- Congresso Brasileiro de Meteorologia

AVALIAÇÃO DE ÍNDICES DE VEGETAÇÃO EM ÁREA IRRIGADA DO SUB - MÉDIO SÃO
FRANCISCO, PETROLINA-PE, A PARTIR DE IMAGENS DO SATÉLITE LANDSAT 5–TM.
João Roberto P. Feitosa1; José Ferreira da C. Filho2 e Bernardo Barbosa da Silva3
RESUMO
Com o objetivo de analisar o comportamento de índices de vegetação, IVs, a partir de imagens do
satélite Landsat 5-TM em Petrolina-PE, foram determinados os seguintes índices: NDVI (índice de
vegetação por diferença normalizada), SAVI (índice de vegetação ajustado ao solo), SARVI (índice de
vegetação ajustado ao solo e resistência atmosférica), EVI (índice de vegetação otimizado) e LAI
(índice de área foliar). Esses índices, de uma forma geral, se correlacionaram bem entre si,
apresentando um coeficiente de determinação R2 maior que 0,70, exceto a relação SARVI e NDVI que
apresentou um R2 igual a 0,5872. Observou-se também, que em todas correlações envolvendo o índice
de vegetação otimizado (EVI), o R2 foi maior que 0,70, com destaque para a correlação EVI e SAVI,
que apresentou o maior coeficiente de determinação, R2 = 0,9869. Quando se comparou o EVI, NDVI,
SAVI e SARVI em relação ao LAI, observou-se um comportamento linear dos índices até um valor de
aproximadamente 1,5 do LAI. No entanto, o EVI foi o índice que apresentou o melhor ajuste.
ABSTRACT
An analysis of the vegetation indices comportment (IVs) was carried out from the Landsat 5-TM
images in the Petrolina-PE, in the northeast of Brazil. The normalized difference vegetation index
(NDVI), Soil–adjusted vegetation index (SAVI), Soil-adjusted atmospherically resistant vegetation
index (SARVI), enhanced vegetation index (EVI) and leaf area index (LAI) were determined. The
results showed a good correspondence between the indices with R2 above 0.70, exception to the
SARVI and NDVI relationship that was 0.5872. It was observed that all correlations involving the EVI
index, the R2 was higher than 0.70, with prominence between EVI and SAVI correlation that showed
the highest R2 = 0.986. When we compared all indices with LAI, was observed that linear equation
comportment until closely 1.5 LAI value. Meanwhile, the EVI index showed the best adjustment to the
LAI value.
INTRODUÇAO
A partir da década de 80 foram desenvolvidos e instalados sensores de alta resolução à bordo de
satélites, capazes de fazer o monitoramento espectral da vegetação de uma determinada área
geográfica. A utilização de índices de vegetação (IVs), gerados de dados de sensoriamento remoto,
constitui uma importante estratégia para o monitoramento das alterações naturais, ou produzidas pelo
homem, nos ecossistemas. De modo geral, as imagens de satélites têm sido utilizadas para avaliar o
estágio de crescimento e identificar a composição arbórea da vegetação (Cibula,1987). Nesse contexto,
os IVs destacam-se nas estimativas de vários parâmetros da vegetação, como por exemplo, a
1
Doutorando em Recursos Naturais / CCT/UFCG- Av. Aprígio Veloso s/n, Bodocongo- Campina Grande-PB. E-mail:
[email protected]
2
Doutorando em Recursos Naturais / CCT/UFCG- Av. Aprígio Veloso s/n, Bodocongo- Campina Grande-PB. E-mail:
[email protected]
3
DCA/UFCG - Av. Aprígio Veloso s/n, Bodocongo- Campina Grande-PB. E-mail: [email protected]
produtividade e atividade fotossintética (Sellers,1985); o índice de área foliar (LAI) (Baret & Guyot,
1991; Gutman & Ignatov, 1998); quantidade de biomassa verde (Elvidge & Lyon, 1985; Batista et al.,
1993). Em última análise, os modelos de IVs foram desenvolvidos com o objetivo de estudar
quantitativamente e qualitativamente o estado de vigor da vegetação através de canais espectrais
apropriados à observação da vegetação à superfície. No entanto, existem limitações nos IVs, que
resultam da influência da atmosfera e dos diferentes substratos do solo. A turbidez atmosférica
geralmente impede à obtenção de medidas mais realistas da vegetação, e via de regra retarda o processo
de detecção do estresse no dossel (Jackson et al., 1983). Por outro lado, as características do solo,
como textura, cor, umidade, temperatura, bem como as condições de sombreamento, espaçamento e a
quantidade de matéria orgânica influenciam sobremaneira nas estimativas dos índices de vegetação
(Huete, 1988). Estudos mais recentes têm evidenciado as vantagens de combinar IVs com dados de
temperatura da superfície, especialmente o NDVI (Lambin & Ehrlich, 1997; Boegh et al., 1999). Essas
variáveis biofísicas relacionam-se de tal forma que, o aumento da cobertura vegetal implica no
decréscimo da temperatura da superfície. Em síntese, é possível caracterizar as mudanças na cobertura
da superfície a partir da relação Ts/NDVI (Nemani & Running, 1989).
