PADRÕES ESPAÇO-TEMPORAIS E ESTRUTURA ASSOCIATIVA ENTRE NDVI E SOLO EXPOSTO EM CONDADOS QUENIANOS (2024–2025)
DOI:
https://doi.org/10.14393/BGJ-v17n1-a2026-82057Palavras-chave:
Vigor da vegetação, Degradação da terra, Análise espacial, Planejamento ambiental, Tipologias territoriaisResumo
O planejamento ambiental exige uma leitura sistêmica dos territórios, onde o vigor da vegetação e o solo exposto são tratados como indicadores complementares da condição ecológica e da vulnerabilidade da terra, uma vez que abordagens baseadas em variáveis isoladas limitam tanto a interpretação quanto a ação. Guiados por essa perspectiva, avaliamos padrões estatísticos e espaciais no vigor da vegetação e no solo exposto nos 47 condados do Quênia para 2024 e 2025, utilizando composições do Espectrorradiômetro de Imagem de Resolução Moderada (MODIS) processadas no Google Earth Engine. O Índice de Vegetação por Diferença Normalizada (NDVI) do MOD13Q1 e um Índice de Solo Exposto do MCD43A4 foram resumidos como médias por condado e, em seguida, examinados utilizando testes t pareados Bayesianos, correlações Bayesianas, média de modelos Bayesianos, agrupamento por floresta aleatória, I de Moran Local e modelos espaciais do modelo Besag-York-Mollié 2 (BYM2) ajustados com o INLA. Os resultados mostram um declínio moderado no NDVI médio, de 0,568 em 2024 para 0,542 em 2025, juntamente com uma mudança no BSI médio de -0,023 para -0,007, com evidências do fator Bayesiano para mudança em ambos os indicadores. A classificação dos condados permaneceu consistente ao longo do tempo para NDVI e BSI, enquanto as associações entre os indicadores foram fortemente negativas, indicando uma oposição consistente entre a cobertura vegetal e a exposição do solo. A análise de agrupamento identificou três regimes ambientais, com um regime dominante caracterizado por baixo NDVI e maior exposição do solo. Os indicadores locais revelaram agrupamentos contíguos de mudança para ambos os índices, e as estimativas do BYM2 indicaram que a maior parte da variância latente era espacialmente estruturada (φ entre 0,88 e 0,90). O fluxo de trabalho gera tipologias e mapas de condados para orientar o monitoramento e o planejamento, e estabelece uma base para vincular os regimes à variabilidade climática e às trajetórias de uso da terra.
Referências
ALBIZUA, A. The role of emotions and values in territorial planning teaching: Insights from a Basque University case study. Journal of Geography in Higher Education, v. 49, n. 4, 2025. DOI: https://doi.org/10.1080/03098265.2025.2549758.
ANSELIN, L. Local indicators of spatial association—LISA. Geographical Analysis, v. 27, n. 2, p. 93–115, 1995. DOI: https://doi.org/10.1111/j.1538-4632.1995.tb00338.x.
BECKER, S. J. et al. Bare ground classification using a spectral index ensemble and machine learning models optimized across 12 international study sites. Geocarto International, v. 40, n. 1, p. 1-24, 2025. DOI: https://doi.org/10.1080/10106049.2025.2465452.
BREIMAN, L. Random forests. Machine Learning, v. 45, n. 1, p. 5-32, 2001. DOI: https://doi.org/10.1023/A:1010933404324.
CHEN, Q. et al. Spectral indices in remote sensing of soil: Definition, popularity and issues. A critical overview. Remote Sensing of Environment, v. 329, 114918, 2025. DOI: https://doi.org/10.1016/j.rse.2025.114918.
DIDAN, K. MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250 m SIN Grid V061. NASA EOSDIS Land Processes DAAC, 2021. DOI: https://doi.org/10.5067/MODIS/MOD13Q1.061.
FENG, L. et al. Globally increased cropland soil exposure to climate extremes in recent decades. Nature Communications, v. 16, n. 1, 4354, 2025. DOI: https://doi.org/10.1038/s41467-025-59544-1.
GORELICK, N. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, v. 202, p. 18-27, 2017. DOI: https://doi.org/10.1016/j.rse.2017.06.031.
HOETING, J. A. et al. Bayesian model averaging: A tutorial. Statistical Science, v. 14, n. 4, p. 382-401, 1999. DOI: https://doi.org/10.1214/ss/1009212519.
KIPKEMOI, I. Early detection of vegetation stress in Nairobi National Park: structural change analysis from 2005 to 2025. Frontiers in Environmental Science, v. 13, 1662155, 2026. DOI: https://doi.org/10.3389/fenvs.2025.1662155.
KIPKULEI, H. et al. Land use/land cover dynamics in an arid and semi-arid landscape: A 24-year analysis of Baringo County, Kenya (2000–2024). Environmental Challenges, v. 19, 100993, 2025.
