que o trabalho visa dar continuidade ao desenvolvido por

Fonseca (2004), analisando a contribuição espectral dos diferentes substratos do Bioma

Pampa na componente espectral do modelo JONG, foram utilizadas as mesmas imagens

LANDSAT 7, sensor ETM+, referentes à órbita / ponto 222/82, correspondentes às

datas de 19/11/2002 e 06/01/2003, garantindo uma uniformidade da vegetação quanto

63

ao estádio fenológico e cobertura vegetal do solo nas unidades amostrais, conforme o

trabalho citado. A utilização da imagem correspondente à data de 02/10/2002 serviu

para aumentar a gama de possibilidades de investigação das variações espectrais entre

as unidades amostrais, visto que no mês de outubro as espécies vegetais estavam no

início da estação de crescimento existindo ainda uma grande quantidade de solo

descoberto (Fonseca, 2004). As características dessas imagens encontram-se no Anexo

3.

Outubro

Novembro

Janeiro

Figura 5.1 – Posicionamento de algumas unidades amostrais nas imagens LANDSAT 7

de outubro, novembro e janeiro, respectivamente, com composição R(4)G(5)B(3).

64

5.1.2. Processamento das imagens para a determinação das variáveis

espectrais

5.1.2.1. Retificação geométrica

As imagens LANDSAT 7, fornecidas com um pré-georreferenciamento, foram

submetidas a novo procedimento de correção geométrica, tendo em vista melhorar a

qualidade geométrica das mesmas. Com o auxílio de cartas topográficas da Diretoria do

Serviço Geográfico do Exército Brasileiro, na escala 1:50.000, como base cartográfica

para extração das coordenadas geodésicas dos pontos de controle, localizou-se as

feições homólogas nas imagens sendo esses pontos localizados, principalmente, em

cruzamento de estradas. Utilizou-se um polinômio de transformação de segundo grau,

para o cálculo das novas coordenadas das imagens, obtendo um erro médio quadrático

menor que um pixel (30m). O interpolador “vizinho mais próximo” foi o método

utilizado para realizar a transferência dos valores digitais dos pixels originais para as

novas posições corrigidas. Todas estas operações foram realizadas no ENVI 4.2.

5.1.2.2. Correção dos dados orbitais para os efeitos de absorção e

espalhamento atmosféricos e padronização das imagens utilizadas

Antes de proceder à correção atmosférica propriamente dita, as imagens

precisaram ser calibradas para valores de radiância espectral, por meio de uma equação

linear (Equação 5.1) que converte os níveis digitais medidos (ND) pelo sensor ETM+

em radiância, utilizando coeficientes de calibração (Anexo 3) (NASA, 2006):

L

λ

= LMIN

λ

+ ((LMAX

λ

- LMIN

λ

)/NDMAX) * ND

λ

(Wcm

-2

sr

-1

µm

-1

) (5.1)

Onde, L

λ

é a radiância espectral detectada pelo sensor, LMIN

λ

é a radiância espectral

quando o ND = 0, LMAX

λ

é a radiância quando ND = NDMAX

λ

, NDMAX é o nível

digital máximo medido pelo sensor (255) e ND

λ

é o nível digital detectado. Todas essas

variáveis são dependentes do comprimento de onda (λ).

Após o processo de calibração, as imagens foram transformadas de valores de

radiância espectral para valores de reflectância aparente (ρ

p

), através da Equação 5.2,

considerando a irradiância solar no topo da atmosfera:

ρ

p

= (π . L

λ

. d

2

)/(ESUN

λ

. cosθ

s

) (5.2)

65

Onde, L

λ

é a radiância espectral, d é a distância sol-terra em unidades astronômicas, θ

s

é

o ângulo zenital solar em graus e ESUN é a irradiância solar no topo da atmosfera.

Sendo todas as variáveis dependentes do comprimento de onda. Os valores de ESUN

encontram-se no Anexo 3.

Seguindo a metodologia proposta por Hall et al. (1991) e adotada no trabalho de

Fonseca (2004), apenas a imagem de atmosfera mais limpa no momento da aquisição da

imagem, correspondente ao dia 6 de janeiro do ano de 2006, teve seus dados corrigidos

para os efeitos de absorção e espalhamento atmosférico. As demais permaneceram em

valores de reflectância aparente para após sofrerem o processo de normalização

radiométrica.

Realizou-se a correção atmosférica, utilizando o módulo FLAASH, existente no

programa ENVI 4.2, que incorpora o modelo de transferência radioativa MODTRAN4.

O modelo baseia-se em uma equação padrão para a determinação da radiação espectral

de um pixel, que se aplica a um certo intervalo do comprimento de onda solar e para

alvos de superfícies lambertianas. Os valores de reflectância de superfície são

resultantes deste modelo que é descrito pela Equação 5.3 (Matthew et al., 2000).

L = ((A . ρ)/(1 – ρ

e

. S)) + ((B . ρ)/(1 – ρ

e

. S)) +La (5.3)

Onde, ρ é a reflectância de superfície do pixel, ρ

e

é a reflectância média de superfície da

região circundante ao pixel analisado, S é o albedo esférico da atmosfera, La é a

radiância retro-espalhada pela atmosfera, e A e B são coeficientes dependentes das

condições geométricas e atmosféricas e independentes das condições de superfície.

Todas essas variáveis são dependentes das bandas espectrais (ENVI, 2004).

Com as informações dos ângulos de visada e solar, altitude média do terreno,

modelo atmosférico, tipo de aerossol e visibilidade horizontal, o MODTRAN4 simula

as condições atmosféricas locais no momento da passagem do satélite e determina os

valores de A, B e La (Matthew et al., 2000).

Os parâmetros atmosféricos que mais afetam a resposta espectral de uma dada

superfície são o vapor d’água (H

2

O), os aerossóis, as misturas de gases (O

2

, CO

2

, CH

4

)

e o ozônio (Pizarro, 1999). Assim, para que suas concentrações pudessem ser estimadas

os seguintes dados foram informados: o tipo de sensor (LANDSAT 7 - ETM+), a

altitude do sensor (700km), a altitude média do terreno (325m), o tamanho do pixel

66

(30m), a data e a hora de vôo (06/01/2003 e 13:13:36), o modelo atmosférico (meia-

latitude de verão), o modelo de aerossóis (rural) e a visibilidade inicial (50m).

As imagens de outubro e novembro, em valores de reflectância aparente,

sofreram o processo de normalização radiométrica, para que fossem minimizados os

efeitos causados pela atmosfera, pelas variações nas condições de iluminação (posição

aparente do sol) e por mudanças nas características do sensor ao longo do tempo

(calibração), seguindo o modelo proposto por Hall et al. (1991). A imagem de janeiro,

em valores de reflectância de superfície, serviu como referência para o processo. As

operações realizadas foram feitas no módulo LEGAL, pertencente ao aplicativo Spring.

A definição da série radiométrica de controle, tanto para a imagem referência

quanto para as demais cenas, foi obtida pela geração das imagens “Greenness” e

“Brihgtness” de toda série temporal estudada (3 meses). Os coeficientes da

Transformação Tasseled Cap, utilizados na Equação 2.5 para a geração destas imagens,

foram apresentados por Huang et al. (2002), Anexo 3. A identificação da série

radiométrica de controle das imagens reflectância, de superfície e aparente, foi realizada

determinando os extremos do gráfico de espalhamento entre valores de níveis de cinza

dos pixels das imagens “Brigthness” e “Greenness”, para cada mês. Os extremos deste

gráfico, ao longo da abscissa (“Brigthness”), correspondem aos elementos da paisagem

(não vegetados) que têm a mesma reflectância entre passagens sucessivas, chamadas

Feições Pseudo-Invariantes (FPIs).

Identificadas as séries radiométricas para os pontos de controle claros e escuros,

foram calculados os valores médios de reflectância destes pontos para cada banda

(Anexo 3), que serviram para o cálculo dos coeficientes de transformação angular

(Equação 2.3) e linear (Equação 2.4) da equação linear de normalização (Equação 2.2).

Após o processo de normalização radiométrica, determinou-se os valores médios

de reflectância dos pontos de controle (FPIs) claros e escuros, da imagem já

normalizada (Anexo 3). Este procedimento tem por finalidade a verificação dos critérios

de avaliação do processo, já que a variação entre os valores da referência e das

diferentes datas para cada banda deve ser menor que 1%.

5.1.2.3. Análise do comportamento espectral das unidades amostrais para as

diferentes datas de aquisição de dados orbitais

Os valores de reflectância de superfície extraídos dos pixels, referentes às

unidades de amostrais, correspondem a um valor obtido pelo cálculo da média de uma

67

janela de 3x3 pixels circundantes ao alvo. Tal método foi utilizado a fim de se

minimizar o efeito do pixel vizinho (por adjacência) sobre as unidades amostrais. Os

valores médios de reflectância de superfície para cada unidade amostral referente à

imagem LANDSAT 7-ETM+, dos meses de outubro, novembro e janeiro encontram-se

no Anexo 4.

A Figura 5.2 apresenta as curvas de reflectância de superfície para a unidade

amostral 4 nas diferentes datas de imagens analisadas. Para as demais unidades, as

curvas de reflectância de superfície são apresentadas no Anexo5.

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Figura 5.2 – Reflectância de superfície da unidade amostral 4 para as diferentes datas

analisadas.

Não se observou padrão algum de comportamento característico para as

unidades amostrais, nos diferentes meses estudados. Exceto pela banda 4 que, para o

mês de janeiro, apresentou na maioria dos pontos de amostragem valores de reflectância

superior quando comparados com as demais datas. Isto pode ser explicado pela

existência de uma maior disponibilidade de forragem no verão, quando comparada à

primavera, especificamente entre os meses de outubro e novembro, momento em que

começa o rebrote das espécies estivais.

Trabalhando no mesmo bioma, porém em unidades amostrais diferentes,

Fonseca (2004) observou um padrão de comportamento característico de baixa

densidade de vegetação associado às medições do mês de outubro em todas as unidades,

o que aumentou a participação do solo na composição da resposta espectral dos pixels.

Provavelmente os resultados do presente trabalho diferenciaram-se dos de Fonseca

68

(2004) em razão da localização dos pontos de amostragem estar distribuída em uma área

maior, abrangendo diferentes substratos com heterogeneidade da composição florística.

5.2. Processamento de imagens para o agrupamento das unidades amostrais

5.2.1. Aplicação do Modelo Linear de Mistura Espectral (MLME)

Usou-se uma relação linear para representar as misturas espectrais dos alvos

dentro do pixel, elemento de resolução dos sistemas de sensoriamento remoto, onde o

modelo utilizado (Equação 2.6) assume que a reflectância de cada pixel é uma

combinação linear da reflectância dos membros de referência. Dessa forma, as

proporções de cada membro de referência podem ser calculadas para cada pixel,

correspondentes às informações contidas na unidade de resolução terrestre

(Shimabukuro e Smith, 1991).

Os membros de referência (pixels puros) escolhidos foram vegetação, solo e

água. As características do terreno dificultaram a identificação de alvos sombreados. A

Figura 5.3 apresenta o comportamento espectral dos alvos escolhidos como membros de

referência, correspondentes à imagem de Janeiro.

A definição dos membros de refrência foi feita com base na escolha dos pixels

extremos do diagrama de espalhamento bidimensional para as imagens CP1 e CP2,

resultantes do ACP para as imagens de reflectância de superfície. Estes alvos, de

resposta espectral contrastantes, tiveram posicionamentos diferentes no gráfico, e seus

correspondentes espectros de reflectância foram recuperados e analisados (Pizarro,

1999).

69

0,000

0,005

0,010

0,015

0,020

0,025

0,030

0,035

485 570 660 840 1650 2220

Comprimento de onda (nm)

Reflectânicia de Superfície

0,00

0,10

0,20

0,30

0,40

0,50

485 570 660 840 1650 2220

Comprimento de onda (nm)

Reflectânicia de Superfície

0,00

0,10

0,20

0,30

0,40

0,50

485 570 660 840 1650 2220

Comprimento de onda (nm)

Reflectânicia de Superfície

Figura 5.3 – Comportamento espectral dos membros de referência água, solo e

vegetação, respectivamente, correspondentes à imagem de Janeiro.

Água

Solo

Vegetação

70

Para a estimativa de abundância de cada componente dentro do pixel foi usado o

método de decomposição do valor singular (DVS), proposto por Boardman (1989), que

utiliza poderosas técnicas de análise matricial na “desmistura” espectral e determinação

da escala espacial da mistura. Todas as análises de mistura espectral das imagens foram

realizadas no ENVI 4.2. As proporções correspondentes às frações de solo e vegetação,

resultantes do MLME, são apresentadas na Tabela 5.1.

Tabela 5.1 – Valores resultantes do Modelo Linear de Mistura Espectral para os meses

de outubro, novembro e janeiro.

Outubro Novembro Janeiro

Unidades Vegetação Solo

1 0,48 0,22 1 0,46 0,35 1 0,52 0,25

2 0,81 0,06 2 0,64 0,17 2 0,62 0,20

3 0,56 0,39 3 0,50 0,45 3 0,55 0,40

4 0,55 0,33 4 0,54 0,37 4 0,60 0,33

5 0,35 0,37 5 0,55 0,26 5 0,53 0,31

6 0,31 0,43 6 0,45 0,15 6 0,39 0,24

7 0,36 0,24 7 0,44 0,19 7 0,43 0,23

8 0,49 0,30 8 0,48 0,37 8 0,55 0,35

9 0,15 0,70 9 0,38 0,33 9 0,07 0,83

10 0,38 0,36 10 0,54 0,23 10 0,47 0,30

11 0,48 0,25 11 0,54 0,21 11 0,57 0,16

12 0,66 0,30 12 0,61 0,29 12 0,58 0,28

13 0,44 0,24 13 0,61 0,10 13 0,60 0,14

14 0,57 0,30 14 0,55 0,25 14 0,67 0,23

15 0,58 0,23 15 0,66 0,15 15 0,59 0,22

Realizou-se o estudo das correlações entre os resultados do modelo linear de

mistura espectral (Tabela 5.1) e os valores de reflectância média de superfície de cada

unidade amostral (Anexo 4), na tentativa de se obter um melhor entendimento das

variações no comportamento espectral das unidades frente às diferentes proporções dos

alvos, entre as três datas analisadas.

No Anexo 2, encontra-se o resultado desta análise de correlação linear

(coeficiente r de Pearson), onde se verificaram altas correlações entre as quantidades de

vegetação e as reflectâncias na banda 4 (840nm) para os três meses estudados, o que era

esperado visto a resposta espectral da vegetação frente a interação com radiação

eletromagnética neste comprimento de onda. Nas porções referentes ao solo, os maiores

coeficientes de correlação apareceram na banda 3 (660nm), banda 5 (1650nm) e banda 7

(2220nm), também para os três meses. Estes resultados justificam-se, pois quanto maior

71

a participação do solo na resposta espectral do pixel, maior são os valores de

reflectância nestas bandas.

5.2.2. Método de análise de agrupamento por k-médias

Baseado unicamente na proximidade entre as proporções de vegetação e solo

extraídas dos pixels (Tabela 5.1), e independente das diferenças nas datas de aquisição

das imagens, as unidades amostrais foram reunidas em sete grupos distintos, com

semelhantes frações de vegetação e solo entre os pixels. Os agrupamentos resultantes,

conforme o método de análise de agrupamento por k-médias e as respectivas estatísticas

de cada grupo, média e desvio padrão (DP), são mostrados na Tabela 5.2.

Tabela 5.2 – Resultados da análise e estatísticas dos agrupamentos por k-médias para os

valores de fração vegetação e solo.

Unidades

Mês Veg Solo

Grupo 1

(0,07 a 0,15) (0,70 a 0,83) Média (Veg) DP (Veg) Média (Solo) DP (solo)

9

out 0,15 0,70

0,1100 0,0566 0,7650 0,0919

9

jan 0,07 0,83

0,1100 0,0566 0,7650 0,0919

Grupo 2

(0,31 a 0,38) (0,33 a 0,43)

5

out 0,35 0,37

0,3550 0,0332 0,3725 0,0419

6

out 0,31 0,43

0,3550 0,0332 0,3725 0,0419

10

out 0,38 0,36

0,3550 0,0332 0,3725 0,0419

9

nov 0,38 0,33

0,3550 0,0332 0,3725 0,0419

Grupo 3

(0,36 a 0,48) (0,15 a 0,25)

1

out 0,48 0,22

0,4338 0,0414 0,2200 0,0338

7

out 0,36 0,24

0,4338 0,0414 0,2200 0,0338

11

out 0,48 0,25

0,4338 0,0414 0,2200 0,0338

13

out 0,44 0,24

0,4338 0,0414 0,2200 0,0338

6

nov 0,45 0,15

0,4338 0,0414 0,2200 0,0338

7

nov 0,44 0,19

0,4338 0,0414 0,2200 0,0338

6

jan 0,39 0,24

0,4338 0,0414 0,2200 0,0338

7

jan 0,43 0,23

0,4338 0,0414 0,2200 0,0338

Grupo 4

(0,46 a 0,56) (0,30 a 0,45)

3

out 0,56 0,39

0,5164 0,0370 0,3564 0,0463

4

out 0,55 0,33

0,5164 0,0370 0,3564 0,0463

8

out 0,49 0,30

0,5164 0,0370 0,3564 0,0463

1

nov 0,46 0,35

0,5164 0,0370 0,3564 0,0463

3

nov 0,50 0,45

0,5164 0,0370 0,3564 0,0463

4

nov 0,54 0,37

0,5164 0,0370 0,3564 0,0463

8

nov 0,48 0,37

0,5164 0,0370 0,3564 0,0463

3

jan 0,55 0,40

0,5164 0,0370 0,3564 0,0463

5

jan 0,53 0,31

0,5164 0,0370 0,3564 0,0463

8

jan 0,55 0,35

0,5164 0,0370 0,3564 0,0463

10

jan 0,47 0,30

0,5164 0,0370 0,3564 0,0463

Grupo 5

(0,52 a 0,59) (0,16 a 0,26)

15

out 0,58 0,23

0,5622 0,0307 0,2233 0,0308

5

nov 0,55 0,26

0,5622 0,0307 0,2233 0,0308

72

Tabela 5.2 – Continuação…

Unidades

Mês Veg Solo

Grupo 5

(0,52 a 0,59) (0,16 a 0,26)

Média (Veg) DP (Veg) Média (Solo) DP (Solo)

10

nov 0,54 0,23

0,5622 0,0307 0,2233 0,0308

11

nov 0,54 0,21

0,5622 0,0307 0,2233 0,0308

14

nov 0,55 0,25

0,5622 0,0307 0,2233 0,0308

1

jan 0,52 0,25

0,5622 0,0307 0,2233 0,0308

2

jan 0,62 0,20

0,5622 0,0307 0,2233 0,0308

11

jan 0,57 0,16

0,5622 0,0307 0,2233 0,0308

15

jan 0,59 0,22

0,5622 0,0307 0,2233 0,0308

Grupo 6

(0,57 a 0,67) (0,23 a 0,33)

12

out 0,66 0,30

0,6150 0,0414 0,2883 0,0331

14

out 0,57 0,30

0,6150 0,0414 0,2883 0,0331

12

nov 0,61 0,29

0,6150 0,0414 0,2883 0,0331

4

jan 0,60 0,33

0,6150 0,0414 0,2883 0,0331

12

jan 0,58 0,28

0,6150 0,0414 0,2883 0,0331

14

jan 0,67 0,23

0,6150 0,0414 0,2883 0,0331

Grupo 7

(0,60 a 0,81) (0,06 a 0,17)

2

out 0,81 0,06

0,6640 0,0850 0,1236 0,0447

2

nov 0,64 0,17

0,6640 0,0850 0,1236 0,0447

13

nov 0,61 0,10

0,6640 0,0850 0,1236 0,0447

15

nov 0,66 0,15

0,6640 0,0850 0,1236 0,0447

13

jan 0,60 0,14

0,6640 0,0850 0,1236 0,0447

* número de grupos suficiente para a caracterização amostral.

Com o intuito de evitar que algumas unidades amostrais fossem comparadas a

outras com diferentes frações de vegetação e solo na composição dos pixels, os grupos

apresentados na Tabela 5.2 serviram apenas como base na comparação entre as

diferenças de valores das variáveis espectrais de cada unidade amostral, na tentativa de

investigar a contribuição espectral dos substratos a essas variáveis.

Os grupos 1 e 7 foram descartados das análises posteriores, visto que o grupo 1 é

formado pela mesma unidade amostral (unidade 9), porém de datas diferentes (outubro

e janeiro), e os pixels amostrais grupo 7 são dominados pela fração vegetação, fato esse

que pode mascarar a participação do solo na composição espectral destes pixels.

Naturalmente a ocorrência significativa de vegetação pode alterar e mascarar a

resposta espectral dos materiais terrestres. A significância da cobertura vegetal depende

primeiramente da quantidade e tipo de vegetação e da reflectância espectral do

substrato. Materiais de baixo albedo são os mais afetados, podendo ter suas

características espectrais mascaradas a partir de 10% de cobertura vegetal verde (Siegal

e Goetz, 1977).

73

5.3. Relações entre as variáveis espectrais do modelo JONG e as variações

de albedo dos substratos

5.3.1. Diferenciação espectral das amostras de solo e das variáveis nos

diversos grupos

Para cada unidade amostral foram calculadas as variáveis espectrais utilizadas

por Fonseca (2004): NDVI, SAVI (utilizando os diferentes valores da constante L),

Diferença Normalizada (entre as bandas 4 e 5, bandas 4 e 7, bandas 5 e 3 e bandas 7 e 3)

e as imagens resultantes da transformação Tasseled Cap.

Os índices baseados em diferenças normalizadas (ND) realçam o contraste entre

solo e vegetação, minimizando os efeitos das condições de iluminação. Contudo, são

sensíveis as propriedades ópticas do solo (Elvidge e Lyon, 1985). São eles:

- Índice de Vegetação por Diferença Normalizada (NDVI – Normalized Difference

Vegetation Index) NDVI = (banda 4 - banda 3)/ (banda 4 + banda 3)

- Diferença Normalizada (ND – Normalized Difference)

ND 45 = (banda 4 - banda 5)/ (banda 4 + banda 5)

ND 47 = (banda 4 - banda 7)/ (banda 4 + banda 7)

ND 53 = (banda 5 - banda 3)/ (banda 5 + banda 3)

ND 73 = (banda 7 - banda 3)/ (banda 7 + banda 3)

O Índice de Vegetação Ajustado ao Solo (SAVI – Soil Adjusted Vegetation

Index) é derivado do NDVI, onde a constante L é introduzida de forma a minimizar as

influências do brilho do solo. A constante L varia função da densidade de dossel (Huete

et al., 1985). SAVI = (banda 4 - banda 3)/ (banda 4 + banda 3 + L) . (1 + L)

L = 0,25; 0,5; 0,75; 1

As imagens resultantes da transformação Tasseled Cap foram calculadas a partir

das bandas 1, 2, 3, 4, 5 e 7 do conjunto de imagens normalizadas através da Equação 2.4

e utilizando os coeficientes apresentados por Huang et al. (2002), no Anexo 3.

Para que os espectros de reflectância das amostras de solo, resultantes da

espectrorradiometria, pudessem ser comparados às variáveis espectrais das unidades

amostrais pertencentes a cada agrupamento, quanto as suas variações de valor, esses

espectros foram recalculados simulando os intervalos de comprimento de onda nominais

equivalentes às bandas 1 (485nm), 2 (570nm), 3 (660nm), 4 (840nm), 5 (1650nm), e 7

(2220nm) do sensor LANDSAT 7-ETM+.

O teste de Tukey para comparação de médias foi aplicado a todas as variáveis

radiométricas e espectrais das imagens, com a intenção de verificar dentro de um

74

mesmo grupo quais dessas variáveis eram estatisticamente diferentes, a um nível de

significância de 5%, para que pudessem ser comparadas e posteriormente utilizadas no

estudo da contribuição espectral dos substratos e localização das bandas mais sensíveis

a essa contribuição. Os resultados do teste para os dados de radiometria encontram-se na

Tabelas 5.3 e Anexo 6, e para as variáveis espectrais de imagem, dentro de cada grupo,

na Tabela 5.4 e anexo 7.

Tabela 5.3 – Resultados do teste de Tukey para a comparação das reflectâncias médias

das amostras correspondentes ao intervalo 450 a 520nm (Banda 1).

Tukey HSD

a

Agrupamentos para alfa = 0,05

Amostras N 1 2 3 4 5 6 7 8 9 10

13 71 0,0521

7 71 0,0588

1 71 0,0588

9 71 0,0612

15 71 0,0722

8 71 0,0723

3 71 0,0740 0,0740

12 71 0,0763

5 71 0,0816

14 71 0,0863

11 71 0,0883

10 71 0,0937

2 71 0,0981

4 71 0,1100

6 71 0,1189

Sig. 1,0000 0,6006 0,9404 0,7197 1,0000 0,8931 1,0000 1,0000 1,0000 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa Média Harmônica com tamanho de amostra = 71,000.

Tabela 5.4 – Resultados do teste de Tukey para a comparação das reflectâncias médias

de superfície correspondentes à banda 1 (485nm) do grupo 2.

Banda 1

Tukey HSD

a

N Agrupamentos para alfa = 0,05

unidade mês 1 2

9 nov 9 0,0348

10 out 9 0,0434 0,0434

6 out 9 0,0475 0,0475

5 out 9 0,0548

Sig. 0,1760 0,0678

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa Média Harmônica com tamanho de amostra = 9,000.

O teste de Tukey, com significância de 5%, para a comparação destas

reflectâncias médias (Tabela 5.3 e Anexo 6) mostrou que para a banda 1 as amostras 1,

75

7 e 9; 3, 8 e 15; 3 e 12; 11 e 14 não diferiram significativamente entre si. O mesmo

aconteceu para algumas amostras nas bandas 2, 3, 4 e 7 (Anexo 6) onde as médias de

reflectância pertencentes à mesma coluna não divergiram entre si. Apenas na banda 5,

todas as amostras diferenciaram-se significativamente. A semelhança entre o conteúdo

dos elementos químicos e a mineralogia das amostras, mostrada no item 4.3, pode

explicar o fato de algumas reflectâncias médias, em certos comprimentos de onda, não

terem apresentado resultados diferentes.

Entre as unidades amostrais, dentro de cada um dos 5 grupos, o teste de Tukey

aplicado aos valores médios de reflectância de superfície das bandas individuais do

sensor LANDSAT 7-ETM+ e às variáveis espectrais (NDVI, SAVI e ND 4-5, ND 4-7,

ND 5-3, ND 5-7, Brightness, Greenness e Wetness) utilizadas no trabalho de Fonseca

(2004), mostrado na Tabela 5.4 e Anexo 7, apresentou valores médios

significativamente iguais entre si nas bandas 3, 5, e 7 e nos índices NDVI, SAVI

(utilizando os quatro diferentes valores de constante), ND 4-5, ND 4-7, ND 7-3 e

Wetness para o grupo 2; na banda 7 e nas variáveis ND 4-5, ND 4-7 e Greenness para o

grupo 3; na banda 7 e nos índices NDVI, SAVI (utilizando os quatro diferentes valores

de constante) e ND 4-7 para o agrupamento 4; e nas variáveis espectrais Wetness e

NDVI para os grupos 5 e 6, respectivamente. Esses resultados não foram incluídos nos

estudos posteriores por não servirem como indicadores de comparação das variações de

brilho entre as unidades amostrais, pois não apresentaram diferença significativa entre

seus valores a um nível de 5%.

