You are on page 1of 12

Sensoriamento remoto da vegetação: evolução e estadoestado-dada-arte

Laerte Guimarães Ferreira*, Nilson Clementino Ferreira e Manuel Eduardo Ferreira
Laboratório de Processamento de Imagens e Geoprocessamento, Instituto de Estudos Socioambientais, Universidade Federal de Goiás, Cx. Postal 131, 74001-970, Goiânia, Goiás, Brasil. *Autor para correspondência. E-mail: laerte@iesa.ufg.br

RESUMO. Levantamentos sistemáticos da cobertura vegetal no Brasil, à escala de semidetalhe, incluem aqueles realizados no âmbito dos projetos Radam e Radambrasil, no período de 1971 a 1977, tendo por base imagens de radar aerotransportadas e, mais recentemente, os mapeamentos, com base em imagens Landsat 7 ETM+, dos remanescentes da cobertura vegetal nos biomas brasileiros (projeto MMA/PROBIO), concluídos em 2006. Nestes pouco mais de 30 anos, muitas mudanças ocorreram, tanto na cobertura vegetal do país quanto no sensoriamento remoto orbital. Neste artigo de revisão, apresentamos, do ponto de vista conceitual e tecnológico, a evolução e o estado-da-arte dos sistemas sensores e discutimos algumas das técnicas mais utilizadas para decodificar (ex. em parâmetros biofísicos etc.) e classificar a resposta espectral da vegetação. Da mesma forma, apresentamos as principais iniciativas, históricas ou em curso, voltadas ao monitoramento da cobertura vegetal dos biomas brasileiros.
Palavras-chave: sensoriamento remoto da vegetação, sistemas sensores, monitoramento dos biomas brasileiros.

ABSTRACT. Remote sensing of vegetation: evolution and state of the art. Systematic surveys of the vegetative cover in Brazil include the semi-detailed mappings conducted within the scope of the Radam and Radambrasil projects, between 1971 and 1977, based on side-looking airborne radar images, and more recently, the assessments, based on Landsat 7 ETM+ imagery, of the remnant vegetation cover of the Brazilian biomes (MMA/PROBIO), finished in 2006. In a little more than 30 years, many changes have occurred, both in vegetation cover as well as in orbital remote sensing. In this review article, we discuss, from a conceptual and technological perspective, the evolution and the state of the art of imager sensors, as well as some of the enhancement techniques utilized for decoding (e.g., in biophysical parameters, etc.) and classifying the spectral response of vegetation. Likewise, we present the main current (pioneering) initiatives for land cover monitoring of the Brazilian biomes.
Key words: remote sensing vegetation, sensor systems, monitoring brazilian biomes.

Introdução O primeiro grande levantamento sistemático da cobertura vegetal no Brasil remonta à década de 1970, quando, com o intuito de conhecer principalmente a cartografia, a vegetação, a geologia e a natureza dos solos da Amazônia e do Nordeste brasileiros, teve início o Projeto Radam (junho de 1971), baseado em um método pouco convencional à época: o imageamento por radar de visada lateral (Side-Looking Airborne Radar – SLAR). Em julho de 1975, a responsabilidade pelo mapeamento integrado dos recursos naturais passou a ser do projeto Radambrasil, que expandiu o levantamento de radar para o restante do território nacional (Allevato, 1979). Em 2006, o Ministério do Meio Ambiente, no âmbito do Projeto de Conservação e Utilização Sustentável da Diversidade Biológica Brasileira (PROBIO), concluiu o mapeamento (à escala de
Acta Sci. Biol. Sci.

1:250.000) dos remanescentes da cobertura vegetal nos biomas brasileiros (Floresta Amazônica, Mata Atlântica, Cerrado, Pantanal, Caatinga e Campos Sulinos), tendo por base imagens Landsat ETM+, obtidas em 2001 e 2002, e analisadas por métodos de classificação automática e interpretação visual. Muitas mudanças separam estes dois grandes levantamentos que, até o momento, são as principais iniciativas voltadas a uma gestão territorial mais integrada, eficiente e sustentável. Em nível de paisagem, há muito menos cobertura vegetal – o Cerrado, por exemplo, foi reduzido a aproximadamente 55% da sua cobertura vegetal original. Quanto ao sensoriamento remoto, este passou a ser predominantemente orbital e, na era da internet, acessível a qualquer pessoa. Em fato, passou a ser um pouco mais Brasileiro, com o lançamento, em outubro de 1999, do China-Brazil Earth Resources Satellite
Maringá, v. 30, n. 4, p. 379-390, 2008