Embora muitos IVs existam, os mais usados e conhecidos são: o Índice de Vegetação por
Diferença Normalizada (NDVI), Índice de Vegetação Ajustado ao Solo (SAVI) e Índice de Vegetação
Resistente aos Efeitos da Atmosfera e Ajustado para os Efeitos do Solo (SARVI), o índice de verdor
(GVI) e o Índice de vegetação otimizado (EVI). Através desses índices é possível determinar onde as
plantas estão se desenvolvendo saudavelmente e onde se encontram, por exemplo, sob estresse hídrico.
Lloyd (1989) explorou a variação temporal do NDVI para distinguir cultivo irrigado de outros tipos de
cobertura vegetal. Azzali & Menenti (1996) também usaram a variação temporal do NDVI para
distinguir agricultura irrigada da agricultura não irrigada. Primeiro analisaram séries temporais de
NDVI com séries de Fourier, em seguida classificaram as amplitudes de Fourier em diferentes
freqüências e fases, em vez de diferentes bandas espectrais.
Na climatologia, os IVs também são importantes, vez que possibilitam conhecer a repartição e a
densidade de ocupação do solo pela vegetação, a qual tem grande influência no ciclo hidrológico, e do
carbono. Ademais, os Ivs podem ser utilizados, dentre outros fins, para se verificar as conseqüências da
variabilidade climática interanual sobre a vegetação, assim como auxiliar no entendimento e análise da
variação sazonal da vegetação (Teixeira 2003). Tanto o NDVI como o SAVI, são calculados como uma
razão entre a refletividade medida nas regiões do vermelho (R) e infravermelho próximo (NIR) do
espectro eletromagnético, sendo essas duas bandas espectrais selecionadas em razão de serem mais
afetadas pela absorção da clorofila, pela folhagem da vegetação verde e pela densidade dessa vegetação
na superfície. O SARVI, além de utilizar na sua concepção a exemplo do NDVI e do SAVI as bandas
do vermelho e do infravermelho próximo, usa uma outra banda na região espectral do azul. O GVI é
um índice que usa a combinação linear das respostas espectrais das bandas, enquanto que o SAVI, por
exemplo, é um índice que tenta tirar vantagens das propriedades dos índices relacionais e ortogonais,
de forma a minimizar os efeitos do solo como background (Huete, 1989). Em estudos comparativos de
diversos IVs em escala global, Huete et al. (1997) encontraram que o NDVI saturava sob condições de
vegetação densa, enquanto que sob condições de vegetação esparsa de regiões semi-áridas, o NDVI foi
mais sensível ao “background” que o SARVI. Huete et al. (1997) concluem que, para efeito de
monitoramento, esses índices se complementam, uma vez que o NDVI se mostrou mais sensível às
variações na fração da radiação fotossinteticamente ativa (fPAR) que é absorvida pelas plantas,
enquanto o SARVI foi mais sensível aos parâmetros relacionados à estrutura do dossel das plantas.
