Nativa, Sinop, v. 11, n. 2, p. 233-240, 2023.
Pesquisas Agrárias e Ambientais
DOI: https://doi.org/10.31413/nativa.v11i2.15415
ISSN: 2318-7670
Monitoramento de área de coqueiro irrigado por parâmetros biofísicos
determinados por imagem de Landsat 8
Mailson Araujo CORDÃO1* , Renata Richelle Santos DINIZ1, Hugo Orlando Carvallo GUERRA1,
Carlos Wagner OLIVEIRA2, Cris Lainy Maciel SANTOS1
1Programa de Pós-Graduação em Engenharia Agrícola, Universidade Federal de Campina Grande, Campina Grande, PB, Brasil.
2Centro de Ciências Agrárias e da Biodiversidade, Universidade Federal do Cariri, Crato, CE, Brasil.
*E-mail: mailson.cordao@gmail.com
Submetido em 03/05/2023; Aceito em 10/07/2023; Publicado em 31/07/2023.
RESUMO: O uso de imagem de satélite é uma ferramenta que ao longo dos últimos anos vem contribuindo
para o manejo em áreas agrícolas. Nesse contexto, objetivou-se determinar e monitorar a dinâmica dos
parâmetros biofísicos no pomar de coqueiro irrigado no semiárido brasileiro, utilizando técnicas de
sensoriamento remoto com uso de imagens orbitais do LANDSAT 8. Avaliando os parâmetros biofísicos;
albedo, NDVI, IAF e Ts. O Processamento foi realizado pelo algoritmo METRIC. Todas as estimativas dos
parâmetros biofísicos foram avaliadas utilizando estatística descritiva por meio das principais medidas de
posição e dispersão, e o coeficiente de correlação de Pearson. A determinação do albedo, dos índices de área
foliar e da temperatura de superfície a partir de imagem de satélite do Landsat 8, permitiram detectar a influência
do manejo, da sazonalidade e as cargas das correlações entre os parâmetros biofísicos na cultura do coqueiro.
Sendo uma técnica promissora no gerenciamento de área agrícola, reduzindo custo e tempo, auxiliando na
tomada de decisões.
Palavras-chave: Cocos nucifera; algoritmo METRIC; fruticultura irrigada; agricultura de precisão.
Monitoring of the irrigated coconut orchard by biophysical parameters
determined by Landsat 8 image
ABSTRACT: The use of satellite imagery is a tool that over the last few years has contributed to the
management of agricultural areas. In this context, the objective was to determine and monitor the dynamics of
biophysical parameters in the irrigated coconut orchard in the Brazilian semi-arid region, using remote sensing
techniques using orbital images from LANDSAT 8. Evaluating the biophysical parameters; albedo, NDVI,
IAF, and Ts. Processing was performed by the METRIC algorithm. All estimates of biophysical parameters
were evaluated using descriptive statistics using the main measures of position and dispersion, and Pearson's
correlation coefficient. The determination of albedo, leaf area indices and surface temperature from the Landsat
8 satellite image, allowed the detection of the influence of management, seasonality and loads of correlations
between the biophysical parameters in the coconut crop. Being a promising technique in the management of
agricultural areas, reducing cost and time, helping in decision making.
Keywords: Cocos nucifera; algorithm METRIC; irrigated fruit growing; precision agriculture.
1. INTRODUÇÃO
A determinação dos parâmetros biofísicos por técnicas de
sensoriamento apresenta diversas finalidades, como pode ser
visto nos estudos de Simões et al. (2021); Ivo et al. (2020);
Leal et al. (2019); Silva et al. (2019); Pezzoni Filho et al.
(2018); França et al. (2018); Ribeiro et al. (2015). Esses
estudos têm finalidade em mensurar a variabilidade da
cobertura vegetal, avaliar impactos ambientais e quantificar a
interferência antrópica em diferentes classes do uso do solo.
Além disso, os mesmos são utilizados no processo da
determinação da evapotranspiração real das culturas
irrigadas.
Na determinação da evapotranspiração real diária por
técnica de sensoriamento remoto em diferentes escalas
espaciais e temporais, os parâmetros biofísicos são bases de
entrada nos modelos algoritmos. Ainda, com as cartas
temáticas dos parâmetros biofísicos em áreas agrícolas
irrigadas podem-se identificar alguns problemas como na
operação do sistema de irrigação, entre outros, que ocasione
interferência na cobertura vegetal, facilitando o diagnóstico
com rapidez e baixo custo, tornando essa técnica promissora
principalmente em áreas agrícolas com dimensões média e
grande. Neste contexto, o monitoramento dos parâmetros
biofísicos em uma determinada cultura específica com uso de
imagem de satélite pode ser promissor no aspecto
socioeconômico e no manejo da cultura.
A principal região produtora de coco do Brasil é o
Nordeste, com uma produção de 1.204,428 toneladas de
frutos no ano de 2020, o que representou em torno de
73,47% da produção nacional (IBGE, 2020). Devido à
industrialização da água de coco no Brasil, principalmente na
região Nordeste, houve um aumento significativo na
demanda por áreas de cultivo de coco (SAMPAIO et al.,
2018).
Nesse sentido, objetivou-se determinar e monitorar a
dinâmica dos parâmetros biofísicos na cultura do coqueiro
Monitoramento de área de coqueiro irrigado por parâmetros biofísicos ...
Nativa, Sinop, v. 11, n. 2, p. 233-240, 2023.
