Picoli, Michelle Cristina Araujo; Duft, Daniel Garbellini; Machado, Pedro Gerber

doi:10.1590/S0100-204X2017001100012

Acessibilidade / Reportar erro

Brasil

Pesquisa Agropecuária Brasileira

Español English

Brasil

Español English

sumário « anterior atual seguinte »

Sumário

REMOTE SENSING • Pesq. agropec. bras. 52 (11) • Nov 2017 • https://doi.org/10.1590/S0100-204X2017001100012 copiar

Identificação de eventos de seca em cana-de-açúcar com base em índices de seca derivados do sensor Modis

Autoria SCIMAGO INSTITUTIONS RANKINGS

Resumo:

O objetivo deste trabalho foi avaliar o potencial de diversos índices, calculados com o uso de imagens do sensor Modis (“moderate resolution imaging spectroradiometer”), em identificar eventos de seca na cana-de-açúcar. As imagens dos satélites Terra e Aqua foram utilizadas para calcular os índices espectrais, com bandas na região do visível (vermelho), infravermelho próximo e infravermelho médio, e oito índices foram selecionados: NDVI, EVI2, GVMI, NDI6, NDI7, NDWI, SRWI e MSI. Os índices foram calculados com base em imagens de outubro a abril de quatro anos agrícolas: 2007/08, 2008/09, 2009/10 e 2013/14. Esses índices foram correlacionados com o índice de seca meteorológica SPEI, calculado para 1, 3 e 6 meses. Quatro deles tiveram correlação significativa com o índice SPEI: GVMI, MSI, NDI7 e NDWI. Os índices espectrais derivados do sensor Modis a bordo do satélite Aqua (MYD) são mais adequados para o reconhecimento de eventos de seca, e março proporcionou os índices mais relevantes para esse propósito. Índices de seca calculados com base em dados Modis são efetivos em detectar eventos de seca em cana-de-açúcar, além de serem capazes de apontar flutuações sazonais.

Termos de indexação:
Saccharum officinarum; stress hídrico; processamento de imagens; imagem por satélite; SPEI; sistemas de alerta

Embrapa Secretaria de Pesquisa e Desenvolvimento; Pesquisa Agropecuária Brasileira Caixa Postal 040315, 70770-901 Brasília DF Brazil, Tel. +55 61 3448-1813, Fax +55 61 3340-5483 - Brasília - DF - Brazil
E-mail: pab@embrapa.br

Acompanhe os números deste periódico no seu leitor de RSS

[TFN1] ⁽¹⁾RED, Band1; NIR, Band2; SWIR, Band5; SWIR₁, Band6; and SWIR₂, Band7.

Index	Equation⁽¹⁾	Reference
NDVI	$\frac{N I R - R E D}{N I R + R E D}$	Tucker (1979)TUCKER, C.J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, v.8, p.127-150, 1979. DOI: 10.1016/0034-4257(79)90013-0. https://doi.org/10.1016/0034-4257(79)900...
EVI2	$2.5 (\frac{N I R - R E D}{N I R + 2.4 R E D + 1})$	Jiang et al. (2008)JIANG, Z.; HUETE, A.R.; DIDAN, K.; MIURA, T. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, v.112, p.3833-3845, 2008. DOI: 10.1016/j.rse.2008.06.006. https://doi.org/10.1016/j.rse.2008.06.00...
GVMI	$\frac{(N I R + 0.1) - (S W I R_{1} + 0.02)}{(N I R + 0.1) + (S W I R_{1} + 0.02)}$	Ceccato et al. (2002)CECCATO, P.; GOBRON, N.; FLASSE, S.; PINTY, B.; TARANTOLA, S. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1: theoretical approach. Remote Sensing of Environment, v.82, p.188-197, 2002. DOI: 10.1016/S0034-4257(02)00037-8. https://doi.org/10.1016/S0034-4257(02)00...
NDI6	$\frac{N I R - S W I R_{1}}{N I R + S W I R_{1}}$	Hardisky et al. (1983)HARDISKY, M.A.; KLEMAS, V.; SMART, R.M. The influence of soil salinity, growth form, and leaf moisture on the spectral radiance of Spartina alterniflora canopies. Photogrammetric Engineering & Remote Sensing, v.49, p.77-83, 1983.
NDI7	$\frac{N I R - S W I R_{2}}{N I R + S W I R_{2}}$	Chuvieco et al. (2002)CHUVIECO, E.; RIAÑO, D.; AGUADO, I.; COCERO, D. Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment. International Journal of Remote Sensing, v.23, p.2145-2162, 2002. DOI: 10.1080/01431160110069818. https://doi.org/10.1080/0143116011006981...
NDWI	$\frac{N I R - S W I R}{N I R + S W I R}$	Gao (1996)GAO, B.-C. NDWI. A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, v.58, p.257-266, 1996. DOI: 10.1016/S0034-4257(96)00067-3. https://doi.org/10.1016/S0034-4257(96)00...
SRWI	$\frac{N I R}{S W I R}$	Zarco-Tejada & Ustin (2001)ZARCO-TEJADA, P.J.; USTIN, S.L. Modeling canopy water content for carbon estimates from MODIS data at land EOS validation sites. In: IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, 2001, Sydney. Scanning the present and resolving the future: proceedings. Sydney: IEEE, 2001. v.1, p.342-344. IGARSS 2001. DOI: 10.1109/IGARSS.2001.976152. https://doi.org/10.1109/IGARSS.2001.9761...
MSI	$\frac{N I R}{S W I R_{2}}$	Hunt & Rock (1989)HUNT JR., E.R.; ROCK, B.N. Detection of changes in leaf water content using near and middle-infrared reflectances. Remote Sensing of Environment, v.30, p.43-54, 1989. DOI: 10.1016/0034-4257(89)90046-1. https://doi.org/10.1016/0034-4257(89)900...