Ao estudarem os efeitos de parâmetros do solo, como textura e umidade Todd & Hoffer (1998)
afirmam que, para um mesmo percentual de cobertura, o GVI foi menos afetado pelo background do
solo que o NDVI. O EVI é outro índice que vem sendo bastante utilizado como alternativa de
melhoramento no monitoramento da cobertura vegetal da superfície terrestre, vez que foi desenvolvido
para otimizar o sinal espectral da vegetação bem como melhorar a sensibilidade do mesmo em regiões
com alta biomassa, além de reduzir o efeito de background e a influência da atmosfera (Verstraete &
Pinty, 1996). A parametrização do EVI foi preconizada para atenuar à influência dos aerossóis de
maior dimensão, proveniente de queimadas no Brasil (Miura, Huete Van Leeuwen, & Didan, 1998).
Em última analise os IVs têm como objetivo principal isolar a banda do verde, ou seja, analisar o
sinal da atividade fotossínteticamente ativa de acordo com a variação temporal e espacial da “mistura”
dos pixels. No entanto, inúmeros efeitos dificultam as estimativas, bem como as analises dos dados.
Dentre esses efeitos destaca-se o efeito de background, o qual possivelmente não é responsável pela
maioria dos ruídos nas estimativas dos IVs, no entanto, é sem dúvida o efeito mais complexo de ser
estudado nos modelos de IVs (Graetz, 1990). Segundo o referido autor mais de 70% da cobertura
vegetal da superfície terrestre é constituída de vegetação esparsa, ou seja, susceptível ao efeito de
background. Dentre os dosséis destacam-se; desertos, tundra, savanas, cerrados, pastos, áreas de
floresta aberta, perímetros irrigados, dentre outros.
Objetivou-se com este trabalho analisar os diferentes índices de vegetação NDVI, SAVI,
SARVI e EVI, assim como o Índice de Área Foliar (LAI), com vistas avaliar as potencialidades dos
mesmos para a região de estudo, bem como utiliza-los como instrumento de monitoramento da
cobertura vegetal.
MATERIAL E MÉTODOS
Área de Estudo: O trabalho foi desenvolvido em uma área do Sub-Médio São Francisco, Nordeste do
Brasil, estendendo-se desde a Barragem de Sobradinho no município de Casa Nova-BA, até o
município de Petrolina-PE, com as seguintes coordenadas: canto superior esquerdo ( 40o41’ 21” Oeste
e 09o12’06” Sul); canto superior direito (40o 26’54” e 09o12’06”); canto inferior direito (40°26’56”
Oeste e 09°21’16 Sul) e canto inferior esquerdo (40°41’24” Oeste e 09o 21’16 Sul).
Imagem de Satélite: Utilizou-se para o estudo, um recorte da imagem do dia 04 de outubro de 2001,
adquirida junto ao Instituto Nacional de Pesquisas Espaciais-INPE, com sete bandas espectrais do
Mapeador Temático (Landsat-5), correspondendo à cena 217/67, georreferenciada ao sistema de
projeção UTM. A passagem do Landsat 5 -TM sobre a área de estudo ocorreu às 9:30 h (tempo solar).
O sensor TM mede a radiância espectral de cada pixel e armazena-os em forma digital. Esses valores
são denominados de nível de cinza ou número digital (NC) e variam de 0 a 255 (8 bits) no caso do
Landsat 5-TM. Os valores foram convertidos em radiância, utilizando os coeficientes de calibração
apresentados por Markham & Baker (1986). Foram selecionadas três áreas na imagem; área de
caatinga, área irrigada e área com vegetação rala para analisar os valores dos pixels com os respectivos
IVs. Para visualização e realização de operações matemáticas utilizou-se o software ERDAS 8.5.
