Os índices de vegetação (IVs) possuem limitações tais como a influência da atmosfera, do solo subjacente e do relevo (efeito topográfico). Em relação ao efeito topográfico, sua correção foi pouco investigada no contexto dos IVs, apesar da atual disponibilidade de técnicas e de Modelos Digitais de Elevação (MDE) para sua correção. Neste estudo, foi realizada a correção topográfica de bandas espectrais do Landsat 5 TM utilizando dados MDE-SRTM e avaliada a influência do efeito topográfico em quatro IVs: NDVI, RVI, EVI e SAVI. A avaliação foi baseada nos valores de média e desvio padrão dos IVs e da banda 4 (infra-vermelho próximo), e com a análise de regressão linear entre estas variáveis e o cosseno do ângulo de incidência solar na superfície. Os resultados indicam que o efeito topográfico é menor nos IVs, em comparação com a banda 4. O NDVI e o RVI foram menos sensíveis ao efeito topográfico que o EVI e o SAVI. Porém, somente após a correção topográfica é que todos IVs mostraram-se independentes do efeito topográfico. Conclui-se que é necessária a correção topográfica para uma consistente redução do efeito topográfico nos IVs de áreas com topografia irregular.

The full potentiality of spectral vegetation indices (VIs) can only be evaluated after removing topographic, atmospheric and soil background effects from radiometric data. Concerning the former effect, the topographic effect was barely investigated in the context of VIs, despite the current availability correction methods and Digital elevation Model (DEM). In this study, we performed topographic correction on Landsat 5 TM spectral bands and evaluated the topographic effect on four VIs: NDVI, RVI, EVI and SAVI. The evaluation was based on analyses of mean and standard deviation of VIs and TM band 4 (near-infrared), and on linear regression analyses between these variables and the cosine of the solar incidence angle on terrain surface (cos i). The results indicated that VIs are less sensitive to topographic effect than the uncorrected spectral band. Among VIs, NDVI and RVI were less sensitive to topographic effect than EVI and SAVI. All VIs showed to be fully independent of topographic effect only after correction. It can be concluded that the topographic correction is required for a consistent reduction of the topographic effect on the VIs from rugged terrain.

Resumo: O objetivo deste trabalho foi desenvolver um método para identificação e monitoramento, em tempo quase real, de áreas agrícolas cultivadas com lavouras temporárias de verão, com uso de imagens orbitais Modis, no Estado do Rio Grande do Sul. A metodologia foi denominada detecção de áreas agrícolas em tempo quase real (DATQuaR) e utiliza imagens do sensor Modis referentes aos índices de vegetação (IVs) EVI e NDVI, disponibilizadas em composições de 16 dias. Foram utilizadas quatro métricas para agregar os valores de IVs por pixel, dentro dos períodos bimensais avaliados: média, máximo, mínimo e mediana. Para gerar as imagens (ImDATQuaR), a imagem agregada para o período imediatamente anterior foi subtraída da imagem agregada para o período em monitoramento. Essas imagens foram classificadas por meio de fatiamento e comparadas às classes de referência obtidas pela interpretação visual de pixels aleatorizados em imagens Landsat. Cada ImDATQuaR gerou dois mapas DATQuaR: um com filtragem de moda com janela 3x3 pixels e outro sem filtragem. O melhor mapa DATQuaR é produzido com uso de imagens EVI e filtragem - ao se subtrair a imagem de mínimo valor para o período anterior da imagem de máximo valor para o período monitorado - e atinge concordâncias com a referência superiores a 81%.

Abstract: The objective of this work was to develop a method to identify and monitor, in near real-time, crop field areas cultivated with temporary summer crops, using Modis orbital images, in the state of Rio Grande do Sul, Brazil. The methodology was called near real-time detection of crop fields (DATQuaR) and uses Modis sensor images of the NDVI and EVI vegetation indices (VIs) from 16-day composites. Four different metrics were used to aggregate the values of VIs per pixel, in the bimonthly periods evaluated: average, maximum, minimum, and median. To generate the images (ImDATQuaR), the aggregated image for the previous period was subtracted from the aggregated image for the monitored period. These images were classified by slicing and compared with the reference classes obtained by the visual interpretation of randomly selected pixels in Landsat images. Each ImDATQuaR image generated two DATQuaR maps: one with a 3x3 pixel window mode filter and another without filtering. The best DATQuaR map is produced using EVI images and filtering - by subtracting the image of minimum value for the previous period from the image of maximum value for the monitored period - and achieves agreement with the reference over 81%.

