Voltar à Página da AGB-Nacional


                                                                                            

   

 

X SIMPÓSIO BRASILEIRO DE GEOGRAFIA FÍSICA APLICADA




AVALIAÇÃO DE MÉTODOS DE DETECÇÃO DE MUDANÇAS PARA MONITORAMENTO CONTÍNUO E SISTEMÁTICO DO CERRADO GOIANO, UTILIZANDO DADOS ORBITAIS

 

 

 

 Simone de Almeida Jácomo Nogueira

Laerte Guimarães Ferreira



 

 

Instituto de Estudos Sócio-Ambientais

Universidade Federal de Goiás

 



 

Palavras-chave: cerrado, detecção de mudanças, monitoramento ambiental.

Eixo: 3- Aplicação da Geografia Física à Pesquisa
Sub-Eixo: 3.2 - Propostas teóricas e metodológicas






 

1-     INTRODUÇÃO:

 

O Estado de Goiás, única Unidade da Federação totalmente inserida nos domínios do Cerrado, caracteriza-se como uma das formações de savana de maior biodiversidade do mundo[1]. No âmbito desse Bioma encontram-se águas superficiais e subterrâneas, de parte considerável das nascentes de três grandes bacias hidrográficas (São Francisco, Araguaia/Tocantins e Paraná). Apesar desta posição estratégica sob o ponto de vista ambiental, cerca de 42.5 % do seu território já se encontram recobertos por pastagens cultivadas (Sano; Barcellos; Bezerra; 2001), e estima-se que aproximadamente 50.000 ha de Cerrado sejam desmatados anualmente[2].

Nesse contexto, fica evidente a necessidade de trabalhos de monitoramento da vegetação e mudanças de uso da terra que resultem em ações definitivas para a manutenção desse Bioma.

Estudos apontam que dados de sensoriamento remoto, como aqueles fornecidos pelos satélites da série Landsat, com a sua visão sinóptica e cobertura repetitiva, oferecem o potencial para o monitoramento sistemático de diversos Biomas. Por outro lado, poucas têm sido as iniciativas neste sentido, no Estado de Goiás, apesar de dois acervos Landsat completos em formato digital (2001 e 1997) terem sido adquiridos pelo Governo Estadual. Sabe-se que o único mapeamento sistemático do uso e cobertura da terra para o Estado de Goiás foi realizado ainda no Projeto Radambrasil, na década de 70. 

Acredita-se que em parte, esta lacuna de informações se deve a necessidade de procedimentos metodológicos mais elaborados para a interpretação das imagens Landsat, e ao próprio volume de dados necessários ao recobrimento completo do Estado (23 cenas). 

 

                A detecção de mudanças está entre as aplicações mais reconhecidas de dados de sensoriamento remoto. Tal aplicação é favorecida devido à cobertura repetitiva da superfície terrestre pelos satélites, em curto espaço de tempo e com qualidade consistente de imagens, sendo assim uma poderosa ferramenta para monitoramento de recursos naturais. (Singh, 1989 apud Lorena, 2001)

Desse modo, vale salientar que a principal motivação para o desenvolvimento deste trabalho foi à escassez de estudos sistemáticos que utilizem dados de alta resolução, como os do satélite Landsat, que monitorem efetivamente e operacionalmente o desmatamento do Cerrado goiano.

 

2- OBJETIVOS:

 

 2.1- GERAL:

Avaliação de técnicas e métodos com vistas à detecção de mudanças no Cerrado Goiano utilizando imagens Landsat.

 

2.2- ESPECÍFICOS:

            Avaliação do efeito da sazonalidade na vegetação do Cerrado sobre a identificação e quantificação de mudanças na superfície;

            Avaliação dos efeitos de contaminação atmosférica na quantificação as mudanças; e

Mapeamento e quantificação de área da cobertura da terra, para as áreas em estudo, utilizando imagens do satélite Landsat 5 - TM e Landsat 7 - ETM+ , para os anos de 1995 e 2001, respectivamente.

