ANÁLISE DO IMPACTO DA CORREÇÃO ATMOSFÉRICA NO CÁLCULO DO ÍNDICE DE VEGETAÇÃO POR DIFERENÇA NORMALIZADA A PARTIR DE IMAGEM LANDSAT 8/OLI

Cristiane Nunes Francisco, Paulo Roberto da Silva Ruiz, Cláudia Maria de Almeida, Nina Cardoso Gruber, Camila Souza dos Anjos

Resumo


As operações aritméticas efetuadas entre bandas espectrais de imagens de sensoriamento remoto necessitam de correção atmosférica para eliminar os efeitos atmosféricos na resposta espectral dos alvos, pois os números digitais não apresentam escala equivalente em todas as bandas. Índices de vegetação, calculados com base em operações aritméticas, além de caracterizarem a vegetação, minimizam os efeitos da iluminação da cena causados pela topografia. Com o objetivo de analisar a eficácia da correção atmosférica no cálculo de índices de vegetação, este trabalho comparou os Índices de Vegetação por Diferença Normalizada (Normalized Difference Vegetation Index - NDVI), calculados com base em imagens corrigidas e não corrigidas de um recorte de uma cena Landsat 8/OLI situado na cidade do Rio de Janeiro, Brasil. Os resultados mostraram que o NDVI calculado pela reflectância, ou seja, imagem corrigida, apresentou o melhor resultado, devido ao maior discriminação das classes de vegetação e de corpos d'água na imagem, bem como à minimização do efeito topográfico nos valores dos índices de vegetação.

 

 

Analysis of the atmospheric correction impact on the assessment of the Normalized Difference Vegetation Index for a Landsat 8 oli image

 

A B S T R A C T

The image arithmetic operations must be executed on previously atmospherically corrected bands, since the digital numbers do not present equivalent scales in all bands. Vegetation indices, calculated by means of arithmetic operations, are meant for both targets characterization and the minimization of illumination effects caused by the topography. With the purpose to analyze the efficacy of atmospheric correction in the calculation of vegetation indices with respect to the mitigation of atmospheric and topographic effects on the targets spectral response, this paper compared the NDVI (Normalized Difference Vegetation Index) calculated using corrected and uncorrected images related to an inset of a Landsat 8 OLI scene from Rio de Janeiro, Brazil. The result showed that NDVI calculated from reflectance values, i.e, corrected images, presented the best results due to a greater number of vegetation patches and water bodies classes that could be discriminated in the image, as well the mitigation of the topographic effect in the vegetation indices values.

Keywords: remote sensing, urban forest, atmospheric correction.


Palavras-chave


sensoriamento remoto, floresta urbana, correção atmosférica

Texto completo:

PDF

Referências


Adler-Golden, S.M., Matthew, M.W., Bernstein, L.S., Levine, R.Y., Berk, A., Richtsmeier, S.C., Acharya, P.K., Anderson, G.P., Felde, G.W., Gardner, J.A., Hoke, M.L., Jeong, L.S., Pukall, B., Ratkowski, A., Burke, H.-H., 1999. Atmospheric correction for short-wave spectral imagery based on MODTRAN. SPIE Imaging Spectrometry V. Denver, CO, EUA. 3.753, 9.

Agapiou, A., Hadjimitsis, D.G., Papoutsa, C., Alexakis, D.D., Papadavid, G., 2011. The Importance of Accounting for Atmospheric Effects in the Application of NDVI and Interpretation of Satellite Imagery Supporting Archaeological Research: The Case Studies of Palaepaphos and Nea Paphos Sites in Cyprus. Remote Sensing 3, 2.605-2.629.

EXELIS, 2014. Environment for Visualizing Images. Disponível em: .

Albuquerque, C.K., Cruz, C.B.M., Barros, R.S., 2011. Sensibilidades de índices de vegetação para classificação do estado de conservação da cobertura florestal. Simpósio Brasileiro de Sensoriamento Remoto 15. Curitiba, PR, Brasil. São José dos Campos: INPE. 1652-1659.

Almeida, C.M., Souza, I.M.E., Alves, C.D., Pinho, C.M.D., Feitosa, R.Q., 2009. Métodos Cognitivos de Classificação Aplicados a Imagens QuickBird para a Detecção de Áreas Residenciais Homogêneas. Revista Brasileira de Cartografia 61, 1-12.

Fisher, W.D., 1958. On grouping for maximum homogeneity. American Statistical Association Journal 53, 789-798.

Francisco, C.N., Almeida, C.M., 2012. Avaliação de desempenho de atributos estatísticos e texturais em uma classificação de cobertura da terra baseada em objeto. Boletim de Ciências Geodésicas 18, 302-326.

Francisco, P.R.M., Chaves, I.B., Chaves, L.H.G., Lima, E.R.V., 2012. Detecção de mudança da vegetação de Caatinga. Revista Brasileira de Geografia Física 6, 1473-1487.

Galvíncio, J.D., 2017. Relation of leaf water content with real evapotranspiration and biomass in Caatinga biome, using remote sensing data. Revista Brasileira de Geografia Física 10, 1545-1551.

