Modelos agrometeorológicos-espectrais

Diversos autores têm desenvolvido ao longo dos anos, trabalhos que demonstram a correlação dos dados espectrais provenientes de sensoriamento remoto e sua correlação com a produtividade da cana-de-açúcar, além de seu uso em conjunto em modelos que possibilitem a estimativa da produtividade agrícola desta cultura.

Ressalta-se que ultimamente, com o aparecimento dos Satélites de observação da Terra, que agem de forma sistemática, estimável atenção foi dada ao desenvolvimento de modelos de produtividade que usam dados coletado por sensores abordo destes Satélites. Muitos empenhos foram concentrados no estabelecimento de relações empíricas em meio a parâmetros agronômicos (por exemplo: índice de área foliar e biomassa) e variáveis espectrais

38

(por exemplo: índices vegetativos) para serem usados em modelos de estimativa de produtividade (RUDORFF & BATISTA, 1990).

Assim Rudorff & Batista (1990) sugeriram um modelo de regressão com o uso de variáveis espectrais para aperfeiçoar a estimativa da produtividade de cana-de-açúcar obtida pelo modelo agronômico de Doorembos & Kassam (1979), numa área de 40.000 ha. A associação de dados agronômicos e espectrais originou um modelo com maior poder explicativo.

Foi deste modo que Rudorff et al. (1995) empregaram variáveis espectrais e ao mesmo tempo variáveis qualitativas (por exemplo: variedade e estágio de corte) e notaram melhora na estimativa produzida pelo modelo de regressão.

Pode-se dizer e se tem conhecimento que modelos agronômicos implementados numa plataforma SIG são importantes, pois consentem examinar simulações de fenômenos espaciais e temporais, além de promover a manipulação, a análise e a visualização espacial dos dados. Contudo, carece se tomar cuidado com a escala espacial e temporal do modelo, pois todos os dados necessitam estar na mesma escala. Do mesmo modo precisa se tomar cuidado com o tipo de interpolação e o tipo de dado (raster ou vetorial) utilizado, em meio a outros (HARTKAMP, 1999).

MACHADO (2003), em seu trabalho, na região de Araras (SP), demonstrou o uso das imagens do sensor ETM+ na caracterização da variabilidade espacial da cana-de-açúcar e sua relação com a estimativa de produção de biomassa pela cultura, comprovando a hipótese de existência de correlação entre a quantidade de biomassa do dossel da cana-de-açúcar com sua resposta espectral.

BENVENUTI (2005), em seu trabalho, na região de Santa Maria da Serra (SP), objetivou agregar conhecimento sobre a resposta espectral da cana-de-açúcar, utilizando técnicas de processamento digital de imagens e análise estatística, para o subsídio das estimativas de safras e o monitoramento do estado geral dos canaviais das unidades produtoras. Com uso de imagens do sensor Enhanced Thematic Mapper (ETM+) a bordo do Satélite Landsat7, analisou a relação do Greeness Vegetation Index (GVI), NDVI e a refletância da Banda 4 com a produtividade da cana-de-açúcar revelando que os maiores coeficientes de correlação foram determinados pela relação do GVI com a produtividade da cana-de-açúcar.

39

PICOLLI (2007) utilizou um modelo agrometeorológico-espectral agregado a rede neural para estimar a produtividade da cana-de-açúcar na região de Catanduva (SP). Para isto usou uma série de variáveis meteorológicas e agronômicas, com adição do IAF obtido a partir de imagens de NDVI do sensor MODIS. Tal modelo explicou 66% da variabilidade da produtividade nos talhões estudados, em área de cana soca.

JUNGES & FONTANA (2011) objetivaram elaborar uma equação de regressão linear múltipla, empregando variáveis agrometeorológicas e espectrais para estimativa de produtividade de grãos de trigo em municípios na região norte do Estado do Rio Grande do Sul. Foram utilizados dados climatológicos de estação meteorológica de superfície da rede do INMET (Instituto Nacional de Meteorologia) e dados espectrais do NDVI obtido pelas imagens do sensor MODIS, no período entre 2000 e 2006. Com o uso das variáveis identificadas como independentes, precipitação pluviométrica do mês de outubro, índice de geadas do mês de setembro e o NDVI integrado de junho a outubro, mais o emprego da variável graus-dia acumulados de maio a outubro, construiu-se uma equação que apresentou- se adequada à estimativa de produtividade de grãos de trigo, sendo que somente em um dos anos estudados, foi obtido erros superior a 10%.

EERENS et al. (2001) descrevem a aplicação de um modelo agrometereológico- espectral baseado em MONTEITH (1972), com o uso de imagens SPOT-Vegetation, como parte do programa da União Européia para Monitoramento da Agricultura com uso de Sensoriamento Remoto (MARS, do inglês Monitoring Agriculture with Remote Sensing) para a estimativa de produção de matéria seca em aproximadamente 600.000 parcelas agrícolas na Bélgica, para diferente culturas, gerando por meio deste modelo, imagens em composições de dez dias, com o acúmulo de matéria-seca no período. Alguns pontos de controle demonstraram coeficientes de correlação (R2) de cerca de 60%, 50% e 35% para trigo do inverno, beterraba para açúcar e milho forrageiro.

LIU et al. (2010) estudaram o uso de dados ópticos multi-temporais combinados ao modelo de eficiência do uso da radiação fotossinteticamente ativa proposto por MONTEITH (1972) para estimar a produção de biomassa seca e produtividade de milho. O estudo desenvolvido em uma área na região de Ottawa, Canadá durante os anos de 2001 e 2006 durante o ciclo de desenvolvimento do milho. Foram utilizados dados hiperespectrais e realizadas medições de crescimento da cultura, por métodos destrutivos e não-destrutivos. Os

40

dados hiperespectrais provenientes do Compact Airbone Spectrographic Image (CASI) em três períodos (13 de junho, 26 de junho e 19 de julho de 2001) e três passagens livres de nuvens do sensor ETM+ do Satélite Landsat7 (15 de junho, 17 de julho e 25 de agosto). Os dados meteorológicos foram obtidos por meio de estações meteorológicas de superfície. Os dados espectrais foram utilizados para estimar a fAPAR tanto com os dados multiespectrais do sensor ETM+ quanto os dados hiperespectrais do sensor CASI, além de quantificar o índice de estresse hídrico usando as banda do NIR e do SWIR do sensor ETM+. O Estudo demonstrou que índices de vegetação calculados tanto a partir do sensor ETM+ quanto do CASI podem ser usados em complemento um ao outro, quando da necessidade de cálculo do fAPAR. A estimativa de acúmulo de biomassa seca foi linearmente relacionada com a cumulativa APAR com R2 de 0,96 e RMSE = 133 g.