Ao longo deste estudo foram aplicados métodos de DR para a extração de informação para a caracterização fenológica de vários tipos de culturas, respetiva estimação das necessidades de rega e classificação das diferentes culturas.
A caracterização fenológica das várias culturas em estudo obtidas pelas diferentes metodologias aplicadas para a sua determinação mostraram resultados diferentes. Na primeira abordagem os resultados indicaram que as curvas dos valores médios, mínimos e máximos não permitiam uma boa determinação do valor de Kcb para as várias fases do ciclo de desenvolvimento das culturas. Os resultados apresentaram discrepâncias relativamente aos valores de referência publicados por Allen et al. [1998]. A nível geral, a diferença apresentada entre as três curvas não permitiu também uma determinação mais rigorosa da transição entre os vários estados fenológicos. No entanto, este método permitiu uma melhor distinção entre estes para as culturas que apresentavam um comportamento muito semelhante entre as três curvas analisadas. A ausência de mais imagens para os primeiros meses em estudo gerou uma indeterminação na obtenção dos resultados para o período inicial das culturas, nomeadamente na sua delimitação temporal. A análise apenas do valor médio de Kcb revelou-se insuficiente para a determinação do valor de Kcb para o início dos períodos inicial, intermédio e de senescência.
A aplicação da segunda metodologia, através da análise da totalidade das curvas de Kcb por cultura, permitiu obter resultados mais satisfatórios. A análise da totalidade das curvas permitiu tanto uma melhoria na determinação das várias datas, que compreendem os vários períodos fenológicos, como na extração do valor de Kcb para cada fase fenológica. Relativamente ao período inicial das culturas, cujos resultados relativos à sua duração e valor de Kcb se mostraram incertos na metodologia 1, a aplicação da segunda metodologia possibilitou uma melhor determinação deste período dada a tendência semelhante mostrada por um grande número de parcelas. O mesmo se verificou para as restantes fases fenológicas. A amostragem total dos valores de Kcb por cultura, ao invés de apenas dos seus valores médios, mínimos e máximos, mostrou que os valores tabelados por Allen et al. [1998] se enquadravam para todo o seu ciclo de cultura. No entanto os resultados mostraram que as culturas apresentam durações muito semelhantes para cada um dos períodos fenológicos para todas as culturas estudadas, realçando a necessidade de integração de sensores com maior resolução temporal para uma melhor diferenciação.
No presente estudo, as culturas tiveram o começo do seu período inicial numa época do ano em que se verifica uma grande nebulosidade. O reduzido número de imagens de satélite disponíveis para esse período, constituiu uma limitação à obtenção de melhores resultados. Para além disso, o número muito reduzido de parcelas existente para algumas culturas impossibilitou a determinação do seu comportamento fenológico. O facto da cultura de
74
forrageiras para silagem apresentar apenas três parcelas não permitiu retirar quaisquer conclusões acerca da sua fenologia. Esta situação realça que, para a obtenção de bons resultados, é necessário uma quantidade relativamente elevada de informação. A criação de uma rotina em ambiente MATLAB ® para o estudo fenológico das culturas permitiu, neste caso, uma maior flexibilização na aplicação destas duas metodologias, possibilitando o tratamento de uma grande quantidade de informação.
Assim, a determinação dos valores de Kcb com recurso a métodos de DR permitiu realizar a estimação das necessidades hídricas de rega de culturas com base na observação do seu ciclo de desenvolvimento, mostrando que os resultados se encontram concordantes com as características portuguesas. Apesar da DR ter permitido bons resultados na determinação da fenologia das culturas e na estimação das respetivas necessidades de rega, estes deverão ser controlados e analisados por quem possua conhecimento e experiência na gestão da rega, normalmente adquirido por especialistas ligados às ciências agronómicas.