O objetivo deste trabalho foi avaliar o desempenho do índice de vegetação realçado (EVI) e do índice de vegetação da diferença normalizada (NDVI) - ambos do sensor "moderate resolution imaging spectroradiometer" (Modis) -, para discriminar áreas de soja das áreas de cana‑de‑açúcar, pastagem, cerrado e floresta, no Estado do Mato Grosso. Foram utilizadas imagens adquiridas em dois períodos: durante a entressafra e por ocasião do pleno desenvolvimento da cultura da soja. Para cada classe analisada, foram selecionadas 31 amostras de mapas de referência e avaliadas as diferenças nos valores de cada índice de vegetação, para a classe soja, foram avaliadas frente às demais classes, por meio do teste de Tukey‑Kramer. Em seguida, foram avaliadas as diferenças entre os índices de vegetação, por meio do teste de Wilcoxon pareado. O NDVI apresentou melhor desempenho na discriminação das áreas de soja na entressafra, particularmente com uso das imagens do dia do ano (DA) 161 a 273, enquanto o EVI apresentou melhor desempenho no período de pleno desenvolvimento da cultura, especificamente com uso das imagens de DA 353 a 33. Portanto, o melhor resultado para classificação da soja, no Estado do Mato Grosso, via séries temporais do sensor Modis, pode ser obtida por meio do uso combinado do NDVI na entresssafra e do EVI no pleno desenvolvimento da soja.

The objective of this work was to evaluate the performance of the enhanced vegetation index (EVI) and the normalized difference vegetation index (NDVI) - both from the moderate resolution imaging spectroradiometer (Modis) sensor - to discriminate soybean cultivated areas from sugarcane, pasture, cerrado, and forest ones in the state of Mato Grosso, Brazil. Images acquired during two periods were used: off-season and maximum soybean crop development. For each analyzed class, 31 samples were selected from reference maps, and the differences in the values of each soybean vegetation index were evaluated against the other classes using the Tukey‑Kramer test. Afterwards, the differences between the vegetation indices were assessed using the Wilcoxon paired test. NDVI performed best in discriminating soybean areas during the off-season period, particularly when using images acquired from day of year (DOY) 161 to 273, whereas EVI performed best during maximum crop development, particularly when using images from DOY 353 to 33. Therefore, best classification results for soybean in the state of Mato Grosso can be achieved by coupling Modis NDVI images acquired during off-season period and EVI images acquired during the maximum crop development period.

O objetivo deste trabalho foi desenvolver e avaliar um método para estimar a área plantada de soja em escala regional e calcular o erro estatístico associado à estimação. O método (Geosafras), que associa técnicas de amostragem estatística com características das imagens obtidas por sensoriamento remoto orbital, foi aplicado para obter estimativa amostral objetiva da área cultivada com soja, na safra de 2005/2006, no Estado do Rio Grande do Sul. Os municípios produtores de soja, no RS, foram distribuídos em dez estratos, com base em dados pré‑existentes de área cultivada com a cultura. O número de municípios selecionados, em cada estrato, seguiu a regra de alocação de Neyman. Em cada município selecionado, foram aleatorizados pontos correspondentes aos pixels das imagens, classificados como "soja" ou "não soja" após visita a campo. A partir dos dados de 3.000 pontos distribuídos nos 30 municípios selecionados, nos dez estratos, foi estimada a área cultivada com soja no RS, que totalizou 4.069.887 ha, com coeficiente de variação (CV) de 3,4%. Esta estimativa foi consistente com os dados oficiais. O método amostral objetivo estratificado, auxiliado por sensoriamento remoto, permite estimar a área cultivada com soja no Rio Grande do Sul e é capaz de quantificar o erro associado à estimativa realizada.