5.3.2. Comparação entre os dados espectrais de laboratório e das imagens

Buscando investigar a participação e contribuição do comportamento espectral

dos solos nas variações dos valores de reflectância de superfície e das variáveis

espectrais, testadas por Fonseca (2004) em cada unidade amostral, os valores de fator de

reflectância bidirecionais (FRB) das amostras de solo foram comparados aos dados

espectrais oriundos das imagens. Para isso, utilizaram-se somente dados espectrais

realmente diferentes entre si a um nível de 5% de significância. Valores de reflectância

das amostras de solo foram escalonados conforme suas ordens de grandeza e

comparados aos valores de suas unidades amostrais correspondentes, também

classificadas de forma crescente. Individualmente, confrontaram-se os pares das

unidades amostrais, com magnitudes significativamente diferentes, comparando-os e

verificando se as diferenças existentes entre estas unidades tinham correspondência nas

76

amostras de solo. A Tabela 5.5 ilustra o procedimento utilizado e indica alguns

resultados referentes ao grupo 2. Para os demais grupos, as respectivas tabelas

encontram-se no Anexo 8.

Tabela 5.5 – Comparação entre os valores médios de reflectância (FRB) dos solos e as

variáveis espectrais das unidades amostrais para o grupo 2.

Grupo 2

Unidades

Mês Imag (B1) FRB (B1)

Unidades

Mês Imag (B1) Amostras FRB (B1)

5 out

0,0548 0,082

9

nov(1)

0,0348 9(2) 0,061

6 out 0,0475 0,119

10

out(1,2)

0,0434

5(5)

0,082

10 out

0,0434 0,094

6

out(1,2)

0,0475

10(7)

0,094

9 nov

0,0348 0,061

5

out(2)

0,0548

6(10)

0,119

imag (B2)

FRB (B2)

imag (B2)

FRB (B2)

5 out

0,0912 0,112

9

nov(1)

0,0640 9(2) 0,095

6 out 0,0786 0,226

10

out(1,2)

0,0763 5(3) 0,112

10 out

0,0763 0,127

6

out(1,2)

0,0786 10(4) 0,127

9 nov

0,0640 0,095

5

out(2)

0,0912 6(7) 0,226

imag (B4)

FRB (B4)

imag (B4)

FRB (B4)

5 out

0,3335 0,253

9

nov(1) 2437 9(3) 0,219

6 out 0,2897 0,402

6

out(1,2) 2897 5(5) 0,253

10 out

0,3043 0,288

10

out(1,2) 3043 10(8) 0,288

9 nov

0,2437 0,219

5

out(2) 3335 6(12) 0,402

ND 5-3

5 out

0,469

6

out(1) 0,462

6 out 0,462

5

out(1) 0,469

10 out

0,504

10

out(1,2) 0,504

9 nov

0,518

9

nov(1,2) 0,518

BRIGHT

5 out

4154

9

nov(1) 3126

6 out 3644

6

out(1,2) 3644

10 out

3776

10

out(1,2) 3776

9 nov

3126

5

out(2) 4154

GREEN

5 out

842

9

nov(1) 608

6 out 694

6

out(1,2) 694

10 out

817

10

out(1,2) 817

9 nov

608

5

out(1,2) 842

*

Médias seguidas pelo mesmo número (entre parênteses) na coluna não diferem entre si

pelo teste de Tukey para α = 5%.

Analisando de uma forma geral as comparações de valores dentro de cada

agrupamento, como apresentados na Tabela 5.5 e nas demais Tabelas do Anexo 8,

observa-se que as bandas individuais das imagens e as variáveis espectrais resultantes

da transformação Tasseld Cap se mostraram sensíveis às variações de brilho existentes

nas amostras de solo. As diferenças significativas de brilho entre substratos

apresentaram correspondência nas respectivas unidades amostrais.

77

Para as comparações entre diferenças normalizadas (ND), NDVI e SAVI (para

os quatro diferentes valores de constantes) e os valores de reflectância das amostras de

solo, os resultados se apresentaram de forma inversa, com os maiores valores de

variáveis espectrais para as unidades correspondentes às amostras de solo de menor

albedo.

O impacto do efeito dos substratos nos valores de NDVI encontrados no trabalho

é semelhante às investigações de Todd e Hoffer (1998) que estudaram a resposta dos

índices espectrais às variações de cobertura vegetal e substratos de solo. Os autores

constataram que o GVI (índice de vegetação verde) foi mais estável que o NDVI na

predição da cobertura vegetal quando os substratos variaram em tipo e conteúdo de

umidade. Para a mesma porcentagem de cobertura vegetal, os valores de NDVI

diminuíram com o aumento da reflectância dos solos.

Dos vários índices de vegetação testados por Baret e Guyot (1991), para

verificar potenciais e os limites destes na avaliação dos índices de área foliar e radiação

fotossinteticamente ativa, o NDVI, seguido em menor grau pelo PVI (índice de

vegetação perpendicular), mostrou ser fortemente afetado pelas variações nas

propriedades ópticas dos solos, principalmente para cobertura vegetal baixa. As

variações de brilho dos solos têm uma forte influência nos índices de vegetação baseado

em razões, estes índices superestimam a vegetação em substratos escuros e subestimam

em substratos claros (Elvidge e Lyon, 1985).

García-Haro et al. (1996), que trabalharam com idênticas coberturas de dossel

para solos compostos de conglomerados de argila vermelha, onde o efeito de coloração

do solo foi modelado através de variações de níveis de carvão adicionados, observaram

que, em níveis intermediários de vegetação, os valores de NDVI para os diferentes

substratos seguiram uma tendência sistemática onde os índices de vegetação foram

maiores para solos escuros que para os claros. Tal fato sugeriu que correlações entre

parâmetros biológicos (índice de área foliar, biomassa, etc.) e NDVI são afetadas pelas

propriedades ópticas dos solos, que limitam a aplicabilidade do NDVI em áreas de

vegetação esparsa e alta variabilidade litológica.

Segundo o próprio García-Haro et al. (1996), a influência dos substratos testados

nos valores de NDVI encontrados pôde ser explicada pela combinação de dois efeitos

opostos: (1) Seguindo o fato de que espectros de diferentes solos são muito planos, a

contribuição do solo na reflectância será independente ao comprimento de onda, de tal

forma que a diferença NIR - RED

será similar independente ao brilho do solo. Contudo,

78

NIR + RED será significativamente maior para solos mais claros, como conseqüência,

os solos mais escuros terão maior NDVI. (2) A energia refletida, na região do NIR, por

uma folha individual em uma superfície de solo claro, será muito maior do que em uma

superfície de solo escuro. Em contraste, na região do vermelho, a maior parte da energia

é absorvida pela folha, e a reflectância é muito baixa, sem importar se o substrato é

claro ou escuro. O efeito geral é que o NDVI é maior para solos claros.

Com a intenção de comprovar a influência do comportamento espectral dos

solos nas variações de brilho dos pixels amostrais, e buscando a inserção de outras

variáveis espectrais ao modelo JONG, além das utilizadas por Foneca (2004),

responsáveis por representar a interferência dos diferentes brilhod de solo na

reflectância do pixel, foi proposto o cálculo da diferença dos valores de reflectância de

superfície apenas entre as unidades amostrais significativamente diferentes entre si, e a

comparação com os resultados da mesma operação entre as reflectâncias das respectivas

amostras de solo. Esse procedimento visa a localizar e identificar as bandas mais

sensíveis à variação de albedo dos substratos. A Tabela 5.6 apresenta os resultados da

operação entre estas unidades amostrais destacadas dentro de cada agrupamento.

Tabela 5.6 – Valores resultantes da diferença entre as reflectâncias das unidades

amostrais e dos espectros de solo, para as bandas individuais.

Identificação

Origem Banda 1

Banda 2

Banda 3

Banda 4

Banda 5

Banda 7

Grupo 2

5 - 9 imagem 0,0200 0,0273 ñ signif. 0,0898 ñ signif. ñ signif.

radiometria 0,0203 0,0177 0,0174 0,0342 0,0630 0,0103

Grupo 3

6 - 7 imagem 0,0161 0,0258 0,0350 0,0562 0,0218 ñ signif.

radiometria 0,0601 0,1498 0,2176 0,2424 0,1648 0,1753

6 - 1 imagem 0,0129 0,0175 0,0328 0,0010 -0,0143 ñ signif.

radiometria 0,0601 0,1483 0,2106 0,2199 0,1955 0,2064

11 - 7 imagem 0,0099 0,0181 0,0190 0,0760 0,0486 ñ signif.

radiometria 0,0295 0,0580 0,0927 0,1476 0,0546 0,0493

Grupo 4

5 - 1 imagem 0,0141 0,0195 0,0277 0,0306 0,0033 ñ signif.

radiometria 0,0228 0,0347 0,0484 0,0713 0,0388 0,0061

5 - 8 imagem 0,0128 0,0169 0,0245 0,0210 0,0145 ñ signif.

radiometria 0,0092 0,0121 0,0114 -0,0017 -0,0343 -0,0543

3 - 1 imagem 0,0131 0,0213 0,0171 0,0680 0,0479 ñ signif.

radiometria 0,0153 0,0244 0,0361 0,0554 0,0165 0,0044

3 - 8 imagem 0,0118 0,0187 0,0139 0,0584 0,0592 ñ signif.

radiometria 0,0017 0,0018 -0,0009 -0,0176 -0,0566 -0,0560

Grupo 5

15 - 1 imagem 0,0109 0,0166 0,0395 -0,0229 0,0243 0,0443

radiometria 0,0134 0,0324 0,0514 0,0812 0,1258 0,0792

79

Tabela 5.6 – Continuação…

15 - 11 imagem 0,0160 0,0175 0,0414 -0,0267 0,0394 0,0568

radiometria -0,0161 -0,0241 -0,0342 -0,0439 0,0405 -0,0013

15 - 5 imagem 0,0072 0,0104 0,0269 -0,0335 0,0199 0,0341

radiometria -0,0093 -0,0023 0,0031 0,0099 0,0870 0,0731

2 - 15 imagem -0,0049 -0,0045 -0,0233 0,0751 -0,0248 -0,0481

radiometria 0,0258 0,0269 0,0329 0,0561 0,0285 0,0800

2 - 5 imagem 0,0024 0,0059 0,0035 0,0416 -0,0049 -0,0139

radiometria 0,0165 0,0246 0,0360 0,0660 0,1155 0,1531

2 - 11 imagem 0,0112 0,0130 0,0181 0,0484 0,0146 0,0087

radiometria 0,0098 0,0028 -0,0013 0,0122 0,0690 0,0787

2 - 10 imagem 0,0391 0,0413 -0,0046 0,3089 -0,0786 -0,1288

radiometria 0,0043 0,0099 0,0144 0,0306 0,0416 0,0622

Grupo 6

4 - 14 imagem 0,0109 0,0110 0,0147 -0,0055 0,0382 0,0251

radiometria 0,0237 0,0227 0,0243 0,0600 0,1136 0,0489

Os resultados indicaram que as maiores diferenças entre os valores de

reflectância das amostras, tanto extraídas das imagens quanto obtidas por

espectrorradiometria, localizaram-se na banda 4, seguida das bandas 7, 5 e 3,

identificando essas bandas com as mais sensíveis à variação de albedo dos substratos.

Os maiores valores encontrados na banda 4 não estão relacionados às diferenças nas

quantidades de vegetação, visto que as unidades amostrais estão agrupadas segundo

frações semelhantes de solo e vegetação, integrantes do pixel. A identificação dessas

bandas mais sensíveis sugere a tentativa da formulação de índices, representativos das

variações de albedo dos substratos, as envolvendo.

Na tentativa de analisar a contribuição espectral do solo nas reflectâncias dos

dosséis de gramíneas, no Bioma “Grassland”, no estado do Colorado (EUA), Tucker e

Miller (1977), através de análises de regressão (distribuição normal bivariável),

encontraram nas bandas 6 e 7, do sensor LANDSAT 3 – MSS, a região espectral de

máximo contraste entre solo e vegetação verde e puderam ainda estimar com acurácia a

participação espectral do solo nestes dosséis.

Buscando caracterizar e discriminar solos desenvolvidos de rochas básicas em

uma toposseqüência no estado do Paraná, Brasil, Nanni e Demattê (2001) e Demattê e

Nanni (2003), através de dados espectrais extraídos de imagens orbitais para alvos de

solo exposto, encontraram a banda 7 (LANDSAT 5 – TM) como a melhor para

discriminar os diferentes tipos de solo.

Demattê et al. (2005), utilizando informações orbitais na diferenciação química e

granulométrica de solos desenvolvidos de basalto e arenito na região de Paraguaçu

Paulista (SP), observaram dentre os solos argilosos uma baixa intensidade de

80

reflectância detectada pelas bandas 5 e 7 (LANDSAT 5 – TM) por descreverem

preferencialmente a absorção relacionadas aos grupos OH. Por outro lado, o decréscimo

nos teores de ferro, juntamente com o aumento da quantidade de areia, favoreceu o

aumento nos albedos, especialmente próximo à banda 5, para os solos com textura mais

arenosa.

Agbu et al. (1990), Gonçalves et al (2005) e Fiorio et al. (2005) utilizaram

características espectrais orbitais dos satélites SPOT, CBERS-2 e LANDSAT 5-TM,

respectivamente, para a diferenciação dos solos através de suas propriedades físico-

químicas. Para tal, ambos autores utilizaram modelos espectrais de regressão linear

múltipla, o que forneceu correlações significativas entre dados espectrais orbitais e os

atributos granulométricos, mostrando eficiência em separar os solos de acordo com o

material de origem, sendo uma classe de solos argilosos e outra mais arenosa.

Neste trabalho, após a localização das bandas mais sensíveis à variação

espectral, determinaram-se as razões simples entre essas bandas, na tentativa de

verificar se as diferenças de brilho dos substratos acarretariam variações nos valores

resultantes das razões calculadas.

Semelhantes aos resultados encontrados por Huete et al. (1985), pela análise

individual da razão simples entre a banda do infravermelho próximo e a banda do

vermelho (banda ETM+4 / banda ETM+3) e do infravermelho médio (banda ETM+4 /

banda ETM+5 e banda ETM+4 / banda ETM+7), para cada unidade amostral

pertencente ao mesmo agrupamento, pode-se verificar, de uma maneira geral, que as

unidades correspondentes a amostras de solo de maior albedo tiveram as menores razões

quando calculadas para uma mesma densidade de vegetação, representada pela

reflectância da banda ETM+4. A Figura 5.4 mostra o comportamento das razões para as

unidades amostrais do grupo 6, calculadas com a banda ETM+5. Os gráficos para os

demais agrupamentos e bandas (ETM+3 e ETM+7) encontram-se no Anexo 9.

81

1,26

1,28

1,3

1,32

1,34

1,36

0,36 0,38 0,4 0,42 0,44 0,46 0,48 0,5

Banda ETM+5 (radiometria)

Razão ETM+4 / ETM+5 (imagem)

14_out

4_jan

12_jan

Figura 5.4 – Relações entre a razão banda ETM+4 / banda ETM+5 e o FRB dos solos

na banda 5 para o grupo 6.

O resultado dessas razões entre bandas de algumas unidades amostrais

apresentaram comportamento inverso ao esperado, com as maiores razões

correspondentes a amostras de solo de maior albedo. Isto sugere que as diferenças nas

quantidades de vegetação, representadas pelos valores de reflectância na banda ETM+4,

tenha mascarado a participação dos solos durante a comparação entre unidades

amostrais dentro de um mesmo agrupamento, mesmo essas sendo agrupadas por

semelhanças nas quantidades de vegetação.

Através de razões simples entre bandas do sensor LANDSAT 3 – MSS, Siegal e

Goetz (1977) avaliaram o efeito da variação da densidade de vegetação na

discriminação da reflectância espectral dos tipos comuns de rochas sedimentares,

verificando que as razões entre as bandas MSS4/MSS6, MSS4/MSS7, MSS5/MSS6 e

MSS5/MSS7 diminuíram significativamente com o aumento da densidade, enquanto

que as razões entre as bandas MSS4/MSS5 e MSS6/MSS7 mostraram-se menos

influenciadas pela vegetação e aptas a diagnósticos da resposta espectral dos substratos.

Fundamentado nas diferenças entre os valores de reflectância de superfície das

unidades amostrais e os valores de FRB das amostras de solo correspondentes, a maior

sensibilidade à variação de albedo dos substratos ocorreu na banda ETM+4, seguida das

bandas ETM+7, ETM+5 e ETM+3. Esses resultados alcançados sugerem novas

investigações a fim de verificar se a diferença ou razão simples entre essas bandas

seriam índices eficazes, além das variáveis utilizadas por Fonseca (2004) que se

82

mostraram sensíveis às variações do comportamento espectral dos substratos, para

representar a participação dos solos na componente espectral do modelo

agrometeorológico-espectral JONG.

83

CAPÍTULO VI

INSERÇÃO DE NOVAS VARIÁVEIS ESPECTRAIS AO MODELO JONG

Neste Capítulo será avaliado o desempenho das novas variáveis espectrais,

sugeridas no Capítulo anterior, em representar a contribuição espectral dos substratos.

Selecionadas as variáveis espectrais representativas das equações preditoras da

disponibilidade inicial de forragem, determinando com isso uma nova parametrização

da componente espectral do modelo JONG, os submodelos espectrais modificados serão

avaliados através da comparação entre os valores de disponibilidade de biomassa

estimados e os valores observados em campo. Após a integração com o submodelo

agrometeorológico, serão comparados os valores de biomassa final estimados pelos

modelos JONG e modelos JONG modificado. Os dados espectrais, dados

agrometeorológicos, dados de campo e pontos amostrais usados neste Capítulo, serão os

mesmos utilizados por Fonseca (2004).

6.1. Seleção das variáveis espectrais e parametrização do submodelo

espectral

Visando estimar a disponibilidade inicial de forragem (Equação 2.1), de acordo

com a resposta espectral da vegetação, é necessária a seleção de uma, ou um conjunto

de variáveis espectrais combinadas que expresse com qualidade as variações da

disponibilidade vegetal e a participação do comportamento espectral dos diferentes

substratos nos dosséis vegetais. Para tanto, utilizou-se um modelo de regressão linear

múltipla, conforme Equação 6.1, que serviu para parametrizar o submodelo espectral.

DF

j

= β

0

+ β

1

VE

1j

+ β

2

VE

2j

+ ... + β

k

VE

kj

+ ε

j

(6.1)

84

Onde, DF é a disponibilidade de forragem, j é o número de observações, VE

k

são as

variáveis espectrais independentes, β

k

são os parâmetros do modelo de regressão linear

múltiplo e ε

j

é o erro aleatório ou resíduo.

A seleção das variáveis espectrais seguiu a metodologia adotada por Fonseca

(2004), inclusive utilizando os mesmos pontos amostrais, dados de campo e dados

espectrais dos meses de novembro de 2002 e janeiro de 2003, correspondentes ao pleno

desenvolvimento vegetativo dos dosséis e assegurando a uniformidade da vegetação

quanto ao estádio fenológico e cobertura vegetal do solo. As variáveis espectrais usadas

foram: NDVI, SAVI (com as diferentes constantes L, representativas das densidades

dossel), ND (entre as bandas 4 e 5, 4 e 7, 5 e 3, 7 e 3), as variáveis da transformação

Tasseled Cap e as variáveis fração do modelo linear de mistura espectral. Foram

adicionados a esses dados espectrais os índices representativos da diferença e da razão

simples entre as bandas individuais 4 e 3, 4 e 5, 4 e 7. Esses índices foram sugeridos a

fim de verificar a eficiência dos mesmos em representar a contribuição espectral dos

diferentes solos adjacentes aos dosséis.

Buscando testar formas diferentes de agrupamentos entre as variáveis espectrais

usadas, os dados espectrais foram agrupados em três conjuntos: conjunto A (bandas

individuais + índices de vegetação + diferença normalizada entre bandas + diferença e

razão simples entre bandas), conjunto B (bandas individuais + variáveis fração +

diferença e razão simples entre bandas) e conjunto C (todas as variáveis espectrais).

Todos os dados espectrais, utilizados como variáveis independentes de entrada no

modelo de regressão linear múltiplo, e os dados de campo encontram-se no Anexo 10.

A equação de regressão foi ajustada através do método “Stepwise”, onde a cada

etapa uma variável do conjunto testado é adicionada à equação de estimativa da

disponibilidade de forragem (Equação 6.2).

D

^

F

j

= b

0

+ b

1

VE

1j

+ b

2

VE

2j

+ ... + b

k

VE

kj

(6.2)

Onde, D

^

F

j

é a estimativa da disponibilidade de forragem, j é o número de observações

(referentes aos pontos amostrais do trabalho de Fonseca (2004)), VE

k

são as variáveis

espectrais independentes e b

k

são os coeficientes do modelo de regressão linear

múltiplo.

85

As variáveis espectrais independentes são aderidas ao modelo buscando

encontrar a melhor solução do teste F, minimizando assim a variância total da

estimativa. Foi utilizado um nível de significância de 5% (α = 0,05) para as variáveis

que poderão integrar a equação definida.

6.2. Nova parametrização do submodelo espectral do modelo JONG

As variáveis espectrais usadas na estimativa da disponibilidade inicial de

forragem e selecionadas pelo modelo de regressão linear múltiplo entre as variáveis

originais testadas por Fonseca (2004) e os índices sugeridos, na tentativa de representar

a contribuição espectral dos diferentes substratos, são apresentadas na forma de

equações lineares para cada um dos conjuntos de dados espectrais testados. As equações

lineares, resultantes do modelo de regressão múltipla para os grupos de variáveis

testadas, juntamente com o valor do coeficiente de correlação linear múltiplo (R), são

apresentadas na Tabela 6.1.

Tabela 6.1 – Equações para a estimativa da disponibilidade inicial de forragem, geradas

pelo método Stepwise, e o valor do coeficiente de correlação múltiplo (R).

Conjuntos Equação R

A DF

t0

= -5880,91 + 1518,19B5 - 3765,09B4/B3 + 12468,67B4/B7 +

181754,44ND47 – 145829ND53 + 239750,86ND73 –

226590,64SAVI0,25

0,71

B DF

t0

= 1842,77 + 6230,62.ND47 – 6912,94.SAVI0,25 0,50

C DF

t0

= - 1911,98 + 650,77.B4/B7 + 32,15.Solo 0,47

A Tabela 6.2 mostra as equações originais obtidas por Foneca (2004) para o

mesmo conjunto de dados espectrais, sem os índices sugeridos. O método utilizado no

modelo de regressão linear múltipla foi o mesmo Stepwise.

Tabela 6.2 – Equações para a estimativa da disponibilidade inicial de forragem,

anteriormente geradas para o trabalho de Fonseca (2004).

Conjuntos Equação R

A DF

t0

= 1988,45 – 173,75.B7 + 191,56.B3 0,49

B DF

t0

= 8568,53 – 346,21.B7 – 75,85.Wetness 0,52

C DF

t0

= 1275,96 – 182,45.B7 + 29,96.Solo + 32,45.B4 0,55

86

Comparando as novas equações lineares múltiplas (Tabela 6.1) às equações

originais (Tabela 6.2), o que se observa é a inserção de novas variáveis espectrais

independentes, dentre elas as sugeridas para representar a variação no comportamento

espectral dos substratos. Cabe salientar, no entanto, que na Equação B da Tabela 6.1

nenhuma das variáveis originais encontradas por Fonseca (2004) permaneceu, além do

coeficiente de correlação linear múltiplo ter diminuído com a inclusão das novas

variáveis espectrais. Como o objetivo deste trabalho consiste em avaliar a inserção de

novos índices, que considerem a contribuição espectral dos solos, às equações originais

sem que as variáveis espectrais independentes sejam desconsideradas, a equação

resultante da análise de regressão múltipla definida pelo grupo B (Tabela 6.1) foi

descartada.

Com a inserção dos novos índices espectrais sugeridos ao modelo de regressão

linear múltiplo observa-se, na equação do grupo A (Tabela 6.1), um aumento

significativo no valor do coeficiente de correlação (R), de 0,49 para 0,71; ampliando as

características explicativas da equação com relação à disponibilidade inicial de

forragem. As variáveis espectrais anteriormente utilizadas mantiveram-se na equação,

relacionando-se com outras bandas sob a forma de índices. Embora o resultado tenha

melhorado, o grande número de variáveis independentes resultantes desta nova análise

de regressão dificulta uma interpretação mais detalhada da variabilidade da estimativa

de disponibilidade de biomassa com as mudanças nas características físicas dos dosséis.

Decidiu-se por testar a Equação A visto que a complexidade dessa equação pode refletir

a complexidade da interação da radiação eletromagnética (REM) com o sistema solo

planta.

Mesmo apresentando uma pequena redução no valor do coeficiente de

correlação múltiplo, optou-se por testar as estimativas de disponibilidade de forragem

feitas através da nova equação gerada com os dados espectrais do conjunto C (Tabela

6.1), já que se manteve a variável espectral original (fração solo), além de inserir um

novo índice que relaciona e resume as bandas 4 e 7.

Verificou-se para as Equações A e C (Tabela 6.1) um baixo coeficiente de

correlação linear múltiplo (R) quando comparado com dados de trabalhos obtidos sobre

o mesmo tipo de formação vegetal para a estimativa de biomassa a partir de dados

radiométricos (Gamon et al., 1995; Paruelo et al., 1997; Paruelo et al., 2000). Ao

analisar o trabalho desses autores, observa-se que nenhum dos resultados foi obtido com

o delineamento experimental utilizado por Fonseca (2004), em que foram coletados

87

amostras em datas distintas objetivando estimar a disponibilidade vegetal no momento

da passagem do satélite e com uma maior heterogeneidade do ecossistema.

As equações A e C (Tabela 6.1) foram escolhidas para representar o submodelo

espectral na estimativa da disponibilidade inicial de forragem, sobre as unidades

amostrais utilizadas no trabalho de Fonseca (2004).

6.2.1 Avaliação das equações resultantes do processo de parametrização

A significância de cada um dos coeficientes calculados (b

k

), representantes dos

parâmetros populacionais (β

k

), foi avaliada, utilizando o teste t de Student, cujo objetivo

é verificar a validade da equação obtida a partir da hipótese nula (H

0

: β

1

= β

2

= β

k

= 0),

onde a aceitação dessa hipótese implica que pelo menos uma das variáveis inseridas não

apresenta relação com a variável dependente, tornando a análise de regressão obtida

inválida. A validade da contribuição das variáveis independentes foi verificada, testando

a hipótese H

0

com um nível de significância de 5%.

