A cidade é um sistema complexo e dinâmico, marcado pela transformação da paisagem natural em ambiente antropizado, segundo interesses sociais específicos (Hall, 2018; Robinson, 2005). Essa variabilidade torna o espaço urbano difícil de ser interpretado devido à integração do contexto ambiental e territorial da vizinhança (Santos, 2002). Ainda, é importante considerar os estudos temporais nas análises urbanas, visto que a cidade sofre mudanças rápidas (Jensen, 2006).

O sensoriamento remoto permite uma análise dinâmica da cidade, com imagens de alta resolução cada vez mais acessíveis (Boeing, 2021; Guo et al., 2020; Yang, 2021), bem como os avanços na rede de computadores, os custos de obtenção de dados espaciais diminuíram, ampliando o uso dessas tecnologias (Weng; Quattrochi, 2018; Yang, 2021). Além disso, imagens históricas permitem comparar diferentes períodos, revelando a dinâmica urbana e apoiando soluções baseadas em evidências (Bhatta et al., 2010; Navalgund et al., 2007).

Em Porto Alegre, o sensoriamento remoto já foi utilizado em estudos sobre a impermeabilização do solo (De Menezes Filho, 2013), em áreas de risco de inundação (Moura et al., 2016), e temperaturas da superfície e do ar (Velho, 2014; Kaiser, 2023; Hasenack, 1989; Luz et al., 2019). Contudo, ainda há lacunas, especialmente na integração entre dados de impermeabilidade, vegetação e aspectos socioeconômicos.

Assim, o problema de pesquisa é: qual é a relação entre a impermeabilização da superfície, a cobertura vegetal e o poder aquisitivo da população no município de Porto Alegre/RS? A partir deste problema, foram traçados os objetivos da investigação. O objetivo geral é analisar as relações entre os índices de vegetação (NDVI e SAVI) e de superfície impermeabilizada (ENDISI), obtidos com imagens Sentinel-2 das estações inverno e verão, compreendidas entre os anos de 2017 e 2023, para o município de Porto Alegre, bem como a associação destes índices com dados socioeconômicos. Como objetivos específicos, tem-se: (i) avaliar estatisticamente as semelhanças ou diferenças no uso dos índices de vegetação NDVI e SAVI para o município de Porto Alegre; (ii) avaliar estatisticamente a relação entre os índices de vegetação (NDVI e SAVI) e o índice de solo impermeabilizado (ENDISI); e (iii) analisar a correlação entre o índice socioeconômico IMOBIndex com os índices NDVI, SAVI e ENDISI.

Fundada em 1772 por casais açorianos, Porto Alegre possui cerca de 1,3 milhão de habitantes. Sua urbanização está historicamente ligada ao Lago Guaíba, ao redor do qual se concentram o Centro Histórico e as principais instituições públicas (Monteiro, 2006; IBGE, 2022). A expansão urbana ocorreu do centro às periferias por vias arteriais, que conectam bairros e atraem empreendimentos, mas também geram impactos estruturais e ambientais, muitas vezes desordenados (Santos, 2005; Strohaecker, 2005).

Esse crescimento foi desigual, influenciado pelo relevo, pela vegetação e arroios canalizados, condicionando a ocupação por diferentes grupos sociais (DIAS, 2011). Áreas periféricas sofreram com a precariedade de serviços e alterações desorganizadas na paisagem (Alfonsin, 2000), enquanto áreas valorizadas foram ocupadas por populações de maior renda, empurrando os mais pobres para zonas vulneráveis (Villaça, 2001).

Nos últimos anos, Porto Alegre apresentou redução populacional (IBGE, 2022), mas com o surgimento de novas centralidades em bairros como Humaitá, Hípica e Restinga (Almeida; Campos, 2021). Essas áreas vêm substituindo vegetação e a infraestrutura simples por condomínios e outras formas de urbanização (Soares, 2018).

Dada a heterogeneidade urbana, oito bairros foram selecionados para análise: Cidade Baixa, Cristo Redentor, Bom Jesus, Rubem Berta, Santa Tereza, Hípica, Restinga e Santo Antônio. Observa-se, na Figura 1, a localização de Porto Alegre em contexto nacional e estadual, bem como a indicação dos bairros selecionados. A escolha considerou a cobertura territorial das oito Regiões de Gestão do Planejamento municipal e vias arteriais relevantes, além de instrumentos de planejamento urbano, como o Orçamento Participativo (OP) e o Plano Diretor de Desenvolvimento Urbano e Ambiental (PDDUA) (PROCEMPA, 2010; PROCEMPA, 2015; Porto Alegre, 1999). Nota-se, também na Figura 1, que a porção Norte do território de Porto Alegre é mais densamente urbanizado que a metade Sul.