Calibração Radiométrica
Para o cálculo dos índices de vegetação é necessário atualizar os coeficientes de calibração
radiométrica, que é o processo de conversão do número digital (ND) de cada pixel da imagem, em
radiância espectral monocromática ( L i ). Nesse estudo utilizou-se a relação proposta por Markham &
Baker (1986) para implementação da calibração radiométrica:
Li  ai 
bi  ai 
ND
255
(1)
em que a i e b i são as radiâncias espectrais mínima e máxima em (Wm-2srm), ND é a intensidade do
pixel (número inteiro de 0 a 255) e i corresponde às bandas 1,2,...,7 do Landsat 5-TM. Para obtenção
do índice de vegetação por diferença normalizada (NDVI) utilizou-se a equação abaixo:
NDVI =
r
r
p4
 rp 3 
p 4  rp 3 
(2)
em que rp 3 e rp 4 correspondem às refletâncias das bandas 3 e 4 do Landsat 5-TM. O SAVI também é
um outro índice espectral que pode ser refinado ou calibrado de modo que a variação do substrato do
solo seja efetivamente normalizada, atenuando a influência do solo nas estimativas desse índice de
vegetação. A expressão para cálculo do SAVI foi proposta por Huete (1988) da seguinte forma:
SAVI= 1  L 
r
p4
L  r
 rp 3 
p 4  rp 3 
(3)
onde L é um fator de ajuste, e pode assumir valores de 0,25 (vegetação densa); 0,5 (vegetação com
densidade intermediária) e 1 (vegetação com baixa densidade). Nesse trabalho utilizou o valor de L =
0,5. A equação que estima o SARVI é dada por:
SARVI= (1  L)
rp 4  rp 3 rp1
rp 4  rp 3 rp1  L
(4)
em que rp 3 rp1 é o produto das refletâncias das bandas espectrais do vermelho e azul.
A expressão que define o EVI é dada da seguinte forma:
EVI  G
rp 4  rp 3
rp 4  C1  rp 4  C2  rp1  L
(5)
em que G é o fator de ganho cujo valor utilizado é 2,5; L=1 é o fator de ajuste do background; C 1 = 6 e
C2 = 7,5 são os coeficientes de correção para atenuar os efeitos dos aerossóis nas faixas do azul e
vermelho do espectro eletromagnético.
Os IVs têm sido utilizado para correlacionar com vários parâmetros biofísicos da vegetação,
como por exemplo; LAI, fPAR, biomassa, cobertura do dossel. O LAI é muito associado aos diferentes
processos que ocorrem no dossel, como; a evapotranspiração, interceptação (Huete, 2002). O LAI foi
obtido através da equação proposta por Allen et al. (2002):
 0,69  SAVI 
Ln

0,59


LAI  
0,91
(6)
Resultados e Discussão
Na Figura 1 é apresentada a área de estudo em composição colorida 4, 3, 2 do Mapeador
Temático – TM do Landsat 5. Num panorama geral, observa-se claramente a densidade e a geometria
(círculos, retângulos etc..) das áreas irrigadas, representadas na imagem pela coloração avermelhada. No
canto superior esquerdo da imagem destaca-se uma área com tonalidade de vermelho mais claro,
caracterizando área com cobertura vegetal menos densa, muito provavelmente área de caatinga. Já no canto
direito inferior da imagem, observa-se pouca ou nenhuma região com tonalidade avermelhada,
representando um comportamento espectral de vegetação de baixa densidade, confirmado pelos baixos
valores do NDVI (entre 0,1 e 0,2) encontrado na referida área. Outro ponto que merece destaque nessa
imagem, diz respeito ao conjunto de pivôs, localizados no canto inferior esquerdo da imagem, em especial
aquele de maior diâmetro, que apresenta um vermelho bem representativo de áreas com grande densidade
de cobertura vegetal, resultando em valores de IVs próximos de 1.
Figura 1. Recorte da área de estudo em composição das bandas 4, 3, 2 do Landsat 5-TM.
