Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo.

UNIVERSIDADE EDUARDO MONDLANE FACULDADE DE AGRONOMIA E ENGENHARIA FLORESTAL DEPARTAMENTO DE ENGENHARIA RURAL

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo .

Autor: Alberto Michael Miranda Supervisor: Eng. Hugo Adriano Mabilana(Msc.) Co-Supervisor: Eng. Emílio Magaia (Msc.)

Projecto final submetido ao Departamento de Engenharia Rural da Faculdade de Agronomia e Engenharia Florestal, UEM, para obtenção do grau académico de Licenciado em Engenharia Agronómica.

Maputo, Outubro de 2014

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo

Dedicatória À minha mãe Rosta Admira A. A. Z. Matsimbe pelo sacrifício dedicação, confiança e ensinamentos , para a minha formação. À minha querida irmã Julieta A. Matsimbe com todo amor e carinho. Dedico também aos meus tios José, Adelina, Pires, Rosalina e Armando, aos primos Neyde, Nina, Zito e outros, pelo apoio. Ao meu melhor amigo André Pedro Miquitaio (16 years of friendship and counting...), pelos momentos de descontração que muito precisei. A minha queridíssima Esther, pelo amor e carinho e por tornar insignificante a distância que nos separa.

“Não siga a estrada, apenas; ao contrário, vá por onde não haja estrada e deixe uma trilha”

(Ralph Waldo Emerson)

1 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Agradecimentos A Deus, que sempre me guiou e me deu força para continuar. A minha mãe Rosta Admira Matsimbe, e irmã, pelo apoio e ajuda. Ao meu Supervisor, Hugo A. Mabilana por transpassar a função de Supervisor. Ao meu coSupervisor Eng. Emílio Magaia por ajudar sempre apesar das dificuldades, Obrigado professores pela paciência, compreensão e ensinamentos. Ao Eng. Faruk, Eng. Ivan, Dr. Falcão, Dr. Tostão, Eng. Cambule, Eng. Lumbela , Eng. Borguetes, pelo apoio em ideias durante o período do decurso do meu trabalho. Aos meus amigos da smart mind Daniel Madivádua, Jone Júnior, Lucas Chiau, pelos momentos de diversão e ensinamento, a minha eterna chefe Andreia Massamby, terei sempre vocês no coração. Aos meus colegas, Eduardo Magavelane, Teodora Agostinho, João Sineque, Severino Macôo, Julieta Jetimane, Albertina Nhaca, Ana Pinto, Laila Noronha, Geraldo Silvério, e a todos os que não consigo me lembrar no momento serei sempre grato. Aos meus colegas de profissão Manuel Mamudo e Fátima Alfredo que entenderam as minhas ausências e indisponibilidades durante a elaboração do projecto. A toda comunidade estudantil, ao CTA e ao corpo de docentes que directa ou indirectamente estiveram comigo nesta longa caminhada. À Universidade Eduardo Mondlane, Faculdade de Agronomia e Engenharia Florestal, por ter me ensinado a ser muito mais que Eng. Agrónomo, e por todas as oportunidades que me deram de crescer profissionalmente. A minha inseparável amiga e colega Olzura Miguel, pelo auxílio desde o inicio até a conclusão do curso não tenho nem palavras para agradecer. A todos aqueles que se envolveram neste trabalho mesmo sem saber. Muito obrigado

2 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Resumo Estimativas de áreas agrícolas precisam de ser acertadas e objectivas e em tempo hábil de modo a serem usadas adequadamente pelos tomadores de decisão do sector agrário. Apesar da agricultura ser a principal actividade em Moçambique a estimativa dessas áreas é comummente baseada em métodos subjectivos. O principal objectivo desse estudo é de propor um método para estimar áreas agrícolas usando séries temporais dos índices de vegetação EVI (Índice de Vegetação Realçado) e NDVI (Índice de Vegetação por diferença Normalizada) do sensor MODIS a bordo do satélite Terra. O estudo foi realizado no distrito de Moamba para um período de 11 anos agrícolas (2001/02 a 2011/12), as imagens dos índices de vegetação foram suavizadas com sucesso pelo filtro de média móvel, e os pontos extremos para a criação dos mapas de áreas agrícolas foram encontrados a partir da análise derivativa. O EVI teve melhor performance que o NDVI, a área estimada através do EVI foi comparada com o mapa temático oficial produzido por MINAG (2007) usando a curva de características de operação do receptor (ROC). A análise ROC e os resultados estatísticos são encorajadores. O EVI/MODIS estimou uma área de aproximadamente 77% em relação aos dados oficiais, Entretanto este método mostrou ter grande potencial para estimar áreas agrícolas permanentes com a vantagem de utilizar imagens disponibilizadas gratuitamente. Recomenda-se a aplicação deste método em diferentes áreas e com dados de campo para maior acurácia. Palvras chave: análise derivativa, indices de vegetação, sensoriamento remoto, estimativa de areas agricolas

3 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo

Abstract Agricultural forecasts estimates of cropland areas need to be accurate and timely in order to be adequately used by decision makers from the agribusiness sector of this commodity. Although agriculture is the main activity in Mozambique its area estimation is mainly based on traditional and subjective methods. The main goal of this study was to derive a method to estimate cropland areas using EVI (Enhanced Vegetation Index) and NDVI (Normalized Difference Vegetation Index) time-series from the MODIS sensor onboard of the Terra satellite. This research was carried out in Moamba District during the period of eleven crop years (2001/02 to 2011/12). The images was successfully filtered by the moving average filter, and the agricultural areas was found trough derivative analysis. EVI performed better than NDVI, the estimated agriculture areas, using the EVI time-series, were compared to the last official thematic map provided by MINAG (2007) using receiver operating characteristic (ROC) analysis. ROC analysis and statistics of results are encouraging. The overall results shown a slightly underestimation obtained with this approach. EVI/MODIS estimated area explained 77% of the crop area, variation indicating that it has great potential to accurately estimate agriculture permanent areas with the advantage of using free images. This method must be evaluated over other regions, and with collected field data. Keywords: cropland estimates, remote sensing, derivative analysis, vegetation index.

4 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo ÍNDICE INTRODUÇÃO .................................................................................................................................... 9

I.

1.1.

Generalidades ................................................................................................................................ 9

1.2.

Problema de Estudo e Justificação .............................................................................................. 10

1.3.

Objectivos ................................................................................................................................... 11

1.3.1.

Objectivo Geral ................................................................................................................... 11

1.3.2.

Objectivos Específicos ........................................................................................................ 11

2.1.

Princípios físicos em Sensoriamento Remoto ............................................................................. 12

2.2.

Sensores ...................................................................................................................................... 13

2.3.

Resolução Espacial ..................................................................................................................... 13

2.4.

Resolução Espectral e Faixa Espectral........................................................................................ 14

2.5.

Resolução Temporal (Repetitividade) ........................................................................................ 14

2.6.

Comportamento Espectral da Vegetação .................................................................................... 14

2.7.

Sensoriamento Remoto no Uso e Cobertura da Terra ................................................................. 16

2.8.

Índices de vegetação ................................................................................................................... 17

2.8.1.

Índice de vegetação da Razão Simples (SR) ....................................................................... 19

2.8.2.

Índice de vegetação por diferença normalizada (NDVI) .................................................... 19

2.8.3.

Índices de vegetação Perpendicular (PVI) e ajustado para o solo (SAVI) ........................ 20

2.8.4.

Índices de vegetação Melhorado (EVI).............................................................................. 21

Satélites TERRA e AQUA.......................................................................................................... 21

2.9.

O sensor MODIS ..................................................................................................................... 23

2.10. 2.10.1.

Produtos destinados ao Balanço Energético: ...................................................................... 25

2.10.2.

Produtos destinados à Cobertura Terrestre: ........................................................................ 25

2.11.

Séries Temporais ..................................................................................................................... 27

2.12.

Filtros aplicados aos índices de vegetação .............................................................................. 27

2.13.

Médias Móveis Simples (MMS) ............................................................................................. 28

MATERIAS E MÉTODOS ............................................................................................................ 30

III. 3.1.

Descrição da área de estudo ........................................................................................................ 30

3.1.1.

Clima e Solos ...................................................................................................................... 31

3.2.

Aquisição e tratamento das imagens ........................................................................................... 31

3.3.

Filtragem das séries temporais .................................................................................................... 32

5 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo 3.4.

Amostragem dos pixels agrícolas................................................................................................ 33

3.5.

Análise Derivativa ...................................................................................................................... 34

3.6.

Criação dos Mapas anuais de áreas agrícolas ............................................................................. 36

3.7.

Áreas agrícolas permanentes ....................................................................................................... 36

3.8.

Análise dos performance dos índices de Vegetação ................................................................... 37

IV. RESULTADOS E DISCUSSÃO .......................................................................................................... 40 4.1. Perfil temporal EVI .......................................................................................................................... 40 4.3. Suavização dos dados pela média móvel ......................................................................................... 41 4.4. Identificação do perfil agrícola ........................................................................................................ 42 4.5. Mapas das culturas agrícolas anuais ................................................................................................ 45 4.6. Comparação dos mapas gerados pelos índices EVI e NDVI ........................................................... 47 4.7. Análise ROC .................................................................................................................................... 49 4.8. Avaliação dos mapas das culturas agrícolas .................................................................................... 52 IV. CONCLUSÕES .................................................................................................................................... 56 IV. RECOMENDAÇÕES ........................................................................................................................... 58

ÍNDICE DE FIGURAS E TABELAS Figura 1:Espectro electromagnético ............................................................................................ 12 Figura 2:Reflectância das plantas em relação ao comprimento de onda ..................................... 15 Figura 3:Representação de uma estrutura matricial (Casanova et. al, 2005 ) .............................. 16 Figura 4: Processo de selecção de imagens MODIS ................................................................... 24 Figura 5:Grade Sinusoidal MODIS Fonte: GSFC/NASA, 2008 ................................................ 24 Figura 6: Mapa da área de Estudo ............................................................................................... 30 Figura 8: Pontos criticos de uma função ..................................................................................... 35 Figura 9:Matriz Confusão ............................................................................................................ 37 Figura 10:Diferentes cuttoff points ao longo de uma curva ROC ............................................... 38 Figura 11:Comparação entre duas curvas ROC (adaptado de Metz,1978) ................................. 39 Figura 12:Curva Temporal da Série EVI (2010-2011)................................................................ 40 Figura 14: Curva da Série temporal NDVI da campanha 2011-2012 ........ Error! Bookmark not defined. Figura 13: Comparação do perfil temporal dos índices de vegetação originais com o mesmo perfil suavizado pelo filtro da Média Móvel................................................................................. 42 Figura 17:Maps anuais EVI de culturas agrícolas no período 2001-2012 .................................. 46

6 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Figura 18: Comparação das áreas anuais com a área de referência ............................................. 47 Figura 16: Mapas EVI e NDVI para o período 2000-2012 com o filtro da Média móvel .......... 48 Figura 19:Comparação entre as curvas ROC dos dois índices de vegetação. ............................. 50 Figura 20:Mapa do relevo sombreado e da distribuição das diferentes classes de sobreposição 53 Figura 21:Mapas de áreas de sobreposição com dados sócio-econômicos da população ........... 54 Tabela 1: Calendário Agricola Anual ........................................................... Error! Bookmark not defined. Tabela 2: Épocas de sementeira (verde) e colheita(amarela) em Moçambique ......................................... 44 Tabela 3: Datas encontradas para início da campanha agrícola e maior pico de desenvolvimento nos índices EVI e NDVI .................................................................................................................................... 45 Tabela 4:Pares de sensibilidade e 1-especificidade para os anos de sobreposição .................................... 50 Tabela 5:Áreas agrícolas estimadas para os anos de sobreposição ............................................................ 51

7 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo LISTA DE SIGLAS E ABREVIATURAS

AVHRR

Advanced Very High Resolution Radiometer

CENACARTA

Centro Nacional de Cartografia e teledecteção

CMV

Composição de Máximo Valor

DDA

Direcção Distrital de Agricultura

EVI

Enhanced Vegetation Index

IV

Índice de Vegetação

LANDSAT

Land Remote Sensing Satellite

MOD13

TERRA MODIS Vegetation Index Product

MODIS

Moderate Resolution Imaging Spectroradiometer

NDVI

Índice de vegetação por diferença normalizada

REM

Radiação Electromagnética

ROC

Características de operação de receptor

SPOT

Satellite Pour l‟Observation de la Terre

SR

Sensoriamento Remoto

TM

Thematic Mapper

8 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo I.