The objective of this work was to develop and evaluate a method for estimating soybean crop area on a regional scale and to calculate the statistical error associated with the estimate. The method (Geosafras), which combines statistical sampling techniques with characteristics of images obtained by orbital remote sensing, was applied to obtain an objective sampling estimation for soybean crop area in the 2005/2006 harvest season in the state of Rio Grande do Sul (RS), Brazil. Soybean‑producing municipalities in RS were distributed into ten strata according to preexisting data on the area cultivated with the crop. The number of municipalities selected in each stratum followed Neyman's allocation rule. In each selected municipality, points corresponding to the pixels of images were randomized and classified as "soybean" or "non‑soybean" after site visitation. From the data of 3,000 points in the 30 selected municipalities across the ten strata, soybean crop area in RS was estimated, totaling 4,069,887 ha, with a coefficient of variation (CV) of 3.4%. This estimate was consistent with official data. The stratified objective sampling method, supported by remote sensing, allows for the estimation of the area cultivated with soybean in the state of Rio Grande do Sul and is able to quantify the error associated with the calculated estimate.

Many researchers have shown the potential of Synthetic Aperture Radar (SAR) images for agricultural applications, particularly for monitoring regions with limitations in terms of acquiring cloud free optical images. Recently, Brazil and Germany began a feasibility study on the construction of an orbital L-band SAR sensor referred to as MAPSAR (Multi-Application Purpose SAR). This sensor provides L-band images in three spatial resolutions and polarimetric, interferometric and stereoscopic capabilities. Thus, studies are needed to evaluate the potential of future MAPSAR images. The objective of this study was to evaluate multipolarized MAPSAR images simulated by the airborne SAR-R99B sensor to distinguish coffee, cotton and pasture fields in Brazil. Discrimination among crops was evaluated through graphical and cluster analysis of mean backscatter values, considering single, dual and triple polarizations. Planting row direction of coffee influenced the backscatter and was divided into two classes: parallel and perpendicular to the sensor look direction. Single polarizations had poor ability to discriminate the crops. The overall accuracies were less than 59 %, but the understanding of the microwave interaction with the crops could be explored. Combinations of two polarizations could differentiate various fields of crops, highlighting the combination VV-HV that reached 78 % overall accuracy. The use of three polarizations resulted in 85.4 % overall accuracy, indicating that the classes pasture and parallel coffee were fully discriminated from the other classes. These results confirmed the potential of multipolarized MAPSAR images to distinguish the studied crops and showed considerable improvement in the accuracy of the results when the number of polarizations was increased.

O objetivo deste trabalho foi desenvolver uma metodologia para estimar a área plantada de soja no Estado do Rio Grande do Sul. As estimativas foram feitas com base no perfil temporal do "enhanced vegetation index" (Evi) calculado a partir de imagens "moderate resolution imaging spectroradiometer" (Modis). A metodologia desenvolvida para a classificação da soja foi denominada "Modis crop detection algorithm" (MCDA). O MCDA fornece estimativas de área da soja em dezembro (primeira previsão), com imagens do período de plantio, e em março (segunda previsão), com imagens dos períodos de plantio e de máximo desenvolvimento vegetativo. Os resultados do MCDA foram comparados às estimativas oficiais de área de soja do Instituto Brasileiro de Geografia e Estatística. Os coeficientes de determinação variaram de 0,91 a 0,95, o que indica bom ajuste entre as estimativas. Para a safra 2000/2001, o mapa da cultura da soja gerado pelo MCDA foi avaliado com um mapa da cultura da soja oriundo de imagens Landsat, e a precisão global do mapa foi de aproximadamente 82%, com erros similares de comissão e omissão. O MCDA foi capaz de estimar a área plantada com soja no Estado do Rio Grande do Sul e gerar mapas temáticos anuais com a localização geográfica dos talhões. As estimativas de área plantada a partir do MCDA estão em concordância com as estatísticas agrícolas oficiais.

The objective of this work was to develop a procedure to estimate soybean crop areas in Rio Grande do Sul state, Brazil. Estimations were made based on the temporal profiles of the enhanced vegetation index (Evi) calculated from moderate resolution imaging spectroradiometer (Modis) images. The methodology developed for soybean classification was named Modis crop detection algorithm (MCDA). The MCDA provides soybean area estimates in December (first forecast), using images from the sowing period, and March (second forecast), using images from the sowing and maximum crop development periods. The results obtained by the MCDA were compared with the official estimates on soybean area of the Instituto Brasileiro de Geografia e Estatística. The coefficients of determination ranged from 0.91 to 0.95, indicating good agreement between the estimates. For the 2000/2001 crop year, the MCDA soybean crop map was evaluated using a soybean crop map derived from Landsat images, and the overall map accuracy was approximately 82%, with similar commission and omission errors. The MCDA was able to estimate soybean crop areas in Rio Grande do Sul State and to generate an annual thematic map with the geographic position of the soybean fields. The soybean crop area estimates by the MCDA are in good agreement with the official agricultural statistics.