3 Esta privatização ocorreu durante o segundo governo Reagan. bem como os vários dados e resultados obtidos pelos autores ao longo dos últimos anos. por exemplo. Woodcock et al. monitoramento da exploração madeireira na Amazônia (Martins e Souza Filho et al. sem precedentes em sensores de uso geral. como resolução espacial média (~30 m). Material e métodos Este artigo tem como eixo norteador o uso das imagens orbitais em estudos da cobertura vegetal. em 2007 foi lançado o CBERS-2B (cuja expectativa é de que seja seguido dos CBERS 3 e 4). não alcançou a órbita necessária e nunca entrou em operação. que tornou possível uma cena Landsat custar hoje em torno de 400 dólares. a evolução do sensoriamento remoto. vermelho. o programa Landsat é responsabilidade do United States Geological Survey (USGS). em abril de 1999. entre estas. 2005).. o qual. 2008 . tendo sido revogada no início do governo Clinton. com resolução espacial de 2. (CBERS 1). aproximadamente. trouxe poucas. avanços e perspectivas O início do sensoriamento remoto orbital remonta aos primeiros voos espaciais tripulados na década de 1960 e ao lançamento.380 Ferreira et al. quando o programa Landsat foi privatizado e passou a ser operado pela Earth Observation Satellite Company (Eosat). o JERS-1 (Japan Earth Resource Satellite. 2 O Landsat 6. do Earth Resource Technological Satellites (ERTS-1). lançado em agosto de 1995). 10% do seu valor em 1985. estas imagens. 2005. O CBERS2. penetração no dossel vegetal. o Land Remote Sensing Policy Act. ou. uma banda pancromática e bandas no azul. com duas bandas – vermelho e infravermelho – de 260 m de resolução). (2) técnicas de realce da resposta espectral da vegetação e (3) o monitoramento de desmatamentos. além dos sensores CCD e WFI (Wide Field Imager. em outubro de 1992. entra em sua segunda geração. 30. conforme os seguintes aspectos principais: (1) a evolução dos sistemas sensores. cujas características. a evolução do sensoriamento remoto da vegetação. como. n. marcada por sensores cada vez mais confiáveis e temáticos. em função de problemas técnicos. Desde maio de 2003. com 20 m de resolução. 2005) e mapeamento de fitofisionomias em áreas de Cerrado (Bezerra et al. Entre estes. O propósito deste artigo é o de discutir. tornaram-se um padrão de referência para sensores ópticos até os dias atuais. O sensor Enhanced Thematic Mapper (ETM+). mais recentemente. 2006). é certamente o programa mais bem-sucedido de sensoriamento remoto para fins de mapeamento e monitoramento sistemático da superfície terrestre (Salovaara et al. monitoramento da produção agrícola em Goiás com fins de arrecadação fiscal (Barbalho et al. A principal inovação é o sensor TM (Thematic Mapper). os sensores de resolução espacial submétrica.. infravermelho próximo (Epiphanio. Em linhas gerais.. o ALOS (Advanced Land Advanced Spaceborne Thermal Emission and Reflection Radiometer. que aprovou. mas importantes inovações em relação ao sensor TM. Sci. Em função do sucesso obtido com esses dois primeiros satélites. munido de três sensores concebidos para o monitoramento da cobertura vegetal em diferentes escalas. uma banda pancromática de 15 m e a preocupação. p. posteriormente denominado Landsat 1. 379-390. 1 Maringá. 4. verde. em julho de 1982 e março de 1984. O material de análise é a vasta literatura disponível. 2001). também traz o sensor HRC (High Resolution Camera).e. lançado em março de 2002) e. há três anos em órbita. principalmente aquela publicada em periódicos indexados e arbitrados. 2003). cuja série. o Envisat (Environmental Satellite.. com base em uma revisão sistemática. nestes pouco mais de 30 anos. tem sido utilizado nas mais diversas aplicações. tanto nos seus aspectos de desenvolvimento e aplicação (remote sensing applications) quanto científicos (remote sensing science). atual Space Imaging3. 2007). deu-se por quatro caminhos principais: o surgimento dos sensores orbitais de micro-ondas. Resultados Resultados e discussão discussão Sistemas sensores: concepções. hoje no seu sétimo satélite. Com o lançamento dos Landsats 4 e 5. A importância do programa Landsat foi reconhecida pelo Congresso Americano. bem como aquelas obtidas por meio de outros satélites com sistemas de micro-ondas. o qual autorizou o desenvolvimento do Landsat 72 e uma nova política de distribuição de dados. o ERS-2 (lançado em abril de 1995).. como é o caso do sensor Aster1 e até do próprio programa CBERS. infravermelho próximo e infravermelho de ondas curtas. bandas distribuídas nas regiões do visível. 24% das cenas ETM+ (principalmente em direção às bordas) apresentam falhas de recobrimento. Em função das características da radiação de micro-ondas (i. As primeiras imagens de radar orbitais datam de 1991.. como o Radarsat 1 (Radar Satellite da Agência Espacial Canadense. respectivamente. os sensores hiperespectrais e os sensores de alta resolução temporal. destaca-se o CCD (Charge Coupled Device). Desde então. da Agência Espacial Europeia. v. ver Souza Filho. lançado a bordo do Landsat 7. lançado em outubro de 1993. lançado em fevereiro de 1992). resolução temporal de 16 dias e imagens de 8 bits. Biol. com o lançamento do ERS-1 (European Remote Sensing). o programa Landsat Acta Sci.5 m. desenvolvido pela Agência Espacial Japonesa e lançado a bordo do satélite americano Terra (para maiores informações. em 1972. sensibilidade à forma e estrutura do dossel e alta sensibilidade às variações de umidade). com a qualidade e calibração dos dados.

a Digital Globe (atual proprietária do Quickbird) lançou o WorldView I. em novembro de 2000. em 1984. Estudos preliminares também demonstram que estas imagens podem ser úteis na discriminação de tipos de fisionomias de Cerrado. já são nove satélites em operação com sensores de resolução espacial > 2. uma melhor discriminação destas fisionomias pode ser obtida a partir da integração de dados ópticos e de radar (Sano et al.Sensoriamento remoto da vegetação 381 Observing System. 2001).. destacam-se os estudos sobre os efeitos de secas prolongadas na capacidade da floresta Amazônica de reter CO2 (Asner et al. Agora em 2008. área foliar.. fazendo-a mais ou menos verde) (Ponzoni. a grande sensação do sensoriamento remoto comercial. 2008 .) (Goodenough et al. Da mesma forma. com resolução de 50 cm e período de revisita de.. com 10 m. Enquanto nas imagens de radar o que importa são as características físicas e macroscópicas da superfície (principalmente rugosidade. geradas a partir da reflexão da radiação eletromagnética no visível. cuja organização em diferentes estratos (herbáceo. com resolução de 6. textura. com 80 m de resolução. foi o sensor Chris (Compact High Resolution Imaging Spectrometer). p.. altura do dossel e mapeamento da vegetação em áreas alagadas (Kasischke et al. n. 379-390. 2004) e o monitoramento de variedades de cana-de-açúcar (Galvão et al. 2003). determinado pela composição atômico-molecular dos materiais (ex. infravermelho próximo e pancromático) (Weir et al. 2005). ainda muito recentes e restritas a aplicações científicas ou militares. e atualmente a NASA está avaliando a possibilidade de lançar o sensor Flora. estão as imagens ópticas... ainda temos que optar entre alta resolução espectral ou espacial (o Hyperion. infra-vermelho próximo e infravermelho de ondas curtas. Em um dos extremos deste espectro óptico – radar. tem resolução de 30 m). lançado em janeiro de 2006). 2002.5 m. as imagens de alta resolução espacial se tornaram. Ao todo.. nitrogênio e água) e monitoramento marinho. Biol. da Agência Espacial Japonesa. lançada em outubro de 2001 pela Agência Espacial Europeia. 4. foi lançado a bordo do satélite Earth Observer 1. 2005a). 2001). com o lançamento do satélite Ikonos (Space Imaging). banda L) (Sano et al. com vistas ao mapeamento e monitoramento agrícola. Almeida Filho et al. no sensoriamento óptico. determinação de bioindicadores (clorofila. 2007). Não por outro motivo. cujo objetivo é disponibilizar informações de alta resolução espacial (45 m) da vegetação global quanto a composição. Outra experiência hiperespectral. aproximadamente. Do sensor MSS (Multispectral Scanner System). como aqueles desenvolvidos no âmbito do Experimento de Grande Escala da Biosfera-Atmosfera na Amazônia (Asner et al. 2005). com 19 bandas na região do visível e infravermelho próximo (400 a 1. a Agência Espacial Canadense planejao lançamento do sensor hiperespectral HERO (Hyperspectral Earth Resources Observer) com vistas a aplicações em inventário florestal (identificação de espécies etc.050 nm). por exemplo. nutrientes etc. Sci. um consórcio entre o Governo Alemão e a iniciativa privada lançou uma constelação de cinco microssatélites (Rapid Eye) que começa a fornecer imagens diárias para qualquer localidade na superfície terrestre. o conjunto de respostas espectrais é resultado de interações microscópicas. resultado do retroespalhamento da radiação eletromagnética de comprimentos longos (1 mm a 1 m). Pelos mesmos Maringá. 2005. a partir de setembro de 1999. Da mesma forma.7 dias. ainda de caráter experimental e pouco difundidos. têm sido principalmente utilizadas para obtenção de parâmetros como biomassa. principalmente aquela de comprimentos mais longos (ex. processos e Acta Sci.500 mm. É interessante observar a existência de uma banda red-edge (a primeira em sensores multiespectrais). 2005). 2005). variação no teor de clorofila de uma folha. O futuro do imageamento hiperspectral é bastante promissor... utilizado com sucesso em estimativas de produtividade agrícola e medidas de eficiência fotossintética (Sabrina et al. estrutura e umidade).). chegamos à impressionante resolução de 0.. estas têm sido preferencialmente utilizadas em estudos bastante específicos. verde. Em função de limitações físicas e tecnológicas.6 m do satélite Quickbird! Ao contrário dos sensores hiperespectrais. costeiro e de águas continentais (aporte de sedimentos. sendo que em 2007. 2004). arbustivo e arbóreo) é bastante favorável à interação com a radiação de microondas. 30. a série Rapid Eye é principalmente voltada para o rico mercado da agricultura de precisão. Contrapondo-se às imagens de radar. o Hyperion. Smith et al. Hurtt et al. cujo estreito intervalo espectral compreendendo a transição vermelho/infravermelho é particularmente útil na detecção de estresse foliar.5 m e seis bandas espectrais (azul. situam-se as imagens orbitais hiperespectrais. 1. red-edge. cujo primeiro sensor orbital.. Pelos elevados custos destas imagens (tanto para aquisição quanto para processamento). com 220 bandas no intervalo de 400 a 2. produtividade de ecossistemas e resposta destes às variações climáticas e mudanças na cobertura da terra (Asner et al. a bordo do Landsat 1. v.. vermelho. passando pelo sensor HRV (High Resolution Visible Imaging System) do satélite Francês SPOT (Satellite pour l'Observation de la Terre). 1997.. E o desenvolvimento de sensores com resoluções espaciais cada vez maiores tem sido igualmente impressionante. Entre os vários resultados obtidos com este sensor.