INTRODUÇÃO

1.1. Generalidades Moçambique é um país maioritariamente agrícola; o peso do sector da agricultura na economia do país ronda os 23%, dada a sua importância, é contínua e incessante a procura de informação relacionada com a agricultura, tanto a nível académico, sociedade civil, doadores até ao nível dos decisores de política macroeconómica. Razão pela qual tem havido a preocupação e interesse na melhoria da qualidade das estatísticas agrárias, como é o caso da introdução do TIA (Trabalho de Inquérito Agrícola) e os disponibilização online e gratuita das estatísticas agrárias pelo INE (Institiuto Nacional de Estatística) (Magaua, 2012). Nos últimos anos, as frequentes mudanças no uso e cobertura de terra passaram a exigir que mais tecnologia fosse inserida na produção de alimentos. Uma vez que a redução dos custos operacionais e do tempo gasto para realização é uma das principais dificuldades enfrentadas para o monitoramento territorial em grande escala. O uso de dados de sensores orbitais tem se mostrado uma alternativa mais promissora para realização das actividades de identificação, delimitação e mapeamento do uso e cobertura da terra (Clark et al., 2010). Os sensores orbitais como é o caso do TM a bordo do satelite LANDSAT, e o MODIS (Moderate Resolution Imaging Spectroadiometer) a bordo do satelite TERRA permitem obter, entre outros, dados de índices de vegetação(IV) como o Índice de Vegetação da Diferença Normalizada (NDVI-Normalized Difference Vegetation Index) e o Índice de Vegetação melhorado (EVI- Enhanced Vegetation Index), Rouse (1974) define os índices de vegetação como a combinação de duas ou mais bandas espectrais, selecionadas com o objetivo de melhorar a relação desses dados com os parâmetros da vegetação. De acordo com Deppe et al. (2007), A utilização das imagens do NDVI (Índice de Vegetação por Diferença Normalizada) na gricultura permite monitorar o desenvolvimento fenológico das culturas, para obter avaliações qualitativas e quantitativas das culturas. Em estudos multitemporais, o emprego de imagens adquiridas ao longo do ciclo de crescimento e desenvolvimento das culturas pode mostrar diferenças quanto à época de sementeira e/ou

9 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo maneio, servindo de base para a distinção dos perfis temporais de índices de vegetação (Thamyres et al. 2013). A análise de séries temporais de imagens vem sendo muito explorada tanto para as imagens MODIS quanto AVHRR (Advanced Very High Resolution Radiometer), principalmente, principalmente de índices de vegetação como NDVI e EVI (Victoria et al.,2009; Yu et al.,2004; Lacruz et al., 2005;), usando diferentes abordagens metodológicas. Uma destas abordagens é o uso de sensores de resolução moderada, como o MODIS, que apresentam um grande potencial no estudo de grandes áreas. Os produtos índice de vegetação deste sensor consistem numa composição dos melhores pixels no intervalo de 16 dias, resultando numa imagem com melhor qualidade do que as imagens diárias do mesmo sensor (Lacruz & Sousa, 2007). Este trabalho se propõe a estimar áreas agrícolas por meio da análise derivativa de séries temporais de índices de vegetação. A análise

derivativa é uma técnica que vem sendo

aplicada em séries temporais de imagens de sensoriamento remoto para caracterizar a fenologia da vegetação, baseada nas mudanças que acontecem na superfície terrestre, o que facilita o entendimento da dinâmica temporal (Jakubauskas et al., 2002), As diversas coberturas da superfície apresentam padrões de comportamento temporal distintos, principalmente quando se analisa os índices de vegetação de culturas agrícolas e áreas nativas. Assim, enquanto que áreas não vegetadas (cidades e superfícies alagadas) apresentamNDVI sistematicamente baixo ao longo do ano, áreas com uso agrícola apresentam “pulsos”referentes às épocas de crescimento e colheita. Assim sendo, uma série temporal de imagens NDVI pode ser utilizada como forma de identificar determinadas coberturas vegetais (Victória et al. 2009).

1.2. Problema de Estudo e Justificação Um dos maiores desafios que o sector agrário enfrenta é a capacidade metodológica para estimar áreas agrícolas em tempo hábil de modo a fornecer bases sólidas para as instiuições de ensino e pesquisa e os tomadores de decisão (Dias, 2010), A estimativa de áreas e produção agrícola em Moçambique ainda é baseada em métodos tradicionais e subjectivos, que envolvem amostragem

10 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo das explorações agrícolas e estimativas baseadas em inquéritos onde a tendenciosidade da memória pode ser bastante prepoderante (Magaua, 2012). Dada a dinâmica espacial da agricultura devido ao rápido crescimento demográfico, a redução do tamanho da propriedade agrícola per capita, o declínio da fertilidade do solo, e a sua competição com outros usos de terra rotulados importantes para o desenvolvimento socioeconômico do país. A rapidez com que estas informações chegam aos decisores é cada vez mais importante sendo assim necessário o uso de métodos mais práticos e menos honerosos. Nestes, o sensoriamento remoto merece especial atenção pela sua abrangência e fornecimento de dados quase que em tempo real . Diversos estudos (Yu et al.,2004; Victoria et al.,2009; Lacruz et al., 2005) demostraram que o uso de séries temporais MODIS de índices de vegetação têm potencial para discriminação e mapeamento de áreas agrícolas, no entanto poucos estudos são levados a cabo em Moçambique, onde o tamanho médio da propriedade agrícola é um dos maiores desafios para a sua implementação. Nesse contexto surge o presente trabalho que propõe uma metodologia simples e semiautomatizada para atingir este propósito.

1.3. Objectivos 1.3.1. Objectivo Geral Estimar áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba. 1.3.2. Objectivos Específicos 

Identificar o comportamento espectral das áreas agrícolas, ao longo das séries temporais de Índices de Vegetação;



Avaliar a eficácia do filtro da média móvel na suavização das séries temporais dos índices de vegetação;



Comparar o desempenho dos índices NDVI e EVI na discriminação e mapeamento das áreas agrícolas;

11 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo II.

REVISÃO BIBLIOGRÁFICA

2.1.

Princípios físicos em Sensoriamento Remoto

Segundo Lillesand e Kiefer (1994), Sensoriamento Remoto é a ciência e/ou a arte de obter informação acerca de um objecto, área ou fenômeno, através da análise de dados adquiridos por um dispositivo que não está em contato com o objeto, área ou fenômeno sob investigação. O sensoriamento remoto da superfície terrestre tem sido usado com sucesso na detecção sazonal da dinâmica da vegetação (Sakamoto et al. 2005). O Sol constitui-se na mais importante fonte de radiação natural para a Terra. A radiação electromagnética (REM) é definida como sendo a forma de energia que se move à velocidade da luz, sendo em forma de ondas ou de partículas electromagnéticas, não necessitando de um meio material para se propagar no espaço. A representação contínua da radiação electromagnética, em termos de comprimento de onda, frequência ou energia, é denominada espectro electromagnético. O espectro electromagnético é subdividido em faixas que representam regiões com características próprias, em termos de processos físicos de detecção de energia, como pode ser observado na figura 1.

Figura 1:Espectro electromagnético

12 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Dentre essas divisões do espectro electromagnético, as mais utilizadas em Sensoriamento Remoto compreendem as faixas do visível, infravermelho próximo, infravermelho médio, infravermelho distante e microondas. No entanto, as faixas que serão usadas nessa pesquisa compreendem o vermelho do espectro visível e o infravermelho próximo. 2.2.

Sensores

Os sensores são as máquinas fotográficas dos satélites. Têm por finalidade captar a REM (Radiação electromagnética ) proveniente da superfície terrestre, e transformar a energia conduzida pela onda, em pulso eletrônico ou valor digital proporcional à intensidade desta energia. Segundo a fonte da onda eletromagnética os sensores podem ser: Passivos - Utilizam apenas a REM natural refletida ou emitida a partir da superfície terrestre. A luz solar é a principal fonte de REM dos sensores passivos. Activos - Estes sistemas utilizam REM artificial, produzida por radares instalados nos próprios satélites. Os sensores cobrem faixas de imageamento da superfície terrestre, cuja largura depende do ângulo de visão do sensor, (em inglês FOV -

Field of View). O sensor Thematic

Mapper (TM) do satélite LANDSAT cobre uma faixa de 185 km, o sensor AVHRR do satélite NOAA cobre uma faixa de 2700 km. 2.3.

Resolução Espacial

É definida como o menor elemento de área que um sistema sensor é capaz de distinguir. Ela determina se o alvo pode ser identificado na imagem, em função de seu tamanho. À medida que tal resolução é sendo degradada, o intérprete terá seu leque de informações reduzido progressivamente. Assim, se observarmos uma imagem de 40m de largura por 30 m de comprimento, com uma resolução de 2m. É possível determinar de que objecto se trata. Entretanto, no caso de uma resolução de 30 ponto, ou seja, num único pixel.

13 Alberto Michael Miranda

m., o objecto estará praticamente contido num

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo 2.4.

Resolução Espectral e Faixa Espectral

A resolução espectral é definida como a menor porção do Espectro Eletromagnético que um sistema sensor é capaz de segmentar. Ela determina se o alvo pode ser visto na imagem, em função de seu comportamento espectral. Trata - se de um conceito inerente às imagens multiespectrais de SR. Quanto mais estreitas, espectralmente falando, as bandas (canais) de um dado sistema, maior é a capacidade desse sistema de discriminar variações no comportamento espectral do alvo a ser estudado. 2.5.

Resolução Temporal (Repetitividade)

A resolução temporal é definida como a freqüência com a qual um sistema sensor é capaz de imagear um mesmo alvo. Ela determina o período mínimo a ser aguardado para um novo imageamento de determinado alvo. Trata - se de um parâmetro somente aplicável aos satélites de SR , uma vez que estes possuem órbitas de períodos regulares como característica imposta pela Mecânica Orbital, ao contrário das aeronaves, por exemplo (Alexandrini, 2001). 2.6.

Comportamento Espectral da Vegetação

Segundo Novo (1989), o conhecimento do comportamento espectral de alvos, ou seja do estudo da interação da radiação electromagnética com as substâncias da superfície terrestre, não é importante somente para a extracção de informações de imagens obtidas pelos sensores, é também importante na própria definição de novos sensores, na definição do tipo de processamento a que devem ser submetidos (geometria de colecta dos dados, frequência, resolução limite). A vegetação reflecte de 40 a 50% no infravermelho-próximo, correspondente ao intervalo de 700 nm a 1300 nm, e a fotossíntese absorve de 80 a 90% da luz na faixa do espectro do visível, correspondente ao intervalo de 400 nm a 700 nm, estas propriedades características a distinguem de outros alvos.

14 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo

Figura 2:Reflectância das plantas em relação ao comprimento de onda FONTE: Lillesand e Kiefer (1994) Curran (1986) identifica a espessura da folha como factor que afecta o conteúdo de pigmentos e estrutura fisiológica. A diminuição da quantidade dos pigmentos da planta resulta em um aumento da reflectância em comprimentos de onda relativos ao azul e ao vermelho. A reflectância das superfícies vegetais é fortemente influenciada pelo efeito do brilho do solo. Tal influência é inversamente proporcional ao Índice de Área Foliar (IAF), ou seja, à medida que aumenta o IAF diminui o efeito do brilho do solo sobre a reflectância das coberturas vegetais. Ao utilizar dados de sensoriamento remoto para o estudo de determinado alvo, deve-se ter em mente a existência de uma série de variações na energia electromagnética ocasionadas pela fonte de energia, pelo meio em que a energia é propagada, pelos alvos mapeados, pelo sistema sensor que capta a energia proveniente do alvo (Moreira & Assunção, 1984). De acordo com Ponzoni (2001), a “aparência” da cobertura vegetal em determinado produto de Sensoriamento Remoto é fruto de um processo complexo que envolve muitos parâmetros e factores ambientais. O que é efectivamente medido por um sensor remotamente situado, oriundo de determinada vegetação, não pode ser explicado somente pelas características intrínsecas dessa vegetação, inclui também a interferência de vários outros parâmetros e factores tais como: 

A fonte de radiação, que inclui a irradiância espectral, a localização do ângulo zenital e azimutal solar;

15 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo 

A atmosfera, caracterizada por uma série de propriedades e parâmetros, incluindo as concentrações espacialmente dependentes e as propriedades selectivas de absorção e de espalhamento dos diversos comprimentos de onda por parte dos constituintes da atmosfera, como vapor d‟ água, ozónio, aerossóis etc.;

2.7.

Sensoriamento Remoto no Uso e Cobertura da Terra

Todos os materiais da superfície terrestre com temperatura superior a zero absoluto (0° K), podem emitir, reflectir, transmitir ou absorver selectivamente radiação eletromagnética. A energia electromagnética reflectida ou absorvida é captada por um sistema sensor a bordo de satélites orbitais, que por sua vez, geram imagens desses registos. A imagem digital é, portanto, uma função bidimensional da intensidade de energia eletromagnética refletida ou emitida pela área imageada, representada por uma matriz f(x,y), onde os valores de f são resultantes da intensidade (brilho) dos materiais da área correspondente ao pixel de coordenada (x,y). A resolução espacial do sistema é dada pela relação entre o tamanho do pixel na imagem e a área por ela coberta no terreno (Casanova et al., 2005), como mostrado na Figura 3. Do ponto de vista de sensoriamento remoto, múltiplas bandas espectrais são consideradas no imageamento. Cada banda do sensor é caracterizada por uma faixa do espectro eletromagnético e o resultado do imageamento na banda é armazenado em uma estrutura matricial.