Avaliar métodos de detecção de mudanças que subsidiem o monitoramento contínuo do Cerrado Goiano.

 

3- LOCALIZAÇÃO:

 

A pesquisa está sendo conduzida no Parque Nacional de Brasília (PNB) e na Sub-bacia do Rio Samambaia, divisor dos Municípios de Luziânia e Cristalina, localizados no entorno de Brasília. (Figura 1). A escolha dessas áreas se deu, principalmente, por apresentar tanto áreas preservadas, como o Parque Nacional de Brasília que servirá como área piloto na avaliação e quantificação de efeitos da sazonalidade e contaminação atmosférica sobre a detecção de mudanças na superfície, quanto, áreas intensamente antropizadas – Sub-bacia do Rio Samambaia.

O Parque Nacional de Brasília está localizado no Planalto Central, sob domínio do Cerrado e apresenta uma enorme diversidade de espécies de fauna e flora. Um dos mais abundantes recursos do Parque são seus mananciais hídricos, englobando as bacias dos rios Torto e Bananal que, através da barragem de Santa Maria, ajudam a abastecer a Capital Federal. No interior deste Parque encontram-se o Centro de Pesquisas para a Conservação das Aves Silvestres - CEMAVE - e duas estações sismológicas integradas à rede mundial.

A Sub-bacia do Rio Samambaia está inserida nos Municípios de Luziânia e Cristalina localizados na porção leste do Estado de Goiás. Tal área foi escolhida por apresentar uma representativa alteração no uso da terra, havendo um aumento expressivo no número de pivôs de irrigação (de 47 para 300 pivôs, aproximadamente)[3], entre os anos de 1995 e 2001.

 

 

4- MATERIAIS E MÉTODOS

 

4.1-MATERIAIS

         A seguir serão listados os materiais e equipamentos necessários para realização deste trabalho, que incluem imagens de satélite, dados cartográficos e materiais de campo.

A) Imagens Orbitais

As imagens da série Landsat (TM e ETM+) apresentam boas características radiométricas e geométricas, fácil distribuição e aquisição dos parâmetros de calibração do sensor e possuem um bom acervo histórico (Goward e Willians, 1997 apud Espírito Santo, 2003).

Este estudo utilizará imagens do satélite Landsat 5 – TM e Landsat 7 – ETM+, referente à órbita 221 / ponto 71, datadas de 10 de junho, 28 de julho e 14 de setembro de 1995 e 10 de junho, 20 de julho e 06 de setembro de 2001.

Na escolha dessas imagens foram adotados os seguintes critérios: (1) disponibilidade de imagens nos períodos de 1997 e 2001 e (2) qualidade visual e espectral das imagens.

B) Material Cartográfico

Como suporte cartográfico foram utilizados:

Cartas topográficas do DSG, folhas: SD-22-Z-D-VI (Taguatinga); SD-23-Y-C-IV (Brasília) e SE-23-V-A-I (Luziânia), escala 1:100000.

C) Softwares

Softwares utilizados para o processamento digital de imagens, criação de banco de dados geográficos e finalização dos mapas:

-                           SPRING (Sistema de Processamento de Informações Georreferenciadas) versão 3.6;

-                           ENVI (Environment for Vizualizing Images), versão 3.5;

-                           EASI/PACE – PCI;

-                           ARCVIEW;

-                           COREL DRAW.

D) Material de Campo

-                           Imagem Orbital em formato analógico, bandas 5, 4 e 3 no período referente ao estudo (junho, julho e setembro de 1995 e 2001);

-                           Global Positioning System (GPS);

-                           Máquina Fotográfica.

 

4.2-MÉTODOS

A metodologia de trabalho adotada para o desenvolvimento da pesquisa envolve etapas de trabalho em laboratório e campo.