Mesmo as equações obtidas pelo método Stepwise sendo sempre válidas, pois

são resolvidas pelo método dos mínimos quadrados, visando à rejeição da hipótese nula

(H

0

: β

1

= β

2

= β

k

= 0), as variáveis independentes podem não apresentar validade (β = 0)

da sua contribuição para o cálculo do resultado final, apesar da equação gerada ser

válida (Souza, 1998). A Tabela 6.3 apresenta o teste t de Student, para verificar a

significância de cada um dos coeficientes angulares estimadores dos parâmetros do

modelo e, com isso, testar a validade da contribuição de cada uma das variáveis

independentes.

Tabela 6.3 – Resultados do teste de significância para as variáveis independentes das

Equações A e C, com um nível mínimo de significância de 5%.

Hipótese testada Teste (Valor p) Resultado

H

0

: β

B4/B7

= 0 2,61 (0,0150) Rejeita H

0

H

0

: β

Solo

= 0 2,39 (0,0245) Rejeita H

0

H

0

: β

B5

= 0 2,56 (0,0185) Rejeita H

0

H

0

: β

B4/B3

= 0 -2,43 (0,0248) Rejeita H

0

H

0

: β

ND47

= 0 2,51 (0,0209) Rejeita H

0

H

0

: β

ND53

= 0 -2,38 (0,0274) Rejeita H

0

H

0

: β

ND73

= 0 2,58 (0,0178) Rejeita H

0

H

0

: β

SAVI0,25

= 0 -2,61 (0,0168) Rejeita H

0

88

Os parâmetros β das variáveis independentes das Equações A e C (Tabela 6.1)

apresentaram um nível de significância inferior aos 5% estipulados, mostrando a

existência de uma relação significativa dessas com a variável dependente, possibilitando

a estimativa da disponibilidade de forragem feitas através destas equações, que também

se mostraram válidas apresentando um valor p de 0,031 e 0,048, respectivamente,

inferiores ao nível de significância mínimo determinado (α = 5%).

As variáveis espectrais independentes selecionadas mostraram-se aptas a

explicar a disponibilidade de biomassa inicial para os diferentes níveis de cobertura dos

dosséis, onde a contribuição do comportamento espectral dos solos torna-se importante.

No caso da Equação C (Tabela 6.1), as variações da fração solo determinam o grau de

fechamento do dossel.

Para dosséis dominados pela fração vegetação, onde a participação do solo na

composição espectral dos pixels é reduzida, a relação entre a banda ETM+4 e as bandas

ETM+3, ETM+5 e ETM+7 expressam a condição inicial da vegetação com relação à

nutrição, sanidade e ao status hídrico. Na região do visível (banda ETM+3), os

pigmentos existentes nas folhas dominam a reflectância espectral, onde a energia

radiante interage com a estrutura foliar, sendo absorvida seletivamente pela clorofila e

convertida em calor e também convertida fotoquimicamente em energia estocada na

forma de componentes orgânicos através da fotossíntese (Ponzoni, 2001). A alta

reflectância dos dosséis, na região do espectro eletromagnético correspondente ao

infravermelho próximo, representada pela banda ETM+4, é resultado da interação da

energia incidente com a estrutura celular das folhas, quanto mais lacunosa a estrutura,

maior a reflectância. Na região do infravermelho médio (bandas ETM+5 e ETM+7), a

absorção devido ao conteúdo de água das folhas influencia muito na reflectância

espectral do dossel. De forma contrária, quando diminui o conteúdo de umidade das

folhas, aumenta a reflectância espectral nessa região (Jensen, 2000; Ponzoni, 2001).

Em dosséis de baixa densidade, em que a participação da fração solo é

significativa para a formação da reflectância espectral, as razões e as diferenças entre as

bandas selecionadas servem como um indicador da contribuição espectral dos solos nas

variações dos valores de reflectância da cobertura vegetal sobre os diferentes substratos,

especificamente as bandas ETM+5 e ETM+7 são fortemente afetadas pela variabilidade

espectral dos substratos. Em função do aumento de biomassa, Huete et al. (1985)

observaram, para a região do infravermelho próximo, um aumento da reflectância mais

89

evidente nos dosséis ocupados por solos escuros, do que para os mais claros, onde se

constatou uma diminuição da reflectância. Na região do visível, os autores constataram

que solos mais claros exercem maior influência na reflectância espectral do dossel com

a variação de biomassa.

Selecionadas as variáveis espectrais representativas das equações preditoras da

disponibilidade inicial de forragem, determinando com isso a nova parametrização da

componente espectral do modelo JONG, a qualidade dos submodelos espectrais

modificados foi avaliada através da geração do gráfico da disponibilidade de forragem

estimada pelas equações selecionadas no teste de análise de variância versus os valores

de disponibilidade observados em campo, sobre as unidades amostrais utilizadas por

Fonseca (2004).

Através das Figuras 6.1 e 6.2, tem-se uma avaliação da qualidade das relações

encontradas pelo método de regressão linear múltipla, para as equações A e C

respectivamente (Tabela 6.1), onde se observa uma relação direta entre os valores de

disponibilidade de forragem medidos em campo e os estimados. Alguns baixos valores

de disponibilidade de forragem medidos em campo foram superestimados e alguns altos

valores foram subestimados.

Valores observados vs. Estimados

Variável dependente: Biomassa

300 400 500 600 700 800 900 1000 1100 1200 1300

Disponibilidade de Forragem observada (kg/ha)

400

500

600

700

800

900

1000

1100

1200

1300

Disponibilidade de forragem estimada (kg/ha)

Figura 6.1 – Valores observados da disponibilidade de forragem versus valores

estimados a partir da Equação A ajustada pelo método Stepwise.

R = 0,71

90

Valores observados vs. Estimados

Variável dependente: Biomasa

300 400 500 600 700 800 900 1000 1100 1200 1300

Disponibilidade de forragem observada (kg/ha)

400

500

600

700

800

900

1000

1100

1200

1300

Disponibilidade de forragem estimada (kg/ha)

Figura 6.2 – Valores observados de disponibilidade de forragem versus valores

estimados a partir da Equação C ajustada pelo método Stepwise.

A análise dos resíduos ou desvios de estimativa também se fez necessária, visto

que as variáveis independentes não apresentam distribuição normal em relação à média.

Segundo Souza (1998), a variância associada aos resíduos refere-se aos erros do

modelo. Sendo assim, o método “Stepwise” apresenta a melhor solução para a obtenção

da equação de regressão em que a soma de quadrado dos desvios da estimativa é

minimizada, conforme Equação 6.3.

28 28

Σe

j

= Σ(DF

j

- D

^

F

j

)

2

(6.3)

j=1 j=1

Onde, e

j

é o resíduo da estimativa j, DF

j

é a disponibilidade de forragem observada,

D

^

F

j

é a estimativa da disponibilidade de forragem e j refere-se aos 28 pontos amostrais

estimados.

Para testar a independência dos resíduos, pressuposta pelo modelo de regressão

linear múltiplo e com distribuição normal dos valores em torno da média (nula), foram

gerados e analisados os gráficos da distribuição dos resíduos com a disponibilidade de

forragem estimada e as variáveis independentes do modelo de regressão. Pela

R = 0,47

91

independência dos resíduos da estimativa da disponibilidade inicial de forragem, feita

através da Equação A (Figura 6.3) e da Equação C (Figura 6.4), observa-se que

nenhuma tendência de agrupamento é verificada entre os valores da nuvem de pontos

dos resíduos versus valores da disponibilidade de forragem estimada por ambas as

equações, indicando uma variância constante da estimativa.

Valores estimados vs. Resíduos

Variável dependente: biomassa

400 500 600 700 800 900 1000 1100 1200

Disponibilidade de forragem estimada (kg/ha)

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.3 – Distribuição de resíduos pela disponibilidade de forragem estimada pela

Equação A.

Valores estimados vs. Resíduos

Variável dependente: biomassa

400 500 600 700 800 900 1000 1100 1200

Disponibilidade de forragem estimada (kg/ha)

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.4 – Distribuição de resíduos pela disponibilidade de forragem estimada pela

Equação C.

92

Na análise dos gráficos de resíduos versus as variáveis espectrais independentes,

banda ETM+5 (Figura 6.5); razão entre a banda ETM+4 e as bandas ETM+3 (Figura

6.6) e ETM+7 (Figura 6.7); diferença normalizada entre as bandas ETM+ e ETM+7

(Figura 6.8), bandas ETM+5 e ETM+3 (Figura 6.9) e bandas ETM+7 e ETM+3 (Figura

6.10); índice SAVI (Figura 6.11) e fração solo (Figura 6.12), novamente verificou-se a

independência dos resíduos com relação às variáveis de entrada, mesmo observando um

dos extremos das distribuições pouco povoados, nenhuma tendência de agrupamento de

valores foi evidenciada nas nuvens de pontos.

Banda 5 vs. Resíduos

024 025 026 027 028 029 030 031 032 033

Banda 5

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.5 – Distribuição de resíduos pela variável independente Banda ETM+5.

93

Razão B4/B3 vs. Resíduos

3 4 5 6 7 8 9 10 11

Razão B4/B3

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.6 – Distribuição de resíduos pela variável independente Razão ETM+4/

ETM+3.

Índice B4/B7 vs. Resíduos

1,5 2,0 2,5 3,0 3,5 4,0 4,5

Razão B4/B7

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.7 – Distribuição de resíduos pela variável independente Razão ETM+4/

ETM+7.

94

Diferença Normalizada entre B4 e B7 vs. Resíduos

0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65

Diferença Normalizada entre B4 e B7

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.8 – Distribuição de resíduos pela variável independente ND entre ETM+4 e

ETM+7.

Diferença Normalizada entre B5 e BB3 vs. Resíduos

0,58 0,59 0,60 0,61 0,62 0,63 0,64 0,65 0,66 0,67 0,68 0,69 0,70

Diferença Normalizada entre B5 e B3

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.9 – Distribuição de resíduos pela variável independente ND entre ETM+5 e

ETM+3.

95

Diferença Normalizada entre B7 e B3 vs. Resíduos

0,31

0,32

0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40 0,41 0,42 0,43

Diferença Normalizada entre B7 e B3

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.10 – Distribuição de resíduos pela variável independente ND entre ETM+7 e

ETM+3.

Índice SAVI (L:0,25) vs. Resíduos

0,40 0,45 0,50 0,55 0,60 0,65 0,70

Índice SAVI (L:0,25)

-400

-300

-200

-100

0

100

200

300

400

Resíduos (kg/ha)

Figura 6.11 – Distribuição de resíduos pela variável independente Índice SAVI

(L:0,25).

96

Fração Solo vs. Resíduos

5 10 15 20 25 30 35 40 45 50

Fração Solo

-400

-300

-200

-100

0

100

200

300

400

500

Resíduos (kg/ha)

Figura 6.12 – Distribuição de resíduos pela variável independente fração solo.

As variáveis espectrais selecionadas pelo modelo de regressão linear múltiplo,

que melhor expressaram as variações da disponibilidade de forragem e a contribuição

do comportamento espectral dos diferentes substratos adjacentes aos dosséis vegetais,

foram: a fração solo, resultante do modelo linear de mistura espectral; e os índices

determinados pela razão simples entre a banda ETM+4 e as bandas ETM+3 e ETM+7.

Esses resumem e relacionam as mesmas bandas espectrais anteriormente selecionadas

por Fonseca (2004). Além desses, também foram selecionadas a diferença normalizada,

entre as bandas sensíveis à variação do comportamento espectral dos solos, e o índice de

vegetação ajustado para minimizar as contribuições espectrais dos substratos (SAVI).

Essas variáveis independentes passaram a compor os novos submodelos espectrais.

6.3. Integração do submodelo espectral ao agrometeorológico

Definidas as novas equações representantes do submodelo espectral (Tabela

6.1), visando expressar as variações da disponibilidade inicial de forragem dos dosséis

em conjunto com a contribuição espectral dos diferentes substratos, essas foram

integradas à componente agrometeorológica, que apresenta as variáveis

agrometeorológicas determinantes no crescimento vegetativo, definidas por Fonseca

(2004), conforme a Equação 2.1. Os novos modelos agrometeorológico-espectrais

obtidos são:

97

Modelo JONG modificado A:

∆DF = ((-5880,91 + 1518.B5 – 3765,09.B4/B3 + 12468,67.B4/B7 + 181754,44.ND47

n

– 145829.ND53 + 239750,86.ND73 – 226590,64.SAVI0,25) + ε

CA

. ΣPAR).ETR/ETP

t=0

(6.4)

Modelo JONG modificado C:

n

∆DF = ((- 1911,98 + 650,77.B4/B7 + 32,15.Solo) + ε

CA

. ΣPAR) . ETR/ETP

t = 0

(6.5)

Os valores das variáveis agrometeorológicas utilizadas para o cálculo da

disponibilidade final de forragem acumulada num período de 16 dias, para os meses

estudados, encontram-se na Tabela 6.4.

Tabela 6.4 – Variáveis agrometeorológicas usadas no cálculo na disponibilidade final

de Biomassa.

Meses ε

CA

(gMS.MJ

-1

) ETP

total

(mm) ETR

total

(mm) PAR

total

(MJ.m

-2

)

Novembro

0,38 82,6 82,6 112,01

Janeiro 0,50 135,0 86,9 179,63

A qualidade das estimativas de disponibilidade final de biomassa com a nova

parametrização do submodelo espectral, calculadas a partir dos modelos JONG

modificado A e C (Equações 6.4 e 6.5), foi avaliada através da comparação com os

valores de acúmulo de forragem determinados pelos modelos JONG A e B (Fonseca,

2004), obtidos através da integração das equações da Tabela 6.2 com as variáveis

agrometeorológicas (Tabela 6.4). As Figuras 6.13 e 6.14 apresentam as relações

encontradas entre o modelo JONG modificado A e os modelos JONG A e B,

respectivamente, enquanto que as comparações de estimativas entre o modelo JONG

modficado C e os modelos JONG A e B são apresentadas, respectivamente, nas Figuras

6.15 e 6.16.

98

Variável dependente: Biomassa final

900 950 1000 1050 1100 1150 1200 1250 1300 1350 1400 1450

Disponibilidade final de forragem obtida pelo Modelo JONG A (kg/ha)

900

950

1000

1050

1100

1150

1200

1250

1300

1350

1400

1450

Disponibilidade final de forragem obtida pelo Modelo JONG

modificado A (kg/ha)

Figura 6.13 – Comparação entre valores de disponibilidade final de forragem estimados

a partir do modelo JONG modificado A e modelo JONG A.

Variável dependente: Biomassa final

900 950 1000 1050 1100 1150 1200 1250 1300 1350 1400

Disponibilidade final de forragem obtida pelo Modelo JONG B (kg/ha)

900

950

1000

1050

1100

1150

1200

1250

1300

1350

1400

Disponibilidade final de forragem obtida pelo Modelo JONG

modificado A (kg/ha)

Figura 6.14 – Comparação entre valores de disponibilidade final de forragem estimados

a partir do modelo JONG modificado A e modelo JONG B.

R = 0,75

R = 0,79

99

Variável dependente: Biomassa final

900 950 1000 1050 1100 1150 1200 1250 1300 1350 1400 1450

Disponibilidade final de forragem obtida pelo Modelo JONG A (kg/ha)

900

950

1000

1050

1100

1150

1200

1250

1300

1350

1400

1450

Disponibilidade final de forragem obtida pelo Modelo JONG

modificado C (kg/ha)

Figura 6.15 – Comparação entre valores de disponibilidade final de forragem estimados

a partir do modelo JONG modificado C e modelo JONG A.

Variável dependente: Biomassa final

900 950 1000 1050 1100 1150 1200 1250 1300 1350 1400

Disponibilidade final de forragem obtida pelo Modelo JONG B (kg/ha)

900

950

1000

1050

1100

1150

1200

1250

1300

1350

1400

Disponibilidade final de forragem obtida pelo Modelo JONG

modificado C (kg/ha)

Figura 6.16 – Comparação entre valores de disponibilidade final de forragem estimados

a partir do modelo JONG modificado C e modelo JONG B.

R = 0,52

R = 0,80

100

Com a modificação dos modelos JONG obtida através da nova parametrização

dos submodelos espectrais, as novas Equações (6.4 e 6.5) apresentaram uma menor

gama de valores de disponibilidade final de forragem diretamente relacionados aos

estimados ateriormente pelos modelos JONG A e B.

Comparando os valores estimados pelo modelo modificado A com as

disponibilidades apresentadas pelos modelos JONG A (Figura 6.13) e B (Figura 6.14)

observa-se de maneira geral que os altos valores de disponibilidade final calculados

pelos modelos JONG foram subestimados, enquanto que os baixos valores foram

superestimados. Essa mesma tendência de subestimação dos altos valores de

disponibilidade e de comportamento inverso para os baixos valores também foi

evidenciada na comparação entre as estimativas produzidas pelo modelo modificado C e

pelos modelos JONG A (Figura 6.15), onde a tendência fica bem explícita, e JONG B

(Figura 6.16).

Uma melhor avaliação dos resultados de biomassa acumulada, estimados pelos

modelos JONG modificado, poderia ser realizada através da comparação com os valores

de disponibilidade final de forragem medidos em campo se esses dados tivessem sido

coletados. Tal coleta que não pôde ser realizada visto que a área não era exclusiva para

a pesquisa estava sendo utilizada sob o sistema de pastejo.

101

CAPÍTULO VII

CONCLUSÕES E RECOMENDAÇÕES

Com base nos resultados da espectroradiometria, é possível a caracterização dos

diferentes substratos do Bioma Pampa com a utilização dos parâmetros químicos e

mineralógicos dos solos amostrados, aliados aos fatores de reflectâncias bidirecionais.

Ao contrário do que ocorre em regiões tropicais, onde os processos de intemperismo

atuam de forma intensa, os solos analisados apresentaram grande contribuição dos

substratos litológicos locais, rochas sedimentares e ígneas ácidas, de comportamento

espectral semelhante exibindo alto albedo e feições de absorção bem marcantes em

1400, 1900 e 2200 nm, característico de materiais altamente reflectivos.

O método de remoção do espectro contínuo, aliado às análises de correlação

linear com os constituintes químicos dessas amostras, permiti explicar o surgimento das

bandas de absorção e o relacionamento com a concentração dos teores que as causam.

O tratamento por Componentes Principais mostra-se adequado na separação das

amostras com base nos espectros radiométricos, possibilitando a formação de grupos

por similaridade química. Esta relação de similaridade pode ser melhor explicada pelo

cálculo dos coeficientes de correlação entre as reflectâncias, os atributos químicos e os

escores (CP1 e CP2) resultantes da Análise de Componentes Principais.

O agrupamento das unidades amostrais nas imagens, baseado nas semelhanças

entre as proporções de solo e vegetação que compõem os pixels, apresenta-se como um

critério para a comparação das grandezas espectrais dessas unidades na intenção de

estudar a influência dos diferentes tipos de solos como componentes dessas variáveis

espectrais estudadas. O agrupamento permite que essa comparação seja realizada entre

unidades com quantidades semelhantes de vegetação e solo, evitando que diferenças

102

nessas quantidades venham a mascarar a resposta das variáveis espectrais atrapalhando

as comparações.

De maneira geral, as variáveis espectrais testadas no modelo JONG (Fonseca,

2004) mostram-se sensíveis às variações do comportamento espectral dos substratos.

Destacam-se os índices espectrais das diferenças normalizadas que apresentaram

resultados de maior valor para as unidades correspondentes às amostras de solo de

menor albedo.

Com a nova parametrização da componente espectral dos modelos JONG,

verifica-se uma maior sensibilidade desses em representar a variabilidade espacial da

disponibilidade de forragem, provocada tanto por deficiência nas condições de nutrição,

sanidade e status hídrico das plantas, quanto pelas variações do comportamento

espectral dos diferentes solos na contribuição dos valores de reflectância da cobertura

vegetal.

Os resultados alcançados reforçam a importância da utilização de uma base

radiométrica para conhecimento da variação espectral dos diferentes tipos de substratos,

avaliando as regiões do espectro mais sensíveis a essas manifestações, com vistas a

considerar a contribuição do comportamento espectral dos solos na componente

espectral dos modelos agrometeorológicos-espectrais, a fim de melhorar a acurácia dos

mesmos.

Sugere-se a aplicação do modelo JONG modificado em outras áreas, dentro do

mesmo Bioma Pampa, que contemplem substratos cujas diferenças de comportamento

espectral sejam mais significativas do que as verificadas entre as unidades amostrais

selecionadas por Fonseca (2004). Esta avaliação sugerida tem por finalidade confirmar a

acurácia do modelo em estimar valores de biomassa, considerando a contribuição

espectral dos diferentes solos adjacentes aos dosséis vegetais. Para tanto, recomenda-se

uma nova parametrização das variáveis espectrais selecionadas, feita a partir de um

outro conjunto de dados de disponibilidade de forragem observados em campo.

103

REFERÊNCIAS BIBLIOGRÁFICAS

Acharya, P. K.; Berk, A.; Anderson, G. P.; Larsen, N. F.; Tsay, S. C.; Stammes, K. H.

MODTRAN4: Multiple scattering and bi-directional reflectance distribution function

(BRDF) upgrades to MODTRAN. Society of Photo-Optical Instrumentation

Engineers, v. 3756, p. 199-207, 1999.

Agbu, A. P.; Fehrenbacher, D. J; Jansen, I. J. Division S-5 – Soil genesis, morphology

& classification. Soil Science Society American Journal, v. 54, p. 807-812, 1990.

Appi, V. T. Características multiespectrais de rochas metamórficas em imagens Landsat

Thematic Mapper: Análise de uma área em Madagascar. In: Simpósio Brasileiro de

Sensoriamento Remoto (SBSR), 8.. 1996, Salvador. Anais... São José dos Campos:

INPE, 1996. Artigos, p. 603-604 CD-ROM, On-line, ISBN 85-1700014-5. Disponível

em: <http://marte.dpi.inpe.br/col/dpi.inpe.br/lise/2004/08.25.13.20>. Acesso em: mai.

2006.

Baret, F. Guyot, G. Potentials and limits of vegetation indices for LAI and APAR

assessment. Remote Sensing of Environment, v. 35, p. 161-173, 1991.

Baumgardner, M. F.; Silva, L. F.; Biehl, L. L.; Stoner, E. R. Reflectance properties of

soils. Advances in Agronomy, v. 38, p. 1-43, 1985.

Ben-Dor, E.; Irons, J. R.; Epema, G. Soil Reflectance. In: Rencz, A. N. REMOTE

SENSING for the Earth Sciences. Canada: John Wiley & Sons Inc, 1999. 706 p. Cap.

3, p. 111-188.

Berlato, M. A. Modelo de relação entre o rendimento de grãos de soja no Rio

Grande do Sul e disponibilidade hídrica. 1987. 94 p. Tese (Doutorado em

Meteorologia) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 1987.

Boardman, J. W. Inversion of imaging spectrometry data using singular value

decomposition. In: 12th Canadian Symposium on Remote Sensing. Proceedings…

IGARSS'89, v. 4, p. 2069-2072, 1989.

Boardman, J. W. Geometric mixture analysis of imaging spectrometry data. IEEE

Transactions on Geoscience and Remote Sensing, v. , p. 2369-2371, 1994.

Boldrini, I. I. Boletim do Instituto de Biologia: campos do Rio Grande do Sul,

caracterização fisionômica e problemática ocupacional. Porto Alegre: Universidade

Federal do Rio Grande do Sul, 1997. 39 p.

Boldrini, I. I. Biodiversidade dos Campos Sulinos. In: Simpósio de forrageiras e

produção animal, 1., 2006, Porto Alegre. Anais... Porto Alegre: UFRGS, 2006a.

Artigos, p. 11-24.

Boldrini, I. I. Diversidade florística nos campos do Rio Grande do Sul. In: Congresso

Nacional de Botânica, 57., 2006, Gramado. Anais... Porto Alegre: Sociedade Botância

do Brasil, 2006b. Artigos, p. 321-324.

104

Bowers, S. A.; Hanks, J. R. Reflection of radiant energy from soil. Soil Science, v.100,

n. 3, p. 441-451, 2004.

Canty, M. J.; Nielsen, A. A.; Schimidt, M. Automatic radiometric normalization of

multitemporal satellite imagery. Remote Sensing of Environment, v. 91, p. 441-451,

2004.

Chavez Jr, P. S. An improved dark-object subtraction technique for atmospheric

sattering correction of multiespectral data. Remote Sensing of Environment, v. 24, p.

459-479, 1988.

Chavez Jr, P. S. Image-based atmospheric corrections – Revisited and inproved.

Photogrammetric Engineering and Remote Sensing, v. 62, n. 9, p. 1025-1036, 1996.

Chuvieco, E. Fundamentos de teledeteccéion especial. Madrid: Ediciones Rialp, 1996.

586p.

Clark, R. N.; Roush, T. L. Reflectance spectroscopy: quantitative analysis techniques

for remote sensing applications. Journal of Geophysical Research, v. 89, n. B7, p.

6329-6340, 1984.

Clark, R. N. Spectroscopy of rocks and minerals and principles of spectroscopy. In:

Rencz, A. N. Remote Sensing for the Earth Sciences. Canada: John Wiley & Sons

Inc, 1999. 706 p. Cap. 1, p. 3-58.

Companhia de Pesquisa de Recursos Minerais (CPRM). 2000. Carta geológica

Disponível em: <http://www.cprm.gov.br>. Acesso em jun. 2006.

Crist, E. P.; Cicone, R. C. A physically-based transformation of thematic mapper data –

The TM tasseled cap. IEEE Transactions on Geoscience and Remote Sensing, v. GE-

22, n. 3, p. 256-263, 1984.

Crist, E. P.; Kauth, R. J. The tasseled cap de-mystified. Photogrammetric Engineering

and Remote Sensing, v. 52, n. 1, p. 81-86, 1986.

Crosta, A. P. Processamento digital de imagens de sensoriamento remoto.

Campinas: UNICAMP, 1992. 170p.

D’Arco, E.; Alvarenga, B, S.; Moura, P.; Teixeira, C. G. Estudos de reflectância de

amostras de 5 tipos de solos brasileiros, em condições de laboratório. In: Simpósio

Brasileiro de Sensoriamento Remoto (SBSR), 11., 2003, Belo Horizonte. Anais... São

José dos Campos: INPE, 2003. Artigos, p. 2327-2334 CD-ROM, On-line, ISBN 85-

1700017-x. Disponível em:

<http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31> . Acesso em: nov.

2006.

Demattê, J. A. M; Nanni, M. R. Weathering sequence of soils developed from basalt as

evaluated by laboratory (IRIS), airborne (AVIRIS) and orbital (TM) sensors.

International Journal of Remote Sensing, v. 24, n. 23, p. 4715-4738, 2003.

105

Demattê, J. A. M.; Moreti, D. Vasconcelos, A. C. F.; Genú, A. M. Imagem de satélite na

discriminação química e granulométrica de solos desenvolvidos de basalto e arenito na

região de Paraguaçu Paulista. In: Simpósio Brasileiro de Sensoriamento Remoto

(SBSR), 12., 2005, Goiânia. Anais... São José dos Campos: INPE, 2005. Artigos, p. 95-

102 CD-ROM, On-line, ISBN 85-1700018-8. Disponível em:

<http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31>. Acesso em: abr. 2006.

