avaliaÇÃo dos Índices ndvi, ndbi e ndwi como … · avaliaÇÃo dos Índices ndvi, ndbi e ndwi...
TRANSCRIPT
Renata dos Santos Cardoso Mestranda em Geografia da Faculdade de Ciências e Tecnologia da UNESP, campus de
Presidente Prudente-SP. E-mail: [email protected]
Margarete Cristiane de Costa Trindade Amorim
Profa. Dra. do curso de Graduação e de Pós-Graduação em Geografia da Faculdade de Ciências e Tecnologia da UNESP, campus de Presidente Prudente-SP.
E-mail: [email protected]
AVALIAÇÃO DOS ÍNDICES NDVI, NDBI E NDWI COMO FERRAMENTAS
AO MAPEAMENTO DO USO E COBERTURA DA TERRA
INTRODUÇÃO
As técnicas de sensoriamento remoto são cada vez mais utilizadas nas análises
ambientais, pois compreendem procedimentos capazes de gerar mapas e produtos finais
com rico conteúdo, associado a vários elementos e temas. As imagens obtidas através
dessas técnicas proporcionam uma visão de conjunto multitemporal dos ambientes e sua
transformação, destacando impactos causados por fenômenos naturais e antrópicos ou
outras alterações na superfície da terra (FLORENZANO, 2005).
Conforme indicam estudos aplicados sobre sensoriamento remoto (WENG;
QUATTROCHI, 2006; MELESSE et al., 2007), a maioria dos trabalhos realizados nas
últimas décadas têm focado os ambientes naturais, sendo que a aplicação dessas
tecnologias nas áreas urbanas são relativamente recentes. Com o advento de imagens
de média e alta resolução e técnicas mais robustas, o sensoriamento remoto tem
ganhado o interesse na comunidade acadêmica e sido muito utilizado para mapear os
tipos de uso e cobertura da terra e para a detecção dos elementos que compõem o espaço
intraurbano urbano.
No caso do mapeamento do uso e da cobertura da terra, as imagens de satélite
permitem adquirir e explorar alguns dados e informações para a análise de qualidade
ambiental, que podem subsidiar o planejamento e a gestão territorial. Sendo que o nível
de detalhe e a precisão obtida dependerão das características dos sensores orbitais, das
técnicas utilizadas no processamento das imagens, além do conhecimento da área de
estudo.
Muitas vezes o processamento das imagens e sua conversão em mapas temáticos
através de interpretação manual ou classificação multiespectral consiste em um trabalho
demorado e com baixa precisão. Isso porque o avanço das técnicas de sensoriamento
remoto tem proporcionado uma grande quantidade de informação obtida por sensores
orbitais, e quando se trata de áreas urbanas a diversidade de alvos implica em confusões
espectrais que diminuem a consistência do produto cartográfico com a realidade (XU,
2007; ZHA et al., 2003).
Em contrapartida, para automatizar o processo de mapeamento da superfície
terrestre a partir da resposta espectral única dos diferentes alvos a uma determinada
região do espectro eletromagnético, combinações apropriadas entre as bandas das
imagens de satélite têm servido de base ao desenvolvimento de um conjunto de índices
radiométricos que procuram discriminar os principais tipos de uso e cobertura da terra
(ZHA et al., 2003; PINHEIRO; LARANJEIRA, 2013).
Os índices radiométricos são medidas capazes de identificar e realçar em
imagens de satélites determinados tipos de informações, tais como áreas edificadas,
cobertura vegetal, cursos d’água, solo exposto, entre outros, além de a normalização
contribuir na redução de ruídos e efeitos de iluminação (FRANÇA et al., 2012).
Nesse sentido, esse estudo teve como objetivo analisar a aplicação dos índices
NDVI (Normalized Difference Vegetation Index), NDBI (Normalized Difference Built-
up Index) e NDWI (Normalized Difference Water Index) na detecção de alvos como
água, edificações, vegetação e solo exposto na imagem do sensor OLI do satélite
Landsat 8 de 9 de novembro de 2013 (órbita/ponto – 222/075), em Presidente
Prudente/SP.