De um modo geral as relações entre os IVs apresentaram um índice de determinação, com
valores de R2 superiores a 0,70 (Vê Figuras 2 a,b,c,d,e,f ), com exceção da relação SARVI e NDVI, a qual
apresentou um R2 = 0,587. Observou-se também que todas as relações que envolveram o SARVI tiveram
coeficientes de determinação bem inferiores as outras relações. Por outro lado, as relações que envolveram
o EVI apresentaram um R2 acima de 0,70. Possivelmente esse desempenho do SARVI esteja relacionado
com o fator de ajuste utilizado L= 0,5. Esse valor só deve ser utilizado em áreas com densidade de
cobertura vegetal intermediária, como sugerido por Huete (1988). Observa-se na Figura 2 (a) e (b), que
tanto o SAVI como o SARVI, responderam positivamente ao aumento do NDVI, no entanto o SAVI
apresentou um maior coeficiente de determinação. Possivelmente, esse melhor ajuste do SAVI se deve ao
fato de que o SAVI utiliza na sua formulação um fator que tenta minimizar os efeitos do background,
enquanto que o SARVI, é mais sensível aos efeitos aos parâmetros relacionados à estrutura do dossel.
No conjunto dos gráficos apresentados abaixo, percebe-se claramente que o melhor coeficiente
de determinação está na relação EVI e SAVI (Figura 2 e), com R2 = 0,986. Analisando as duas formulações
percebe-se que além dos IVs contemplarem nas suas parametrizações o termo de ajuste do solo, o EVI
também inclui coeficientes de correção para atenuar os efeitos dos aerossóis nas faixas do azul e vermelho
do espectro eletromagnético. Em outras palavras, o ótimo desempenho da relação EVI e SAVI não é só
justificado pelo termo de ajuste do solo, mais também pelos termos que amenizam os efeitos dos aerossóis,
na banda do azul e do vermelho, o qual estão inseridos na formulação do EVI.
0.80
1.00
y = 0.7838x + 0.2867
R2 = 0.7786
SARVI(-)
SA RV I(-)
1.00
0.60
0.40
0.80
0.60
y = 0.5263x + 0.279
R2 = 0.5872
0.40
0.20
0.20
0.00
0.00
0.20
0.40
0.60
0.00
0.00
0.80
0.20
(a)
EVI (-)
EVI(-)
0.80
0.40
0.20
0.80
0.60
0.80
y = 1.125x - 0.0762
R2 = 0.968
0.60
0.40
0.20
0.20
0.40
0.60
0.00
0.00
0.80
0.20
SARVI(-)
0.40
NDVI(-)
(d)
(c)
1.00
1.00
0.80
0.80
0.60
0.40
y = 1.4692x - 0.0214
R2 = 0.9869
0.20
0.20
0.40
SAVI(-)
0.60
0.80
SAVI(-)
EVI(-)
0.60
1.00
y = 1.3944x - 0.3517
R2 = 0.7014
0.60
0.00
0.00
0.80
(b)
1.00
0.00
0.00
0.60
NDVI(-)
SA V I(-)
0.80
0.40
0.60
y = 0.7536x - 0.0337
R2 = 0.9505
0.40
0.20
0.00
0.00
0.20
0.40
NDVI(-)
(f)
(e)
Figura 2 a, b, c, d, e, f., representam as relações entre os índices de vegetação estudados
Na Tabela 1, são apresentados os valores mínimos, máximos e as médias dos pixels de cada IV,
correspondentes às áreas de estudo, isto é, área de caatinga, vegetação rala, e área irrigada. Observa-se que
para a área irrigada os valores de mínimo e o valo médio entre dos índices não apresentam grande variação,
no entanto, entre os valores de máximo essa diferença torna-se bastante evidente, especialmente entre o
EVI e o SARVI, cujos valores de máximo foram de 0,87 e 0,52 respectivamente, ou seja, uma diferença de
quase 60% entre os mesmos. Outro ponto de destaque na referida Tabela, diz respeito à área de caatinga,
em que é evidenciado um valor mínimo de 0,12 do SARVI. Esse valor é cerca de 50% menor que os
valores do EVI e SAVI e 75% menor em relação ao NDVI. Quanto a área de vegetação rala, observa-se
que o SARVI apresenta um valor mínimo de 0,29, superestimando os demais IVs dessa área que variaram
entre 0,09 e 0,11. Do mesmo modo ocorre com valor máximo, atingindo 0,42, enquanto, que os demais IVs
não ultrapassam o valor de 0,25. Em síntese, evidenciou-se que a resposta espectral do SARVI potencializa
o “background” em áreas com vegetação rala, assim como não respondeu de modo satisfatório nas demais
áreas. Por outro lado, o EVI ajustou-se satisfatoriamente as áreas de estudo.
