Tamanho Fonte: 

Os sensores TM (Landsat 5), ETM+ (Landsat 7) e TIRS (Landsat 8) para além de registarem informação nos domínios visível, infravermelho próximo e infravermelho médio também registam dados de emissividade. Esses dados de emissividade, analisados em modo multitemporal, ganham valor quando o objetivo de investigação é a procura das razões da alteração da temperatura de superfície face à mudança de uso / ocupação do solo. De facto, a mudança observada, nomeadamente de cobertura vegetal do solo, influencia a alteração da temperatura de superfície. Existe, portanto, uma relação entre a ocupação / uso do solo e a temperatura de superfície; evidência que tem sido muito estudada com recurso a dados da emissividade (Aina, Adam, Ahmed (2017); Agarwal, Sharma, Taxak (2014); Artis, Carnahan, (1982); Chen, Chiu, Su, Wu, Cheng, (2017); Estoque, Murayama, Myint  (2017)). O problema inicial que se coloca, com muita frequência em estudos desta natureza, é o da conversão dos valores digitais em at satellite brightness temperature, para posterior mapeamento da temperatura de superfície (land surface temperature (LST)), quando o trabalho exige a utilização de sensores de gerações distintas. O objectivo é, portanto, calcular a LST para conjuntos de dados das três gerações de sensores Landsat, usando como referência os resultados obtidos por Cristóbal, Jiménez-Muñoz, Prakash, Mattar, Skokovi, Sobrino (2018) e por Li, Tang, Wu, Ren, Yan, Wan, Trigo, Sobrinho (2013). São usados dados Landsat 5 TM, Landsat 7 EMT+ e Landsat 8 TIRS relativos aos anos de 1990, 2000 e 2017, cobrindo os municípios de Catumbela e Lobito – Angola. Os resultados revelam: i) um bom desempenho das equações para cálculo da LST; ii) que considerando os valores dos índices de vegetação no cálculo melhora-se o mapeamento da LST.

Palavras-chave: Sensores, Emissividade; Conversão de Dados; NDVI

Bibliografia

Aina, Y. A., Adam, E. M., & Ahmed, F. (2017). Spatio temporal variations in the impacts of urban land use types on urban heat island effects: the case of Riyadh, Saudi Arabia.  Remote Sensing and Spatial Information Sciences, Volume XLII-3/W2, 2017 37th International Symposium on Remote Sensing of Environment, Tshwane, South Africa.

Agarwal, R., Sharma, U., & Taxak, A. (2014). Remote sensing Based Assessment of Urban Heat Island Phenomenon in Nagpur Metropolitan Area. International Journal of Information & Computation Technology, 11(4), 1069-1074

Artis, D. A., & Carnahan, W. H. (1982). Survey of emissivity variability in thermography of urban areas. Remote Sensing of Environment, 12, 313– 329

Cristóbal, J., Jiménez-Muñoz, J.C., Prakash, A., Mattar, C., Skokovi, D., &. Sobrino, J.A. (2018). An Improved Single-Channel Method to Retrieve Land Surface Temperature from the Landsat-8 Thermal Band. Remote Sensing, 10, 431

Chen, Y.Ch., Chiu, H.W., Su, Y.F., Wu, Y.Ch., & Cheng, K. Sh. (2017). Urbanization increase diurnal land surface temperature variation? Evidence and implications. Landscape and Urban Planning, 157, 247–258

Estoque, R. C., Murayama, Y., & Myint, S. W. (2017). Effects of landscape composition and pattern on land surface temperature: An urban heat island study in the megacities of Southeast Asia. Science of the Total Environment, 577, 349–359

Li, Z.L., Tang, B.H., Wu, H., Ren, H., Yan, G., Wan, Zh., Trigo, I., & Sobrinho, J.A.  (2013). Satellite-derived Land Surface Temperature: current status and perspectives. Remote Sensing of Environment, 131, 14-37