Biol. 2006). de elevada acuidade e precisão radiométrica e espacial. Especificamente. Para uma lista completa (e descrição) dos produtos MODIS. Mapeamentos de grandes extensões territoriais e no domínio temporal (i. e a bordo do satélite Aqua. cujo objetivo é Maringá. hiperespectrais ou de resolução métrica/submétrica está restrito a estudos localizados e sem continuidade temporal. 2002). por serem de difícil percepção. Um exemplo nesse sentido é o Landsat Data Continuity Mission (LDCM). carro chefe do Earth Observing System (EOS – NASA). Em âmbito regional. Os dados Modis. um esforço considerável também tem sido dedicado ao desenvolvimento dos chamados algoritmos de translação. Da mesma forma. 30. só se tornaram possíveis a partir dos satélites NOAA – AVHRR (Advanced Very High Resolution Radiometer).. 1996) possibilitaram. presença de pragas etc. cujas séries temporais de longa duração (Rodenick et al. ao mesmo tempo que traz importantes avanços como. . acessar <http://edcdaac. semanais. Este sensor. em maio de 2002. 1998). diários. em dezembro de 1999. com um período de crescimento mais longo (Myneni et al. deficiência de nutrientes. 4 2003). por exemplo. por outro lado.. 1997). refletindo radiação de comprimentos de onda entre o verde e o vermelho. 2008 Acta Sci. e continuamente calibrados. Exemplo de sinergismo empregado no processo de atualização do mapa de classes de cobertura da terra no Parque Nacional de Brasília. o qual trará ainda uma nova banda amarela (haja vista que folhas amareladas. A profusão e a diversidade de tipos de sensores têm sido acompanhadas de maior sinergismo no uso dos dados (Figura 1).usgs. p. quinzenais ou mensais). comprometem em muito a qualidade das imagens). e uma banda entre 1. em 2009..e. maior número de bandas. garantirão. motivos. 4. v. combina características dos sensores AVHRR e do Landsat TM. a continuidade dos dados Modis (Townshend e Justice. por meio do uso das respectivas bandas pancromáticas. são distribuídos gratuitamente na forma de diferentes produtos4. e NPOESS (National Polar-Orbiting Operational Environmental Satellite System). n. em julho de 2011.360 e 1. também tem sido comum o uso combinado de imagens Landsat e Modis. em 2010.e.390 nm para detecção de nuvens Cirrus (que. diz respeito ao sensor Modis (Moderate Resolution Imaging Spectrorradiometer). reamostradas para 15 m e 1 m. acesso e aplicações das imagens disponíveis. Sci. com maior resolução espectral e mais bem posicionadas (menos sujeitas à contaminação atmosférica e mais sensíveis à vegetação fotossinteticamente ativa) e resolução espacial de 250. lançado a bordo do satélite Terra. os quais também têm direcionado o desenvolvimento de novos instrumentos que precisam conciliar inovações com a garantia de continuidade no fornecimento de dados (Bryant et al. pelos efeitos de um possível aquecimento global. 379-390. que tem por objetivo lançar.382 Ferreira et al. i. importantes para o entendimento e acompanhamento de fenômenos naturais e antrópicos. Com poucas exceções.gov/modis/dataproducts.. constatar que a vegetação das altas latitudes do Hemisfério Norte. por meio do instrumento VIIRS (Visible Infrared Imager/Radiometer Suite). Ainda com respeito à continuidade de dados e constituição de séries históricas de longa duração. com lançamento previsto para 2009. o Landsat 8. uma banda red-edge também estará presente no WorldView II.) e uma banda costeira (azul) para monitoramento da qualidade da água (Stoney. o lancamento dos satélites NPP (NPOESS Preparatory Project). cujo sensor OLI (Operational Land Imager) trará apenas duas inovações em relação ao ETM+: uma banda azul adicional (433 a 453 nm). Brejo Mata de Interflúvio Reflorestamento Área construída Corpos d´água Mata de Galeria Cerrado sensu stricto Campo Cerrado Campo Sujo Campo Limpo Campo Limpo Úmido Solo Exposto Figura 1. Outro importante marco no monitoramento da vegetação em escala global.asp>. está apresentando significativas variações fenológicas. o uso de imagens de radar. bem como de novos paradigmas quanto a processamento.. por exemplo.. denotam a ocorrência de estresse hídrico. e do próprio sensoriamento remoto quantitativo. para monitoramento costeiro e de aerossóis. entre os quais se destaca o produto MOD13 (índices de vegetação). 500 e 1000 m (Justice et al. principalmente os de abrangência global. foram utilizadas imagens ETM+ (30 m) e Ikonos (4 m).