Figura 3:Representação de uma estrutura matricial (Casanova et. al, 2005 )

16 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Segundo Garcia (1982), as imagens de satélite são a alternativa mais económica, no estudo de informações do uso de terra, levantamento ou identificação de solos e cobertura da vegetação, mesmo não tendo a precisão das fotografias aéreas visto que a degradação dos recursos naturais renováveis nos dias actuais, é um processo que deve ser analisado com mais eficiência. Nesse sentido, o diagnóstico da situação real em que se encontram esses recursos, passa a ser um instrumento necessário para a manutenção dos mesmos, assim, o estudo do uso da terra tem se tornado cada vez mais intenso nessas últimas décadas. Os levantamentos do meio físico desempenham, portanto, um excelente papel no fornecimento de dados para diagnosticar a exploração dos recursos naturais, uso da terra e actualização de mapas. (Dias, 2010).

2.8. Índices de vegetação A vegetação é um alvo complexo em Sensoriamento Remoto, ela apresenta variadas propriedades de reflexão foliar em uma mesma planta, múltiplos componentes reflectores, não uniformidade de estrutura inter e intraplantas, além de assentar-se sobre um substrato constituído de solo ou restos vegetais que, por sua vez, apresentam propriedades de reflexão própria, contribuindo no processo de medição para a modulação das propriedades de reflexão da vegetação(Epiphanio et al., 1996). Dosséis verdes e vegetação saudável possuem interacções distintas em regiões do espectro electromagnético correspondente às faixas do visível e do infravermelho próximo. Nas regiões do visível, os pigmentos das plantas provocam absorção de energia primeiramente para realização da fotossíntese (reflectância baixa, na ordem de 10%). Esta absorção atinge picos em regiões do vermelho e do azul do espectro visível; assim, conduzem para a aparência verde da vegetação em decorrência da não utilização da energia verde, provocando espalhamento dessa energia pela maioria das folhas (daí o aspecto verde das mesmas). Na região do infravermelho próximo, a interacção ocorrida é bem diferente: a energia nesta região não é empregue na fotossíntese, sendo fortemente dispersa na estrutura interna da folha, conduzindo para uma elevada reflectância no infravermelho próximo (40%). Este forte contraste, mais particularmente entre uma quantidade de energia reflectida no vermelho e infravermelho

17 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo próximo, tem sido o foco da grande variedade de tentativas do descobrimento quantitativo de condições de vegetação, usando informações remotamente detectadas. Os Índices de vegetação propostos são aplicáveis em altas, médias e baixas resoluções espaciais de alguns satélites como SPOT, Landsat (TM e ETM+), CBERS 34(CCD, IR-MSS e WFI), Terra e Aqua (MODIS), entre outros que visam aos estudos nas regiões do vermelho e do infravermelho próximo. Para minimizar a variabilidade causada pelos factores externos, a reflectância espectral de cobertura vegetal tem sido transformada e combinada em vários índices de vegetação. O mais comum utiliza a informação contida nas reflectâncias de dosséis referentes às regiões do vermelho e do infravermelho próximo, as quais são combinadas sob a forma de razões. As faixas do vermelho e do infravermelho próximo são mais utilizadas, por conter mais de 90% da variação da resposta espectral da vegetação; portanto, estes índices realçam o comportamento espectral da vegetação, correlacionando-os com os parâmetros biofísicos da mesma (Rosa, 2003). As técnicas de realce de imagem por meio de índices de vegetação aumentam o brilho das áreas vegetadas, melhorando a aparência da distribuição espacial de informações das imagens, tornando-as de fácil interpretação visual e computacional. (Epiphanio et al., 1986). Os índices de vegetação são transformações lineares de bandas espectrais, geralmente nas faixas do vermelho (V) e infravermelho próximo (IVP) do espectro electromagnético (Epiphanio et al., 1986). Ainda de acordo com o referido autor, tais índices realçam, em geral, o comportamento espectral da vegetação e se correlacionam com os parâmetros biofísicos da vegetação, como biomassa, Índice de Área Foliar (IAF), percentagem de cobertura vegetal. Incluem também elevados graus de correlação com o vigor da vegetação verde, percentagem de cobertura do solo, actividade fotossintética e produtividade. Para minimizar a variabilidade causada por factores externos, a reflectância espectral tem sido transformada e combinada em vários índices de vegetação (Ponzoni, 2001). Os IV são mais sensíveis do que as bandas individuais quando relacionadas com parâmetros biofísicos da vegetação (Asrar et al., 1984, Epiphanio et al., 1986). A lógica por trás dos IV baseia-se não

18 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo somente no facto de que a energia reflectida no vermelho e no infravermelho próximo são directamente relacionadas a actividade fotossintética da vegetação, mas também na suposição de que a utilização de duas ou mais bandas espectrais pode minimizar as principais fontes de “ruídos” que afectam a resposta da vegetação (Silva, E. 2004). Para Asrar et. al. (1984), os IV‟s são mais sensíveis que as bandas individuais, quando relacionados com os parâmetros biofísicos da vegetação, como biomassa, índice de área foliar (IAF), percentagem de cobertura vegetal, são por isso usados em estudos relacionados com a cobertura vegetal. 2.8.1. Índice de vegetação da Razão Simples (SR) A razão simples foi o primeiro índice a ser usado (Jordan, 1969), obtido pela divisão de valores de FRB (Função de Reflectância Bidireccional) referentes à região do infravermelho próximo por valores de FRB correspondentes à região do vermelho, segundo a equação abaixo.

onde: rIVP - FRB no infravermelho próximo rV - FRB no vermelho Entretanto, para áreas

densamente vegetadas,

a

quantidade reflectida de radiação

electromagnética referente à região do vermelho se aproxima de valores muito pequenos e esta razão, consequentemente aumenta sem limites(Ponzoni e Shimabukuro,2007). 2.8.2. Índice de vegetação por diferença normalizada (NDVI) Rouse et. al., (1974) propuseram o Índice de Vegetação da Diferença Normalizada (Normalized Difference Vegetation Index - NDVI) que detém a habilidade para minimizar efeitos topográficos ao produzir uma escala linear de medida, ele é obtido através da razão entre a diferença das reflectâncias do IV-próximo ( IV ) e do vermelho ( V ) pela soma das mesmas Allen et al.:

19 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo O NDVI é um indicador sensível da quantidade e da condição da vegetação verde. Seus valores variam de -1 a +1 e para superfícies com alguma vegetação o NDVI varia de 0 e 1, já para a água e nuvens o NDVI geralmente é menor que zero. Algumas características importantes do NDVI são: 

A variação da iluminação nos locais devido a efeitos topográficos é minimizada (por ser um ratio)



Resulta em valores entre -1 (outras superfícies que não vegetação) e 1 (superfícies completamente cobertas com vegetação). O zero(0) traduz aproximadamente áreas sem vegetação.

2.8.3. Índices de vegetação Perpendicular (PVI) e ajustado para o solo (SAVI) Para minimizar os efeitos da resposta espectral do solo de fundo na vegetação, Richardson & Wiegand (1977) propuseram o IV denominado perpendicular vegetation index (PVI), que representa num plano cartesiano V vs. IVP, a distância perpendicular entre a reflectância de um dossel e a linha de solos.

√ Huete (1988)observou que os valores de reflectância de um dossel sobre diferentes solos de fundo não são correctamente descritos pelos índices NDVI e PVI. Então, propôs o uso de um índice derivado do NDVI, denominado “soil adjusted vegetation indx” SAVI, que é derivado do NDVI, fazendo um deslocamento da origem do par ordenado V vs. IVP para o ponto de encontro da linha do solo com a linha da vegetação pela adição de uma constante L:

20 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo 2.8.4. Índices de vegetação Melhorado (EVI) O índice de vegetação melhorado (EVI) foi desenvolvido para optimizar o sinal da vegetação, melhorando a sensibilidade de sua detecção em regiões com maiores densidades de biomassa, e para reduzir a influência do sinal do solo e da atmosfera sobre a resposta do dossel. Nesse sentido, o EVI é calculado através da seguinte equação (Justice e al., 1998):

Onde: L é factor de ajuste para o solo; G é o factor de ganho e C1 e C2 são coeficientes de ajuste para efeito de aerossóis da atmosfera. Os valores dos coeficientes adoptados pelo algoritmo do EVI do sensor MODIS, são: L=1, C1=6, C2=7,5 e G= 2,5 (Mete et al., 1997; Justice et al., 1998). 2.9. Satélites TERRA e AQUA O programa EOS foi idealizado desde 1992 (SILVA, A. 2004) e conta com dados referentes ao satélite Terra, lançado em 18 de Dezembro de 1999, passando a operar em Fevereiro de2000 e o satélite Aqua, lançado em Maio de 2002. O satélite Terra possui órbita circular do Norte para o Sul, tem seu horário de passagem pela linha do Equador às 10:30 (Horário dos Estados Unidos), sendo por isso denominado EOS-AM, enquanto que o satélite Aqua possui órbita do Sul ao Norte passando pela linha do Equador as 13:30 sendo chamado de EOS-PM. Desse modo, Terra e Aqua monitoram toda a superfície da Terra em um período de um a dois dias, adquirindo dados em36 faixas espectrais, ou grupos de comprimentos de onda. Esses dois satélites representam um avanço no que diz respeito às tecnologias de monitoramento da superfície terrestre, principalmente no referente ao acompanhamento de mudanças ambientais nos continentes, nos oceanos e na atmosfera. O programa EOS permitiu uma melhor compreensão da Terra como um sistema integrado. Os satélites foram concebidos de forma a possibilitar uma análise completa da Terra, pois ambos satélites apresentam alguns sensores em

21 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo comum (Silva, A, 2004), tornando possível a análise e o cruzamento integrado dos dados entre os mesmos ou diferentes sensores, para as datas e os horários que o usuário preferir. O programa é composto de uma série de sensores que monitoram as mudanças globais em vários ambientes; a seguir, a descrição dos sensores a bordo da plataforma Terra: MODIS: Moderate Resolution Imaging Spectroradiometer; CERES: Clouds and the Earth‟s Radiant Energy System possui a propriedade de medição da energia radiante emitida e reflectida da superfície e da atmosfera, ou seja, mede o fluxo radiante no topo da atmosfera para monitorar o balanço de energia; MOPPIT: Measurements of Poluition in the Troposphere mede o grau de poluição daTerra (monóxido de carbono e metano); MISR: Multiangle Imaging Spectroradiometer, destinado ao mapeamento da vegetação, áreas desertas e cobertas por gelo, colecta dados sobre nuvens e aerossóis atmosféricos; ASTER: Advanced Spaceborne Thermal Emission and Reflection Radiometer, disponibiliza dados simultâneos da superfície terrestre, imagens utilizadas para vegetação, temperatura, tipos de rochas e vulcões. Os sensores a bordo da plataforma Aqua: MODIS: Moderate Resolution Imaging Spectroradiometer; AIRS: Atmosferic Infrared Souder, fornece dados sobre temperatura e humidade para previsões climáticas; AMSU: Advanced Microwave Souding Unit, integrado ao AIRS, actua na medição de temperatura em camadas superiores da atmosfera, especialmente estratosfera; CERES: já descrito anteriormente; AMSR: Advanced Microwave Radiometer, sensor passivo radiométrico de microondas, responsável por coletar radiação de microondas emitida;

22 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo HSB: Humidity Souder for Brazil, capta humidade atmosférica em regiões com muita nuvem. O sensor MODIS, objecto de estudo dessa pesquisa, encontra-se presente em ambas plataformas espaciais e terá suas características detalhadas no próximo item. 2.10. O sensor MODIS O MODIS é um dos cinco instrumentos a bordo do satélite TERRA (formalmente conhecido como EOS-AM-1). Este sensor foi projectado para satisfazer os requerimentos de três campos de estudos diferentes: atmosfera, oceano e terra, com bandas de resolução espectral e espacial seleccionadas para o conhecimento de diferentes necessidades observacionais e para oferecer uma cobertura global quase diariamente (Justice, 2002). O sensor MODIS possui 36 bandas espectrais, as bandas 1 – 7 estão direccionadas para as aplicações terrestres, as bandas 8 – 16 estão direccionadas para observações oceânicas e as bandas 17 – 19 para as medições atmosféricas, enquanto as bandas 20 – 36cobrem a porção termal do espectro electromagnético, podendo ser utilizadas para diferentes finalidades (Barker etal,1992). Com o intuito de detectar mudanças subtis de uso e cobertura da terra, as bandas do sensor MODIS para o estudo da superfície terrestre (land bands) possuem resolução espacial de 250m e 500 m. As imagens MODIS possuem um ajuste de georreferenciamento, apresentando coordenadas geodésicas, elevação do solo (altitude), e ângulos zenitais solar e azimutal para cada amostra de 1 km (Santos et. al., 2011). Os cálculos de geolocalização do MODIS são realizados a partir de uma banda hipotética ideal conhecida como banda 0. Essa banda é modelada como sendo localizada no meio dos quatro planos focais do MODIS e usada como uma referência, a partir da qual as posições de qualquer banda são calculadas aplicando os offsets apropriados. Outra característica importante dos produtos MODIS são as composições de 8, 16 ou 32 dias, em que os pixels de baixa qualidade são substituídos por outros pixéis de maior qualidade (figura 2). Portanto, a cada 8, 16 ou 32 dias são geradas imagens de boa qualidade (Santos etal., 2011).