Figura 1 – Mapa de localização de Porto Alegre, com a indicação dos bairros selecionados

Fonte: Autores (2025)

3.1 Imagens orbitais

As imagens Sentinel-2, fazem parte do programa Copernicus da Agência Espacial Europeia (ESA), desde 2015, oferecendo uma valiosa contribuição para estudos da superfície terrestre, graças a sua alta resolução temporal – de cerca de 5 dias – e excelente resolução espacial (Phiri et al., 2020; Misra et al., 2020). Amplamente utilizadas em diversas aplicações de sensoriamento remoto, como resposta a desastres naturais, gestão de recursos hídricos e planejamento urbano, as imagens adquiridas pelo satélite Sentinel-2, sensor multiespectral MSI, fornecem dados em 13 bandas espectrais nos comprimentos de onda contidos entre 443 e 2190 nm, com resolução espacial de 10 metros para o visível e infravermelho próximo e 20 metros para outras regiões do infravermelho (Li et al., 2021; Ranagalage et al., 2021; Sun et al., 2022). O acesso a essas imagens é facilitado pelo site Data Space – Copernicus, mantido pela ESA, tornando-as uma ferramenta valiosa para monitoramento de uso e ocupação da superfície.

Após a delimitação da área de estudo, foram adquiridas 6 imagens Sentinel-2 obtidas entre os anos de 2018 e 2023. As imagens selecionadas são das seguintes datas: 11/03/2018, 09/02/2019, 25/03/2020, 30/12/2020, 05/03/2022 e 04/01/2023. Todas as cenas são livres de nuvens sobre Porto Alegre/RS. Contudo, a imagem do dia 05/03/2022, tem um foco de queimada em um ponto do bairro Extrema.

A área de estudo foi analisada na estações de verão, com a finalidade de adquirir informações a respeito da cobertura vegetal e da impermeabilidade da superfície em um período com poucas variações nas horas de insolação e na incidência da luz solar, promovendo uma análise com poucas sombras, que podem destacar ou obscurecer certas características geográficas de uma localidade, uma vez que o município de Porto Alegre está situado no paralelo 30°S, ou seja, tem alterações na insolação e ângulo de inclinação solar. Além disso, para a imagem de satélite ser utilizada no comparativo multitemporal, foi definido que a precipitação acumulada não poderia ser maior que 12 mm para os três dias anteriores ao imageamento, uma vez que a precipitação pode modificar as propriedades da superfície, afetando a reflectância espectral. A definição desses parâmetros é essencial para a verificação da comparabilidade entre as datas, uma vez que a umidade interfere nos índices de vegetação e de impermeabilidade da superfície, impactando na interpretação de alvos como corpos d’água, solo exposto e cobertura vegetal (Dousset; Gourmelon, 2003). Tanto as medições de horas de insolação como de precipitação acumulada foram fornecidas pelo Instituto Nacional de Meteorologia (INMET). Na Tabela 1, pode-se verificar a quantidade de horas de insolação e de precipitação acumulada nos 3 dias anteriores ao imageamento.

Tabela 1 – Dados de insolação e de precipitação acumulada nos três (3) dias anteriores ao imageamento

Fonte: Organizado pelos autores (2023)

Antes das análises, ainda foi realizada uma correção atmosférica nas imagens de satélite selecionadas, utilizando o método DOS (Subtração de Objeto Escuro), também conhecido como Correção Atmosférica pelo Pixel Escuro, estimado pelos números digitais das imagens de satélite, não considerando a absorção atmosférica (Chavez, 1989). O plugin SCP (Plugin de Classificação Semiautomática) do software QGIS emprega o método DOS para corrigir a atmosfera, que foi usado por permitir a utilização do procedimento de maneira dinâmica (Congedo, 2021). As imagens usadas são níveis de processamento 1C - reflectância no topo da atmosfera, assim a atmosfera afeta diferentemente os valores de números digitais das bandas, portanto, sendo necessário fazer uma correção atmosférica. Além disso, também é importante fazer uma correção atmosférica quando é comparado dados em um período de tempo, ou seja, se há análise temporal (Song et al., 2001).

3.2 Processamento de imagens

O Índice de Vegetação por Diferença Normalizada (NDVI), proposto por Rouse et al. (1972), foi calculado para todas as imagens selecionadas. O índice é obtido por meio de operações algébricas entre as bandas do vermelho (RED) e do infravermelho próximo (NIR), como observado na Equação 1 (Kuc; Chormanski, 2019; Wong et al., 2019; Dhillon et al., 2022). Os valores do índice NDVI são dados na escala entre -1 e 1, onde um valor próximo a zero significa a presença de solos descobertos ou com a presença de rochas e areia, enquanto valores altos indicam a existência de coberturas vegetais; valores negativos apontam a presença de água, solos úmidos ou nuvens (Copernicus, 2026).

onde:

NIR é a reflectância na banda dos comprimentos de onda do infravermelho próximo; e

RED é a reflectância na banda dos comprimentos de onda do vermelho;

A escolha pelo cálculo do NDVI deve-se à extensa quantidade de referências acerca do uso deste índice para a identificação de vegetação saudável nos mais diversos ambientes. Assim, para que seja possível estabelecer comparações e/ou relações entre índices ainda não aplicados à área de estudo, é importante utilizar um índice que conta com um amplo conhecimento prévio de suas potencialidades e limitações na análise da vegetação.

