Resumo
As pastagens no Brasil ocupam mais 20% do território e estão diretamente ligadas ao segmento pecuário, servindo de base de sustentação para a bovinocultura, por ser a principal fonte de alimento da dieta bovina. Esta atividade é a mais difundida no país, sendo importante no processo de desenvolvimento do agronegócio nacional. Apesar de sua importância, cerca de 80% das pastagens cultivadas se encontra em algum estádio de degradação, o que se traduz em baixos rendimentos da atividade, favorecendo sua substituição por outras atividades agrícolas. Uso de técnicas de sensoriamento remoto tem sido de fundamental importância no fornecimento de informações relevantes do uso e cobertura da terra. A utilização de séries temporais de índices de vegetação do sensor MODIS, em especial o NDVI, permite descrever os estádios fenológicos de diversos cultivos, e os Efeitos causados na paisagem em decorrência de variações climáticas ou por mudanças no uso da terra. Assim, o objetivo deste trabalho foi desenvolver metodologia capaz de detectar e mapear áreas de pastagem por meios de series temporais de NDVI obtidas pelo sensor MODIS, das plataformas Terra e Aqua, na região oeste do Estado de São Paulo. A metodologia consistiu em aplicar métricas nos perfis NDVI para detectar e separar características fenológicas específicas da pastagem, diferenciando-a de outros usos. A metodologia proposta mostrou-se eficiente para o mapeamento da pastagem, com boa exatidão espacial (78%) e boa concordância com os dados oficiais de área de pastagem, com coeficiente de correlação linear de Pearson (r) igual a 0,83 e coeficiente de concordância aprimorado de Willmott (dr) igual a 0,8140, para o ano safra 2014/2015. Área total ocupada com pastagem foi superestimada em aproximadamente 18% (569.400 ha), em comparação a informação oficial, devido à adição de áreas de outros usos causada pela baixa resolução espacial do sensor MODIS.
Palavras-chave: Bovinocultura; NDVI; Sensoriamento remoto.
Abstract
Pastures occupy more than 20% of the brazilian territory and are closely linked to the livestock segment, serving as a support base for cattle breeding, being the main source of food in the bovine diet, consolidating this activity as the most widespread in the country, being an important drivers of the development of national agribusiness. Despite its importance, about 80% of cultivated pastures are at some stage of degradation, which translates into low yields, favoring their replacement by other agricultural activities. Use of remote sensing techniques has been of fundamental importance in providing relevant information on land use and land cover. The use of time series of vegetation indices from the MODIS sensor, in particular the NDVI, allows to describe the phenological stages of several crops and the effects caused in the landscape due to climatic variations or changes in land use. Thus, the objective of this study was to develop a methodology capable of detecting and mapping pasture areas by means of NDVI time series obtained by MODIS sensor, Terra and Aqua platforms, in the western and southwestern regions of the State of São Paulo. The methodology consisted of applied metrics in NDVI profiles to detect and separate specific phenological characteristics of pasture, differentiating it from other uses. In this way, it was verified that the methodology proposed was efficient for the pasture mapping. The proposed methodology, based on the use of MODIS NDVI time series, proved to be effective in the pasture detection process, with Pearson's linear correlation coefficient (r) and Willmott improved concordance coefficient
(dr) of 0.83 and 0.8140, respectively, according agreement with official data. Total area occupied with pasture was overestimated by approximately 18% (569,400 ha), as compared to official information, due to the addition of areas of other uses caused by low spatial resolution of the MODIS sensor.
Keywords: Cattle breeding; NDVI; Remote sensing.
3.1. INTRODUÇÃO
As pastagens se constituem em um dos principais componentes de uso e cobertura presentes na superfície terrestre do mundo, assumindo, importante papel tanto no equilíbrio de vários ecossistemas, assim como, na economia do setor agropecuário (FOLEY et al., 2005; YANG; GUO, 2011; WANG et al., 2013).
No Brasil, as pastagens estão diretamente ligadas ao segmento pecuário, servindo de base de sustentação para a bovinocultura, consolidando-a como a atividade mais difundida no país, sendo importante no processo de desenvolvimento do agronegócio, com significativa participação no produto interno bruto nacional (ANDRADE et al., 2013; DIAS-FILHO, 2014).
Com crescimento da pecuária nacional, as áreas de pastagem se expandiram rapidamente, exercendo influencia direta sobre dinâmica de uso e ocupação do espaço geográfico (MIELITZ NETTO, 1995; POLAQUINI et al., 2006; BATISTELLA et al., 2011). Estimulada pelo modelo extensivo de criação, sistema predominante no Brasil, que tem na pastagem a principal fonte de alimento da dieta bovina, e que é caracterizado pela escassa utilização de insumos e de adoção de tecnologias, o que permite alcançar um baixo custo de produção (ANDRADE et al., 2013).