23 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo

Figura 4: Processo de selecção de imagens MODIS As imagens podem ser adquiridas por download gratuito na Internet (USGS/LPDAAC, 2007). As imagens são divididas em grades (tile) de 10 por 10 graus do equador, conforme ilustrado na Figura 5. O sistema de coordenadas da grade inicia em (0,0) (número da grade horizontal, número da grade vertical) no canto superior esquerdo e prossegue à direita (horizontal) e para baixo (vertical). O sistema de coordenadas da grade finaliza em (35,17), localizada no canto inferior direito. A grade (13,11) (horizontal, vertical) contempla a área de estudo no trabalho.

Figura 5:Grade Sinusoidal MODIS Fonte: GSFC/NASA, 2008

A escolha do sensor MODIS é uma opção interessante para fins agrícolas devido à aquisição gratuita das imagens, com a correcção atmosférica, bom georeferenciamento e por apresentar

24 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo produtos específicos e em grade facilitando (sob o aspecto do tamanho do arquivo) a aquisição remota das imagens pela Internet (Ramme, 2008). Além das bandas individuais destacadas anteriormente, o sensor MODIS também disponibiliza uma variedade de pacotes de produtos, no total são 44. Dentre os produtos MODIS, pode-se destacar os destinados a estudos do balanço energético, cobertura terrestre e a vegetação (LATORRE et al., 2003): 2.10.1. Produtos destinados ao Balanço Energético: MOD09: produto MODIS de reflectância da superfície, estimativa da reflectância espectral da superfície para cada uma de suas bandas, que variam de 1 a 7. Esse produto vem acompanhado pelas informações de cada pixel, garantindo a integridade de seus dados por meio da QA (Quality Assurance). MOD10 e 29: são parâmetros para o balanço de energia global, reflectindo muito a radiação solar incidente de volta ao espaço, estão sendo desenvolvidos alguns algoritmos para o mapeamento global da cobertura de gelo, bem como a temperatura nas superfícies congeladas dos mares. MOD11: necessário para descrever os processos da superfície terrestre, sendo extremamente requisitado para diversos estudos climáticos, hidrológicos, ecológicos e biológicos. MOD43:

diz

respeito

aos

parâmetros

da

distribuição

da

função

da

reflectância

bidireccional(BRDF)/ALBEDO. A reflectância da superfície terrestre é altamente anisotrópica. Seu valor, quando observado do espaço dependerá de duas variáveis: o ângulo de visada do sensor e o de iluminação solar. 2.10.2. Produtos destinados à Cobertura Terrestre: MOD12: esse produto apresenta três produtos que contêm parâmetros de tipos de cobertura da terra e mudança no solo, sendo produzido com uma resolução espacial de 1 km. MOD14: diz respeito às anomalias termais; as informações das queimadas podem ser utilizadas para conduzir modelos regionais de emissão e transporte de gases e química atmosférica.

25 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo MOD44: utiliza dados das bandas com resolução espacial de 250 m, e os produtos da conversão da cobertura vegetal com o objectivo de mostrar a distribuição global da ocorrência de mudanças da superfície. Produtos destinados à Vegetação: MOD15: é o Leaf Area Index (LAI) ou Índice de Área Foliar e a Fracção da Radiação Fotossintéticamente Ativa (FPAR), fornecidos diariamente ou em com base de oito dias. OLAI representa importante propriedade estrutural do dossel da vegetação, medindo a área de folhas por unidade de área de terreno. MOD17: produto que fornece uma medida precisa do crescimento da vegetação terrestre e sua produtividade. O uso teórico é para definir o fluxo dinâmico do carbono na sazonalidade da superfície terrestre para o modelamento climático. MOD13: apresenta os produtos relativos aos índices de vegetação; esse produto será melhor caracterizado a seguir. 2.10.2.1.

O produto MOD13

Os produtos MODIS de índices de vegetação fornecem comparações consistentes de dados temporais e espaciais das condições da vegetação global, para monitorar a actividade fotossintética da vegetação em suporte a detecção de mudança e interpretações biofísicas e da fenologia. Mapas descrevendo variações espaciais e temporais da actividade da vegetação são derivados a cada 8 dias, 16 e 30 dias (intervalos mensais) para um monitoramento preciso da sazonalidade e os produtos são reamostrados para fornecer dados livres de nuvens, atmosfericamente corrigidos, mapas de vegetação ajustados ao nadir (para evitar distorções devido a compressão de dados nos pixels mais distantes do nadir), com resoluções mínima de 250 m, 1 Km e 25 Km. As composições destes índices em 16 dias são arquivadas com uma resolução de 250 m, e incluem a selecção do valor do índice de vegetação ajustado ao nadir, ajuste das reflectâncias da região do vermelho e infravermelho próximo, média solar zenital, azimute relativo e parâmetros de controle (Anderson et. al., 2013).

26 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo 2.11. Séries Temporais Uma série temporal, também denominada série histórica, é qualquer conjunto de observações ordenadas no tempo, não necessariamente igualmente espaçadas (Morretin; Toloi, 1987). A característica mais importante deste tipo de dados é que as observações vizinhas são dependentes. Enquanto em modelos de regressão, por exemplo, a ordem das observações é irrelevante para a análise, em séries temporais a ordem dos dados é crucial. Vale notar também que o tempo pode ser substituído por outra variável como espaço, profundidade, etc. (Ehlers, 2005). Séries temporais podem ser discretas ou contínuas. séries discretas estabelecem períodos de medição entre os valores (anuais, mensais, etc.) e as contínuas contêm valores em todos os instantes (Paula et al, 2005). Para aplicações práticas, deseja-se sempre que as séries temporais sejam discretas, por questões de tratamento dos dados. Muitas vezes pode-se obter uma série temporal discreta a partir da amostragem dos valores de uma série continua(Paula et al, 2005). Esta amostragem deve ser retirada em intervalos de tempo iguais, assim, para analisar uma série contínua, será necessário amostrá-la (em intervalos de tempo de uma hora, por exemplo), convertendo a série contínua, observada em um intervalo [0, T], em uma série discreta com N pontos, em que:

Séries estacionárias são aquelas que assumem que a série está em “equilíbrio”, sem tendências. Uma série Z é estacionária se ela se desenvolve no tempo de modo que a escolha de uma origem dos tempos não é importante. Em outras palavras, as características (média, variância, etc) de t+t Z , para todo t , são as mesmas de t Z (Morettin; Toloi, 1987). 2.12. Filtros aplicados aos índices de vegetação Séries temporais de índices de vegetação podem estar sujeitas a interferência de diversos ruídos que podem estar relacionados com a presença de nuvens, falha do detector, geometria visada entre outros. A aplicação de filtros é um procedimento que permite eliminar ou minimizar a interferência desses ruídos. (Hoblen e Fraser, 1984).

27 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Um procedimento de ajuste de curva, através de análise harmônica e spline, para derivar características fenológicas foi empregado em imagens NDVI NOAA/AVHRR por Bradley et al. (2007) e Lu et al. (2007) desenvolveram um método baseado em ondeletas (wavelets) para a remoção de ruídos em séries temporais NDVI MODIS. Beck et al. (2006) apresentaram um método para monitorar a vegetação, usando NDVI MODIS com resolução temporal de 16 dias onde é proposta uma função logística dupla para descrever a curva NDVI de ciclo anual. Os autores concluíram que a função proposta, quando comparada com o ajuste de curvas usando uma função Fourier de segunda ordem e uma função Gaussiana assimétrica, descreveu melhor os dados de NDVI. Jönsson e Eklundh (2004) desenvolveram um programa TIMESAT para analisar séries temporais de dados NDVI NOAA/AVHRR. Os autores analisaram três métodos baseados em mínimosquadrados para o processamento dos dados: filtragem adaptativa Savitzky-Golay, ajuste dos dados por uma função harmônica e polinomial (Menenti et al., 1993), e o ajuste dos dados por uma função Gaussiana (Jönsson e Eklundh, 2002) assimétrica. Os autores utilizaram o resultado das curvas suavizadas para extrair parâmetros de sazonalidade relacionados ao período de crescimento. Os autores constataram que para dados de índices de vegetação relativamente pouco afectados por ruídos, o método de filtragem adaptativa SavitzkyGolay funciona muito bem, mesmo com um rápido incremento ou decremento. No entanto, em situações onde os ruídos são de difícil interpretação e necessitam da aplicação de restrições, o método de ajuste dos dados por uma função Gaussiana assimétrica é menos sensível a ruídos e possibilita dar uma melhor predição para o início e fim do período. O estudo sobre séries temporais do NDVI SPOT e a correlação com a produtividade de culturas agrícolas foi realizado em Zhang et al. (2003). Os autores avaliaram o emprego de análise harmônica, algoritmo Harmonic Analysis of NDVI Time-Series (HANTS), para a suavização dos dados NDVI de séries temporais. 2.13. Médias Móveis Simples (MMS) Uma das técnicas mais simples de suavização de séries localmente constantes é a técnica das médias móveis (Morettin; Toloi, 1987). Tem como idéia estimar o próximo valor da série através

28 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo da média aritmética das r últimas observações, ou seja, a função que calcula a média móvel simples pode ser expressa como:

Onde

representa o dado actual e

o posterior tendo em conta o numero de oservações r.

que ainda pode ser reescrita da forma:

Nesta última forma, ela pode ser calculada a partir da última previsão realizada, e de dois valores da série. Não havendo, portanto, necessidade de recorrer a todos os r últimos valores lidos. Vantagens: 

O método das Médias Móveis Simples é um método de simples aplicação;



Restringe-se a admitir apenas um número pequeno de observações;



Permite grande flexibilidade de r, que pode ser adequado de série para série (séries aleatórias tendem a necessitar de um r maior, séries de pouca alteração – mais ou menos constantes – tendem a necessitar de um r pequeno).

Desvantagens: 

Só deve ser utilizado em séries estacionárias;



Deve-se de ter um número mínimo de r −1 observações para executá-lo;



Observações antigas exercem influência tão forte quanto as mais recentes (um motivo pelo qual é recomendada para séries mais ou menos constantes).

Hott et. al 2013 afirmaram que a suavização pela média móvel permitiu a remoção de outliers dos perfis temporais de índices de vegetação MODIS em pastagens em Minas Gerais, Brasil, técnica similar foi usada por Costa e Kuplich (2011) e Padovani (2013) na suavização de séries temporais.

29 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo III.

MATERIAS E MÉTODOS

3.1. Descrição da área de estudo O estudo foi realizado no distrito de Moamba localizado na parte norte da província de Maputo a 75km da cidade de Maputo, este está posicionado entre os paralelos 24º 27´e 25º 50´ Latitude sul e os meridianos 31º 59´ e 31º37´ Longitude Este(Metier, 2005). Este apresenta uma extensão de 150 km compreendida entre Panjane junto ao rio Massitonto e a ribeira de Movene, e no sentido Este- Oeste, uma extensão de 61 km no paralelo do Sabie.