A classificação das culturas através de diferentes combinações de informação e através de diferentes métodos de classificação permite retirar algumas conclusões. A classificação através do método SVM apresentou melhores resultados que o método de ML, mostrando que uma classificação através da análise de imagens baseada em objetos permitiu melhores resultados que uma classificação ao nível do píxel. A combinação de bandas espetrais com imagens de temperatura do solo apresentou-se favorável para a classificação das culturas, permitindo uma melhor diferenciação destas. Esta informação derivada das bandas térmicas dos satélites Landsat acrescentaram informação relevante para a discriminação de diferentes culturas. Ao longo do processo de classificação multitemporal das culturas constatou-se que as classificações que apresentavam uma precisão inferior eram as que correspondiam às imagens relativas à fase inicial de desenvolvimento fenológico. A utilização de uma série multitemporal de imagens para a classificação de culturas permitiu um aumento significativo da precisão global, sendo este de cerca de 6%, em relação à utilização de uma única imagem.
75
Referências Bibliográficas
Allen, R.G., L.S. Pereira, D. Raes, M. Smith (1998) “Crop Evaporation (guidelines for computing crop water requirements)”. FAO Irrigation and Drainage Paper, Nº 56.
Café, B., L. Pessanha, L. Bugalho e R. Tavares (2006) “Success Stories: Application of Remote Sensing Technologies to Irrigation Advisory Services in the Portuguese Case Study of DEMETER”. Earth Observation for Vegetation Monitoring and Water Management, G.D’Urso, M.A. Osann Jochum e J. Moreno, Centro Congressi Partenope – Università de Nipoli Federico II, Naples, 10 e 11 de novembro de 2005. American Institute of Physics, Estados Unidos da América, pp.43-50.
Café, B., R. Branco, L.S. Pereira e R. Tavares (2008). "Estima de coeficientes culturais basais usando imagens Landsat. Aplicação ao regadio do Caia". Tecnologias para o Uso Sustentável da Água em Regadio, L.S. Pereira, F.B. Victoria, P. Paredes, M. Garcia, E. Palácios, A. Torrecillas (eds.), Santa Catarina,11-14 Novembro. Edições Colibri e CEER - Centro de Engenhara dos Biossistemas, Lisboa, pp.30-33
Canada Centre for Remote Sensing (2015): “Fundamentals of Remote Sensing”. Acessível na página: http://www.nrcan.gc.ca/sites/www.nrcan.gc.ca/files/earthsciences/pdf/resource/tutor/fundam/pdf/fu ndamentals_e.pdf. Acedido em junho de 2015.
Catalão, J. (2013) Apontamentos de Princípios e Aplicações de Deteção Remota. Texto não publicado, Faculdade de Ciências da Universidade de Lisboa, Lisboa.
Chander, G., B.L.Markham e D.L. Helder (2009) “Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors”. Remote Sensing of Environment, Vol. 113, Nº 5, pp.893-903.
Congalton, R.G. e K. Green (2009) Assessing the accuracy of remotely sensed data: principles and praticies. CRC Press, 2.ª edição. Boca Raton, Estados Unidos da América.
D’ Urso, G., e A.C. Belmonte (2006) “Operative Approaches to determine crop water requirements from earth observation data: Methodologies and applications”. Earth Observation for Vegetation Monitoring and Water Management, G.D’Urso, M.A. Osann Jochum e J.Moreno, Centro Congressi Partenope – Università de Nipoli Federico II, Naples, 10 e 11 de novembro de 2005. American Institute of Physics, Estados Unidos da América, pp.14-25.
76
Devadas, R., R.J. Denham e M. Pringle (2012). “Support Vector Machine Classification of Object- Based Data for Crop Mapping, Using Multi-Temporal Landsat Imagery”. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXIX-B7, pp. 185-190.
Direção Geral do Território (2015): http://www.dgterrito-
rio.pt/cartografia_e_geodesia/geodesia/sistemas_de_referencia/portugal_continental/pt_tm06_etrs89 ___european_terrestrial_reference_system_1989_2/. Acedido em setembro de 2015.
Duro, D. C., S. E. Franklin e M.G. Dubé (2012) “A comparison of píxel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HGR imagery”. Remote Sensing of Environment, Vol. 118, pp.259-272.