Na análise da cobertura vegetal foi usado o Índice de Vegetação Ajustado ao Solo (em inglês, Soil Adjusted Vegetation Index - SAVI), apresentado na Equação 2 (Huete, 1988; Golden; Kaloush, 2006; Kumar; Shekhar, 2015; Skougaard Kaspersen et al., 2015). No cálculo do SAVI, são realizadas operações algébricas entre as bandas espectrais utilizando-se as bandas 4 (Vermelho) e 8 (Infravermelho Próximo – NIR) do Sentinel-2. O SAVI foi escolhido pelo fato de a área urbana ser uma superfície com cobertura heterogênea, normalmente com solo impermeabilizado em grande quantidade. Assim, este índice traz estimativas mais precisas em relação à densidade da vegetação, uma vez que, diferentemente do que é apresentado pelo NDVI, o SAVI é menos sensível ao solo exposto (Elvidge; Chen, 1995; Xu, 2007). Considerando o fator de correção de 0,5, a escala do SAVI tem o intervalo de valores -1,5 e 1,5. Valores mais altos de SAVI indicam a presença de superfícies com cobertura vegetal, enquanto superfícies com valores menores, próximos a zero indicam a existência de solo exposto.

onde:

NIR é a reflectância na banda dos comprimentos de onda do infravermelho próximo;

RED é a reflectância na banda dos comprimentos de onda do vermelho; e

L é o fator de correção

Na análise de impermeabilidade da superfície foi usado o Índice de Superfícies Impermeáveis por Diferença Normalizada Aprimorada (em inglês, Enhanced Normalized Difference Index for Impervious Surface – ENDISI) (Equação 3). O índice ENDISI varia entre -1 e 1, onde um valor baixo de ENDISI significa que a superfície é permeável, como aquelas que possuem cobertura vegetal, que permitem uma melhor absorção da água; por outro lado, valores altos de ENDISI indicam a existência de superfícies impermeáveis. Este índice, apesar de utilizar apenas três bandas, possui a capacidade de separar superfícies impermeáveis e áreas com solo exposto e cobertura vegetal (Chen et al., 2019). O índice ENDISI é indicado para a área de Porto Alegre, uma vez que, além de ser uma ferramenta eficiente para a separação de áreas impermeáveis, este índice também permite o processamento de maneira automatizada sem a necessidade de remoção dos corpos hídricos e áreas alagadiças, algo que facilita muito em uma análise em Porto Alegre, que possui várias áreas baixas com acúmulo de água periodicamente, além do Lago Guaíba.

onde:

BLUE é a reflectância na banda dos comprimentos de onda do azul;

SWIR1 (1610 nm) é a reflectância na banda dos comprimentos de onda do infravermelho de ondas curtas;

SWIR2 (2190 nm) é a reflectância na banda dos comprimentos de onda do infravermelho de ondas curtas;

MNDWI é o índice de água por diferença normalizada modificada; e

b é um elemento apresentado na Equação 4

A fórmula do ENDISI relaciona as bandas do azul (BLUE) e do infravermelho de ondas curtas (SWIR), além do verde (GREEN), que está inserido na fórmula do Índice de Água por Diferença Normalizada Modificada (em inglês, Modified Normalized Difference Water Index – MNDWI) (Chen et al., 2019; Chen et al., 2020; Almohamad; Alshwesh, 2023). O MNDWI é um índice utilizado para identificar a presença de corpos d’água e diferenciá-los de outros tipos de cobertura da superfície a partir das bandas do verde (GREEN) e do infravermelho de ondas curtas (SWIR), conforme observado na Equação 5 (Ali et al., 2019; Szabo et al., 2016; Chang et al., 2022). Valores altos de MNDWI normalmente sugerem a presença de água, por outro lado valores baixos indicam a presença de superfície com características não aquáticas.

onde:

GREEN é a reflectância na banda dos comprimentos de onda do verde; e

SWIR1 é a reflectância na banda dos comprimentos de onda do infravermelho de ondas curtas

As superfícies impermeáveis e naturais têm características diferentes em relação às bandas espectrais: o primeiro grupo tem maior refletividade na faixa do azul, ao passo que o segundo envolve vegetação, águas e terras áridas, refletindo menos na faixa do azul. As superfícies naturais refletem pouco nas bandas do SWIR-1 e SWIR-2, enquanto as superfícies impermeáveis possuem maior reflectância nessas bandas, com menor variação. A faixa azul foi selecionada porque facilita a diferenciação entre as superfícies impermeáveis e naturais (ou permeáveis). A proporção entre as bandas SWIR1 e SWIR2, junto do MNDWI (Equação 5) foi utilizada para ampliar essa distinção (Chen et al., 2019).

Antes de utilizar, tanto o índice ENDISI quanto o MNDWI, é preciso reamostrar as bandas do azul (BLUE) e verde (GREEN), por interpolação bilinear. Isso se faz necessário, uma vez que as bandas do SWIR, 11 e 12 respectivamente, no Sentinel-2, possuem resolução espacial de 20 metros, enquanto as outras bandas usadas nesta operação algébrica, no caso as bandas do azul e do verde, possuem pixels de dimensão 10 metros. Assim, foi gerado um conjunto de bandas com resolução espacial de 20 metros.