Figura 6: Mapa de enquadramento do distrito de Moamba

30 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Moamba é dominado pelo clima seco de estepe - BS com uma temperatura média anual entre 23º e 24º C, sendo a temperatura máxima de 30.5 ºC e a mínima de 16.5 ºC e uma pluviosidade média de 571 mm com incidência entre Dezembro e Fevereiro (Metier, 2005). O distrito possui cerca de 10 mil explorações agrícolas familiares com uma área média de 1.3 hectares. Metade das explorações do distrito têm menos de 1 hectare apesar de ocuparem somente 20% da área cultivada. De um modo geral a agricultura é praticada em explorações familiares de 1 hectare, em regime de consociação de culturas com base em variedades locais (Metier , 2005). O distrito é atravessado pela estrada nacional número quatro(EN4) com uma extensão de 114 km ligando Maputo e Ressano Garcia. O resto das estradas é de terra batida. Possui uma linha férrea que liga Maputo e Ressano Garcia e uma ponte sobre o rio Incomáti como principais vias de acesso. 3.1.1. Clima e Solos O distrito tem duas estações; uma quente de temperaturas mais elevadas que vai de Outubro a Março e outra fresca que se estende de Abril a Setembro (Metier, 2005), os solos da região variam de argilosos á arenosos. O distrito possui em geral solos de baixa fertilidade à excepção dos vales de Incomáti e Sábiè, onde predominam solos aluvionares com boa aptidão para a agricultura. A vegetação predominante é do tipo Savana aberta com cobertura arbustiva e gramíneas (Nhachungue e Azambuja, 1997). As cheias que assolaram o distrito em 2000/2001 foram devastadoras, levando à perda quase total da campanha agrícola. Situação que só veio a se estabilizar em 2003, após a reabilitação das infraestruturas nas margens dos rios se voltou a intensificar a exploração da zona baixa do distrito(Metier , 2005). 3.2. Aquisição e tratamento das imagens Foram obtidas imagens do produto MOD13Q1, referentes aos anos 2000 a 2011, os produtos NDVI e EVI, de resolução espacial de 250 metros, correspondem a uma composiçãode 16 imagens (dias) , com reduzida contaminação por nuvens dos índices de vegetação NDVI e EVI, essa redução deve-se ao facto de que a cada 16 dias são gerados e escolhidos pixels de melhor

31 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo qualidade. Além disso, os produtos MODIS são disponibilizados gratuitamente, com correcção geométrica e radiométrica, pelo “Land Processes Distributed Active ArchiveCenter – LP DAAC”(https://lpdaac.usgs.gov/get_data). As imagens foram em seguida recortadas de acordo com a dimensão da área de estudo, ou ROI (Region Of Interest), através do Software ENVI 5.0. Posteriormente agrupadas em campanhas agrícolas com início em Outubro do ano e término em Setembro do ano seguinte. Tal procedimento resultou em séries temporais anuais, com 23 imagens cada, onde cada imagem representa o índice de vegetação de 16 dias de cada ciclo (imagem 1: de 1 a 16 de Outubro; imagem 2: de 17 de Outubro a 1 de Novembro até imagem 23 que vai de 19 a 31 de Setembro, sucessivamente). 3.3. Filtragem das séries temporais As imagens recortadas foram convertidas para o formato ASCII pelo software ENVI 5.0 e processados na folha de cálculos do software EXCEL 2010. Nesta as contaminações causadas por nuvens ou valores discrepantes na série temporal foram filtrados por um procedimento através do filtro média móvel. O uso do filtro da média móvel se baseia no facto de que contaminações nas imagens de NDVI/EVI, principalmente por nuvens, resultam em outliers ou valores discrepantes, este filtro calcula uma média dos valores espectrais de todos os pontos dentro de um intervalo discreto, com tamanho pré-determinado. Essa média então é definida como o novo valor do ponto central da janela (Morettin e Toloi, 1987). A aplicação do filtro serviu para reduzir algumas oscilações causadas por efeito de nuvens neste sensor. O número de termos usado para a média móvel foi de n=3, assim, os primeiros 3 valores dos índices de vegetação foram obtidos da seguinte forma: ∑

,

∑

e

∑

(9)

Onde MMi representa a média móvel na observação i e o V representa as observações. Esquematicamente a média móvel pode ser representada da seguinte forma:

32 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo

x1

x2

x3

x4

y1

y2

y3

x5

Onde o x representa os dados originais e o y o resultado da filtragem .Quanto mais termos forem incluídos na média móvel, maior o efeito de filtração dos pontos, ou seja, mais suave a curva a ser obtida. Entretanto mais dados influenciam o valor do período em causa razão pela qual usouse apenas 3 observações. 3.4. Amostragem dos pixels agrícolas Para traçar o perfil padrão dos índices NDVI e EVI de áreas agrícolas, os pixels foram seleccionados por amostragem aleatória simples, O dado de referência consistiu de um mapa temático de áreas agrícolas como uso primário e secundário

referente à época 2005/2006

produzido por MINAG (2007). Neste mapa as áreas agrícolas foram identificadas e mapeadas por meio da classificação digital e visual de imagens adquiridas pelos sensores Thematic Mapper (TM) e Enhanced TM plus (ETM+) a bordo dos satélites Landsat -5 e -7, respectivamente. Dentro da área determinada foram de um total de 2588 pixels seleccionados por amostragem aleatória 355 pixels, de modo a servir de base para a identificação e mapeamento dos restantes pixels com comportamento similar. Para o cálculo do tamanho da amostra foi usada a seguinte fórmula:

(10)

Onde: n - amostra calculada N –Número total de pixels na área classificada como agricultura

33 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Z - variável normal padronizada associada ao nível de confiança p - verdadeira probabilidade do evento e - erro amostra

Figura 7:Pontos de amostragem usados como referência para a máscara As séries temporais NDVI e EVI, suavizadas pelo método da média móvel dos pixels seleccionados foram então submetidos á análise derivativa no Software Excel 2010 de modo a encontrar os valores extremos em cada ano. 3.5. Análise Derivativa As séries temporais NDVI e EVI, suavizadas pelo método da média móvel dos pixels seleccionados foram submetidos á análise derivativa, esta análise derivativa permite a avaliar o comportamento temporal da série além de identificar os diferentes estádios fenológicos das culturas (Junior et. al.,2012).

34 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo A análise derivativa parte do princípio de que a função atinge o máximo local quando a primeira derivada é igual a zero (0) e a segunda derivada menor que (0). O mínimo , é atingido quando a primeira derivada da função é igual a zero e a segunda derivada maior que zero(0), uma vez que o sinal (positivo ou negativo) indica a concavidade do gráfico da função como ilustra a figura 8.

Figura 8: Pontos criticos de uma função

A primeira derivada da curva do índice “Y” com relação aos dias x em um determinado ponto “i”, foi obtida numericamente por um esquema de diferenças finitas usando a seguinte aproximação:

onde x é a separação em dias entre as duas observações sucessivas no caso 16 dias. Considerando que x j  xk e que o intervalo entre as observações é constante, os pontos extremos da função foram encontrados quando a primeira derivada fosse nula, sem que no entanto se possa identificar se é extremo máximo ou mínimo tendo que se recorrer a segunda derivada. A segunda derivada (equação 10) foi implementada de modo a encontrar o período de máximo ou mínimo valor ou maior biomassa dentro da série temporal, através da equação:

(

35 Alberto Michael Miranda

)

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Deste modo segundo a figura 8 se o valor for maior que zero (0) trata-se de um ponto mínimo e se for menor que 0 (zero) trata-se de um ponto máximo. A partir dos valores que correspondem a classe dos máximos e mínimos pode-se observar as épocas em que se encontram os máximos e mínimos locais com maior frequência sendo usados posteriormente como base para filtragem dos dados. Esta abordagem associa os baixos valores dos índices de vegetação à época de sementeira ou após colheita, quando o solo se encontra exposto, e os altos valores correspondentes à época de máximo desenvolvimento da cultura, quando a vegetação tem maior biomassa (Gusso et.al., 2009) . 3.6. Criação dos Mapas anuais de áreas agrícolas Para a classificação das áreas agrícolas, foram seleccionados os peródos ou épocas em que segundo a análise derivativa ocorreram com maior frequência valores extremos. A média aritimética dos valores de índice de vegetação que coincidem com a época dos mínimos foram usados como limiar dos mínimos, segundo método descrito por Victória et.al., 2009, e o mesmo para os valores dos maximos. Deste modo os pixels onde os valores dos índices EVI e NDVI na época de sementeira são menores que a média no período dos mínimos e maiores que a média no período dos máximos são atribuidos o valor um (1) e os pixels que não seguem este padrão valor zero(0). Após a identificação das áreas agrícolas em cada ano foram criadas imagens binárias onde os pixels com o valor zero (0) representam áreas cujos índices de vegetação estão fora dos parâmetros estabelecidos, e um (1) para áreas cujos valores de correspondem ao intervalo especificado, obtendo-se desse modo as “máscaras anuais de agricultura” ou mapas com a localização geográfica das culturas agrícolas anuais no distrito. 3.7. Estimativa das áreas agrícolas permanentes O resultado final foi o somatório das “máscaras anuais de agricultura” para todo o período considerado (2000-2011), gerando resultados que variam de 0 a 11 sendo que as áreas de valor 0 significam pixels em que em nenhum ano se enquadrou no perfil determinado e 11 em que todos os 11 anos apresentaram os valores esperados para agricultura, desse modo áreas com mais anos de cultivo são identificadas como áreas de agricultura permanente.

36 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo 3.8. Análise dos performance dos índices de Vegetação Para analizar o perfil padrão dos índices NDVI e EVI, as estimativas resultantes foram comparadas com o dado de referência que consistiu de um mapa temático de áreas agrícolas como uso primário e secundário referente à época 2005/2006 produzido por MINAG(2007). A análise dos classificadores foi feita através do gráfico de características de operação do receptor (ROC), que visualiza e selecciona classificadores com base na sua performance. Estes gráficos são normalmente usados para avaliar a discrepância entre sinais correctamente classificados e os falsos alarmes (Metz, 1978). Cada uma das classes estabelecidas no ponto anterior (1 a 11) foi testada de modo a se identificar a classe com melhor desempenho, que servirá de base para a estimativa da área agrícola permanente do distrito. A curva ROC tanto enaltece os acertos como penaliza os erros de cada um dos pontos em estudo, razão pela qual tem sido usada em vários campos de estudo. Segundo Metz, 1978 é importante validar os resultados de forma a quantificar seu poder discriminativo e identificar um procedimento ou método como bom ou não para determinada análise. No entanto, deve-se levar em conta que a simples quantificação de acertos num grupo de teste não necessariamente reflete o quão eficiente um sistema é, pois essa quantificacao dependerá fundamentalmente da qualidade e distribuição dos dados neste grupo de teste. Deste modo, considerou-se valores positivos que o sistema julgou positivos como verdadeiros positivos (acerto), valores positivos que o sistema julgou negativos como falso negativo (erro), valores negativos que o sistema julgou como negativos como verdadeiros negativos (acerto), e valores negativos que o sistema julgou positivos como falso positivos (erro). Como resumido na figura 9. Verdade de campo Hipóteses

P N

P

N

Verdadeiro

Falso

Positivo

Positivo

Falso

Verdadeiro

Negativo

Negativo

Figura 9:Matriz Confusão

37 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Após a identificação das classes foi traçado o gráfico tendo no eixo das abcissas a taxa de especificidade, que é a capacidade do teste de identificar os verdadeiros negativos nos pixels em que não são verdadeiramente agricultura segundo o mapa de referência, e no eixo das ordenadas a sensibilidade que é a capacidade do teste de identificar verdadeiros positivos nos pixels que são verdadeiramente agricultura segundo as fórmulas:

Neste caso a soma dos verdadeiros positivos e falsos negativos corresponde ao total de pixels da classe agricultura segundo como na matriz da figura 9.

O denominador nesse caso corresponde a soma de todos os pixels da classe não-agricultura. Em um espaço ROC um ponto “cutoff point”é melhor quanto mais a curva se aproxima do canto superior esquerdo do diagrama que no caso da figura 10 seria o critério moderado porque o critério brando apresenta tanto uma alta taxa de acertos como uma alta taxa de erros e o critério estrito tem baixas taxas de erro e acerto o que fazem destes pontos não muito bons classificadores(Sabattini, 1995).

Figura 10:Diferentes cuttoff points ao longo de uma curva ROC

38 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo

Para determinar se duas ou mais Curvas ROC são significativamente diferentes, a avaliação é feita através da determinação da área sob a curva, usando uma modificação do teste da soma de ordens de Wilcoxon para esta comparação. Assim é possível quantificar a exactidão de um teste diagnóstico (proporcional à área sob a curva), além da possibilidade de comparar testes diagnósticos. Esta é uma medida padrão para a comparação de sistemas que pode ser obtida por métodos de integração numérica, como por exemplo, o método dos trapézios. Teoricamente, quanto maior a AUC, melhor desempenho terá o sistema (Hanley, 1982).

Figura 11:Comparação entre duas curvas ROC (adaptado de Metz,1978)

39 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo IV. RESULTADOS E DISCUSSÃO 4.1. Perfil temporal EVI A Figura 12 apresenta o comportamento do índice EVI da média aritmética dos valores digitais (DN) do índice de vegetação realçado, obtidos da amostra dos pixels durante a campanha agrícola 2010-2011 e o respectivo desvio padrão.

Curvas de Indice de Vegetação 0.6

0.5

0.4

0.3

0.2

0.1

0 0

Ago

Set

5

Out

10

Nov

15

Jan

EVI

20

Fev

Original NDVI

25

Mar

30

Abr

35

Mai

40

Original

Figura 12:Curva Temporal da Série EVI e NDVI (2010-2011) É possível perceber que as variações nos valores dos índices de vegetação seguem uma sequência de declínios e elevações que podem estar relacionadas a sazonalidade dos períodos húmido e seco na área de estudo. Para Gleriani et al. (2005) a análise temporal permite analisar a fenologia, que é típica a cada cultura, e cuja descrição temporal pode ser feita por índices de vegetação, ou com a combinação

40 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo de bandas e de índices de vegetação. Neste caso o indice de vegetacao EVI mostrou ser capaz de descrever o comportamento do EVI ao longo dos anos. A curvas mostram o comportamento típico das áreas agrícolas começando pela fase inicial no mês de Outubro e Novembro de 2010 onde o solo se encontra mais exposto e com menores valores de índices de vegetação caminhando para a fase de maior crescimento nos primeiros meses do ano onde a cultura apresenta maior biomassa, as maiores oscilações ocorrem na fase de crescimento e maior desenvolvimento da cultura acompanhadas também por um maior desvio padrão. Epiphanio e Huete, 1994 relacionam este comportamento com a alta sensibilidade dos índices de vegetação á humidade e a distribuição por vezes irregualar das chuvas durante a época chuvosa. Defries e Townshend, 1994 e Latorre et al., 2007 concordam que as influências das estações secas e chuvosas interferem nitidamente no padrão da frequência da série temporal . Gurgel et al. (2003) relaciona como característica da vegetação a ocorrência de dois períodos de NDVI baixo, um geralmente no início do ano e outro nos finais em países tropicais. Essa relação também é encontrada por Batista et al. (1993) quando relaciona a redução dos valores de NDVI à época de diminuição das chuvas na região, que se estende de julho a outubro e ao aumento dos valores de NDVI a época chuvosa. Esta rápida variação nos valores do NDVI pode ser atribuído ao pico de desenvolvimento das culturas em Fevereiro, e após a colheita, preparação do solo para a segunda época (Ferreira e Huete, 2004). O desvio padrão responde justamente com maior oscilação nas épocas de colheita (Março/Abril) e plantio (Outubro/Novembro). 4.3. Suavização dos dados pela média móvel Os resultados das filtragens temporais feitas nas imagens dos IVs são apresentados em resumo na figura 13, contendo um exemplo da comparação de um período da série temporal original dos índices, e das imagens série reconstituídas com base no filtro da Média Móvel.