Exelis (2013). “ ENVI Help” Documentação Técnica
Exelis (2015): http://www.exelisvis.com/Com-
pany/PressRoom/Blogs/TabId/836/ArtMID/2928/ArticleID/13618/Push-Broom-and-Whisk-Broom- Sensors.aspx. Acedido em julho de 2015.
Flood, N. (2014) “Continuity of Reflectance Data between Landsat-7 ETM+ and Landsat-8 OLI, for Both Top-of-Atmosphere and Surface Reflectance: A Study in the Australian Landscape”. Journal of Remote Sensing, Vol. 6, Nº 9, pp. 7952-7970.
Fonseca, A., J.C. Fernandes (2004) Detecção Remota. Lidel – Edições Técnicas, lda, Lisboa, Portugal.
Forkour, G., C. Conrad, M. Thiel, T. Ullmann e E. Zoungrana (2014). “Integration of Optical and Synthetic Aperture Radar Imagery for Improving Crop Mapping in Northwestern Benin, West Africa”. Remote Sensing, Vol. 6, Nº 7, pp. 6472-6499.
Gabinete de Planeamento, Políticas e Administração Geral (2014) “Programa de Desenvolvimento
Rural do Continente 2014-2020”. Acessível na página:
http://www.gpp.pt/pdr2020/PDR%202020_final_5fev.pdf . Acedida em julho de 2015.
González-Dugo, M.P. e L. Mateos (2006) “Spectral Vegetation Indices for Estimating Cotton and Sugarbeet Evapotranspiration”. Earth Observation for Vegetation Monitoring and Water Management, G.D’Urso, M.A. Osann Jochum e J.Moreno, Centro Congressi Partenope – Università
77
de Nipoli Federico II, Naples, 10 e 11 de novembro de 2005. American Institute of Physics, Estados Unidos da América, pp.115-123.
González-Piqueras, J., E. Rubio, A. Calera e A. Moratalha (2006) “Intensive Field Campaigns in the Framework of Demeter Project”. Earth Observation for Vegetation Monitoring and Water Management, G.D’Urso, M.A. Osann Jochum e J.Moreno, Centro Congressi Partenope – Università de Nipoli Federico II, Naples, 10 e 11 de novembro de 2005. American Institute of Physics, Estados Unidos da América, pp.67-74.
Hoffman, G.J., R.G. Evans, M.E. Jensen,, D. Martin, R.L. Elliot (2007) Design And Operation Of Farm Irrigation Systems, 2.ª edição, American Society of Engineer American Society of Engineer, Richmond, Estados Unidos da América.
Jia, K., S. Liang, X. Wei, Y. Yao, Y. Su, Bo J., X. Wang (2014) “Land Cover Classification of Landsat Data with Phenological Features Extracted from Time Series with MODIS NDVI Data”. Remote Sensing, Vol. 6, Nº 11, pp 11518-11532.
Jiménez-Muñoz, J.C., J.A. Sobrino, D. Skokovic, C. Mattar, e J. Cristóbal (2014) “Land Surface Temperature Retrieval Methods From Landsat-8 Thermal Infrared Sensor Data”. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, Vol.II, Nº 10, pp. 1840-1843.
Jochum, M.A.O., A. Calera e todos os colaboradores do projeto DEMETER (2006) “Operational Space-Assisted Irrigation Advisory Services: Overview of and Lessons Learned from the Project DEMETER”. Earth Observation for Vegetation Monitoring and Water Management, G.D’Urso, M.A. Osann Jochum e J.Moreno, Centro Congressi Partenope – Università de Nipoli Federico II, Naples, 10 e 11 de novembro 2005. American Institute of Physics, Estados Unidos da América, pp.3- 13.
Julien, Y., J.A. Sobrino, e J.-C. Jiménez-Munoz (2011) “Land use classification from multitemporal Landsat imagery using the Yearly Land Cover Dynamics (YLCD) method”. International Journal of Applied Earth Observation and Geoinformation, Vol.13, Nº 5, pp.711-720.