Realce espectral: decodificando e classificando respostas Imagens de satélites são. Huete et al. por outro lado. 4. e mais recentemente os índices de vegetação Modis. 2002). tem exigido atenção especial quanto ao armazenamento e à recuperação de dados. 500 e 1. 1991). por meio de uma parceria com a NASA. 2000). 2003). Ferreira et al.e. está disponibilizando imagens de aplicações científicas. transferência de sedimentos etc. e os chamados modelos de mistura espectral que. Miura et al.. 2. água etc..). um verdadeiro consórcio transnacional (65 países até o momento..earthobservations. produzidos a cada 16 dias com resoluções de 250. bem como de importantes fatores abióticos. O NDVI é também seriamente afetado pela geometria de aquisição (Sol-alvo-sensor)... incluindo o Brasil) com o objetivo de buscar soluções conjuntas para problemas comuns (ex. (Birk et al. provavelmente. minimizar as principais fontes de ruídos que afetam a resposta da vegetação: (1) variações na irradiância solar. séries históricas Landsat e AVHRR etc. AVHRR e Modis) possam ser comparados de forma operacional e conforme determinados intervalos de confiança (Miura et al. No Brasil.. foi criado o Geoss (Global Earth Observing System of Systems)5. Sci. em fato.). Recentemente. 2008 Para maiores informações acessar <http://www. novos conjuntos de dados) e análises estatísticas. Um dos índices de vegetação mais utilizados tem sido o chamado índice de vegetação da diferença normalizada (NDVI). duas transformações espectrais são particularmente importantes: os índices de vegetação.. 1998.Sensoriamento remoto da vegetação 383 Índices de vegetação fazer com que dados de diferentes instrumentos sensores (ex.org/index. largamente utilizados como intermediários na obtenção de parâmetros biofísicos e no acompanhamento da dinâmica sazonal e fenológica. (2) efeitos atmosféricos. 2003). efeitos atmosféricos e substrato (ex. 1995. os produtos MOD13 (índices de vegetação). 5 Os índices de vegetação são. Sua simplicidade e sua relativa alta sensibilidade à densidade da cobertura vegetal tornaram possíveis comparações espaciais e temporais da atividade fotossintética terrestre. Acta Sci. Biol. desmatamento de florestas tropicais). e (5) efeitos da composição e estrutura do dossel. i. tendo por linhas de ação a disponibilidade e compartilhamento de dados e o aumento na capacidade de uso destes (fortalecimento de comunidades de usuários etc. 2006) (Figura 2). um conjunto de dados em formato matricial. Embora extremamente útil na estimativa de parâmetros biofísicos da vegetação. distribuídos ao longo de 33 anos. bem como na suposição de que a utilização de duas ou mais bandas espectrais pode. 1991. (3) contribuições da vegetação não-fotossinteticamente ativa. fenológicos e biofísicos da vegetação em escala global (Wang et al. a maneira mais simples e eficiente de se realçar o sinal verde ao mesmo tempo que minimizam as variações na irradiância solar e os efeitos do substrato do dossel vegetal (Jackson e Huete. catástrofes naturais. 1994). o National Satellite Land Remote Sensing Data Archive já acumula. Moody e Strahler. (1997) propuseram o índice de vegetação realçado (EVI). solo) (Goward et al. trouxe o sensoriamento remoto para dentro de nossas casas e agora. como índices de vegetação. Ferreira e Huete. aquecimento global. entre governo e iniciativa privada etc. Maringá. A lógica por trás dos índices de vegetação baseia-se no fato de que a energia refletida no vermelho e infravermelho próximo é diretamente relacionada à atividade fotossintética da vegetação. 2006). o qual. a estrutura do dossel vegetal. p.html>. 2004. 2006). Só no âmbito do programa Landsat. Toda esta revolução tem sido também caracterizada (e tornada possível) por uma maior cooperação entre países. No âmbito do sensor Modis. 379-390. No caso de estudos envolvendo a vegetação. n. vegetação. o NDVI apresenta problemas de saturação em áreas densamente vegetadas e não-linearidade nas relações com o índice de área foliar (LAI) e com a fração de radiação fotossinteticamente absorvida (fPAR).000 m. é menos sensível às contaminações do substrato e da atmosfera (Liu e Huete. cujos vetores x. Também emblemático é o próprio Google Earth que. 2006) e bioma Cerrado (ex. ao decomporem o sinal do pixel em seus vários constituintes (solos. incluem tanto a continuidade do NDVI quanto o EVI (Huete et al. v. Miura et al. comparativamente ao NDVI. facilitam o mapeamento de classes e variações fitofisionômicas. Huete et al. substancialmente. têm sido largamente empregados no monitoramento da dinâmica sazonal e fenologia da cobertura vegetal na floresta Amazônica (ex. solo). em pouco mais de um ano... controlando estas distribuições (ex. Nesse sentido. bem como o monitoramento sazonal.). . (4) contribuições do substrato (ex.. (Butler. os índices de vegetação em geral. A manutenção dessas séries históricas. delimitação de áreas sujeitas a inundação. 2001) e responde melhor às variações fisionômicas e estruturais no dossel (Gao et al. 30. y (localização) e z (valores radiométricos) são passíveis das mais variadas transformações algébricas para fins de realce espectral e/ou espacial (com a geração ou não de novos vetores.8 pentabytes de dados. interanual e variações de longo prazo dos parâmetros estruturais..

Dessa forma. solo e água (ou sombra). 2005). o Modelo Linear de Mistura Espectral vem sendo aplicado com sucesso no mapeamento de remanescentes vegetais (Asner e Lobell. em menor ou maior proporção. A técnica garante que os pixels sejam realçados de acordo com a maior ou menor proporção de um determinado alvo abordado pelo modelo. p. assim como as diferenças de iluminação na superfície.. de alvos contendo cobertura vegetal. na verdade de “desmistura”. Schowengerdt. Biol. Normalmente. Shimabukuro et al. a variação na geometria de aquisição dos dados pelo sensor.. 1999).. Dinâmica sazonal do bioma Cerrado retratada por meio das imagens Modis índices de vegetação (MOD13Q1 NDVI). os quais podem ser menores ou maiores do que o limite espacial do pixel. 1997. O MLME se baseia no pressuposto de que um espectro misturado pode ser modelado pela combinação linear de espectros puros. Modelo linear de mistura mistura espectral Independentemente das resoluções espaciais dos sensores remotos. Ferreira et al. Sci. tais como a própria dimensão dos alvos na superfície terrestre. 2000. Quickbird). 2003. os pixels de uma imagem de satélite tendem a apresentar uma mistura espectral. Frente a este problema de mistura espectral.. 1991. Landsat) ou 250 m (ex. Para o Cerrado. permitindo que uma imagem de satélite seja analisada numa escala de subpixel (Schowengerdt. 30. 1998). um pixel apresenta uma mistura. as proporções destes podem ser estimadas (de forma individual) por meio da geração das chamadas Imagens Fração (Shimabukuro e Smith. 379-390. 1995). 2004) e para responder aos parâmetros biofísicos (ex. 1998) (Figura 3). Schweik e Green.. 2008 . Ratana et al. Fatores espúrios à obtenção das imagens pelo sensor também contribuem para esta impureza. (sombra) (Shimabukuro e Smith. e não necessariamente identificados como pertencentes a determinada classe temática. Esta ausência de pixels puros no sensoriamento remoto é provocada por uma série de fatores. pelos aspectos topográficos da região Acta Sci. Ferreira et al. para qualquer imagem. uma técnica bastante utilizada é o Modelo Linear de Mistura Espectral (MLME) ou Linear Spectral Unmixing. Rogan et al. visa isolar a contribuição espectral de cada alvo presente no pixel. Nos últimos anos. conhecidos por endmembers (Roberts et al.384 Ferreira et al. n. Modis). resultado de uma combinação da reflectância dos alvos naturais ou artificiais contidos neste (dois ou mais alvos).. em particular a contaminação atmosférica. bem como no acompanhamento das mudanças climáticas globais Maringá. 2002). Tal modelo. v. Figura 2. 4. 30 m (ex. 1997. sejam estas de 60 cm (ex. vários estudos também demonstram a utilidade dos índices de vegetação Modis para o mapeamento das distintas fisionomias existentes (ex. e sendo as respostas espectrais dos componentes puros conhecidas.