Neste trabalho serão utilizadas algumas técnicas de pré-processamento e processamento digital de imagens, para posteriormente aplicar o método de detecção de mudanças. Para realizar o pré-processamento das imagens são necessários os seguintes processos: (1) Correção geométrica (registro); (2) conversão de números digitais para reflectância aparente (Imagem Reflectância) e, (3) a Retificação Radiométrica.

Dentre as técnicas de processamento digital estão (4) Classificação das Imagens, (5) Modelo Linear de Mistura Espectral (MLME) e (6) Índice de Vegetação (NDVI). O método para a detecção de mudanças será a (7) Subtração de Imagens. A Classificação das imagens visa identificar classes temáticas na imagem. O uso do MLME aponta alterações na superfície terrestre por meio de geração e análise de imagens-fração (IF), considerando os componentes contidos em cada pixel de uma imagem e a utilização do Índice de Vegetação visa detectar mudanças nas condições superficiais da vegetação, além de minimizar efeitos de contaminação atmosférica. Nesta etapa (6), será avaliado o impacto da sazonalidade sobre a vegetação do Cerrado na área do Parque Nacional de Brasília.

 

 

 

 

4.2.1- Registro

 

Para que os elementos pudessem ser comparados temporalmente pela superposição das imagens, as cenas de diversas datas foram corrigidas geometricamente e registradas a um sistema de projeção geográfica.

Utilizou-se uma imagem já georreferenciada de 20/07/2001, cedida por (Ferreira, 2003). O registro foi realizado no software ENVI 3.5, onde as entidades (encontro de drenagem e rodovias), encontradas na imagem bruta (não georreferenciada) foram associados à imagem georreferenciada. Foi utilizado o modelo polinomial de primeiro grau e o erro do registro foi inferior a 0.5 pixel, o que é considerado satisfatório.

 

4.2.2- Imagem Reflectância

A conversão número digital para valores de reflectância seguirá a proposta desenvolvida por (Markham e Barker, 1987), a qual é expressa pela seguinte equação:

 

R= L.p.D² / Ei.cosα

 

Onde:

L= Radiância;

D= Distância Sol – Terra

E= Irradiância no topo da atmosfera

i = Banda

α = Ângulo Zenital Solar

Esta etapa consiste na transformação dos valores digitais em radiância e posteriormente em valores de reflectância aparente. Tal etapa será realizada através do módulo Reflete do software PCI, que exige como parâmetros de entrada, os ângulos de elevação solar em radianos das datas de passagem.

 

4.2.3- Retificação Radiométrica

Para a análise de mudanças entre imagens obtidas em diferentes épocas, se faz necessário realizar a retificação radiométrica. Optou pelo método proposto por (Hall et al. 1991).

A retificação radiométrica consiste na transformação dos valores digitais das imagens brutas para valores de radiância, através de a equação a seguir:

 

L= (VDi / VDmax) . (Lmax i – Lmin i) + Lmin I

Onde:

i = Banda

VDi = Valor Digital do pixel na banda i;

VDmax =  Valor Digital Máximo gravado

Lmax i = Radiância Máxima registrada pelo detector, na banda i;

Lmin i =  Radiância Mínima registrada pelo detector, na banda i;

O valor de Lmin é a radiância espectral correspondente ao nível de cinza 0 e o valor de Lmax é a radiância mínima exigida para gerar o maior nível de cinza, no caso de Imagens Landsat, que tem suas imagens geradas em 8 bits (225 níveis), sendo esta a radiância que satura o canal (Lillesand; Kiefer, 1987 apud Lorena, 2001).

O primeiro passo deste método consiste na geração de imagens greenness (verdor) e brightness (brilho), para cada uma das cenas. Teoricamente, o diagrama de dispersão dos níveis de cinza das imagens “verdor” e “brilho” permitem identificar os pixels claros e escuros da cena para todas as bandas de interesse. Estes pontos são relativos às áreas não-vegetadas, com insignificante ou nenhuma mudança ao longo do tempo e, portanto com pouca ou nenhuma diferença em seus valores de reflectância. Normalmente, os pontos de controle claros referem-se as áreas de solo exposto e os pontos de controle escuros, referem-se aos corpos d’água.

