Comparação das imagens de satélite LISS-III/Resourcesat-1 e TM/Landsat 5 para estimar volume de madeira de talhões florestais

Elias Fernando Berra, Denise Cybis Fontana, Tatiana Mora Kuplich

Resumo


Após a interrupção das atividades do Landsat 5, sensores a bordo do satélite ResourceSat-1 têm sido apontados como uma opção à série Landsat. O objetivo deste estudo é estimar volume de madeira de pinus (Pinus elliottii Engelm.) por meio de imagens dos sensores LISS-III/ResourceSat-1 e TM/Landsat 5, comparando suas performances. Valores de reflectância das quatro bandas espectrais equivalentes em ambos os sensores foram comparados quanto à sensibilidade a mudanças no volume de madeira. As tendências foram similares com relações diretas nas bandas do infravermelho próximo e relações inversas nas bandas do visível e infravermelho médio. Diferenças significativas foram encontradas somente nas bandas equivalentes do verde. Regressões lineares múltiplas foram aplicadas para selecionar as bandas espectrais que melhor explicariam as variações em volume de madeira. As equações com melhores ajustes para cada sensor foram invertidas para gerar mapas de volume de madeira, cujas estimativas foram comparadas à escala de pixel e de talhão. Nenhuma das escalas mostrou diferenças significativas entre as estimativas geradas pelos dois sensores. Concluiu-se que os sensores LISS-III e TM apresentam, em geral, desempenho muito similar para monitoramento de volume de madeira, e que o LISS-III poderia, consequentemente, ser usado em complemento ou em substituição à série Landsat.

Palavras-chave


Pinus elliottii; Reflectância; Inventário florestal

Texto completo:

PDF (English)

Referências


Anderson, J. H. et al. Intercalibration and Evaluation of ResourceSat-1 and Landsat-5 NDVI. Canadian Journal of Remote Sensing, v. 37, n. 2, p. 213-219, 2011. DOI: 10.5589/m11-032.

Ardo, J. Volume quantification of coniferous forest compartments using spectral radiance recorded by Landsat Thematic Mapper. International Journal of Remote Sensing, v. 13, n. 9, p. 1779-1786, 1992. DOI: 10.1080/01431169208904227.

Baskent, E. Z. et al. The forest management planning system of Turkey: constructive criticism towards the sustainable management of forest ecosystems. International Forestry Review, v. 7, n. 3, p. 208-217, 2005.

Berra, E. F. et al. Comparação da reflectância espectral e do IVDN dos sensores LISS-III/RESOURCESAT-1 e TM/LANDSAT 5 em povoamento florestal. Revista Brasileira de Cartografia, v. 1, n. 66/2, p. 393-406, 2014.

Berra, E. F. et al. Estimativa do volume total de madeira em espécies de eucalipto a partir de imagens de satélite Landsat. Ciência Florestal, v. 22, n. 4, p. 853-864, 2012. DOI: 10.5902/198050987566.

Boyd, D. S. & Danson, F. M. Satellite remote sensing of forest resources: three decades of research development. Progress in Physical Geography, v. 29, n. 1, p. 1-26, 2005. DOI: 10.1191/0309133305pp432ra.

Canavesi, V. et al. Estimativa de volume de madeira em plantios de Eucalyptus spp. utilizando dados hiperespectrais e dados topográficos. Revista Árvore, v. 34, n. 3, p. 539-549, 2010. DOI: 10.1590/s0100-67622010000300018.

Centro Estadual de Meteorologia (Rio Grande do Sul). Atlas climático do Rio Grande do Sul. Porto Alegre, 2011. Available at: < http://www.cemet.rs.gov.br/area/7/Atlas_Clim%C3%A1tico>. Acess onar.ch 5, 2012.

Chander, G. & Stensaas, G. L. Evaluation of Candidate Landsat Data Gap Sensors. In: IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, 2008 : IGARSS 2008. Boston, Massachusetts. Proceedings... Piscataway: IEEE, 2008. p. IV1376-IV 1379.

Chander, G. et al. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, v. 113, n. 5, p. 893-903, 2009. DOI: 10.1016/j.rse.2009.01.007.

Chen, X. et al. Cross-sensor comparisons between Landsat 5 TM and IRS-P6 AWiFS and disturbance detection using integrated Landsat and AWiFS time-series images. International Journal of Remote Sensing, v. 34, n. 7, p. 2432-2453, 2013. DOI: 10.1080/01431161.2012.743690.