Month	NDVI_MOD	NDVI_MYD	EVI2_MOD	EVI2_MYD	GVMI_MOD	GVMI_MYD	MSI_MOD	MSI_MYD	NDI6_MOD	NDI6_MYD	NDI7_MOD	NDI7_MYD	NDWI_MOD	NDWI_MYD	SRWI_MOD	SRWI_MYD
	SPEI (1 month) data
Oct.	0.24	0.24	0.27	0.16	-0.2	-0.46*	0.20	0.23	-0.05	-0.07	0.17	0.22	-0.11	-0.08	-0.11	0.01
Nov.	-0.09	-0.12	-0.03	0.07	0.39*	0.65**	0.24	0.11	0.25	-0.06	0.23	0.06	0.30	0.13	0.29	0.13
Dec.	-0.31	-0.39*	-0.19	-0.45	0.19	-0.06	-0.23	-0.17	-0.11	-0.12	-0.23	-0.14	-0.07	-0.10	-0.04	-0.13
Jan.	-0.41	-0.44	-0.60	-0.45*	-0.19	-0.47*	-0.17	-0.56**	-0.22	-0.42*	-0.21	-0.57**	-0.42*	-0.45*	-0.48*	-0.56**
Feb.	0.04	-0.14	0.05	-0.28	-0.32	0.06	-0.05	-0.22	-0.16	-0.14	-0.07	-0.18	-0.23	-0.19	-0.21	-0.41*
Mar.	-0.11	0.45*	0.06	0.38*	-0.11	0.08	-0.06	-0.06	-0.15	0.17	-0.06	-0.04	-0.25	-0.04	-0.25	0.07
Apr.	-0.64	-0.4*	-0.25	-0.64**	-0.1	-0.47*	-0.59**	-0.52**	-0.6**	-0.33	-0.58**	-0.52**	-0.23	-0.39*	-0.23	-0.3
	SPEI (3 months) data
Oct.	0.24	0.24	0.27	0.16	-0.16	-0.46*	0.20	0.23	-0.05	-0.07	0.17	0.22	-0.11	-0.08	-0.11	0.01
Nov.	-0.06	0.16	0.04	0.32	-0.32	-0.54**	-0.03	0.07	-0.21	0.01	-0.04	0.13	-0.26	-0.07	-0.25	0.0
Dec.	-0.31	-0.39*	-0.19	-0.46*	0.19	-0.06	-0.23	-0.17	-0.11	-0.12	-0.23	-0.14	-0.07	-0.10	-0.04	-0.13
Jan.	-0.31	-0.46*	-0.39*	-0.54**	-0.03	-0.17	-0.12	-0.46*	-0.13	-0.25	-0.15	-0.47*	-0.17	-0.36	-0.25	-0.54**
Feb.	0.05	0.20	0.0	0.06	-0.17	0.21	-0.07	-0.01	-0.16	-0.12	-0.09	0.04	-0.02	-0.07	0.0	-0.28
Mar.	0.12	0.09	0.27	0.0	0.43*	0.52**	0.12	0.47*	0.18	0.21	0.11	0.49**	0.16	0.51**	0.16	0.32
Apr.	0.06	0.04	-0.05	-0.02	-0.24	0.42*	-0.09	0.05	-0.08	0.21	-0.09	0.07	0.02	0.15	0.02	0.0
	SPEI (6 months) data
Oct.	0.28	0.38*	0.34	0.34	0.02	-0.31	0.37	0.48**	-0.03	0.29	0.32	0.46*	-0.06	0.14	-0.06	0.09
Nov.	-0.04	0.24	0.09	0.392*	-0.22	-0.15	0.10	0.11	-0.13	0.09	0.08	0.15	-0.13	0.0	-0.13	-0.06
Dec.	-0.31	-0.39*	-0.19	-0.46*	0.19	-0.06	-0.23	-0.17	-0.11	-0.12	-0.23	-0.14	-0.07	-0.10	-0.04	-0.13
Jan.	-0.41*	-0.44*	-0.6**	-0.45*	-0.2	-0.47^*	-0.174	-0.56**	-0.22	-0.42*	-0.20	-0.57**	-0.42^*	-0.45*	-0.48*	-0.56**
Feb.	0.05	0.20	0.0	0.06	-0.17	0.21	-0.07	-0.01	-0.16	-0.12	-0.09	0.04	-0.02	-0.07	0.0	-0.28
Mar.	0.12	0.09	0.27	0.0	0.42*	0.518**	0.12	0.475*	0.18	0.21	0.11	0.49**	0.16	0.51**	0.16	0.32
Apr.	0.02	-0.02	0.16	0.09	0.22	0.17	-0.17	-0.02	-0.13	-0.01	-0.17	0.0	0.20	0.16	0.20	0.08