Valor do
NDVI
EVI
SAVI
SARVI
Pixel
Mínimo
0,43
0,44
0,35
0,40
Área
Máximo
0,78
0,87
0,72
0,52
Irrigada
Médio
0,63
0,52
0,56
0,52
Mínimo
0,34
0,23
0,23
0,12
Área de
Máximo
0,56
0,54
0,35
0,41
Caatinga
Médio
0,52
0,43
0,30
0,34
Mínimo
0,11
0,09
0,09
0,29
Área com
Máximo
vegetação
0,25
0,23
0,15
0,42
rala
Médio
0,12
0,16
0,13
0,31
Tabela 1: Valores mínimos, máximos e médios dos pixels dos IVs para as áreas: irrigadas, de
caatinga e vegetação rala.
Na figura 3 é apresentado à relação entre o LAI e os IVs. Primeiramente, observa-se que as
curvas dos IVs comportam-se como retas nos primeiros valores de LAI (próximos de 1,5), com
exceção do SARVI, o qual não apresenta a mesma configuração dos demais IVs. Possivelmente, isso
deve está relacionado com os ângulos azimutal, solar zenital, ângulo de visada, bem como a taxa de
difusão da radiação de onda curta (Bastiaanssen, 1998). A curva do SARVI foi a que apresentou maior
dispersão, concentrando-se entre os valores de 0,8 e 2,0 do LAI. Destaca-se na Figura a curva do EVI,
cujo comportamento linear atinge um valor próximo a 2,0, caracterizando o seu melhor ajuste em
relação ao LAI. Portanto, o EVI descreve melhor o LAI do que os outros IVs. As relações entre os IVs
e LAI atingiram o valor máximo de 4.
1.00
IVs
0.80
NDVI
SARVI
SAVI
EVI
0.60
0.40
0.20
0.00
0.00
1.00
2.00
3.00
4.00
5.00
LAI
Figura 3. Relação entre os índices de vegetação e o índice de área foliar.
Conclusão
As relações entre os índices de vegetação apresentaram coeficientes de determinação (R2) acima
de 0,70, com exceção do SARVI, que foi de 0,58. Dentre os índices estudados o EVI apresentou
melhor R2, com valor de 0,98. O valor máximo do SARVI na área irrigada foi bem inferior aos valores
de máximos dos demais índices. Por outro lado o valor de mínimo desse índice na área de caatinga
subestimou os valores de mínimo dos outros índices. Já na área de vegetação rala o SARVI
superestimou os valores de mínimo e máximo, chegando a dobrar o valor de mínimo dos outros
índices. A relação entre os IVS e o LAI apresentou um comportamento linear até o valor de 1,5 do LAI,
o qual atingiu um valor máximo de 4.0. O EVI foi quem melhor ajustou-se ao índice de área foliar.
LITERATURA CITADA
Allen, R. G.; Trezza, R.; Tasumi, M. Surface energy balance algorithms for land. Advanced training
and users manual , version 1.0, p98, 2002.
Azzali, S., and Menenti. Fourier analysis of temporal NDVI in the Southern African and American
continents. Report 108. Wageningen, netherlands: DLO-Winand Staring Centre. 149p. 1996.
Baret, F., and Guyot,G. Potentials and limits of vegetation indices for LAI and APAR assessment.
Remote Sensing of Environment 35: p.161-173.1991.
Bastiaanssen, W.G. M. Remote Sensing in water resources management: The State of the Art.