em função da própria mistura espectral presente nos pixels e pela grande semelhança espectral de alguns alvos. No modelo específico. Valores de pixels próximos a 1 (ver gradiente 0-1) indicam a máxima presença do alvo na respectiva Fração. (2003) a uma imagem Hyperion. solo e água (ou sombra). vegetação fotossinteticamente ativa (verde) e solo. na paisagem. Da mesma forma. tendo por base a hipótese de que todas as classes de cobertura do solo em ecossistemas savânicos resultam da combinação.. o MLME também é capaz de auxiliar na estimativa de produção de culturas agrícolas. p. No Brasil. busca-se a identificação. de alvos pouco perceptíveis ou diferenciáveis aos métodos automáticos de classificação. n. 2008 . dois grupos se destacam: os gerais e os específicos. e o modelo aplicado por Miura et al. em diferentes proporções. como a vegetação fotossinteticamente ativa (verde). normalmente mais simples. 2006). v. esta técnica tem auxiliado no monitoramento de queimadas e desmatamentos. 1998). Maringá. milho e soja (Lobell e Asner. 4..Sensoriamento remoto da vegetação 385 (Piwowar et al. mais complexo. Como exemplo de modelos lineares de mistura espectral mais voltados para o mapeamento e monitoramento da vegetação. 379-390. Biol. 2004. Campo Sujo e Cerrado sensu stricto (Figura 5). Acta Sci. No modelo geral. Figura 3. dos endmembers vegetação nãofotossinteticamente ativa (seca). obtidos por meio da aplicação do MLME em cena Landsat ETM+ do Parque Nacional de Brasília (PNB). Bannari et al. o qual assume que as fitofisionomias do bioma Cerrado podem ser modeladas a partir das classes Campo Limpo. 2000). Sci. sobretudo na Amazônia (Souza e Barreto. o solo exposto e os corpos hídricos (Figura 4). comuns a qualquer imagem de satélite. Exemplos de Imagens Fração para os alvos vegetação. Exemplos nesse sentido incluem o modelo proposto por Ferreira et al. 30. (2007a). busca-se a identificação de alvos básicos na natureza. tais como algodão. e vice-versa.

386 Ferreira et al. Figura 4. Acta Sci. Modificada de Ferreira et al. Composição com as imagens fração vegetação verde. Campo Sujo e Cerrado sensu stricto comparada ao mapa do Parque Nacional de Brasília (PNB). p. solo e água comparada ao mapa do Parque Nacional de Brasília (PNB). Fonte: Ferreira et al. Maringá. Figura 5. 2008 . 30. A legenda correspondente ao gradiente de proporção de vegetação indica as classes Campo Limpo (CL). (2007a). 379-390. Campo Cerrado (CC) e Cerrado sensu stricto (CSS). Campo Sujo (CS). (2007a). v. Biol. n. 4. Sci. Composição com as Imagens Fração Campo Limpo.

em função dos problemas apresentados pelo sensor ETM+ (Landsat 7). Em 2003. com resolução de 250 m. 1997). No mesmo ano. radiométrica e espacialmente confiáveis. a partir de imagens Landsat 7 ETM+ transformadas em componentes de vegetação fotossinteticamente ativa. deve-se também ressaltar os sistemas de informações geográficas (SIGs). 2001 e 2002 (Asner et al. Junto com a facilidade na obtenção de dados.br/deter/>. (no prelo) constataram a possibilidade de utilizar as imagens Modis NDVI para monitorar o grau de 6 fragmentação da paisagem Amazônica. Dados inéditos.) e dos dados (abrangendo uma ampla faixa do espectro. os outros biomas brasileiros também estão começando a ser monitorados de forma sistemática quanto à ocorrência de desmatamentos. 1980). 1993). Em 1997. por exemplo. à escala (e unidades) da paisagem.. no âmbito do Programa de Cálculo do Desflorestamento da Amazônia (Prodes). constatando uma área desmatada de. já disponibilizou. quando o Instituto Nacional de Estudos Espaciais (INPE) juntamente com o então Instituto Brasileiro de Desenvolvimento Florestal (IBDF) realizaram uma avaliação dos desmatamentos ocorridos na Floresta Amazônica. destaca-se o Deter (Detecção em Tempo Real). 1998). Outro marco importante quanto ao uso de técnicas de realce digital e processamento automático de imagens diz respeito ao sistema CLAS (Carnegie Landsat Analysis System). 587.000. 2005b). 2008 . até esta data. algo impressionante em um país em que apenas 75% do território é mapeado à escala de 1:100. acesse <http://www. possibilitou mapear ocorrências de desmatamento seletivo na Amazônia para os anos de 2000. Conclusão A revolução representada pelo Google Earth. igualmente.324 km2 de desmatamentos (Skole e Tucker. em diferentes resoluções espectrais e espaciais) para entendermos e quantificarmos os mais variados fenômenos afetos e afetados pela cobertura vegetal.. dos meios (técnicas de realce mais sofisticadas.br/ lapig>.980 km2 de área desmatada no período de outubro de 2003 a outubro de 20077 (Ferreira et al.000 imagens CBERS. das 7 Para maiores informações acessar <http://www. via modelo linear de mistura espectral. O SIAD se baseia nos índices de vegetação Modis (MOD13Q1). o que permite que os desmatamentos detectados sejam analisados quanto a suas causas. v. A análise integrada de dados de sensoriamento remoto e outras informações temáticas têm possibilitado. como nunca antes. n. desenvolvido pelo INPE e baseado na interpretação de imagens fração sombra. entre outros. Merece destaque. um total de 230. por meio da interpretação visual de imagens MSS (Landsat 3). cujos impactos sobre processos ecológicos e qualidade dos habitats podem ser tão nocivos quanto os próprios desmatamentos (Laurance et al. Entre estes.. Maringá. aproximadamente. Acta Sci. o INPE passa a utilizar o processo de interpretação auxiliada por computador (Shimabukuro et al. passaram a ser utilizadas imagens obtidas pelo sensor CCD (CBERS-2) e Landsat 5.727 km2 (INPE. obtidas a partir da transformação. começaram a ser utilizadas imagens TM (Landsat 5) obtidas para o ano de 1988. O INPE. Em 2000. Haja vista a facilidade de aquisição e processamento de imagens.. tem sido acompanhada (e precedida) de outras iniciativas igualmente importantes. produzidos a cada 16 dias. p. surgem novos desafios e possibilidades. cujos avanços se deram de forma concomitante e estreita à evolução do sensoriamento remoto orbital. aproximadamente.obt. Ferreira et al. destaca-se o Cerrado. Nesse sentido. de imagens de reflectância Modis diárias (produto MOD09)6. para o qual o SIAD apontou aproximadamente 18. vegetação não-fotossintética e solo exposto. dados do Prodes indicaram uma área desmatada total de.ufg. Para maiores informações e dados. Biol.. que. gratuitamente. Ainda no âmbito do SIAD. 379-390. também se iniciou a construção de sistemas para o monitoramento da Amazônia a partir das imagens de resolução moderada obtidas pelo sensor MODIS. tendo sido estimado.inpe. desenvolvido a partir de uma parceria entre o Sistema de Proteção da Amazônia (Sipam) e a Universidade Federal de Goiás (UFG). gerados pelo Laboratório de Processamento de Imagens e Geoprocessamento. mais de 300. 152. Nesse sentido. 2000). 2008. 2007b e c). melhor representação. Sci. 4.. Dispomos. 30.Sensoriamento remoto da vegetação Monitoramento dos biomas brasileiros: iniciativas pioneiras e estágio atual 387 As primeiras iniciativas para o monitoramento sistemático da cobertura vegetal datam do início da década de 80. o SIAD (Sistema Integrado de Alerta de Desmatamentos). impactos e tendências (Ferreira et al. A partir de 1993. Outra característica importante do SIAD diz respeito ao fato deste ter sido desenvolvido sobre uma plataforma de sistema de informações geográficas. que em pouco mais de um ano já foi acessado por mais de 200 milhões de pessoas e tornou as imagens de sensoriamento remoto um produto de massa.. 2007d). Ferreira et al. novos algoritmos e rotinas mais otimizadas etc.200 km2 até 1978 (Tardin et al.

