ETA/CPTEC.
Os modelos selecionados para estimar os valores de produção para o ano de 2020 utilizando o modelo regional de mudanças climáticas ETA/CPTEC foram os de 2002 (Equação 4) e 2009 (Equação 11). O modelo de 2002 foi selecionado, pois utilizou os valores mais baixos de NDVI e precipitação (ano mais seco no período de dezembro a março) ao longo da série temporal (Figuras 87 e 85, no Apêndice). Já, o modelo de 2009 utilizou os valores mais altos de NDVI e precipitação, ano mais chuvoso no período de dezembro a março (Figuras 87 e 85, no Apêndice). Os gráficos que apresentam os valores das variáveis climáticas estão apresentados no Apêndice (Figuras 82 a 87). Os dados de entrada para estimar os valores de produção para os dois modelos (2002 e 2009) foram ISNA, calculado utilizando dados do ETA/CPTEC, NDVI de 2001, NDVI de 2009 e área plantada de 2009 e área plantada de 2009 com acréscimo de 5%, 10% e 15%.
A Figura 59 apresenta os mapas com os valores estimados para 2020 considerando os valores de área plantada de 2009, NDVI de 2001 (Figuras 59A e 59B) e 2009 (Figuras 59C e 59D) obtidos pelos modelos 2002 e 2009. A Figura 60 apresenta os mapas com os valores estimados para 2020 considerando os valores de área plantada de 2009 com acréscimo de 5%, NDVI de 2001 (Figuras 60A e 60B) e 2009 (Figuras 60C e 60D) obtidos pelos modelos 2002 e 2009. A Figura 61 apresenta os mapas com os valores estimados para 2020 considerando os valores de área plantada de 2009 com acréscimo de 10%, NDVI de 2001 (Figuras 61A e 61B) e 2009 (Figuras 61C e 61D) obtidos pelos modelos 2002 e 2009. A Figura 62 apresenta os mapas com os valores estimados para 2020 considerando os valores de área plantada de 2009 com acréscimo de 15%, NDVI de 2001 (Figuras 62A e 62B) e 2009 (Figuras 62C e 62D) obtidos pelos modelos 2002 e 2009.
De uma maneira geral, os valores estimados de produção pelo modelo de 2002 apresentaram um decréscimo entre 0,1 a 3,7% nas classes de baixa produção (0 a 1 milhão de toneladas) e um acréscimo entre 1 a 3,5% nas classes de alta produção (1 a 10 milhões de toneladas), conforme descrito nas Tabelas 31 e 32. Comparando os valores estimados utilizando NDVI de 2001 e NDVI de 2009 não houve uma diferença significativa, em torno de
0,1 e 0,3%. Também não houve uma diferença significativa em relação ao acréscimo de área, mantendo-se constante ou variando em torno de 0,3%.
Os valores estimados de produção pelo modelo de 2009 apresentaram um decréscimo entre 0,1 a 1,8% nas classes de baixa produção (0 a 1 milhão de toneladas) e um acréscimo entre 1 a 1,6% nas classes de alta produção (1 a 10 milhões de toneladas), conforme descrito nas Tabelas 33 e 34. Comparando os valores estimados utilizando NDVI de 2001 e NDVI de 2009 não houve uma diferença significativa, em torno de 0,1 e 0,4%. Também não houve uma diferença significativa em relação ao acréscimo de área, mantendo-se constante ou variando em torno de 0,3%.
Como o modelo de 2002 foi gerado por valores de NDVI e precipitação mais baixos, em relação ao modelo de 2009, mas ambos os modelos foram gerados com dados de condições térmicas e hídricas ideais para o desenvolvimento da cana-de-açúcar: temperatura média anual acima de 20°C (Figura 86, no Apêndice) e deficiência hídrica anual inferior a 200mm (Figura 82, no Apêndice), conclui-se que para anos mais secos e quentes no período de dezembro a março, a produção de cana-de-açúcar tende a aumentar em torno de 3,5%. Para anos mais chuvosos, no mesmo período, a produção tende a aumentar em torno de 1,6%, independentemente da área plantada.
Tabela 31: Variação da produção (%) observada em relação à estimada a partir da área com e sem acréscimo e pelo modelo 2002 e NDVI 2001.
Modelo 2002 NDVI 2001
Classe Estimado 2002 Área 2009 Área +5% Área +10% Área +15%
0 1,4 -1,3 -1,3 -1,3 -1,3 1 -1,5 -3,5 -3,6 -3,6 -3,6 2 0,9 0,2 -0,2 -0,4 -0,8 3 -0,7 3,2 2,9 3,1 3,3 4 0,0 1,4 2,1 2,1 2,3 5 0,0 0,0 0,0 0,0 0,0
Tabela 32: Variação da produção (%) observada em relação à estimada a partir da área com e sem acréscimo e pelo modelo 2002 e NDVI 2009.
Modelo 2002 NDVI 2009
Classe Estimado 2002 Área 2009 Área +5% Área +10% Área +15%
0 1,4 -1,3 -1,3 -1,3 -1,3 1 -1,5 -3,6 -3,7 -3,7 -3,7 2 0,9 0,0 -0,1 -0,4 -0,6 3 -0,7 3,5 2,9 3,2 3,3 4 0,0 1,4 2,1 2,2 2,3 5 0,0 0,0 0,0 0,0 0,0
Tabela 33: Variação da produção (%) observada em relação à estimada a partir da área com e sem acréscimo e pelo modelo 2009 e NDVI 2001.