3.3 Análise estatística dos índices NDVI, SAVI, ENDISI e dado socioeconômico

Para a organização e registro dos dados, foi utilizado o software Microsoft Excel e, para a análise estatística dos dados, foi utilizado o software SPSS (Statistical Package for Social Sciences) versão 29. Ainda, para comparar os dados provenientes do índice SAVI com o ENDISI e o NDVI – os dados SAVI estavam em escala com valores num intervalo entre -1,5 e 1,5, enquanto os dados ENDISI e NDVI têm escala de valores entre -1 e 1 –, foi necessário realizar uma normalização nos dados SAVI. Assim, em todas as análises estatísticas foram usados os dados de SAVI normalizados (SAVI norm).

Para os valores observados para NDVI, SAVI norm e ENDISI, foram realizadas análises estatísticas descritivas e inferenciais. Como análises descritivas, realizou-se a construção de tabelas de frequência, análise gráfica e cálculo de medidas resumo – mínimo, máximo, média e desvio-padrão. Já para as análises inferenciais, procedeu-se o cálculo do teste de Kolmogorov-Smirnov, para verificar normalidade dos índices de vegetação e de solo avaliados; Análise de Variância (ANOVA), para comparar médias dos índices de vegetação e de solo, comparando datas e bairros observados; e coeficiente de correlação de Pearson, para verificar a existência de relação linear entre os índices de vegetação (NDVI e SAVI norm) e o índice de solo impermeabilizado (ENDISI). Para todos os testes realizados, foi estabelecido o nível de significância de 5%, ou seja, resultados estatisticamente significativos estarão dentados por p < 0,05.

Considerando a indisponibilidade de dados censitários compatíveis com o intervalo temporal definido para esta pesquisa, foram utilizados, como dados socioeconômicos os valores de média do IMOBIndex. O portal IMOBIndex, idealizado pela Empresa Pública de Tecnologia da Informação e Comunicação da Prefeitura de Porto Alegre (PROCEMPA) e baseado em dados da Secretaria Municipal da Fazenda, foi escolhido como fonte de dado socioeconômico, pois divulga a mediana, a média ou a média móvel dos valores de metro quadrado da venda dos imóveis de cada rua, bairro ou de todo o território municipal para um determinado mês (PROCEMPA, 2022).

Os dados do IMOBIndex estão disponíveis mensalmente, com início da série em agosto de 1998 e final em julho de 2022. Dessa forma, não é possível analisar todas as datas de verão desta pesquisa. Assim, as datas que compõem a análise estatística são as seguintes: 11/03/2018, 09/02/2019, 25/03/2020, 30/12/2020, 05/03/2022. Para cada data de cada imagem, foi obtido o valor da média do IMOBIndex para o respectivo bairro no mês do imageamento. Ressalta-se que, no portal do IMOBIndex, não há dados para as datas selecionadas para o bairro Hípica, que não será incluído nesta análise.

Antes do cálculo da correlação entre os índices (NDVI, SAVI norm e ENDISI) e o IMOBIndex, foi realizado o teste de Kolmogorov-Smirnov para verificar a normalidade dos dados analisados. Posteriormente, foram calculados os índices de correlação. Para todas as análises, foi estabelecido o nível de significância de 5%, ou seja, resultados estatisticamente significativos estarão dentados por p < 0,05.

Observando a Figura 2, que contém os resultados dos índices analisados para todo o município de Porto Alegre, verifica-se que os pixels com os menores valores de NDVI e SAVI, próximos a zero, estão localizados nas áreas mais urbanizadas da cidade. Por outro lado, os pixels com os maiores valores de NDVI e SAVI, próximos de 1 e 1,5 respectivamente, estão situados nas áreas rurais ou menos urbanizadas de Porto Alegre.

Para o ENDISI, nota-se a presença de pixels referentes ao quarto quartil e às áreas impermeabilizadas nas zonas urbanas de Porto Alegre. No entanto, os pixels relacionados ao primeiro quartil e às áreas permeáveis estão situados nas zonas rurais do município.

Na Figura 3, percebe-se os valores de SAVI e ENDISI, além da composição colorida, para todos os bairros presentes na pesquisa. No NDVI e SAVI, os tons de vermelho indicam baixos valores de vegetação, o amarelo representa valores intermediários e o verde corresponde aos valores mais altos. Já no ENDISI, os valores foram classificados em quartis, em que o primeiro reúne os menores valores e o quarto concentra os maiores, associados à maior impermeabilização. É constatado que os bairros mais urbanizados e próximos da zona central, casos de Cidade Baixa, Cristo Redentor, Santo Antônio, Santa Tereza, Rubem Berta e Bom Jesus (Figura 1), possuem valores de SAVI próximos a zero, portanto, com menor quantidade de cobertura vegetal. O mesmo é verificado para o ENDISI, onde a maior parte dos pixels desses bairros se concentra no quarto quartil, logo, possuem uma grande quantidade de áreas impermeáveis. Em contrapartida, bairros mais afastados da zona central, como Hípica e Restinga, possuem uma grande quantidade de pixels com valores elevados de SAVI, portanto com maior cobertura vegetal. Além disso, também possuem mais áreas permeáveis, pois os pixels se concentram no primeiro quartil.