International Water Management Institute, Colombo, Sri Lanka. 1998
Batista, G. T; Shimabukuro,Y. E e Larence, W.T. Monitoramento da cobertura florestal através de índice
de vegetação do NOAA-AVHRR. In: Simpósio Brasileiro de Sensoriamento Remoto,7. Curitiba.
Anais, v2. 30-37. 1993.
Boegh, E.; Soegaard, H.; Hanan. N.; Kabat, P.; Lesch, L. A remote sensing study of the NDVI-Ts
relationship and the transpiration from sparse vegetation in the Sahel based on high resolution satellite
data. Remote Sensing of Environment. 69: p.224-240, 1999.
Cibula, W. G. Use of topographic and climatological models in a geographical data base to improve
Landsat MSS classification for Olympic National Park. Photogra. Engineering & Remote Sensing,
Bethesda,v.53, n.1, p.67-75,1987.
Elvidge, C. D., and Lyon, R.J.P. Influence of rock son spectrum variation on the assessment on green
biomass. Remote Sensing of Envoronment, 17: p.265-279, 1985.
Graetz, R. D. Remote Sensing of terrestrial ecosystem structure: na ecologist`s pragamatic view. In R. J
Hobbs, & H.A Mooney (Eds.), Remote Sensing of biosphere functioning. 5-30p. 1990.
Gutman, G. and Ignatov, A. The derivation of the green vegetation fraction from NOAA-AVHRR data
for use in numeral weather prediction models. International Journal of Remote Sensing. 19, n 8,
p.15331543. 1998.
Huete, A. R. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment. v.25, p.295309, 1988.
Huete, A. R. Soil influences in remotely sensed vegetation-canopy spectra. In: Asrar, G. (ed). Theory
and applications of optical remote sensing. New York: Jonh Wiley & Sons, 1989. cap.4, p.107-141.
Huete, A.R.; Liu, H.Q.; Batchily,K.; van Leeuwen,W.A. Comparion of vegetation indices over global set
of TM images for EOS-MODIS. Remote Sensing of Environment, New York, v.59, p.440-451, 1997.
Huete, A.R.; K. Didan.; Miura, T.; Rodriguez, E. P.; Gao, X.; Ferreira, L. G.
Overview of the
radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of
Environment, v. 83, 195-213. 2002.
Jackson, R.D.; Slater, P. N. and Pinter, P. J. Jr. Discrimation of growth and water stress in wheat by
various vegetation indices through clear and turbid atmospheres. Remote Sensing of Enviroment. v.13.
p.175-183, 1983.
Lambin, F. E. and Ehrlich, D. Land-cover changes in sub-Saharan Africa (1982-1991): Application of a
charge index based on remotely sensed surface temperature and vegetation indices at a continental scale.
Remote Sensing of Environment. 61: p.181-200, 1997.
Lloyd, D. A phenological description of Iberian vegetation using short wave vegetation index image.
International Journal of Remote Sensing. v.10, p.827-833,1989.
Markham, B. L. & Barker, J. L.Landsat MSS and TM post-calibration dynamic ranges, exoatmospheric
reflectances and at satellite temperatures, EOSAT Landsat Tech. Note: 3-8.1986.
Miura, T.; Huete, A. R.; van Leeuwen, W. J. D., & Didan, K. Vegetation detection through smoke-filled
AVIRIS images: an assessment using MODIS band passes. Journal of Geophysical Research, 103,
32001-3211. 1998.
Sellers, P.J. Canopy reflectance, photosynthesis and transpiration. International Journal of Remote
Sensing. v.6, p.1335-1372, 1985.
Teixeira, R. F. B. Índice de vegetação IVDN a partir do NOAA e do Terascan na Funceme. Boletim da
Sociedade Brasileira de Meteorologia. v.27, n.01, p12-18. 2003.
Todd, S.W.; Hoffer, R.M. Responses of spectral indices to variations in vegetation cover and soil
background. Photogrammetric Engineering & Remote Sensing, Bethesda, v.64,n.9, p.915-921, 1998.