O objetivo deste trabalho foi avaliar uma nova metodologia para mapeamento da cultura da soja no Estado de Mato Grosso, por meio de imagens Modis e de diferentes abordagens de classificação de imagens. Foram utilizadas imagens diárias e imagens de 16 dias. As imagens diárias foram diretamente classificadas pelo algoritmo Isoseg. As duas séries de imagens de 16 dias, referentes ao ciclo total e à metade do ciclo da cultura da soja, foram transformadas pela análise de componentes principais (ACP), antes de serem classificadas. Dados de referência, obtidos por interpretação visual de imagens do sensor TM/Landsat-5, foram utilizados para a avaliação da exatidão das classificações. Os melhores resultados foram obtidos pela classificação das imagens do ciclo total da soja, transformadas pela ACP: índice global de 0,83 e Kappa de 0,63. A melhor classificação de imagens diárias mostrou índice global de 0,80 e Kappa de 0,55. AACP aplicada às imagens do ciclo total da soja permitiu o mapeamento das áreas de soja com índices de exatidão melhores do que os obtidos pela classificação derivada das imagens de data única.

The objective of this work was to evaluate a new methodology to map soybean crop area in Mato Grosso State, Brazil, using Modis imagery and different image classification approaches. Single-day and 16-day images were used. The single-day images were classified using the Isoseg algorithm. Two series of 16-day composite images, covering the full and the half soybean crop cycles, were transformed using principal component analysis (PCA) prior to the classification. A reference data set, achieved by visual interpretation of TM/Landsat-5 images, was used to evaluate the accuracy of the classifications. The best results were reached using the image classification of soybean full cycle, transformed by PCA: overall accuracy of 0.83, and Kappa of 0.63. The best single-day classification showed an overall index of 0.80, and 0.55 Kappa. PCA applied to the images of the full cycle allowed for the mapping of soybean crop areas with better accuracy indices than those obtained by the single-day classification.

O objetivo do presente trabalho foi avaliar o potencial de uso do modelo linear de mistura espectral (MLME), aplicado em imagens "Moderate Resolution Imaging Spectroradiometer" (MODIS), para discriminar as classes de cobertura vegetal natural e antropogênica do Cerrado matogrossense. O monitoramento do bioma Cerrado está se tornando muito importante devido à sua forte antropização, principalmente nas últimas quatro décadas. Nesse contexto, o sensor MODIS apresenta-se como opção devido à sua alta resolução temporal. Entretanto, considerando sua moderada resolução espacial, é indicada a decomposição de sua resposta espectral. O MLME apresenta-se como uma técnica viável, pois permite estimar o percentual dos componentes do pixel. Os dados utilizados nos perfis temporais das classes corresponderam às seguintes imagens fração do MLME: vegetação, solo e sombra. A discriminação das classes naturais e antropogênicas foi avaliada por meio do cálculo da distância Mahalanobis e apresentada por meio de dendrogramas. As imagens fração permitem análises de séries temporais na caracterização espacial e temporal das classes. As imagens fração solo e sombra, na estação seca, apresentam melhores resultados na discriminação das classes selecionadas. Para discriminação de classes com composições florísticas semelhantes, são indicadas as imagensfraçãoda estação chuvosa.