Chiavetta, U. et al. Estimation of forest attributes by integration of inventory and remotely sensed data in Alto Molise. Rivista Italiana Di Telerilevamento, v. 40, n. 1, p. 89-106, 2008. DOI: 10.5721/ItJRS20084018.

Chubey, M. S. et al. Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters. Photogrammetric Engineering and Remote Sensing, v. 72, n. 4, p. 383-394, 2006.

Danson, F. M. & Curran, P. J. Factors affecting the remotely sensed response of coniferous forest plantations. Remote Sensing of Environment, v. 43, n. 1, p. 55-65, 1993. DOI: 10.1016/0034-425, 1999. 412p.

Foody, G. M. et al. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment, v. 85, n. 4, p. 463-474, 2003. DOI: 10.1016/S0034-4257(03)00039-7.

Franklin, J. Thematic mapper analysis of coniferous forest structure and composition. International Journal of Remote Sensing, v. 7, n. 10, p. 1287-1301, 1986. DOI: 10.1080/01431168608948931.

Gates, D. M. Physical and physiological properties of plants. In: REMOTE sensing with special reference to agriculture and forestry: with special reference to agriculture and forestry. Washington, DC: National Academy of Sciences, 1970. p.164-223.

Gausman, H. W. et al. Reflectance of cotton leaves and their structure. Remote Sensing of Environment, v. 1, n. 1, p. 19-22, 1969. DOI: 10.1016/S0034-4257(69)90055-8.

Gill, T. K. et al. Comparing bright-target surface spectral-reflectance estimates obtained from IRS P6 LISS III to those obtained from Landsat 5 TM and Landsat 7 ETM+. Remote Sensing Letters, v. 3, n. 2, p. 121-130, 2012. DOI: 10.1080/01431161.2010.543180.

Goward, S. N. et al. Complementarity of ResourceSat-1 AWiFS and Landsat TM/ETM+ sensors. Remote Sensing of Environment, v.123, p. 41-56, 2012. DOI: 10.1016/j.rse.2012.03.002.

Goward, S. N. et al. Moderate spatial resolution optical sensors. In: Warner, T. A. et al. (Ed.). The SAGE handbook of remote sensing. London: SAGE Publications, 2009. p. 123-138.

Goward, S. et al. The Future of Landsat-Class Remote Sensing. In: Ramachandran, B. et al. (Ed.). Land remote sensing and global environmental change. New York: Springer, 2011. p.807-834. (Remote sensing and digital image processing, 11).

Gunlu, A. et al. Prediction of some stand parameters using pansharpened IKONOS satellite image. European Journal of Remote Sensing, v. 47, p. 329-342, 2014. DOI: 10.5721/EuJRS20144720.

Markham, B. L. et al. Landsat-7 ETM+ on-orbit reflective-band radiometric stability and absolute calibration. Geoscience and Remote Sensing, IEEE Transactions on, v. 42, n. 12, p. 2810-2820, 2004. DOI: 10.1109/TGRS.2004.836389.

McDonald, A. J. et al. Investigation of the utility of spectral vegetation indices for determining information on coniferous forests. Remote Sensing of Environment, v. 66, n. 3, p. 250-272, 1998. DOI: 10.1016/s0034-4257(98)00057-1.

Montgomery, D. C. et al. Introduction to linear regression analysis. 4th ed. New York: Hoboken, N.J. : Wiley-Interscience, c2006, 2006. 612 ISBN 0470542810.

Myers, V. I. et al. Soil, water, and plant relations. In: REMOTE sensing with special reference to agriculture and forestry. Washington, DC: National Academy of Sciences, 1970. p.164-223. Nasa. Landsat science. 2014. Available at: . Acess on: April 21, 2014.

Orue, N. E. Estimativa de volume de povoamentos de Pinus spp. utilizando dados do satélite Landsat 7. 2002. Dissertação (Mestrado em Ciências Florestais) - Universidade Federal do Paraná, Curitiba.

Puhr, C. B. & Donoghue, D. N. M. Remote sensing of upland conifer plantations using Landsat TM data: a case study from Galloway, south-west Scotland. International Journal of Remote Sensing, v. 21, n. 4, p. 633-646, 2000. DOI: 10.1080/014311600210470.