Ke, Y., J. Im, J. Lee, H. Gong e Y. Ryu, (2015) “Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations”. Remote Sensing of Environment, Vol. 164, Nº5, pp. 289-313.
78
Khaledian, M.R., J.C. Maillhol, P. Ruelle e C. Dejean (2013) “Effect of cropping strategies on the irrigation water productivity of durum wheat”. Plant, Soil and Environment, Vol. 59, Nº 1, pp. 29-36.
Landis, J.R., G.G. Koch (1977). “The Measurement of Observer Agreement for Categorial Data.” Biometrics, Vol.33, No.1, pp 159-174.
Li, P., L. Jiang, e Z. Feng (2013) “Cross-Comparison of Vegetation Indices Derived from Landsat-7 Enhanced Thematic Mapper Plus (ETM+) and Landsat-8 Operational Land Imager (OLI) Sensors”. Journal of Remote Sensing, Vol. 6, pp. 310-329.
Long, J.A, R.L. Lawrence, M.C., Greenwood, L. Marshall e P. R. Miller (2013) “Object-oriented crop classification using multitemporal ETM+ SLC-off imagery and random forest”. GIScience & Remote Sensing, Vol.50, N. º 4, pp. 418-436.
Lucas, R., A. Rowlands, A. Brown, S. Keyworth e P. Bunting (2007) “Rule-based classification of multi-temporal satellite imagery for habitat and agricultural land cover mapping”. ISPRS Journal of Photogrammetry & Remote Sensing, Vol. 62, pp.165-185.
Mahiny, A.S. e B.J. Turner (2007) “A Comparison of Four Atmospheric Correction Methodos.” Photogrammmetric Engineering & Remote Sensing, Vol. 73, N. º 4, pp.361-368.
Minacapilli, M., M. Lovino e G. D’Urso (2006) “Crop and Irrigation Water Management using high Resolution Remote Sensing and Agrohydrological Models”. Earth Observation for Vegetation Monitoring and Water Management, G.D’Urso, M.A. Osann Jochum e J.Moreno, Centro Congressi Partenope – Università de Nipoli Federico II, Naples, 10 e 11 de novembro 2005. American Institute of Physics, Estados Unidos da América, pp.14-25.
Mishra, N., M. O. Haque, L. Leigh, D. Aaron, D. Helder e B. Markham (2014) “Radiometric Cross Calibration of Landsat 8 Operational Land Imager (OLI) and Landsat 7 Enhanced Thematic Mapper Plus (ETM+)”. Remote Sensing, Vol. 6, Nº.12 pp. 12619-12638.
Mountrakis, G., J. Im e C. Ogolo (2011) “Support vector machines in remote sensing: A review”. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 66, Nº 3, pp. 247-259.
Município de Vila Franca de Xira (2015): http://www.cm-vfxira.pt/pages/339, acedido em Julho de 2015.
79
Oommen, T., D. MIsra, N.K.C. Twarakavi, A. Prakash, B. Sahoo e S. Bandopadhyay (2008) “An Objective Analysis of Support Vector Machine Based Classification for Remote Sensing”. Mathematical Geosciences, Vol.40, Nº 4, pp. 409-424.
Perdigão, A., P. Oliveira, A. Chinita, S. Chinita, J. Maia e J. Nunes (2006) “Success Stories: Data Collection And Ground Truth For The Portuguese Case Study (Caia Irrigation District)”. Earth Observation for Vegetation Monitoring and Water Management, G.D’Urso, M.A. Osann Jochum e J. Moreno, Centro Congressi Partenope – Università de Nipoli Federico II, Naples, 10 e 11 de novembro de 2005. American Institute of Physics, Estados Unidos da América, pp.51-58.
Pereira, L (2008) “Necessidades de água e programação da rega: modelação, avanços e tendências”. Taller International: Modernización de Riegos y Uso de Tecnologías de Información, E. Ruz e L.S. Pereira, La paz, 17 e 18 de setembro de 2007. CYTED e PROCISUR/IICA.