The objective of the present work was to evaluate the potential of the spectral linear mixture model (SLMM), applied to Moderate Resolution Imaging Spectroradiometer (MODIS) images, to discriminate natural and anthropic classes of vegetation in the portion of Mato Grosso state covered by Cerrado vegetation. The monitoring of the Cerrado biome is becoming very important due to its strong human disturbance, especially in the last four decades. In this context, the MODIS sensor appears as an option due to its high temporal resolution. However, considering its moderate spatial resolution, the decomposition of its spectral response is indicated. The SLMM appears to be a viable technique, since it permits estimating the percentage of components within the pixel. The data used in the temporal class profiles corresponded to the following fraction images derived from SLMM: vegetation, soil, and shade. Discrimination of natural and anthropogenic classes was determined through the Mahalanobis distance, presented by dendrograms. The fraction images allow time series analyses for spatial and temporal characterization of the classes. Soil and shade fraction images, in the dry season, present better results in the discrimination of selected classes. For the discrimination of classes with similar floristic composition, fraction images from the rainy season are indicated.

O objetivo deste trabalho foi avaliar a aplicação do método de classificação por superfícies de resposta espectro-temporal (STRS) em imagens do sensor Moderate Resolution Imaging Spectroradiometer (MODIS, 250 m) para estimar áreas de plantio de soja no Estado de Mato Grosso, Brasil. A classificação foi realizada usando o algoritmo de máxima verossimilhança (MLA) adaptado ao algoritmo STRS. Trinta segmentos de 30x30 km foram escolhidos ao longo das principais regiões agrícolas do estado, com dados da safra de verão de 2005/2006 (outubro a março), e mapeados com base em dados de campo e de imagens orbitais TM/Landsat-5 e CCD/CBERS-2. Cinco classes temáticas foram consideradas: Soja, Floresta, Cerrado, Pastagem e Solos Expostos. A classificação pelo método das STRS foi feita com base em uma área interseccionada por um subconjunto de segmentos de 30x30 km. O STRS superestimou os valores de referência em 21,31% em regiões com predomínio da cultura da soja e em 132,37% em regiões nas quais a soja era menos predominante. A exatidão global da classificação foi de 80%. As imagens MODIS e o algoritmo STRS mostraram-se promissores para a classificação da soja em regiões com predominância de grandes fazendas. Entretanto, os resultados para áreas fragmentadas em fazendas menores foram menos eficientes, superestimando as áreas de soja.

The objective of this work was to evaluate the application of the spectral-temporal response surface (STRS) classification method on Moderate Resolution Imaging Spectroradiometer (MODIS, 250 m) sensor images in order to estimate soybean areas in Mato Grosso state, Brazil. The classification was carried out using the maximum likelihood algorithm (MLA) adapted to the STRS method. Thirty segments of 30x30 km were chosen along the main agricultural regions of Mato Grosso state, using data from the summer season of 2005/2006 (from October to March), and were mapped based on fieldwork data, TM/Landsat-5 and CCD/CBERS-2 images. Five thematic classes were considered: Soybean, Forest, Cerrado, Pasture and Bare Soil. The classification by the STRS method was done over an area intersected with a subset of 30x30-km segments. In regions with soybean predominance, STRS classification overestimated in 21.31% of the reference values. In regions where soybean fields were less prevalent, the classifier overestimated 132.37% in the acreage of the reference. The overall classification accuracy was 80%. MODIS sensor images and the STRS algorithm showed to be promising for the classification of soybean areas in regions with the predominance of large farms. However, the results for fragmented areas and smaller farms were less efficient, overestimating soybean areas.

Um grande número de amostras de solos seria necessário para delimitar com precisão os limites das unidades de solos. Assim, técnicas que possam auxiliar em levantamentos pedológicos como o sensoriamento remoto tem provado ser de grande valia. O objetivo foi avaliar a possibilidade de diferenciar solos por meio de dados espectrais em laboratório e orbitais. Para o trabalho foi escolhida uma área de 473 ha com solo exposto, proveniente de dois materiais de origem distintos, o arenito com cimento argiloso e o basalto. Foi estabelecida uma grade (100 m x 100 m) em toda a área de estudo, totalizando 473 pontos de amostragem, todos georreferenciados. Para cada ponto da grade, foram coletadas amostras de solo nas profundidades 0-20 cm (superfície, A) e 80-100 cm (subsuperfície, B). A partir dos resultados das análises químicas e físicas e descrição de perfis, gerou-se o mapa de solos, e posteriormente, cada unidade desse mapeamento foi diferenciada por textura. As reflectâncias de laboratório foram obtidas com o espectroradiômetro IRIS, na faixa de 450 a 2500 nm. As reflectâncias orbitais foram obtidas após o processamento de uma imagem TM-Landsat-5, para os pontos de amostragem. Equações discriminantes foram geradas partindo-se dos dados espectrais por tratamento estatístico, que selecionou entre as setenta variáveis espectrais em laboratório, cinquenta e seis, sendo selecionadas para o modelo espectral orbital as seis bandas reflectivas do sensor TM. As equações geradas foram testadas, obtendo-se matrizes de confusão, onde ocorreu um acerto de 81% para os dados espectrais em laboratório e 40% de concordância para os dados orbitais.

