COMPARAÇÃO ENTRE ÍNDICES DE VEGETAÇÃO OBTIDOS POR IMAGENS AÉREAS COM VEÍCULO AÉREO NÃO TRIPULADO (VANT) E SATÉLITE

H. S. Sampaio; V. Bourscheidt; L. H. Sarracini; L. A. C. Jorge; G. M. Bettiol; A. C. C. Bernardi

doi:10.18011/bioeng2020v14n2p111-124

Autores

H. S. Sampaio
V. Bourscheidt
L. H. Sarracini
L. A. C. Jorge
G. M. Bettiol
A. C. C. Bernardi

DOI:

https://doi.org/10.18011/bioeng2020v14n2p111-124

Palavras-chave:

Sensoriamento Remoto, VANT, Landsat-8, NDVI, MPRI, ENDVI

Resumo

O sensoriamento remoto (SR), amplamente utilizado em diferentes áreas do conhecimento, também pode ser aplicado para o manejo de sistemas agropecuários. Entre as diferentes técnicas aplicadas sobre os produtos de SR, pode se destacar o uso de índices de vegetação, que buscam relacionar variações do comportamento espectral medido através de imagens com diferentes parâmetros biofísicos das plantas. E a qualidade dos produtos resultantes depende diretamente da precisão das imagens utilizadas. Nesse sentido, este trabalho teve como objetivo comparar os índices de vegetação obtidos a partir de imagens de satélite e através de veículo aéreo não tripulado (VANT) em uma área de pastagem irrigada. Foram utilizadas imagens do satélite Landsat-8 e fotografias obtidas com câmeras acopladas em VANT (modelo convencional RGB e adaptada NGB, com bandas no visível e infravermelho próximo). Para as duas fontes de dados, foram calculados os seguintes índices: NDVI, o índice clássico no monitoramento da vegetação; o MPRI, que é correlato ao NDVI, porém se utiliza somente das bandas do espectro visível; o NDVI adaptado à câmeras digitais RGB e; o ENDVI, um aprimoramento do NDVI proposto para otimizar o uso de câmeras RGB. Os índices obtidos pelas duas fontes foram então correlacionados. A fim de tornar a comparação com imagens Landsat-8 mais adequada, os valores digitais das imagens de VANT foram convertidos para valores de reflectância. Os resultados mostraram uma correlação positiva intermediária dos índices NDVI e ENDVI obtidos a partir das imagens de satélite e VANT, que pode ter sido afetada tanto pela diferença de escala das imagens quanto pela variação temporal nas datas de aquisição de ambos os produtos. Evidenciou-se também a necessidade de calibração dos dados das imagens tomadas com VANTs, para garantir que a conversão para reflectância seja mais adequada. De modo geral, os índices estudados mostraram-se sensíveis para indicar as variações na área estudada e confirmaram que podem ser ferramentas de agricultura de precisão, auxiliando no planejamento do manejo das pastagens com a aplicação da Agricultura de Precisão.

Downloads

Não há dados estatísticos.

Referências

AASEN, H.; BURKART, A.; BOLTEN, A.; BARETH, G. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. ISPRS Journal of Photogrammetry and Remote Sensing, v. 108, p. 245-259, 2015.

AGISOFT LLC (2014) - Agisoft Photoscan Pro. St. Petersburg, Russia. Disponível em: http://www.agisoft.com

ALBUQUERQUE, R. W. DE., COSTA, M. O., FERREIRA, M. E., JORGE, L. A. C., SARRACINI, L. H., ROSA, E. D. Uso do índice MPRI na avaliação de processos de Restauração Florestal (RF) utilizando sensor RGB a bordo de VANT quadricóptero. In: SEMINÁRIO DE ATUALIZAÇÃO EM SENSORIAMENTO REMOTO E SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS APLICADOS À ENGENHARIA FLORESTAL, 18., 2017, Santos. Proceedings... São José dos Campos: INPE, 2017. p. 4795-4802 Disponível em: <https://proceedings.science/proceedings/59/_papers/60224/download/abstract_file1>

BARBOSA, B. D. S.; FERRAZ, G. A. S.; GONÇALVES, L. M.; MARIN, D. B.; MACIEL, D. T.; FERRAZ, P. F. P.; ROSSI, G. RGB vegetation indices applied to grass monitoring: a qualitative analysis. Agronomy Research, v.17, p.349–357, 2019. https://doi.org/10.15159/AR.19.119

BERNARDI, A. C. C.; GREGO, C. R.; ANDRADE, R. G.; RABELLO, L. M.; INAMASU, R. Y. Spatial variability of vegetation index and soil properties in an integrated crop-livestock system. Revista Brasileira de Engenharia Agrícola e Ambiental, v.21, n.8, p.513-518, 2017.

BERNARDI, A. C. C.; RABELLO, L. M.; INAMASU, R. Y.; GREGO, C. R.; ANDRADE, R. G. Variabilidade espacial de parâmetros físico-químicas do solo e biofísicos de superfície em cultivo do sorgo. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 18, p. 623-630, 2014.

BERNI, J. A. J.; ZARCO-TEJADA, P. J.; SUAREZ, L.; FERERES, E. Thermal and Narrowband Multispectral Remote Sensing for Vegetation Monitoring from an Unmanned Aerial Vehicle. IEEE Transactions on Geoscience and Remote Sensing, v. 47, n. 3, p. 722-738, 2009.

BRITO NETO, R. T.; BARROS FILHO, M. B. B.; LOPES, H. L.; PACHECO, A. P. Determinação de valores físicos de imagens TM/Landsat- 5 utilizando a linguagem legal para obter índices de vegetação. In: SIMPÓSIO BRASILEIRO DE CIÊNCIAS GEODÉSICAS E TECNOLOGIAS DA GEOINFORMAÇÃO, 2, Recife, 2008. Anais. Recife, UFPE.