De acordo com o último Censo Agropecuário Brasileiro, de 2006 (IBGE, 2007), as pastagens (naturais e plantadas) ocupam pouco mais de 172 milhões de hectares, o equivalente a 20% da área do território brasileiro, o que sustenta mais de 219 milhões de cabeças (USDA, 2016), garantindo ao país a condição de segundo maior produtor mundial de carne bovina (OECD/FAO, 2016). Contudo, apesar da sua inegável importância nos sistemas pecuários brasileiros, cerca de 80% das pastagens cultivadas se encontra em algum estádio de degradação, o que implica no aparecimento de pragas e plantas invasoras, diminuição da capacidade suporte, e consequente redução da produtividade do sistema (BARCELLOS; VILELA, 2001; DIAS-FILHO, 2014).
Essa produtividade baixa do sistema de produção extensivo, aliada, a acirrada competição pelo uso da terra, tem contribuído para a substituição da pastagem por outras
atividades agrícolas, cujo rendimento por área é mais atrativo, a exemplo da cana-de-açúcar no estado de São Paulo que, impulsionada pela crescente demanda por biocombustíveis e demais subprodutos, tem se expandido, majoritariamente, sobre áreas antes ocupadas com pastagem (CAMARGO et al., 2008; MANZATTO et al., 2009; RUDORFF et. al., 2010; ADAMI et al., 2012; BINI, 2013).
Diante desse cenário, onde são frequentes as mudanças ocorridas na paisagem, obter informações mais precisas a respeito da divisão do espaço geográfico torna-se essencial para planejamento estratégico do setor agropecuário. Assim, o uso de técnicas de sensoriamento remoto tem sido de fundamental importância no fornecimento de informações relevantes do uso e cobertura da terra (RUDORFF et al., 2010; BATISTELLA et al., 2011), pois permitem analisar, através de imagens, a distribuição espacial de áreas cultivadas, e identificar as possíveis modificações ocorridas na cobertura vegetal em diversas épocas, de forma rápida, precisa e com custos relativamente baixos quando comparado às metodologias convencionais (JENSEN, 2009; PONZONI et al., 2012).
No entanto, fatores como longos períodos de revisitas aos locais de estudo, baixa resolução temporal, e a alta incidência de nuvens, comprometem a obtenção de tais informações, e inviabilizam qualquer tipo de aferição ou mesmo projeções futuras sobre o fenômeno estudado (SUGAWARA et al., 2008; KENNEDY et al., 2010; EBERHARDT et al., 2015).
Nesse contexto, uma opção para suprir essas limitações tem sido a utilização de series temporais proveniente do sensor Moderate Resolution Imaging Spectro radiometer (MODIS), lançado a bordo das plataformas Terra e Aqua, o qual disponibiliza imagens da superfície estudada,diariamente (JUSTICE et al., 2002; SOARES et al., 2007), o que promove uma considerável melhora na percepção sobre a dinâmica de uso da terra (WARDLOW et al., 2007; ANJOS et al., 2013). Ademais, o uso séries temporais de índices de vegetação do sensor MODIS, em especial o NDVI, têm sido amplamente utilizado, com relativo sucesso, para descrever os mapeamentos de diversos cultivos agrícolas (JAKUBAUSKAS et al., 2002; ZHANG et al., 2003; KASTENS et al., 2005; SAKAMOTO et al., 2005; XIAO et al., 2005; AGUIAR et al., 2008; ALCANTARA et al., 2012; JOHANN et al., 2012), assim como, evidenciar os Efeitos causados na paisagem em decorrência variações climáticas ou por mudanças no uso da terra (BAYMA; SANO, 2015).
Em relação às pastagens, inúmeras pesquisas que utilizam essas técnicas foram desenvolvidas com o propósito de acompanhar seu desenvolvimento (HENRY et al., 2002; ASNER et al., 2004; NUMATA et al., 2007; EDIRISINGHE et al., 2011; FAVA et al., 2012,
WANG et al., 2013; FERREIRA, et al., 2013). No entanto, sua detecção, mapeamento e monitoramento por meio de imagens, não é uma tarefa simples, devido, principalmente, a sua elevada dinâmica anual e alta sensibilidade a sazonalidade climática (ANJOS et al., 2013).