Departamento Nacional de Meteorologia (DNMET). Normas climáticas (1961-1990).

Brasília: DNMET, 1992. 84p.

Du, Y.; Teillet, P. M.; Cihlar, J. Radiometric normalization of multitemporal high-

resolution satellite images with quality control for a land cover change detection.

Remote Sensing of Environment, v. 82, p. 123-134, 2002.

Elvidge, C D.; Lyon, R. J. P. Influence of rock-soil spectra variation on the assessment

of green biomass. Remote Sensing of Environment, v. 17, p. 265-279, 1985.

Empresa Brasileira de Pesquisa Agropecuária (Embrapa). A Embrapa nos biomas

brasileiros. Disponível em: <http://www.Embrapa.br>. Acesso em jan. 2007.

Environment for Visualizing Images (ENVI). FLAASH User’s Guide. Disponível em

<http://www.rsinc.com/envi/>. Acesso em: jul. 2006.

Fiorio, P. R.; Demattê, J. A. M.; Nanni, M. R. Dados radiométricos nos níveis de

laboratório, campo e orbital na discriminação de solos desenvolvidos numa

topossequência. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 10., 2001,

Foz do Iguaçu. Anais... São José dos Campos: INPE, 2001. Artigos, p. 1393-1397 CD-

ROM, On-line, ISBN 85-1700016-1. Disponível em:

<http://marte.dpi.inpe.br/col/dpi.inpe.br/lise/2001/12.28.15.53>. Acesso em: jul. 2006.

Fiorio, P. R.; Demattê, J. A. M.; Nanni, M. R.; Genú, A. M. Regressões lineares

múltiplas utilizando-se dados espectrais obtidos por sensores em laboratório e orbital, na

estimativa de atributos do solo. In: Simpósio Brasileiro de Sensoriamento Remoto

(SBSR), 11., 2003, Belo Horizonte. Anais... São José dos Campos: INPE, 2003a.

Artigos, p. 85-92 CD-ROM, On-line, ISBN 85-1700017-x. Disponível em:

<http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31> . Acesso em: abr. 2006.

Fiorio, P. R.; Demattê, J. A. M.; Formaggio, A. R.; Nanni, M. R. Estimativa de atributos

dos solos usando dados espectrais obtidos por sensores em laboratório e em satélites. In:

Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 11., 2003, Belo Horizonte.

Anais... São José dos Campos: INPE, 2003b. Artigos, p. 2335-2342 CD-ROM, On-line,

ISBN 85-1700017-x. Disponível em:

<http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31> . Acesso em: abr. 2006.

Fiorio, P. R.; Demattê, J. A. M.; Nanni, M. R.; Formaggio, A. R.; Epiphanio, A. R.

Equações discriminantes para solos, utilizando variáveis espectrais. In: Simpósio

Brasileiro de Sensoriamento Remoto (SBSR), 12., 2005a, Goiânia. Anais... São José

dos Campos: INPE, 2005. Artigos, p. 111-118 CD-ROM, On-line, ISBN 85-1700018-8.

106

Disponível em: <http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31>.

Acesso em: abr. 2006.

Fiorio, P. R.; Demattê, J. A. M.; Nanni, M. R. Equações discriminantes de solos

utilizando-se características espectrais orbitais. In: Simpósio Brasileiro de

Sensoriamento Remoto (SBSR), 12., 2005a, Goiânia. Anais... São José dos Campos:

INPE, 2005. Artigos, p. 119-126 CD-ROM, On-line, ISBN 85-1700018-8. Disponível

em: <http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31>. Acesso em: abr.

2006.

Fonseca, E. L. Desenvolvimento de um modelo da disponibilidade de fitomassa

aérea para as formações campestres naturais a partir de dados espectrais orbitais

e agrometeorológicos. 2004. 181 p. Tese (Doutorado em Sensoriamento Remoto) –

Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2004.

Fonseca, E. L.; Formaggio, A. R.; Ponzoni, F. J. Parametrização do modelo

agrometeorológico-espectral para estimativa da produção das pastagens do bioma

Campos Sulinos (RS). In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 12.,

2005, Goiânia. Anais... São José dos Campos: INPE, 2005. Artigos, p. 127-134 CD-

ROM, On-line, ISBN 85-1700018-8. Disponível em:

<http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31>. Acesso em: nov. 2006.

Fonseca, E. L.; Gleriani, J. M. Avaliação do efeito da correção atmosférica e retificação

radiométrica no cálculo da transformação tasseled cap. In: Simpósio Brasileiro de

Sensoriamento Remoto (SBSR), 12., 2005, Goiânia. Anais... São José dos Campos:

INPE, 2005. Artigos, p. 513-519 CD-ROM, On-line, ISBN 85-1700018-8. Disponível

em: <http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31>. Acesso em: jun.

2006.

Fontana, D. C. Índice de vegetação global para o monitoramento da vegetação e sua

correlação com elementos agrometeorológicos e rendimento de grãos de soja. 1995.

133 p. Tese (Doutorado em Fitotecnia-Agrometeoroloia) – Universidade Federal do Rio

Grande do Sul, Porto Alegre. 1995.

Fontana, D. C.; Berlato, M. A. Modelo agrometeorológico-espectral para a estimativa

do rendimento de soja no Rio Grande do Sul: um estudo preliminar. In: Simpósio

Brasileiro de Sensoriamento Remoto (SBSR), 9., 1998, Santos. Anais... São José dos

Campos: INPE, 1998. Artigos, p. 17-24 CD-ROM, On-line, ISBN 85-1700015-3.

Disponível em: <http://marte.dpi.inpe.br/col/dpi.inpe.br/lise/2004/08.11.17.13>. Acesso

em: mai. 2006.

Fontana, D. C.; Weber, E.; Ducati, J. R.; Figueiredo, D. C.; Bergamaschi, H.; Berlato,

M. A. Monitoramento e previsão de safras no Brasil. In: Simpósio Latino Americano de

Percepción Remota, 9., 2000, Puerto Iguazú. Anais... Puerto Iguazú: SELPER, 2000. 1

CD-ROM.

Formaggio, A. R.; Epiphanio, J. C. N.; Valeriano, M. M.; Oliveira, J. B.

Comportamento espectral (450-2.450 nm) de solos tropicais de São Paulo. Revista

Brasileira de Ciência do Solo, v. 20, p. 467-474, 1996.

107

Formaggio, A. R.; Epiphanio, J. C. N. Feições espectrais e parâmetros analíticos de

solos tropicais brasileiros. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR),

10., 2001, Foz do Iguaçu. Anais... São José dos Campos: INPE, 2001. Artigos, p. 1339-

1401 CD-ROM, On-line, ISBN 85-1700016-1. Disponível em:

<http://marte.dpi.inpe.br/col/dpi.inpe.br/lise/2001/12.28.15.53>. Acesso em: mai. 2006.

Genú, A. M.; Demattê, J. A. M. Estimativa de atributos de solos utilizando sensor em

laboratório. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 11., 2003, Belo

Horizonte. Anais... São José dos Campos: INPE, 2003. Artigos, p. 2501-2502 CD-

ROM, On-line, ISBN 85-1700017-x. Disponível em:

<http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31> . Acesso em: abr. 2006.

Galvão, L. S.; Formaggio, A. R.; Vitorello, I.; de Freitas Filho, J.; Mazzocato, M. E.;

Torres, R. B.; Espinoza, H. F. Caracterização da reflectância espectral de perfis de solos

da região sudeste do Brasil. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR),

8.. 1996, Salvador. Anais... São José dos Campos: INPE, 1996. Artigos, p. 909-913

CD-ROM, On-line, ISBN 85-1700014-5. Disponível em:

<http://marte.dpi.inpe.br/col/dpi.inpe.br/lise/2004/08.25.13.20>. Acesso em: ago. 2006.

Galvão, L. S.; Pizarro, M. A.; Epiphanio, J. C. N. Variations in reflectance of tropical

soils: spectral-chemical compositions relationships from AVIRIS data. Remote Sensing

of Environment, v. 75, p. 245-255, 2001.

Galvão, L. S.; Vitorello, I. Quantitative approach in the spectral reflectance-

lithostratigraphy of the Wind River and southern Bighorn basins, Wyoming.

International Journal of Remote Sensing, v. 16, n. 9, p. 1617-1631, 1995.

Galvão, L. S.; Vitorello, I. Role of organic matter in obliterating the effects of iron on

spectral reflectance and colour of Brazilian tropical soils. International Journal of

Remote Sensing, v. 19, n. 10, p. 1969-1979, 1998.

Galvão, L. S.; Vitorello, I.; Formaggio, A. R. Relationships of spectral reflectance and

color among surface and sudsurface horizons of tropical soil profiles. Remote Sensing

of Environment, v. 61, p. 24-33, 1997.

Galvão, L. S.; Vitorello, I.; Paradella, W. R. Spectroradiometric discrimination of

laterites with principal components analysis and additive modeling. Remote Sensing of

Environment, v. 53, p. 70-75, 1995.

Gamon, J. A.; Field, C. B.; Goulden, M. L.; Griffin, K. L.; Hartley, A. E.; Joel, G.;

Peñuelas, J.; Valentini, R. Relationships between NDVI, canopy structure and

photosynthesis in tree californian vegetation types. Ecological Applications, v. 5, n. 1,

p. 28-41, 1995.

Garíca-Haro, F. J.; Gilbert, M. A.; Meliá, J. Linear spectral mixture modeling to

estimate vegetation amount from optical spectral data. International Journal of

Remote Sensing, v. 17, n. 17, p. 3373-3400, 1996.

108

Gilabert, M. A.; González-Piqueras, F.; Garcá-Haro, F. J.; Meliá, J. A generalized soil-

adjusted vegetation index. Remote Sensing of Environment, v. 82, p. 303-310, 2002.

Girardi-Deiro, A. M.; Gonçalves, J. O. N.; Gonzaga, S. S. Composição florística de

primavera e relação com a qualidade de forragem em campos naturais na Apa do

Ibirapuitã, RS. In: Congresso Nacional de Botânica, 55., 2004, Viçosa. Anais... Viçosa:

Sociedade Botância do Brasil, 2004. Artigos, p. 321-324.

Gonçalves, M. B.; Demattê, J. A. M.; Lima, K. N. S.; Genú, A. M.; Campos, R. C.;

Bortoletto, M. A. M. Satélite CEBERS-2 na determinação de teores de atributos

químicos e granulométricos de solos. In: Simpósio Brasileiro de Sensoriamento Remoto

(SBSR), 12., 2005, Goiânia. Anais... São José dos Campos: INPE, 2005. Artigos, p.

159-166 CD-ROM, On-line, ISBN 85-1700018-8. Disponível em:

<http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31>. Acesso em: nov. 2006.

Green, A. A.; Berman, M.; Switzer, P.; Craig, M. D. A transformation for ordering

multispectral data in terms of image quality with implications for a noise removal.

IEEE Transactions on Geoscience and Remote Sensing, v. 26, n. 1, p. 16-20, 1988.

Gürtler, S.; Epiphanio, J. C. N.; Luiz, A. J. B.; Formaggio, A. C. Planilha eletrônica

para o cálculo da reflectância em imagens TM e ETM+ Landsat. Revista Brasileira de

Cartografia, n. 57/02, p. 162-167, 2005.

Hall, F. G.; Strebel. D. E.; Nickeson, J. E.; Goetz, S. J. Radiometric rectification:

Toward a common radiometric response among multidate, mulisensor images. Remote

Sensing of Environment, v. 35, p. 11-27, 1991.

Huang, C.; wylie, B.; Yang, L.; Homer, C.; Zylstra, G. Derivation of a tasseled cap

transformation based on Landsat 7 at-satellite reflectance. International Journal of

Remote Sensing, v. 23, n. 8, p. 1741-1748, 2002.

Huete, A. R.; Jackson, R. D.; Post, D. F. Spectra response of a plant canopy with

different soil backgrounds. Remote Sensing of Environment, v. 17, p. 37-53, 1985.

Huete, A. R. A soil-adjusted vegetation index (SAVI). Remote Sensing of

Environment, v. 25, p. 295-309, 1988.

Hunt, G. R.; Salisbury, J. W. Visible and near-infrared spectra of minerals and rocks: I

silicate minerals. Modern Geology, v. 1, p. 283-300, 1970.

Instituto Brasileiro de Geografia e Estatística (IBGE). 2002. Mapas exploratório de

solos do Estado do Rio Grande do Sul. Disponível em: <http://www.ibge.gov.br>.

Acesso em jun. 2006.

Instituto Brasileiro de Geografia e Estatística (IBGE). 2004. Mapas de vegetação do

Brasil e Mapa de Biomas do Brasil. Disponível em: <http://www.ibge.gov.br>.

Acesso em nov. 2006.

109

Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis (IBAMA).

2004. Ecossistemas Brasileiros. Disponível em: <http://www.ibama.gov.br>. Acesso

em nov. 2006.

Jasinski, M. F.; Eagleson, P. S. The structure of red-infrared scattergrams of

semivegetated landscapes. IEEE Transactions on Geoscience and Remote Sensing,

v. 27, n. 4, p. 441-451, 1989.

Jensen, J. R. REMOTE SENSING OF THE ENVIRONMENT an Earth Resource

Perspective. New Jersey: Prentice Hall, 2000. 544p.

Jensen, M. E. Water consumption by agricultural plants. In: Kozlowzky, T. T.; (ed.)

Water deficits and plant growth. New York: Academic Press, 1968. v. 2. cap. 1, p. 1-

22.

Kauth, R. J.; Thomas, G. S. The tasseled cap – a graphic description of the spectral-

temporal development of agricultural crops as seen in Landsat. In: Symposium on

Machine Processing of Remotely Sensed Data, 1976, West Lafayette. Proceedings…

West Lafayette, Indiana, 1976. p. 1303-1325.

King, D. Remote sensing and agrometeorological models for yeld forecasts. Ispra:

Joint Research Centre, 1989. 25p.

Kruse, F. A.; Lefkoff, A. B.; Dietz, J. B. Expert system-based mineral mapping in

Northern Death Valley, California/Nevada, using the airborne/infrared imaging

spectrometer (AVIRIS). Remote Sensing of Environment, v. 44, p. 309-336, 1993.

Ling, S.; Fang, H.; Chen, M. Atmospheric correction of Lnadsat ETM+ land surface

imagery – Part I: methods. IEEE Transactions on Geoscience and Remote Sensing,

v. 39, n. 11, p. 2490-2498, 2001.

Macedo, W. Levantamento de reconhecimento dos solos do Município de Bagé, RS.

Bagé: Embrapa, 1984. 69p.

Madeira Netto, J. Comportamento espectral dos solos. In: Meneses, P. R.; Madeira

Netto, J. S. Sensoriamento remoto: reflectância dos alvos naturais. Brasília: UnB,

Planaltina, Embrapa Cerrados, 2001. 262 p. Cap. 4, p. 127-154.

Marchiori, L. A. C. Avaliação da estimativa da evapotranspiração obtida através do

modelo BRAMS visando o uso em modelo de estimativa de rendimento da soja no

Rio Grande do Sul. 2006. 71 p. Dissertação (Mestrado em Sensoriamento Remoto) –

Universidade Federal do Rio Grande do Sul, Porto Alegre. 2006.

Matthew, M. W.; Adler-Golden, S. M.; Berk, A.; Richtsmeier, S. C.; Levine, R. Y.;

Bernstein, L. S.; Acharya, P. K.; Anderson, G. P.; Felde, G. W.; Hoke, M. P.;

Ratkowski, A.; Burke, H. H.; Kaiser, R. D.; Miller, D. P. Status of atmospheric

correction using a MODTRAN4-based algorithm. Society of Photo-Optical

Instrumentation Engineers, v. 4049, p. 199-207, 2000.

110

Melo, R. W. Desenvolvimento de um modelo agrometeorológico espectral de

estimativa do rendimento de soja para o estado do Rio Grande do Sul. 2003. 82 p.

Dissertação (Mestrado em Fitotecnia-Agrometeoroloia) – Universidade Federal do Rio

Grande do Sul, Porto Alegre. 2003.

Meneses, P. R. Fundamentação da radiometria óptica espectral. In: Meneses, P. R.;

Madeira Netto, J. Sensoriamento remoto: reflectância dos alvos naturais. Brasília:

UnB, Planaltina, Embrapa Cerrados, 2001. 262 p. Cap. 1, p. 15-40.

Meneses, P. R.; Ferreira Jr., L. G. Comportamento espectral de minerais e rochas. In:

Meneses, P. R.; Madeira Netto, J. Sensoriamento remoto: reflectância dos alvos

naturais. Brasília: UnB, Planaltina, Embrapa Cerrados, 2001. 262 p. Cap. 3, p. 63-123.

Menezes, J. R. C. Estratigrafia do Neopermiano da Bacia do Paraná no Rio Grande do

Sul. In: Holz, M.; De Ros, L. F. A geologia do Rio Grande do Sul. Porto Alegre:

UFRGS, 2000. 445p. Cap. 11, p. 323-334.

Milton, E. J. Principles of field spectroscopy. International Journal of Remote

Sensing, v. 8, n. 12, p. 1807-1827, 1987.

Moreno, J. A. Clima do Rio Grande do Sul. Porto Alegre: Secretaria da Agricultura do

Estado do Rio Grande do Sul, 1961. 30p.

Muller Filho, I. L. Notas para o estudo da geomorfologia do Rio Grande do Sul, Brasil.

Mineralogical Megazine, n. 1, p. 9-33, 1970.

Nanni, M. R.; Demattê, J. A. M. Quantification and discrimination of soils developed

from basalt as evaluated by terrestrial, airborne and orbital sensor. In: Simpósio

Brasileiro de Sensoriamento Remoto (SBSR), 10., 2001, Foz do Iguaçu. Anais... São

José dos Campos: INPE, 2001. Artigos, p. 1441-1449 CD-ROM, On-line, ISBN 85-

1700016-1. Disponível em:

<http://marte.dpi.inpe.br/col/dpi.inpe.br/lise/2001/12.28.15.53>. Acesso em: mai. 2006.

Nanni, M. R.; Demattê, J. A. M.; Fiorio, P. R. Análise discriminante dos solos por meio

de resposta espectral no nível terrestre. Pesquisa Agropecuária Brasileira, v. 39, n. 10,

p. 995-1006, 2004.

Nanni, M. R.; Demattê, J. A. M.; Fiorio, P. R. Resposta espectral na análise

discriminante dos solos. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 12.,

2005, Goiânia. Anais... São José dos Campos: INPE, 2005. Artigos, p. 407-414 CD-

ROM, On-line, ISBN 85-1700018-8. Disponível em:

<http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2005/02.12.16.31>. Acesso em: abr. 2006.

National Aeronautics and Space Administration (NASA). Landsat 7: Sciences data

users handbook. Dispnível em: <http://itpwww.gsfc.nasa.gov/IAS/handbook>. Acesso

em: jul. 2006.

Nielsen, A. A.; Conradsen, K.; Simpson, J. J. Multivariate alteration detection (MAD)

and MAF postprocessing in multispectral, bitemporal image data: New approaches to

change detection studies. Remote Sensing of Environment, v. 64, p. 1-19, 1998.

111

Nouvellon, Y.; Moran, M. S.; Seen, D. L.; Bryant, R.; Rambal, S.; Ni, W.; Bégué, A.;

Chehbouni, A.; Emmerich, W. E.; Heilman, P.; Qi, J. Coupling a grassland ecosystem

model with landsat imagery for a 10-year simulation carbon and water budgets. Remote

Sensing of Environment, v. 78, n. 2, p. 131-149, 2001.

Paruelo, J. M.; Epstein, H. E.; Laurenroth, W. K.; Burke, I. C. ANPP estimates from

NDVI for the central grassland region of the United States. Ecology, v. 78, n. 3, p. 953-

958, 1997.

Paruelo, J. M.; Oesterheld, M.; Di-Bella, C. M.; Arzadum, M.; Lafontaine, J.; Cahuep,

M.; Rebella, C. M. Estimation of primary production of subhumid rangelands from

remote sensing data. Applied Vegetation Sciences, v. 3, n. 2, p. 189-195, 2000.

Pizarro, M. A. Sensoriamento remoto hiperespectral para a caracterização e

identificação mineral em solos tropicais. 1999. 195 p. (INPE-7249-TDI/693).

Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas

Espaciais, São José dos Campos. 1999.

Pizarro, M. A.; Epiphanio, J. C. N.; Galvão, L. S. Caracterização mineralógica de solos

tropicais por sensoriamento remoto hiperespectral. Pesquisa Agropecuária Brasileira,

v. 36, n. 10, p. 1277-1286, 2001a.

Pizarro, M. A.; Galvão, L. S.; Epiphanio, J. C. N. Caracterização de solos tropicais

através de componentes principais e da correlação entre reflectâncias e análises

químicas. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 10., 2001, Foz do

Iguaçu. Anais... São José dos Campos: INPE, 2001b. Artigos, p. 1451-1460 CD-ROM,

On-line, ISBN 85-1700016-1. Disponível em:

<http://marte.dpi.inpe.br/col/dpi.inpe.br/lise/2001/12.28.15.53>. Acesso em: mai. 2006.

Plummer, S. E. Perspectives on combining ecological process models and remotely

sensed data. Ecological Modelling, V. 129, n.2, p. 157-199.

Ponzoni, F. J. Comportamento espectral da vegetação. In: Meneses, P. R.; Madeira

Netto, J. Sensoriamento remoto: reflectância dos alvos naturais. Brasília: UnB,

Planaltina, Embrapa Cerrados, 2001. 262 p. Cap. 5, p. 157-199.

Qi, j.; Chehbouni, A.; Huete, A. R.; Kerr, Y. H.; Sorooshian, S. A modified soil-

adjusted vegetation index. Remote Sensing of Environment, v. 48, p. 119-126, 1994.

Reeves, M. C.; Winslow, J. C.; Running, S. W. Mapping weeky rangeland vegetation

productivity using MODIS algorithms. Journal of Range Management, v. 54, n.2, p.

A90-A102, 2001.

Richards, J. A. Remote sensing digital image analysis: an introduction. Berlin:

Springer-Verlag, 1993. 340p.

Rondeaux, G.; Steven, M.; Baret, F. Optimization of soil-adjusted vegetation indeces.

Remote Sensing of Environment, v. 55, p. 95-107, 1996.

112

Rudorff, B. F. T.; Batista, G. T. Yield estimation of sugarcane base on

agrometeorological-spectral models. Remote Sensing of Environment, v. 33, n. 3, p.

183-192, 1990.

Saldanha, D. L.; Cunha, M. C. Análise do comportamento espectral de solos derivados

de rochas máficas e ultramáficas do Cerro Mantiqueira, RS. In: Simpósio Brasileiro de

Sensoriamento Remoto (SBSR), 10.. 2001, Foz do Iguaçu. Anais... São José dos

Campos: INPE, 2001. Artigos, p. 1469-1470 CD-ROM, On-line, ISBN 85-1700016-1.

Disponível em: <http://marte.dpi.inpe.br/col/dpi.inpe.br/lise/2001/12.28.15.53>. Acesso

em: jun. 2006.

Saldanha, D. L. Características espectrais de unidades ultramáficas do sudoeste do

Rio Grande do Sul – Integração de dados orbitais, geobotânicas e geoquímicos.

2003. 279 p. Tese (Doutorado em Geociências) – Universidade Federal do Rio Grande

do Sul, Porto Alegre. 2003.

Schroeder, T. A.; Cohen, W. B.; Song, C.; Canty, M. J.; Yang, Z. Radiometric

correction of muli-temporal Landsat data for characterization of early successional

forest patterns in western Oregon. Remote Sensing of Environment, v. 103, p. 16-26,

2006.

Shimabukuru, E. Y.; Smith, A. The least-square mixing models to generate fraction

images derived from remote sensing multispectral data. IEEE Transactions on

Geoscience and Remote Sensing, v. 29, n. 1, p. 16-20, 1991.

Siegal, B. S.; Goetz, A. F. H. Effect of vegetation on rock an soil type dicrimination.

Photogrammetric Engineering and Remote Sensing, v. 43, n. 2, p. 191-196, 1977.

Small, C. The Landsat ETM+ spectral mixing space. Remote Sensing of Environment,

v. 93, p. 1-17, 2004.

Smith, M. O.; Johnson, P. E.; Adams, J. B. Quantitative determination of mineral types

and abundances from reflectance spectra using principal components analyses. Journal

of Geophysical Research, v. 90, p. C797-C804, 1985.

Soliani Jr, E.; Koester, E.; Fernandes, L. A. D. A geologia isotópica do Escudo Sul-rio-

grandense – Parte II: os dados isotópicos e interpretações petrogênicas. In: Holz, M.; De

Ros, L. F. A geologia do Rio Grande do Sul. Porto Alegre: UFRGS, 2000. 445p. Cap.

7, p. 175-230.

Song, C.; Woodcok, C. E.; Seto, K. C.; Lenney, M. P.; Macomber, S. A. Classification

and change detection using Landsat TM data: When and how to correct atmospheric

effects?. Remote Sensing of Environment, v. 75, p. 230-244, 2001.

Souza, G. S. Introdução aos modelos de regressão linear e não linear. Brasília:

Embrapa, 1998. 505p.

Steffen, C. A.; Moraes, E. C.; Gama, F. F. Radiometria óptica espectral: Tutorial. In:

Simpósio Brasileiro de Sensoriamento Remoto, 8., 1996, Salvador. Anais… São José

dos Campos, INPE/SELPER, 1996. v. 1, p. 1-17.

113

Stoner, E. R.; Baumgardner, M. F. Characteristic variations in reflectance of surface

soils. Soil Sci. Soc. Am. J, v. 45, p. 1161-1165, 1981.

Todd, S. W. Hoffer, R. M. Responses of spectral indices to variations in vegetation

cover and soil background. Photogrammetric Engineering and Remote Sensing, v.

64, n. 9, p. 915-921, 1998.

Tucker, C. J.; Miller, L. D. Soil spectra contributions to grass canopy spectral

reflectance. Photogrammetric Engineering and Remote Sensing, v. 43, n. 6, p. 721-

726, 1977.

Valeriano, M. M.; Epiphanio, J. C. N.; Formaggio, A. R.; Oliveira, J. B. Bi-directional

reflectance factor of 14 soil classes from Brazil. International Journal of Remote

Sensing, v. 16, n. 1, p. 113-128, 1995.

Veloso, H. P.; Rangel Filho, A. L. R.; Lima, J. C. A. Classificação da vegetação

brasileira, adaptada a um sistema universal. Rio de Janeiro: IBGE, 1991. 124p.

Vermote, E. F.; Tanré, D.; Deuzé, J. L.; Herman, M.; Morcrette, J. J. Seconde

simutalion of the satellite signal in the solar spectrum, 6S: An overview. IEEE

Transactions on Geoscience and Remote Sensing, v. 35, p. 675-686, 1994.