41 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo 0.6

1

0.5

0.8 NDVI

EVI

0.4 0.3 0.2

0.6 0.4 0.2

0.1

0

0 0

10 Original

20

30

40

Suavizado

0 Original

20

40

60

Suavizado

Figura 13: Comparação do perfil temporal dos índices de vegetação originais com o mesmo perfil suavizado pelo filtro da Média Móvel Os gráficos mostram que a aplicação do filtro na séries foi eficiente especialmente em períodos em que ocorre maiores índices de vegetação (Dezembro a Janeiro), nesses períodos fica mais evidente a atenuação dos ruídos pela filtragem. Após a definição dos limites do período considerado para a composição da série temporal de dados EVI e NDVI do MODIS, a aplicação do algoritmo da média móvel resultou numa série mais estável e sem grande influência de ruídos ou variações dos índices de vegetação que não foram causadas por efeitos naturais, destacando as alterações sensíveis da fenologia da vegetação. 4.4. Identificação do perfil agrícola A partir da análise derivativa dos pixels seleccionados foi possível identificar os valores máximos dos índices de vegetação sendo considerados as cenas NDVI/EVI que se encontraram no período entre a imagem correspondente ao final do mês de Setembro e a correspondente ao fim da primeira quinzena de Outubro. No entanto os valores mínimos não apresentaram resultados satisfatórios uma vez que a sua distribução não se restringiu a épocas específicas como no caso dos valores mínimos. Deste modo o uso da análise derivativa ficou restrita á identificação dos valores máximos dos pixels.

42 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo A dificuldade na identificação dos valores mínimos deveu-se ao critério de composição dos pixels do produto MOD13Q1 que varia em função do número de imagens livres de nuvens disponíveis dentro do período da composição. O principal método faz uso do modelo Função de distribuição de Reflectância Bidireccional (FDRB), enquanto o método alternativo (backup) é denominado Composição de máximo valor (CMV) (Leeuwen et al., 1996). Em termos práticos, quando no período da composição há cinco ou mais imagens com nuvens, usa-se o método CMV (Huete et al., 1999). Dessa forma, as regiões tropicais e subtropicais como Moçambique ficam praticamente condicionadas a este método (Gao e Huete, 2003). Diferente do FDRB o CMV faz por si uma escolha de valores máximos da série temporal, deste modo o valor de cada série é o valor máximo observado dentro do período de varredura. A CMV aplicada a imagens de índice de vegetação permite acompanhamento temporal e monitoramento regional da biomassa, bem como a redução do efeito das nuvens e outras influências atmosféricas (Coura, 2006), Assim as composições tendem a expressar apenas variações significativas da vegetação, dado que durante a quinzena, são seleccionados os melhores valores (maiores) é comum a presença em um período da série de valores elevados em período de mínimos, O que reduz a probabilidade de encontrar pontos mínimos locais consistentes ao longo da curva da série temporal. Deste modo a interpretação visual do comportamento pixels foi usada como base para distinção do período de mínimos, usando como referência o calendário agrícola anual. Segundo Jiang et al. (2008), a interpretação visual é útil como forma de identificação de perfil temporal do índice de vegetação especialmente quando se tem uma referência de campo para sua identificação. O mesmo autor afirma que através da análise dos perfis temporais suavizados é possível fazer o reconhecimento do padrão espectral da cultura ao longo do tempo, desde o início do plantio, passando pelo período de maior vigor vegetativo e indo até o final da colheita, permitindo comparar as condições actuais da cultura com as condições apresentadas em épocas passadas. Assim, a partir da análise da variação temporal dos índices de vegetação dos membros extremos, foi possível perceber que as cenas de NDVI e EVI do período entre 17 de novembro e 15 de Outubro, eram as mais adequadas para se utilizar como mínimo, uma vez que estas cenas apresentam um número mais elevado de valores mínimos, essas datas coincidem com o início da

43 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo campanha agrícola em Moçambique (Tabela 2) onde o solo exposto resulta em valores baixos tanto do índice EVI como do índice NDVI. Tabela 1: Épocas de sementeira (cinzenta) e colheita(preta) em Moçambique Jan

Fev

Mar

Abr

Mai

Jun

Jul

Ago

Set

Out Nov Dez

Sementeira Colheita Fonte: SIMA(2010) A média dos valores de índice de vegetação, dessas épocas que foram usados como limiares são apresentados na tabela 3. Tabela 3: Limiares estabelecidos para identificação de áreas agrícolas Limite superior no Limite

inferior

no Diferença

período dos mínimos período dos máximos

Mínima

Permitida

EVI

0.3

0.45

0.15

NDVI

0.35

0.6

0.25

Deste modo definiu-se os limiares, para o período de mínimos.Gusso et. al (2009) e Victória et. al (2009) encontraram para o período de mínimos valores inferiores a 0.1, em estudos de estimativas de áreas agrícolas para a cultura de Soja em Minas Gerais, Brasil, No caso do distrito de Moamba essa diferença ocorre provavelmente devido ao tamanho médio das explorações agrícolas que durante o período de início da campanha agrícola os pixels de solo exposto se misturam com outras formas de vegetação, aumentando o valor dos índices de vegetação.

44 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Tabela 4: Datas encontradas para início da campanha agrícola e maior pico de desenvolvimento nos índices EVI e NDVI

Dia do ano com Dia do ano com mais

valores mais

mínimos locais

valores

máximos locais

2001-2002

30/09

06/03

2002-2003

30/09

06/03

2003-2004

30/09

05/03

2004-2005

30/09

02/02

2005-2006

16/10

18/03

2006-2007

16/10

18/02

2007-2008

30/09

02/02

2008-2009

29/09

18/02

2009-2010

30/09

18/02

2010-2011

30/09

06/03

2011-2012

30/09

05/03

A variação das datas dos valores de NDVI máximos e mínimos expressa nos espectros temporais apresentados, pode estar relacionada a variação da quantidade de precipitação em cada ano da série temporal. Como o EVI e o NDVI são índices bastante ligados à variação fotossintética da vegetação (neste caso, tipos de culturas agrícolas na região), variações climáticas interanuais (anos mais secos ou chuvosos) influenciam nos padrões de desvio padrão, bem como dos máximos e dos mínimos obtidos nesta análise (Rocha, 2012). 4.5. Mapas das culturas agrícolas anuais A Figura 17 mostra os mapas anuais de agricultura ao longo dos anos, Observando o padrão sazonal da exploração agrícola da população do distrito de Moamba.

45 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo

Figura 14:Maps anuais EVI de culturas agrícolas no período 2001-2012

46 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Existe uma grande variabilidade espacial nas áreas de exploração agrícola ao longo dos anos, vários factores podem estar na origem desse comportamento, dentre os quais os aspectos agroclimáticos, políticas públicas, aspectos culturais e baixa modernização do sector agrícola do país (Magaua, 2009). Em termos de área houve uma tendência de superestimativa das áreas agrícolas anuais em relação a área de referência usada nesse estudo (Figura 18). 70000 60000

Area (ha)

50000 40000 30000 20000 10000 0

Figura 15: Comparação das áreas anuais com a área de referência A superestimativa das áreas agrícolas pode ser explicada pela resolução espacial das imagens MODIS em que pequenas áreas vizinhas podem ter sido agregadas a uma grande área no mapeamento. Por outro lado há que se ter em conta os prováveis erros por aproximação da metodologia usada na estimativa da área de referência. 4.6. Comparação dos mapas gerados pelos índices EVI e NDVI O mapa da figura 16 mostra as áreas identificadas como agricultura por sobreposição dos mapas anuais de agricultura, usando as frequências dos anos agrícolas no período considerado, tendo como referência a rede hidrográfica da região, atendendo que a agricultura familiar e de pequena escala (mais comuns no distrito) tendem a ser praticada nas margens dos rios.

47 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Uma vez que o surgimento e expansão da agricultura em áreas demandam o uso intensivo da irrigação a correlação entre estas duas variáveis é elevada. No mapa rapresentado pode-se notar que as áreas agrícolas seguem o mesmo padrão de distribuição da rede hodrográfica do distrito .

Figura 16: Mapas EVI e NDVI para o período 2000-2012 com o filtro da Média móvel

As imagens mostram que em comparação o índice EVI apresenta resultados mais substanciais e uma distribuição mais regular. Huete et al., (2002) sugerem que o EVI apresenta substancial melhora na sensibilidade às alterações do dossel em relação ao NDVI, principalmente em áreas de maior densidade de biomassa (ex. florestas) O EVI, obteve resultados mais sensíveis, já esperado para área, do que o NDVI. Huete et al. (1999) e Huete et al. (2002) explicam que esta diferença provém do facto de que o espectro referente ao vermelho exerce maior influência sobre a equação do NDVI, tornando-o mais sensível a variação na quantidade de biomassa fotossinteticamente activa, enquanto que o infravermelho próximo exerce um peso menor sobre a equação do EVI, tornando-o mais sensível

48 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo a variações na estrutura do dossel, incluindo índice de área foliar, tipo de dossel, fisionomia da planta, forma das folhas e a arquitectura do dossel. Estas sensibilidades são ainda mais notáveis quando se trata de áreas muito menores que a área do pixel como o caso das explorações agrícolas no distrito de Moamba onde as áreas agrícolas são de em média 1 ha (Metier, 2005), e o tamanho dos pixels do sensor MODIS de aproximadamente 6,25ha. Nesses casos aumenta a chance de mistura espectral nos pixels de agricultura com outras formas de vegetação onde não há grandes variações da biomassa fotossinteticamente activa, consequentemente ocorre pouca a variação no espectro do vermelho onde o NDVI é mais sensível. Dessa maneira, em áreas com florestas densas e contínuas, onde não há grandes variações na quantidade de biomassa fotossinteticamente activa, encontra-se pouca variação nas reflectâncias do espectro do vermelho, resultando na menor variabilidade apresenta pelo NDVI a estas áreas. Em compensação, as amplas variações encontradas para o infravermelho próximo explicam a maior sensibilidade obtida com o EVI, resultante da estratificação e demais características da arquitetura do dossel como um todo (Huete et al., 1997; Huete et al., 2002). Outro aspecto importante refere-se à incorporação da faixa espectral do azul à equação do EVI. Inicialmente, conforme proposto por Kaufman & Tanré (1992), o azul foi incorporado ao índice de vegetação com a finalidade de atenuar interferências atmosféricas. Deste modo a diferença entre a radiância do comprimento de onda do azul e do vermelho seria utilizada para correcção do espalhamento atmosférico e a absorção de ozônio. 4.7. Análise ROC Usando o mapa temático de referência foi feita a comparação deste com os vários anos de sobreposição, através da análise ROC, Os pares de especificidade e sensibilidade dos índices de vegetação são apresentados na tabela 4, onde os pontos de corte são os anos de sobreposição. A tabela relata a sensibilidade e 1-especificidade para cada ponto de corte possível para a classificação positiva. A sensibilidade é a proporção de amostras de pixels positivos com os resultados do teste maior que o corte e 1-especificidade é a proporção de amostras de pixels negativos com os resultados do teste maior que o de corte.

49 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Tabela 2:Pares de sensibilidade e 1-especificidade para os anos de sobreposição EVI

Pontos Sensibilidade 1 2 3 4

7 8 9

1-Especificidade Sensibilidade

1-Especificidade

1

1

1

0.99

0.98

0.99

1

0.99

0.94

0.96

0.88

0.88

0.88

0.9

0.68

0.72

0.8

0.74

0.55

0.64

0.68

0.4

0.43

0.64

0.45

0.25

0.33

0.39

0.25

0.14

0.2

0.18

0.17

0.07

0.13

0.09

0.1

0.03

0.05

0.03

5 6

NDVI

10 11

0.02 0.03 0.01 0.03 No ponto de corte 11anos de sobreposição é equivalente a assumir que quase todos os pixels são positivos. No ponto de corte 1 ano é equivalente a assumir que a maioria dos pixels são negativos. Ambos os extremos são insatisfatórios, o desafio é escolher um corte que devidamente equilibrar as necessidades de sensibilidade e especificidade. Para tal com os valores de sensibilidade e o complementar da especificidade foi necessário traçar a curva ROC tanto para o índice EVI como para o índice NDVI (Figura 19). Curva ROC (NDVI)

1

1

0.8

0.8

Sensibilidade

Sensibilidade

Gráfico ROC(EVI)

0.6 0.4 0.2 0

0.6 0.4 0.2 0

0

0.5 1-especificidade

1

0

0.5 1-especificidade

Figura 17:Comparação entre as curvas ROC dos dois índices de vegetação.