Neste sentido, o objetivo deste trabalho foi desenvolver metodologia capaz de detectar e mapear áreas de pastagem por meios de séries temporais de NDVI obtidas pelo sensor MODIS, das plataformas Terra e Aqua, na região oeste do Estado de São Paulo.
3.2. MATERIAL E MÉTODOS 3.2.1. Área de Estudo
A área de estudo desta pesquisa compreendeu a região ao oeste do Estado de São Paulo, compondo uma área de 71.197 km2 sendo constituída pelas mesorregiões de Araçatuba, Assis, Bauru, Marília, Presidente Prudente e São José do Rio Preto, totalizando 187 municípios (Figura 3.1). Esta área foi escolhida por se tratar de uma região tradicional na pecuária bovina, e consequentemente, dispor da maior concentração das áreas de pastagem do estado, com cerca de 44,9%.
Figura 3.1 – Mapa de localização geográfica da área de estudo, subdividida em seus 187 municípios e localização dos pontos das áreas de pastagem coletados nos levantamento de campo.
3.2.2. Dados Digitais
O processo de mapeamento das áreas de pastagem teve como fonte de análise os perfis temporais do Índice de Vegetação por Diferença Normalizada (NDVI), proposto por Rouse et al. (1973), os quais foram gerados a partir de imagens do sensor MODIS (Moderate
Resolution Imaging Spectroradiometer), lançado na plataforma Terra (EOS AM-1) e Aqua
(EOS PM-1), adquiridas de forma gratuita no site oficial da Embrapa Informática Agropecuária - CNPTIA: http://www.modis.cnptia.embrapa.br/geonetwork/srv/pt/main.home, na projeção geográfica e no formato GeoTIFF (ESQUERDO et al., 2011). Estas imagens são derivadas dos produtos MOD13Q1 e MYD13Q1, produzidos pelo LP-DAAC/EOS (Land
Processes Distributed Active Archive Center/NASAs Earth Observing System), sendo
resultantes da seleção dos pixels com os maiores valores, em uma composição de 16 dias, em cada produto, ambos com resolução espacial de 250 m (HUETE et al., 2002).
Os dados utilizados na confecção dos perfis foram extraídos de pixels pertencentes a áreas de pastagem, identificadas e devidamente localizadas por ocasião dos levantamentos de campo, realizados em três momentos, nos meses de outubro de 2015, junho e agosto de 2016, sendo uma semana por campanha. A Figura 3.1 apresenta a localização dos pontos de pastagem, totalizando 1.462 pontos, coletados às margens das rodovias x, y e z, de acordo com a rota adotada para o trabalho de campo.
3.2.3. Procedimentos Metodológicos
A estratégia metodológica para o mapeamento da pastagem foi desenvolvida conforme o fluxograma apresentando na Figura 3.2.
Figura 3.2 – Fluxograma das etapas metodológicas.
.
Como procedimentos, inicialmente, as imagens de NDVI, de ambos os satélites, foram compiladas e analisadas de forma conjunta, no período correspondente ao ano-safra de 2014/15 compreendendo cenas de 03 de junho de 2014 a 24 de outubro 2015, totalizando 65 imagens, estabelecendo um intervalo temporal de 8 dias. Em seguida, as imagens foram recortadas nos limites geográficos da área de estudo, e suavizadas utilizando o filtro de Savitzky – Golay (SAVITZKY; GOLAY, 1964; CHEN et al., 2004), objetivando reduzir os Efeitos dos possíveis ruídos que poderiam estar presentes na serie temporal, tais como, a presença de nuvens, sombra de nuvens, ou mesmo falhas do detector no momento do imageamento (RAMME et al., 2010). Segundo Schafer (2011), trata-se de um filtro que tem como principal característica eliminar os ruídos, não havendo perdas de dados, conservando a estrutura original do perfil espectro-temporal do índice de vegetação.
Posteriormente, com a localização das áreas de pastagem, obtidas através dos levantamentos de campo (Figura 3.1), foram estabelecidas as áreas de controle do monitoramento, de onde foram extraídos os dados para a construção dos perfis temporais do NDVI, e em seguida, o perfil médio do índice referente aos 1.462 pontos de áreas de
pastagem, o qual serviu de base para análise do comportamento espectro-temporal da pastagem (Figura 3.3).