234
irrigado no semiárido brasileiro, utilizando técnicas de
sensoriamento remoto com uso de imagens orbitais do
Landsat 8.
2. MATERIAL E MÉTODOS
2.1. Área de estudo
A área fica localizada no Município de Sousa, Paraíba,
cultivada com coqueiro-anão com as seguintes coordenadas
6°49'57.77"S 38°18'16.67"O, a uma altitude de 234 m sobre
o nível do mar (Figura 1). Situada na microrregião homônima
e na mesorregião do Sertão Paraibano, no oeste do Estado da
Paraíba, distante 438 km de João Pessoa, capital do Estado.
O município encontra-se com toda sua área territorial
inserida na sub-bacia do Rio do Peixe, pertencente à bacia
hidrográfica do Rio Piranhas-Açu, cujos rios principais
cortam a zona urbana do município. O principal açude é o
São Gonçalo, situada no distrito homônimo, com capacidade
para 44,6 milhões de metros cúbicos de água.
Figura 1. Localização da área experimental no município de Sousa-
PB, destacando a parcela amostral com o cultivo de coqueiro (em
amarelo). Fonte: Google Earth Pro, 2022
Figure 1. Location of the experimental area in the municipality of
Sousa-PB, highlighting the sample plot with coconut cultivation (in
yellow). Root: Google Earth Pro, 2022
Figura 2. Mapa de localização do estado, município e da área
experimental no município de Sousa-PB. Fonte: Elabora pelos
autores.
Figure 2. Location map of the state, municipality and experimental
area in the municipality of Sousa-PB. Source: Developed by the
authors.
Segundo a classificação de Koppen-Geiger, o clima do
município de Sousa é tropical semiárido (do tipo Bsh), com
temperatura média 26,7 ºC, e precipitação média de 872 mm
anuais, concentrados entre janeiro e abril, sendo março o mês
de maior precipitação. Enquanto, a evaporação anual chega a
ultrapassar os 3.000 mm. As temperaturas predominantes são
altas e em média variam, com mínimas de 22 ºC e máximas
de 38 ºC. O clima tropical semiárido é caracterizado pela
escassez e irregularidade de chuvas, assim como a forte
evaporação por conta das altas temperaturas. A umidade
relativa do ar compensada é de 61%, sendo mais elevada nos
meses mais chuvosos, podendo chegar a níveis críticos nos
meses mais secos (INMET, 2016).
Os solos predominantes na área são o Argissolo
Vermelho e o Vertissolo Háplico. A vegetação natural é
classificada como Caatinga hiperxerófila, sem folhas na
estação seca, com abundância de cactáceas e plantas de
pequeno porte (IBGE, 2023).
Os dados da precipitação mensal adquiridas na estação
meteorológica de São Gonçalo-PB, localizada próxima à área
de estudo são mostradas na Figura 3.
Figura 3. Precipitação acumulada mensal na estação meteorológica
de São Gonçalo-PB em 2016. Fonte: INMET, 2016.
Figure 3. Monthly accumulated precipitation at the meteorological
station of São Gonçalo-PB in 2016. Root: INMET, 2016.
2.2. Imagens de satélite utilizadas
Foram utilizadas três imagens da área de estudo, geradas
pelo Operational Land Imager - OLI e Thermal Infrared
Sensor - TIRS do satélite LANDSAT 8 aproximadamente às
09 hrs 45 min (hora local), da órbita 216 e ponto 65 para o
município de Sousa- PB, nas seguintes datas; 15/05/2016,
16/06/2016 e 06/10/2016, adquiridas junto ao United States
Geological Survey-USGS (Serviço Geológico dos Estados
Unidos). As imagens têm resolução espacial de 30 m e
resolução espectral disponíveis em 16 bits, o que significa
uma intensidade em cada pixel entre 0 e 65.535 níveis de
cinza, garantindo maior detalhamento das informações
geradas. As imagens obtidas já eram ortorretificadas, ou seja,
imagens com suas coordenadas de pixels corrigidas e bastante
próximas das coordenadas reais da superfície.
As escolhas das imagens foram selecionadas utilizando
dias com baixa cobertura de nuvens para obter uma melhor
qualidade de processamento, e atendendo os requisitos da
pesquisa e as datas com a representação das condições de
cobertura do solo em período chuvoso, transição e seco,
respectivamente.
2.3. Software e pacotes de funções utilizados
As imagens OLI utilizadas são compostas de sete bandas
espectrais (bandas 2 a 7, e a banda 10 a termal). Essas imagens
correspondem à passagem do Landsat 8 às 9:00 hrs (tempo
local) no ano de 2016. Os processamentos foram realizados
com o software ERDAS IMAGINE: empilhamento das
bandas, recorte das imagens empilhadas na ferramenta
RASTER no ícone Spectral que é um modelo que permite
graficamente criar um fluxograma de trabalho e executar este
a partir de dados de entrada, que produz uma saída,
geralmente uma imagem do tipo Raster, a partir de um ou
mais dados de entrada. As operações matemáticas para cada
etapa atribuída ao estudo foram feitas através da ferramenta
Model Maker, encontrada no ícone Toolbox, sendo uma
ferramenta indispensável para o processamento das imagens.
184,10
30,70
308,40
115,10
30,6010,10 0,50 0,00 0,00 11,90 0,00 10,00
0,00
100,00
200,00
300,00
400,00
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Precipitação (mm)
Meses
Cordão et al.
Nativa, Sinop, v. 11, n. 2, p. 233-240, 2023.
235
O processamento dos parâmetros biofísicos; albedo (α),
índice de vegetação de diferença normalizada (NDVI), índice
de área foliar (IAF) e Temperatura de superfície (Ts) foram
realizados pelo algoritmo METRIC (Mapping
EvapoTranspiration at high Resolution with Internalized
Calibration).
2.4. Processamentos dos Parâmetros biofísicos
1a Etapa: Radiância espectral ou Calibração
Radiométrica (Lb)
A primeira etapa corresponde à energia solar refletida por
cada pixel por unidade de área, de tempo, ângulo sólido e de
comprimento de onda, medida ao nível do satélite
LANDSAT 8-OLI para as bandas 2, 3, 4, 5, 6 e 7 e a banda
10 da termal. A radiância espectral foi determinada com base
nos termos aditivo e multiplicativo, necessários para
converter os valores quantizados e calibrados do nível de
cinza de cada banda em radiância espectral. Foram utilizados
coeficientes radiométricos referentes à radiância,
disponibilizados nos arquivos de metadados das imagens.
Para a determinação da radiância espectral em cada banda se
utilizou a Equação 1 (CHANDER; MARKHAM, 2003;
SILVA et al., 2016).
L= Add, +Mult,.ND (01)
em que: 𝐴𝑑𝑑, é o termo aditivo e 𝑀𝑢𝑙𝑡, o
multiplicativo, relativos à radiância (extraídos do metadados
de cada imagem do OLI) e 𝑁𝐷 é a intensidade de cada pixel
e a banda (valores entre 0 e 65.365), observados a partir das
imagens.
2ª Etapa: Reflectância Monocromática Planetária (rb)
Foi necessário, novamente, converter os valores
quantizados e calibrados do nível de cinza de cada banda do
OLI, dessa vez para à refletância monocromática planetária.
Para isto, foram utilizados os coeficientes radiométricos
referentes à reflectância, disponibilizados nos metadados das
imagens (CHANDER; MARKHAM, 2003; SILVA et al.,
2016). A reflectância monocromática de cada pixel- rb (W m-
2 sr-1 μm-1), determinada pela Equação 2:
r=, ,.
 . (02)
em que: Add, o termo aditivo e Mult, o
multiplicativo, relativos à refletância e ND a intensidade de
cada pixel. Que foram extraídos dos metadados de cada
imagem e dr obtido conforme a Equação 3:
d=1+0,033.cos󰇡 .  .
 󰇢 (03)
em que: dr é a distância relativa Terra-Sol; DSA é o dia
sequencial do ano e o argumento da função cos está em
radianos. O valor médio anual de dr é igual a 1,00 (variando
de 0,97 a 1,03). O cosseno do ângulo zenital solar (Z,
adimensional) é obtido a partir do ângulo de elevação do Sol
(E, graus), disponibilizado nos metadados das imagens, de
acordo com a Equação 4:
cos Z=cos󰇡
−E󰇢=sen (E) (04)
Para os cálculos dos pesos foram determinados os
coeficientes de cada banda das imagens, seguindo a
metodologia (CHANDER; MARKHAM, 2003; SILVA et al.,
2016), utilizando-se a Equação 5:
k= .
.  . (05)
em que: k (W m-2 μm-1) foi calculada a irradiância solar
espectral de cada uma das bandas refletivas do Landsat 8 OLI
no Topo da Atmosfera (TOA). Em seguida, foram calculados
os pesos (ρb, adimensional) para cada banda do OLI, onde o
valor do pb de cada banda espectral, foram obtidos através da
razão entre o kb daquela banda e o somatório de todos os kb
do Landsat 8 OLI (CHANDER; MARKHAM, 2003; SILVA
et al., 2016), a partir da Equação 6.
ρ =
∑ (06)
Os pesos calculados foram empregados no cômputo do
albedo planetário na etapa seguinte.
3a Etapa: Albedo da superfície (αs)
O albedo da superfície é dado pela razão entre a radiação
solar refletida pela radiação solar global incidente à superfície
em todo o domínio da radiação de onda curta à superfície
(0,3 a 3,2 μm) (ALLEN et al.,2007). No METRIC o cômputo
do αs é obtido através da Equação 7 com a combinação linear
das reflectâncias monocromáticas de cada banda:
α=∑(ρ, . ɷ)
 (07)
em que: ωb expressa o peso de cada banda, ρs,b a reflectância
de cada banda do TM , sendo que a reflectância de cada banda
corrigido os efeitos atmosféricos é dada pela razão entre a
radiação solar refletida- Rout s,b por cada banda e a radiação
incidente- Rin s,b (Equação 8), ambas à superfície, o que pode
feito segundo expressão (ALLEN et al., 2007):
ρ, = ,
 , = ,,
, . , (08)
em que: ρs,b é a refletividade do pixel à superfície, ρt,b é a
refletividade da banda b no topo da atmosfera, ρa,b é a
refletância atmosférica, 𝜏, é a transmissividade atmosférica
para a radiação solar incidente e 𝜏, é a transmissividade
para a radiação solar refletida pela superfície. Segundo Allen
et al. (2007) τin,b, e τout,b são responsáveis pela atenuação de
ambos os feixes de radiação difusa.
A refletividade da banda b no topo da atmosfera é
estimada de acordo com a Equação 9 (ALLEN et al., 2007):
ρ,= ,
   (09)
em que: Lt,b = energia refletida na banda b do satélite (Wm−
2ster – 1µm − 1), dr = distância Terra-Sol em astronômico
unidades, ESUNb é a média solar radiação exoatmosférica
sobre a banda b (Wm – 2 µm − 1); cos θ rel é o cosseno do
ângulo solar de incidência (ou ângulo do zênite solar) em
relação ao normal para a inclinação da superfície da terra.
Monitoramento de área de coqueiro irrigado por parâmetros biofísicos ...
Nativa, Sinop, v. 11, n. 2, p. 233-240, 2023.
236
4a Etapa: Índice de vegetação (NDVI, SAVI e IAF)
O Normalized Difference Vegetation Index (NDVI), é
alcançado através da razão entre a diferença das refletâncias
do infravermelho próximo (𝜌) e do vermelho (𝜌), pela
soma das mesmas, de acordo com os pesquisadores (ALLEN
et al., 2002; CUNHA et al., 2012; OLIVEIRA et al., 2012;
BEZERRA et al., 2014; SOUZA, 2014), segundo a Equação
10. As bandas correspondentes, no caso do LANDSAT 8,
são as bandas 4 e 5.
NDVI=()
( ) (10)
O NDVI normaliza a razão simples para o intervalo de -
1 a +1. Onde as áreas de vegetação mais intensa aproximam-
se dos patamares superiores, e áreas inundadas do limite
inferior.
Em 1988, Huete desenvolveu o índice de vegetação
ajustado ao solo, Soil Adjusted Vegetation Index (SAVI), que
é uma melhoria do NDVI. O SAVI é obtido a partir da
aplicação da constante L, minimizando os efeitos da cor do
solo nos seus resultados. A constante L varia entre 0 e 1, de
acordo com a densidade da vegetação, sendo o valor 1
adotado para áreas com pouca cobertura vegetal, já para áreas
com cobertura intermediária é representada por L=0,5, para
áreas muito densas, geralmente adota-se a constante L= 0.25.
Quando o L é igual a 0, o SAVI é idêntico ao NDVI
(HUETE 1988).
O SAVI é determinado pela equação 11 (ALLEN et al.,
2002; OLIVEIRA, 2012; SOUZA, 2014).
SAVI=()( )
() (11)
em que: L é a constante de ajuste ao solo, que depende do
tipo de solo, o valor mais utilizado pelos pesquisadores é 0,5
(ALLEN et al., 2002). Utilizou-se nessa pesquisa 0,1
conforme estudos mais recentes (ALLEN et al., 2007;
SOUZA, 2014).
O Índice de Área Foliar (IAF) é definido pela razão entre
a área foliar de toda a vegetação por unidade de área utilizada
por essa vegetação e é tido como um indicador da biomassa
de cada pixel da imagem (ALLEN et al., 2002). Tem por base
em sua equação o cálculo envolvendo o SAVI, utilizando a
Equação 12, recomendada por Allen et al. (2002):
IAF=−󰇡,
, 󰇢
, (12)
5a Etapa: Emissividades
Como cada pixel por si só não emite radiação
eletromagnética como um corpo negro, existe a necessidade
de acrescentar à emissividade de cada pixel no domínio
espectral da banda termal – ɛ_NB (10,4 – 12,5 μm). Dessa
forma, para o cálculo da radiação de onda longa emitida por
cada pixel, considera-se a emissividade no domínio da banda
larga – ɛ_0 (5 – 100 μm).
Segundo ALLEN et al. (2007), as ɛNB e ɛ0 podem ser
obtidas e validadas, para NDVI>0 (indicando vegetação) e
para IAF≤ 3, onde se aplica as conforme as Equações 13 e
14, abaixo:
ɛ =0,97+0,0033.IAF (13)
ɛ=0,95+0,01.IAF (14)
Ainda utilizando as condições sugeridas por Allen et al.
(2007) para pixels com valores de IAF> 3, se considerou ɛ
= ɛ =0,98. Quando NDVI ≤ 0 (indicando água)
considerar ɛ= ɛ = 0,985.
6a Etapa: Temperatura da Superfície
(𝑻𝑺)
O cálculo da temperatura de superfície (Ts) obtém-se em
kelvin, utilizando a equação 15 (ALLEN et al., 2002;
CUNHA et al., 2012; OLIVEIRA et al., 2012; BEZERRA et
al., 2014).
T=
󰇧.
,  󰇨 (15)
em que: Lb,10 a radiância espectral da banda termal do Landsat
8 do sensor TIRS; εNB a emissividade obtida anteriormente, e
K1 e K2 que são constantes de calibração da banda termal 10
do Landsat 8 TIRS (𝐾 = 774,89 e 𝐾= 1321,08 W m-2 sr-1
μm-1), extraídos dos metadados das imagens processadas.
2.5. Análise estatística
Todas as estimativas dos parâmetros biofísicos foram
avaliadas utilizando estatística descritiva por meio das
principais medidas de posição e dispersão (média, desvio
padrão e coeficiente de variação) e o coeficiente de correlação
de Pearson.
3. RESULTADOS
Nas cartas temáticas do albedo de superfície obtidas com
as imagens do LANDSAT 8, observa-se que os valores na
área irrigada apresentam médias de 0,150; 0,165 e 0,170,
respectivamente, para os dias 15 de maio (A), 16 de junho (B)
e 06 de outubro (C), havendo um coeficiente de variação
(CV) de 6,44% entre as datas estudadas (Figura 4).
No NDVI em diferentes períodos do ano na cultura do
coqueiro irrigado (Figura 5), podemos perceber que os
índices diminuíram a medida do transcurso do ano, com os
valores de 0,901; 0,831 e 0,724 para os dias 15 de maio (A),
16 de junho (B) e 06 de outubro (C), respectivamente, se
obtendo um CV de 16,39%.
Os valores de IAF foram de 4,250; 3,682 e 2,435,
respectivamente, para os dias 15 de maio (A), 16 de junho (B)
e 06 de outubro (C) do ano de 2016, apresentando o maior
coeficiente de variação (CV: 26,87%) (Figura 6).
Na Figura 7 são apresentadas as cartas temáticas da Ts,
correspondendo os valores de 25,75; 32,55 e 32,15 °C, para
os dias 15 de maio (A), 16 de junho (B) e 06 de outubro (C)
do ano de 2016 respectivamente.
Na Tabela 3, encontram-se as correlações entre os
parâmetros biofísicos; albedo, NDVI, IAF e Ts na área
implantada com coqueiro-anão.
Tabela 3. Correlação (r) entre os parâmetros biofísicos estimados
pelo modelo METRIC na cultura do coqueiro irrigado.
Table 3. Correlation (r) between the biophysical parameters
estimated by the METRIC model in irrigated coconut cultivation.
Albedo
NDVI
IAF
Albedo
-
-
0,921
-
0,881
0,957
NDVI
-
0,921
-
0,996
-
0,767
IAF -0,881 0,996 - -0,705
Ts
0,957
-
0,767
-
0,705
-
Cordão et al.
Nativa, Sinop, v. 11, n. 2, p. 233-240, 2023.
237
Figura 4. Carta temática do albedo da superfície no município de Sousa- PB (METRIC): 15 de maio (A), 16 de junho (B) e 06 de outubro (C) do
ano de 2016.
Figure 4. Thematic map of surface albedo in the municipality of Sousa-PB (METRIC): May 15 (A), June 16 (B) and October 6 (C) of the year 2016.
Figura 5. Carta temática do NDVI da superfície no município de Sousa- PB (METRIC): 15 de maio (A), 16 de junho (B) e 06 de outubro (C) do
ano de 2016.
Figure 5. NDVI thematic map of the surface in the municipality of Sousa-PB (METRIC): May 15 (A), June 16 (B) and October 6 (C) of the year
2016.
Figura 6. Carta temática do IAF da superfície no município de Sousa- PB (METRIC): 15 de maio (A), 16 de junho (B) e 06 de outubro (C) do ano
de 2016.
Figure 6. Thematic map of the surface IAF in the municipality of Sousa-PB (METRIC): May 15 (A), June 16 (B) and October 6 (C) of the year 2016.
A
C
B
A
C
B
A
B
C
Monitoramento de área de coqueiro irrigado por parâmetros biofísicos ...
Nativa, Sinop, v. 11, n. 2, p. 233-240, 2023.
238
Figura 7. Carta temática de temperatura de superfície no município de Sousa- PB (METRIC): 15 de maio (A), 16 de junho (B) e 06 de
outubro (C) do ano de 2016.
Figure 7. Thematic map of surface temperature in the municipality of Sousa-PB (METRIC): May 15 (A), June 16 (B) and October 6 (C) of
the year 2016.
4. DISCUSSÃO
4.1. Albedo
Os resultados dos albedos são semelhantes aos
encontrados por Silva, et al. (2011), utilizando imagens do
Landsat 5, encontrando-se uma variação no albedo entre
0,154 e 0,183. E por Silva et al., (2016), usando imagens do
Landsat 8, verificaram uma variação nas médias do albedo de
0,166 a 0,182. Ambas as pesquisas citadas foram realizadas na
mesma região deste estudo em pomares de coqueiros
irrigados.
Enquanto à variação do albedo na área irrigada entre as
datas pode ser relacionada à sazonalidade, pois, de acordo
com Oliveira et al., (2012), no período chuvoso as
precipitações promovem redução da radiação refletida pelo
solo, devido ao aumento do índice de área foliar da vegetação,
explicando menor albedo. Já a elevação do albedo no
transcurso do ano é devido a aumento na temperatura,
redução da umidade no solo e consequentemente queda no
índice de vegetação, sendo isto observado por pesquisas com
sensoriamento remoto no semiárido brasileiro por Bezerra et
al., (2014); Martins & Galvani, (2020); Silva et al., (2021).
Por essa razão, o albedo de superfície apresenta forte
correlação com os índices de vegetação NDVI e IAF (Tabela
3). Cunha et al. (2012), no semiárido nordestino, observou
que o albedo de superfície há uma forte correlação com a
cobertura do solo, sendo este um importante parâmetro em
estudos ambientais.
Todavia, os albedos das áreas irrigadas são mais
claramente diferentes de áreas de vegetação nativa em meses
mais distantes da estação chuvosa (SILVA et al., 2016).
4.2. Índice de vegetação
A razão do maior NDVI pode ser associada à
precipitação, a principal causa dessas modificações em razão
da umidade presente no solo, visto que 90% das precipitações
ocorreram no intervalo de janeiro a maio (com o acumulado
de 638,2 mm) (Figura 3), enquanto, em outubro na região
predomina período de estiagem e com maiores temperaturas
médias. Esse incremento no NDVI no período chuvoso e a
redução na época mais seca foram também observadas por
Simões et al., (2021) e Bezerra et al., (2014). O NDVI está
diretamente relacionado com a capacidade fotossintética da
planta e é influenciada negativamente pelo déficit hídrico
(ALLEN et al., 2011).
Mesmo com aplicação de água por irrigação, ocorreu uma
redução no NDVI da cultura no período de estiagem. A
tendência a qual foi observada anteriormente no albedo,
portanto, há uma correlação entre as variáveis, afirmada por
Bezerra et al., (2014), pois nessa circunstância a redução do
NDVI, há um aumento da reflectância na faixa espectral do
visível (albedo elevado) e absorver mais na faixa espectral do
infravermelho, a qual promove a maior valor da temperatura
de superfície.
Desde o ano de 2012 os índices pluviométricos na região
do sertão paraibano estavam abaixo da média. Esse período
foi marcado por limitações hídricas para a região. Ocorrendo
cortes da irrigação nos pomares implantados com coqueiro,
a consequência foi à redução das áreas colhidas em 83,73%
no ano de 2015 em relação ao ano de 2011 com 1,353
hectares, refletindo uma queda no rendimento de frutos de
22000 para 6000 kg ha-1 (redução de 72,72%) comparado a
esse mesmo ano (IBGE, 2022). De modo, resultando não
apenas na queda da produtividade, mas perdas de pomares e
de plantas, causando desuniformidade nas áreas de cultivo,
justificando as variações nos índices do NDVI e também do
IAF.
Como o IAF é fortemente correlacionado com o NDVI
(Tabela 3), houve uma redução na área à medida que se
distancia do período chuvoso (Figura 5). Lins et al. (2021),
encontraram o índice de área foliar (IAF) da bacia
hidrográfica do córrego Exu, assim, como NDVI, valores
mais elevados nas datas com maior precipitação antecedente,
o que destaca o regime de precipitação como decisivo no
aumento dos índices de vegetação.
4.3. Temperatura de superfície
A temperatura de superfície é uma importante variável a
ser determinada, pois fornece informações sobre cobertura
do solo e é utilizada para determinar outras variáveis. A
condição de déficit hídrico e elevada insolação, pode ser
indicada através da mensuração da temperatura de superfície
(BEZERRA et al., 2014).
A
C
B
Cordão et al.
Nativa, Sinop, v. 11, n. 2, p. 233-240, 2023.
239
É notória como a estação do ano diferencia as variáveis
meteorológicas. Isto é, o incremento na cobertura vegetal na
estação chuvosa, contribuiu na redução da temperatura de
superfície. Observe-se que na data 15 de maio apresentou
uma Ts em média na área irrigada de 25,75°C, não havendo
distinção entre a área irrigada e as áreas subjacentes, isto
devido às precipitações (Figura 7 A). Resultado semelhante
ao encontrado por Oliveira et al. (2012), pontuando que a
precipitação favoreceu a diminuição da temperatura da
superfície.
A área do coqueiral nos meses de junho e outubro foi
registrada as maiores temperaturas de superfície em média
geral (32,15°C) (Figura 7 B e C). Na análise temporal, se
estimou um CV de 12,66% para temperatura de superfície.
Geralmente, a precipitação e cobertura vegetal reduzem a
temperatura da superfície, mas Bezerra et al. (2014) destacam
outros parâmetros relacionados à sazonalidade, como as
variáveis meteorológicas de radiação solar global incidente e
a temperatura do ar.
A elevação da temperatura da superfície no percurso do
ano foi causada provavelmente pela redução no NDVI, e
consequentemente com aumento da reflectância na faixa
espectral do visível e maior absorção na faixa espectral do
infravermelho. Segundo Gartland (2010), às elevadas
temperaturas, são relacionadas à falta de cobertura do solo,
acarretando uma constante incidência de radiação solar, e
uma alta amplitude térmica, assim, aquecendo rapidamente
durante o período de exposição solar, fazendo com que a
temperatura aumente durante o dia, aumentando a irradiação
de calor e sua temperatura. Nas áreas adjacentes não irrigadas
foram detectadas temperaturas ainda mais elevadas,
semelhante aos resultados observados por Silva et al. (2021)
que encontraram os menores valores de temperatura de
superfície nas áreas irrigadas e bem vegetadas.
Por essa razão há uma correlação proporcional inversa do
albedo com as variáveis de índice de vegetação (NDVI e
IAF), e uma correlação proporcional direta com a
temperatura de superfície (Tabela 4).
A temperatura de superfície reduz à medida que ocorre
um incremento nos índices vegetativo, pois apresenta
correlação inversa, Silva et al. (2021) explica que a maior
densidade de vegetação contribui significativamente para
diminuição da Ts, devido à capacidade do dossel em absorver
radiação e impedir que essa mesma radiação chegue ao solo
e se transforme em ondas curtas, aquecendo
substancialmente a área, melhorando diversos aspectos da
superfície.
Todos os resultados dos parâmetros biofísicos estão de
acordo com os encontrados por Ivo et al. (2020), em que os
maiores NDVI e menores albedo e Ts foram observados nas
áreas mais densamente vegetadas.
5. CONCLUSÕES
As cartas temáticas produzidas do albedo, dos índices de
vegetação e da temperatura de superfície a partir de imagens
de satélite do LANDSAT 8, permitiram detectar diferentes
graus de cobertura vegetal na área implantada com coqueiro.
Sendo uma técnica promissora no gerenciamento de área
agrícola, reduzindo custo e tempo, auxiliando na tomada de
decisões.
A influência do manejo e da sazonalidade na cultura do
coqueiro é detectada nos parâmetros biofísicos, havendo
correlação entre as mesmas, pois, o incremento da biomassa
na cultura, ocorre à redução da refletância no período
chuvoso, enquanto, a redução dos índices vegetativos no
período seco e sem a manutenção hídrica adequada ocorre o
aumento da refletância ocasionando a elevação do albedo e
da temperatura de superfícies.
6. REFERÊNCIAS
ALLEN, R. G.; PEREIRA, L. S.; HOWELL, T. A.;
JENSEN, M. E. Evapotranspiration information
reporting: I. Factors governing measurement accuracy.
Agricultural Water Management, v. 98, p. 899-920,
2011.https://doi.org/10.1016/j.agwat.2010.12.015
ALLEN, R. G.; TASUMI, M.; TREZZA, R. Satellite-Based
energy balance for mapping evapotraspiration with
internalized calibration (METRIC) – Model. Journal of
Irrigation and Drainage Engineering, v. 133, n. 4, p.
380-394, 2007.
ALLEN, R. G.; TASUMI, M.; TREZZA, R.;
BASTIAANSSEN, W. G. M. SEBAL (Surface Energy
Balance Algorithms for Land). Advance Training and
User’s Manual – Idaho Implementation, v. 1, p. 97,
2002.
BEZERRA, J. M.; MOURA, G. B. A.; SILVA, B. B.; LOPES,
P. M. O.; SILVA, E. F. F. Parâmetros biofísicos obtidos
por sensoriamento remoto em região semiárida do estado
do Rio Grande do Norte, Brasil. Revista Brasileira de
Engenharia Agrícola e Ambiental, v. 18, n. 1, p. 73-84,
2014. https://doi.org/10.1590/S1415-
43662014000100010
CUNHA, J. E. B. L.; RUFINO, I. A.; SILVA, B. B.;
CHAVES, I. D. B. Dinâmica da cobertura vegetal para a
Bacia de São João do Rio do Peixe, PB, utilizando-se
sensoriamento remoto. Revista Brasileira de
Engenharia Agrícola e Ambiental, v. 16, n. 5, p. 539
548, 2012.
CHANDER, G.; MARKHAN, B. Revised Landsat 5 - TM
radiometric calibration procedures and post calibration
dynamic ranges. IEEE Transactions on Geosciences
and Remote Sensing, v. 41, n. 11, p. 2674-2677, 2003.
FRANÇA, L. C. J.; SILVA, J. B. L.; LISBOA, G. S.;
MUCIDA, D. P.; CERQUEIRA, C. L.; SANTOS, E. L.
Análise espaço-temporal da cobertura vegetal em uma
bacia hidrográfica na região do MATOPIBA, Brasil.
Nativa, v. 6, n. especial, p. 737-744, 2018.
http://dx.doi.org/10.31413/nativa.v6i0.5843
GARTLAND, L. Ilhas de calor em áreas urbanas. São
Paulo: Oficina de Textos, 2010.
HUETE, A. R. A soil adjusted vegetation index (SAVI).
Remote Sensing of Environment, v. 25, n. 3, p. 295-
309, 1988.
IVO, I. O.; BIUDES, M. S.; COSTA, R. O.; MACHADO,
N. G.; SANTOS, L O. F.; PEDREIRA JUNIOR, A. L.
Variação temporal de parâmetros biofísicos da superfície
por imagens Landsat 5 em diferentes coberturas do solo
em uma área de transição de Cerrado e Pantanal em Mato
Grosso. Nativa, v. 8, n. 5, p. 597-602, 2020.
https://doi.org/10.31413/nativa.v8i5.10064
IBGE_Instituto Brasileiro de Geografia e Estatística.
Produção Agrícola Municipal-SIDRA, Censo, 2020.
Disponível em> https://sidra.ibge.gov.br/tabela/5457.
Acesso em> 08 abr.2022.
IBGE_Instituto Brasileiro de Geografia e Estatística. Banco
de Dados de Informações Ambientais-BDiA, Censo,
Monitoramento de área de coqueiro irrigado por parâmetros biofísicos ...
Nativa, Sinop, v. 11, n. 2, p. 233-240, 2023.
240
2023. Disponível em >
https://bdiaweb.ibge.gov.br/#/consulta/pedologia.
Acessado em:> 15. jan. 2023.
INMET_Instituto Nacional de Meteorologia. Disponível
em: https://portal.inmet.gov.br/. Acesso em: 18 set.
2020.
LINS, F. A. C.; MOURA, G. B. A.; LOPES, P. M. O.;
SILVA, J. L. B.; NASCIMENTO, C. R.; SILVA, E. F. F.
Biophysical parameters to the surface by orbital remote
sensing in hydrographic basin of the Brazilian semiarid.
GeoUERJ, v. 1, n. 39, e39650, 2021.
https://doi.org/10.12957/geouerj.2021.39650
LEAL, F. A.; SOUZA, C. M.; LEAL, G. S. A.; MIGUEL, E.
P. Utilização do NDVI na análise da vegetação após
ocorrência de incêndio. Nativa, v. 7, n. 2, p. 226-231,
2019. http://dx.doi.org/10.31413/nativa.v7i2.6664
OLIVEIRA, L. M. M.; MONTENEGRO, S. M. G. L.;
ANTONINO, A. C. D.; SILVA, B. B.; MACHADO, C.