50 Alberto Michael Miranda

1

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo As curvas para o EVI e NDVI ficaram acima da linha diagonal, uma vez que na prática, curvas consideradas boas estão entre a linha diagonal e a linha perfeita que corresponderia a uma linha horizontal no topo do gráfico(Margiotto, 2010). Para a comparação foi usada a área sob a curva ROC, A área sob a curva representa a probabilidade de que o resultado do ensaio de um caso positivo escolhidos aleatoriamente irá exceder o resultado de um processo escolhido aleatoriamente negativo. A área para o EVI de foi de 0.64 e para o NDVI 0.54, o que significa que neste critério o EVI também teve melhor desempenho que o NDVI. O melhor ponto de corte para ambas as curvas deu-se no mapa correspondente a 6(seis) anos de sobreposição tanto para índice EVI como para NDVI, ou seja, para o índice EVI ao escolher o ponto de corte de 6 anos de sobreposição 68% dos pixels considerados como agricultura seriam correctamente classificados como tal e 40% dos pixels poderiam ser incorrectamente classificados. Enquanto que para o NDVI o ponto de corte apresenta uma situação diferente, uma vez que no seu melhor ponto de corte 43% dos pixels poderiam ser classificados correctamente e 64% poderiam ser classificados incorrectamente, o que poderia ser considerado insatisfatório. A área abaixo da curva ROC para o índice EVI pode ser considerada satisfatória apesar da discrepância de anos entre este e o mapa de referência. Este factor pode dever-se ao facto de que apesar da variação anual, as áreas agrícolas tendem a se circunscrever dentro da mesma região, próximo as fontes de água, característico de agricultura de subsistência. Assim, Com base na análise ROC a área estimada de cultivo no distrito de Moamba é de 21.461 hectares (Tabela 3) valor próximo a área de referência que é de 27.876 hectares. Tabela 3:Áreas agrícolas estimadas para os anos de sobreposição Anos de Sobreposição Área estimada(ha)

Continua...

51 Alberto Michael Miranda

1

167.100

2

101.230

3

69.730

4

48.063

5

32.977

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Anos de Sobreposição Área estimada(ha) 6

21.461

7

13.883

8

8.215

9

4.435

10

2.054

11

509

Wardlow & Egbert (2010) ressaltaram que a eficiência dos dados MODIS/EVI na geração de séries espaço-temporais aplicadas para separar culturas, é resultante da maior diferença espectral que ocorre nas fases de baixa a intermediária biomassa, correspondentes ao início do vigor vegetativo e à senescência das culturas, estádios esses que não são influenciados pela saturação do EVI. Entretanto há que salientar que métodos objectivos trazem, contudo, incertezas, confirmadas apenas com dados confiáveis que são representados na sua realidade. Com isto, representam quase sempre super ou subestimativas quando relacionados a dados oficiais, sendo comprovados em diversas pesquisas científicas com a utilização de técnicas de ensoriamento remoto nas estimativas de áreas agrícolas (Xiao et al., 2002; Ippoliti-Ramilo et al., 2003; Lamparelli et al., 2008; Ozdogan, 2010;). Tal fato é ponto positivo pois dados do sistema-sensor Terra/MODIS além de apresentar gratuidade (NASA, 2012), uma largura de área observada de 2.330 km e órbita circular, quase polar, hélio-sincrônica, sua resolução temporal é de 1-2 dias fazendo com que a probabilidade de aquisição de imagens livre de nuvens seja maior favorecendo o mapeamento de culturas agrícolas. 4.8. Avaliação dos mapas das culturas agrícolas Foi feita uma avaliação contextual da eficácia do mapeamento das áreas agrícolas, primeiro tendo como base o relevo da região onde em regiões mais baixas espera-se que hajam

52 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo normalmente maiores áreas de cultivo, A classe de 6 anos de uso agrícola que teve melhor desempenho na análise ROC foi usada como referência.

Figura 18:Mapa do relevo e da distribuição dos campos agricolas Regiões de maiores altitudes como o caso da parte este do distrito, apresentam poucas áreas agrícolas sendo que estes predominam em locais de relevo menos acentuado como na parte central do distrito. O tipo de relevo afecta a redistribuição de água e sedimentos na paisagem que, por sua vez, influenciam o tipo de uso do solo (Santos et al., 2008). Em estudo realizado em bacia de relevo ondulado, determinou-se que 82% da área se constituíam de encostas, 15% de várzeas e 2% de topos (Santos et al., 2002); de forma geral, é nessas duas últimas posições que se concentra a actividade agrícola de maneira mais permanente, por se tratar de áreas planas e com regime hídrico mais favorável.

53 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Fazendo uma análise socio-econômica se pôde verificar que dados como a população e vias de acesso coincidem com o padrão de distribuição das áreas consolidadas de agricultura.

Figura 19:Mapas de áreas de sobreposição com dados sócio-econômicos da população Exceptuando pequenos casos o número de agregados encontra-se em maior parte próximas as áreas de cultivo como o esperado. Esse comportamento é comum nas zonas rurais e em vias de desenvolvimento, de notar ainda que nas regiões onde os dados populacionais não coincidem com as áreas agrícolas provavelmente estejam pequenas cidades ou lagos não representados no mapa. As proximidade com as principais vias de acesso também ajudam a identificar as prováveis áreas de exploração agrícola uma vez que estas facilitam o escoamento dos produtos no entanto este caso não é muito aplicável no distrito de Moamba onde grande parte das vias de acesso são em

54 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo terra batida e não se encontram representadas no mapa. Entretanto a sua distribuição e localização também segue o padrão das áreas de cultivo onde podemos observar que regiões muito afastadas das vias de acesso não apresentam grandes áreas de cultivo em comparação com regiões mais próximas. Há entretanto que se ter em conta que se perde em resolução espacial ganha-se em resolução temporal. Apesar das limitações definidas pela moderada resolução espacial das imagens MODIS, várias pesquisas estão sendo feitas com essas imagens, ainda há muito a ser explorado no que diz respeito à sua alta resolução temporal e à sua capacidade de produzir informações sobre a dinâmica de culturas agrícolas.

55 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo IV. CONCLUSÕES As áreas agrícolas apresentaram em média o comportamento esperado ao longo da série com períodos distintos relativos a sementeira, desenvolvimento,

e colheita,

que foram

acompanhados também pela elevação e declínio dos valores dos índices de vegetação, possibilitando a sua discriminação. A média móvel mostrou, apesar da simplicidade de aplicação, que é uma ferramenta capaz de suavizar as séries temporais MODIS, gerando imagens de boa qualidade. A sua desvantagem em incluir dados anteriores com o mesmo peso que os actuais é compensado pela sua estabilidade na filtragem em casos de variações bruscas na curva da série temporal. O uso da análise derivativa na identificação dos pontos extremos de crescimento se mostrou bastante eficiente para o período de maior pico de desenvolvimento da cultura, no entanto o critério de selecção de pixels do sensor MODIS o restringiram apenas a esse propósito. De modo que o período de valores mínimos foi estimado pela abordagem estatística simples, desse modo se houver dados de campo como referência a utilização da abordagem visual é mais eficiente, mas na ausência destes é um método bastante efectivo para identificação dos pontos extremos. O EVI obteve de modo geral melhor desempenho que o NDVI, a área agrícola permanente do distrito de Moamba estimada pelo EVI foi de 21.461 ha, valor próximo a estimativa feita pelo MINAG de 27.876 ha, permitindo estimar 77% da área agrícola dos dados oficiais. Os ganhos obtidos, tanto com o índice NDVI assim como com o EVI apesar do melhor desempenho deste último, foram bastante significativos e permitiram a diferenciação visual das áreas de culturas agrícolas apesar da área média dos agricultores ser menor que a área dos pixels do MODIS. Os resultados obtidos com a execução deste trabalho mostram que o potencial da adopção de séries históricas produzidas com imagens MODIS, para o mapeamento de culturas agrícolas, ainda não foi devidamente explorado. Apesar de a confiabilidade de determinado mapeamento obtido por imagens de satélite, ser

maior quando se trata de maior resolução espacial

aumentando os resultados aqui demonstrados apresentam grande potencial para estimativas de áreas agrícolas cultivadas, sobretudo em grandes extensões.

56 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo A resolução espacial de apenas 250 m das imagens MODIS aliada ao padrão de distribuição espacial e sazonal de ocupação de terras na região constitui a maior limitação no mapeamento preciso e confiável da culturas. O que limita o uso dessas imagens para qualquer avaliação quantitativa da área plantada pelo menos em regiões de uso agrícola sejam similares, no entanto vale ressaltar que o uso de imagens MODIS, pode ser aplicada para complementar o mapeamento de áreas agrícolas visando o seu monitoramento a partir de índices de vegetação, uma vez que elas são de baixo custo e disponibilizadas quase que em tempo real e gratuitamente.

57 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo IV. RECOMENDAÇÕES Para a melhoria do presente estudo faz-se as seguintes recomendações: a) Que se faça uma validação de campo, limitada por questões logísticas no presente estudo, para determinar a acurácia dos mapas gerados. b) Que se usem imagens de média e alta resolução para validações de anos anteriores de modo a se fazer um estudo mais aprofundado da expansão das mesmas. c) Que se testem outros índices de vegetação como o SAVI e PVI de modo a encontrar um desempenho ainda melhor na geração dos mapas de agricultura. d) Que se façam mais estudos usando imagens do sensor MODIS de modo a explorar ao máximo o seu grande potencial temporal e baixo custo que pouco se tem levado em conta nos estudos envolvendo imagens satélite em Moçambique. No caso de Moçambique onde as áreas agrícolas não são tão vastas e uniformes mais estudos ainda precisam ser feitos para a melhoria dessa abordagem que com certeza valerá a pena graças a sua simplicidade de implementação e resultados animadores numa primeira fase.

58 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo V. REFERÊNCIAS BIBLIOGRÁFICAS Albino, T. C.; Victoria, D. C.; Silva, G. B. S.; Batistella, M. (2013), Identificação de áreas agrícolas na fronteira Maranhão, Piauí, Tocantins e Bahia Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE Anderson, L.O.; Latorre, M.L.; Shimabukuro, Y.E.; Arai, E.; Carvalho Júnior, O. A. Sensor MODIS: uma abordagem geral. São José dos Campos, 2003. (INPE-10131-RPQ/752) Asrar, G. (1984) Theory and applications of optical remote sensing. New York : Wiley,.734 p. Barker, J.L.; Harden, M.K.; Anuta, E.A.; Smid, J. e Hougt, D.(1992) MODIS spectral sensivitystudy: requirements and characterization. Washington: Nasa , 84p. Batista, G.T.; Shimabukuro, Y. E.; Lawrence, W.T.(1993) Monitoramento da cobertura florestal através de índice de vegetação do NOAA-AVHRR. In: Simpósio Brasileiro deSensoriamento

Remoto,

7,

1993,

Curitiba.

Anais...São

Josédos

Campos:

stitutoNacional de Pesquisas Espaciais, Beck, P. S. A., et al.(2006) Improved monitoring of vegetation dynamics at very high latitudes:a new method using MODIS NDVI. Remote Sensing of Environment, v. 100, p. 321-334. Bradley, B. A.;(2007). A curve fitting procedure to derive inter-annual phenologies from time series of noisy satellite NDVI data. Remote Sensing of Environment, v. 106, n. 2, p. 137145,. Brasília, v. 31, n. 6, p. 445-454, T. M. Lillesand, & R. W. Kiefer, (1994). Remote Sensing and Image Interpretation, 3rd ed. xvi + 750 pp. New York, Chichester, Brisbane, Toronto Briassoulis,

H.,(2009)

Analysis

of

Land

Use

Change:

Theoretical

ModelingApproaches,Livroonline(http://www.rri.wvu.edu/WebBook/Briassoulis/contents.htm),RegionalResearch Institute, West Virginia University, Americana para o Desenvolvimento Internacional.