A huge amount of soil samples would be necessary to determine with precision the limits of soil units. Techniques that would help on soil surveys such as the remote sensing ones have been proved to be of great value. The objective of this work was to evaluate the possibility of differentiating soils using spectral data from laboratory and satellite sensors. A study area with soils originated from two different parent materials, sandstone with loamy cement and basalt, was selected. A grid (100 m x 100 m) was used, totalizing 473 sampling points in the depths 0-20 cm (superficial, A) and 80-100 cm (subsuperficial, B). A soil map of the area with 28 mapping units was generated. The laboratory spectra (450 to 2500 nm) were obtained with an IRIS spectroradiometer. The orbital reflectance was obtained by image processing and overlaying of the TM-Landsat-5 bands in the sampling points. Discriminant equations were generated by statistical treatment with the SAS software. From the seventy initial variables from laboratory data, fifty six were selected to generate the models of the equations; for orbital data, six of the seven TM bands were selected. The equations were tested and the confusion matrix were obtained. Discriminant equations from laboratory data presented 81% success and the equations with orbital data 40%, however, for the satellite data it was verified a good efficiency for separating soils from different parent materials.

Dados de reflectância, emissividade e elevação do sensor ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer)/Terra foram usados para caracterizar variações na composição dos solos com a posição em topossequências. Dados normalizados de reflectância do SWIR (shortwave infrared) e de emissividade do TIR (thermal infrared), integrados com a imagem fração-solo de um modelo de mistura espectral, foram avaliados para separar solos expostos de vegetação não fotossinteticamente ativa. Relações de regressão de alguns atributos dos solos com dados de reflectância e emissividade foram aplicadas sobre os pixels de solos expostos. Os valores estimados resultantes foram projetados sobre um modelo digital de elevação gerado a partir dos dados ASTER. Os resultados mostraram que as bandas 5 e 6 do SWIR e 10 e 14 do TIR mediram a feição de absorção das argilas e a de emissividade do quartzo, respectivamente. Essas bandas melhoraram também a discriminação entre vegetação não fotossinteticamente ativa e solos. Apesar das diferenças no tamanho dos pixels e dos locais de amostragem de campo, alguns atributos dos solos foram correlacionados com a reflectância (R² de 0,65 para Al2O3 na banda 6 e de 0,61 para Fe2O3 na banda 3) e a emissividade (R² de 0,65 para fração total de areia com a razão das bandas 10/14). O uso combinado dos dados de reflectância, emissividade e elevação revelou variações na composição dos solos com a topografia em porções específicas da cena. Das maiores para as menores elevações, um decréscimo no conteúdo de Al2O3 e aumento na fração total de areia foram geralmente observados. Isso ocorreu em razão do predomínio de Latossolo Vermelho-Escuro no topo e de sua gradual transição para Latossolo Vermelho-Amarelo na base.

Reflectance, emissivity and elevation data of the sensor ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer)/Terra were used to characterize soil composition variations according to the toposequence position. Normalized data of SWIR (shortwave infrared) reflectance and TIR (thermal infrared) emissivity, coupled to a soil-fraction image from a spectral mixture model, were evaluated to separate bare soils from nonphotosynthetic vegetation. Regression relationships of some soil properties with reflectance and emissivity data were then applied on the exposed soil pixels. The resulting estimated values were plotted on the ASTER-derived digital elevation model. Results showed that the SWIR bands 5 and 6 and the TIR bands 10 and 14 measured the clay mineral absorption band and the quartz emissivity feature, respectively. These bands improved also the discrimination between nonphotosynthetic vegetation and soils. Despite the differences in pixel size and field sampling size, some soil properties were correlated with reflectance (R² of 0.65 for Al2O3 in band 6; 0.61 for Fe2O3 in band 3) and emissivity (R² of 0.65 for total sand fraction in the 10/14 band ratio). The combined use of reflectance, emissivity and elevation data revealed variations in soil composition with topography in specific parts of the landscape. From higher to lower slope positions, a general decrease in Al2O3 and increase in total sand fraction was observed, due to the prevalence of Rhodic Acrustox at the top and its gradual transition to Typic Acrustox at the bottom.