2005. BUTLER.. n. Detecting deforestation with multitemporal L-band SAR imagery: a case study in western Brazilian Amazonia. Seasonal landscape and spectral vegetation index dynamics in the Brazilian Cerrado: an analysis within the Large-Scale Biosphere-Atmosphere Experiment in Amazonia (LBA). Acta Sci. Remote Sens. p. v. et al. L. New York.. p. B. et al. et al. Assessing the seasonal dynamics of the Brazilian Cerrado vegetation through the use of spatial vegetation indices. Basingstoke. FERREIRA.E. Washington. 171-185. G. Science. . as unidades de relevo (e processos geomorfológicos) e todas as peculiaridades do Quaternário que moldaram as paisagens atuais devem ser considerados. Washington. J. p. 2004. v. 16. Enfim. FERREIRA. Int. Rio de Janeiro. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO. 7078.. que vão muito além das variáveis edáficas e climáticas dos modelos tradicionais. Government programs for research and operational uses of commercial remote sensing data.S. n. 19. v. 99-112. Land Use Impacts on the Water Resources of the Cerrado Biome (NASA/LULCC). 2005. New York. et al. Remote Sens. Biotropica.000 hectares. 10. 483-492.P. Acad. R.C. HUETE. 25. 2007.G. 1204-1214.P. J. FERREIRA. et al. p. 104. et al.. 2000. A. p. n. R. Nature.R. The Flora mission for ecosystem composition. n. Remote Sens. p. Natl. n. Geofis. Washington.G.P. Bras. v. et al. 6. EPIPHANIO. 2. p. n. 68-71.. M. 2. 2004. LOBELL.000. L. G. Rev. v. BEZERRA. D.C. Cartogr. Análise comparativa dos produtos Maringá. 2. 50.. proc. 74. p. n. 2002..388 Ferreira et al. S. tendo por base o mapa de cobertura dos solos para o Estado de Goiás (obtido a partir da classificação e interpretação de imagens Landsat ETM+ para 2001 e 2002 – Sano et al. Rev.G. S. 425-447. A biogeophysical approach for automated SWIR unmixing of soils and vegetation.C. D.N. Environ. 2007. 4. Remote Sens. Sci. U. et al. 25. D. Drought stress and carbon uptake in an Amazon forest measured with spaceborne imaging spectroscopy. Estimating canopy structure in an Amazon forest from laser rangefinder and IKONOS satellite observations. 2006. Agradecimentos Este trabalho se insere no âmbito de várias iniciativas do Laboratório de Processamento de Imagens e Geoprocessamento da Universidade Federal de Goiás (Lapig/IESA/UFG). 379-390. A. ASNER. Remote Sens. p. 56. Referências ALLEVATO.P. L. A. 2008 distribuições e variações fitofisionômicas. New York. 480-482. entre as quais destacamos: Integração de Informações Espaciais para o Planejamento e Gestão Estratégica do Bioma Cerrado (CNPq/Edital Universal. 1. 6. disturbance and productivity. 481939/2004-0). p. Sistema de Reserva Legal ExtraPropriedade no Bioma Cerrado: uma análise preliminar no contexto da bacia hidrográfica. Selective logging in the Brazilian Amazon. et al. v. BIRK. 1. 776-778. Brasil. Vitual globes: the web-wide world. Cartogr. Bras. 3-16.. p. Arid Environ. Bonnet et al.. J. ASNER.4. 129-137. 2006. 2003.. n. p.. métodos de análises e aplicações discutido neste artigo tem criado novas possibilidades de entendimento sobre os controles abióticos que determinam certos padrões e gradientes fisionômicos. v. 25. D. Int. 1979. New York. p. New York. Imagens CBERS para o monitoramento da segunda safra agrícola de 2004 Município de Jataí . p. mais ousados e complexos. v. BRYANT. 310. et al. Estimating and mapping crop residues cover on agricultural lands using hyperspectral and Ikonos data. Data continuity of Earth Observing 1 (EO-1) Advanced Land Imager (ALI) and Landsat TM and ETM. Optical characterization of the Brazilian Savanna physiognomies for improved land cover monitoring of the cerrado biome: preliminary assessments from an airborne campaign over an LBA core site. analisaram a distribuição dos remanescentes no âmbito de bacias hidrográficas de 10. Rev. FERREIRA.. geoprocessamento e cartografia). 1383-1390. Basingstoke. n. n. J. por exemplo. M.. 2005b. 87.000 e 200. p. que expliquem estas paisagens e indiquem cenários evolutivos. o enorme conjunto de dados.S. G. Memória central do projeto Radambrasil. London. São Paulo. Proc. GIM Int. No âmbito destes processos. v. G. 2003. 31-36. 2005a. 58.. S. ASNER. 4.GO.. BONNET. 12. H. 2005. 2006. Sci. A necessidade de novos modelos. Environ. BANNARI. Lemmer. 34. v. n. n. ASNER. 28. et al. v..J. tem encontrado um importante e imprescindível aliado na geomática (ciência relacionada ao sensoriamento remoto. 447459. p. v. São José dos Campos: INPE.. 30. 439. ASNER. Anais. BARBALHO. 534-550. 4. 6039-6044. Environ. 2008). G.. Desempenho do satélite SinoBrasileiro de recursos terrestres CBERS-2 no mapeamento da cobertura da terra no Distrito Federal. certamente o controle litoestrutural. v. Remote Sens. p. 2004. Remote Sens.B. et al.. O primeiro autor deste artigo é bolsista de produtividade do CNPq (1C). (2006). Stanford: Carnegie Institution of Washington. Bras. Goiânia. 1837-1860. Geosci. et al.P. p. 88. 2003. M. v. IEEE Trans.R.. n. Joint China-Brazil remote sensing satellites. Biol. Environ. cujos limites topológicos foram definidos automaticamente a partir de dados topográficos SRTM (Shuttle Radar Topography Mission) via aplicativo ArcGIS / ArcHydro. Rio de Janeiro. 805-809. n.G. et al. 101. Sistema Integrado de Alerta de Desmatamentos para a Amazônia Legal (SIADAM/convênio Censipam – UFG).. n. v.P. v.R. n. 41. London. ALMEIDA FILHO. 5747.

