Este trabalho propõe a criação de um índice de estado trófico baseado na estimativa da concentração de clorofila através de sensoriamento remoto. Para atingir este objetivo, medidas do fator de reflectância bidirecional (BRF) adquiridas no reservatório de Ibitinga foram reamostradas para serem combinadas com bandas espectrais simuladas do Landsat/TM (TM_sim) e foram usadas para o cálculo da correlação linear com medidas de concentração de clorofila-a. A simulação de Monte Carlo foi aplicada para selecionar o modelo mais adequado para relacionar concentração de clorofila e reflectância simulada do TM/Landsat. A razão TM4_sim/TM3_sim forneceu o melhor modelo, com um valor de 0.78 para R². O modelo foi então invertido para criar uma tabela (LUT) com as relações entre os intervalos das razões TM4_sim/TM3_sim e as classes de estado trófico, abrangendo todo o intervalo de valores medidos no reservatório. Imagens do Landsat TM, corrigidas atmosfericamente e convertidas para reflectância de superfície, foram usadas para gerar uma imagem para a razão TM4/TM3. A distribuição de frequência da imagem da razão englobou todo o intervalo da razão TM4_sim/TM3_sim, indicando concordância entre os dados orbitais e os dados medidos in situ e corrobora o uso de dados de satélite para mapear a distribuição do estado trófico no reservatório. Com base nestas observações, a LUT foi aplicada à imagem razão Landsat/TM para mapear a distribuição espacial das classes de estado trófico no Reservatório de Ibitinga. Apesar da seleção estocástica da razão TM4_sim/TM3_sim como melhor variável de entrada para modelagem da concentração de clorofila-a, esta escolha foi baseada em fatores físicos: altas concentrações de fitoplâncton aumentam a reflectância na região do infra-vermelho próximo (TM4) e diminuem a reflectância na região espectral do vermelho (TM3). A razão entre bandas, portanto, realça a relação entre a concentração de clorofila-a e a reflectância medida por sensoriamento remoto.

This work proposes a trophic state index based on the remote sensing retrieval of chlorophyll-α concentration. For that, in situ Bidirectional Reflectance Factor (BRF) data acquired in the Ibitinga reservoir were resampled to match Landsat/TM spectral simulated bands (TM_sim bands) and used to run linear correlation with concurrent measurements of chlorophyll-α concentration. Monte Carlo simulation was then applied to select the most suitable model relating chlorophyll-α concentration and simulated TM/Landsat reflectance. TM4_sim/TM3_sim ratio provided the best model with a R² value of 0.78. The model was then inverted to create a look-up-table (LUT) relating TM4_sim/TM3_sim ratio intervals to chlorophyll-α concentration trophic state classes covering the entire range measured in the reservoir. Atmospheric corrected Landsat TM images converted to surface reflectance were then used to generate a TM4/TM3 ratio image. The ratio image frequency distribution encompassed the range of TM4_sim/TM3_sim ratio indicating agreement between in situ and satellite data and supporting the use of satellite data to map chlorophyll-α concentration trophic state distribution in the reservoir. Based on that, the LUT was applied to a Landsat/TM ratio image to map the spatial distribution of chlorophyll-α trophic state classes in Ibitinga reservoir. Despite the stochastic selection of TM4_sim/TM3_sim ratio as the best input variable for modeling the chlorophyll-α concentration, it has a physical basis: high concentration of phytoplankton increases the reflectance in the near-infrared (TM4) and decreases the reflectance in the red (TM3). The band ratio, therefore, enhances the relationship between chlorophyll-α concentration and remotely sensed reflectance.

A vegetação secundária tem funções relevantes para os ecossistemas, tais como a fixação de carbono atmosférico, a manutenção da biodiversidade, o estabelecimento da conectividade entre remanescentes florestais, manutenção dos regime hidrológico e a recuperação da fertilidade do solo. O objetivo deste trabalho é, através de uma abordagem amostral, estimar a área ocupada por vegetação secundária na Amazônia Legal Brasileira (AML) em 2006. A amostragem se baseia em uma abordagem estratificada pelo grau de desflorestamento das cenas LANDSAT-TM que recobrem a AML. Foram selecionadas 26 cenas para o ano de 2006, distribuídas em sete estratos conforme o percentual de desflorestamento, nas quais foram mapeadas as áreas de vegetação secundária a partir de técnicas de classificação de imagens. Foi desenvolvido um modelo multivariado de regressão para estimar a área de vegetação secundária utilizando como variáveis independentes a área de desflorestamento, a área de hidrografia, a estrutura agrária, e área das unidades de conservação. A análise de regressão encontrou um R2 ajustado de 0,84 , e coeficientes positivos para a proporção de hidrografia na imagem (2,055) e para a estrutura agrária (0,197), e coeficientes negativos para o grau de desflorestamento na imagem (-0,232) e para a proporção de Unidades de Conservação na imagem (-0,262). O modelo de regressão estimou uma área de 131.873 km² de vegetação secundária para o ano de 2006. Aplicando uma simulação Monte Carlo foi estimada uma incerteza de aproximadamente 12.445 km² para a área.

Secondary vegetation has many relevant functions to the ecosystems such as atmospheric carbon fixation , maintenance of biodiversity, establishment of connectivity among forest remnants, maintenance of hydrological regime, and restoration of soil fertility. The objective of this work is to estimate the area occupied by secondary vegetation in the Brazilian Legal Amazon (BLA) for 2006 using a sampling scheme. The sampling is based on a stratified approach according to the degree of deforestation observed in the 229 TM-Landsat scenes that cover the BLA. Thus, 26 scenes were selected for 2006 and distributed into seven strata, according to their degree of deforestation, in which secondary vegetation areas were mapped. A regression model was constructed to estimate secondary vegetation area in the remaining images using deforestation area, hydrographic area, agrarian structure , and area of conservation units, as independent variables. The regression analysis found an adjusted R2 of 0.84 and positive coefficients for the proportion of hydrography in the image (2.055) and for the agrarian structure (0.197), while negative coefficients for the degree of deforestation in the image (-0.232) as well as for the proportion of Conservation Unity(-0.262). Using the multivariate regression model, an area of 131,873 km² of secondary vegetation was estimated for the year of 2006. Applying a Monte Carlo simulation we estimated an uncertainty of approximately 12,445 km² .