A análise do perfil espectral médio do NDVI da pastagem permitiu observar um comportamento de estacionaridade produtiva ao longo do ano, que pode ser atribuído ao regime pluviométrico na área. Dessa forma, baseando-se neste padrão espectro-temporal, foram estabelecidos os intervalos temporais de observação, ou seja, dois períodos, um de Máximo e um de Mínimo, em que o vigor vegetativo da pastagem, expresso pelo índice, apresentou seus maiores e menores valores, respectivamente. A importância de se estabelecer esses intervalos se justifica pela possibilidade de diferenciar o perfil da pastagem de outros usos como agricultura anual, floresta, e principalmente cana-de-açúcar. Assim, o período de máximo compreendeu os meses de dezembro de 2014 a abril de 2015, totalizando 20 imagens, enquanto que o período de mínimo analisou um conjunto composto de oito imagens, entre os meses de agosto a setembro de 2015.
No entanto, por se tratar de longo período de análise e com o propósito de verificar se haveria diferença nos resultados com um conjunto menor de imagens, e o melhor momento para se determinar o intervalo de máximo e de mínimo, foram definidos subperíodos de análise. Para o intervalo de máximo foram criados três subperíodos (Mx1; Mx2; e Mx3), com 10 imagens cada, havendo um deslocamento sequenciado de cinco imagens entre os mesmos, enquanto que para o intervalo de mínimo, também foram estabelecidos três subperíodos (Mn1; Mn2; e Mn3), porém sendo formados por um conjunto de quatro imagens, com deslocamento de duas imagens ao longo do período. Deste modo, foram analisados 10 conjuntos de imagens, o período de máximo e mínimo, de maneira integral, e as nove combinações resultantes do cruzamento entre seus respectivos subperíodos (Figura 3.3).
Figura 3.3 – Perfil espectro-temporal médio de NDVI da pastagem e representação dos intervalos de observação e dos parâmetros extraídos de cada período.
Definidos os períodos de observação foram então constituídos três critérios de seleção com o objetivo de identificar pixels de área que apresentassem perfil do NDVI com padrão característico de pastagem ou mesmo evidenciar pixels que compusessem outros alvos e que assim permitisse distingui-los das áreas de pastagem. Foram eles: Mínimo – Min (Valor mínimo no intervalo de mínimo); Diferença 1 – Dif 1 (diferença entre o maior valor do intervalo de máximo com o menor valor do intervalo de mínimo) e Diferença 2 – Dif 2 (diferença entre o maior e o menor valor do intervalo de máximo), de onde foram geradas três produtos-imagem, em cada período de análise (Figura 3.3). Posteriormente, essas imagens, com valores reais de NDVI, foram convertidas para níveis de cinza (NC), de 0 a 255, com o propósito de normalizar os valores, estabelecendo assim uma única escala de análise (JOHANN et al., 2012).
A análise individual dessas imagens geradas permitiu observar o destaque de determinados usos da terra presentes na área, expresso por pixels pertencentes às mesmas que apresentaram os maiores valores de níveis de cinza. Na imagem resultante do critério Mínimo, houve destaque para as áreas de floresta primária ou com cobertura vegetal de porte arbóreo. Esse destaque se justifica pelo fato do perfil espectro-temporal de NDVI dessas áreas permanecer quase que inalterado enquanto que em áreas de agricultura e pastagem ocorrem
reduções nos valores de NDVI, por se tratar de uma época em que comumente realiza-se a colheita e que também é marcada por baixos índices pluviométricos.
Na imagem derivada do critério Diferença 1, a ênfase foi destinada a áreas voltadas ao cultivo agrícola, a exemplo de grãos e cana-de-açúcar, uma vez que a variação entre os valores máximos e mínimos de NDVI, nessas áreas, foi superior a variação dos valores das áreas de pastagem e de florestas. Já na imagem gerada a partir do critério Diferença 2, as áreas com atividade agrícola anual, cultivo de grãos, foram as que tiveram evidência, por apresentar menor ciclo fenológico e sistema cultivo sucessivo o que resulta em uma maior diferença entre os valores máximos e mínimos de NDVI no período (Figura 3.4).
Figura 3.4 – Imagens dos critérios de seleção Mínimo (A), Diferença 1 (B) e Diferença 2 (C), escalonadas em níveis de cinza (NC).
Com o propósito de evidenciar as áreas com a ocorrência de pastagem, permitindo assim sua discriminação de outros alvos e posterior classificação, as imagens derivadas dos critérios de seleção Mínimo, Diferença 1 e Diferença 2, foram por sua vez utilizadas em composições coloridas nos canais RGB (Red, Green, Blue), onde a composição constituída com o critério de seleção Mínimoaplicado ao canal vermelho (Red); Diferença 1, ao canal verde (Green); e a Diferença 2 ao canal azul (Blue), foi a que melhor destacou os usos na área estudo. Deste modo foram definidas sete classes conforme as tonalidades de cores, na qual as áreas em tom vermelho, representariam áreas de florestas; em verde, cana-de-açúcar; em ciano, cultivos anuais; em azul, corpos d’água, em magenta, solo exposto (área colhida de cana-de-açúcar); em preto, área urbana; e em tom próximo ao marrom, áreas de pastagem (Figuras 3.5, 3.6 e 3.7).