Mudanças no uso e cobertura da terra, como as ocorridas nas áreas de expansão agrícola na Amazônia Legal, geram uma série de impactos sociais, econômicos e ambientais. O entendimento destes processos pode permitir um melhor planejamento de políticas públicas a fim de monitorar e mapear áreas mais suscetíveis a problemas ambientais. Sendo assim, este trabalho teve como objetivo analisar a dinâmica de ocupação da Bacia do Rio Suiá-Miçu, um dos afluentes do Rio Xingu localizado ao norte do estado do Mato Grosso. Os mapas de uso e cobertura da terra para cada um dos períodos analisados (1973, 1984 e 2005) foram confeccionados com o auxílio de imagens dos sensores MSS/Landsat-1, TM/Landsat-5 e do sensor MODIS/Terra. Os resultados mostraram que até 1984, 13% da vegetação natural da bacia havia sido desflorestada, enquanto que em 2005 as atividades agrícolas já ocupavam 40% da área de estudo. Desta forma, tendo em vista as mudanças na paisagem observadas ao longo das últimas décadas, torna-se notória a necessidade urgente de estudos mais aprofundados visando a avaliação dos impactos ambientais, bem como a preservação dos recursos naturais na região.

Land use and land cover changes, as seen in the agricultural expansion areas in the Brazilian Legal Amazon, have as consequence several social, economic and environmental impacts. The understanding of these processes allows a better planning of public policies in order to monitor and map areas more susceptible to environmental problems. Hence, this work had as objective to analyze the land use/land cover changes dynamics in the Suiá-Miçu River Basin, located in the north part of Mato Grosso state, Brazil. The land use/land cover maps for each of the analyzed periods (1973, 1984 and 2005) were made using images from the MSS/Landsat-1, TM/Landsat-5 and the MODIS/Terra sensors. The results showed that until 1984, 13% of the natural vegetation of the watershed was deforested, while in 2005 the agricultural areas increased to around 40% of the study area. In that manner, the landscape changes observed along the last decades show the urgent need for studies in order to preserve the natural resources of the region.

O presente trabalho teve o objetivo de avaliar as imagens CCD/CBERS-2 quanto à possibilidade de discriminarem variedades de citros. A área de estudo localiza-se em Itirapina (SP) e, para este estudo, foram utilizadas imagens CCD de três datas (30/05/2004, 16/08/2004 e 11/09/2004). Um modelo que integra os elementos componentes da cena citrícola sensoriada é proposto com o objetivo de explicar a variabilidade das respostas das parcelas de citros em imagens orbitais do tipo CCD/CBERS-2. Foram feitas classificações pelos algoritmos Isoseg e Maxver e, de acordo com o índice kappa, concluiu-se que é possível obterem-se exatidões qualificadas como muito boas, sendo que as melhores classificações foram conseguidas com imagens da estação seca.

This paper was aimed at evaluating the possibility of discriminating citrus varieties in CCD imageries from CBERS-2 satellite ("China-Brazil Earth Resouces Satellite"). The study area is located in Itirapina, São Paulo State. For this study, three CCD images from 2004 were acquired (May 30, August 16, and September 11). In order to acquire a better understanding and for explaining the variability of the spectral behavior of the citrus areas in orbital images (like as the CCD/CBERS-2 images) a model that integrates the elements of the citrus scene is proposed and discussed. The images were classified by Isoseg and MaxVer classifiers. According to kappa index, it was possible to obtain classifications qualified as 'very good'. The best results were obtained with the images from the dry season.