Tanré, D.; Deroo, C.; Duhaut, P.; Herman, M.; Mocrette, J. J; Perbos, J.; Deschamps, P.

Y. Description of a computer code to simulate the satellite signal in the solar spectrum:

the 5S code. International Journal of Remote Sensing, v. 11, n. 4, p. 659-668, 1990.

114

ANEXO 1

Coordenadas dos pontos de amostragem

Obs: todas as coordenadas estão na projeção UTM, datum SAD 69 e fuso 22.

Amostras E N

1 217638,4545 6520880,0322

2 217215,4539 6512231,0326

3 190685,4205 6492063,9926

4 190536,4202 6493988,9951

5 194935,4266 6483826,9820

6 200196,4344 6471267,8657

7 200395,4346 6471661,9663

8 201283,4393 6519376,8979

9 240943,4853 6521353,0340

10 242858,4879 6519672,0319

11 251759,5006 6498376,0043

12 253140,5026 6495319,0003

13 285416,5446 6499310,0071

14 227217,4661 6542308,0610

15 231389,4713 6549526,0708

Descrição das classificações geológicas e dos solos

Unidades Geológicas:

Cobertura Sedimentar da Bacia do Paraná

Grupo Passo Dois:

Formação Estrada Nova - argilitos e siltitos cinza-escuros, maciços, com fratura

conchoidal e intercalações de lentes e concreções calcíferas, que gradam superiormente

para arenitos cinza-claros, muito finos, com lentes e camadas de calcários com oólitos e

estruturas cone-in-cone.

Formação Irati - folhelhos e siltitos cinza-escuros a pretos, laminação paralela, com

intercalações de folhelhos pirobetuminosos e de lentes e camadas de margas

dolomíticas, localmente com marcas onduladas, laminação cruzada, oólitos, brechas

intraformacionais e laminação algálica.

115

ANEXO 1 – Continuação...

Grupo Guatá:

Formação Rio Bonito - arenitos médios a grossos, cinza-claros, arcosianos, localmente

conglomeráticos, com acamadamento normal e estratos cruzados de médio a grande

porte, que gradam superiormente para arenitos finos com ocorrências subordinadas de

pelitos cinza-esverdeados, carbonosos; siltitos de cores cinza a preto, carbonosos, com

interlaminações de arenitos com wavy e linsen e de leitos e camadas de carvão. Arenitos

quartzosos, finos a médios, cinza-claros a esbranquiçados, silicificados, com gradação

normal e estratificação cruzada de médio a grande porte, sobrepostos ao pacote

carbonoso.

Coberturas Cenozóicas

Formação Santa Tecla - arenitos finos avermelhados, friáveis, com cimento

ferruginoso e arenitos esbranquiçados com cimento silicoso aos quais se associam

concreções silicosas mamelonares, formando um pacote homogêneo, sem estratificação

visível. Localmente, conglomerados róseos a esbraquiçados, com cimento silicoso ou

carbonático, matriz arenosa ou caulínica envolvendo grânulos e seixos arredondados de

granito e quartzo.

Domínio Ocidentral

Suíte Intrusiva Santo Afonso - monzogranitos isótropos, leucocráticos cinza,

granulação média a grossa, texturas eqüigranular a porfirítica, contendo freqüentes

xenólitos gnáissicos com até 1km de diâmetro.

Suíte Granítica Dom Feliciano

Domínio Oriental

(Cinturão Dom Feliciano):

Fácies sienogranito-stocks alongados NE-SW de sienogranitos róseo-avermelhados,

eqüigranulares médios a grossos, localmente porfiríticos, compostos dominantemente

por feldspato alcalino (ortoclásio e microclíneo micropertítico), quartzo, plagioclásio e

biotita subordinada.

116

ANEXO 1 – Continuação...

Classes dos solos:

Planossolo eutrófico (planossolos háplicos e planossolos hidromórficos):

PLe2 - planossolo eutrófico Ta A moderado textura arenosa/média e média/argilosa e

gleissolo moderado Ta A moderado textura média e argilosa relevo plano;

Brunizém vértico (chernossolos ebânicos):

BT7 – brunizém vértico cálcico e não cálcico textura média/argilosa e argilosa e solos

litólicos eutróficos a moderado e chernozêmico textura média e argilosa substrato

folhelhos relevo ondulado e suave ondulado;

BT9 – brunizém vértico e não vértico cálcico e não cálcico textura argilosa e vertissolo

cálcico A chernozêmico textura argilosa e muito argilosa relevo suave ondulado;

Planossolo vértico (planossolos háplicos):

PLV2 – planossolo vértico cálcico e não cálcico A chernozêmico e moderado textura

média/argilosa e brunizém vértico cálcico e não cálcico textura média/argilosa relevo

suave ondulado;

Podzólico vermelho-amarelo distrófico (argissolos vermelho-amarelos):

PVd12 – podzólico vermelho-amarelo distrófico e eurófico Tb e Ta plíntico e não

plíntico A moderado textura média/argilosa e podzólico vermelho-escuro distrófico Tb

abrúptico não abrúptico a moderado textura média/argilosa relevo suave ondulado e

ondulado;

PVd13 – podzólico vermelho-amarelo distrófico e eurófico Tb A proeminente e

moderado textura média cascalhenta/argilosa, podzólico bruno-acinzentado eutrófico e

distrófico Tb e Ta A moderado textura média/argilosa e brunizem avermelhado textura

média/argilosa e argilosa relevo suave ondulado e ondulado;

PVd14 – podzólico vermelho-amarelo distrófico e eurófico Tb A proeminente e

moderado textura média cascalhenta/argilosa cascalhenta e média cascalhenta/argilosa,

podzólico bruno-acinzentado eutrófico e distrófico Tb A moderado textura média

cascalhenta/argilosa e solos litólicos distróficos e eutróficos A proeminente e moderado

textura média cascalhenta substrato mignatito relevo ondulado e forte ondulado;

117

ANEXO 1 – Continuação...

Vertissolo (vertissolo ebânico):

V2 – vertissolo cálcico A chernozêmico textura argilosa e muito argilosa relevo

ondulado e suave ondulado;

Solos litólicos distróficos (neossolos litólicos):

Rd6 – Associação complexa de solos litólicos distróficos A moderado textura média

cascalhenta substrato migmatito com cambissolo distrófico Tb A moderado textura

média cascalhenta e argilosa cascalhenta e podzólico vermelho-amarelo distrófico Tb

cascalhento A moderado textura média/argilosa relevo ondulado e suave ondulado;

Podzólico vermelho-escuro distrófico (argissolos vermelhos):

PEd4 – podzólico vermelho-escuro distrófico e eutrófico Tb abrúptico A moderado

textura média/argilosa relevo suave ondulado;

118

ANEXO 2

Análises de correlação linear com significância de 5%

Valores de reflectância para o cálculo da ACP, das 15 amostras para as 15 bandas

escolhidas.

Bandas(λ)nm 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

500 0,061 0,102 0,078 0,115 0,085 0,126 0,061 0,076 0,065 0,098 0,093 0,080 0,054 0,091 0,076

625 0,092 0,165 0,122 0,183 0,135 0,291 0,088 0,122 0,118 0,153 0,165 0,135 0,093 0,164 0,136

750 0,143 0,260 0,195 0,284 0,208 0,383 0,128 0,203 0,185 0,237 0,261 0,214 0,167 0,243 0,216

875 0,196 0,339 0,251 0,357 0,268 0,403 0,171 0,272 0,229 0,306 0,320 0,272 0,232 0,289 0,278

1000 0,243 0,397 0,288 0,403 0,312 0,439 0,221 0,323 0,260 0,358 0,355 0,315 0,286 0,319 0,329

1125 0,282 0,437 0,316 0,436 0,345 0,485 0,267 0,360 0,285 0,395 0,389 0,348 0,327 0,339 0,379

1250 0,307 0,463 0,336 0,461 0,367 0,514 0,306 0,387 0,299 0,420 0,409 0,372 0,356 0,351 0,426

1412 0,299 0,444 0,315 0,427 0,329 0,490 0,308 0,371 0,289 0,410 0,389 0,352 0,334 0,344 0,401

1625 0,339 0,493 0,356 0,481 0,379 0,534 0,369 0,413 0,314 0,452 0,424 0,392 0,382 0,366 0,466

1750 0,343 0,498 0,358 0,483 0,378 0,539 0,378 0,415 0,319 0,455 0,426 0,394 0,383 0,372 0,466

1910 0,257 0,402 0,263 0,357 0,250 0,481 0,265 0,322 0,273 0,382 0,359 0,311 0,294 0,336 0,341

2125 0,328 0,494 0,335 0,458 0,340 0,545 0,365 0,392 0,322 0,434 0,416 0,376 0,353 0,391 0,428

2205 0,290 0,448 0,298 0,404 0,295 0,474 0,325 0,358 0,284 0,380 0,364 0,335 0,297 0,364 0,360

2325 0,293 0,453 0,295 0,404 0,294 0,496 0,318 0,346 0,290 0,385 0,360 0,337 0,297 0,370 0,353

2400 0,271 0,440 0,276 0,379 0,249 0,488 0,283 0,327 0,276 0,388 0,362 0,318 0,283 0,372 0,335

Valores dos escores dos dois primeiros componentes principais.

amostras CP1 CP2

1 -1,19716 -0,2618

2 1,26437 -1,28811

3 -0,77609 0,95777

4 1,06513 0,37682

5 -0,57944 1,1931

6 2,29607 0,75888

7 -1,07649 -1,55009

8 -0,09348 -0,64887

9 -1,11154 1,14862

10 0,59181 -0,48551

11 0,40516 0,60216

12 -0,23645 0,27211

13 -0,76615 -0,86863

14 -0,03487 1,24254

15 0,24913 -1,44899

119

ANEXO 2 – Continuação...

Coeficientes de correlação linear entre os atributos químicos das amostras e os valores

de reflectância, para os diferentes comprimentos de onda.

λ (nm) SiO

2

Al

2

O3

3

TiO

2

Fe

2

O

3

MnO MgO CaO Na

2

O K

2

O P

2

O

5

P.F.

400

0,227 -0,262 0,004 -0,081 -0,218 -0,002 -0,145 -0,251 -0,391 -0,057 -0,191

500

0,280 -0,282 0,040 -0,005 -0,040 -0,105 -0,247 -0,226 -0,281 0,046 -0,357

600

0,276 -0,242 0,061 0,064 0,139 -0,175 -0,302 -0,189 -0,128 0,139 -0,438

700

0,319 -0,281 0,019 0,016 0,042 -0,238 -0,373 -0,221 -0,144 0,069 -0,491

800

0,339 -0,302 -0,020 -0,029 -0,067 -0,287 -0,424 -0,235 -0,153 -0,001 -0,518

900

0,335 -0,306 -0,052 -0,073 -0,182 -0,306 -0,442 -0,239 -0,170 -0,072 -0,500

1000

0,293 -0,268 -0,046 -0,060 -0,203 -0,294 -0,424 -0,208 -0,134 -0,078 -0,463

1050

0,261 -0,237 -0,028 -0,034 -0,188 -0,283 -0,408 -0,178 -0,101 -0,057 -0,441

1100

0,227 -0,204 -0,007 -0,004 -0,168 -0,270 -0,389 -0,146 -0,065 -0,035 -0,419

1200

0,158 -0,138 0,047 0,064 -0,116 -0,241 -0,349 -0,075 -0,001 0,019 -0,371

1300

0,098 -0,082 0,088 0,114 -0,086 -0,209 -0,306 -0,015 0,044 0,055 -0,320

1400

0,155 -0,145 0,046 0,069 -0,075 -0,249 -0,340 -0,074 -0,006 0,031 -0,350

1500

0,094 -0,086 0,092 0,126 -0,038 -0,208 -0,297 -0,025 0,037 0,071 -0,300

1600

0,048 -0,043 0,115 0,155 -0,030 -0,171 -0,254 0,024 0,071 0,090 -0,260

1700

0,042 -0,041 0,115 0,159 -0,019 -0,159 -0,239 0,028 0,070 0,094 -0,250

1800

0,073 -0,073 0,083 0,129 -0,018 -0,177 -0,252 -0,002 0,054 0,075 -0,269

1900

0,352 -0,331 -0,099 -0,071 -0,056 -0,430 -0,517 -0,286 -0,106 -0,058 -0,503

2000

0,286 -0,276 -0,048 -0,018 -0,031 -0,327 -0,417 -0,220 -0,105 -0,014 -0,433

2100

0,240 -0,235 -0,017 0,022 -0,007 -0,272 -0,357 -0,163 -0,077 0,018 -0,402

2200

0,346 -0,350 -0,112 -0,093 -0,036 -0,278 -0,363 -0,245 -0,191 -0,051 -0,457

2300

0,364 -0,358 -0,110 -0,083 -0,028 -0,312 -0,405 -0,273 -0,178 -0,051 -0,493

2400

0,461 -0,454 -0,182 -0,186 -0,062 -0,416 -0,499 -0,363 -0,251 -0,107 -0,557

2500

0,346 -0,354 0,013 -0,055 0,069 -0,287 -0,346 -0,147 -0,236 0,064 -0,474

Coeficientes de correlação linear entre os atributos químicos das amostras e os valores

das componentes principais.

Atributos

PC1 PC2

SiO

2

0,256 0,360

Al

2

O

3

-0,244 -0,337

TiO

2

0,001 -0,090

Fe

2

O

3

0,009 -0,219

MnO -0,059 -0,035

MgO -0,261 0,038

CaO -0,370 -0,074

Na

2

O -0,169 -0,350

K

2

O -0,109 -0,455

P

2

O

5

0,011 -0,054

P.F. -0,423 -0,237

120

ANEXO 2 – Continuação...

Coeficientes de correlação linear entre os atributos químicos.

Al

2

O

3

TiO

2

Fe

2

O

3

MnO MgO CaO Na

2

O K

2

O P

2

O

5

P.F. SiO

2

Al

2

O

3

1,000

TiO

2

0,758 1,000

Fe

2

O

3

0,828 0,925 1,000

MnO

0,408 0,674 0,691 1,000

MgO

0,686 0,593 0,648 0,431 1,000

CaO

0,675 0,548 0,623 0,444 0,961 1,000

Na

2

O

0,850 0,749 0,775 0,481 0,589 0,648 1,000

K

2

O

0,734 0,314 0,466 0,183 0,182 0,210 0,672 1,000

P

2

O

5

0,613 0,747 0,829 0,721 0,563 0,633 0,698 0,305 1,000

P.F.

0,773 0,654 0,644 0,367 0,794 0,791 0,530 0,233 0,481 1,000

SiO

2

-0,989 -0,779 -0,839 -0,426 -0,743 -0,743 -0,843 -0,654 -0,638 -0,842 1,000

Coeficientes de correlação linear entre o somatório dos teores de Fe

2

O

3

, CaO, MgO,

TiO

2

e MnO com SiO

2

.

Si Ti/Fe/Ca/Mg/Mn

Si 1,000

-0,881

Ti/Fe/Ca/Mg/Mn

-0,881

1,000

Coeficientes de correlação linear entre as frações vegetação e solo e os valores de

reflectância média de superfície.

Outubro Novembro Janeiro

Vegetação Solo Vegetação Solo Vegetação Solo

485 -0,298 0,490 -0,010 0,824 -0,681 0,904

570 0,209 0,122 0,294 0,684 -0,502 0,838

660 -0,431 0,527 -0,010 0,789 -0,750 0,888

840 0,908 -0,578 0,764 0,155 0,664 -0,182

1650 0,292 0,127 0,037 0,868 -0,208 0,691

2220 -0,409 0,684 -0,324 0,965 -0,713 0,944

Vegetação 1,000 -0,767 1,000 -0,426 1,000 -0,808

Solo -0,767 1,000 -0,426 1,000 -0,808 1,000

121

ANEXO 3

Parâmetros utilizados na determinação dos valores de reflectância de superfície

para as unidades amostrais

Características das imagens LANDSAT 7 (ETM+) utilizadas.

Características 2/10/2002 19/11/2002 6/1/2003

Latitude Norte -30,79889 -30,79504 -30,80256

Longitude Oeste -54,23 -54,24509 -54,42858

Latitude Sul -32,70093 -32,69701 -32,70605

Longitude Leste -52,45414 -52,47353 -52,42858

Tempo Central (GMT) 13:13:00 13:13:22 13:13:36

Orientação da imagem 189.618 189.669 189.661

Azimute solar 53,7427 73,0237 82,8238

Elevação solar 48,986 60,0925 57,5055

Parâmetros de calibração radiométrica

Valores máximos e mínimos de radiância (Wcm

-2

sr

-1

µm

-1

).

2/10/2002 19/112002 6/1/2003

Bandas Lmín Lmáx Lmín Lmáx Lmín Lmáx

1 -6,20 191,60 -6,20 191,60 -6,20 191,60

2 -6,40 196,50 -6,40 196,50 -6,40 196,50

3 -5,00 152,90 -5,00 152,90 -5,00 152,90

4 -5,10 241,10 -5,10 241,10 -5,10 241,10

5 -1,00 31,06 -1,00 31,06 -1,00 31,06

7 -0,35 10,80 -0,35 10,80 -0,35 10,80

Valores de irradiância solar no topo da atmosfera (exoatmosfera) em Wm

-2

µm

-1

.

Bandas ESUN

1 1969,00

2 1840,00

3 1551,00

4 1044,00

5 225,70

7 82,07

122

ANEXO 3 – Continuação...

Valores dos coeficientes utilizados na geração das imagens Tasseled Cap, para o sensor

LANDSAT/ETM+

Índices Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 7

Brigthness 0,3561 0,3972 0,3904 0,6966 0,2286 0,1596

Greenness -0,3344 -0,3544 -0,4556 0,6966 -0,0242 -0,2630

Wetness 0,2626 0,2141 0,0926 0,0656 -0,7629 -0,5388

Quarta 0,0805 -0,0498 0,1950 -0,1327 0,5752 -0,7775

Quinta -0,7252 -0,0202 0,6683 0,0631 -0,1494 -0,0274

Sexta 0,4000 -0,8172 0,3832 0,0602 -0,1095 0,0985

Reflectância média das FPIs antes do procedimento de normalização, para as todas as

bandas no conjunto multitemporal de imagens estudadas.

Bandas Pontos Claros Pontos Escuros

ETM+ OUT NOV JAN OUT NOV JAN

B1 0,1565 0,2039 0,1376 0,1094 0,1133 0,0447

B2 0,1498 0,2231 0,1894 0,0898 0,0961 0,0690

B3 0,1725 0,2655 0,2412 0,0851 0,0902 0,0812

B4 0,2604 0,4008 0,4047 0,0522 0,0565 0,0467

B5 0,3125 0,4839 0,5329 0,0110 0,0204 0,0133

B7 0,2275 0,4031 0,4761 0,0059 0,0114 0,0075

Reflectância média das FPIs após o procedimento de normalização, para as todas as

bandas no conjunto multitemporal de imagens estudadas.

Bandas Pontos Claros Pontos Escuros

ETM+ OUT NOV JAN OUT NOV JAN

B1 0,1365 0,1365 0,1376 0,0427 0,0427 0,0447

B2 0,1863 0,1875 0,1894 0,0659 0,0678 0,0690

B3 0,2396 0,2392 0,2412 0,0792 0,0788 0,0812

B4 0,4024 0,4031 0,4047 0,0451 0,0447 0,0467

B5 0,5310 0,5302 0,5329 0,0122 0,0125 0,0133

B7 0,4741 0,4741 0,4765 0,0063 0,0063 0,0075

123

ANEXO 4

Reflectância média de superfície referente a cada unidade amostral

Outubro

Unidade amostral Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 7

1 0,0310 0,0583 0,0475 0,2946 0,2248 0,1063

2 0,0263 0,0678 0,0434 0,4206 0,2088 0,0865

3 0,0507 0,0864 0,0823 0,3836 0,3025 0,1721

4 0,0466 0,0822 0,0742 0,3739 0,2840 0,1549

5 0,0548 0,0912 0,0981 0,3335 0,2669 0,1757

6 0,0475 0,0786 0,0904 0,2897 0,2356 0,1583

7 0,0393 0,0658 0,0643 0,2766 0,2041 0,1139

8 0,0409 0,0754 0,0701 0,3345 0,2680 0,1459

9 0,0383 0,0614 0,0671 0,1938 0,2091 0,1524

10 0,0434 0,0763 0,0861 0,3043 0,2630 0,1635

11 0,0377 0,0681 0,0643 0,3155 0,2373 0,1285

12 0,0418 0,0845 0,0706 0,4318 0,2859 0,1483

13 0,0320 0,0605 0,0625 0,2771 0,2080 0,1283

14 0,0462 0,0805 0,0757 0,3651 0,2707 0,1535

15 0,0383 0,0762 0,0658 0,3739 0,2481 0,1302

Novembro

Unidade amostral Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 7

1 0,0396 0,0729 0,0669 0,3249 0,2792 0,1520

2 0,0304 0,0679 0,0537 0,3722 0,2311 0,1131

3 0,0478 0,0874 0,0816 0,3627 0,3217 0,1773

4 0,0458 0,0829 0,0744 0,3298 0,3066 0,1617

5 0,0385 0,0714 0,0647 0,3338 0,2484 0,1309

6 0,0335 0,0602 0,0585 0,2836 0,1939 0,1020

7 0,0278 0,0500 0,0453 0,2395 0,1887 0,1116

8 0,0446 0,0809 0,0742 0,3423 0,2928 0,1605

9 0,0348 0,0640 0,0676 0,2437 0,2316 0,1607

10 0,0361 0,0728 0,0666 0,3221 0,2458 0,1341

11 0,0325 0,0688 0,0623 0,3210 0,2315 0,1189

12 0,0423 0,0850 0,0763 0,3880 0,2914 0,1517

13 0,0314 0,0599 0,0513 0,3093 0,1832 0,0990

14 0,0361 0,0731 0,0708 0,3314 0,2435 0,1254

15 0,0376 0,0758 0,0673 0,3741 0,2444 0,1210

124

Anexo 4 – Continuação…

Janeiro

Unidade amostral Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 7

1 0,0348 0,0652 0,0521 0,3232 0,2440 0,1208

2 0,0409 0,0773 0,0683 0,3754 0,2435 0,1170

3 0,0527 0,0942 0,0840 0,3929 0,3271 0,1751

4 0,0460 0,0852 0,0736 0,3861 0,3015 0,1599

5 0,0537 0,0924 0,0946 0,3555 0,2824 0,1708

6 0,0439 0,0758 0,0802 0,2956 0,2105 0,1257

7 0,0353 0,0641 0,0567 0,2829 0,2229 0,1320

8 0,0481 0,0841 0,0744 0,3716 0,2981 0,1566

9 0,0722 0,1085 0,1502 0,2723 0,3174 0,2693

10 0,0443 0,0773 0,0818 0,3097 0,2616 0,1555

11 0,0297 0,0643 0,0502 0,3270 0,2289 0,1083

12 0,0423 0,0782 0,0758 0,3657 0,2737 0,1391

13 0,0304 0,0578 0,0491 0,3062 0,1795 0,0908

14 0,0351 0,0742 0,0589 0,3916 0,2633 0,1348

15 0,0457 0,0818 0,0916 0,3003 0,2683 0,1651

125

ANEXO 5

Comportamento espectral das unidades amostrais para os períodos estudados

Unidade amostral 1

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 2

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

0,45

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 3

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

126

ANEXO 5 – Continuação...

Unidade amostral 5

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 6

0,00

0,05

0,10

0,15

0,20

0,25

0,30

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 7

0,00

0,05

0,10

0,15

0,20

0,25

0,30

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

127

ANEXO 5 – Continuação...

Unidade amostral 8

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 9

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 10

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

128

ANEXO 5 – Continuação...

Unidade amostral 11

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 12

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

0,45

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 13

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

129

ANEXO 5 – Continuação...

Unidade amostral 14

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

Unidade amostral 15

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

485 570 660 840 1650 2220

Bandas ETM+

Reflectância

out

nov

jan

130

ANEXO 6

Resultados do teste de Tukey para a comparação das reflectâncias médias das

amostras

Banda 2 (530 a 610nm)

Tukey HSD

a

Agrupamentos para alfa = 0,05

Amostras N 1 2 3 4 5 6 7

13 81

0,0748

7 81

0,0762

1 81

0,0777

9 81

0,0947

8 81

0,1003

3 81

0,1021

15 81

0,1101

12 81

0,1101

5 81

0,1124

10 81

0,1272

14 81

0,1303 0,1303

11 81

0,1342 0,1342

2 81

0,1370

4 81

0,1530

6 81

0,2260

Sig. 0,9943 0,0847 0,9996 0,1330 0,1864 1,0000 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 81,000.

Banda 3 (630 a 690nm)

Tukey HSD

a

Agrupamentos para alfa = 0,05

Amostras N 1 2 3 4 5 6 7 8

7 61 0,0979

1 61 0,1050

13 61 0,1114

9 61 0,1359

3 61 0,1411

8 61 0,1420

5 61 0,1533

12 61 0,1551

15 61 0,1564

10 61 0,1749

14 61 0,1851

2 61 0,1893

11 61 0,1906

4 61 0,2094

6 61 0,3156

Sig. 1,0000 0,0988

0,1551 0,9710

1,0000 0,2809

1,0000 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 61,000.

131

ANEXO 6 – Continuação...

Banda 4 (780 a 900nm)

Tukey HSD

a

Agrupamentos para alfa = 0,05

Amostras N 1 2 3 4 5 6 7 8 9 10 11 12

7 121 0,1592

1 121 0,1817

13 121 0,2151

9 121 0,2188

3 121 0,2371

5 121 0,2530

8 121 0,2547

12 121 0,2579 0,2579

15 121 0,2629

14 121 0,2789

10 121 0,2884

11 121 0,3068

2 121 0,3190

4 121 0,3389

6 121 0,4016

Sig.

1,0000 1,0000 0,8161 1,0000 0,3821 0,3547 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 121,000.

Banda 5 (1550 a 1750nm)

Tukey HSD

a

Agrupamentos para alfa = 0,05

Amostras N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

9 201 0,315

1 201 0,339

3 201 0,356

14 201 0,367

7 201 0,370

5 201 0,378

13 201 0,382

12 201 0,392

8 201 0,412

11 201 0,424

10 201 0,452

15 201 0,465

4 201 0,481

2 201 0,493

6 201 0,534

Sig. 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 201,000.

132

ANEXO 6 – Continuação...

Banda 7 (2090 a 2350nm)

Tukey HSD

a

Agrupamentos para alfa = 0,05

Amostras N 1 2 3 4 5 6 7 8 9 10 11 12 13

9 261 0,303

1 261 0,307 0,307

3 261 0,311 0,311

5 261 0,313

13 261 0,321

7 261 0,338

12 261 0,351

8 261 0,367

14 261 0,379

15 261 0,386

11 261 0,387

10 261 0,404

4 261 0,427

2 261 0,466

6 261 0,513

Sig. 0,176 0,133 0,996 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 261,000.