LY, A.; VERHAGEN, J.; WAGENMAKERS, E.-J. Harold Jeffreys’s default Bayes factor hypothesis tests: Explanation, extension and application in psychology. Journal of Mathematical Psychology, v. 72, p. 19-32, 2016. DOI: https://doi.org/10.1016/j.jmp.2015.06.004.
MEASHO, S. et al. Assessment of vegetation dynamics and ecosystem resilience in the context of climate change and drought in the Horn of Africa. Remote Sensing, v. 13, n. 9, 1668, 2021. DOI: https://doi.org/10.3390/rs13091668.
MUBONDERI, N. et al. Optical remote sensing for monitoring soil erosion in sub-Saharan grassland biomes: A systematic review. Environmental Monitoring and Assessment, v. 197, 976, 2025. DOI: https://doi.org/10.1007/s10661-025-14426-3.
NDUNGU, L. et al. Application of MODIS NDVI for monitoring Kenyan rangelands through a web-based decision support tool. Frontiers in Environmental Science, v. 7, 187, 2019. DOI: https://doi.org/10.3389/fenvs.2019.00187.
NGUYEN, C. T. et al. A modified bare soil index to identify bare land features during agricultural fallow period in Southeast Asia using Landsat 8. Land, v. 10, n. 3, 231, 2021. DOI: https://doi.org/10.3390/land10030231.
NJOROGE, C. G.; O’DONOGHUE, C.; KILGARRIFF, P. Evaluating cropping intensity in registered and unregistered farms: Evidence from Kenya. Remote Sensing Applications: Society and Environment, v. 36, 101245, 2024. DOI: https://doi.org/10.1016/j.rsase.2024.101245.
OGEMBO, V. et al. Seasonal drought dynamics in Kenya: Remote sensing and combined indices for climate risk planning. Climate, v. 14, n. 1, 14, 2026. DOI: https://doi.org/10.3390/cli14010014.
PARRACCIANI, C.; BUITENWERF, R.; SVENNING, J.-C. Impacts of climate change on vegetation in Kenya: Future projections and implications for protected areas. Land, v. 12, n. 11, 2052, 2023. DOI: https://doi.org/10.3390/land12112052.
PETTORELLI, N. et al. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, v. 20, n. 9, p. 503-510, 2005. DOI: https://doi.org/10.1016/j.tree.2005.05.011.
RAMIREZ, M. A.; LIZARAZO, I. Geographic perspectives on sustainability: Towards a conceptual framework. Environmental Development, v. 52, 101121, 2024. DOI: https://doi.org/10.1016/j.envdev.2024.101121.
RIKIMARU, A.; ROY, P. S.; MIYATAKE, S. Tropical forest cover density mapping. Tropical Ecology, v. 43, n. 1, p. 39-47, 2002.
ROUDER, J. N. et al. Bayesian t tests for accepting and rejecting the null hypothesis. Psychonomic Bulletin & Review, v. 16, n. 2, p. 225-237, 2009. DOI: https://doi.org/10.3758/PBR.16.2.225.
RUE, H.; MARTINO, S.; CHOPIN, N. Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, v. 71, n. 2, p. 319-392, 2009. DOI: https://doi.org/10.1111/j.1467-9868.2008.00700.x.
SCHAAF, C. B. et al. First operational BRDF, albedo nadir reflectance products from MODIS. Remote Sensing of Environment, v. 83, n. 1-2, p. 135-148, 2002. DOI: https://doi.org/10.1016/S0034-4257(02)00091-3.
SHIRI, Z. et al. Landscape approaches for sustainable land systems: A critical systematic review of frameworks, governance, and socio-ecological outcomes. Landscape Sustainability, v. 1, 100007, 2025. DOI: https://doi.org/10.1016/j.las.2025.100007.
SIMPSON, D. et al. Penalising model component complexity: A principled, practical approach to constructing priors. Statistical Science, v. 32, n. 1, p. 1-28, 2017. DOI: https://doi.org/10.1214/16-STS576.
THEPVONGSA, J.; BUTAR BUTAR, E. S. Analytical study on the relationship among land surface temperature, land use land cover, and spectral indices using geospatial techniques over Sikhottabong District, Laos. Case Studies in Chemical and Environmental Engineering, v. 12, 101269, 2025. DOI: https://doi.org/10.1016/j.cscee.2025.101269.
YAN, K. et al. A global systematic review of the remote sensing vegetation indices. International Journal of Applied Earth Observation and Geoinformation, v. 139, 104560, 2025. DOI: https://doi.org/10.1016/j.jag.2025.104560.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Rafael Rossi, Monicah Mucheru-Muna, Peter Mageto
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
All copyrights are reserved to authors. Reproductions of any part of this journal, including the non-commercial use of figures, maps and other illustrations, are allowed provided that the original source of publication be assigned.
