Ctrl+K

Índices de Vegetação

Índices de Vegetação#

Os índices de vegetação são ferramentas cruciais no sensoriamento remoto, desempenhando um papel vital na avaliação e monitoramento de coberturas vegetais na Terra.

Estes índices são calculados utilizando-se os dados de reflectância obtidos em diferentes bandas espectrais, principalmente no infravermelho próximo (NIR) e no vermelho (RED).

NDVI#

O Normalized difference vegetation index (NDVI), ou Índice de Vegetação por diferença normalizada, é um dos mais populares e amplamente utilizados índices de vegetação.

Fórmula#

A fórmula do NDVI é expressa por:

\[NDVI = \frac{(NIR - RED)}{(NIR + RED)}\]

onde NIR representa a reflectância no infravermelho próximo e RED representa a reflectância na banda do vermelho visível.

Esta fórmula foi originalmente proposta por [TUCKER1979].

Exemplo de uso#

Abaixo exemplificamos como calcular o NDVI com as imagens do Landsat 9. Vamos utilizar linguagem python:

# Selecionar as bandas necessárias (valores relativos à imagem Landsat 9)
# Atenção: alterar as bandas de acordo com a imagem utilizada
nir = landsatImage.select('B5') # NIR
red = landsatImage.select('B4') # Vermelho

# Calcular a banda NDVI
ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI')

# Adicionar a banda NDVI à imagem do Landsat 9
landsatWithNDVI = landsatImage.addBands(ndvi)

# Exibir a banda NDVI no mapa (Map deve ser um objeto geemap)
Map.addLayer(landsatWithNDVI.select('NDVI'), {'min': -1, 'max': 1}, 'NDVI')

Interpretação#

O NDVI aproveita o contraste entre as propriedades espectrais da vegetação viva — que normalmente absorve a maior parte da luz visível e reflete grandes quantidades de infravermelho próximo — em comparação com outras superfícies como solo ou construções.

Valores de NDVI mais altos indicam maior densidade da vegetação, enquanto valores mais baixos correspondem a superfícies desprovidas de vegetação saudável, como áreas urbanizadas ou solos expostos [LILLESAND2015].

Além do NDVI, outros índices também são importantes para análises mais específicas:

NDBI#

O Normalized Difference Built-Up Index (NDBI) é usado para identificar áreas urbanizadas construídas, contrastando as bandas espectrais que são mais refletivas em superfícies artificiais do que em vegetação ou solo.

Fórmula#

A fórmula do NDBI é expressa por:

\[NDBI = \frac{(SWIR - NIR)}{(SWIR + NIR)}\]

onde SWIR representa a reflectância no infravermelho de onda curta e NIR representa a reflectância no infravermelho próximo.

Interpretação#

O valor do NDBI varia de -1 a 1, onde valores mais altos indicam maior probabilidade de áreas urbanizadas construídas.

Exemplo de uso#

Abaixo exemplificamos como calcular o NDBI com as imagens do Landsat 9. Vamos utilizar linguagem python:

# Selecionar as bandas necessárias (valores relativos à imagem Landsat 9)
# Atenção: alterar as bandas de acordo com a imagem utilizada
swir = landsatImage.select('B6') # SWIR
nir = landsatImage.select('B5') # NIR

# Calcular a banda NDBI
ndbi = swir.subtract(nir).divide(swir.add(nir)).rename('NDBI')

# Adicionar a banda NDBI à imagem do Landsat 9
landsatWithNDBI = landsatImage.addBands(ndbi)

# Exibir a banda NDBI no mapa (Map deve ser um objeto geemap)
Map.addLayer(landsatWithNDBI.select('NDBI'), {'min': -1, 'max': 1}, 'NDBI')

EVI#

O Enhanced Vegetation Index (EVI) é uma alternativa ao NDVI, otimizado para separar melhor a sinalização da vegetação em áreas de alta densidade foliar, onde o NDVI pode tornar-se saturado. O EVI também corrige algumas distorções atmosféricas e de fundo, proporcionando uma medição mais precisa em áreas com grande quantidade de vegetação [GINCIENE2011].

Ambos os índices, NDBI e EVI, são complementares ao NDVI e oferecem uma perspectiva mais ampla para os estudos ambientais e de planejamento urbano.

Fórmula#

A fórmula do EVI é expressa por:

\[EVI = 2.5 * \frac{(NIR - RED)}{(NIR + 6 * RED - 7.5 * BLUE + 1)}\]

onde NIR representa a reflectância no infravermelho próximo, RED representa a reflectância na banda do vermelho visível e BLUE representa a reflectância na banda do azul visível.

Fontes: - USGS Landsat Enhanced Vegetation Index - Enhanced Vegetation Index on Wikipedia

Interpretação#

O EVI varia de -1 a 1, onde valores mais altos indicam maior densidade da vegetação.

Exemplo de uso#

Abaixo exemplificamos como calcular o EVI com as imagens do Landsat 9. Vamos ver primeiro um exemplo de como fazer isso utilizando javascript:

// Coeficientes para o cálculo do EVI
var gainFactor = 2.5;
var coefficient1 = 6.0;
var coefficient2 = 7.5;
var L = 1.0;

// Selecionar as bandas necessárias (valores relativos à imagem Landsat 9)
// Atenção: alterar as bandas de acordo com a imagem utilizada
var nir = landsatImage.select('B5'); // NIR
var red = landsatImage.select('B4'); // Vermelho
var blue = landsatImage.select('B2'); // Azul

// Calcular a banda EVI
var evi = nir.subtract(red).multiply(gainFactor)
            .divide(nir.add(red.multiply(coefficient1)).subtract(blue.multiply(coefficient2)).add(L))
            .rename('EVI');

// Adicionar a banda EVI à imagem do Landsat 9
var landsatWithEVI = landsatImage.addBands(evi);

// Exibir a banda EVI no mapa
Map.addLayer(landsatWithEVI.select('EVI'), {min: -1, max: 1}, 'EVI');

A sintaxe em python é muito semelhante:

# Coeficientes para o cálculo do EVI
gainFactor = 2.5
coefficient1 = 6.0
coefficient2 = 7.5
L = 1.0

# Selecionar as bandas necessárias (valores relativos à imagem Landsat 9)
# Atenção: alterar as bandas de acordo com a imagem utilizada
nir = landsatImage.select('B5') # NIR
red = landsatImage.select('B4') # Vermelho
blue = landsatImage.select('B2') # Azul

# Calcular a banda EVI
evi = nir.subtract(red).multiply(gainFactor) \
            .divide(nir.add(red.multiply(coefficient1)).subtract(blue.multiply(coefficient2)).add(L)) \
            .rename('EVI')

# Adicionar a banda EVI à imagem do Landsat 9
landsatWithEVI = landsatImage.addBands(evi)

# Exibir a banda EVI no mapa (Map deve ser um objeto geemap)
Map.addLayer(landsatWithEVI.select('EVI'), {'min': -1, 'max': 1}, 'EVI')
Conteúdo