Figura 2 – Mapa de localização de Porto Alegre, com a indicação dos bairros selecionados

Fonte: Autores (2025)

Figura 3 – Conjunto de Mapas dos Bairros Analisados em Composição Colorida e com os Índices SAVI e ENDISI

Fonte: Autores (2025)

Analisando a frequência relativa a cada data dos dados utilizados nas análises estatísticas deste trabalho, observa-se constância nos dados percentuais. Cada data de análise representa 16,7% dos dados, sendo o menor conjunto de dados observado o de 108046 pixels, e o maior com 108118 pixels. Essa variação é natural visto que, pelas restrições impostas pelas fórmulas de cada índice – especialmente o ENDISI, conforme Equação 3 –, pode-se impedir o cálculo de um dos índices e, por consequência, eliminar o pixel da análise estatística. Apesar da oscilação no número de observações, não há variação na frequência relativa.

Foram, também, analisadas as frequências relativas por bairro, para as seis datas observadas e os resultados obtidos foram: Bom Jesus, 4,8%; Cidade Baixa, 1,8%; Cristo Redentor, 3,3%, Hípica, 23,9%; Restinga, 46,4%; Rubem Berta, 6,2%; Santa Tereza, 10,4%; e Santo Antônio, 3,2%. É possível identificar as diferenças entre os tamanhos (áreas) de cada bairro. Os maiores bairros observados, Hípica e Restinga, juntos correspondem a mais de 50% dos dados, enquanto bairros mais densamente ocupados, como Cidade Baixa e Cristo Redentor, correspondem a uma pequena frequência relativa.

Para verificar a normalidade dos dados, essencial nos casos de utilização de testes paramétricos, procedeu-se a realização do teste de Kolmogorov-Smirnov, com 5% de significância. Os resultados do pressuposto de normalidade resultaram na conclusão de que todas as variáveis testadas (NDVI, ENDISI, SAVI e SAVI norm) apresentam distribuição Normal (p > 0,05), sendo assim possível o emprego dos testes estatísticos paramétricos Análise de Variância (ANOVA) e teste de comparações múltiplas de médias de Tukey. Ainda, pode-se, a partir dos resultados do teste de normalidade, utilizar-se o coeficiente de correlação de Pearson entre as variáveis analisadas.

Os valores das correlações de Pearson entre as variáveis são apresentados na Tabela 2 e mostram que há: (i) correlação estatisticamente significativa moderada e inversa entre NDVI e ENDISI (R = - 0,7768, p < 0,05); (ii) correlação estatisticamente significativa moderada e inversa entre SAVI normalizado e ENDISI (R = - 0,7423, p < 0,05); (iii) correlação estatisticamente significativa forte e direta entre NDVI e SAVI normalizado (R = 0,9322, p < 0,05); (iv) correlação estatisticamente significativa moderada e inversa entre SAVI e ENDISI (R = - 0,7770, p < 0,05); e (v)correlação estatisticamente significativa forte e direta entre NDVI e SAVI (R = 0,9320, p < 0,05).

Tabela 2 – Coeficientes de Correlação de Pearson calculados entre os índices de vegetação (NDVI e SAVI) e o índice de solo impermeabilizado (ENDISI) – análise geral (n = 648.529). *Teste de significância do coeficiente de Correlação Linear de Pearson

Fonte: Autores (2025)

Conforme resultados da Tabela 2, conclui-se que os índices de vegetação são fortemente correlacionados diretamente, independentemente do uso dos valores do SAVI ou do SAVI norm. Ainda, registra-se que há correlação moderada inversamente entre os índices de vegetação e o ENDISI, mostrando uma complementaridade entre solo impermeável e vegetação no conjunto total de dados (6 datas e 8 bairros).

Após a análise do conjunto total de dados, procedeu-se a análise estatística dos dados por índice e por bairros, visando o entendimento das diferenças de comportamento de cada variável nas diferentes regiões do município de Porto Alegre. Essa etapa iniciou pelos dados de NDVI, realizando-se o teste ANOVA entre os bairros, conforme Tabela 3.

Tabela 3 – Valores médios do Índice de Vegetação por Diferença Normalizada (NDVI) – comparação entre bairros observados. *resultado do teste ANOVA com 5% de significância

Fonte: Autores (2025)

Pelo resultado do teste ANOVA dos dados de NDVI por bairros (Tabela 3), com 5% de significância, é possível concluir que existem diferenças estatisticamente significativas entre as médias de NDVI na comparação entre os bairros observados (p<0,001). Para identificar onde as diferenças entre médias de NDVI ocorrem entre os bairros e quais grupos são representados por médias homogêneas, procedeu-se a realização do teste de comparação de múltiplas médias de Tukey. Os resultados são apresentados na Tabela 4, onde pode-se verificar que as médias de NDVI ficam agrupadas em 8 grupos homogêneos, sendo a maior média observada no bairro Restinga e a menor média observada no bairro Cidade Baixa. O principal resultado neste teste foi que não existem agrupamentos homogêneos de bairros com médias iguais, ou seja, todos bairros diferem entre si, com relação à média de NDVI.