59 Alberto Michael Miranda

and

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Casanova, M. A. ; (2005).. Bancos de dados geográficos. Curitiba: MundoGEO, Epiphanio, J. C. N.; Gleriani, J. M.; Formaggio, A. R.; Rudorff, B. F. T. (1996) Índices devegetação no sensoriamento remoto da cultura do feijão. Pesquisa Agropecuária Brasileira, Clark, M. L.; Aide, T. M.; Grau, H. R.; Riner, G(2010). A scalable approach to mapping annual land cover at 250 musing MODIS time series data: A case study in the Dry Chaco ecoregion of South America, Remote Sensing ofEnvironment, vol. 114, no. 1, pp. 2816– 2832, Costa, B. S. C.; Kuplich, T. M. (2011)Análise da dinâmica de vegetação campestre em série temporal de índice de ... Anais... São José dos Campos: INPE,p. Deppe, F. et al.(2007), Monitoramento da evolução temporal de cultivos agrícolas através de imagens TERRA/MODIS. In: Simpósio Brasileiro De Sensoriamento Remoto, 13., 2007, Florianópolis. Anais... São José dos Campos: INPE, . p.145-152. Dias, C. M. T. (2010) Pontifícia Universidade Católica De Minas Geraisprograma De PósGraduação Em Geografia-Tratamento Dainformação Espacialanálise Espacial Do Uso E Cobertura Da Terra em Moçambique, Estudo De Caso Distrito Demarracuene-Posto Administrativo Demarracuene belo Horizonte Ehlers, R.S. (2005) Análise de Séries Temporais. Departamento de Estatística, UFPR. ENVI. ENVI user's guide: the environment for visualizing images. New York: Research System, 2003. 312 p. Epiphanio, J. C. N.; Gleriani, J. M.; Formaggio, A. R.; Rudorff, B. F. T. (1996) Índicesde vegetação no sensoriamento remoto da cultura do feijão. Pesquisa agropecuáriabrasileira, Brasília, v. 31, n. 6, p. 445-454, Garcia, G. J. (1982). Sensoriamento Remoto: Princípios e Interpretação de Imagens. São Paulo: Nobel.

60 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Goodrum. G.; Kidwell, K. B.; Winston, W. (2000.) Noaa Klm User's guide. September 2000 Revision. Disponível em:. Acesso em: 07 de ago. 2014. Gurgel, H. C.;Ferreira,N.J.;Luiz,A. J. B. .(2003) Estudo da variabilidade do NDVIsobre o Brasil,utilizando-se a análise de agrupamentos. Revista Brasileira de Engenharia Agrícola v.7, n.1, p.8585 -90, Gusso, A.m Adami, M., Silva, W.F., Aguiar, D.A., Ruddorf, B. F. T.(2013) Aplicação de séries temporais EVI/MODIS na identificação do uso e ocupação do solo anterior ao cultivo da cana-de-açúcar., Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Natal , Brasil, 25 a 30 de abril de 2013 Hanley, J.A.; McNeil, R.J.(1982) - The meaning and use of the area under receiver operating characteristic (ROC) curve. Radiology, 143: 29-36,. Hoblen, B., & Fraser, R. S. (1984). Red and near-infrared response to off-nadir viewing.International Journal of Remote Sensing, 5, 145−460 Huete, A.; Liu, H.Q. (1997) Batchily, K.; van Leeuwen, W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, 59: 440-451 International Journal of Remote Sensing, 5, 145−460 Jönsson, P.; Eklundh, L. (2004)TIMESAT: a program for analyzing time-series ofsatellite sensor data. Computers & Geosciences, v. 30, n. 1, p. 833-845,; Jordan, C.F. Derivation of leaf area index from quality of light on the forest floor. Ecology,50:663-666, 1969. Junges, A. H., Fontana, D.C.(2011), XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.0032. Disponível em: . Acesso em: 29 nov de 2013.

61 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Junior, A.F.C.;Carvalho O.A.C.,Martins E.S.;(2012) Séries Temporais Modis Aplicadas Em Sucessão De Culturas De Soja (Glycine Max (L.) Merrill) E Milho (Zeamays L.)Em Sistema De Plantio Direto Junior Revista Brasileira de Cartografia, N0 64/3, p. 405-418. Justice, C.O.; Vermote, E.; Townshend, J.R.G.; Defries, R.; Roy, D.P.; Hall, D.K.; Salomonson,V.V.; Privette, J.L.; Riggs, G.; Strahler, A.(1998) The moderate resolution imagingspectroradiometer (MODIS): land remote sensing for global change research. IEEETransactions on Geoscience and Remote Sensing, 36(4): 1228-1249, Lacruz, M. P.; Santos, J. R. Monitoramento da paisagem de unidades de conservação. In:RUDORFF, B. F. T.; SHIMABUKURO, Y. E.; CEBALLOS, J. C. (Org.). O sensor MODIS e suas aplicações no Brasil. São José dos Campos: Editora Parêntese, 2007. cap. 13, p.173-183. Lacruz, M.S.P.; Sousa Júnior, M. De A. (2007) Uso de séries temporais EVI/MODIS e análise harmônica para o estudo da bacia do rio Taquari. Revista Brasileira de Cartografia, v.59, p.9-15,. Lamparelli, R. A. C.;(2008) Waste, M. O. C; Marcante, E. Mapeamento de semeaduras de soja (Glycinemax(L.) Merr.) mediante

dados MODIS/Terra e TM/Landsat 5: Um

comparativo. Engenharia Agrícola, v.28, p.334-344, Latorre, M. L. (2003), et al. Sensor Modis: características gerais e aplicações. Espaço & Geografia. v. 6, n. 1, p.97-126, Latorre, M.L.; Carvalho Júnior, A.O.; Santos, J.R.; Shimabukuro, Y.E. .(2007) Integração de dados de sensoriamento remoto multiresoluções para a representação da cobertura da terra utilizando campos contínuos de vegetação e classificação por árvores de decisão. Revista Brasileira de Geofísica, vol.25, n.1, p. 63-74, Martins, F. C. M, (2010) Avaliação De Áreas Compactadas Na Cultura Do Feijoeiro Utilizando Técnicas De Sensoriamento Remoto ,

Dissertação apresentada à Universidade Federal

de Viçosa, como parte das exigências do Programa de Pós Graduação em Engenharia Agrícola, para obtenção do título de Magister Scientiae. Viçosa, Minas Gerais – Brasil, ,

62 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Menese, P. R. (2001) Fundamentos da radiometria óptica espectral. In: MENESES, P. R.; NETTO, J. S. M. (Eds) Sensoriamento Remoto: reflectância de alvos espectrais. Brasilia: EMBRAPA Cerrados,. p.15-40. Metier (2005), Perfil do Distrito de Moamba: Província de Maputo. Edição 2005,Maputo Metz CE. Semin Nuclear Med (1978). Basic principles of ROC analysis. A really good introduction, on which we've based a lot of the above text. Things have however come a long way since 1978. See also the paper by Dennis Patton in the same issue (p273) which has quite a bit on Bayesian decision making, as does the paper by McNeil et al in the New England Journal of Medicine [1975, 293 211-5]. Moreira, R.C. (2000). Influência do posicionamento e da largura de bandas dsensores remotos e dos efeitos atmosféricos na determinação de índices devegetação. 114p. Dissertação (Mestrado em Sensoriamento Remoto) Instituto dePesquisas Espaciais, São José dos Campos, . (INPE-7528-TDI/735) Moreira, R.C. (2000). Influência do posicionamento e da largura de bandas de sensores remotos e dos efeitos atmosféricos na determinação de índices de vegetação. 114p. Dissertação (Mestrado em Sensoriamento Remoto) Instituto de Pesquisas Espaciais, São José dos Campos,. (INPE-7528-TDI/735) Morretin, P. A.; Toloi, C. M. C. (1987). Previsão de séries temporais, 2, ed, São Paulo: Atual Editora, Novo, E. M. L. de M. Sensoriamento Remoto. Princípios e Aplicações. São Paulo – Edgar Blucher LTDA. Ponzoni, F. J. (2001)Comportamento Espectral da Vegetação. In: Meneses, P. R., Netto, J. S. M. (org) Sensoriamento remoto, reflectância dos alvos naturais. Brasília – DF: Editora Universidade de Brasília - UNB, Embrapa Cerrados, p 157-199, Ponzoni, F. J.; Shimabukuro, Y. E. Sensoriamento remoto aplicado ao estudo da vegetação. São José dos Campos: Parêntese, 2007. v. 1, 135 p

63 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Richardson, A. J.; Wiegand, C.L.(1988) Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, 44:1541-1552, 197 Huete, A.R. A soil-adjusted vegetation index (SAVI), Remote Sensing of Environment, 25, p.295-309, Rosa, R.(2003) Introdução ao sensoriamento remoto, Uberlândia: EDUFU, Rouse, J. W.; Hass, R. H.; Schell, J. A.; Deering, D. W.(1973) Monitoring vegetation systems in the great plains with ERTS. In: Earth Resources Tecnology Satellite-1 Symposium, 3,. Proceedings. Washington, 1973, v.1, Sec.A, p. 309-307 Rudorff, B. F. T.; Adami, M.; Aguiar, D. A.; Moreira, M. A.; Mello, M. P.; Fabiani, L.; Amaral, D. F.; Pires, B.M.(2010) The soy moratorium in the amazon biome monitored by remote sensing mages. Remote Sensing, vol. 3, n.1, pp. 185–202. Sabattini, R. M. E.(1995); “Um Programa para o Cálculo da Acurácia, Especificidade e Sensibilidade de Testes Médicos”; Revista Informédica, 2 (12): 19-21, Disponível em: Acesso em: 07 jul. 2009. Santos, A. C.(2004) Fertilidade do solo e redistribuição de 137Cs em função da cobertura vegetal, relevo e classes texturais, em uma microbacia hidrográfica do estado da Paraíba. Recife: UFPE,. 67p. Tese Doutorado SANTOS, Antonio C. dos; SALCEDO, Ignacio H. And GALVAO, Sandra R. da S.(2008). Relações entre uso do solo, relevo e fertilidade do solo em escala de microbacia.Rev. bras. eng.

agríc.

ambient.

[online].,

vol.12,

n.5,

pp.

458-464.

ISSN

1807-

1929. http://dx.doi.org/10.1590/S1415-43662008000500003. Silva, A. A. (2004). Uso de dados MODIS para o monitoramento ambiental nos cerrados: Um estudo a partir de dados MOD13QI realçados através de um modelo de mistura espectral. Dissertação de Mestrado, Goiânia.. Silva, E. T. J. B.(2004) Utilização dos índices de Vegetação do Sensor MODIS para Detecção deDesmatamentos no Cerrado: Investigação de Parâmetros e Estratégias. 2004,146 f. Dissertação(Mestrado em Geologia)– Universidade de Brasília, Brasília, .

64 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo SIMA(2010), Início Tardio da Campanha de Comercialização Agrícola 2009/10: Preços Altos Dominam a Comercialização. 1 de Outubro de 2010. Volume 55p. Victoria, D. C.; Andrade, R. G. Paz, A. R. (2009) Série temporal de imagens EVI/MODIS para discriminação de formações vegetais do Pantanal. Geografia, n. 34, Número especial: Geopantanal, , p. 721-72 Victoria, d. C.; oliveira, a. F.; grego, c. R. Análise harmônica de séries temporais de imagens NDVI/MODIS para discriminação de coberturas vegetais. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 14. (SBSR), 2009, Natal. Anais... São José dos Campos:INPE, 2009. p. 1589-1596. DVD, On-line. ISBN 978-85-17-00044-7. Disponível em: . Acesso em: 28 jul. 2009. Victoria, D. C.; Oliveira, A. F.; Grego, C. R.(2009). Análise harmônica de séries temporais de imagens NDVI/ MODIS para discriminação de coberturas vegetais. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 14., Natal. Anais... Natal: INPE, 2009. p. 1589-1596 Wardlow, B. D.; Egbert, S. L. (2010). A comparison of MODIS 250-m EVI and NDVI data for crop mapping: a case study for southwest Kansas. International Journal of Remote Sensing, v.31, p.805-830,. Wiegand,

C.L.(1977)

Distinguishing

vegetation

from

soil

background

information.

Photogrammetric Engineering and Remote Sensing, 44:1541-1552,. Xiao, X.; Boles, S.; Frolking, S.; Salas, W.; Moore, B.; Li, C.; He, L.; Zhao, R.(2002) Landscape-scale characterization of cropland in China using Vegetation sensor data and Landsat TM imagery. International Journal of Remote Sensing, v.23, p.3.579-3.594,. Yu, X.; Zhuang, D., Chen, H. Hou, X.(2004) Forest classification based on MODIS time series and vegetationphenology.Geoscience and Remote Sensing Symposium, 2004.IGARSS '04.Proceedings. vol.4, pp. 2369-2372,

65 Alberto Michael Miranda

Estimativa de áreas agrícolas por análise derivativa de séries temporais de índices de vegetação MODIS no distrito de Moamba, província de Maputo Yu, X.; Zhuang, D.; Chen, H.; Hou, X. (2004) Forest classification based on MODIS time series and

vegetation

phenology.

In:

GEOSCIENCE

AND

REMOTE

SENSING

SYMPOSIUM, Anchorage, USA,. IGARSS „04. Proceedings.... . Ann Arbor, USA: IEEE. Set 2004. vol.4, pp. 2369-237 Zhang, X. C.; Garbrecht, J. D. (2003 ) Evaluation of CLIGEN precipitation parameters and their implication on WEPP runoff and erosion prediction. Transactions of the ASAE, St. Joseph, v.46, n.2, p.311-320,

66 Alberto Michael Miranda