Ripple, W. J. et al. A preliminary comparison of landsat thematic mapper and SPOT-l HRV multispectral data for estimating coniferous forest volume. International Journal of Remote Sensing, v. 12, n. 9, p. 1971-1977, 1991.

Shimabukuro, Y. E. & Smith, A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. Geoscience and Remote Sensing, IEEE Transactions on, v. 29, n. 1, p. 16-20, 1991. DOI: 10.1109/36.103288.

SISTEMA Brasileiro de Classificação de Solos. Brasília, DF: Embrapa Produção de Informação; Rio de Janeiro: Embrapa Solos, 1999. 412 p.

Spanner, M. A. et al. Remote sensing of temperate coniferous forest leaf area index The influence of canopy closure, understory vegetation and background reflectance. International Journal of Remote Sensing, v. 11, n. 1, p. 95-111, 1990. DOI: 10.1080/01431169008955002.

Teillet, P. M. & Ren, X. Spectral band difference effects on vegetation indices derived from multiple satellite sensor data. Canadian Journal of Remote Sensing, v. 34, n. 3, p. 159-173, 2008.

Trotter, C. M. et al. Estimation of timber volume in a coniferous plantation forest using Landsat TM. International Journal of Remote Sensing, v. 18, n. 10, p. 2209-2223, 1997. DOI: 10.1080/014311697217846.

Watzlawick, L. F. et al. Estimativa de biomassa e carbono em floresta com araucaria utilizando imagens do satélite Ikonos II. Ciência Florestal, v. 19, n. 2, p. 169-181, 2009. DOI: 10.5902/19805098408.

Weber, E. et al. Adaptação do modelo digital de elevação do SRTM para o sistema de referência oficial brasileiro e recorte por unidade da federação. Porto Alegre: UFRGS Centro de Ecologia, 2004. Available at: . Acess on: 10 Mar. 2013.

Williams, D. L. et al. Landsat: yesterday, today, and tomorrow. Photogrammetric Engineering and Remote Sensing, v. 72, n. 10, p. 1171-1178, 2006. DOI: 10.14358/PERS.72.10.1171.

Woolley, J. T. Reflectance and transmittance of light by leaves. Plant physiology, v. 47, n. 5, p. 656-662, 1971. DOI: 10.1104/pp.47.5.656.

Wulder, M. A. et al. Landsat continuity: Issues and opportunities for land cover monitoring. Remote Sensing of Environment, v. 112, n. 3, p. 955-969, 2008. DOI: 10.1016/j.rse.2007.07.004.

Xavier, A. C. Estimativa de propriedades biofísicas de plantações de eucaliptos a partir de dados Landsat-TM. 1998. 116 f. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos.

Xiaolin, Z. & Desheng, L. MAP-MRF Approach to Landsat ETM+ SLC-Off Image Classification. Geoscience and Remote Sensing, IEEE Transactions on, v. 52, n. 2, p. 1131-1141, 2014. DOI: 10.1109/TGRS.2013.2247612.

Zakaria, H. E. A. Integration of Remote Sensing and GIS in Studying Vegetation Trends and Conditions in the Gum Arabic Belt in North Kordofan, Sudan. 2010. 146 f. (Doctor of Natural Science) - Institute of Photogrammetry and Remote Sensing, Technical University of Dresden, Dresden, Germany.

Zimble, D. A. et al. Characterizing vertical forest structure using small-footprint airborne LiDAR. Remote Sensing of Environment, v. 87, n. 2-3, p. 171-182, 2003. DOI: 10.1016/s0034-4257(03)00139-1.




DOI: https://doi.org/10.4336/2016.pfb.36.88.1134



Direitos autorais 2016

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - Não comercial - Sem derivações 4.0 Internacional.

INDEXADORES:

ASP / Ebsco, AGRIS, Agrobase / Binagre , BDPA, CABI Direct, CCN, CIRS, Diadorim , DOAJ, e.journals, Forestry Compendium, Genamics JournalSeek, Google Acadêmico, Journals for free, Latindex, Livre, Miar, OasisbrPortal da Capes, RCAAP, Road, Sabiia, Scilit, Redib

.

Pesquisa Florestal Brasileira
Brazilian Journal of Forestry Research

 

Este periódico é afiliado à Associação Brasileira de Editores Científicos.


Os originais publicados na Pesquisa Florestal Brasileira estão disponibilizados de acordo com uma Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional