USO DE SENSORIAMENTO REMOTO NA DETECÇÃO DE

ALTERAÇÕES NA VEGETAÇÃO: UMA REVISÃO

Yan Breno Azeredo Gomes da Silva

Monografia avaliativa requerida a

disciplina de Introdução ao
Sensoriamento Remoto do curso
de mestrado em Sensoriamento
Remoto no Instituto Nacional de
Pesquisas Espaciais, sob
orientação do Dr. Milton Kampel.

INPE
São José dos Campos
2023
 RESUMO

Este trabalho explora o uso do sensoriamento remoto na detecção de

mudanças na vegetação. As técnicas e dados do sensoriamento remoto são
fundamentais para investigar e interpretar fenômenos e objetos na superfície
terrestre. Isso permite a detecção, descrição e compreensão de mudanças
físicas, biológicas e sociais. Para entender os vetores responsáveis pelas
alterações espaciais, são necessárias diversas técnicas, como a visão sinótica e
a manipulação digital. Essas ferramentas são poderosas para analisar diferentes
contextos, incluindo a detecção de mudanças na vegetação. A caracterização
da vegetação fornece informações valiosas sobre sua condição ecológica e
comportamento ao longo do tempo. Portanto, o monitoramento das mudanças
recorrentes é crucial. O sensoriamento remoto, através de imagens
multitemporais obtidas por sensores multiespectrais em satélites, é uma
ferramenta importante para detectar e quantificar essas mudanças. Isso permite
uma análise abrangente dos efeitos temporais dos fenômenos em estudo. Este
trabalho apresentará uma fundamentação teórica do sensoriamento remoto e
suas aplicações na detecção de mudanças na vegetação. Ele abordará os tipos
de sensores e técnicas comumente utilizadas e realizará uma revisão
bibliográfica para identificar avanços, limitações e tendências nessa área de
pesquisa.

Palavras-chave: Sensoriamento remoto. Detecção de Alterações. Vegetação.

Revisão bibliográfica.

3
 USE OF REMOTE SENSING IN VEGETATION CHANGE DETECTION: A
REVIEW

ABSTRACT

This work explores how remote sensing can be used to detect changes in
vegetation. Remote sensing techniques and data are crucial for investigating
and interpreting phenomena and objects on the Earth's surface. This enables
the detection, description, and understanding of physical, biological, and
social changes. To understand the vectors responsible for spatial alterations,
various techniques such as synoptic vision and digital manipulation are
necessary. These tools are powerful for analyzing different contexts, including
the detection of vegetation changes. Characterizing vegetation provides
valuable information about its ecological condition and behavior over time.
Therefore, monitoring recurring changes is crucial. Remote sensing, through
multi-temporal images obtained by multispectral sensors on satellites, is an
important tool for detecting and quantifying these changes. This allows for a
comprehensive analysis of the temporal effects of the phenomena under
study. This work will present a theoretical foundation of remote sensing and
its applications in detecting vegetation changes. It will address the types of
sensors and commonly used techniques and conduct a literature review to
identify advances, limitations, and trends in this research area.

Keywords: Remote sensing. Change detection. Vegetation. Literature review

4
 LISTA DE FIGURAS

Figura 2.1 – Fotográficas do primeiro satélite artificial a orbitar a Terra,

Sputinik.............................................................................................................................8

Figura 2.2 – Detalhes dos componentes dos primeiros satélites militares de

reconhecimento (CORONA-EUA e ZENIT-URSS)...................................................10

Figura 2.3 – Comparação dos sensores e suas respectivas bandas a bordo do

Landsat 7/8, ASTER e MODIS....................................................................................15

5
 LISTA DE TABELAS

Tabela 2.1 – Detalhes das bandas do sensor Thematic Mapper..........................13

Tabela 2.2 – Bandas espectrais e seus respectivos comprimentos de onda do

sensor AVHRR em diferentes satélites NOAA e MetOp........................................14

6
 SUMÁRIO

1 INTRODUÇÃO..............................................................................................................8

2 FUNDAMENTAÇÃO TEORICA..................................................................................9

2.1 Sensoriamento Remoto e suas Aplicações..........................................................9

2.2 Uso do Sensoriamento Remoto na Detecção de Alterações na

Vegetação......................................................................................................................12

2.3 Tipos de Sensores Utilizados...............................................................................13

2.4 Técnicas de Análise de Dados Aplicadas na Detecção de Alterações..........18

3 REVISÃO BIBLIOGRÁFICA......................................................................................22

4 CONCLUSÃO............................................................................................................25

REFERÊNCIAS BIBLIOGRÁFICA...............................................................................27

7
1 INTRODUÇÃO

A relação dinâmica entre a sociedade e a natureza gera mudanças

estruturais no espaço geográfico que demandam observação e compreensão
aprofundadas. Essa tarefa vai além da simples visualização e envolve diversas
instâncias e técnicas que permitem investigar e interpretar os fenômenos e
objetos da superfície terrestre. Entre essas técnicas, destaca-se o
sensoriamento remoto, que oferece aplicações essenciais para a detecção,
descrição e compreensão das mudanças nos processos físicos, biológicos e
sociais.

Para compreender os vetores que ocasionam as alterações espaciais, é

fundamental conhecer as inúmeras técnicas destinadas a essa finalidade. Com
esse conhecimento, o investigador terá ao seu alcance ferramentas de grande
potencial, como a visão sinótica e a manipulação digital, que podem ser
aplicadas em diferentes contextos, incluindo a detecção de mudanças na
vegetação, que é considerada um indicador primordial dos ecossistemas
terrestres (LU et al., 2004).

A caracterização da vegetação pode fornecer uma variedade de

informações valiosas, como sua condição ecológica e seu comportamento ao
longo do tempo (MOUAT et al., 1993). Por isso, o monitoramento da vegetação
e de suas alterações recorrentes são essenciais. Nesse sentido, a detecção e
quantificação de mudanças na vegetação por meio do sensoriamento remoto se
apresenta como uma importante ferramenta. Para isso, são utilizadas imagens
multitemporais obtidas por meio de sensores multiespectrais embarcados em
satélites, que apresentam características espectrais e espaciais essenciais dos
objetos, permitindo uma análise ampla e a compreensão dos efeitos temporais
dos fenômenos em estudo (COPPIN et al., 2004; LU et al., 2004; GHANDHI et
al., 2015).

Neste contexto, o objetivo deste trabalho é explorar as aplicações dos

dados e técnicas de sensoriamento remoto para detectar mudanças na

8
vegetação. Será feita uma fundamentação teórica abrangendo o sensoriamento
remoto tanto em suas aplicações gerais, quanto especificamente na detecção
de mudanças na vegetação, abordando também os tipos de sensores e
técnicas comumente utilizadas. Por fim, uma breve revisão bibliográfica será
realizada para identificar avanços, limitações e tendências nessa área de
pesquisa.

2 FUNDAMENTAÇÃO TEORICA

2.1 Sensoriamento Remoto e suas Aplicações

Com o surgimento da fotografia no século XIX e o progresso das técnicas

fotogramétricas a partir de plataformas aéreas no século XX, os estudos da
superfície terrestre experimentaram uma significativa evolução. Embora
inicialmente aplicadas no contexto militar, essas técnicas assumiram uma
importância crucial para a geração de conhecimento científico posteriormente.
A mudança decisiva nesse sentido ocorreu com o lançamento, pela União
Soviética, do Sputnik, o primeiro satélite a orbitar a Terra (Figura 2.1).

Figura 2.1 - Fotografias do primeiro satélite artificial a orbitar a Terra, Sputnik.

Fonte: The New York Times e The Space Review

Esse acontecimento confirmou a política que Jensen (2009) denomina de

"céus abertos", inaugurando no mundo a "era do reconhecimento da superfície
terrestre a partir do espaço". Rapidamente, a observação da Terra por sensores

9
remotos acoplados em satélites se consolidou como uma importante ferramenta
em diferentes esferas do conhecimento. A partir desse momento, o
sensoriamento remoto orbital desenvolveu-se, permitindo estudos dos mais
diversos sistemas terrestres.

O termo “sensoriamento remoto” possui uma ampla definição na

literatura. Uma das primeiras foi elaborada pela American Society for
Photogrammetry and Remote Sensing (Sociedade Americana de Fotogrametria
e Sensoriamento Remoto) que considerou o sensoriamento remoto como
(JENSEN, 2009):

“à medição ou aquisição de informação de

determinada propriedade de um objeto ou
fenômeno, mediante a um dispositivo de
registro que não esteja em contato físico
com o objeto ou fenômeno em estudo”
(1983).

As demais definições encontradas na literatura foram influenciadas pela

descrição anterior. Novo (2010) e Lorenzzetti (2015), em seus respectivos
livros, apresentam definições de autores como Elachi (1987) e Zyl (2006), que
também enfatizam a ideia de “aquisição de informação sobre um objeto sem
que se entre em contato físico com ele”. Em geral, portanto, pode se dizer que
o sensoriamento remoto se refere à obtenção de informações à distância, em
contraste com as medidas realizadas in situ.

Entretanto, no que se refere à tecnologia espacial, essa definição se

apresenta como bastante genérica, sendo necessária uma reformulação do
conceito. Uma vez que o sensoriamento remoto orbital faz uso de sensores que
medem as alterações sofridas pelo campo eletromagnético, uma nova definição
pode ser formulada da seguinte forma: "aquisição de informações de
alvos/objetos a partir da detecção e mensuração das mudanças que estes
impõem ao campo eletromagnético" (NOVO, 2010).

10
 De maneira semelhante, Florenzano (2007) propõe uma definição mais
restrita para o SR. De acordo com a pesquisadora, o sensoriamento remoto é

"à tecnologia que permite obter imagens e

outros tipos de dados da superfície
terrestre por meio da captação e do
registro da energia eletromagnética
refletida ou emitida pelo objeto/alvo"
(2007).

Outros autores, como Campbell (2008), Ress (2013) e Ponzio,

Shimabukuro & Kuplich (2015), também seguem essa mesma abordagem.

Os primeiros usos dessa tecnologia ocorreram essencialmente fora do

âmbito civil, especialmente na área de reconhecimento militar (Figura 2.2).
Basicamente, grande parte das técnicas idealizadas e consolidadas surgiram
dos esforços militares nas explorações táticas. Entretanto, esse conhecimento
logo foi adotado pela comunidade civil, em especial a científica, sendo utilizado
como uma poderosa ferramenta de observação e análise da superfície
terrestre.

Figura 2.2 - Detalhe dos componentes dos primeiros satélites utilizados no

âmbito militar de reconhecimento (CORONA-EUA e ZENIT-URSS).

Fonte: National Air and Space Museum

11
 A aplicação dessas ferramentas fora da esfera militar ficou conhecida
como "sensoriamento remoto do ambiente". Nesse contexto, as práticas se
concentram na investigação de uma gama de variáveis ambientais, como, por
exemplo, estudos atmosféricos que mensuram a temperatura, precipitação,
distribuição de nuvens, entre outras propriedades. Nos oceanos, inúmeros
trabalhos lidam com a temperatura da superfície oceânica, correntes marinhas,
material em suspensão, etc. Além disso, na superfície, pode-se verificar a
topografia, umidade do solo, assim como determinar a natureza da cobertura da
terra com detalhes consideráveis, como, por exemplo, a caracterização dos
tipos de vegetação, sua saúde e alterações ao longo do tempo, escopo deste
trabalho.

Como Rees (2013) enfatiza, a lista de variáveis ambientais que podem ser
observadas e mensuradas pelo sensoriamento remoto orbital é extremamente
vasta. Isso é um indicativo de que inúmeras áreas da ciência utilizam os
produtos de sensores remotos em suas investigações e que cada vez mais se
torna multidisciplinar, interdisciplinar e transdisciplinar. Alguns exemplos são:
geografia, biologia, cartografia, ecologia, geologia, glaciologia, oceanografia,
arquitetura e urbanismo, geomorfologia, engenharia, dentre outras.

2.2 Uso do Sensoriamento Remoto na Detecção de Alterações na

Vegetação

O iminente fator de transformação espacial é, sem dúvida, o

desenvolvimento das relações e atividades antropogênicas. O crescimento
urbano desordenado, o processo de industrialização, a intensificação da
agricultura e a contínua destruição das florestas estão conduzindo a uma
condição ambiental extremamente problemática (MISHRA et al., 2021).
Portanto, é essencial que tais práticas sejam monitoradas.

Tratando-se, em particular, da vegetação, a detecção de suas alterações

denota relevância, visto que a mesma é considerada um importante

12
componente dos ecossistemas terrestres (PRENTICE et al., 2000; SITCH et al.,
2003; JAMILI et al., 2015). De acordo com autores como Higgins (2002) e
Lambin (2003), os distúrbios a esses ecossistemas, como a própria conversão
florestal em pastagens e áreas cultivadas, bem como os incêndios, ampliam a
complexidade das variações da vegetação em uma ampla gama de resoluções
e escalas espaço-temporais. A consequência disso é a correspondente
necessidade de dados e ferramentas capazes de capturar e representar essas
alterações em um nível de detalhe adequado (JAMILI et al., 2015).

Nesse contexto, o sensoriamento remoto é uma ferramenta primordial,

possibilitando a identificação e avaliação de diversos fenômenos que afetam as
áreas vegetadas. Ademais, o uso dessa ferramenta e suas técnicas
correspondentes permitem monitorar as condições, padrões e tendências da
vegetação ao longo do tempo. Em geral, o mapeamento da vegetação oferece
importantes indicadores sobre as causas de mudanças no ecossistema,
conforme observado por MOUAT et al. (1993). Assim, os dados de
sensoriamento remoto revelam-se como uma aplicação significativa para o
registro das mudanças na cobertura terrestre.

2.3 Tipos de Sensores Remotos Utilizados

Os dados obtidos por meio do sensoriamento remoto multiespectral são

altamente eficazes na obtenção de informações precisas sobre mudanças na
vegetação. Sensores como o Multispectral Scanner (MSS) e o Thematic
Mapper (TM) são capazes de capturar diferenças espectrais que permitem a
visualização de detalhes importantes sobre a saúde da vegetação e alterações
na sua extensão espacial. Esse resultado é possível graças ao design do
dispositivo, que é capaz de detectar informações espectrais em diferentes
comprimentos de onda (MOUAT et al., 1993; GHANDI et al., 2015).

O Thematic Mapper, especificamente, foi lançado a bordo do satélite

Landsat-4 em 1982 e, posteriormente, no Landsat-5 dois anos depois. Com

13
uma resolução espectral composta por sete bandas distribuídas na região do
visível e do infravermelho próximo (Tabela 2.1) (MARKHAM et al., 1985), esse
tipo de sensor pertence ao grupo de sensores ópticos ou passivos. Ele utiliza a
radiação solar para medir as propriedades espectrais dos alvos, considerando
no caso da vegetação, as informações sobre a quantidade de clorofila e
biomassa, por exemplo.

Tabela 2.1 - Detalhes das bandas do sensor Thematic Mapper.

Fonte: NASA

Outros sensores ópticos amplamente utilizados incluem o AVHRR

(Advanced Very High Resolution Radiometer) e o MODIS (Moderate Resolution
Imaging Spectroradiometer). O AVHRR foi lançado quatro anos antes do sensor
TM, a bordo do TIROS-N (Television Infrared Observations Satellite), e opera de
forma contínua em satélites ambientais. Ele teve três gerações, sendo a
primeira um radiômetro de imagem de quatro canais, a segunda uma câmera
de imagem com cinco canais e a terceira geração com seis canais (Tabela 2.2)
(KALLURI et al., 2021).

14
Tabela 2.2 – Bandas espectrais e seus respectivos comprimentos de onda do sensor
AVHRR em diferentes satélites NOAA e MetOp.

Fonte: Kinwell, 1995 apud Kalluri et al., 2021

O MODIS aparece a bordo dos satélites Terra (EOS AM-1) e Aqua (EOS
PM-1) e combina características do AVHRR e do Thematic Mapper. Possui uma
sensibilidade radiométrica de 12 bits em 36 bandas espectrais, que variam em
comprimento de onda de 0,4 a 14,4 µm. Além disso, apresenta uma resolução
nominal de 250 metros a nadir em duas bandas, 500 metros em cinco bandas e
1 quilômetro nas 29 bandas restantes (JUSTICE et al., 1998).

Outros sensores modernos importantes utilizados na detecção de

mudanças na vegetação incluem o Operational Land Imager (OLI) e o Thermal
Infrared Sensor (TIRS) a bordo dos satélites Landsat 8 e 9, e o Multispectral
Instrument (MSI) no Sentinel-2. O OLI captura dados em nove bandas na região
do visível e infravermelho de ondas curtas, com uma resolução espacial de 30
metros, exceto para a banda pancromática que possui uma resolução de 15
metros. O TIRS complementa o OLI com a medição em dois canais de
infravermelho de ondas longas, com uma resolução espacial de 100 metros.
Por sua vez, o MSI apresenta uma resolução espectral de 13 bandas, cobrindo
um intervalo de 400 a 2.400 nm, e sua resolução espacial varia de 10, 20 e 60
metros, dependendo dos canais utilizados (KNIGHT & KARVAN, 2014;
CAZAUBIEL et al., 2017).

15
 A figura 2.3 apresenta as características espectrais de alguns sensores
remotos ópticos amplamente utilizados em satélites para fins de comparação.
Vale ressaltar que esses sensores mencionados representam apenas uma parte
das diversas constelações disponíveis atualmente. Assim, fica evidente a
capacidade que esses sensores possuem na detecção de mudanças na
vegetação.

Figura 2.3 – Comparação dos sensores e suas respectivas bandas a bordo do Landsat
7/8, Sentinel 2, ASTER e MODIS.

Fonte: USGS

Além do grupo dos sensores óticos passivos, há também outro grupo

chamado de sensores ativos, que desempenham um papel importante no
monitoramento das vegetações. Ao contrário dos sensores óticos, que
dependem da radiação solar para a obtenção de imagens, os sensores ativos
geram sua própria energia, não sendo dependentes de radiação externa. Um
tipo de sensor ativo amplamente utilizado é o Radar de Abertura Sintética (SAR)
que emite radiação micro-ondas, cujos dados são fornecidos por vários satélites
nos últimos anos, o que tem possibilitado avanços significativos nas pesquisas,
principalmente no que diz respeito à superação do problema das nuvens, que é
uma limitação dos sensores óticos (MINCHELLA et al., 2009).

16
 O satélite SEASAT, lançado em outubro de 1978, foi o pioneiro na
utilização de um sensor de SAR em órbita, abrindo caminho para futuros
satélites. No entanto, foi na década de 1990 que houve uma ampla difusão dos
sensores de SAR. Em julho de 1991, a Agência Espacial Europeia (ESA)
inaugurou o seu programa "European Remote Sensing Satellite" (ERS) com o
lançamento do ERS-1 (Banda C), que foi utilizado para monitorar florestas
tropicais e outras formações vegetais. Posteriormente, a ESA lançou a segunda
missão, o ERS-2 (Banda C), dando continuidade ao programa (RIGNOT & VAN
ZYL, 1993).

No ano seguinte, em 1992, o Japão lançou seu primeiro satélite de

recursos terrestres, o JERS-1, equipado com um sensor SAR de banda L com
abertura lateral. Esse satélite foi empregado na detecção de mudanças na
cobertura vegetal, identificação de áreas desmatadas e mapeamento das
florestas boreais em escala global (ROSENQVIST et al., 2004). O RADARSAT,
um satélite canadense que também operava nas bandas C lançado em 1995,
desempenhou um papel semelhante no monitoramento da vegetação (RANEY
et al., 1991).

Atualmente, verifica-se uma constelação de satélites equipados com

sensores SAR que é extremamente relevante. Alguns exemplos notáveis
incluem o lançamento do RADARSAT-2 em 2007 pela Agência Espacial
Canadense (CSA), o qual apresentou uma evolução significativa em relação ao
seu antecessor (MORENA et al., 2004). No período entre 2007 e 2010,
testemunhamos o lançamento do TerraSAR-X e da constelação COSMO-
SkyMed, ambos equipados com um sensor de banda X. Em 2014, fomos
apresentados ao ALOS-2, um satélite japonês equipado com um sensor de
banda L, e ao Sentinel-1, desenvolvido pela ESA, equipado com sensores de
bandas C e X. Esses avanços têm ampliado consideravelmente as capacidades
de observação por radar a partir do espaço (COVELLI et al., 2010; PITZ &
MILLER, 2010; KANKAKU et al., 2013; POTIN et al., 2019).

17
 Ainda no grupo dos sensores ativos, destaca-se o LiDAR, que é capaz de
medir diretamente a distribuição tridimensional dos componentes do dossel
vegetal utilizando pulsos de laser para obter informações sobre a altura e a
estrutura da vegetação (WULDER et al., 2008). Um exemplo comum de sensor
LiDAR é o LVIS (Laser Vegetation Imaging Sensor) da NASA, que funciona
como um altímetro de pulso laser. O LVIS utiliza um único detector, digitalizador
e relógio de tempo para digitalizar o histórico dos pulsos de laser emitidos e
refletidos, permitindo uma análise precisa da distância até a superfície e da
distribuição vertical das superfícies em cada pulso de laser (BLAIR et al., 1999).

Portanto, torna-se claro que os estudos e pesquisas voltados para o

monitoramento das alterações da vegetação contam com uma ampla gama de
sensores remotos altamente avançados. A escolha do sensor adequado
dependerá principalmente do objetivo final desejado. Cada sensor é capaz de
fornecer produtos diferentes, os quais serão cuidadosamente analisados para
compreender os fenômenos observados. Assim, é de suma importância abordar
de forma sucinta as técnicas de análise de dados aplicadas na detecção de
mudanças na vegetação.

2.4 Técnicas de Análise de Dados Aplicadas na Detecção de Alterações

Em termos gerais, a análise de dados de sensoriamento remoto para

detecção de mudanças na vegetação segue um conjunto de etapas
estabelecidas. Inicialmente, são coletados dados de satélites que abrangem
duas ou mais datas específicas. Quando possível, observações de campo são
utilizadas para identificar as características ecológicas da área em estudo. Em
seguida, se necessário, são realizados ajustes atmosféricos e fenológicos para
corrigir eventuais variações entre as datas coletadas. Por fim, é realizada a
caracterização espectral da área de estudo, conforme descrito por MOUAT et
al. (1993).

18
 No entanto, essas etapas são consideradas como pré-procedimentos
necessários para a utilização de técnicas mais específicas. Uma abordagem
amplamente adotada e já estabelecida é o uso de índices de vegetação. Em
geral, esses índices fornecem informações sobre o comportamento espectral
da vegetação em relação a outros elementos presentes na superfície terrestre,
além de serem eficazes na avaliação do seu vigor e dinâmica (XUE e SU, 2017;
DA SILVA et al., 2019).

Entre os índices amplamente utilizados e que têm se destacado nas

últimas décadas é o Índice de Vegetação por Diferença Normalizada (NDVI),
que é calculado pela diferença entre as bandas do infravermelho próximo (NIR)
e vermelho, dividida pela soma dessas duas bandas:

𝑁𝐼𝑅 − 𝑅𝑒𝑑
𝑁𝐷𝑉𝐼 =
𝑁𝐼𝑅 + 𝑅𝑒𝑑

Eq. 1

De acordo com BARROS et al. (2020), o uso desse índice se justifica pois
permite o monitoramento temporal do crescimento e das mudanças da
vegetação associadas ao uso e cobertura da terra causada pelas atividades
antrópicas. Para Kalisa et al. (2019), o NDVI, derivado de dados de satélite, se
manifesta como um importante indicador da dinâmica vegetativa, mas também
da variabilidade climática. Portanto, tal índice, se apresenta como indispensável
no monitoramento espaço-temporal da vegetação.

Além deste, outros índices são amplamente utilizados. O EVI (Enhanced

Vegetation Index) é uma melhoria do NDVI que leva em consideração as
influências atmosféricas e o sinal de fundo da vegetação. O GNDVI (Green
Normalized Difference Vegetation Index) é usado para estimar a atividade
fotossintética na absorção de água e nitrogênio no dossel da vegetação. Já o
SAVI (Soil-Adjusted Vegetation Index) tenta minimizar as influências do brilho

19
do solo por meio de um fator de correção, sendo frequentemente empregado
em regiões áridas com cobertura vegetal baixa (ESRI, 2023).
Portanto, cada índice tem características e aplicações específicas,
permitindo uma análise abrangente da vegetação. A interpretação dos valores
deve considerar as condições locais, o clima e outras influências. Combinar
índices com técnicas adicionais, como classificação de imagens e análise
temporal, pode fornecer uma compreensão mais completa das alterações na
vegetação.
A perspectiva temporal requer levar em consideração as condições
fenológicas gerais da vegetação. Geralmente, duas abordagens são utilizadas
para o monitoramento: a primeira envolve uma análise em escala de tempo
dupla, onde se busca detectar mudanças entre dois momentos específicos; a
segunda é uma abordagem em escala de tempo contínua, conhecida como
trajetória temporal. Enquanto a primeira abordagem demonstra mudanças entre
duas imagens em uma determinada sazonalidade, a segunda possui a
capacidade de identificar mudanças entre diferentes sazonalidades ao longo do
tempo (COPPIN et al., 2004).
No contexto da detecção de mudanças bitemporais, é crucial considerar
cuidadosamente o processo de aquisição das datas das imagens, levando em
conta o período selecionado e a duração do intervalo de mudança. Nesse
sentido, a escolha de datas ou janelas de aniversário é frequentemente adotada
para minimizar as diferenças na reflectância causadas pelos ciclos sazonais da
vegetação. No entanto, fatores como disparidades fenológicas e variações na
precipitação e temperatura local podem apresentar desafios significativos na
compreensão das alterações (COPPIN et al., 2004).
Como forma de lidar com esses problemas, é possível realizar o
monitoramento e a detecção de mudanças por meio da comparação de perfis
sazonais de alterações. Uma excelente alternativa é a análise de trajetórias ou
séries temporais que são construídas a partir da aquisição histórica de imagens.
A vantagem dessa abordagem está na coleta de dados sazonais, permitindo

20
que as alterações relacionadas a esse fenômeno sejam separadas de outras
alterações observadas (COPPIN et al., 2004).
É importante ressaltar que a implementação de um método específico
carrega consigo uma resposta única. Tanto as estimativas qualitativas quanto as
quantitativas estão totalmente condicionadas à abordagem selecionada, uma
vez que a detecção de alterações é limitada por restrições espaciais, espectrais
e temporais. Consequentemente, diferentes técnicas aplicadas à mesma área
podem produzir resultados diversos. Nesse sentido, a maioria dos métodos
empregados utiliza classificadores de pixel como forma de mitigar essas
restrições, permitindo a incorporação de informações sobre alterações nos
domínios espectral e radiométrico das imagens (COPPIN et al., 2004).

Esses classificadores combinam métodos de extração de mudanças,

utilizando algoritmos de detecção de alterações para identificar quando e onde
ocorreram as mudanças. Há uma diversidade de algoritmos disponíveis para
realizar esses procedimentos, que podem ser agrupados em duas categorias
principais. O primeiro grupo se concentra na análise simultânea baseadas em
pixels, enquanto o segundo grupo se baseia em uma análise de objetos
(SINGH, 1989; COPPIN et al., 2004; HUSSAIN et al., 2013).

Os algoritmos baseados em detecção por pixels abrangem várias

abordagens com suas respectivas vantagens e desvantagens. Uma abordagem
simples consiste na comparação direta de imagens, onde processos de
diferenciação e análise de regressão podem ser empregados. Essas técnicas
possuem a vantagem de serem facilmente aplicáveis e os resultados são de
fácil interpretação. No entanto, apresentam limitações, como a produção de
resultados binários (houve/não houve mudança), caracterizados por valores de
diferença absolutos, sem fornecer matrizes completas de informações sobre as
mudanças (SINGH, 1989; COPPIN et al., 2004; HUSSAIN et al., 2013).

Outras abordagens amplamente utilizadas, baseadas em pixels, incluem a

análise de imagens transformadas, classificação com base na detecção de
mudanças e o uso de técnicas de Machine Learning, entre outras. Nesses

21
métodos, são realizadas diferenciações nos índices de vegetação, análises de
vetores de mudança e textura, além da aplicação de técnicas como
comparação pós-classificação, redes neurais e árvores de decisão, entre
outras. Cada uma dessas abordagens e técnicas apresenta suas vantagens e
limitações específicas, e cabe ao analista fazer uma escolha criteriosa, levando
em consideração o contexto e os objetivos do estudo (HUSSAIN et al., 2013).

Existem outros tipos de abordagens no grupo de algoritmos baseados em

objetos, que oferecem uma gama mais ampla de opções. Uma abordagem
simples consiste na comparação direta dos objetos nas imagens, o que facilita
sua implementação nos Sistemas de Informação Geográfica (SIG). Além disso,
há uma abordagem que se concentra na comparação da classificação dos
objetos através de técnicas de segmentação (HUSSAIN et al., 2013).

Esses são apenas alguns exemplos entre os diversos algoritmos utilizados

para detectar alterações. Portanto, vale neste momento, percorrer alguns
estudos que aplicaram os dados e técnicas do sensoriamento remoto na
detecção das alterações na vegetação, assim como artigos que buscaram
realizar uma revisão sobre a temática.

3 REVISÃO BIBLIOGRÁFICA

Com a aplicação crescente de dados e técnicas de sensoriamento remoto

nos estudos de detecção de mudanças na cobertura vegetal, essa área de
pesquisa tem passado por um contínuo processo de evolução. Diversos
estudos têm revisado essas abordagens, como exemplificado por Singh (1989),
Mout et al. (1993), Deer (1995), Coppin et al. (2004), Lu et al. (2004), Hussain et
al. (2013), Zhu (2017) e Gholizadeh & Kapackvá (2019). Essas pesquisas
revelaram que não há um único método capaz de detectar mudanças de forma
universal, mas sim uma necessidade de adaptação de acordo com a aplicação
e a área de estudo específica.

22
 Ao longo do tempo, a detecção de alterações na cobertura vegetal
evoluíram, passando de técnicas que comparavam pares de imagens, como a
detecção bitemporal, para a abordagem multitemporal, que atualmente é
amplamente adotada em estudos nessa área (SOUZA, 2022). Diversos estudos,
como os de Bayma e Sano (2015), Gómez (2016), White (2016), Zhu (2017),
Mojica (2022) e muitos outros, têm explorado o uso de séries temporais de
imagens, empregado diferentes técnicas de análise. Essas pesquisas abordam
estratégias para a seleção de pixels de alta qualidade, isentos de nuvens, na
composição de imagens temporais, bem como a obtenção de variações intra-
anuais, a aplicação de índices de vegetação e a implementação de algoritmos
para a análise de mudanças vetoriais.

A seleção dos pixels que apresentem a melhor qualidade, sem a

interferência de nuvens, é atualmente considerada uma das abordagens mais
significativas nos estudos de detecção de mudanças, especialmente quando se
leva em consideração a sazonalidade. Basicamente, por meio da seleção
desses pixels, é possível compor uma imagem livre de nuvens, particularmente
de um período propício, resultando em uma imagem final sem a presença de
nuvens e diferenças sazonais. Trabalhos como os de Cohen et al. (2010) e
Griffiths et al. (2018) utilizaram esse procedimento em suas pesquisas.

Os dados obtidos são utilizados como entradas para algoritmos de

detecção multitemporal, como o LandTrendr (Landsat-based Detection of
Trends in Disturbance and Recovery), que identifica mudanças com base nos
pixels, com o objetivo de gerar trajetórias espectro-temporais ao longo do
tempo. Esse algoritmo, desenvolvido por Kennedy et al. (2010), tem sido
amplamente empregado em diversos estudos, como os conduzidos por Cohen
et al. (2018), Weckmuller et al. (2019), Xiau et al. (2020) Pasquarella et al.
(2022), entre outros.

Além do LandTrendr, outro algoritmo amplamente empregado é o VCT

(Vegetation Change Tracker), desenvolvido por Huang et al. (2010). O VCT é
utilizado para identificar mudanças na cobertura florestal e consiste em duas

23
etapas principais: uma análise individual seguida por uma análise de séries
temporais. A aplicação desse algoritmo pode ser observada em estudos como
os de Zhao & Zhu (2015), Obata (2018) e Diao et al. (2020).

Foram realizados diversos trabalhos relacionados à detecção inter-anual

utilizando diferentes métodos. Nessa estratégia, as entradas consistem em uma
sequência de várias imagens ao longo de cada ano estudado, permitindo a
detecção contínua de mudanças por meio da perspectiva temporal. O algoritmo
Continuous Change Detection and Classification (CCDC), desenvolvido por Zhu
e Woodcock (2014), foi projetado para detectar e classificar mudanças sempre
que uma nova imagem for capturada, tornando-se uma abordagem quase em
tempo real. Alguns estudos que empregaram essa abordagem incluem Awty-
Carrol et al. (2019), Giannetti et al. (2021) e Bullock et al. (2022).

Outro método que vem sendo utilizado é o algoritmo Breaks For Additive
Season and Trend (BFAST). Nesta abordagem, o algoritmo detecta tendencias
e mudanças dentro de uma sazonalidade mediante a uma série temporal. O
método foi desenvolvido por Verbesselt, Zeileis e Herold (2012) e já se
apresenta em diversos trabalhos, como os de Watts e Laffan (2014), DeVries et
al. (2015), Browning et al. (2017), Geng et al. (2019) e Rhif et al. (2022).

Esses estudos mencionados abordam principalmente a detecção de

mudanças abruptas na vegetação, como desmatamento e incêndios, por
exemplo. No entanto, existem pesquisas que procuram identificar e
compreender mudanças e tendências graduais nos valores espectrais dos
pixels. Nesse contexto, esses estudos vão além da simples detecção de
alterações, buscando identificar indicadores de processos de degradação ou
recuperação da vegetação (SOUZA, 2022).

Uma área de estudo central nesse contexto está voltada para a detecção
da degradação da terra por meio de mudanças na produtividade da vegetação.
Muitos desses estudos têm utilizado dados provenientes de sensores, como o
AVHRR e o MODIS, que fornecem informações diárias, e empregam o Índice de
Vegetação por Diferença Normalizada (NDVI) para realizar essa análise. Esses

24
conjuntos de dados específicos são capazes de capturar tendências lineares do
NDVI, que são indicativos da dinâmica da vegetação, e são amplamente
utilizados como indicadores para avaliar a degradação do solo (SOUZA, 2022).

Estudos como o de Gao et al. (2006), realizaram uma avaliação da

degradação da pastagem no norte do Tibete utilizando dados NDVI do AVHRR
para o período de 1981 a 2000. Jacquin, Sheeren e Lacombe em 2010,
avaliaram a degradação da cobertura vegetal na savana de Madagascar com
base na analise de tendencias da série temporal NDVI do sensor MODIS.
Outros trabalhos seguiram o mesmo escopo como os de Schucknecht et al.
(2013) e Sims et al. (2019).

Ao longo dos anos, tem havido uma clara evolução das técnicas e
abordagens utilizadas na detecção de mudanças na cobertura vegetal.
Inúmeros estudos foram realizados com o objetivo de revisar essas abordagens,
revelando a necessidade de adaptação de cada método de acordo com a
aplicação e as áreas de estudo específicas. A quantidade de estudos
mencionados evidencia essa busca por aprimoramento. Porém, é importante
destacar uma das principais limitações encontradas nesse processo: a
presença frequente de nuvens, especialmente em regiões tropicais, torna o
monitoramento contínuo da vegetação uma tarefa desafiadora. Portanto, será
necessário dedicar esforços futuros no desenvolvimento de metodologias e
técnicas que possam superar essa limitação.

4 CONCLUSÃO

Em resumo, o sensoriamento remoto tem uma função essencial na

identificação e compreensão das alterações na vegetação, proporcionando uma
visão mais abrangente e precisa dos processos ambientais. Através de diversos
tipos de sensores remotos, como ópticos (TM, AVHRR, MODIS, OLI, TIRS e
MSI), ativos (SAR) e LiDAR, é possível obter informações detalhadas sobre a
saúde, extensão e estrutura da vegetação. Esses sensores capturam dados

25
espectrais, tridimensionais e de distribuição de energia, revelando aspectos
importantes das mudanças que ocorrem na cobertura vegetal

No entanto, a detecção de mudanças na vegetação não se limita apenas à

coleta de dados. A análise dessas informações é crucial para extrair
conhecimentos relevantes. As técnicas de análise de dados, como comparação
direta de imagens, classificação de objetos e algoritmos de Machine Learning,
desempenham um papel fundamental nesse processo. Elas permitem identificar
e quantificar as alterações na vegetação, além de revelar padrões e tendências
ao longo do tempo. A combinação de diferentes técnicas e abordagens
possibilita uma compreensão mais completa das mudanças que afetam os
ecossistemas terrestres.

É importante destacar que o sensoriamento remoto enfrenta desafios,

como a presença de nuvens que podem prejudicar a obtenção de imagens em
determinadas regiões e épocas do ano. No entanto, os avanços tecnológicos
têm permitido o desenvolvimento de métodos e técnicas para superar essas
limitações. Além disso, o contínuo progresso das técnicas e a disponibilidade
de dados históricos de satélites possibilitam a análise de séries temporais,
proporcionando uma compreensão mais aprofundada das mudanças na
vegetação ao longo do tempo.

Portanto, o sensoriamento remoto, combinado com as técnicas de análise

de dados, desempenha um papel crucial na detecção, monitoramento e
compreensão das mudanças na vegetação. Sua aplicação permite obter
informações valiosas sobre a saúde dos ecossistemas terrestres, contribuindo
para o avanço do conhecimento científico e o desenvolvimento de estratégias
eficazes de conservação e sustentabilidade ambiental.

26
REFERÊNCIAS BIBLIOGRÁFICAS

AWTY-CARROLL, K. et al. An evaluation and comparison of four dense time series

change detection methods using simulated data. Remote Sensing, v. 11, n. 23, p.
2779, 2019.

________________ Using continuous change detection and classification of Landsat

data to investigate long-term mangrove dynamics in the Sundarbans region. Remote
Sensing, v. 11, n. 23, p. 2833, 2019.

BARROS, A. S.; FARIAS, L. M.; MARINHO, J. L. A. Aplicação do Índice de Vegetação

por Diferença Normalizada (NDVI) na Caracterização da Cobertura Vegetativa de
Juazeiro Do Norte–CE. Revista Brasileira de Geografia Física, v. 13, n. 6, p. 2885-
2895, 2020.

BAYAMA, A. P.; SANO, E. E. Séries temporais de índices de vegetação (NDVI e EVI) do

sensor MODIS para detecção de desmatamentos no bioma Cerrado. Boletim de
Ciências Geodésicas, 21, 797-813, 2015.

BULLOCK, E. L. et al. Timeliness in forest change monitoring: A new assessment

framework demonstrated using Sentinel-1 and a continuous change detection
algorithm. Remote Sensing of Environment, v. 276, p. 113043, 2022.

BLAIR, J. B.; RABINE, D. L.; HOFTON, M. A. The Laser Vegetation Imaging Sensor: a
medium-altitude, digitisation-only, airborne laser altimeter for mapping vegetation and
topography. ISPRS Journal of Photogrammetry and Remote Sensing, v. 54, n. 2-3,
p. 115-122, 1999.

BROWNING, D. M. et al. Breaks in MODIS time series portend vegetation change:

verification using long‐term data in an arid grassland ecosystem. Ecological
Applications, v. 27, n. 5, p. 1677-1693, 2017.

CAMPBELL, J. B. Introduction to Remote Sensing. 4th edn. New York: Guilford Press,
2008.

CAZAUBIEL, V.; CHORVALLI, V.; MIESCH, C. The multispectral instrument of the

Sentinel2 program. In: International Conference on Space Optics—ICSO 2008. SPIE,
2017. p. 110-115.

COHEN, W. B.; YANG, Z.; KENNEDY, R. Detecting trends in forest disturbance and
recovery using yearly Landsat time series: 2. TimeSync—Tools for calibration and
validation. Remote Sensing of Environment, v. 114, n. 12, p. 2911-2924, 2010.

COHEN, W. B. et al. A LandTrendr multispectral ensemble for forest disturbance

detection. Remote sensing of environment, v. 205, p. 131-140, 2018.

COPPIN, P. et al. Review ArticleDigital change detection methods in ecosystem

monitoring: a review. International journal of remote sensing, v. 25, n. 9, p. 1565-
1596, 2004.

27
COVELLO, F. et al. COSMO-SkyMed an existing opportunity for observing the
Earth. Journal of Geodynamics, v. 49, n. 3-4, p. 171-180, 2010.

DA SILVA, V. S. et al. Methodological evaluation of vegetation indexes in land use and

land cover (LULC) classification. Geology, Ecology, and Landscapes, v. 4, n. 2, p.
159-169, 2020.

DEER, P. Digital change detection techniques in remote sensing. DEFENCE SCIENCE

AND TECHNOLOGY ORGANIZATION CANBERRA (AUSTRALIA), 1995.

DEVRIES, B. et al. Robust monitoring of small-scale forest disturbances in a tropical

montane forest using Landsat time series. Remote Sensing of Environment, v. 161, p.
107-121, 2015.

FLORENZANO, T. G. Iniciação em sensoriamento remoto. Oficina de Textos, 2007

GAO, Q. et al. Grassland degradation in Northern Tibet based on remote sensing

data. Journal of Geographical Sciences, v. 16, p. 165-173, 2006.

GANDHI, G. M. et al. Ndvi: Vegetation change detection using remote sensing and gis–
A case study of Vellore District. Procedia computer science, v. 57, p. 1199-1210,
2015.

GENG, L. et al. Detecting spatiotemporal changes in vegetation with the BFAST model
in the Qilian Mountain region during 2000–2017. Remote Sensing, v. 11, n. 2, p. 103,
2019.

GHOLIZADEH, A.; KOPAČKOVÁ, V. Detecting vegetation stress as a soil contamination

proxy: A review of optical proximal and remote sensing techniques. International
Journal of Environmental Science and Technology, v. 16, p. 2511-2524, 2019.

GRIFFITHS, P.; JAKIMOW, B.; HOSTERT, P. Reconstructing long term annual

deforestation dynamics in Pará and Mato Grosso using the Landsat archive. Remote
sensing of environment, v. 216, p. 497-513, 2018.

HIGGINS, P. A. T. ; MASTRANDREA, M. D.; SCHNEIDER, S. H. Dynamics of climate and

ecosystem coupling: abrupt changes and multiple equilibria. Philosophical Transactions
of the Royal Society of London. Series B: Biological Sciences, v. 357, n. 1421, p. 647-
655, 2002.

HUANG, C. et al. An automated approach for reconstructing recent forest disturbance

history using dense Landsat time series stacks. Remote Sensing of Environment, v.
114, n. 1, p. 183-198, 2010.

JACQUIN, A.; SHEEREN, D.; LACOMBE, J. Vegetation cover degradation assessment

in Madagascar savanna based on trend analysis of MODIS NDVI time
series. International Journal of Applied Earth Observation and Geoinformation, v.
12, p. S3-S10, 2010.

28
JAMALI, S. et al. Detecting changes in vegetation trends using time series
segmentation. Remote Sensing of Environment, v. 156, p. 182-195, 2015.

JENSEN, J. R.; EPIPHANIO, J. C. N. Sensoriamento remoto do ambiente: uma

perspectiva em recursos terrestres. São José dos Campos: Parêntese Editora, 2009.

JUSTICE, C. O. et al. The Moderate Resolution Imaging Spectroradiometer (MODIS):

Land remote sensing for global change research. IEEE transactions on geoscience
and remote sensing, v. 36, n. 4, p. 1228-1249, 1998.

KALLURI, S. et al. The advanced very high resolution radiometer: Contributing to earth
observations for over 40 years. Bulletin of the American Meteorological Society, v.
102, n. 2, p. E351-E366, 2021.

KALISA, W. et al. Assessment of climate impact on vegetation dynamics over East

Africa from 1982 to 2015. Scientific reports, v. 9, n. 1, p. 1-20, 2019.

KANKAKU, Y.; SUZUKI, S.; OSAWA, Y.. ALOS-2 mission and development status.
In: 2013 IEEE International Geoscience and Remote Sensing Symposium-IGARSS.
IEEE, 2013. p. 2396-2399

KENNEDY, R. E.; YANG, Z.; COHEN, W. B. Detecting trends in forest disturbance and
recovery using yearly Landsat time series: 1. LandTrendr—Temporal segmentation
algorithms. Remote Sensing of Environment, v. 114, n. 12, p. 2897-2910, 2010.

KNIGHT, E. J.; KVARAN, G. Landsat-8 operational land imager design, characterization

and performance. Remote sensing, v. 6, n. 11, p. 10286-10305, 2014.

LAMBIN, E. F.; GEIST, H. J.; LEPERS, E.. Dynamics of land-use and land-cover change
in tropical regions. Annual review of environment and resources, v. 28, n. 1, p. 205-
241, 2003.