O objetivo do presente artigo foi o de avaliar o produto MOD14 quanto à sua performance para detectar áreas queimadas na Amazônia, mais específicamente no norte do Estado do Mato Grosso, considerando o período entre 21/06/2004 e 07/07/2004, comparando os resultados fornecidos pelo MOD14 e interpretações visuais de áreas queimadas obtidas de imagens TM/Landsat-5. O produto MOD14 detectou 51,58% do total de áreas queimadas, cujo tamanho médio foi de 83,14 ha; os restantes 48,42% não detectados tinham tamanho médio de 38,74 ha. O produto MOD14 superestima a quantidade de áreas queimadas ao classificar solos expostos, florestas e outros tipos de coberturas da terra como pixels "hot spots"; além disso, este produto não detecta áreas queimadas de dimensões pequenas (< 100 ha), proporcionando erros de classificação em grandes áreas de solos expostos.

The main objective of this paper was to evaluate MOD14 product performance to detect burned areas in Amazonia, more specifically in the north of Mato Grosso State (Brazil), considering the period of 06/21/2004 to 07/07/2004, by comparing the results provided by MOD14 product with visual discrimination of burned areas using TM/Landsat-5 images. MOD14 product detected 51.58% of the total burned areas, which have an average size of 83.14 ha; the remaining 48.42% undetected burned areas have an average size of 38.74 ha. MOD14 product overestimates the burned areas by classifying exposed soils, forests and other types of land cover as hot pixels. In addition MOD14 product does not detect small burned areas (< 100 ha), generating classification errors in large areas of exposed soils.

Imagens coletadas no mesmo dia pelos sensores ETM+/Landsat-7 (30 m de resolução espacial) e MODIS/Terra (250 m) foram utilizadas para estimar a área de três importantes culturas agrícolas (soja, cana-de-açúcar e milho) com diferentes padrões de paisagem no Sudeste Brasileiro. Filtragem de Maioria dos resultados da classificação da imagem ETM+ foi aplicada para descrever o comportamento de 15 métricas em diferentes simulações de resolução espacial (90, 150, 210 e 270 m). Utilizando modelos de regressão, o desempenho do MODIS e de suas métricas para predizer a área das culturas, considerando os dados ETM+ como referência, foi analisado. Os resultados mostraram que o sensor MODIS superestimou as áreas de soja (15%) e cana-de-açúcar (1%) e subestimou a área de milho (12%). A regressão múltipla indicou que sensores de resolução espacial grosseira podem ser usados para predizer adequadamente a área vista por instrumentos com 30 m de resolução espacial apenas para culturas com baixo padrão de fragmentação como soja. Estes sensores não podem predizer adequadamente a área de milho devido aos efeitos de agregação de pixels das culturas menos fragmentadas (soja e cana-de-açúcar) sobre a mais fragmentada (milho), conforme demonstrado pela simulação da resolução espacial por filtragem de maioria da imagem ETM+. As métricas da paisagem melhoraram as estimativas de área com o MODIS apenas para a cana-de-açúcar, conforme indicado por maiores valores de R² observados para regressão múltipla do que para regressão simples. Apenas um número pequeno de métricas foi selecionado para compor os modelos de regressão visto que a maior parte delas não foi preservada entre resoluções espaciais diferentes (30 e 250 m).

Images acquired at the same day by the ETM+/Landsat-7 (30 m of spatial resolution) and MODIS/Terra (250 m) sensors were used to estimate areas of three major crops (soybean, sugarcane, and corn) with different landscape patterns in Southeastern Brazil. Majority filtering of ETM + classification results was applied to describe the behavior of 15 selected landscape metrics at distinct simulated spatial resolutions (90, 150, 210 and 270 m). By using regression models, the performance of MODIS and derived metrics to predict adequately the crop area, considering ETM+ data as reference, were analyzed. Results showed that the MODIS instrument overestimated the areas of soybean (15%) and sugarcane (1%), and underestimated the area of corn (12%). Multiple regression results indicated that coarse spatial resolution sensors can be used to predict adequately the area viewed by the 30 m spatial resolution instruments only for crops with low fragmentation pattern such as soybean. These sensors cannot be used to predict the area of corn due to aggregation pixel effects of the less fragmented crops (soybean and sugarcane) over the most fragmented one (corn), as demonstrated by the spatial resolution simulation using majority filtering of the ETM+ image. Landscape metrics improved MODIS area estimates only for sugarcane, as indicated by higher values of R² for multiple than for simple regression. Only a small set of metrics was select to compose the multiple regression models because most of them were not preserved across different spatial resolutions (30 m and 250 m).