133

ANEXO 7

Resultados do teste de Tukey para a comparação das reflectâncias médias de

superfície das bandas individuais (LANDSAT 7-ETM+) e variáveis espectrais das

imagens dentro de cada agrupamento

Grupo 2

Banda 2

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

9 nov 9 0,0639

10 out 9 0,0763 0,0763

6 out 9 0,0785 0,0785

5 out 9 0,0912

Sig. 0,1805 0,0534

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 0,0675

10 out 9 0,0861

6 out 9 0,0904

5 out 9 0,0980

Sig. 0,0650

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 4

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

9 nov 9 0,2437

6 out 9 0,2897 0,2897

10 out 9 0,3043 0,3043

5 out 9 0,3335

Sig. 0,0964 0,3577

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

134

ANEXO 7 – Continuação...

Banda 5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 0,2316

6 out 9 0,2356

10 out 9 0,2629

5 out 9 0,2668

Sig. 0,2862

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

6 out 9 0,1583

9 nov 9 0,1607

10 out 9 0,1635

5 out 9 0,1756

Sig. 0,8321

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

NDVI

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 0,5259

6 out 9 0,5354

5 out 9 0,5456

10 out 9 0,5593

Sig. 0,1217

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

135

ANEXO 7 – Continuação...

Grupo 2

SAVI (L – 0,25)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 0,6572

6 out 9 0,6694

5 out 9 0,6820

10 out 9 0,6990

Sig. 0,1202

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,50)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 0,7886

6 out 9 0,8030

5 out 9 0,8182

10 out 9 0,8388

Sig. 0,1209

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,75)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 0,9200

6 out 9 0,9368

5 out 9 0,9543

10 out 9 0,9784

Sig. 0,1212

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

136

ANEXO 7 – Continuação...

Grupo 2

SAVI (L – 1)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 1,0513

6 out 9 1,0707

5 out 9 1,0909

10 out 9 1,1181

Sig. 0,1212

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 4-5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 0,0218

10 out 9 0,0774

6 out 9 0,1069

5 out 9 0,1099

Sig. 0,1053

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 4-7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

9 nov 9 0,2156

5 out 9 0,3094

10 out 9 0,3096

6 out 9 0,3097

Sig. 0,0770

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

1

37

ANEXO 7 – Continuação...

Grupo 2

ND 5-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

6 out 9 0,4620

5 out 9 0,4686

10 out 9 0,5040 0,5040

9 nov 9 0,5180 0,5180

Sig. 0,7648 0,1675

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 7-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

6 out 9 0,2771

5 out 9 0,2924

10 out 9 0,2991

9 nov 9 0,3596

Sig. 0,2158

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Brightness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

9 nov 9 3125,5556

6 out 9 3644,0000 3644,0000

10 out 9 3775,8889 3775,8889

5 out 9 4154,2222

Sig. 0,1195 0,4044

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

138

ANEXO 7 – Continuação...

Grupo 2

Greenness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

9 nov 9 608,4444

6 out 9 694,4444 694,4444

10 out 9 817,2222 817,2222

5 out 9 842,2222 842,2222

Sig. 0,5874 0,1002

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Wetness

Tukey HSD Agrupamentos para alfa = 0,05

unidades unidade_mês

N 1

5 out 9 -2333,4444

10 out 9 -2330,6667

9 nov 9 -2182,2222

6 out 9 -2084,0000

Sig. 0,6926

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Grupo 3

Banda 1

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

7 nov 9 0,0277

1 out 9 0,0310

13 out 9 0,0319 0,0319

6 nov 9 0,0335 0,0335

7 jan 9 0,0353 0,03531

11 out 9 0,0376 0,0376

7 out 9 0,0393 0,0393

6 jan 9 0,0438

Sig. 0,0674 0,0528

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

139

ANEXO 7 – Continuação...

Grupo 3

Banda 2

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

7 nov 9 0,0500

1 out 9 0,0583 0,0583

6 nov 9 0,0602 0,0602

13 out 9 0,0605 0,0605 0,0605

7 jan 9 0,0640 0,0640 0,0640

7 out 9 0,0658 0,0658

11 out 9 0,0681 0,0681

6 jan 9 0,0757

Sig. 0,1011 0,4921 0,0550

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

7 nov 9 0,0452

1 out 9 0,0474

7 jan 9 0,0567 0,0567

6 nov 9 0,0584 0,0584

13 out 9 0,0625 0,0625

11 out 9 0,0642 0,0642

7 out 9 0,0642 0,0642

6 jan 9 0,0802

Sig. 0,2270 0,0612

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 4

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades unidade_mês

N

1 2

7 nov 9 0,2394

7 out 9 0,2765 0,2765

13 out 9 0,2770 0,2770

7 jan 9 0,2828

6 nov 9 0,2835

1 out 9 0,2945

6 jan 9 0,2956

11 out 9 0,3155

Sig. 0,0987 0,0769

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

140

ANEXO 7 – Continuação...

Grupo 3

Banda 5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

7 nov 9 0,1887

6 nov 9 0,1938

7 out 9 0,2040 0,2040

13 out 9 0,2079 0,2079

6 jan 9 0,2104 0,2104 0,2104

7 jan 9 0,2229 0,2229

1 out 9 0,2247 0,2247

11 out 9 0,2372

Sig. 0,2542 0,3132 0,0757

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

6 nov 9 0,1019

1 out 9 0,1063

7 nov 9 0,1115

7 out 9 0,1139

6 jan 9 0,1257

13 out 9 0,1283

11 out 9 0,1285

7 jan 9 0,1320

Sig. 0,0864

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

NDVI

Tukey HSD Agrupamentos para alfa = 0,05

unidades mês N 1 2

6 jan 9 0,5834

7 out 9 0,6239 0,6239

13 out 9 0,6312 0,6312

11 out 9 0,6616 0,6616

7 nov 9 0,6627 0,6627

7 jan 9 0,6649 0,6649

6 nov 9 0,6670 0,6670

1 out 9 0,7224

Sig. 0,3337 0,1539

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

141

ANEXO 7 – Continuação...

Grupo 3

SAVI (L – 0,25)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

6 jan 9 0,7293

7 out 9 0,7798 0,7798

13 out 9 0,7889 0,7889

11 out 9 0,8269 0,8269

7 nov 9 0,8281 0,8281

7 jan 9 0,8310 0,8310

6 nov 9 0,8339 0,8339

1 out 9 0,9031

Sig. 0,3303 0,1515

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,5)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

6 jan 9 0,8751

7 out 9 0,9357 0,9357

13 out 9 0,9464 0,9464

11 out 9 0,9923 0,9923

7 nov 9 0,9937 0,9937

7 jan 9 0,9973 0,9973

6 nov 9 1,0006 1,0006

1 out 9 1,0836

Sig. 0,3303 0,1520

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,75)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

6 jan 9 1,0209

7 out 9 1,0913 1,0913

13 out 9 1,1043 1,1043

11 out 9 1,1574 1,1574

7 nov 9 1,1591 1,1591

7 jan 9 1,1632 1,1632

6 nov 9 1,1671 1,1671

1 out 9 1,2639

Sig. 0,3316 0,1521

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

142

ANEXO 7 – Continuação...

Grupo 3

SAVI (L – 1)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

6 jan 9 1,1667

7 out 9 1,2474 1,2474

13 out 9 1,2621 1,2621

11 out 9 1,3227 1,3227

7 nov 9 1,3247 1,3247

7 jan 9 1,3294 1,3294

6 nov 9 1,3339 1,3339

1 out 9 1,4446

Sig. 0,3316 0,1530

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 4-5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

7 nov 9 0,0996

7 jan 9 0,1187

1 out 9 0,1354

11 out 9 0,1419

13 out 9 0,1419

7 out 9 0,1513

6 jan 9 0,1727

6 nov 9 0,1890

Sig. 0,1411

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 4-7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

7 nov 9 0,3410

7 jan 9 0,3643

13 out 9 0,3698

6 jan 9 0,4133

7 out 9 0,4177

11 out 9 0,4228

1 out 9 0,4700

6 nov 9 0,4738

Sig. 0,1196

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

143

ANEXO 7 – Continuação...

Grupo 3

ND 5-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

6 jan 9 0,4612

7 out 9 0,5239 0,5239

13 out 9 0,5392 0,5392

6 nov 9 0,5513 0,5513 0,5513

11 out 9 0,5733 0,5733

7 jan 9 0,5966 0,5966

7 nov 9 0,6141 0,6141

1 out 9 0,6506

Sig. 0,1390 0,1380 0,0734

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 7-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

6 jan 9 0,2264

7 out 9 0,2818 0,2818

6 nov 9 0,2919 0,2919 0,2919

11 out 9 0,3303 0,3303 0,3303 0,3303

13 out 9 0,3423 0,3423 0,3423 0,3423

1 out 9 0,3822 0,3822 0,3822

7 jan 9 0,3991 0,3991

7 nov 9 0,4188

Sig. 0,0550 0,1466 0,0974 0,2772

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Brightness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

7 nov 9 2752,1111

6 nov 9 3167,8889

7 out 9 3227,5556 3227,5556

13 out 9 3239,5556 3239,5556

1 out 9 3256,2222 3256,2222

7 jan 9 3292,4444 3292,4444

6 jan 9 3511,7778 3511,7778

11 out 9 3601,3333

Sig. 1,0000 0,1557 0,0924

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

144

ANEXO 7 – Continuação...

Grupo 3

Greenness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

7 nov 9 852,0000

6 jan 9 896,1111

7 out 9 919,1111

7 jan 9 965,3333

6 nov 9 1067,8889

13 out 9 1130,0000

11 out 9 1141,4444

1 out 9 1191,0000

Sig. 0,1835

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Wetness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

11 out 9 -1991,1111

7 jan 9 -1943,5556

1 out 9 -1821,3333 -1821,3333

13 out 9 -1783,1111 -1783,1111

6 jan 9 -1737,5556 -1737,5556

7 out 9 -1686,0000 -1686,0000

7 nov 9 -1661,8889 -1661,8889

6 nov 9 -1571,5556

Sig. 0,0597 0,2965

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

145

ANEXO 7 – Continuação...

Grupo 4

Banda 1

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

1 nov 9 0,0395

8 out 9 0,0408

10 jan 9 0,0443 0,0443

8 nov 9 0,0446 0,0446

4 nov 9 0,0458 0,0458

4 out 9 0,0465 0,0465

3 nov 9 0,0477 0,0477

8 jan 9 0,0480 0,0480

3 out 9 0,0507 0,0507

3 jan 9 0,0527

5 jan 9 0,0536

Sig. 0,0785 0,2521

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 2

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

1 nov 9 0,0729

8 out 9 0,0754 0,0754

10 jan 9 0,0773 0,0773

8 nov 9 0,0809 0,0809 0,0809

4 out 9 0,0822 0,0822 0,0822 0,0822

4 nov 9 0,0828 0,0828 0,0828 0,0828

8 jan 9 0,0840 0,0840 0,0840 0,0840

3 out 9 0,0864 0,0864 0,0864

3 nov 9 0,0874 0,0874 0,0874

5 jan 9 0,0923 0,0923

3 jan 9 0,0941

Sig. 0,1312 0,0770 0,1094 0,0776

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

146

ANEXO 7 – Continuação...

Grupo 4

Banda 3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

1 nov 9 0,0669

8 out 9 0,0701

4 out 9 0,0742 0,0742

8 nov 9 0,0742 0,0742

8 jan 9 0,0744 0,0744

4 nov 9 0,0744 0,0744

3 nov 9 0,0815 0,0815

10 jan 9 0,0818 0,0818

3 out 9 0,0823 0,0823

3 jan 9 0,0840 0,0840

5 jan 9 0,0945

Sig. 0,2999 0,1053

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 4

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4 5

10 jan 9 0,3096

1 nov 9 0,3249 0,3249

4 nov 9 0,3298 0,3298 0,3298

8 out 9 0,3344 0,3344 0,3344

8 nov 9 0,3423 0,3423 0,3423 0,3423

5 jan 9 0,3554 0,3554 0,3554 0,3554 0,3554

3 nov 9 0,3626 0,3626 0,3626 0,3626

8 jan 9 0,3716 0,3716 0,3716 0,3716

4 out 9 0,3739 0,3739 0,3739

3 out 9 0,3836 0,3836

3 jan 9 0,3928

Sig. 0,0837 0,0717 0,1122 0,1741 0,2981

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

147

ANEXO 7 – Continuação...

Grupo 4

Banda 5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4 5 6

10 jan 9 0,2616

8 out 9 0,2679 0,2679

1 nov 9 0,2791 0,2791 0,2791

5 jan 9 0,2824 0,2824 0,2824 0,2824

4 out 9 0,2840 0,2840 0,2840 0,2840

8 nov 9 0,2927 0,2927 0,2927

8 jan 9 0,2980 0,2980 0,2980

3 out 9 0,3025 0,3025 0,3025 0,3025

4 nov 9 0,3065 0,3065 0,3065

3 nov 9 0,3216 0,3216

3 jan 9 0,3271

Sig. 0,1678 0,0813 0,1266 0,1009 0,1184 0,0871

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

8 out 9 0,1458

1 nov 9 0,1519

4 out 9 01548

10 jan 9 0,1554

8 jan 9 0,1565

8 nov 9 0,1605

4 nov 9 0,1617

5 jan 9 0,1707

3 out 9 0,1720

3 jan 9 0,1751

3 nov 9 0,1772

Sig. 0,0544

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

148

ANEXO 7 – Continuação...

Grupo 4

NDVI

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

4 nov 9 0,5791

10 jan 9 0,5851

5 jan 9 0,5890

3 nov 9 0,6327

8 nov 9 0,6436

3 out 9 0,6470

3 jan 9 0,6477

8 out 9 0,6536

1 nov 9 0,6584

8 jan 9 0,6663

4 out 9 0,6687

Sig. 0,5696

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,25)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

4 nov 9 0,7239

10 jan 9 0,7312

5 jan 9 0,7362

3 nov 9 0,7907

8 nov 9 0,8043

3 out 9 0,8087

3 jan 9 0,8096

8 out 9 0,8169

1 nov 9 0,8232

8 jan 9 0,8328

4 out 9 0,8360

Sig. 0,5674

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

149

ANEXO 7 – Continuação...

Grupo 4

SAVI (L – 0,5)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

4 nov 9 0,8687

10 jan 9 0,8773

5 jan 9 0,8836

3 nov 9 0,9489

8 nov 9 0,9652

3 out 9 0,9699

3 jan 9 0,9714

8 out 9 0,9800

1 nov 9 0,9876

8 jan 9 0,9994

4 out 9 1,0030

Sig. 0,5694

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,75)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

4 nov 9 1,0132

10 jan 9 1,0234

5 jan 9 1,0308

3 nov 9 1,1070

8 nov 9 1,1261

3 out 9 1,1316

3 jan 9 1,1334

8 out 9 1,1433

1 nov 9 1,1521

8 jan 9 1,1658

4 out 9 1,1700

Sig. 0,5688

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

150

ANEXO 7 – Continuação...

Grupo 4

SAVI (L – 1)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

4 nov 9 1,1580

10 jan 9 1,1699

5 jan 9 1,1778

3 nov 9 1,2650

8 nov 9 1,2868

3 out 9 1,2932

3 jan 9 1,2951

8 out 9 1,3067

1 nov 9 1,3166

8 jan 9 1,3323

4 out 9 1,3372

Sig. 0,5680

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 4-5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

4 nov 9 0,0033

3 nov 9 0,0600 0,0600

1 nov 9 0,0761 0,0761

8 nov 9 0,0781 0,0781

10 jan 9 0,0854 0,0854

3 jan 9 0,0916 0,0916

8 jan 9 0,1098 0,1098

8 out 9 0,1108 0,1108

5 jan 9 0,1173 0,1173

3 out 9 0,1184 0,1184

4 out 9 0,1366

Sig. 0,1017 0,6374

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

151

ANEXO 7 – Continuação...

Grupo 4

ND 4-7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

4 nov 9 0,2944

10 jan 9 0,3358

3 nov 9 0,3433

5 jan 9 0,3613

8 nov 9 0,3616

1 nov 9 0,3632

3 out 9 0,3816

3 jan 9 0,3839

8 out 9 0,3930

8 jan 9 0,4070

4 out 9 0,4142

Sig. 0,2718

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 5-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

5 jan 9 0,5172

10 jan 9 0,5273 0,5273

8 out 9 0,5850 0,5850

3 out 9 0,5913

3 jan 9 0,5913

3 nov 9 0,5954

8 nov 9 0,5954

8 jan 9 0,6004

4 out 9 0,6076

4 nov 9 0,6091

1 nov 9 0,6133

Sig. 1,0000 0,1020 0,9193

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

152

ANEXO 7 – Continuação...

Grupo 4

ND 7-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

5 jan 9 0,3029

10 jan 9 0,3118 0,3118

8 out 9 0,3504 0,3504 0,3504

3 jan 9 0,3510 0,3510 0,3510

4 out 9 0,3517 0,3517 0,3517

3 out 9 0,3520 0,3520 0,3520

8 jan 9 0,3559 0,3559 0,3559

8 nov 9 0,3674 0,3674

4 nov 9 0,3696

3 nov 9 0,3697

1 nov 9 0,3878

Sig. 0,0919 0,0615 0,5349

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Brightness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades

mês N

1 2 3 4 5

10 jan 9 3747,5556

1 nov 9 3835,6667

3835,6667

8 out 9 3895,5556

3895,5556

8 nov 9 4080,5556

4080,5556

4 nov 9 4271,4444

4271,4444

4 out 9 4283,0000

4283,0000

8 jan 9 4315,6667

4315,6667

5 jan 9 4321,6667

4321,6667

3 nov 9 4380,2222

3 out 9 4483,5556

4483,5556

3 jan 9 4653,5556

Sig. 0,7073194

0,0728317

0,0826458

0,1990023

0,5130432

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

153

ANEXO 7 – Continuação...

Grupo 4

Greenness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

10 jan 9 895,778

5 jan 9 1020,222 1020,222

1 nov 9 1099,667 1099,667 1099,667

8 nov 9 1116,556 1116,556 1116,556

3 nov 9 1140,000 1140,000 1140,000

8 out 9 1155,333 1155,333 1155,333

4 nov 9 1243,222 1243,222

3 out 9 1295,556 1295,556

3 jan 9 1303,000 1303,000

8 jan 9 1306,111 1306,111

4 out 9 1342,778

Sig. 0,163 0,082 0,238

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Wetness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades

mês N

1 2 3 4

3 nov 9 -2783,1111

3 jan 9 -2763,5556

4 nov 9 -2605,0000

-2605,0000

3 out 9 -2587,7778

-2587,7778

8 nov 9 -2514,4444

-2514,4444

8 jan 9 -2498,7778

-2498,7778

1 nov 9 -2423,5556

-2423,5556

5 jan 9 -2415,4444

-2415,4444

4 out 9 -2388,6667

-2388,6667

8 out 9 -2280,5556

-2280,5556

10 jan 9 -2218,8889

Sig. 0,1219319 0,4759206 0,0669159 0,0915798

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

154

ANEXO 7 – Continuação...

Grupo 5

Banda 1

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

11 jan 9 0,0297

11 nov 9 0,0325 0,0325

1 jan 9 0,0348 0,0348 0,0348

10 nov 9 0,0360 0,0360 0,0360

14 nov 9 0,0361 0,0361 0,0361

15 out 9 0,0383 0,0383 0,0383

5 nov 9 0,0385 0,0385 0,0385

2 jan 9 0,0408 0,0408

15 jan 9 0,0457

Sig. 0,1530 0,2272 0,2087 0,0524

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 2

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

11 jan 9 0,0643

1 jan 9 0,0652

11 nov 9 0,0687 0,0687

5 nov 9 0,0714 0,0714

10 nov 9 0,0728 0,0728

14 nov 9 0,0730 0,0730 0,0730

15 out 9 0,0761 0,0761

2 jan 9 0,0773 0,0773

15 jan 9 0,0818

Sig. 0,0585 0,0675 0,0597

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

155

ANEXO 7 – Continuação...

Grupo 5

Banda 3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

11 jan 9 0,0501

1 jan 9 0,0521 0,0521

11 nov 9 0,0623 0,0623 0,0623

5 nov 9 0,0647 0,0647

15 out 9 0,0658 0,0658

10 nov 9 0,0665

2 jan 9 0,0682

14 nov 9 0,0708

15 jan 9 0,0916

Sig. 0,1446 0,0630 0,5962 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 4

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

15 jan 9 0,3003

11 nov 9 0,3210 0,3210

10 nov 9 0,3220 0,3220

1 jan 9 0,3232 0,3232

11 jan 9 0,3270 0,3270

14 nov 9 0,3314 0,3314

5 nov 9 0,3338

15 out 9 0,3738

2 jan 9 0,3754

Sig. 0,0563 0,9299 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

156

ANEXO 7 – Continuação...

Grupo 5

Banda 5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

11 jan 9 0,2289

11 nov 9 0,2314

2 jan 9 0,2434 0,2434

14 nov 9 0,2435 0,2435

1 jan 9 0,2439 0,2439

10 nov 9 0,2457 0,2457

15 out 9 0,2480 0,2480

5 nov 9 0,2483 0,2483

15 jan 9 0,2683

Sig. 0,6056 0,2779

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

11 jan 9 0,1082

2 jan 9 0,1170 0,1170

11 nov 9 0,1188 0,1188

1 jan 9 0,1207 0,1207

14 nov 9 0,1253 0,1253

15 out 9 0,1302 0,1302

5 nov 9 0,1309 0,1309

10 nov 9 0,1340

15 jan 9 0,1650

Sig. 0,0798 0,3729 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

157

ANEXO 7 – Continuação...

Grupo 5

NDVI

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

15 jan 9 0,5312

14 nov 9 0,6459

10 nov 9 0,6564 0,6564

5 nov 9 0,6738 0,6738 0,6738

11 nov 9 0,6754 0,6754 0,6754

2 jan 9 0,6933 0,6933 0,6933

15 out 9 0,7013 0,7013 0,7013

1 jan 9 0,7227 0,7227

11 jan 9 0,7340

Sig. 1,0000 0,2157 0,0689 0,1346

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,25)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

15 jan 9 0,6639

14 nov 9 0,8076

10 nov 9 0,8206 0,8206

5 nov 9 0,8423 0,8423 0,8423

11 nov 9 0,8443 0,8443 0,8443

2 jan 9 0,8668 0,8668 0,8668

15 out 9 0,8766 0,8766 0,8766

1 jan 9 0,9033 0,9033

11 jan 9 0,9177

Sig. 1,0000 0,2216 0,0693 0,1346

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

158

ANEXO 7 – Continuação...

Grupo 5

SAVI (L – 0,5)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

15 jan 9 0,7966

14 nov 9 0,9687

10 nov 9 0,9847 0,9847

5 nov 9 1,0106 1,0106 1,0106

11 nov 9 1,0132 1,0132 1,0132

2 jan 9 1,0401 1,0401 1,0401

15 out 9 1,0520 1,0520 1,0520

1 jan 9 1,0840 1,0840

11 jan 9 1,1012

Sig. 1,0000 0,2135 0,0689 0,1314

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,75)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

15 jan 9 0,9294

14 nov 9 1,1301

10 nov 9 1,1486 1,1486

5 nov 9 1,1788 1,1788 1,1788

11 nov 9 1,1822 1,1822 1,1822

2 jan 9 1,2131 1,2131 1,2131

15 out 9 1,2268 1,2268 1,2268

1 jan 9 1,2644 1,2644

11 jan 9 1,2844

Sig. 1,0000 0,2192 0,0686 0,1318

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

159

ANEXO 7 – Continuação...

Grupo 5

SAVI (L – 1)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

15 jan 9 1,0618

14 nov 9 1,2917

10 nov 9 1,3127 1,3127

5 nov 9 1,3473 1,3473 1,3473

11 nov 9 1,3509 1,3509 1,3509

2 jan 9 1,3864 1,3864 1,3864

15 out 9 1,4020 1,4020 1,4020

1 jan 9 1,4451 1,4451

11 jan 9 1,4680

Sig. 1,0000

0,2212

0,0688

0,1329

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 4-5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

15 jan 9 0,0587

10 nov 9 0,1348

1 jan 9 0,1400

5 nov 9 0,1481 0,1481

14 nov 9 0,1510 0,1510

11 nov 9 0,1623 0,1623 0,1623

11 jan 9 0,1791 0,1791 0,1791

15 out 9 0,2022 0,2022

2 jan 9 0,2133

Sig. 1,0000 0,3428 0,1232 0,1766

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

160

ANEXO 7 – Continuação...

Grupo 5

ND 4-7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

15 jan 9 0,2917

10 nov 9 0,4132

5 nov 9 0,4374 0,4374

14 nov 9 0,4493 0,4493 0,4493

1 jan 9 0,4562 0,4562 0,4562

11 nov 9 0,4607 0,4607 0,4607

15 out 9 0,4836 0,4836 0,4836

11 jan 9 0,5042 0,5042

2 jan 9 0,5253

Sig. 1,0000 0,1633 0,2170 0,0994

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 5-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

15 jan 9 0,4879

14 nov 9 0,5531 0,5531

2 jan 9 0,5639

10 nov 9 0,5737 0,5737

11 nov 9 0,5772 0,5772

15 out 9 0,5813 0,5813 0,5813

5 nov 9 0,5844 0,5844 0,5844

11 jan 9 0,6372 0,6372

1 jan 9 0,6483

Sig. 0,0861 0,8806 0,1035 0,0702

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

161

ANEXO 7 – Continuação...

Grupo 5

ND 7-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

2 jan 9 0,2656

15 jan 9 0,2827 0,2827

14 nov 9 0,2840 0,2840

11 nov 9 0,3132 0,3132 0,3132

15 out 9 0,3289 0,3289 0,3289

10 nov 9 0,3348 0,3348 0,3348

5 nov 9 0,3354 0,3354 0,3354

11 jan 9 0,3614 0,3614

1 jan 9 0,3976

Sig. 0,2233 0,1104 0,0671

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Brightness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

11 jan 9 3521,3333

11 nov 9 3587,4444

1 jan 9 3608,7778

10 nov 9 3760,6667 3760,6667

14 nov 9 3761,5556 3761,5556

5 nov 9 3775,6667 3775,6667

15 jan 9 3970,8889 3970,8889

15 out 9 4075,3333

2 jan 9 4077,7778

Sig. 0,0934 0,2788 0,9444

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

162

ANEXO 7 – Continuação...

Grupo 5

Greenness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

14 nov 9 1217,5556

11 nov 9 1230,5556

5 nov 9 1243,3333

1 jan 9 1289,0000 1289,0000

10 nov 9 1349,3333 1349,3333

11 jan 9 1368,7778 1368,7778

15 jan 9 1467,4444 1467,4444

15 out 9 1504,5556

2 jan 9 1526,3333

Sig. 0,0634 0,0936

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Wetness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

5 nov 9 -2067,4444

1 jan 9 -2021,0000

15 out 9 -2017,6667

10 nov 9 -2011,4444

14 nov 9 -1998,8889

15 jan 9 -1989,2222

11 nov 9 -1905,2222

2 jan 9 -1481,5556

11 jan 9 -1331,5556

Sig. 0,2309

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

163

ANEXO 7 – Continuação...