ÁREA DE ESTUDO
O município de Presidente Prudente está localizado no extremo oeste do estado
de São Paulo (Figura 1), entre os paralelos de 22º 07’ de latitude sul e 51º 23’ de
longitude oeste, com área urbana de aproximadamente 60 km² e população estimada de
218.960 habitantes (IBGE, 2013).
Desde o processo de povoamento da região, entre o final do século XIX e início
do XX, com a vinda de mineiros e de desbravadores, o oeste paulista tem sofrido
grandes transformações na paisagem. A ocupação por cafeicultores, a construção de
ferrovias, e até a ação de grileiros e especuladores imobiliários contribuiu para a
supressão da cobertura vegetal natural e sua substituição por culturas e pastagens
(BOIN, 2000).
Figura 1 - Localização da área de estudo. Fonte: Imagem do sensor OLI do Landsat 8 de 9 de novembro de 2013.
Malhas digitais do IBGE.
Com relação ao cenário atual de Presidente Prudente, resultado de um processo
de urbanização no qual o planejamento ineficaz impulsionou a ocupação das áreas
periféricas e de baixo custo, tem-se um perfil urbano caracterizado por alta densidade de
construções e baixo índice de cobertura vegetal arbórea, associados aos lotes
majoritariamente pequenos e impermeabilizados dos bairros residenciais populares.
Por sua vez, as áreas não urbanizadas dentro do perímetro urbano e até mesmo a
área rural no entorno do município são constituídas majoritariamente por vegetação
rasteira e resquícios de vegetação arbórea próximos aos fundos de vale e cursos d’água.
Além disso, em muitas propriedades rurais são desenvolvidas atividades de cultivos
temporários ou a pecuária, sendo que em decorrência dos ciclos fenológicos ou do
pisoteio do gado, é possível identificar áreas com solos expostos ao longo do ano.
PROCEDIMENTOS DA PESQUISA
As imagens orbitais utilizadas para o cálculo dos índices radiométricos são do
satélite Landsat 8, lançado no dia 11 de fevereiro de 2013 pela NASA. Sua passagem na
linha do equador ocorre às 10h, com diferença de 15 minutos para mais ou para menos e
resolução temporal de 16 dias (USGS, 2013).
O Landsat 8 opera com dois sensores imageadores: o Operational Land Imager
(OLI), com nove bandas espectrais incluindo a banda pancromática, e o Thermal
Infrared Sensor (TIRS) com resolução espacial original de 100 metros, processadas e
disponibilizadas em 30 metros para coincidir com as demais bandas multiespectrais do
sistema imageador OLI (Tabela 1).
Tabela 1 - Características gerais dos sensores OLI e TIRS do Landsat 8
Bandas Comprimentos de ondas (µm)
Resolução Espacial (m)
Banda 1 - Ultra-Azul 0.43 - 0.45 30
Banda 2 - Azul 0.450 - 0.51 30
Banda 3 - Verde 0.53 - 0.59 30
Banda 4 - Vermelho 0.64 - 0.67 30
Banda 5 - Infravermelho Próximo 0.85 - 0.88 30
Banda 6 - Infravermelho Médio/SWIR 1.57 - 1.65 30
Banda 7 - Infravermelho Médio/SWIR 2.11 - 2.29 30
Banda 8 - Pancromática 0.50 - 0.68 15
Banda 9 - Cirrus 1.36 - 1.38 30
Banda 10 - Infravermelho Termal/TIRS 1 10.6 - 11.19 100 m - tratada e
disponibilizada com pixel de 30 m
Banda 11 - Infravermelho Termal/TIRS 2 11.5 - 12.51 100 m - tratada e
disponibilizada com pixel de 30 m
Fonte: Adaptado de USGS (2013).
Para aprimorar as informações do sensor OLI, realizou-se a operação de fusão de
imagens no software ENVI, que combina a banda pancromática (resolução espacial de
15 m) com as bandas multiespectrais (resolução espacial de 30 m) para sintetizar uma
nova imagem com melhor resolução espacial do que a imagem multiespectral original.