Tabela 4 – Grupos homogêneos de médias do Índice de Vegetação por Diferença Normalizada (NDVI) – comparação entre bairros observados. *resultado obtido através do teste de comparações múltiplas de Tukey com 5% de significância. Médias dentro do mesmo grupo são, estatisticamente, iguais

Fonte: Autores (2025)

Foi realizado o teste ANOVA nos dados do ENDISI para os bairros. Os resultados são apresentados na Tabela 10. Pelo resultado do teste ANOVA dos dados de ENDISI (Tabela 5), com 5% de significância, é possível concluir que existem diferenças estatisticamente significativas entre as médias de ENDISI na comparação entre os bairros observados (p < 0,001). Para identificar onde as diferenças entre médias de ENDISI ocorrem entre os bairros e quais grupos são representados por médias homogêneas, procedeu-se a realização do teste de comparações múltiplas de médias de Tukey (Tabela 6).

Tabela 5 – Valores médios do Índice de Solo Impermeabilizado (ENDISI) – comparação entre bairros observados. *resultado do teste ANOVA com 5% de significância

Fonte: Autores (2025)

Tabela 6 – Grupos homogêneos de médias do Índice de Solo Impermeabilizado (ENDISI) – comparação entre bairros observados. *resultado obtido através do teste de comparações múltiplas de Tukey com 5% de significância. Médias dentro do mesmo grupo são, estatisticamente, iguais

Fonte: Autores (2025)

Pela análise do teste de Tukey dos dados de ENDISI (Tabela 6), verifica-se que as médias deste índice ficaram agrupadas em 7 grupos homogêneos, sendo a maior média observada no bairro Cidade Baixa e a menor média observada no bairro Restinga. O principal resultado neste teste foi que os bairros apresentam padrões estatisticamente distintos em relação às médias de ENDISI, sendo semelhantes entre si, apenas, os bairros Santo Antônio e Rubem Berta.

Ainda sobre os testes ANOVA e Tukey, os dados de SAVI norm também foram analisados estatisticamente. Os resultados da ANOVA para o SAVI norm dos bairros são apresentados na Tabela 7, e possibilitam concluir, com 5% de significância, que existem diferenças estatisticamente significativas entre as médias de SAVI normalizado na comparação entre os bairros observados (p < 0,001). Para identificar onde as diferenças entre médias de SAVI norm ocorrem entre os bairros e quais grupos são representados por médias homogêneas, procedeu-se a realização do teste de comparações múltiplas de médias de Tukey. Os resultados estão apresentados na Tabela 8.

Tabela 7 – Valores médios do Índice de Vegetação Ajustado ao Solo normalizado (SAVI norm) – comparação entre bairros observados. *resultado do teste ANOVA com 5% de significância

Fonte: Autores (2025)

Pela análise do teste de Tukey para os dados de SAVI norm (Tabela 8), verifica-se que as médias de SAVI norm ficam agrupadas em 8 grupos homogêneos, sendo a maior média observada no bairro Restinga e a menor média observada no bairro Cidade Baixa, assim como ocorreu nos dados de NDVI (Tabela 4). O principal resultado neste teste foi que não existem agrupamentos homogêneos de bairros com médias iguais, ou seja, todos bairros diferem entre si, com relação à média de SAVI norm.

Finalizados os testes ANOVA e Tukey para os bairros, procedeu-se a análise do coeficiente de correlação de Pearson entre as variáveis NDVI, SAVI norm e ENDISI por bairros (Tabela 9), cujos resultados mostram que: os coeficientes de correlação de Pearson entre as variáveis NDVI e ENDISI apresentam correlações estatisticamente significativas moderadas e inversas; as variáveis NDVI e SAVI norm apresentam correlação de Pearson estatisticamente significativas fortes e diretos; e os índices SAVI norm e ENDISI apresentam correlação de Pearson estatisticamente significativos, de fracos a moderados, e inversos.

Tabela 8 – Grupos homogêneos de médias do Índice de Vegetação Ajustado ao Solo normalizado (SAVI norm) – comparação entre bairros observados. *resultado obtido através do teste de comparações múltiplas de Tukey com 5% de significância. Médias dentro do mesmo grupo são, estatisticamente, iguais

Fonte: Autores (2025)

O principal resultado da análise de correlação de Pearson por bairro (Tabela 9) é que, independentemente do bairro analisado, há uma forte correlação entre os dados de NDVI e SAVI norm, com valores de correlação de Pearson levemente mais altos nos bairros com maior área de cobertura vegetal, comparados aos valores dos bairros com ocupação urbana mais intensificada. Outro fator a ser analisado nos dados da Tabela 10 é a semelhança no comportamento dos valores de correlação de Pearson nas análises entre ENDISI e NDVI e entre ENDISI e SAVI norm. Contudo, as correlações entre ENDISI e SAVI são ligeiramente menores que as registradas para as correlações entre ENDISI e SAVI norm.

Tabela 9 – Coeficientes de Correlação de Pearson calculados entre os Índices de Vegetação (NDVI e SAVI) e Índice de Solo Impermeabilizado (ENDISI) – análise por bairro observado. *Teste de significância do coeficiente de Correlação Linear de Pearson

Fonte: Autores (2025)

Procedeu-se a análise do coeficiente de correlação de Pearson entre as variáveis NDVI, SAVI norm e ENDISI por data de observação (Tabela 10), e os resultados mostram que: as variáveis NDVI e ENDISI apresentam correlações estatisticamente significativas moderadas e inversas; as variáveis NDVI e SAVI norm apresentam coeficientes de correlação de Pearson estatisticamente significativas fortes e diretos; e as variáveis SAVI norm e ENDISI têm coeficientes de correlação estatisticamente significativos, de fraco a moderado, e inversos.