Basingstoke (No prelo). Increased plant growth in the northern high latitudes from 1981 to 1991. et al. W. 2004. HUETE. FERREIRA. v.M. p. M. INPE–Instituto Nacional de Pesquisas Espaciais. n. v. p. HUETE. 1. et al. Cienc. IKONOS imagery for the large scale Acta Sci. et al. n. 13. p. Basingstoke. 389 biosphere-atmosphere experiment in Amazonia (LBA). J. Characteristics of composited AVHRR data and problems in their classification. p. São José dos Campos: INPE. 1998. Geophys. J. 2003. FERREIRA. p. 103. p. Environ. GALVÃO. Int.Q. Washington. 100. p. 2005.D.E. 88. n. n. STRAHLER. Cropland distributions from temporal unmixing of MODIS data. 2008 . n. Basingstoke.C. n. The Moderate Resolution Imaging Spectroradiometer (MODIS): land remote sensing for global change research. 2007b.001-32. 185200. v. A comparison of vegetation indices over a global set of TM images for EOS-MODIS.. 2003. 1991. Remote Sens.. Biomass collapse in Amazonian forest fragments. 251-260. São José dos Campos: INPE. Estimativas de desmatamentos na Amazônia Brasileira. Geophys.. 11. Geosci. n. Optical-biophysical relationships of vegetation spectra without background contamination. Amsterdam. 2. p. n. X. Anais. et al. et al. 94. N. FERREIRA. Sci. 1-4. MYNENI. v. 1998. L. v. Remote Sens. Environ. n. 169-186. Remote Sens. GOWARD. D24.. Environ. MIURA. New York. Remote Sens. M. Washington. Science.. Florianópolis. 3. Earth Interactions. (Org. T.. 4. v. et al. Remote Sens. Prev. p. Sensoriamento remoto e recursos naturais da Amazônia. et al.. 1997. 2585-2589. In: INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM – IGARSS. Remote Sens. n. p. New York.G. Interpreting vegetation indices. Int. GAO. 609-620. 1. D. Basingstoke. J. An empirical investigation of crosssensor relationships of NDVI and red/near-infrared reflectance using EO-1 Hyperion data. Geofis. N. p. (Relatório Interno).B. A. Remote Sens. Environ. 1-16. 2006. v. 2007. Discrimination of sugarcane varieties in Southeastern Brazil with EO-1 Hyperion data.. v. 58. 1998. Int. 412-422.. KASISCHKE. Environ. 2000. A. 2004. FERREIRA. MIURA. 257-277. et al.B. v. An error and sensitivity analysis of atmospheric resistant vegetation indices derived from dark target-based atmospheric correction. 195-207. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise. Amazon rainforests green-up with sunlight in dry season. T.G. FERREIRA. T.E. v. et al. 2003. p. Geosci. et al. 2. 2. R. JACKSON. v. p. v. 3. MIURA. J. Remote Sens. Remote Sens. 28. D. G. 1994.MOD13Q1. 33. FERREIRA..). T. 83. Belo Horizonte. et al.S. 3.. LIU. et al. In: FERREIRA. p.R.. 11. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. New York. economia e sustentabilidade no cerrado. p. Environ... 2. In: SIMPOSIO BRASILEIRO DE SENSORIAMENTO REMOTO. Anchorage. 4. v. 111-127. 1997. 1998-1999. 2002. 1. 47-62. E.C. 1997. 2008. PIWOWAR.. Maringá.. n. D..N. Remote Sens. Environ. LAURANCE.C. 1117-1118. 59. p .C. D. Environ..H.H. Res. 1991. et al. 379-390. 2006. viabilidade ecológica e monitoramento.R. MARTINS E SOUZA FILHO. 284-298. Cobertura vegetal remanescente em Goiás: distribuição. IEEE Trans. Biol. R. 413-429. Discrimination and biophysical characterization of Cerrado physiognomies with EO-1 hyperspectral Hyperion. 2006. v.. n. v. S. New York. 59. 32. 2007a. p. JUSTICE. p. n. New York. 2000. n.Sensoriamento remoto da vegetação MODIS Ecologia para o monitoramento biofísico ambiental do bioma Cerrado. n. Environ.. v. et al. 141-156. 78. Washington. Remote Sens. J.R. 2. p. p. 2004. Goiânia: Editora UFG... G. 74. Nature.R. The use of imaging radars for ecological applications: a review. New York. Deforestation hotspots in the Brazilian Amazon: evidences and causes as assessed from remote sensing and census data. MOODY. MIURA. Temporal mixture analysis of Arctic Sea ice imagery: a new approach for monitoring environmental change.. Res. A. et al. et al. HURTT.. Spectral linear mixture modelling approaches for land cover mapping of tropical savanna areas in Brazil. 440-451. Cult. et al. IEEE Trans. P. GOODENOUGH.. p. 24. n. São Paulo. Med. 5340. H. 33. v. p. p. Environ. 30. Remote Sens. São José dos Campos: INPE. v..E. n. HUETE. New York. A. Remote Sens. v. Remote Sens. 1995. D. Lett. 3. 698-702. HUETE.C. New York. New York. A. n. 223-236. Int. Vegetation detection through smokefilled AVIRIS images: an assessment using MODIS bandpasses. Remote Sens. n. ASNER. New York. 37-41. 1997. 2007d. J. 2. Vet. p. New York. n. New York. Washington. et al. A.F. Remote Sensing of Environment.012..P. LOBELL. 3473-3491. London.. p.R. 1-2. et al. et al. 3. Bras.. New York. 2007c. n.. 2001. v. Desmatamentos no bioma Cerrado: uma análise temporal (2001-2005) com base nos dados MODIS .. 3. p. 11. v.W. 1. et al. 93. v. 17. L06405. Assessing the response of the MODIS vegetation indices to landscape disturbance in the forested areas of the legal Brazilian Amazon. 63. et al. D. 35. p. Remote Sens. 195-213. p. L. v. A. HUETE. Forest information from hyperspectral sensing. v. A encruzilhada socioambiental – biodiversidade. 36. Rev. Anais. et al. 1228-1249. 386. São Paulo. 278... 28. 15. N. v.. Proceedings… Anchorage: IEEE. p. v.C. 2006. et al. Normalized difference vegetation index measurements from the Advanced Very High Resolution Radiometer. 3877-3883. M. In: SIMPOSIO BRASILEIRO DE SENSORIAMENTO REMOTO..457-465. n. 4. n. 523-534.C. An operational deforestation mapping system using MODIS data and spatial context analysis. 1077-1082. D.S.

