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:
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:
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:
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')