Grupo 6

Banda 1

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

14 jan 9 0,0350

12 out 9 0,0418

12 jan 9 0,0422

12 nov 9 0,0423

4 jan 9 0,0459

14 out 9 0,0462

Sig. 1,0000 0,1212

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 2

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

14 jan 9 0,0742

12 jan 9 0,0782 0,0782

14 out 9 0,0805 0,0805

12 out 9 0,0844 0,0844

12 nov 9 0,0850

4 jan 9 0,0852

Sig. 0,1058 0,6669 0,1164 0,9966

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

14 jan 9 0,0589

12 out 9 0,0706

4 jan 9 0,0736

14 out 9 0,0757

12 jan 9 0,0758

12 nov 9 0,0763

Sig. 1,0000 0,5145

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

164

ANEXO 7 – Continuação...

Grupo 6

Banda 4

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

14 out 9 0,3651

12 jan 9 0,3656

4 jan 9 0,3860 0,3860

12 nov 9 0,3879 0,3879

14 jan 9 0,3915

12 out 9 0,4318

Sig. 0,0552 0,9798 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

14 jan 9 0,2633

14 out 9 0,2707

12 jan 9 0,2737 0,2737

12 out 9 0,2859 0,2859

12 nov 9 0,2914 0,2914

4 jan 9 0,3015

Sig. 0,1738 0,0714 0,7997 0,1979

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Banda 7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3 4

14 jan 9 0,1347

12 jan 9 0,1391 0,1391

12 out 9 0,1482 0,1482

12 nov 9 0,1516 0,1516

14 out 9 0,1534 0,1534

4 jan 9 0,1598

Sig. 0,8456 0,1526 0,7257 0,2526

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

165

ANEXO 7 – Continuação...

Grupo 6

NDVI

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1

4 jan 9 0,5791

14 jan 9 0,6459

14 out 9 0,6559

12 nov 9 0,6713

12 jan 9 0,6713

12 out 9 0,7186

Sig. 0,0888

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,25)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

14 out 9 0,8197

12 jan 9 0,8210

12 nov 9 0,8390

14 jan 9 0,8496 0,8496

12 out 9 0,8982 0,8982

14 jan 9 0,9217

Sig. 0,6019 0,1153 0,8069

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 0,5)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

14 out 9 0,9836

12 jan 9 0,9852

12 nov 9 1,0067

4 jan 9 1,0193 1,0193

12 out 9 1,0776 1,0776

14 jan 9 1,1060

Sig. 0,6046 0,1174 0,7998

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

166

ANEXO 7 – Continuação...

Grupo 6

SAVI (L – 0,75)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

14 out 9 1,1473

12 jan 9 1,1493

12 nov 9 1,1743

4 jan 9 1,1893 1,1893

12 out 9 1,2572 1,2572

14 jan 9 1,2900

Sig. 0,5972 0,1171 0,8073

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

SAVI (L – 1)

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

14 out 9 1,3111

12 jan 9 1,3133

12 nov 9 1,3422

4 jan 9 1,3590 1,3590

12 out 9 1,4369 1,4369

14 jan 9 1,4744

Sig. 0,5986 0,1139 0,8050

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 4-5

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

4 jan 9 0,1230

12 nov 9 0,1421

12 jan 9 0,1438

14 out 9 0,1474

14 jan 9 0,1952

12 out 9 0,2030

Sig. 0,3529 0,9874

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

167

ANEXO 7 – Continuação...

Grupo 6

ND 4-7

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

14 out 9 0,4071

4 jan 9 0,4147

12 nov 9 0,4379

12 jan 9 0,4493 0,4493

14 jan 9 0,4871

12 out 9 0,4884

Sig. 0,0565 0,0933

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 5-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N 1 2

12 jan 9 0,5672

14 out 9 0,5757

12 nov 9 0,5850

12 out 9 0,6052 0,6052

4 jan 9 0,6076 0,6076

14 jan 9 0,6343

Sig. 0,0785 0,3545

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

ND 7-3

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

12 jan 9 0,2958

12 nov 9 0,3304 0,3304

14 out 9 0,3406 0,3406

12 out 9 0,3568 0,3568

4 jan 9 0,3694 0,3694

14 jan 9 0,3916

Sig. 0,0928 0,1925 0,3041

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

168

ANEXO 7 – Continuação...

Grupo 6

Brightness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2 3

12 jan 9 4152,4444

14 out 9 4187,6667

14 jan 9 4194,2222

12 nov 9 4397,1111

4 jan 9 4423,3333

12 out 9 4658,4444

Sig. 0,9773 0,9973 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Greenness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades mês N

1 2

14 out 9 1277,5556

12 jan 9 1350,3333

4 jan 9 1403,8889

12 nov 9 1441,3333

14 jan 9 1660,4444

12 out 9 1787,2222

Sig. 0,1695 0,4301

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

Wetness

Tukey HSD

a

Agrupamentos para alfa = 0,05

unidades

mês N

1 2 3 4

4 jan 9 -2526,0000

12 out 9 -2341,0000

14 out 9 -2288,7778

-2288,7778

12 jan 9 -2249,5556

-2249,5556

14 jan 9 -2172,6667

12 nov 9 -1562,2222

Sig. 1,0000 0,4681 0,2139 1,0000

São apresentadas as médias para grupos em homogêneos agrupamentos.

a. Usa média harmônica com tamanho de amostra = 9,000.

169

ANEXO 8

Comparação entre os valores médios de reflectância dos solos e as variáveis

espectrais das unidades amostrais

Grupo 3

unidades

Mês

Imag (B1) FRB (B1)

Unidades_Mês Imag (B1) Amostras

FRB (B1)

1 out

0,0310 0,059

7_nov(1)

0,0278

13(1)

0,052

7 out

0,0393 0,059

1_out(1)

0,0310

7(2)

0,059

11 out

0,0377 0,088

13_out(1,2)

0,0320

7(2)

0,059

13 out

0,0320 0,052

6_nov(1,2)

0,0335

7(2)

0,059

6 nov

0,0335 0,119

7_janj(1,2)

0,0353

1(2)

0,059

7 nov

0,0278 0,059

11_out(1,2)

0,0377

11(6)

0,088

6 jan

0,0439 0,119

7_out(1,2)

0,0393

6(10)

0,119

7 jan

0,0353 0,059

6_jan(2)

0,0439

6(10)

0,119

Imag (B2)

FRB (B2)

Imag (B2)

FRB (B2)

1 out

0,0583 0,078

7_nov(1)

0,0500 13(1) 0,075

7 out

0,0658 0,076 1_out(1,2) 0,0583 7(1) 0,076

11 out

0,0681 0,134

6_nov(1,2)

0,0602 7(1) 0,076

13 out

0,0605 0,075

13_out(1,2,3)

0,0605 7(1) 0,076

6 nov

0,0602 0,226

7_janj(1,2,3)

0,0641 1(1) 0,078

7 nov

0,0500 0,076

7_out(2,3)

0,0658 11(4,5) 0,134

6 jan

0,0758 0,226

11_out(2,3)

0,0681 6(7) 0,226

7 jan

0,0641 0,076

6_jan(3)

0,0758 6(7) 0,226

Imag (B3)

FRB (B3)

Imag (B3)

FRB (B3)

1 out

0,0475 0,105

7_nov(1)

0,0453 7(1) 0,098

7 out

0,0643 0,098 1_out(1,2) 0,0475 7(1) 0,098

11 out

0,0643 0,191

7_janj(1,2)

0,0567 7(1) 0,098

13 out

0,0625 0,111

6_nov(1,2)

0,0585 1(2) 0,105

6 nov

0,0585 0,316

13_out(1,2)

0,0625 13(2) 0,111

7 nov

0,0453 0,098

7_out(1,2)

0,0643 11(6) 0,191

6 jan

0,0802 0,316

11_out(1,2)

0,0643 6(8) 0,316

7 jan

0,0567 0,098

6_jan(2)

0,0802 6(8) 0,316

Imag (B4)

FRB (B4)

Imag (B4)

FRB (B4)

1 out

0,2946 0,182

7_nov(1)

0,2395 7(1) 0,159

7 out

0,2766 0,159

7_out(1,2)

0,2766 7(1) 0,159

11 out

0,3155 0,307

13_out(1,2)

0,2771 7(1) 0,159

13 out

0,2771 0,215

7_janj(2)

0,2829 1(2) 0,182

6 nov

0,2836 0,402 6_nov(2) 0,2836 13(3) 0,215

7 nov

0,2395 0,159 1_out(2) 0,2946 11(9) 0,307

6 jan

0,2956 0,402 6_jan(2) 0,2956 6(12) 0,402

7 jan

0,2829 0,159 11_out(2) 0,3155 6(12) 0,402

Imag (B5)

FRB (B5)

Imag (B5)

FRB (B5)

1 out

0,2248 0,339

7_nov(1)

0,1887 1 0,339

7 out

0,2041 0,370 6_nov(1) 0,1939 7 0,370

11 out

0,2373 0,424 7_out(1,2) 0,2041 7 0,370

13 out

0,2080 0,382 13_out(1,2) 0,2080 7 0,370

6 nov

0,1939 0,534 6_jan(1,2,3) 0,2105 13 0,382

7 nov

0,1887 0,370 7_jan(2,3) 0,2229 11 0,424

6 jan

0,2105 0,534 1_out(2,3) 0,2248 6 0,534

7 jan

0,2229 0,370 11_out(3) 0,2373 6 0,534

170

NDVI NDVI

1 out

0,722 6_jan(1) 0,583

7 out

0,624 7_out(1,2) 0,624

11 out

0,662 13_out(1,2) 0,631

13 out

0,631 11_out(1,2) 0,662

6 nov

0,667 7_nov(1,2) 0,663

7 nov

0,663 7_jan(1,2) 0,665

6 jan

0,583 6_nov(1,2) 0,667

7 jan

0,665 1_out(2) 0,722

SAVI 0,25

1 out

0,903 6_jan(1) 0,729

7 out

0,780 7_out(1,2) 0,780

11 out

0,827 13_out(1,2) 0,789

13 out

0,789 11_out(1,2) 0,827

6 nov

0,834 7_nov(1,2) 0,828

7 nov

0,828 7_jan(1,2) 0,831

6 jan

0,729 6_nov(1,2) 0,834

7 jan

0,831 1_out(2) 0,903

SAVI 0,5 SAVI 0,5

1 out

1,084 6_jan(1) 0,875

7 out

0,936 7_out(1,2) 0,936

11 out

0,992 13_out(1,2) 0,947

13 out

0,947 11_out(1,2) 0,992

6 nov

1,000 7_nov(1,2) 0,994

7 nov

0,994 7_jan(1,2) 0,997

6 jan

0,875 6_nov(1,2) 1,000

7 jan

0,997 1_out(2) 1,084

SAVI 0,75

1 out

1,264 6_jan(1) 1,021

7 out

1,091 7_out(1,2) 1,091

11 out

1,157 13_out(1,2) 1,104

13 out

1,104 11_out(1,2) 1,157

6 nov

1,167 7_nov(1,2) 1,159

7 nov

1,159 7_jan(1,2) 1,163

6 jan

1,021 6_nov(1,2) 1,167

7 jan

1,163 1_out(2) 1,264

SAVI 1 SAVI 1

1 out

1,445 6_jan(1) 1,167

7 out

1,247 7_out(1,2) 1,247

11 out

1,323 13_out(1,2) 1,262

13 out

1,262 11_out(1,2) 1,323

6 nov

1,334 7_nov(1,2) 1,325

7 nov

1,325 7_jan(1,2) 1,330

6 jan

1,167 6_nov(1,2) 1,334

7 jan

1,330 1_out(2) 1,445

ND 5-3 ND 5-3

1 out

0,650 6_jan(1) 0,461

7 out

0,524 7_out(1,2) 0,524

11 out

0,573 13_out(1,2) 0,539

13 out

0,539 6_nov(1,2) 0,551

6 nov

0,551 11_out(2,3) 0,573

7 nov

0,614 7_jan(2,3) 0,596

6 jan

0,461 7_nov(2,3) 0,614

7 jan

0,596 1_out(3) 0,650

171

ND 7-3 ND 7-3

1 out

0,382 6_jan(1) 0,226

7 out

0,282 7_out(1,2) 0,282

11 out

0,330 6_nov(1,2,3) 0,292

13 out

0,342 11_out(1,2,3,4)

0,330

6 nov

0,292 13_out(1,2,3,4)

0,342

7 nov

0,419 1_out(2,3,4) 0,382

6 jan

0,226 7_jan(3,4) 0,399

7 jan

0,399 7_nov(4) 0,419

BRIGHT BRIGHT

1 out

3256 7_non(1) 2752

7 out

3228 6_nov(2) 3168

11 out

3601 7_out(2,3) 3228

13 out

3240 13_out(2,3) 3240

6 nov

3168 1_out(2,3) 3256

7 nov

2752 7_jan(2,3) 3292

6 jan

3512 6_jan(2,3) 3512

7 jan

3292 11_out(3) 3601

WET WET

1 out

-1821 11_out(1) -1991

7 out

-1686 7_jan(1) -1944

11 out

-1991 1_out(1,2) -1821

13 out

-1783 13_out(1,2) -1783

6 nov

-1572 6_jan(1,2) -1738

7 nov

-1662 7_out(1,2) -1686

6 jan

-1738 7_nov(1,2) -1662

7 jan

-1944 6_nov(2) -1572

*

Médias seguidas pelo mesmo número (entre parênteses) na coluna não diferem entre si

pelo teste de Tukey para α = 5%.

Grupo 4

Unidades

Mês

Imag (B1)

FRB (B1)

Unidades_Mês Imag (B1)

Amostras

FRB (B1)

3 out

0,0507 0,074

1_nov(1)

0,0396

1(2)

0,059

4 out

0,0466 0,110

8_out(1)

0,0409

8(3)

0,072

8 out

0,0409 0,072

10_jan(1,2)

0,0443

8(3)

0,072

1 nov

0,0396 0,059

8_nov(1,2)

0,0446

8(3)

0,072

3 nov

0,0478 0,074

4_nov(1,2)

0,0458

3(3,4)

0,074

4 nov

0,0458 0,110

4_out(1,2)

0,0466

3(3,4)

0,074

8 nov

0,0446 0,072

3_nov(1,2)

0,0478

3(3,4)

0,074

3

jan 0,0527 0,074 8_jan(1,2) 0,0481 4(5) 0,082

5 jan

0,0537 0,082

3_out(1,2)

0,0507

10(7)

0,094

8 jan

0,0481 0,072

3_jan(2)

0,0527

4(9)

0,110

10 jan

0,0443 0,094

5_jan(2)

0,0537

4(9)

0,110

Imag (B2)

FRB (B2)

Imag (B2)

FRB (B2)

3 out

0,0864 0,102 1_nov(1) 0,0729 1(1) 0,078

4 out

0,0822 0,153 8_out(1,2) 0,0754 8(2) 0,100

8 out

0,0754 0,100 10_jan(1,2) 0,0773 8(2) 0,100

1 nov

0,0729 0,078 8_nov(1,2,3) 0,0809 8(2) 0,100

3 nov

0,0874 0,102 4_out(1,2,3,4) 0,0822 3(2) 0,102

4 nov

0,0829 0,153 4_nov(1,2,3,4) 0,0829 3(2) 0,102

8 nov

0,0809 0,100 8_jan(1,2,3,4) 0,0841 3(2) 0,102

3

jan 0,0942 0,102 3_out(2,3,4) 0,0864 5(3) 0,112

172

5 jan

0,0924 0,112 3_nov(2,3,4) 0,0874 10(4) 0,127

8 jan

0,0841 0,100 5_jan(3,4) 0,0924 4(6) 0,153

10 jan

0,0773 0,127 3_jan(4) 0,0942 4(6) 0,153

Imag (B3)

FRB (B3)

Imag (B3)

FRB (B3)

3 out

0,0823 0,141 1_nov(1) 0,0669 1(2) 0,105

4 out

0,0742 0,209 8_out(1) 0,0701 3(3) 0,141

8 out

0,0701 0,142 4_out(1,2) 0,0742 3(3) 0,141

1 nov

0,0669 0,105 8_nov(1,2) 0,0742 3(3) 0,141

3 nov

0,0816 0,141 4_nov(1,2) 0,0744 8(3) 0,142

4 nov

0,0744 0,209 8_jan(1,2) 0,0744 8(3) 0,142

8 nov

0,0742 0,142 3_nov(1,2) 0,0816 8(3) 0,142

3

jan 0,0840 0,141 10_jan(1,2) 0,0818 5(4) 0,153

5 jan

0,0946 0,153 3_out(1,2) 0,0823 10(5) 0,175

8 jan

0,0744 0,142 3_jan(1,2) 0,0840 4(7) 0,209

10 jan

0,0818 0,175 5_jan(2) 0,0946 4(7) 0,209

Imag (B4)

FRB (B4)

Imag (B4)

FRB (B4)

3 out

0,3836 0,237 10_jan(1) 0,3097 1(2) 0,182

4 out

0,3739 0,339 1_nov(1,2) 0,3249 3(4) 0,237

8 out

0,3345 0,255 4_nov(1,2,3) 0,3298 3(4) 0,237

1 nov

0,3249 0,182 8_out(1,2,3) 0,3345 3(4) 0,237

3 nov

0,3627 0,237 8_nov(1,2,3,4) 0,3423 5(5) 0,253

4 nov

0,3298 0,339 5_jan(1,2,3,4,5)

0,3555 8(5) 0,255

8 nov

0,3423 0,255 3_nov(2,3,4,5) 0,3627 8(5) 0,255

3

jan 0,3929 0,237 8_jan(2,3,4,5) 0,3716 8(5) 0,255

5 jan

0,3555 0,253 4_out(3,4,5) 0,3739 10(8) 0,288

8 jan

0,3716 0,255 3_out(4,5) 0,3836 4(11) 0,339

10 jan

0,3097 0,288 3_jan(5) 0,3929 4(11) 0,339

Imag (B5)

FRB (B5)

Imag (B5)

FRB (B5)

3 out

0,3025 0,356 10_jan(1) 0,2616 1 0,339

4 out

0,2840 0,481 8_out(1,2) 0,2680 3 0,356

8 out

0,2680 0,412 1_nov(1,2,3) 0,2792 3 0,356

1 nov

0,2792 0,339 5_jan(1,2,3,4) 0,2824 3 0,356

3 nov

0,3217 0,356 4_out(1,2,3,4) 0,2840 5 0,378

4 nov

0,3066 0,481 8_nov(2,3,4) 0,2928 8 0,412

8 nov

0,2928 0,412 8_jan(3,4,5) 0,2981 8 0,412

3

jan 0,3271 0,356 3_out(3,4,5,6) 0,3025 8 0,412

5 jan

0,2824 0,378 4_nov(4,5,6) 0,3066 10 0,452

8 jan

0,2981 0,412 3_nov(5,6) 0,3217 4 0,481

10 jan

0,2616 0,452 3_jan(6) 0,3271 4 0,481

ND 4-5 ND 4-5

3 out

0,119 4_nov(1) 0,003

4 out

0,137 3_nov(1,2) 0,060

8 out

0,111 1_nov(1,2) 0,076

1 nov

0,076 8_nov(1,2) 0,078

3 nov

0,060 10_jan(1,2) 0,085

4 nov

0,003 3_jan(1,2) 0,092

8 nov

0,078 8_jan(1,2) 0,110

3

jan 0,092 8_out(1,2) 0,111

5 jan

0,117 5_jan(1,2) 0,117

8 jan

0,110 3_out(1,2) 0,119

10 jan

0,085 4_out(2) 0,137

ND 5-3

3 out

0,572 5_jan(1) 0,517

4 out

0,586 10_jan(1,2) 0,527

173

8 out

0,585 3_out(2,3) 0,572

1 nov

0,613 8_out(3) 0,585

3 nov

0,595 4_out(3) 0,586

4 nov

0,609 3_jan(3) 0,591

8 nov

0,595 8_nov(3) 0,595

3

jan 0,591 3_nov(3) 0,595

5 jan

0,517 8_jan(3) 0,600

8 jan

0,600 4_nov(3) 0,609

10 jan

0,527 1_nov(3) 0,613

ND 7-3 ND 7-3

3 out

0,352 5_jan(1) 0,303

4 out

0,352 10_jan(1,2) 0,312

8 out

0,350 8_out(1,2,3) 0,350

1 nov

0,388 3_jan(1,2,3) 0,351

3 nov

0,370 4_out(1,2,3) 0,352

4 nov

0,369 3_out(1,2,3) 0,352

8 nov

0,367 8_jan(1,2,3) 0,356

3

jan 0,351 8_nov(2,3) 0,367

5 jan

0,303 4_nov(3) 0,369

8 jan

0,356 3_nov(3) 0,370

10 jan

0,312 1_nov(3) 0,388

BRIGHT BRIGHT

3 out

4484 10_jan(1) 3748

4 out

4283 1_nov(1,2) 3836

8 out

3896 8_out(1,2) 3896

1 nov

3836 8_nov(2,3) 4081

3 nov

4380 4_nov(3,4) 4271

4 nov

4271 4_out(3,4) 4283

8 nov

4081 8_jan(3,4) 4316

3

jan 4654 5_jan(3,4) 4322

5 jan

4322 3_nov(4) 4380

8 jan

4316 3_out(4,5) 4484

10 jan

3748 3_jan(5) 4654

GREEN GREEN

3 out

1296 10_jan(1) 896

4 out

1343 5_jan(1,2) 1020

8 out

1155 1_nov(1,2,3) 1100

1 nov

1100 8_nov(1,2,3) 1117

3 nov

1140 3_nov(1,2,3) 1140

4 nov

1243 8_out(1,2,3) 1155

8 nov

1117 4_nov(2,3) 1243

3

jan 1303 3_out(2,3) 1296

5 jan

1020 3_jan(2,3) 1303

8 jan

1306 8_jan(2,3) 1306

10 jan

896 4_out(3) 1343

WET WET

3 out

-2588 3_nov(1) -2783

4 out

-2389 3_jan(1) -2764

8 out

-2281 4_nov(1,2) -2605

1 nov

-2424 3_out(1,2,3) -2588

3 nov

-2783 8_nov(1,2,3,4) -2514

4 nov

-2605 8_jan(1,2,3,4) -2499

8 nov

-2514 1_nov(2,3,4) -2424

3

jan -2764 5_jan(2,3,4) -2415

174

5 jan

-2415 4_out(2,3,4) -2389

8 jan

-2499 8_out(3,4) -2281

10 jan

-2219 10_jan(4) -2219

*

Médias seguidas pelo mesmo número (entre parênteses) na coluna não diferem entre si

pelo teste de Tukey para α = 5%.

Grupo 5

Unidades

Mês

Imag (B1) FRB (B1)

Unidades_Mês

Iimag (B1)

Amostras

FRB (B1)

15 out

0,0383 0,072

11_jan(1)

0,0297

1(2)

0,059

5 nov

0,0385 0,082

11_nov(1,2)

0,0325

15(3)

0,072

10

nov 0,0361 0,094 1_jan(1,2,3) 0,0348

15(3)

0,072

11 nov

0,0325 0,088

10_nov(1,2,3)

0,0361

5(5)

0,082

14 nov

0,0361 0,086

14_nov(1,2,3)

0,0361

14(6)

0,086

1 jan

0,0348 0,059

15_out(2,3,4)

0,0383

11(6)

0,088

2 jan

0,0409 0,098

5_nov(2,3,4)

0,0385

11(6)

0,088

11 jan

0,0297 0,088

2_jan(3,4)

0,0409

10(7)

0,094

15 jan

0,0457 0,072

15_jan(4)

0,0457

2(8)

0,098

Imag (B2)

FRB (B2)

Imag (B2)

FRB (B2)

15 out

0,0762 0,110 11_jan(1) 0,0643 1(1) 0,078

5 nov

0,0714 0,112 1_jan(1) 0,0652 15(3) 0,110

10

nov 0,0728 0,127 11_nov(1,2) 0,0688 15(3) 0,110

11 nov

0,0688 0,134 5_nov(1,2) 0,0714 5(3) 0,112

14 nov

0,0731 0,130 10_nov(1,2) 0,0728 10(4) 0,127

1 jan

0,0652 0,078 14_nov(1,2,3) 0,0731 14(4,5) 0,130

2 jan

0,0773 0,137 15_out(2,3) 0,0762 11(4,5) 0,134

11 jan

0,0643 0,134 2_jan(2,3) 0,0773 11(4,5) 0,134

15 jan

0,0818 0,110 15_jan(3) 0,0818 2(5) 0,137

Imag (B3)

FRB (B3)

Imag (B3)

FRB (B3)

15 out

0,0658 0,156 11_jan(1) 0,0502 1(2) 0,105

5 nov

0,0647 0,153 1_jan(1,2) 0,0521 5(4) 0,153

10

nov 0,0666 0,175 11_nov(1,2,3) 0,0623 15(4) 0,156

11 nov

0,0623 0,191 5_nov(2,3) 0,0647 15(4) 0,156

14 nov

0,0708 0,185 15_out(2,3) 0,0658 10(5) 0,175

1 jan

0,0521 0,105 10_nov(3) 0,0666 14(6) 0,185

2 jan

0,0683 0,189 2_jan(3) 0,0683 2(6) 0,189

11 jan

0,0502 0,191 14_nov(3) 0,0708 11(6) 0,191

15 jan

0,0916 0,156 15_jan(4) 0,0916 11(6) 0,191

Imag (B4)

FRB (B4)

Imag (B4)

FRB (B4)

15 out

0,3739 0,263 15_jan(1) 0,3003 1(2) 0,182

5 nov

0,3338 0,253 11_nov(1,2) 0,3210 5(5) 0,253

10

nov 0,3221 0,288 10_nov(1,2) 0,3221 5(5) 0,263

11 nov

0,3210 0,307 1_jan(1,2) 0,3232 15(6) 0,263

14 nov

0,3314 0,279 11_jan(1,2) 0,3270 14(7) 0,279

1 jan

0,3232 0,182 14_nov(1,2) 0,3314 10(8) 0,288

2 jan

0,3754 0,319 5_nov(2) 0,3338 11(9) 0,307

11 jan

0,3270 0,307 15_out(3) 0,3739 11(9) 0,307

15 jan

0,3003 0,263 2_jan(3) 0,3754 2(10) 0,319

Imag (B5)

FRB (B5)

Imag (B5)

FRB (B5)

15 out

0,2481 0,465 11_jan(1) 0,2289 1 0,339

5 nov

0,2484 0,378 11_nov(1) 0,2315 14 0,367

10

nov 0,2458 0,452 14_nov(1,2) 0,2435 5 0,378

11 nov

0,2315 0,424 2_jan(1,2) 0,2435 11 0,424

175

14 nov

0,2435 0,367 1_jan(1,2) 0,2440 11 0,424

1 jan

0,2440 0,339 10_nov(1,2) 0,2458 10 0,452

2 jan

0,2435 0,493 15_out(1,2) 0,2481 15 0,465

11 jan

0,2289 0,424 5_nov(1,2) 0,2484 15 0,465

15 jan

0,2683 0,465 15_jan(2) 0,2683 2 0,493

Imag (B7) FRB (B7)