SMITH. Revista Infogeo. Monitoring large areas for forest change using Landsat: Generalization across space. E. New York. Environ. SKOLE. In: CANADIAN SYMPOSIUM ON REMOTE SENSING. Remote Sens. 535-541. Remote Sens. 379-390. Journal of the Remote Sensing Society of Japan. p. time and Landsat sensors.. economia e sustentabilidade no cerrado. Y. R. TOWNSHEND... Received on July 07. Remote Sens. p. 21. Aster à vista. p. K. C. 3. An alternative approach for detecting and monitoring selectively logged forest in the Amazon. p. 2005. SHIMABUKURO. 15. Amsterdam. v. et al. 2001. et al.. 5. P. Int. 40-63. A.. 67-74. 1-12.. 2001.). 2005. n. J. Washington. n. Pesq. Micro-mini-satellites for affordable EO constellations: rapid-eye & DMC. 30. MADEIRA NETTO. 5. A encruzilhada socioambiental – biodiversidade. 2. v. 2005.O. 2. Mapping Chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models. Frascati. n.. 3. 143-156. J. 83. p. Proceedings. v. v. (Relatório técnico INPE-1649RPE/103). Comput. 5116. JUSTICE. P. 1. et al. 1905-1910. New York. Ottawa: Canadian Aeronautics and Space Institute. 2006. et al. C. 2005. 78. v. 2000.R. 1993. L. 91-106. 2005. SANO. et al..R. v. Earth Interactions. Disponível em: <http://www. p.). 58.. 4. ROBERTS. New York. et al. A comparison of methods for monitoring multitemporal vegetation change using Thematic Mapper imagery. Biol. et al. 1998.J.C. Remote Sens. Subprojeto desmatamento: convênio IBDF/CNPq. 5.. Tropical deforestation and habitat fragmentation in the Amazon: satellite data from 1978 to 1988. p. 1.G. M. 3.M. 80. v. Geosci. SMITH. Int. n.E. 21. Durham. 351-359.. Goiânia: Editora UFG. v. et al. 29. D.. STONEY.X. et al. S. Acesso em: 12 jan. n. Agropecu.. Synthetic aperture radar (L-band) and optical vegetation indices for discriminating the Brazilian savanna physiognomies: a comparative analysis. New York. 157-199. SHIMABUKURO. J. New York. Washington. 2002.M. Brasília: UNB. Remote Sens. v. actions. n. In: ESA CHRIS PROBA WORKSHOP. n. São Paulo. n. Proceedings. 2005. n. 1. ed. 1-15. n. Towards operational monitoring of terrestrial systems by moderateresolution remote sensing. F. SALOVAARA. A. p. From AVHRR-NDVI to MODIS-EVI: advances in vegetation index research. p. Índice de vegetação e modelo linear de mistura espectral no monitoramento da região do Pantanal.M. 1991. Remote Sens. 19. 2002.M. 33 (número especial). SABRINA.. J. 1. 173-179. RODERICK.. 1.C.. p. San Diego: Academic Press.C. Comportamento espectral da vegetação. Earth Interactions.A. D. 260. D. WOODCOCK. RATANA. 3. 1-22. Y. Washington. P. 9. p. v. n. Bras. Acta Sci.. Remote Sens. Y. IEEE Trans. v. 194-203. 1996.. Environ. 1998. n. et al. p. 158-167. and environmental outcomes. p. Analysis of Cerrado physiognomies and conversion in the MODIS seasonal-temporal domain. Leaf area index from CHRIS satellite data and applications in plant yield estimation. v. Wolfville. Maringá. New York. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. Remote Sens. 21.. 62-64. C. BARRETO. Rev. J. Sensoriamento remoto: reflectância de alvos naturais. p. 2008. D. 1. 16-20. n. p. A. 2005. 2005. São José dos Campos: INPE-Instituto de Pesquisas Espaciais. Science. In: IAA SYMPOSIUM ON SMALL SATELLITES FOR EARTH OBSERVATION. Z. J. Berlin. (Org. 2003. SOUZA FILHO. 17. Environ. The use of spectral mixture analysis to study human incentives. 2. Fraction images derived from Landsat TM and MSS data for monitoring reforested areas. E. 65. Environ. G. J. Rio de Janeiro. 2003. n..G. E. Basingstoke.E.S. In: FERREIRA. Frascati: Esrin. SANO. Tokyo. WEIR.E. (Org. J. Calibrating long-term AVHRRderived NDVI imagery. TUCKER. C. 2008 . p. v. ROGAN. Classification of Amazonian primary rain forest vegetation using Landsat ETM+ satellite imagery. Accepted on September 30. TARDIN. Soc. n. Remote Sens. 1980. v.. E. 1997. SHIMABUKURO. Basingstoke. C. 1998. Using shade fraction image segmentation to evaluate deforestation in Landsat Thematic Mapper images of the Amazon region.390 PONZONI.. et al.R. Estimation of vegetation photochemical processes from CHRIS-PROBA data. SCHOWENGERDT. New York. 29. 26. 1729-1737. 1999. et al. ed.. Sci. GREEN. v. 1. D. n. 1995.E. v. C. 1. Ferreira et al. p. Environ. SMITH. p. Acta Ecologica Sinica.. Ottawa. 97.T.. Remote Sens. R. Berlin: International Academy of Astronautics. v. Remote sensing: models and methods for image processing.org/news/satellites>. W.. p. A. 2008. 9.E. Can.A. Y. Padrões de cobertura de solos do Estado de Goiás. et al. Sci. In: MENESES. n.asprs. 39-51. SANO. 2008. 2007. 2. SCHWEIK. Proceedings. v..E. 1. Environ. 23. 2001. 267-279. J. 979-988. p. Assessing JERS-1 synthetic aperture radar data for vegetation mapping in the Brazilian savanna.. et al. SHIMABUKURO.E.. Guide to land imaging satellites.E. v. 2005. et al. et al. WANG. SOUZA.. v. p.. p.