C. C.; GALVÍNCIO, J. D. Análise quantitativa de
parâmetros biofísicos de bacia hidrográfica obtidos por
sensoriamento remoto. Pesquisa Agropecuária
Brasileira, v. 47, n. 9, p. 1209-1217, 2012.
https://doi.org/10.1590/S0100-204X2012000900005
PEZZONI FILHO, J. C.; LESSA, L. G. F.; FILGUEIRAS,
R.; LEDA, V. C.; ZIMBACK, C. R. L.; FURTADO, E.
L. Comportamento do vigor foliar em seringueira em
diferentes fenologias de dossel. Nativa, v. 6, n. 5, p. 497-
506, 2018. http://dx.doi.org/10.31413/nativa.v6i5.5279
RIBEIRO, R. B.; FILGUEIRAS, R.; RAMOS, M. C. A.;
NASCIMENTO, C. R. Análise temporal das variações de
parâmetros biofísicos da cana-de-açúcar em Jaíba - MG.
Nativa, v. 3, n. 3, p. 150-155, 2015.
http://dx.doi.org/10.14583/2318-7670.v03n03a01
SILVA, C. V. S.; SILVA, J. L. B.; MOURA, G. B. A.; LOPES,
P. M. O.; NASCIMENTO, C. R.; SILVA, L. C.
Monitoramento da cobertura vegetal por sensoriamento
remoto no semiárido brasileiro através de índices de
vegetação. Nativa, v. 7, n. 6, p. 708-717, 2019.
http://dx.doi.org/10.31413/nativa.v7i6.7646
SAMPAIO, A. P. C.; SILVA, A. K. P.; BARROS, V. S.;
AMORIM, J. R. A.; MIRANDA, F. R.; FIGUEIRÊDO,
M. C. B. Pegada hídrica da água de coco verde nas
principais regiões produtoras do Nordeste. Revista
Latino-americana em Avaliação do Ciclo de Vida,
Edição Especial, v. 1, n. 2, p. 128-141, 2018.
https://doi.org/10.18225/lalca.v1iEspec.4469
SIMÕES, E. M.; LIMA, J. R.; MENDONÇA, I. F. C.; Índice
de vegetação por diferença normalizada associado às
variáveis pluviométricas para a sub-bacia do Rio
Espinharas – PB/RN. Nativa, v. 9, n. 1, p. 106-114,
2021. https://doi.org/10.31413/nativa.v9i1.10453
SILVA, B. B.; BRAGA, A. C.; BRAGA, C. C.; OLIVEIRA,
L. M. M.; MONTENEGRO, S. M. G. L.; BARBOSA
JUNIOR, B. Procedures for calculation of the albedo
with OLI-Landsat 8 images: Application to the Brazilian
semi-arid. Revista Brasileira de Engenharia Agrícola
e Ambiental, v. 20, n. 1, p. 3-8, 2016.
https://doi.org/10.1590/1807-1929/agriambi.v20n1p3-
8
SOUZA, J. F. Análise das mudanças do uso e ocupação
do solo, variabilidade da temperatura e do saldo de
radiação em João Pessoa – PB. 130f. Dissertação
[Mestrado em Engenharia Urbana e Ambiental] -
Universidade Federal da Paraíba, João Pessoa, 2014.
MARTINS, A. P.; GALVANI, E. Relação entre uso e
cobertura da terra e parâmetros biofísicos no Cerrado
Brasileiro. Revista do Departamento de Geografia, v.
40, n. 1, p. 148-162, 2020.
https://doi.org/10.11606/rdg.v40i0.167739
SILVA, L. C.; SILVA, J. L. B.; MOURA, G. B. A.; SILVA,
D. A. O.; LOPES. P. M. O.; NASCIMENTO, C. R.;
SILVA, M. V.; BATISTA, P. H. D. Índices biofísicos e o
saldo de radiação à superfície via sensoriamento remoto
no Semiárido Pernambucano. Journal of
Environmental Analysis and Progress, v. 6, n. 1, 2021.
https://doi.org/10.24221/jeap.6.1.2021.2876.012-023
SILVA, B. B.; BRAGA, A. C.; BRAGA, C. C. Balanço de
radiação no perímetro irrigado São Gonçalo-PB mediante
imagens orbitais. Revista Caatinga, v. 24, n. 3, p. 145-
152, 2011.
Agradecimentos: A Ao Programa de Pós-Graduação em
Engenharia Agrícola (PPGEA); Universidade Federal de Campina
Grande; CAPES pela bolsa de Doutorado.
Contribuição dos autores: M.A.C., R.R.S.D., H.O.C.G. e C.W.O
- metodologia, coleta de dados, análise estatística, redação (revisão e
edição), administração, escrita; C.L.M.S - validação, redação
(rascunho original). Todos os autores leram e concordaram com a
versão publicada do manuscrito.
Financiamento: Coordenação Brasileira de Aperfeiçoamento de
Pessoal de Nível Superior-CAPES (Bolsa de Doutorado para o
primeiro autor).
Revisão por comitê institucional: Não se aplica.
Comitê de Ética: Não se aplica.
Disponibilização de dados: Contribuição dos autores: Os
dados desse estudo podem ser obtidos mediante solicitação ao autor
correspondente ou primeiro autor, através do e-mail
(mailson.cordao@gmail.com).
Conflito de Interesse: Os autores declaram que não existem
conflitos de interesse com outros pesquisadores ou instituições.