LU, D. et al. Change detection techniques. International journal of remote sensing, v.

25, n. 12, p. 2365-2401, 2004.

MATSUSHITA, B. et al. Sensitivity of the enhanced vegetation index (EVI) and

normalized difference vegetation index (NDVI) to topographic effects: a case study in
high-density cypress forest. Sensors, v. 7, n. 11, p. 2636-2651, 2007.

MARKHAM, B. L.; BARKER, J. L. Spectral characterization of the Landsat Thematic

Mapper sensors. International Journal of Remote Sensing, v. 6, n. 5, p. 697-716,
1985.

MINCHELLA, A. et al. Use of multitemporal SAR data for monitoring vegetation

recovery of Mediterranean burned areas. Remote Sensing of Environment, v. 113, n.
3, p. 588-597, 2009.

MISHRA, R. et al. Application of remote sensing for assessment of change in vegetation

cover and the subsequent impact on climatic variables. Environmental Science and
Pollution Research, v. 28, p. 41675-41687, 2021.

29
MOJICA, J. E. P. Detecção de mudanças na cobertura da terra através da
implementação do algoritmo Change Vector Analysis (CVA) e series temporais do
Índice de Vegetação por Diferença Normalizada (NDVI), no Parque Estadual do
Cocó–Fortaleza/CE. 2022. Tese (Mestrado em Geografia) – Universidade Federal do
Ceará, Fortaleza, 2022.

MOUAT, D. A.; MAHIN, G. G.; LANCASTER, J. Remote sensing techniques in the

analysis of change detection. Geocarto International, v. 8, n. 2, p. 39-50, 1993.

MORENA, L. C.; JAMES, K. V.; BECK, J. An introduction to the RADARSAT-2

mission. Canadian Journal of Remote Sensing, v. 30, n. 3, p. 221-234, 2004.

OBATA, S. Estimation of forest stand disturbance through implementation of Vegetation

Change Tracker algorithm using Landsat time series Stacked imagery in coastal
Georgia--Poster Summary. Mathematical and Computational Forestry & Natural
Resource Sciences, v. 10, n. 1, p. 32, 2018.

PASQUARELLA, V. J. et al. Demystifying LandTrendr and CCDC temporal

segmentation. International Journal of Applied Earth Observation and
Geoinformation, v. 110, p. 102806, 2022.

PITZ, W.; MILLER, D. The terrasar-x satellite. IEEE Transactions on Geoscience and
Remote Sensing, v. 48, n. 2, p. 615-622, 2010.

PONZONI, F. J.; SHIMABUKURO, Y. E.; KUPLICH, T. M. Sensoriamento remoto da

vegetação. Oficina de Textos, 2015.

POTIN, P. et al. Sentinel-1 mission status. In: Proceedings of EUSAR 2016: 11th
European Conference on Synthetic Aperture Radar. VDE, 2016. p. 1-6.

PRENTICE, I. C.; HEIMANN, M.; SITCH, S. The carbon balance of the terrestrial
biosphere: Ecosystem models and atmospheric observations. Ecological Applications,
v. 10, n. 6, p. 1553-1573, 2000.

RANEY, R. K. et al. Radarsat (sar imaging). Proceedings of the IEEE, v. 79, n. 6, p.

839-849, 1991.

REES, W. G. Physical principles of remote sensing. Cambridge university press,

2013.

RHIF, M. et al. Detection of trend and seasonal changes in non-stationary remote

sensing data: Case study of Tunisia vegetation dynamics. Ecological Informatics, p.
101596, 2022.

RIGNOT, E. JM.; VAN ZYL, J. J. Change detection techniques for ERS-1 SAR
data. IEEE Transactions on Geoscience and Remote sensing, v. 31, n. 4, p. 896-906,
1993.

30
ROSENQVIST, A. et al. An overview of the JERS-1 SAR global boreal forest mapping
(GBFM) project. In: IGARSS 2004. 2004 IEEE International Geoscience and Remote
Sensing Symposium. IEEE, 2004. p. 1033-1036.

SIMS, N. C. et al. Developing good practice guidance for estimating land degradation in
the context of the United Nations Sustainable Development Goals. Environmental
Science & Policy, v. 92, p. 349-355, 2019.

SINGH, A. Review article digital change detection techniques using remotely-sensed

data. International journal of remote sensing, v. 10, n. 6, p. 989-1003, 1989.

SITCH, S. et al. Evaluation of ecosystem dynamics, plant geography and terrestrial

carbon cycling in the LPJ dynamic global vegetation model. Global change biology, v.
9, n. 2, p. 161-185, 2003.

SOUZA, A. A. Dinâmica de distúrbio na MATOPIBA usando séries temporãos de

índices espectrais. 2022. (sid.inpe.br/mtc-m21d/2022/03.20.18.25-TDI). Tese
(Doutorado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais
(INPE), São José dos Campos, 2020.

SCHUCKNECHT, A. et al. Assessing vegetation variability and trends in north-eastern

Brazil using AVHRR and MODIS NDVI time series. European Journal of Remote
Sensing, v. 46, n. 1, p. 40-59, 2013.

WATTS, L. M.; LAFFAN, S. W. Effectiveness of the BFAST algorithm for detecting

vegetation response patterns in a semi-arid region. Remote Sensing of Environment,
v. 154, p. 234-245, 2014.

WECKMULLER, R.; ZEBENDE, J. V. J.; VICENS, R. S. Escolha do melhor descritor para

a detecção de trajetórias em florestas tropicais utilizando os algoritmos LandTrendr.
Continentes. N. 13, p. 68-84, 2019.

WULDER, M. A. et al. The role of LiDAR in sustainable forest management. The

forestry chronicle, v. 84, n. 6, p. 807-826, 2008.

XIAO, W. et al. Mapping annual land disturbance and reclamation in a surface coal
mining region using google earth engine and the landtrendr algorithm: A case study of
the shengli coalfield in Inner Mongolia, China. Remote Sensing, v. 12, n. 10, p. 1612,
2020.

XUE, J.; SU, Baofeng. Significant remote sensing vegetation indices: A review of
developments and applications. Journal of sensors, 2017.

ZHU, Z.; WOODCOCK, C. E. Continuous change detection and classification of land

cover using all available Landsat data. Remote sensing of Environment, v. 144, p.
152-171, 2014.

ZHU, Z. Detecção de mudanças usando séries temporais landsat: uma análise de

frequências, pré-processamento, algoritmos e aplicações. ISPRS Journal
of Photogrametry and Remote Sensing, v. 130, p. 370-384, 2017.

31