Downscaling do índice de vegetação normalizado produto do MODIS (500m) para a resolução espacial do Landsat 8 (30 m)
Palavras-chave:
Sensoriamento remoto, Pequena bacia hidrográfica, Regressão linearResumo
O presente estudo avalia um método de downscaling para dados do Índice de Vegetação Normalizado (NDVI) obtidos pelo sensor MODIS (Moderate Resolution Imaging Spectroradiometer) combinados com imagens do sensor Landsat 8. As imagens Landsat 8 possui uma resolução espacial de 30m e uma resolução temporal de 16 dias, enquanto o MODIS possui resoluções de espaciais de 250, 500 e 1000 metros, coletados semanalmente ou diariamente. Desta forma ambos sensores combinados podem produzir séries históricas de NDVI com altas resoluções espaciais e temporais. Neste tudo, uma regressão linear foi utilizada para produção de imagens sintéticas com resolução espacial de 30m e temporal de 7 dias, a partir de imagens MODIS e Landsat. A aplicação do método foi realizada na bacia do rio Piabanha, através de duas cenas MODIS, produto MYD09, de datas de 25 de setembro de 2014 a 11 de outubro de 2014, e duas cenas de Landsat 8 OLI / TIRSS da mesma data. A metodologia reconhece que uma relação linear ocorre entre mapas de escala maior e menor de uma região, desde que ambos estejam nas mesmas condições atmosféricas. Assim, com as duas imagens MODIS e uma imagem Landsat 8 (25 de setembro de 2014) foi gerada uma imagem sintética do NDVI para o dia 11 de outubro de 2014. A imagem Landsat 8 de 11 de outubro foi utilizada para validar a imagem sintética. Os resultados encontram um coeficiente de determinação (R2) de 0,62. Esse valor sugere o potencial da metodologia para downscaling, visando o monitoramento contínuo do NDVI para o nível de pequenas bacias hidrográficas remotas.
Referências
Asrar G, Fuchs M, Kanemasu ET, Hatfield JL (1984) Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat. Agronomy Journal 76: 300–306.
Atkinson PM, Dash J, Jeganathan C (2011) Amazon vegetation greenness as measured by satellite sensors over the last decade. Geophysical Research Letters 38(19).
Balaghi R, Tychon B, Eerens H, Jlibene M (2008) Empirical regression models using NDVI, rainfall and temperature data for the early prediction of wheat grain yields in Morocco. International Journal of Applied Earth Observation and Geoinformation 10(4): 438–452.
Barbosa HA, Huete AR, Baethgen WE (2006) A 20-year study of NDVI variability over the Northeast Region of Brazil. Journal of Arid Environments 67(2): 288–307.
Beck PSA, Atzberger C, Høgda KA, Johansen B, Skidmore AK (2006) Improved monitoring of vegetation dynamics at very high latitudes: a new method using MODIS NDVI. Remote Sensing of Environment 100(3): 321–334.
Brown ME, Pinzon JE, Didan K, Morisette JT, Tucker CJ (2006) Evaluation of the consistency of long-term NDVI time series derived from AVHRR, SPOT-vegetation, SeaWiFS, MODIS, and Landsat ETM+ sensors.
Fundação COPPETEC (2010) Estudos integrados de bacias experimentais – parametrização hidrológica na gestão de recursos hídricos das bacias da Região Serrana do Rio de Janeiro: relatório técnico parcial 2. Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia – COPPE/UFRJ, Rio de Janeiro.
Grist J, Nicholson SE, Mpolokang A (1997) On the use of NDVI for estimating rainfall fields in the Kalahari of Botswana. Journal of Arid Environments 35(2): 195–214.
Gu J, Li X, Huang C, Okin GS (2009) A simplified data assimilation method for reconstructing time-series MODIS NDVI data. Advances in Space Research 44(4): 501–509.
Hird JN, McDermid GJ (2009) Noise reduction of NDVI time series: an empirical comparison of selected techniques. Remote Sensing of Environment 113(1): 248–258.
Hong SH, Hendrickx JMH, Borchers B (2009) Up-scaling of SEBAL-derived evapotranspiration maps from Landsat (30 m) to MODIS (250 m) scale. Journal of Hydrology 370(1): 122–138.
IEEE (2006) Transactions on Geoscience and Remote Sensing 44(7): 1787–1793.
Jensen JR (2009) Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. Parêntese, São José dos Campos, 604 pp.
Liang S (2004) Quantitative remote sensing of land surfaces. John Wiley & Sons, Hoboken, New Jersey, 562 pp. ISBN 0-471-28166-2.
Mas JF (2011) Aplicaciones del sensor MODIS para el monitoreo del territorio. Secretaría de Medio Ambiente y Recursos Naturales, Morelia, Michoacán, México, 358 pp.
Meneses PR, Almeida T (2012) Introdução ao processamento de imagens de sensoriamento remoto. Universidade de Brasília, Brasília, 276 pp.
Mohamed YA, Van den Hurk BJJM, Savenije HHG (2005) Hydroclimatology of the Nile: results from a regional climate model. Hydrology and Earth System Sciences Discussions 2(1): 319–364.
Plessis WPD (1999) Linear regression relationships between NDVI, vegetation and rainfall in Etosha National Park, Namibia. Journal of Arid Environments 42(4): 235–260.
QGIS Development Team (2009) QGIS Geographic Information System. Open Source Geospatial Foundation Project. Disponível em: http://qgis.osgeo.org.
Rouse JW, Hass RH, Schell JA, Deering DW, Harlan JC (1974) Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation. Texas A&M University, Maryland, EUA, 390 pp.
Mascarenhas NDD, Correia VRM (1983) Medidas de qualidade de estimadores de proporções de classe dentro de um pixel de imagem de satélite. Instituto Nacional de Pesquisas Espaciais, São José dos Campos.
USGS (2015) Landsat 8 (L8) data users handbook. Earth Resources Observation and Science Center, vol. 8, 97 pp. Disponível em: http://landsat.usgs.gov/documents/Landsat8DataUsersHandbook.pdf. Acesso em: 30 out. 2016.
Wang Q, Tenhunen J, Dinh NQ, Reichstein M, Vesala T, Keronen P (2004) Similarities in ground- and satellite-based NDVI time series and their relationship to physiological activity of a Scots pine forest in Finland. Remote Sensing of Environment 93(1): 225–237.