Uma vez determinados os intervalos para os pontos claros e escuros tanto para imagem verdor quanto para a imagem brilho de uma determinada data de passagem, o passo seguinte será gerar uma máscara para todas as imagens utilizando o programa TARSEL, desenvolvido por (Hall et al., 1991). Em seguida essas máscaras (originadas de todas as imagens) serão cruzadas, originando em uma nova máscara, referente aos pontos claros e escuros da imagem original (imagem referência – por exemplo Imagem de Setembro de 2001). Finalmente, essas máscaras serão sobrepostas às imagens reflectância para que possam ser extraídas as médias dos pixels, referentes a esta máscara.

A partir da média de reflectância destes conjuntos de controle, serão determinados os coeficientes da equação linear, para cada banda. Dessa forma. O modelo linear de retificação é dado pela seguinte equação:

 

T= mi . xi + bi

Onde:

i = Banda;

mi = (Bri – Dri) / (Bsi – Dsi);

bi = (Dri . Bsi – Dsi . Bri) / (Bsi – Dsi);

Dri = média de reflectância do grupo de controle escuro;

Bri = média de reflectância do grupo de controle claro;

Dsi = média de reflectância do grupo escuro a ser retificado;

Bsi = média de reflectância do grupo claro a ser retificado.

A idéia principal deste método consiste em aproximar ou igualar as médias de pontos de controle claros e escuros de cada data de passagem com as médias da imagem referência, através das equações apresentadas anteriormente. Esta seqüência de atividades pode ser resumida e visualizada através do fluxograma seguinte.

 

 

Seguem os processamentos a serem utilizados na pesquisa.

 

4.2.4- Imagem Referência

A geração da Imagem Referência será realizada para as duas áreas de estudo e em todas as datas. Tal processamento será concretizado no software ENVI 3.5, a partir do registro das imagens e posterior realce em três bandas, onde as mesmas serão associadas a canal de cores, a saber, RGB/543, resultando em 12 imagens sintéticas[4], sendo uma para cada área e período (Parque Nacional de Brasília – junho, julho e setembro de 1995 e 2001 e Sub-bacia Rio Samambaia, junho, julho e setembro de 19950 e 2001).  

Posteriormente será realizada uma classificação supervisionada nas áreas, ainda utilizando o software ENVI 3.5, resultando em 12 mapas temáticos. Para a área do Parque Nacional de Brasília foram definidas as seguintes classes: “mata de galeria”, “campo limpo”, “cerrado stricto”, “campo sujo”, “solo” e “água”. Já para a Sub-bacia do Rio Samambaia as classes foram definidas como: “agricultura”, “solo”, “pastagem”, “mata” e “água”.

Posteriormente, será gerado o cálculo de área para todas as classes, onde os mapas revelarão visualmente as alterações ocorridas entre os períodos estudados. Com intuito de quantificar estas informações, serão gerados gráficos, no software EXCEL, os quais apresentarão a porcentagem de área para todas as classes temáticas. 

 

4.2.5- Trabalho de Campo

 

O trabalho de Campo está previsto para o segundo semestre de 2003 e servirá para reconhecimento e classificação das áreas em estudo, onde serão coletados vários pontos com GPS. Ainda serão coletadas informações em campo, como índice pluviométrico e queimadas.

 

 

 

 

4.2.6- Avaliação do impacto da sazonalidade

 

As imagens Landsat serão comparadas entre junho e setembro, assim a avaliação do efeito da sazonalidade será julgada dentro do período de seca, a fim de se conhecer o dinamismo sazonal dentro deste período.