Imag (B7)

FRB (B7)

15 out

0,1302 0,386

11_jan(1)

0,1083

1(1,2)

0,307

5 nov

0,1309 0,313

2_jan(1,2)

0,1170

5(3)

0,313

10

nov 0,1341 0,404 11_nov(1,2) 0,1189 14(8) 0,379

11 nov

0,1189 0,387

1_jan(1,2)

0,1208

15(9)

0,386

14 nov

0,1254 0,379

14_nov(1,2)

0,1254

15(9)

0,386

1 jan

0,1208 0,307

15_out(1,2)

0,1302

11(9)

0,387

2 jan

0,1170 0,466

5_nov(1,2)

0,1309

11(9)

0,387

11 jan

0,1083 0,387

10_nov(2)

0,1341

10(10)

0,404

15 jan

0,1651 0,386

15_jan(3)

0,1651

2(12)

0,466

NDVI NDVI

15 out

0,701 15_jan(1) 0,531

5 nov

0,674 14_nov(2) 0,646

10

nov 0,656 10_nov(2,3) 0,656

11 nov

0,676 5_nov(2,3,4) 0,674

14 nov

0,646 11_nov(2,3,4) 0,676

1 jan

0,723 2_jan(2,3,4) 0,693

2 jan

0,693 15_out(2,3,4) 0,701

11 jan

0,734 1_jan(3,4) 0,723

15 jan

0,531 11_jan(3) 0,734

SAVI 0,25 SAVI 0,25

15 out

0,877 15_jan(1) 0,664

5 nov

0,842 14_nov(2) 0,807

10

nov 0,821 10_nov(2,3) 0,821

11 nov

0,844 5_nov(2,3,4) 0,842

14 nov

0,807 11_nov(2,3,4) 0,844

1 jan

0,903 2_jan(2,3,4) 0,867

2 jan

0,867 15_out(2,3,4) 0,877

11 jan

0,918 1_jan(3,4) 0,903

15 jan

0,664 11_jan(3) 0,918

SAVI 0,5 SAVI 0,5

15 out

1,052 15_jan(1) 0,797

5 nov

1,011 14_nov(2) 0,969

10

nov 0,985 10_nov(2,3) 0,985

11 nov

1,013 5_nov(2,3,4) 1,011

14 nov

0,969 11_nov(2,3,4) 1,013

1 jan

1,084 2_jan(2,3,4) 1,040

2 jan

1,040 15_out(2,3,4) 1,052

11 jan

1,101 1_jan(3,4) 1,084

15 jan

0,797 11_jan(3) 1,101

SAVI 0,75 SAVI 0,75

15 out

1,227 15_jan(1) 0,929

5 nov

1,179 14_nov(2) 1,130

10

nov 1,149 10_nov(2,3) 1,149

11 nov

1,182 5_nov(2,3,4) 1,179

14 nov

1,130 11_nov(2,3,4) 1,182

1 jan

1,265 2_jan(2,3,4) 1,213

2 jan

1,213 15_out(2,3,4) 1,227

11 jan

1,285 1_jan(3,4) 1,265

176

15 jan

0,929 11_jan(3) 1,285

SAVI 1 SAVI 1

15 out

1,402 15_jan(1) 1,062

5 nov

1,347 14_nov(2) 1,292

10

nov 1,313 10_nov(2,3) 1,313

11 nov

1,351 5_nov(2,3,4) 1,347

14 nov

1,292 11_nov(2,3,4) 1,351

1 jan

1,445 2_jan(2,3,4) 1,386

2 jan

1,386 15_out(2,3,4) 1,402

11 jan

1,468 1_jan(3,4) 1,445

15 jan

1,062 11_jan(3) 1,468

ND 4-5 ND 4-5

15 out

0,202 15_jan(1) 0,059

5 nov

0,148 10_nov(2) 0,135

10

nov 0,135 1_jan(2) 0,140

11 nov

0,162 5_nov(2,3) 0,148

14 nov

0,151 14_nov(2,3) 0,151

1 jan

0,140 11_nov(2,3,4) 0,162

2 jan

0,213 11_jan(2,3,4) 0,179

11 jan

0,179 15_out(3,4) 0,202

15 jan

0,059 2_jan(4) 0,213

ND 4-7 ND 4-7

15 out

0,484 15_jan(1) 0,292

5 nov

0,437 10_nov(2) 0,413

10

nov 0,413 5_nov(2,3) 0,437

11 nov

0,461 14_nov(2,3,4) 0,449

14 nov

0,449 1_jan(2,3,4) 0,456

1 jan

0,456 11_nov(2,3,4) 0,461

2 jan

0,525 15_out(2,3,4) 0,484

11 jan

0,504 11_jan(3,4) 0,504

15 jan

0,292 2_jan(4) 0,525

ND 5-3 ND 5-3

15 out

0,581 15_jan(1) 0,488

5 nov

0,584 14_nov(1,2) 0,553

10

nov 0,574 2_jan(2) 0,564

11 nov

0,577 10_nov(2,3) 0,574

14 nov

0,553 11_nov(2,3) 0,577

1 jan

0,648 15_out(2,3,4) 0,581

2 jan

0,564 5_nov(2,3,4) 0,584

11 jan

0,637 11_jan(3,4) 0,637

15 jan

0,488 1_jan(4) 0,648

ND 7-3 ND 7-3

15 out

0,329 2_jan(1) 0,266

5 nov

0,335 15_jan(1,2) 0,282

10

nov 0,335 14_nov(1,2) 0,284

11 nov

0,313 11_nov(1,2,3) 0,313

14 nov

0,284 15_out(1,2,3) 0,329

1 jan

0,397 5_nov(1,2,3) 0,335

2 jan

0,266 10_nov(1,2,3) 0,335

11 jan

0,361 11_jan(2,3) 0,361

15 jan

0,282 1_jan(3) 0,397

BRIGHT BRIGHT

15 out

4075 11_jan(1) 3521

5 nov

3776 11_nov(1) 3587

177

10

nov 3761 1_jan(1) 3609

11 nov

3587 10_nov(1,2) 3761

14 nov

3762 14_nov(1,2) 3762

1 jan

3609 5_nov(1,2) 3776

2 jan

4078 15_jan(2,3) 3971

11 jan

3521 15_out(3) 4075

15 jan

3971 2_jan(3) 4078

GREEN GREEN

15 out

1505 14_nov(1) 1218

5 nov

1243 11_nov(1) 1231

10

nov 1349 5_nov(1) 1243

11 nov

1231 1_jan(1,2) 1289

14 nov

1218 10_nov(1,2) 1349

1 jan

1289 11_jan(1,2) 1369

2 jan

1526 15_jan(1,2) 1467

11 jan

1369 15_out(3) 1505

15 jan

1467 2_jan(3) 1526

*

Médias seguidas pelo mesmo número (entre parênteses) na coluna não diferem entre si

pelo teste de Tukey para α = 5%.

Grupo 6

Unidades

Mês Imag (B1) FRB (B1)

Unidades_Mês

Imag (B1) Amostras

FRB (B1)

12 out

0,0418 0,076

14_jan(1)

0,0351

12(4)

0,076

14 out

0,0462 0,086

12_out(2)

0,0418

12(4)

0,076

12 nov

0,0423 0,076

12_nov(2)

0,0423

12(4)

0,076

4 jan

0,0460 0,110

12_jan(2)

0,0423

14(6)

0,086

12 jan

0,0423 0,076

4_jan(2)

0,0460

14(6)

0,086

14 jan

0,0351 0,086

14_out(2)

0,0462

4(9)

0,110

Imag (B2)

FRB (B2)

Imag (B2)

FRB (B2)

12 out

0,0845 0,110 14_jan(1) 0,0742 12(3) 0,110

14 out

0,0805 0,130 12_jan(1,2) 0,0782 12(3) 0,110

12 nov

0,0850 0,110 14_out(2,3) 0,0805 12(3) 0,110

4 jan

0,0852 0,153 12_out(3,4) 0,0845 14(4,5) 0,130

12 jan

0,0782 0,110 12_nov(4) 0,0850 14(4,5) 0,130

14 jan

0,0742 0,130 4_jan(4) 0,0852 4(6) 0,153

Imag (B3)

FRB (B3)

Imag (B3)

FRB (B3)

12 out

0,0706 0,155 14_jan(1) 0,0589 12(4) 0,155

14 out

0,0757 0,185 12_out(2) 0,0706 12(4) 0,155

12 nov

0,0763 0,155 4_jan(2) 0,0736 12(4) 0,155

4 jan

0,0736 0,209 14_out(2) 0,0757 14(6) 0,185

12 jan

0,0758 0,155 12_jan(2) 0,0758 14(6) 0,185

14 jan

0,0589 0,185 12_nov(2) 0,0763 4(7) 0,209

Imag (B4)

FRB (B4)

Imag (B4)

FRB (B4)

12 out

0,4318 0,258 14_out(1) 0,3651 12(5,6) 0,258

14 out

0,3651 0,279 12_jan(1) 0,3657 12(5,6) 0,258

12 nov

0,3880 0,258 4_jan(1,2) 0,3861 12(5,6) 0,258

4 jan

0,3861 0,339 12_nov(1,2) 0,3880 14(7) 0,279

12 jan

0,3657 0,258 14_jan(2) 0,3916 14(7) 0,279

14 jan

0,3916 0,279 12_out(3) 0,4318 4(11) 0,339

Imag (B5)

FRB (B5)

Imag (B5)

FRB (B5)

12 out

0,2859 0,392 14_jan(1) 0,2633 14 0,367

14 out

0,2707 0,367 14_out(1) 0,2707 14 0,367

178

12 nov

0,2914 0,392 12_jan(1,2) 0,2737 12 0,392

4 jan

0,3015 0,481 12_out(2,3) 0,2859 12 0,392

12 jan

0,2737 0,392 12_nov(3,4) 0,2914 12 0,392

14 jan

0,2633 0,367 4_jan(4) 0,3015 4 0,481

Imag (B7) FRB (B7)

Imag (B7)

FRB (B7)

12 out

0,1483 0,351

14_jan(1)

0,1348

12(6)

0,351

14 out

0,1535 0,379

12_jan(1,2)

0,1391

12(6)

0,351

12 nov

0,1517 0,351

12_out(2,3)

0,1483

12(6)

0,351

4 jan

0,1599 0,427

12_nov(3,4)

0,1517

14(8)

0,379

12 jan

0,1391 0,351

14_out(3,4)

0,1535

14(8)

0,379

14 jan

0,1348 0,379

4_jan(4)

0,1599

4(11)

0,427

SAVI 0,25

12 out

0,898 14_out(1) 0,820

14 out

0,820 12_jan(1) 0,821

12 nov

0,839 12_nov(1) 0,839

4 jan

0,850 4_jan(1,2) 0,850

12 jan

0,821 12_out(2,3) 0,898

14 jan

0,922 14_jan(3) 0,922

SAVI 0,5 SAVI 0,5

12 out

1,078 14_out(1) 0,984

14 out

0,984 12_jan(1) 0,985

12 nov

1,007 12_nov(1) 1,007

4 jan

1,019 4_jan(1,2) 1,019

12 jan

0,985 12_out(2,3) 1,078

14 jan

1,106 14_jan(3) 1,106

SAVI 0,75

12 out

1,257 14_out(1) 1,147

14 out

1,147 12_jan(1) 1,149

12 nov

1,174 12_nov(1) 1,174

4 jan

1,189 4_jan(1,2) 1,189

12 jan

1,149 12_out(2,3) 1,257

14 jan

1,290 14_jan(3) 1,290

SAVI 1 SAVI 1

12 out

1,437 14_out(1) 1,311

14 out

1,311 12_jan(1) 1,313

12 nov

1,342 12_nov(1) 1,342

4 jan

1,359 4_jan(1,2) 1,359

12 jan

1,313 12_out(2,3) 1,437

14 jan

1,474 14_jan(3) 1,474

ND 4-5

12 out

0,203 4_jan(1) 0,123

14 out

0,147 12_nov(1) 0,142

12 nov

0,142 12_jan(1) 0,144

4 jan

0,123 14_out(1) 0,147

12 jan

0,144 14_jan(2) 0,195

14 jan

0,195 12_out(2) 0,203

ND 4-7

12 out

0,488 14_out(1) 0,407

14 out

0,407 4_jan(1) 0,414

12 nov

0,438 12_nov(1) 0,438

4 jan

0,414 12_jan(1,2) 0,449

12 jan

0,449 14_jan(2) 0,487

14 jan

0,487 12_out(2) 0,488

ND 5-3

179

12 out

0,605 12_jan(1) 0,567

14 out

0,575 14_out(1) 0,575

12 nov

0,585 12_nov(1) 0,585

4 jan

0,608 12_out(1,2) 0,605

12 jan

0,567 4_jan(1,2) 0,608

14 jan

0,634 14_jan(2) 0,634

ND 7-3

12 out

0,357 12_jan(1) 0,296

14 out

0,341 12_nov(1,2) 0,330

12 nov

0,330 14_out(1,2) 0,341

4 jan

0,369 12_out(2,3) 0,357

12 jan

0,296 4_jan(2,3) 0,369

14 jan

0,392 14_jan(3) 0,392

BRIGHT

12 out

4658 12_jan(1) 4152

14 out

4188 14_out(1) 4188

12 nov

4397 14_jan(1) 4194

4 jan

4423 12_nov(2) 4397

12 jan

4152 4_jan(2) 4423

14 jan

4194 12_out(3) 4658

GREEN

12 out

1787 14_out(1) 1278

14 out

1278 12_jan(1) 1350

12 nov

1441 4_jan(1) 1404

4 jan

1404 12_non(1) 1441

12 jan

1350 14_jan(2) 1660

14 jan

1660 12_out(2) 1787

WET

12 out

-2341 4_jan(1) -2526

14 out

-2289 12_out(2) -2341

12 nov

-1562 14_out(2,3) -2289

4 jan

-2526 12_jan(2,3) -2250

12 jan

-2250 14_jan(3) -2173

14 jan

-2173 12_nov(4) -1562

*

Médias seguidas pelo mesmo número (entre parênteses) na coluna não diferem entre si

pelo teste de Tukey para α = 5%.

180

ANEXO 9

Relações entre as razões de bandas ETM+ e as reflectâncias das amostras de solo

para o mesmo agrupamento

Grupo 3

Bandas: ETM+4 e ETM+3

3

3,5

4

4,5

5

5,5

6

6,5

0,15 0,2 0,25 0,3 0,35 0,4 0,45

Banda ETM+ 4 (radiometria)

Razão ETM+4 / ETM+3 (imagem)

1_out

6_jan

Bandas: ETM+4 e EM+5

1,25

1,3

1,35

1,4

1,45

1,5

0,3 0,35 0,4 0,45 0,5 0,55

Banda ETM+5 (radiometria)

Razão ETM+4 / ETM+5 (imagem)

1_out

6_nov

7_jan

181

ANEXO 9 – Continuação…

Grupo 4

Bandas: ETM+4 e ETM+3

3,5

3,8

4,1

4,4

4,7

5

0,15 0,17 0,19 0,21 0,23 0,25 0,27

Banda ETM+4 (radiometria)

Razão ETM+4 / ETM+3 (imagem)

8_out

1_nov

5_jan

Bandas: ETM+4 e ETM+5

1,06

1,08

1,1

1,12

1,14

1,16

1,18

1,2

0,4 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49

Banda ETM+5 (radiometria)

Razão ETM+4 / ETM+5 (imagem)

4_nov

8_nov

10_jan

182

ANEXO 9 – Continuação…

Grupo 5

Bandas: ETM+4 e ETM+3

1

1,5

2

2,5

3

3,5

4

4,5

5

0,26 0,27 0,28 0,29 0,3 0,31

Banda ETM+4 (radiometria)

Razão ETM+4 / ETM+3 (imagem)

10_nov

11_jan

15_jan

Bandas: ETM+4 e ETM+5

1,1

1,15

1,2

1,25

1,3

1,35

1,4

1,45

0,42 0,425 0,43 0,435 0,44 0,445 0,45 0,455 0,46 0,465 0,47

Banda ETM+5 (radiometria)

Razão ETM+4 / ETM+ 5 (imagem)

10_nov

11_jan

15_jan

183

ANEXO 9 – Continuação…

Grupo 5

Bandas: ETM+4 e ETM+7

2

2,2

2,4

2,6

2,8

3

3,2

0,39 0,39 0,40 0,40 0,41

Banda ETM+7 (radiometria)

Razão ETM+4 / ETM+7 (imagem)

10_nov

11_jan

Grupo 6

Bandas: ETM+4 e ETM+7

2,35

2,4

2,45

2,5

2,55

2,6

2,65

0,34 0,36 0,38 0,4 0,42 0,44

Banda ETM+7 (radiometria)

Razão ETM+4 / ETM+7 (imagem)

14_out

4_jan

12_jan

184

ANEXO 10

Dados espectrais utilizados como variáveis independentes no modelo de regressão

linear múltiplo

Bandas individuais

Unidade Novembro de 2002

amostral Banda 3 Banda 4 Banda 5 Banda 7

1 7,13 34,05 29,80 14,81

2 7,34 34,33 31,39 16,35

3 7,30 33,86 30,46 15,99

4 7,08 34,18 29,51 14,78

5 7,11 33,87 29,93 14,90

6 7,47 34,15 31,01 15,78

7 7,02 29,51 28,08 14,75

8 6,93 30,77 28,35 14,59

9 6,19 33,99 28,34 14,41

10 6,27 34,77 28,52 13,66

11 6,70 31,24 26,37 13,24

12 7,11 31,65 29,08 14,90

13 6,93 31,57 28,08 14,58

14 7,06 31,82 28,74 14,62

Janeiro de 2002

1 6,53 41,13 29,67 14,67

2 7,11 41,84 31,27 15,86

3 6,67 40,78 30,52 15,64

4 6,67 41,55 29,74 14,74

5 6,45 39,93 29,39 14,51

6 6,86 40,21 30,28 15,34

7 5,90 38,14 27,41 13,47

8 5,54 40,05 26,83 12,84

9 4,91 43,18 26,17 12,02

10 4,66 44,34 25,03 11,02

11 6,57 38,40 28,30 14,22

12 6,78 38,66 29,75 15,24

13 6,43 39,83 29,04 14,66

14 6,78 39,33 30,03 15,24

185

ANEXO 10 – Continuação...

Diferença e razão simples entre bandas

Unidade Novembro de 2002

amostral B4/B3 B4/B5 B4/B7 B4-B3 B4-B5 B4-B7

1 4,78 1,14 2,30 26,92 4,24 19,24

2 4,67 1,09 2,10 26,99 2,94 17,99

3 4,64 1,11 2,12 26,56 3,40 17,86

4 4,83 1,16 2,31 27,10 4,66 19,40

5 4,77 1,13 2,27 26,76 3,95 18,97

6 4,57 1,10 2,16 26,68 3,14 18,37

7 4,20 1,05 2,00 22,49 1,43 14,76

8 4,44 1,09 2,11 23,84 2,42 16,18

9 5,49 1,20 2,36 27,81 5,65 19,58

10 5,54 1,22 2,55 28,50 6,25 21,11

11 4,66 1,18 2,36 24,54 4,87 18,01

12 4,45 1,09 2,12 24,54 2,58 16,75

13 4,56 1,12 2,17 24,64 3,49 16,99

14 4,51 1,11 2,18 24,76 3,08 17,20

Janeiro de 2003

1 6,30 1,39 2,80 34,60 11,46 26,46

2 5,88 1,34 2,64 34,72 10,57 25,97

3 6,12 1,34 2,61 34,12 10,26 25,14

4 6,23 1,40 2,82 34,88 11,81 26,81

5 6,19 1,36 2,75 33,48 10,54 25,42

6 5,86 1,33 2,62 33,35 9,93 24,87

7 6,46 1,39 2,83 32,24 10,73 24,67

8 7,23 1,49 3,12 34,51 13,22 27,21

9 8,80 1,65 3,59 38,27 17,00 31,16

10 9,51 1,77 4,02 39,67 19,30 33,31

11 5,85 1,36 2,70 31,83 10,10 24,18

12 5,70 1,30 2,54 31,88 8,91 23,42

13 6,20 1,37 2,72 33,40 10,78 25,16

14 5,80 1,31 2,58 32,55 9,30 24,09

186

ANEXO 10 – Continuação...

Índices de vegetação e diferença normalizada entre bandas

Unidade Novembro de 2002

amostral NDVI ND45 NDi47 ND53 ND73 SAVI 0,5 SAVI 0,25 SAVI 0,75 SAVI 1

1 0,65 0,07 0,39 0,61 0,35 0,44 0,51 0,41 0,38

2 0,65 0,04 0,35 0,62 0,38 0,44 0,51 0,40 0,38

3 0,65 0,05 0,36 0,61 0,37 0,44 0,50 0,40 0,38

4 0,66 0,07 0,40 0,61 0,35 0,45 0,51 0,41 0,38

5 0,65 0,06 0,39 0,62 0,35 0,44 0,51 0,40 0,38

6 0,64 0,05 0,37 0,61 0,36 0,44 0,50 0,40 0,38

7 0,62 0,02 0,33 0,60 0,35 0,39 0,46 0,35 0,33

8 0,63 0,04 0,36 0,61 0,36 0,41 0,48 0,37 0,35

9 0,69 0,09 0,40 0,64 0,40 0,46 0,53 0,42 0,40

10 0,69 0,10 0,44 0,64 0,37 0,47 0,54 0,43 0,40

11 0,65 0,08 0,40 0,59 0,33 0,42 0,49 0,38 0,36

12 0,63 0,04 0,36 0,61 0,35 0,41 0,48 0,38 0,35

13 0,64 0,06 0,37 0,60 0,36 0,42 0,49 0,38 0,36

14 0,64 0,05 0,37 0,61 0,35 0,42 0,48 0,38 0,36

Janeiro de 2003

1 0,73 0,16 0,47 0,64 0,38 0,53 0,60 0,49 0,47

2 0,71 0,14 0,45 0,63 0,38 0,53 0,59 0,49 0,47

3 0,72 0,14 0,45 0,64 0,40 0,53 0,59 0,49 0,46

4 0,72 0,17 0,48 0,63 0,38 0,53 0,60 0,50 0,47

5 0,72 0,15 0,47 0,64 0,38 0,52 0,59 0,48 0,46

6 0,71 0,14 0,45 0,63 0,38 0,52 0,58 0,48 0,45

7 0,73 0,16 0,48 0,65 0,39 0,51 0,58 0,47 0,45

8 0,76 0,20 0,51 0,66 0,40 0,54 0,61 0,50 0,47

9 0,80 0,25 0,56 0,68 0,42 0,59 0,65 0,54 0,52

10 0,81 0,28 0,60 0,69 0,41 0,60 0,67 0,56 0,53

11 0,71 0,15 0,46 0,62 0,37 0,50 0,57 0,46 0,44

12 0,70 0,13 0,43 0,63 0,38 0,50 0,57 0,46 0,44

13 0,72 0,16 0,46 0,64 0,39 0,52 0,59 0,48 0,46

14 0,71 0,13 0,44 0,63 0,38 0,51 0,57 0,47 0,45

187

ANEXO 10 – Continuação...

Variáveis fração do modelo linear de mistura espectral

Unidade Novembro de 2002

amostral Fraçao Solo Fração Sombra Fração Veget

1 38,24 16,94 43,35

2 42,45 14,18 41,73

3 41,00 16,06 41,50

4 37,84 17,00 43,84

5 38,69 17,06 42,81

6 41,29 15,13 42,04

7 38,45 25,85 34,25

8 37,79 23,54 37,13

9 35,29 18,58 44,68

10 34,06 17,50 46,94

11 33,17 25,50 40,00

12 38,71 21,43 38,29

13 37,28 22,61 38,72

14 37,86 21,71 39,00

Janeiro de 2003

1 24,59 9,71 64,06

2 27,82 6,73 64,00

3 27,22 9,11 62,28

4 24,47 9,11 64,89

5 24,81 11,75 61,69

6 26,92 10,17 61,25

7 21,90 16,85 59,65

8 18,92 14,58 64,79

9 14,55 11,00 72,94

10 11,00 10,83 76,78

11 24,08 15,08 59,00

12 27,14 13,14 58,14

13 24,67 12,17 61,56

14 27,14 11,86 59,43

188

ANEXO 10 – Continuação...

Variáveis fração da transformação Tasseld Cap

Unidade Novembro de 2002

amostral Brightness Greenness Wetness Quarta Quinta Sexta

1 100,29 131,12 34,41 5,65 98,59 95,65

2 103,55 129,27 29,91 5,05 97,45 95,36

3 101,72 129,06 31,83 4,61 98,11 95,33

4 100,26 131,32 35,05 5,05 98,58 95,95

5 100,38 130,50 34,06 5,63 98,44 95,44

6 102,63 129,50 31,13 5,63 98,21 95,33

7 90,55 123,90 36,70 4,90 98,65 96,60

8 92,63 126,29 36,67 5,00 98,67 96,67

9 97,23 133,35 37,00 3,87 98,26 96,32

10 98,78 134,94 37,89 5,44 98,50 96,00

11 91,33 128,67 42,08 4,42 99,33 96,75

12 95,29 127,14 35,00 5,00 98,43 96,43

13 94,56 127,22 37,61 4,39 98,28 96,00

14 95,29 127,57 36,29 5,29 98,57 96,14

Janeiro de 2003

1 113,76 143,00 36,88 3,06 97,71 94,82

2 117,50 142,14 32,64 3,05 97,68 94,86

3 114,67 141,00 34,06 2,56 97,00 94,56

4 114,79 143,58 36,79 2,95 98,05 94,74

5 111,06 141,19 37,25 3,31 97,44 95,06

6 113,00 140,54 34,63 3,08 97,75 95,08

7 104,40 140,75 41,30 2,80 98,30 95,35

8 106,92 144,92 43,58 2,29 98,29 94,96

9 110,45 152,45 46,00 1,74 98,71 95,45

10 110,83 155,83 49,28 1,50 99,33 95,61

11 107,00 139,33 39,17 2,92 98,17 96,08

12 109,71 138,14 35,43 2,71 97,71 95,00

13 110,72 140,94 37,72 2,39 97,67 95,06

14 111,14 139,14 35,29 3,14 98,00 95,14

189

ANEXO 10 – Continuação...

Valores de disponibilidade de forragem medidos em campo (kg/ha)

Unidade Novembro de 2002 Janeiro de 2003

amostral Biomassa Biomassa

1 706,40 511,20

2 801,60 805,60

3 512,80 640,80

4 691,20 579,20

5 522,40 474,40

6 1078,40 591,20

7 652,80 857,60

8 558,40 667,20

9 640,80 770,40

10 1225,60 1188,80

11 937,60 885,60

12 613,60 695,20

13 1016,00 547,20

14 932,80 413,60

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 