Ressalta-se, ao analisar a Tabela 10, que independentemente da data analisada, há uma forte correlação entre os dados de NDVI e SAVI norm, com valores de correlação de Pearson levemente mais baixos nas datas 25/03/2020 e 05/03/2022. Outro fator importante é a semelhança no comportamento dos valores de correlação de Pearson nas análises entre ENDISI e NDVI e entre ENDISI e SAVI norm. Para algumas datas, os valores de correlação de ENDISI e NDVI e de ENDISI e SAVI norm são iguais (٠٩/٠٢/٢٠١٩, ٣٠/١٢/٢٠٢٠ e ٠٤/٠١/٢٠٢٣). De forma geral, ao analisar a totalidade dos dados dos bairros selecionados por data, nota-se que há pouca variação entre os coeficientes de correlação apresentados.

Tabela 10 – Coeficientes de Correlação de Pearson calculados entre os Índices de Vegetação (NDVI e SAVI) e Índice de Solo Impermeabilizado (ENDISI) – análise por data observada. *Teste de significância do coeficiente de Correlação Linear de Pearson

Fonte: Autores (2025)

Para a análise da correlação entre o índice socioeconômico IMOBIndex e os índices NDVI, ENDISI e SAVI norm, primeiramente foi verificada a normalidade dos dados, realizando-se o teste de Kolmogorov-Smirnov. Como foi verificada a normalidade dos dados, procedeu-se o cálculo dos coeficientes de correlação de Pearson e de Spearman, com 5% de significância. Os valores dos coeficientes de correlação da Pearson calculados são apresentados na Tabela 11, e o resultados mostram que os índices de vegetação (NDVI e SAVI norm) têm correlação moderada e inversa com o IMOBIndex. Ou seja, quando maior o valor médio do metro quadrado, menor é a média de índice de vegetação registrado. Já a relação entre ENDISI e IMOBIndex é moderada e direta, indicando que o valor médio do metro quadrado aumenta quando há um valor médio maior de solo impermeabilizado.

Tabela 11 – Coeficientes de Correlação de Pearson e de Spearman, calculados entre os índices NDVI, SAVI, ENDISI e IMOBIndex – análise por data observada. *indica correlação significativa entre as variáveis, com 5% de significância

Fonte: Autores (2025)

A análise dos índices NDVI, SAVI e ENDISI nos oito bairros selecionados revelou alguns padrões urbanos. Dois grupos de bairros foram identificados com base no NDVI. O primeiro, com bairros como Hípica e Restinga, apresentou valores elevados de NDVI, devido à predominância de vegetação nas áreas periféricas. O segundo, com bairros mais urbanizados como Cidade Baixa e Cristo Redentor, mostrou valores baixos, devido à escassez de vegetação (Kuc; Chormanski, 2019; Phiri et al., 2020). O SAVI teve comportamento semelhante ao do NDVI, com valores mais altos em áreas com vegetação densa. (Elvidge; Chen, 1995). Apesar disso, o SAVI sofreu menos influências de fatores como exposição do solo ou sombreamento de morros e edificações que o NDVI (Hu et al., 2025).

O ENDISI, que avalia a permeabilidade do solo, dividiu bem as áreas permeáveis e impermeáveis. Os bairros Hípica e Restinga, com grande área verde e que não estão na zona urbana consolidada, e.g., Cidade Baixa e Cristo Redentor, apresentaram maior quantidade de superfícies permeáveis, trazendo benefícios ambientais (Bai et al., 2022).

Os índices mostraram correlações estatísticas significativas entre NDVI, SAVI e ENDISI. O comportamento moderado e inverso entre o NDVI/SAVI e o ENDISI foi esperado, já que áreas verdes têm valores altos no primeiro e baixos no segundo, e o oposto para áreas impermeáveis. A correlação entre os índices foi moderada, refletindo a mistura espectral nas áreas urbanas com resolução espacial de 20 m, uma vez que o ENDISI utiliza os comprimentos de onda do SWIR em seu cálculo, e essas bandas espectrais – do SWIR – possuem resolução espacial de 20 m. Assim, com tal resolução espacial, considera-se uma mistura espectral maior nos ambientes urbanos e, assim, valores mais baixos de correlação. Porém, os resultados revelaram que, mesmo com uma resolução de 20 m, é possível verificar um comportamento complementar de cobertura de superfície ao analisar SAVI ou NDVI com o ENDISI. A única exceção foi em 05/03/2022, quando a presença de queimadas alterou os resultados, especialmente nas análises envolvendo o SAVI.

Na análise das correlações entre os índices (NDVI x ENDISI, NDVI x SAVI e SAVI x ENDISI) por data de imageamento, registra-se valores muito próximos de correlação. Isso indica que, independentemente da data de análise, a observação dos critérios de insolação e de precipitação acumulada nos dias anteriores ao imageamento foram fundamentais para a constância das correlações entre datas. A correlação entre NDVI e ENDISI teve valores muito similares entre datas. Já a correlação entre SAVI e ENDISI teve uma variação maior entre datas, com atenção estecial ao dia 05/03/2022, pelos motivos já apresentados.