Plural (2004a) “1ª Revisão do Plano Director Municipal de Vila Franca de Xira, Análise e Diagnóstico Caderno I – Introdução, Enquadramento e Contexto Regional e Metropolitano, Volume I”. Acessível
na página: http://www.cmv-fxira.pt/uploads/docu-
ment/file/412/Caderno_I___Introdu__o__Enquadramento_e_Contexto_Regional_e_Metropolitano. pdf.Acedido em julho de 2015.
Plural (2004b) “1ª Revisão do Plano Director Municipal de Vila Franca de Xira, Análise e Diagnóstico Caderno III – Caracterização Biofísica, Volume I”. Acessível na página: http://www.cm- vfxira.pt/uploads/document/file/415/Caderno_III___Caracteriza__o_Biof_sica.pdf. Acedido em julho de 2015
Richards, J.A. e X. Jia (2006) Remote Sensing Digital Image Analysis, 4.ª edição, Springer-Verlag Berlin Heidelberg, Alemanha.
Rolim, J. e J. Teixeira (2008) “IrrigRotation, a time continuos soil water balance model, WSEAS Transactions on Environment and Development”. WSEAS Transactions on Environment and Development, Vol. 4, Nº 7, pp 577-587.
Rolim, J., P. Godinho, B. Sequeira, P. Paredes e L.S. Pereira (2007) “Assessing the SIMDualKc Model for Irrigation scheduling simulation in Mediterranean environments”. Water Saving in Mediterranean Agriculture and Future Research Needs, N. Lamaddalena, C. Boglioti, M. Todorovic,
80
A. Scardigno, Center International de Hautes Etudes Agronomiques, Valenzano, 14 e 17 de fevereiro de 2007. Options Mediterranéennes, Series B, Bari, pp. 49-61.
Roy, D.P., M.A. Wulder, Loveland. T.R. Loveland, C.E. Woodcock, R.G. Allen, M.C. Anderson, , D. Helder, , J.R. Irons, D.M. Jonhson, R. Kennnedy, T.A. Scambos, C.B. Schaaf, J.R. Schott, Y. Sheng, E.F. Vermote, A.S. Belward, R. Bindchadler, W.B. Cohen, F. Gao, J.D. Hipple, P. Hostert, , J. Huntingthon, , C.O. Justice, , A. Kilic, V. Kovalsky, Z.P. Lee, L. Lymburner, J.G. Masek, J. McCorkel, Y. Shuai, R. Trezza, J. Vogelmann, R.H. Wynne e Z. Zhu, (2014) “Landsat-8: Science and Product vision for terrestrial global change research”. Remote Sensing of Environment, Vol. 145, pp. 154-172.
Rouse, J.W., R.H. Hass, D.W. Deering e J.A. Schell (1974) Monitoring The Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation, NASA/GSFC, Type III, Final Report, Greenbelt, MD, Estados Unidos da América.
Roy, P.S. (1989) “Spectral reflectance characteristics of vegetation and their use in estimating productive potential.” Proceedings: Plant Sciences, Vol. 99, Nº1, pp. 59-81.
Sameen, M.I. e M.A.A. Kubaisy (2014) “Automatic Surface Temperature Mapping inArcGIS using Landsat-8 TIRS and ENVI Tools Case Study: Al Habbaniah Lake.” Journal of Environment and Earth Science, Vol.4, Nº 12, pp. 12-17.
Surendran, U., C.M. Sushanth, G. Mammen e E.J. Joseph (2015) “Modeling the crop water requirements using FAO-CROPWATER assessment of water resources for sustainable water resource management: A case study in Palakkad district of humid tropical Kerala, India”. Aquatic Procedia, Vol. 4, pp. 1211-1219.