Figura 3.5 – Composição colorida utilizando as imagens derivadas dos critérios de seleção (R:Mínimo; G:Diferença 1; B: Diferença 2).
A vinculação desses usos da terra às tonalidades de cores, presentes na imagem de composição colorida, foi realizada por meio de análise dos perfis de espectro-temporais do NDVI dessas áreas, as quais apresentaram padrão característico de cada uso mencionado (Figuras 3.6 e 3.7).
Todos os procedimentos, até esta etapa, empilhamento das imagens, recorte nos limites da área de estudo, suavização com filtro de Savitzky–Golay, e a extração dos critérios de seleção foram realizados de forma automatizada através da implementação de scripts em linguagem IDL – Interactive Data Language (Esquerdo et al., 2011).
Figura 3.6 – Identificação dos usos da terra (agricultura anual, cana-de-açúcar, floresta e pastagem) por meio de análise do perfil espectro-temporal do NDVI, e seus respectivos valores de níveis de cinza em cada uma das bandas utilizadas nas composições coloridas.
Usos da
terra Coloração (RGB) Perfil temporal do NDVI Valor por banda (ND)
Pastagem Cana-de- açúcar Agricultura anual Floresta
Figura 3.7 – Identificação dos usos da terra (solo exposto, área urbana e água) por meio de análise do perfil espectro-temporal do NDVI, e seus respectivos valores de níveis de cinza em cada uma das bandas utilizadas nas composições coloridas.
Usos da
terra Coloração (RGB) Perfil temporal do NDVI Valor por banda (ND)
Solo exposto
Área urbana
Água
O processo de classificação foi conduzido de forma supervisionada utilizando-se do algoritmo da Máxima Verossimilhança (MaxVer), no software ENVI – Exelis Visual Information Solutions, versão 5.1, método fundamentado na ponderação das distâncias das médias entre as classes, para se definir a qual classe pertence determinado pixel (CRÓSTA, 1992; LILLESAND et al., 2004). Para tanto, após a identificação dos usos e definição das classes, foram coletadas as amostras de treinamento, em cada uma das categorias, para posterior classificação.
Em seguida, com o propósito de melhorar a qualidade das amostras, e consequentemente, o resultado da classificação, todas as amostras de treinamento foram submetidas a testes para avaliar a separabilidade entre as mesmas, por meio dos métodos da “distância mínima de Jeffries-Matusita” e da “Transformed Divergence”, os quais verificam a significância estatística da distância espectral entre as amostras de diferentes classes, utilizando no software ENVI (SWAIN; DAVIS, 1978; BRUZZONE et al.,1995).
Segundo Swain e Davis, (1978), e Bruzzone et al.,(1995), os valores alcançados com este teste podem variar entre zero (0) e dois (2,0), onde, os resultados acima de 1,9 correspondem a uma separabilidade entre as classes considerada como ótima; razoável para resultados entre 1,7 a 1,9; e ruim para valores menores 1,7.
A verificação da qualidade espacial do mapeamento, ou seja, a exatidão das máscaras de cada classe, foi realizada utilizando como parâmetros o índice de concordância Kappa (IK); o índice de exatidão global (EG), equações (1) e (2), respectivamente, e os erros de inclusão (EI) e omissão (EO), obtidos a partir da análise da matriz de confusão (CONGALTON; GREEN, 1999).
Índice de concordância
Kappa (IK) = m x X − X x X m − X x X (1)
onde: m corresponde ao número de pontos amostrais; r é o número de linhas da matriz de erro; xij é a observação na linha i e coluna j; xi é o total marginal da linha i; e xj é o total marginal da coluna j.
Exatidão global (EG) = A m⁄ x 100 (2)
onde: A refere-se ao acerto geral obtidos pelos pontos amostrais; m corresponde ao total de pontos amostrais utilizado na análise; r é o número de linhas da matriz de erro.
Os valores do índice kappa e da exatidão global foram obtidos por meio da averiguação espacial de 649 pontos amostrais, sendo 296 foram reconhecidos como pastagem e 353 não-pastagem,os quais foram distribuídos de forma randômica e proporcional, com