CALDERANO FILHO, B.; SANTOS, H. G.; FONSECA, O. O. M.; SANTOS, R. D.; PRIMAVESI, O.; PRIMAVESI, A. C. Os solos da Fazenda Canchim, Centro de Pesquisa de Pecuária do Sudeste, São Carlos, SP: levantamento semidetalhado, propriedades e potenciais. Rio de Janeiro: EMBRAPA-CNPS; São Carlos, SP: EMBRAPA-CPPSE, 1998. 95 p. il. (EMBRAPA-CNPS. Boletim de pesquisa, 7; EMBRAPA-CPPSE. Boletim de pesquisa, 2).

HATFIELD, J. L.; GITELSON, A. A.; SCHEPERS, J. S.; WALTHALL, C. L. Application of spectral remote sensing for agronomic decisions. Agronomy Journal, v.100, p.117-131, 2008.

INAMASU, R. Y.; BERNARDI, A. C. C.; VAZ, C. M. P.; NAIME, J. M.; QUEIROS, L. R.; RESENDE, A. V.; VILELA, M. de F.; JORGE, L. A. C.; BASSOI, L. H.; PEREZ, N. B.; FRAGALLE, E. P. Agricultura de precisão para a sustentabilidade de sistemas produtivos do agronegócio brasileiro. In: INAMASU, R. Y.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; BERNARDI, A. C. C. (Ed.). Agricultura de precisão: um novo olhar. São Carlos: Embrapa Instrumentação, 2011. p. 14-26.

INAMASU, R. Y.; BERNARDI, A. C. C. Agricultura de precisão. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 21-33.

JORGE, L. A. C.; INAMASU, R. Y. Uso de veículos aéreos não tripulados (VANT) em agricultura de precisão. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 109-134.

LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J. W. Remote Sensing and Image Interpretation, 5ª Ed. New York: John Wiley & Sons, 2004. 763p.

LINHARES, M. M. A.; ROCHA, N. C. C.; AMARAL, B. A. S. Análise do índice MPRI como indicador vegetativo através da correlação do mesmo com o índice NDVI. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16. (SBSR), 2013, Foz do Iguaçu. Anais... São José dos Campos: INPE, 2013. p. 8254-8260. Disponível em: <http://www.dsr.inpe.br/sbsr2013/files/p1190.pdf>.

MARKHAM, B. L.; BARKER, J. L. Radiometric properties of US processed Landsat MSS data. Remote Sensing of Environment, v. 22, n. 1, p. 39-71, 1987.

MAXMAX. Enhanced Normalized Difference Vegetation Index (ENDVI). Disponvível em: https://www.maxmax.com/maincamerapage/remote-sensing/enhanced-normalized-difference-vegetation-index. Acesso em: 27 mar 2015.

NUMATA, I.; ROBERTS, D. A.; CHADWICK, O. A.; SCHIMEL, J.; SAMPAIO, F. R.; LEONIDAS, F. C.; SOARES, J. V. Characterization of pasture biophysical properties and the impact of grazing intensity using remotely sensed data. Remote Sensing of Environment, v.109: 314–327, 2007.

OSGEO – Open Source Geospatial Foundation. 2011. Quantum GIS (QGIS). Open Source Geographic Information System (GIS). Version 1.6.0. Disponível em: <http://qgis.org/>

PEZZOPANE, J. R. M.; BERNARDI, A. C. C.; BOSI, C.; CRIPPA, P. H.; SANTOS, P. M.; NARDACHIONE, E. C. Assessment of Piatã palisadegrass forage mass in integrated livestock production systems using a proximal canopy reflectance sensor. European Journal of Agronomy, v. 103, p. 130-139, 2019.

ROLIM, G. D. S.; CAMARGO, M. B. P. D.; LANIA, D. G.; MORAES, J. F. L. D. Climatic classification of Köppen and Thornthwaite sistems and their applicability in the determination of agroclimatic zonning for the state of São Paulo, Brazil. Bragantia, v.66(4): 711-720, 2007.

ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems in the Great Plains with ERTS. In: EARTH RESOURCES TECHNOLOGY SATELLITE SYMPOSIUM, 1., 1973, Washington. Proceedings. Washington: NASA, 1973. v.1, p.309317.

SANCHES, I.; ANDRADE, R. G.; QUARTAROLI, C. F.; RODRIGUES, C. A. G. Análise comparativa de três métodos de correção atmosférica de imagens Landsat 5 – TM para obtenção de reflectância de superfície e NDVI. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 15., 2011, Curitiba. Anais. São José dos Campos, SP. INPE, 2005. p 7564-7571. Acesso em 22 de agosto de 2015.

SHIRATSUCHI, L. S.; BRANDAO, Z. N.; VICENTE, L. E.; VICTORIA, D. C.; DUCATI, J. R.; OLIVEIRA, R. P.; VILELA, M. F. Sensoriamento Remoto: conceitos básicos e aplicações na Agricultura de Precisão. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 58-73.

SUSANTORO, T. M.; WIKANTIKA, K.; HARTO, A. B.; SUWARDI. D. Monitoring sugarcane growth phases based on satellite image analysis (a case study in Indramayu and its Surrounding, West Java, Indonesia). HAYATI Journal of Biosciences, v.26, p.117-128, 2019. DOI:10.4308/hjb.26.3.117.

YANG, Z.; WILLIS, P.; MUELLER, R. Impact of Band-Ratio Enhanced AWIFS Image to Crop Classification Accuracy. In: Pecora – The Future of Land Imaging… Going Operational, Denver, Colorado, USA. Proceedings. Maryland: (ASPRS), 2008.