 

4.2.7- Modelo Linear de Mistura

 

Em geral a resolução espacial do sensor permite que um pixel inclua mais de um tipo de cobertura do terreno na cena. Duas situações causam o problema de mistura de pixels: os objetos são menores do que o elemento da cena ou o elemento da cena está na fronteira entre dois ou mais objetos diferentes. Desta forma, a radiância observada em um ponto é dada pela mistura das  respostas de cada um dos componentes da cena. O modelo linear de mistura permite modelar esta situação.

 

Um elemento puro de cena (alvo) possui uma característica espectral chamada assinatura espectral. Cada tipo de alvo possui sua assinatura espectral, a qual descreve o comportamento do alvo em uma determinada faixa do espectro eletromagnético. No caso de um pixel conter informações de mais de um tipo de alvo, este pixel será caracterizado pela mistura das assinaturas espectrais de cada alvo contido nele. As técnicas de mistura de pixels têm como objetivo identificar a composição de um pixel calculando a proporção de cada um dos componentes.

 

O Modelo Linear de Mistura Espectral visa estimar a proporção dos componentes solo, vegetação e sombra, para cada pixel, a partir da resposta espectral de três bandas individuais da imagem Landsat, gerando imagens sintéticas fração-solo, fração-vegetação e fração-sombra. Das três imagens geradas será selecionada a que representará um melhor contraste entre as áreas florestadas e áreas desflorestadas.

 

No uso de modelos lineares de mistura espectral, a expectativa é de que estes evidenciem principalmente as mudanças de estado (ex. Cerrado strictu sensu [1995] à pastagem cultivada [2001]). A suposição neste caso é de que conversões das várias fisionomias de Cerrado para áreas de pastagem, por exemplo, resultem em estruturas menos complexas e com menor contribuição arbórea, e, portanto, passíveis de serem ressaltadas através das diferenças entre imagens_fração sombra, solo ou vegetação.

 

4.2.8- Índice de Vegetação

 

A geração das Imagens Índice de Vegetação (NDVI), estará embasada na equação seguinte: NDVI = (Infravermelho – Vermelho) / (Infravermelho + Vermelho). Esta equação gera uma imagem com valores que vão de –1 a +1. Para que estes possam ser visualizados em 256 níveis de cinza (entre 0 e 255), estas imagens serão transformadas, utilizando-se um valor de ganho equivalente a 127 e offset de 128, conforme a próxima equação:

 

NDVI = [(banda 4 – banda 3)*ganho / (banda 4 + banda 3)] + offset;

 

Sabe-se que níveis de cinza mais claros expressam valores que representam maior índice de vegetação, como no caso de vegetação com alta atividade fotossintética. Já para o solo mais exposto, estes valores tendem a níveis de cinza médios (próximo de 128, ou seja, índice de vegetação próximo a zero) e áreas mais antigas de vegetação a níveis intermediários. O objetivo deste índice é ressaltar as diferenças entre solo e vegetação, assim, quanto mais próximo de 255, maior é a densidade da vegetação, com valores próximos a 1 e valores mais próximos a zero expressam maior quantidade de solo e menor de vegetação.

 

4.2.9- Imagem Diferença

 

O método de detecção de mudanças em análise será a subtração de imagens, considerando tanto as bandas individuais não realçadas (ex. banda 52001 – banda 51995), quanto àquelas transformadas por índices de vegetação e modelos de mistura espectral:

 

 

onde xkij = valor do pixel para a banda K, I e j correspondem à posição do pixel na imagem, t1 = primeira data, t2 = segunda data e C é uma constante para produzir números digitais positivos.

A diferença entre bandas individuais, índices de vegetação ou imagens_fração resultará em uma nova imagem, cujos valores digitais dos pixels inalterados são próximos de zero. A definição de um limiar de mudança, em relação ao qual um dado pixel pode ser considerado inalterado ou não, terá por base à correlação entre as imagens de 1995 e 2001, assumindo-se neste caso que o coeficiente de correlação (r) é proporcional ao numero de pixels inalterados. Assim, para um valor de r = 0.75, e considerando que os pixels da imagem diferença apresentam uma distribuição aproximadamente normal, todos os pixels com valores entre zero e +/- 2s seriam considerados inalterados.

