Índices de vegetação para a estimativa do Índice de Área Foliar em plantios clonais de <i>Eucalyptus saligna</i> Smith

Abstract

ResumoProcurou-se estabelecer a relação entre o Índice de área foliar no campo (IAF c ) de plantios clonais de Eucalyptus saligna Smith e três diferentes Índices de Vegetação (IV) obtidos de uma imagem Landsat 8/OLI: Índice de Vegetação da Diferença Normalizada (Normalized Difference Vegetation Index, em inglês -NDVI), Índice da Razão Simples (Simple Ratio Index -SRI) e Índice de Vegetação Ajustado para o Solo (Soil Adjusted Vegetation Index -SAVI), com o objetivo de selecionar o melhor estimador do IAF por sensoriamento remoto (IAF SR ), obtendo assim a espacialização IAF nos talhões. O IAF c foi obtido utilizando o equipamento LAI-2000 e seu comportamento foi analisado em diferentes idades. Os índices de vegetação foram obtidos por meio de aritmética das bandas 4 e 5 do sensor. A análise de regressão linear simples foi utilizada para ajustar o modelo de estimativa de IAFSR (IAFSRi= β 0 + β 1 . IV i + ε i ), sendo os critérios de escolha as estatísticas de R2aj%, Syx% e análise de resíduos. Os resultados mostraram que o índice que melhor estimou o IAF SR foi o SRI (IAF SR =-5,6159 + 0,9716 . SRI), com R 2 aj %=67,0 e S yx %=12,5. Todos os modelos ajustados mostraram tendência em sobrestimar o IAF em valores inferiores a dois e subestimar o IAF a partir de valores superiores a 3,5 (NDVI e SRI) e superiores a três para SAVI. As equações obtidas para as diferentes idades não produziram melhora nas estimativas de IAF SR . AbstractThe relationship between the ground Leaf area index (LAI g ) from clonal plantations of Eucalyptus saligna Smith and three different vegetation indices (VI): Normalized Difference Vegetation Index (NDVI), Simple Ratio Index (SRI) and Soil Adjusted Vegetation Index (SAVI) was evaluated in order to select the best IV to estimate the IAF by remote sensing (LAI RS ), and obtaining the spatial distribution of LAI in the stands. LAI g was measured using LAI-2000 and its behavior was examined at different ages. The vegetation indices were obtained from a Landsat 8/OLI through the arithmetic of the bands 4 and 5. The linear regression analysis was used to adjust the model LAIRS (LAIRSi= β 0 + β 1 . IV i + ε i ), and the criteria for selecting the best equation were the statistics R2adj%, Syx% and residual analysis. The results showed that the best vegetation index to estimate IAF SR was SRI (LAI RS =-5.6159 + 0.9716 . SRI ), resulting R 2 adj %=67.0 and S yx =12.5%. The results of all adjusted models tended towards overestimation of LAI in values lower than two and underestimation in values above 3.5 (NDVI e SRI) and above three for SAVI. The equations for different ages produced no improvement in LAI RS .

Forest Biomass and Carbon Estimation Using Vegetation Indices and Leaf Area Index

“…R2 was superior to 0.7 for this study, indicating that there will be NDVI saturation at some point, but there will be no LAI and biomass saturation. The strong relationship observed between NDVI and LAI with the biomass found in this study is similar to studies conducted in other ecosystems such eucalyptus plantations (Berger, et al 2019) and the high arctic tundra (Walker et al, 2003).…”

Protocolo metodológico para obtenção dos valores de radiância, emissividade e temperatura de superfície de imagens Landsat 8 utilizando LEGAL

“…Um dossel com IAF = 2 tem uma proporção de 2:1 de área foliar para área de solo. Globalmente, o IAF é altamente variável: alguns ecossistemas desérticos têm IAF < 1, enquanto as florestas tropicais mais densas podem ter IAF de até 9 (Berger et al, 2019;Lin et al, 2021). Apesar de, na vida real, o IAF sempre ser ≥ 0, o cálculo do IAF a partir de dados de sensoriamento remoto pode levar a obtenção de valores negativos.…”

“…Apesar de, na vida real, o IAF sempre ser ≥ 0, o cálculo do IAF a partir de dados de sensoriamento remoto pode levar a obtenção de valores negativos. Tais valores negativos de IAF (IAF < 0), calculados a partir do SAVI, podem ser ocasionados por várias características inerentes aos pixels, como influência dos solos, interferência atmosférica, propriedades espectrais dos alvos, bem como erros de ajuste da equação (Berger et al, 2019). É por esse motivo que, na linha 15 (Figura 7) aparece um condicional que analisa pixel a pixel da imagem IAF e extrai a condição que: se no pixel o IAF é maior que 0, então se mantém o valor de IAF, caso contrário, considera-se que o IAF = 0, evitando-se o registro de IAF negativo.…”

Investigação do Uso de Parâmetros Biofísicos na Influência do Microclima Dentro de Áreas Urbanas

“…Segundo Berger (2019), o Índice de área Foliar, estrutura do dossel vegetativo, são importantes na produtividade da vegetação e no consumo de água da mesma, estando, portanto, correlacionada às trocas de umidade entre o ar e a vegetação, impactando diretamente nas variáveis de conforto ambientais. O Índice de área foliar (IAF ou LAI, inglês), pode ser obtido de várias maneiras, utilizando os métodos diretos e os indiretos.…”