Em seguida, através de uma composição falsa cor com as bandas R(4) G(3) B(2)
foi possível visualizar a melhoria da nitidez na imagem fusionada em relação à
composição sem o pré-processamento, na qual podem ser identificados os contornos dos
pixels e menor detalhamento das feições terrestres existentes na área (Figura 2).
Figura 2 - Composição R(4)G(3)B(2) sem fusão (a) e fusionada (b).
Fonte: Fonte: Imagem do sensor OLI do Landsat 8 de 9 de novembro de 2013.
Após esses procedimentos foram calculados os índices NDVI (utilizado para
destacar a vegetação através da refletância no infravermelho próximo e a refletância no
vermelho), NDBI (utilizado para mapear áreas urbanas por meio da reflectância no
infravermelho próximo e a reflectância no infravermelho médio) e NDWI (desenvolvido
para realçar corpos de água a partir da reflectância no infravermelho próximo e da
reflectância na faixa do verde).
O princípio do NDVI está relacionado à absorção da radiação na região espectral
do vermelho pelas clorofilas presentes nas células vegetais e ao espalhamento ou
reflectância pelas folhas da radiação na região do infravermelho próximo. Entretanto, a
cobertura vegetal com estresse hídrico tende a absorver menos radiação solar, o que
aumenta sua reflectância no espectro visível e a maior absorção no infravermelho
próximo (POELKING et al., 2007; SARTORI et al., 2009).
Sendo assim, o índice de vegetação é calculado da seguinte maneira:
NDVI = (IVP - V) / (IVP + V) (1)
Os resultados da operação (1) apresentarão valores negativos próximos a -1,
correspondentes à presença de vegetação com características de estresse hídrico, corpos
d’água, solo exposto ou áreas construídas e impermeabilizadas, e valores positivos de
até +1 relacionados à vegetação saudável.
O índice NDBI foi desenvolvido para identificar áreas urbanas e construídas
com base no incremento de resposta espectral das áreas construídas entre as bandas do
infravermelho próximo e infravermelho médio (FRANÇA et al., 2012; XU, 2007; ZHA
et al., 2003). Através da equação (2) são obtidos valores entre -1 e +1, sendo que os
valores positivos se referem às áreas edificadas.
NDBI = (MIR - NIR) / (MIR + NIR) (2)
O NDWI foi obtido conforme sugerido por França et al. (2012), segundo os
quais o índice é calculado através da reflectância do verde e infravermelho próximo e
pode ser utilizado para estimar o teor de umidade na vegetação, bem como para destacar
os corpos d’água presentes na imagem.
NDWI = (VD – IVP) / (VD + IVP) (3)
A seleção destes comprimentos de onda maximiza as propriedades de
reflectância da água, isto é, maximiza a reflectância típica da água, usando
comprimentos de onda verdes; minimiza a baixa reflexão de IVP pelos recursos
hídricos; e maximiza a alta reflexão de IVP pela vegetação e características do solo.
Assim, os resultados desta equação são água com valores positivos, enquanto o solo e a
vegetação apresentam valores negativos ou zero (MCFEETERS, 1996; XU, 2007;
HERBEI; DRAGOMIR, 2012).
RESULTADOS E DISCUSSÃO
Os índices radiométricos NDVI, NDBI e NDWI (Figura 3) foram obtidos
através de operações matemáticas com a combinação de bandas específicas, nas quais
certos comprimentos de onda do espectro eletromagnético são absorvidos e outros são
refletidos, de modo a destacar o alvo desejado.
No que se refere ao NDVI, em geral, quando há mais radiação refletida em
comprimentos de onda do infravermelho próximo do que em comprimentos de onda
visíveis, é provável que a vegetação seja densa e contenha algum tipo de floresta. Por
outro lado, se há pouca diferença na intensidade da reflectância entre comprimentos de
onda visíveis e no infravermelho próximo, a vegetação pode ser escassa e,
provavelmente, constituída por pastagens (WEIER; HERRING, 2000).