A performance de cada uma destas imagens diferença quanto à detecção de mudanças (ex. Imagem_DiferencaIVDN, etc) será avaliada a partir da comparação, pixel a pixel, entre a Imagem_Diferença em questão e a Imagem_Referência, um mapa de mudanças na cobertura em formato raster[5], elaborado a partir da interpretação visual da cena 221 / 71 para os anos de 1995 e 2001. A partir da análise do erro médio quadrático (RMSE), por tipo de cobertura e mudanças associadas (ex. Cerrado strictu sensu (1995) à pastagem cultivada (2001)) e método (ex. diferença entre imagens_fração “sombra”), bem como dos efeitos da sazonalidade e contaminação atmosférica, será possível determinar a acuidade, precisão e limitações destes procedimentos e estabelecer protocolos para o uso efetivo e operacional das imagens Landsat para o monitoramento sistemático da cobertura vegetal no Estado de Goiás.

 

 

5- CONSIDERAÇÕES FINAIS:

 

Este trabalho está em fase de andamento e a expectativa é que o mesmo possa contribuir para o uso operacional dos produtos de sensoriamento remoto com vistas ao monitoramento sistemático e efetivo da cobertura vegetal no Estado de Goiás.

 

 

NOTAS

[1]  Dr. Leandro Gonçalves Oliveira; Dr. José Alexandre Felizola Diniz Filho ( ICB / UFG)

[2] - José de Paula (Diretor da Agencia Ambiental de Goiás), comunicação pessoal

[3] Gerência de Informações Econômico-Fiscais – Núcleo de Geoprocessamento – SEFAZ-GO, comunicação pessoal.

[4] Imagem submetida a um determinado processamento, de forma que suas características se assemelham às características de um mapa no que diz respeito à escala e à projeção.

[5] - Grid com resolução equivalente às imagens TM / ETM+

 

 

6- BIBLIOGRAFIA:

 

BERNARDI et al. Análise por Principais Componentes Seletivas como Ferramenta na detecção de Mudanças no Uso e Cobertura do Solo. GISBRASIL 2002 – 8° Show de Geotecnologias – 2a. Mostra do Talento Científico. Cd Room.

 

BOTELHO, et al. Comparação entre o Índice NDVI e a Transformação TCAP utilizando a Metodologia de Dados orientados a Objeto. COBRAC 2002. Congresso Brasileiro de Cadastro Técnico Multifinalitário UFSC - Florianópolis. 2002. Cdroom.

 

CARRILHO. Detecção de Mudanças da Cobertura do terreno em uma região de cerrado. Dissertação de Mestrado em Sensoriamento Remoto, INPE, São José dos campos. 1996.

 

CHRISTOFOLETTI, A. L. H. Análise da Sazonalidade da Precipitação na Bacia do Piracicaba (SP). GEOGRAFIA, Rio Claro, 17 (2): 93-105. 1992.

 

EITEN, G. Vegetação do Cerrado. 1993. In Cerrado: Caracterização, ocupação, e perspectivas, 2nd ed, edited by M. N. Pinto (Brasília: Editora Universidade de Brasília), 17-73.

 
ESPÍRITO-SANTO, F.  D.  B.    Sensoriamento   Remoto  e  Modelagem   Espacial  de
Dados   de   Inventários    Florestais   para   a    Caracterização   e    Mapeamento   da
Cobertura   Vegetal  na  Região  da   Floresta   Nacional  do   Tapajós.  Dissertação de
Mestrado em Sensoriamento Remoto – INPE -  São José dos Campos.   2003.

 

FERREIRA, M. E. Uso do Modelo Linear de Mistura Espectral para o Mapeamento Sistemático e Operacional do Bioma Cerrado: Possibilidades, Implicações e Procedimentos Metodológicos. Anais XI SBSR. Belo Horizonte. 2003. Cd Room.