Hadjimitsis, D.G., Papadavid, G., Agapiou, A., Themistocleous, K., Hadjimitsis, M.G., Retalis, A., Michaelides, S., Chrysoulakis, N., Toulios, L., Clayton, C.R.I., 2010. Atmospheric correction for satellite remotely sensed data intended for agricultural applications: impact on vegetation indices. Natural Hazards Earth System Sciences 10, 89-95.

Jenks, G.F., 1977. Optimal data classification for choropleth maps. Occasional paper No. 2. Lawrence, Kansas: University of Kansas, Department of Geography.

Jensen, J.R., 2009. Sensoriamento remoto do ambiente: Uma perspectiva em recursos terrestres. 2 ed. São José dos Campos: Parêntese Editora. 672 p.

Latorre, M., Júnior, O.A.C., Carvalho, A.P.F., Shimabukuro, Y.E., 2002. Correção Atmosférica: Conceitos e Fundamentos. Espaço & Geografia 5, 153-178.

Myneni, R.B., Asrar, G., 1994. Atmospheric effects and spectral vegetation indices. Remote Sensing of Environment 47, 390-402.

Liesenberg, V., Ponzoni, F.J., Galvão, L.S., 2007. Análise da dinâmica sazonal e separabilidade espectral de algumas fitofisionomias do cerrado com índices de vegetação dos sensores MODIS/TERRA e ACQUA. Revista Árvore 31, 295-305.

Marpu, P.R., 2009. Geographic Object-based Image Analysis. Freiberg, 2009. Tese (Doutorado em Engenharia). Faculty of Geosciences, GeoEngineering and Mining Technische Universität Bergakademie Freiberg.

Navulur, K., 2006. Multispectral image analysis using the object-oriented paradigm. Boca Raton: Taylor & Francis Group. 165p.

Matsushita, B., Yang, W., Chen, J., Onda, Y., Qiu, G., 2007. Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to Topographic Effects: A Case Study in High-Density Cypress Forest. Sensors 7, 2.636-2.651.

McDonald, A.J.; Gemmell, F.M.; Lewis, P.E., 1998. Investigation of the utility of spectral vegetation indices for determining information on coniferous forests. Remote Sensing of Environment 66, 250-272.

Moreira, A.A., Fernandes, F.H.S., Almeida, R.P., Nery, C.V.M., 2013. Análise do Comportamento Espectral de Fitofisionomias no Parque Estadual Lapa Grande por meio de dados MODIS. Revista Brasileira de Geografia Física 6, 1705-1718.

Moreira, E.P., Valeriano, M.M., Sanches, I.D.A., Formaggio, A.R., 2016. Topographic effect on spectral vegetation indices from Landsat TM data: is topographic correction necessary? Boletim Ciências Geodésicas 22, 95-107.

Novo, E.M.L.M., 2010. Sensoriamento remoto: Princípios e aplicações. São Paulo, SP: Edgard Blücher. 388 p.

Ponzoni, F.J., Shimabukuro, Y.E., 2010. Sensoriamento remoto no estudo da vegetação. São José dos Campos: Ed. Parênteses.

Ponzoni, F.J., 1998. Avaliação de imagens-índice e imagens-proporção na identificação de

plantios florestais desfolhados por geadas e pelo ataque de insetos. Scientia Forestalis 54, 107-118.

Prado, D.A., Mallmann, C.L., Pereira Filho, W., 2015. Índice de vegetação por diferença normalizada para caracterização da dinâmica florestal no Parque Estadual Quarta Colônia, estado do Rio Grande do Sul-Brasil. Revista Brasileira de Geografia Física 8, 1454-1469.

Riaño, D., Chuvieco, E., Salas, J., Aguado, I., 2003. Assessment of Different Topographic Corrections in Landsat-TM Data for Mapping Vegetation Types. IEEE Transactions on Geoscience and Remote Sensing 41, 1056-1061.

Rouse, J.W., Haas, R.H., Schell, J.A., Deering, W.D., 1973. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium. NASA SP-351, 1, 309-317.

Sá, I.I.S., Galvíncio J.D., Moura, M.S.B., Sá, I.B., 2008. Revista Brasileira de Geografia Física 1, 28-38.

Santos, M.M., Machado, I.E.S., Carvalho, E.V., Viola, M.R., Giongo, M., 2017. Estimativa de parâmetros florestais em área de cerrado a partir de imagens do sensor OLI Landsat 8. Revista Floresta 47, 75-83.

Song, C., Woodcock, C.E., Seto, K.C., Pax-Lenney, M., Macomber, S.A., 2001. Classification and change detection using Landsat TM data: when and how to correct atmospheric effects? Remote Sensing of Environment 75, 230-244.

USGS. United States Geological Survey, 2014. Landsat Missions. Disponível em: http://landsat.usgs.gov/.

Zucherato, B., 2012. Contribuições metodológicas para o ensino de geografia na educação básica: proposta de modelo cartográfico com múltiplas representações. Dissertação (Mestre em Geografia). Instituto de Geociências e Ciências Exatas do Campus de Rio Claro, da Universidade Estadual Paulista Júlio de Mesquita Filho.




DOI: https://doi.org/10.26848/rbgf.v13.1.p076-086

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.

      

Revista Brasileira de Geografia Física - ISSN: 1984-2295

Creative Commons License
Esta obra está licenciada com uma Licença Creative Commons Attribution-NonCommercial 4.0 International License