Vilar, P., A. Navarro e J. Rolim (em publicação) “ Utilização de Imagens de Deteção Remota para Monitorização das Culturas e Estimação das Necessidades de Rega”. Atas da VIII Conferência de Cartografia e Geodesia. Informação Geoespacial para as Gerações Futuras – Oportunidades e Desafios, Academia Militar, Amadora, 29 e 30 outubro de 2015.
Vuolo, F., C. De Michele, U. Lazzaro (2006) “Success Stories: Analysis and Evaluation of the Italian case-study of DEMETER in the Destra Sele Plain”. Earth Observation for Vegetation Monitoring and Water Management, G.D’Urso, M.A. Osann Jochum e J.Moreno, Centro Congressi Partenope –
81
Università de Nipoli Federico II, Naples, 10 e 11 de novembro de 2005. American Institute of Physics, Estados Unidos da América, pp.33-42.
Yu, X., X. Guo e Z. WU (2014). “Land Surface Temperature Retrieval from Landsat 8 TIRS – Comparison between Radiative Transfer Equation-Based Method, Split Window Algorithm and Single Channel Method.” Remote Sensing, Vol. 6, Nº 10, pp. 9829-9852.
Zheng, B., S. W. Myint, P.S. Thenkabail e R.M. Aggarwal (2015). “A support vector machine to identify irrigated crop types using time-series Landsat NDVI data.” International Journal of Applied Earth Observation and Geoinformation, Vol. 34, pp. 103-112.
83
Anexos
Anexo A – Toolbox desenvolvida na aplicação ArcGIS ® para a determinação dos valores
de Kcb e outras variáveis por parcela.
Figura A. 1 – Layout de Interação com o utilizador do primeiro modelo (1.ª Parte) da Toolbox.
84
Anexo B – Parâmetros das culturas utilizados nas simulações do balanço hídrico do solo
Tabela B. 1 - Parâmetros das culturas utilizados nas simulações do balanço hídrico do solo
Parâmetros Cultura
Arroz Melão Milho Milho Silagem Tomate
Kcb ini 0.15 0.15 0.15 0.15 0.15 Kcb min 1.15 1 1.15 1.15 1.1 Kcb end 0.7 0.7 0.5 0.6 Dia plantação 11 11 11 11 11 Mês plantação 5 5 5 5 5 Duração período inicial (dias) 32 32 32 32 32 Duração per. desenvolv. rápido (dias) 40 40 40 40 40 Duração per. intermédio (dias) 48 48 48 48 48 Duração per. final (dias) 16 16 16 0 16 Fracção água facilmente utilizável, p 0.15 0.4 0.55 0.55 0.4 Fracção solo humedecida rega, fw 1 0.4 1 1 0.4 Altura max (m) 1 0.4 2 2 0.6 Altura min (m) 0 0.07 0 0 0.07 Prof. radicular min (m) 0.2 0.2 0.2 0.2 0.2 Prof. radicular max (m) 0.5 0.8 1 1 0.7
85
Anexo C – Parâmetros dos Solos utilizados nas simulações do Balanço Hídrico e
Nomenclatura para os tipos de solo utilizados na Carta de Solos de Portugal
Tabela C. 2 – Designação de cada tipo do solo constante na Carta de Solos de Portugal produzida pelo Instituto de Engenharia Rural, Hidráulica e Ambiente.
Tipo de Solo Profundidade do Solo (cm) Profundidade Evaporável (cm) 𝛉𝐂𝐂 𝐦é𝐝𝐢𝐨 (𝐦𝟑/𝐦𝟑 ) 𝛉𝐂𝐄 𝐦é𝐝𝐢𝐨 (𝐦𝟑/𝐦𝟑 ) Ac 130 10 0.29 0.15 Alc 107 10 0.19 0.1 Asa 110 10 0.4 0.24 Asac Asc 90 10 0.32 0.19 Assa 70 10 0.4 0.24 Assac Caa 120 10 0.4 0.24 Caac
θCC – Teor de água no solo à capacidade de campo; θCE – coeficiente de emurchecimento.
Tabela C. 2 – Designação de cada tipo do solo constante na Carta de Solos de Portugal produzida pelo Instituto de Engenharia Rural, Hidráulica e Ambiente.