Por fim, foi observada uma correlação entre os valores de NDVI e os preços de metro quadrado. Bairros com menor vegetação e mais centralizados, como Cidade Baixa e Cristo Redentor, apresentaram valores de metro quadrado mais altos. Por outro lado, o ENDISI é moderadamente correlacionado inversamente aos preços, com áreas impermeáveis como Cidade Baixa e Cristo Redentor apresentando maiores valores no IMOBIndex.

A análise dos índices NDVI, SAVI e ENDISI, utilizando imagens Sentinel-2, foi eficaz para entender a cobertura do solo em Porto Alegre, integrando aspectos de vegetação e superfícies urbanas. A resolução espacial das imagens (10 a 20 metros) mostrou-se adequada ao propósito da pesquisa. Conclui-se que os índices NDVI, SAVI e ENDISI são essenciais para avaliar a vegetação e as superfícies impermeáveis de forma detalhada.

Foi identificada uma forte correlação entre os índices NDVI e SAVI, com padrões espaciais e temporais similares. Ambos apresentaram valores baixos nos bairros localizados nas zonas mais densamente urbanizadas (região central e Zona Norte) e valores mais altos em áreas periféricas. Poucas foram as diferenças quantitativas entre NDVI e SAVI, devendo-se explorar mais as possíveis diferenças entre esses índices em tipos de cobertura do solo distintos.

O ENDISI revelou-se eficaz na detecção de superfícies impermeáveis, especialmente relevante para Porto Alegre, uma cidade adjacente ao Lago Guaíba, sem a necessidade de remoção manual de água nas imagens. Utilizando-se este índice, foi possível verificar a expansão urbana de Porto Alegre, com maior presença de superfícies impermeáveis nos bairros menores e localizados próximos a maior disponibilidade de infraestrutura urbana (região central e Zona Norte).

No que se refere ao IMOBIndex, observou-se que os bairros com maiores valores de NDVI, i.e., com mais vegetação, tendem a ter preços mais baixos de metro quadrado que os bairros com menor cobertura vegetal, que apresentam maiores valores de metro quadrado devido ao acesso à infraestrutura urbana. A análise também revelou que as áreas com maior impermeabilização do solo, identificadas pelo ENDISI, coincidem com regiões de alta valorização imobiliária. Para futuras investigações, é recomendada a expansão da série temporal e o uso de sensores de maior resolução espacial.

Sob a perspectiva espacial, a análise das imagens permite interpretar e validar os resultados estatísticos obtidos. As imagens derivadas dos índices evidenciam uma relação inversa entre a presença de vegetação e o grau de impermeabilização, indicando coerência entre os dados analisados. Observa-se que pixels com altos valores de índice de vegetação correspondem predominantemente a áreas vegetadas, enquanto pixels com elevados valores de ENDISI concentram-se nas regiões mais densamente urbanizadas, reforçando a consistência dos padrões identificados.

ALFONSIN, B. M. Da invisibilidade à regularização fundiária: a trajetória legal da moradia de baixa renda em Porto Alegre-século XX. 2000.

ALI, M. I. et al. Detection of changes in surface water bodies urban area with NDWI and MNDWI methods. International Journal on Advanced Science Engineering Information Technology, v. 9, n. 3, p. 946-951, 2019.

ALMEIDA, N. L.; CAMPOS, H. Á. Dinâmica imobiliária da habitação em bairros adjacentes ao centro de Porto Alegre/RS. Cadernos Metrópole, v. 24, p. 283-310, 2021.

ALMOHAMAD, H.; ALSHWESH, I. O. Evaluation of Index-Based Methods for Impervious Surface Mapping from Landsat-8 to Cities in Dry Climates; A Case Study of Buraydah City, KSA. Sustainability, v. 15, n. 12, p. 9704, 2023.

BAI, H. et al. Urban green space planning based on remote sensing and geographic information systems. Remote Sensing, v. 14, n. 17, p. 4213, 2022.

BHATTA, B. et al. Urban sprawl measurement from remote sensing data. Applied geography, v. 30, n. 4, p. 731-740, 2010.

BOEING, G. Spatial information and the legibility of urban form: Big data in urban morphology. International Journal of Information Management, v. 56, p. 102013, 2021.

CHANG, L. et al. Extracting urban water bodies from Landsat imagery based on mNDWI and HSV transformation. Remote Sensing, v. 14, n. 22, p. 5785, 2022.

CHAVEZ, P. S. Radiometric calibration of Landsat thematic mapper multispectral images. Photogrammetric Engineering and Remote Sensing, v. 55, p. 1285-1294, 1989.

CHEN, J. et al. Enhanced normalized difference index for impervious surface area estimation at the plateau basin scale. Journal of Applied Remote Sensing, v. 13, n. 1, p. 016502-016502, 2019.

CHEN, J. et al. A comparative study of impervious surface extraction using Sentinel-2 imagery. European Journal of Remote Sensing, v. 53, n. 1, p. 274-292, 2020.

CONGEDO, L. Semi-Automatic Classification Plugin: A Python tool for the download and processing of remote sensing images in QGIS. Journal of Open-Source Software, 6(64), 3172, 2021.