O cálculo do NDVI para Presidente Prudente resultou em valores entre -1 e +1,
sendo que a ausência de folhas verdes correspondeu a um valor próximo de zero, e
valores perto de +1 com coloração branca indicaram maior densidade de vegetação
arbórea. Já a água, por apresentar maior reflectância na região do verde do que na do
infravermelho próximo, apareceu na imagem com valores negativos, próximos a -1.
O NDBI proposto é capaz de servir como uma alternativa interessante para o
mapeamento rápido e objetivo de áreas construídas. Por outro lado, seu desempenho
pode ser negativamente afetado pela presença de outros usos do solo cuja refletância
varia sazonalmente (PINHEIRO; LARANJEIRA, 2013; ZHA et al., 2003).
Isto pode ser verificado nos solos destinados à agricultura ou implantação de
novos loteamentos, pois quando descobertos apresentam uma resposta espectral similar
à das áreas construídas. Esse foi o caso das áreas com solo exposto no extremo norte de
Presidente Prudente, que apresentaram tonalidades mais claras e valores positivos
próximos a +1, semelhantes às áreas edificadas da malha urbana.
Figura 3 - Índices NDVI, NDBI e NDWI de Presidente Prudente-SP.
Fonte: Imagem do sensor OLI do Landsat 8 de 9 de novembro de 2013.
Apesar da capacidade em destacar e delimitar cursos d’água, cujos valores
chegam a +1 e coloração branca, o NDWI não remove completamente os efeitos da
reflectância de fundo do solo. Além disso, a informação extraída da água pode ser
muitas vezes confundida com áreas construídas, apresentando valores positivos na
imagem derivada do NDWI (GAO, 1996; XU, 2007).
As assinaturas espectrais da área urbana e de solo exposto na faixa do verde e do
infravermelho próximo observados na Figura 3 foram semelhantes com as de água, ou
seja, ambos refletiram mais radiação no comprimento de onda verde do que na do
infravermelho próximo. Consequentemente, o cálculo do NDWI também produziu um
valor positivo para a urbana, assim como para a água.
Com base nos produtos cartográficos obtidos através do cálculo dos índices
radiométricos, foi gerada a composição RGB, onde R = NDBI, G = NDVI e B = NDWI,
que serviu como ferramenta na obtenção de contrastes mais interessantes na
identificação das classes de uso e cobertura da terra: áreas construídas, solo exposto,
vegetação arbórea, vegetação rasteira, cultivos, áreas de pastagem e água (Figura 4).
Figura 4 - Mapa temático da composição dos índices R (NDBI) G (NDVI) B (NDWI). Fonte: Imagem do sensor OLI do Landsat 8 de 9 de novembro de 2013.
Elaboração: Cardoso (2014).
No entanto, identificou-se uma limitação em relação ao comportamento
espectral de alguns alvos nessa associação dos canais aos índices na composição
colorida. Os solos expostos foram confundidos com as áreas construídas, sendo que não
foi possível distinguir as áreas de pastagem das áreas destinadas aos cultivos, o que
levou à junção desses alvos em uma só classe.
CONSIDERAÇÕES FINAIS Os resultados e discussões apresentados se referem à temática de sensoriamento
remoto abordada na pesquisa em andamento financiada pela FAPESP, intitulada
“Classificação de potenciais unidades climáticas em Presidente Prudente”. Assim,
apesar de a aplicação dos índices NDVI, NDBI e NDWI na imagem do satélite Landsat
8 apresentar algumas confusões entre alvos com comportamento espectral semelhantes,
houve correspondência significativa com os alvos destacados por cada índice.
A composição RGB (R→NDBI, G→NDVI, B→NDWI) também demonstrou
vantagem para o mapeamento temático automatizado quando se trabalha com áreas
urbanas e periurbanas. Todavia, destaca-se a necessidade de refinamento do mapa
temático de uso e cobertura da terra, pois a qualidade radiométrica da imagem pode
influenciar na identificação e delimitação precisa de alguns alvos.
REFERENCIAS
BOIN, M. N. Chuvas e erosões no Oeste Paulista: uma análise climatológica aplicada. 2000. Tese (Doutorado em Geociências e Meio Ambiente). Instituto de Geociências e Ciências Exatas, Universidade Estadual Paulista, Rio Claro.