Ac Solos Incipientes - Aluviossolos Modernos, Calcários, (Para-Solos Calcários), de textura mediana Ac (h) Solos Incipientes - Aluviossolos Modernos, Calcários, (Para-Solos Calcários), de textura mediana,
fase mal drenada
Ac (i) Solos Incipientes - Aluviossolos Modernos, Calcários, (Para-Solos Calcários), de textura mediana, fase inundável
Alc Solos Incipientes - Aluviossolos Modernos, Calcários, (Para-Solos Calcários), de textura ligeira Asa Solos Halomórficos – Solos Salinos, de Salinidade Moderada, de Aluviões, de Textura Pesada Asa (h,i) Solos Halomórficos – Solos Salinos, de Salinidade Moderada, de Aluviões, de Textura Pesada, fase
mal drenada e fase inundável
Asac Solos Halomórficos - Solos Salinos, de Salinidade Moderada, de Aluviões, de textura pesada, calcários
Assa Solos Halomórficos - Solos Salinos, de Salinidade Elevada, de Aluviões, de textura pesada Assac Solos Halomórficos - Solos Salinos, de Salinidade Elevada, de Aluviões, de textura pesada,
calcários
Assac (i) Solos Halomórficos - Solos Salinos, de Salinidade Elevada, de Aluviões, de textura pesada, calcários, fase inundável Asc Solos Halomórficos - Solos Salinos, de Salinidade Moderada, de Aluviões, de textura mediana,
calcários
Caa Solos Hidromórficos, Sem Horizonte Eluvial, Para-Aluviossolos (ou Para-Coluviossolos), de aluviões ou coluviais de textura pesada
Caa (i) Solos Hidromórficos, Sem Horizonte Eluvial, Para-Aluviossolos (ou Para-Coluviossolos), de aluviões ou coluviais de textura pesada, fase inundável
86
Anexo D – Dados treino e de validação para a classificação das culturas.
.
Figura D. 1 – Dados de Validação.
87
Anexo E – Mapas de classificação obtidos na classificação com os métodos de Máxima Verosimilhança e Máquinas de Suporte Vetorial na classificação com a imagem de 7 de
agosto.
a) b)
c) d)
Figura E. 1 – Mapas obtidos na classificação das culturas preliminar com os métodos ML e SVM com a imagem de 7 de agosto. Em a) apresenta-se o mapa de culturas segundo o método de ML com a combinação de bandas refletâncias espetrais com imagem de NDVI, em b) o mesmo classificador com a combinação de bandas espectrais com as imagens de NDVI e de temperatura do solo. Em c) apresenta-se o mapa de classificação com o método SVM com a combinação de bandas refletância espectrais e imagem de NDVI e em d) o mapa de culturas obtido com o classificar SVM com a combinação de bandas refletância espectrais com a imagem de NDVI e temperatura do solo.
88
Anexo F – Artigo submetido na VIII CNCG - VIII Conferência Nacional de Cartografia e Geodesia. Informação Geoespacial para as Gerações Futuras - Oportunidades e Desafios.
(a decorrer em 29 e 30 de outubro de 2015, Academia Militar, Aquartelamento da Amadora)
1
Utilização de Imagens de Deteção Remota para Monitorização das Culturas e Estimação de Necessidades de Rega
Pedro VILAR1*, Ana NAVARRO2 e João ROLIM3
1 Faculdade de Ciências, Universidade de Lisboa
2 Instituto Dom Luiz, Faculdade de Ciências, Universidade de Lisboa 3 Instituto Superior de Agronomia, Universidade de Lisboa
(pedro_vilar18@hotmail.com; acferreira@fc.ul.pt; joaorolim@isa.ulisboa.pt )
Palavras-chave: Deteção Remota, Gestão da Água, Rega, Fenologia, Classificação de Imagem
Resumo: A estimação das necessidades de rega das culturas depende de uma correta caracterização dos parâmetros biofísicos