Assessment of Spatial and Temporal Distribution of Clouds in Northeast Brazil (2000 -2019) using MODIS Data

O presente estudo tem como objetivo avaliar a distribuição espacial e temporal da cobertura de nuvens no Nordeste brasileiro, mensal e anualmente, a partir de 2000 a 2019, afim de determinar se há um padrão espacial e temporal na distribuição da cobertura de nuvens e se existe um padrão entre a distribuição de cobertura de nuvens em relação à quantidade de chuva. Para isso, foram utilizadas imagens diárias adquiridas para o período analisado pelo sensor MODIS, que incluem a garantia de qualidade (QA) desses dados quanto a cobertura de nuvens (pixel livre de nuvens, com total cobertura de nuvens, ou com mistura de nuvens). Para fins comparativos, dados de QA dos sensores OLI (Landsat-8) e MSI (Sentinel-2) para 2019 foram utilizados. Além disso, foram utilizados dados de chuva adquiridos pelo satélite TRMM, considerando os biomas Amazônia, Mata Atlântica, Caatinga e Cerrado. Os resultados possibilitaram conhecer a distribuição espacial e temporal de imagens livres de nuvens e aqueles com presença de nuvens. Na região Nordeste, os biomas Amazônia e Mata Atlântica são fortemente afetados pela presença de nuvens, enquanto os biomas Caatinga e Cerrado são os menos afetados. Observações anuais não indicam clara evidência sobre a redução na qualidade dos dados em anos mais chuvosos. Enquanto que as observações mensais indicam que, exceto para a Mata Atlântica, nos meses mais chuvosos há redução de ~50% de imagens livres de nuvens. Dessa maneira, os meses mais favoráveis à aquisição de dados por sensores ópticos são no período seco, mais especificamente entre maio e outubro, principalmente no bioma Cerrado. Os resultados apontam a necessidade de aumento na disponibilidade de imagens orbitais livres de nuvens na região, sobretudo nos biomas Amazônia e Mata Atlântica, visto que isso se torna um fator limitante para o mapeamento e monitoramento de uso e cobertura da terra dessa região principalmente quanto menor for a resolução temporal do sensor utilizado.

Abstract licence: CC BY-NC

A person counts once a day per paper. We keep no cookie and no address: a reader is a hash that changes every day. Any month under five reads shows no number.