Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/80775| Tipo: | Dissertação |
| Título: | Uso de índices de vegetação (NDVI, SAVI E IAF) e de seca (PDSI) no monitoramento pluviométrico do Norte de Minas Gerais |
| Autor(es): | Paulo Victor Alves de Oliveira |
| Primeiro Orientador: | Marcos Antônio Timbó Elmiro |
| Primeiro membro da banca : | Marcelo Antônio Nero |
| Segundo membro da banca: | Vagner Braga Nunes Coelho |
| Terceiro membro da banca: | Warlen Librelon de Oliveira |
| Resumo: | A Região Norte de Minas Gerais possui um clima semiárido, sendo afetada pela seca, o que impacta diretamente a produtividade das culturas e os recursos hídricos da região. A elevação das temperaturas e as possíveis mudanças nos padrões de precipitação, decorrentes das mudanças climáticas, podem agravar ainda mais esse cenário; portato, compreender esses efeitos sobre os recursos naturais e as comunidades locais é fudamental. Com base nessa premissa, a presente pesquisa tem como objetivo avaliar o uso dos índices de vegetação NDVI, SAVI e IAF, em conjunto com o índice de severidade de seca PDSI, no monitoramento pluviométrico da região Norte de Minas Gerais. O trabalho se propôs a analisar uma série temporal de 10 anos por intermédio de ferramentas e recursos de sensoriamento remoto, o que inclui as imagens multiespectrais da região de estudo, obtidas a partir de distintos satélites e sensores. Para tanto, foram calculados os índices de vegetação NDVI, SAVI e IAF, juntamente com o PDSI, com base nos dados da TerraClimate; posteriormente foi realizada uma análise dos índices de vegetação e dos fenômenos climáticos usando o Coeficiente de Correlação de Pearson, GLM – Modelo Linear Generalizado e a Regressão Ridge no monitoramento da seca com base na correlação dos índices calculados. A metodologia proposta se provou válida em obter dados e no processamento, entrentato, não foi conclusiva na análise estatística. A Correlação de Pearson apresentou valores próximos de zero na maioria dos cenários. O maior valor positivo registrado foi 0,24918 na relação PDSI/IAF em fevereiro de 2022, enquanto o menor foi -0,19304 para na relação PDSI/NDVI e PDSI/SAVI em fevereiro de 2018. Já o modelo GLM teve um desempenho baixo, com o Pseudo R2 de McFadden variando de 0,00157 no pior período (fevereiro de 2020) a 0,99012 no melhor cenário (agosto de 2013). O R2 da Regressão Ridge semelhantemente ao resultado do GLM apresentou baixo desempenho, com valores variando entre 0,0804 em Ago/2013 no melhor período e -0,0358 em Fev/2019 no pior período. Para melhoria da metodologia em futuros estudos, recomenda-se integrar variáveis adicionais ou adotar modelos que incluam variáveis hidrológicas e climáticas, além de análises temporais mais detalhadas a fim de capturar melhor as interações entre vegetação e seca, ou a estratificação da área de estudo. |
| Abstract: | The Northern Region of Minas Gerais has a semi-arid climate and is affected by drought, which directly impacts crop productivity and the region's water resources. Rising temperatures and potential changes in precipitation patterns, resulting from climate change, may further aggravate this scenario; therefore, understanding these effects on natural resources and local communities is essential. Based on this premise, this research aims to evaluate the use of NDVI, SAVI, and LAI vegetation indices, together with the PDSI drought severity index, in monitoring rainfall patterns in the northern region of Minas Gerais. The study analyzed a 10-year time series using remote sensing tools and resources, including multispectral images of the study area obtained from different satellites and sensors. To achieve this, the NDVI, SAVI, and LAI vegetation indices were calculated, along with the PDSI, based on TerraClimate data. Subsequently, an analysis of vegetation indices and climate phenomena was performed using Pearson’s Correlation Coefficient, Generalized Linear Model (GLM), and Ridge Regression to monitor drought based on the correlation of the calculated indices. The proposed methodology proved valid for data acquisition and processing; however, it was inconclusive in the statistical analysis. Pearson’s Correlation Coefficient showed values close to zero in most scenarios. The highest recorded positive value was 0.24918 in the PDSI/LAI relationship in February 2022, while the lowest was -0.19304 in the PDSI/NDVI and PDSI/SAVI relationships in February 2018. The GLM model showed low performance, with McFadden's Pseudo R2 ranging from 0.00157 in the worst period (February 2020) to 0.99012 in the best scenario (August 2013). Similarly, the R2 of Ridge Regression showed low performance, with values ranging from 0.0804 in August 2013 (best period) to -0.0358 in February 2019 (worst period). To improve the methodology in future studies, it is recommended to integrate additional variables or adopt models that include hydrological and climatic variables, as well as more detailed temporal analyses to better capture the interactions between vegetation and drought or the stratification of the study area. |
| Assunto: | Modelagem de dados – Aspectos ambientais Mudanças climáticas Vegetação e clima – Minas Gerais Secas Sistemas de informação geográfica |
| Idioma: | por |
| País: | Brasil |
| Editor: | Universidade Federal de Minas Gerais |
| Sigla da Instituição: | UFMG |
| Departamento: | IGC - INSTITUTO DE GEOCIENCIAS |
| Curso: | Programa de Pós-Graduação em Análise e Modelagem de Sistemas Ambientais |
| Tipo de Acesso: | Acesso Aberto |
| metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-sa/3.0/pt/ |
| URI: | http://hdl.handle.net/1843/80775 |
| Data do documento: | 20-Dez-2024 |
| Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Dissetação Final - Paulo Victor Alves de Oliveira.pdf | 3.38 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