FLORENZANO, T. G. Geotecnologias na geografia aplicada: difusão e acesso. Revista do Departamento de Geografia, 17 (2005), p. 24-29. Disponível em: < http://www.geografia.fflch.usp.br/publicacoes/RDG/RDG_17/Teresa_Gallotti_Florenzano.pdf>. Acesso em 15 abr. 2014. FRANÇA, A. F.; TAVARES JUNIOR, J. R.; MOREIRA FILHO, J. C. C. Índices NDVI, NDWI e NDBI como ferramentas ao mapeamento temático do entorno da lagoa olho d'água, em Jaboatão dos Guararapes-PE. IV Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação. Recife - PE, 06- 09 de Maio de 2012, p. 001 - 009. GAO, B.C., 1996. NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space, Remote Sensing of Environment, 58(3):257–266. HERBEI, M. L.; DRAGOMIR, L. O. Using satellite images LANDSAT TM for calculating normalized difference indexes for the landscape of Parâng Mountains. RevCAD no. 13/2012, p. 158-167. Disponível em: < http://www.uab.ro/geocad/upload/32_292_Paper12_RevCAD13_2012.pdf>. Acesso em: 12 abr. 2014. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. IBGE. População estimada 2013. Disponível em: <http://cod.ibge.gov.br/232SR>. Acesso em: 9 abr. 2014.
MCFEETERS, S. K. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing. 17(7):1425-1432. MELESSE, A. M., WENG, Q., THENKABAIL, P. S., SENAY, G. B. 2007. Remote Sensing Sensors and Applications in Environmental Resources Mapping and Modelling. Sensors, 7, 3209-3241. PINHEIRO, C.; LARANJEIRA, M. Análise do ambiente térmico e das condições de ventilação para a definição das funções climáticas na área urbana de Guimarães. Revista de Geografia e Ordenamento do Território (GOT), 2013, n.º 4 (dezembro). Centro de Estudos de Geografia e Ordenamento do Território, p. 249-272. POELKING, E. L.; LAUERMANN, A.; DALMOLIN, R. S. D. Imagens CBERS na geração de NDVI no estudo da dinâmica da vegetação em período de estresse hídrico. In: Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, 21-26 abril 2007, INPE, p. 4145-4150. Disponível em: <http://marte.dpi.inpe.br/col/dpi.inp e.br/sbsr@80/2006/11.15.19.18.33/doc/4145-4150.pdf >. Acesso em: 12 abr. 2014. SARTORI, A. A. C.; PIANUCCI, M. N.; SILVA, R. F. B.; ZIMBACK, C. R. L. Influência do período de estiagem no Índice de Vegetação (NDVI), no município de Botucatu-SP. In: Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, 2009, Natal-RN. v. 14. p. 4363-4369. Disponível em: <http://marte.sid.inpe.br/col/dpi.inpe.br/ sbsr@80/2008/11.11.17.31/doc/4363-4369.pdf>. Acesso em: 14 mai. 2014. UNITED STATES GEOLOGICAL SURVEY - USGS. Aquisição de imagens orbitais digitais gratuitas do satélite Landsat 8. Disponível em : <http://earthexplorer.usgs.gov/>. UNITED STATES GEOLOGICAL SURVEY - USGS. Landsat Missions. Disponível em : <http://landsat.usgs.gov/band_designations_landsat_satellites.php>. Acesso em : 11 mar. 2014. XU, H. Extraction of Urban Built-up Land Features from Landsat Imagery Using a Thematic-oriented Index Combination Technique. Photogrammetric Engineering & Remote Sensing Vol. 73, No. 12, December 2007, pp. 1381–1391. ZHA, Y., J. GAO, and S. NI, 2003. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery, International Journal of Remote Sensing, 24(3):583–594. WEIER J., HERRING D. 2000. Measuring Vegetation (NDVI & EVI). Disponível em: <http://earthobservatory.nasa.gov/Features/MeasuringVegetation/>. Acesso em: 12 abr. 2014.
WENG, Q.,QUATTROCHI. D. A. 2006. Urban Remote Sensing; CRC Press/Taylor and Francis, p. 448.