 

FREITAS, S. R.; CRUZ, C. B. M.  Índices de Vegetação na Caracterização de Fragmentos de mata Atlântica no Estado do RJ. Anais XI SBSR. Belo Horizonte. 2003. Cd Room.

 

GURGEL, H. C.; FERREIRA, N. J.; BARRETO, A. J; L. Análise da Variabilidade Espacial e Temporal do NDVI sobre o Brasil. Anais X SBSR. Foz do Uruaçu - PR. 2001. Cd Room.

 

HALL, et al. Radiometric Rectification: Toward a Common Radiometric Response Among Multidate, Multisensor Images. Remote Sensing Environmente. 35: 11-27. 1991.

 

LIMA, D. J.; NELSON, B. W. Uso de Índices de Vegetação no Monitoramento da Cobertura Verde no Perímetro Urbano da Cidade de Manaus. Anais XI SBSR. Belo Horizonte. 2003. Cd Room.

 

LORENA, R. B. Evolução do Uso da Terra em Porção da Amazônia Ocidental (Acre), com o Uso de Técnica de Detecção de mudanças. Dissertação de Mestrado em Sensoriamento Remoto, INPE, São José dos campos. 2001.

 

MAS. J. F. Monitoring land-cover changes: a comparison of detection techniques. International Journal of remote Sensing. V.20, n° 1, 139 – 152. 1999.

 

RIBEIRO, J.F. & WALTER, T.M.B. 1998. As principais fitofisionomias na Região do Cerrado Brasileiro. In: Cerrado: Ambiente e Flora (Sano, S.M. & Almeida, S.P., eds.), Brasília: Embrapa Cerrados, 89-166.

 

SANO, E.E.; BARCELLOS, A.O; BEZERRA, H.S. Assessing the spatial distribution of cultivated pastures in the Brazilian savanna. Pasturas Tropicales, 22 (3), 2-15. 2001.

 

SANTOS, D. B. et al. Análise por Principias Componentes Seletivas como Ferramenta na Detecção de Mudanças no Uso e Cobertura do Solo. GISBRASIL 2002 – 8° Show de Geotecnologias – 2a. Mostra do Talento Científico. Cd Room.

 

SILVA, P. G.; et al. Avaliação da correção Atmosférica e retificação Radiométrica em Estudos Multitemporais. Anais XI SBSR. Belo Horizonte. 2003. Cd Room.

 

SOARES; BRITES; RIBEIRO. Avaliação da Mudança na Cobertura em áreas reflorestadas usando Razão de Bandas de Imagens de Satélite. CERNE, V.4, N.1, p 22-33, 1998.

 

SOUSA, J. S. S. Detecção de Mudanças nas Unidades Territoriais Básicas através da Subtração de Imagens-Proporção de Vegetação, Solo e Sombra. Anais X SBSR. Foz do Iguaçu - PR. 2001. Cd Room.

 

SHIMABUKURO, Y. E.; NOVO, E. M.; PONZONI, F. J. Índice de Vegetação e Modelo Linear de Mistura Espectral no Monitoramento da Região do Pantanal. Pesquisa Agropecuária Brasileira. Brasília. V 33, Número Especial, p. 1729 – 1737. 1998.

 

TEIXEIRA, A. L. A.; CHRISTOFOLETTI, A. Sistemas de Informações Geográficas – Dicionário Ilustrado.Editora Hucitec. São Paulo, 1997.

 

VERONA, J. D.  Classificação e Monitoramento Fenológico Foliar da Cobertura Vegetal na Região da Floresta Nacional do Tapajós - Pará, Utilizando Dados Multitemporais do Sensor Thematic Mapper (TM) do LANDSAT. Dissertação de Mestrado em Sensoriamento Remoto. INPE. São José dos Campos,  2002.