Modelo 2009 NDVI 2001
Classe Estimado 2009 Área 2009 Área +5% Área +10% Área +15%
0 0,1 0,2 0,2 0,2 0,2 1 -1,7 -1,4 -1,4 -1,4 -1,4 2 1,6 0,4 0,1 -0,2 -0,4 3 0,2 1,2 0,7 0,9 0,9 4 -0,2 -0,3 0,4 0,6 0,7 5 0,0 0,0 0,0 0,0 0,0
Tabela 34: Variação da produção (%) observada em relação à estimada a partir da área com e sem acréscimo e pelo modelo 2009 e NDVI 2009.
Modelo 2009 NDVI 2009
Classe Estimado 2009 Área 2009 Área +5% Área +10% Área +15%
0 0,1 0,0 0,0 0,0 0,0 1 -1,7 -1,8 -1,8 -1,8 -1,8 2 1,6 0,7 0,4 0,3 -0,1 3 0,2 1,3 0,9 0,9 1,2 4 -0,2 -0,2 0,5 0,6 0,7 5 0,0 0,0 0,0 0,0 0,0
Produção estimada para 2020 (modelo 2002 - área 2009) - A
Produção estimada para 2020 (modelo 2009 - área 2009) - B Continua
Produção estimada para 2020 (modelo 2002 - área 2009) - C
Produção estimada para 2020 (modelo 2009 - área 2009) - D
Figura 59: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de 2009.
Produção estimada para 2020 (modelo 2002 - área +5%) - A
Produção estimada para 2020 (modelo 2009 - área +5%) - B Continua
Produção estimada para 2020 (modelo 2002 - área +5%) - C
Produção estimada para 2020 (modelo 2009 - área +5%) - D
Figura 60: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de 2009 e acréscimo de 5%.
Produção estimada para 2020 (modelo 2002 - área +10%) - A
Produção estimada para 2020 (modelo 2009 - área +10%) - B Continua
Produção estimada para 2020 (modelo 2002 - área +10%) - C
Produção estimada para 2020 (modelo 2009 - área +10%) - D
Figura 61: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de 2009 e acréscimo de 10%.
Produção estimada para 2020 (modelo 2002 - área +15%) - A
Produção estimada para 2020 (modelo 2009 - área +15%) - B Continua
Produção estimada para 2020 (modelo 2002 - área +15%) - C
Produção estimada para 2020 (modelo 2009 - área +15%) - D
Figura 62: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de 2009 e acréscimo de 15%.
6 CONCLUSÕES
Este trabalho apresentou uma abordagem para avaliar a expansão da cana-de-açúcar, por meio de técnicas de mineração de dados e de séries temporais. Foram utilizadas técnicas de agrupamento tradicionais associadas a funções de distância para séries temporais que, por sua vez, podem auxiliar o monitoramento de safras agrícolas de cana-de-açúcar no estado de São Paulo por meio de imagens de NDVI obtidas do sensor AVHRR dos satélites NOAA.
Ao utilizar satélites de baixa resolução espacial, é mais difícil evidenciar a diferença entre “canas de ano” e “de ano e meio”. Mas, neste trabalho realizado, com a técnica de agrupamento de dados, mesmo ocorrendo mistura espectral, foi possível acompanhar a evolução da cultura ao longo das safras identificando regiões com padrões semelhantes. Desta maneira, a análise de agrupamento pode melhorar a compreensão do desenvolvimento da cana-de-açúcar e sua expansão para outras regiões do país.
O uso do NDVI gerado a partir do satélite AVHRR/NOAA, conjuntamente com as variáveis área plantada e produtividade, permitiu acompanhar a distribuição espacial dos municípios produtores de cana-de-açúcar ao longo de nove anos-safra (2001-2010). Embora o AVHRR/NOAA seja um satélite de baixa resolução espacial (1km x 1km), seus produtos podem auxiliar o estudo de culturas agrícolas cultivadas em grandes extensões e campos contíguos, como é o caso da cana-de-açúcar em São Paulo.
O método de agrupamento K-Means mostrou que, ao serem gerados agrupamentos mensais com dois ou cinco grupos, foi possível identificar a variação dos valores de NDVI ao longo dos anos-safra, com valores mais altos de NDVI nos períodos de dezembro a maio, época de maior biomassa, e valores mais baixos nos demais meses, período de colheita.
Foi possível identificar os pixels relacionados às áreas de plantio de cana-de-açúcar pelos métodos K-Means e K-Medoids. Estes agrupamentos distinguiram áreas de plantio de cana-de-açúcar em relação aos tipos de plantio realizado em cada ano como, por exemplo, identificação de áreas de cana soca (cana de ano), em reforma, reformada e em expansão; e em relação à quantidade produzida. Os grupos que foram determinados pelos métodos de agrupamentos não se mantêm constante de ano para ano, pois o plantio da cana-de-açúcar é dinâmico ao longo da série temporal.
No mapeamento da cana-de-açúcar e de outros alvos, tais como, água, área urbana, agricultura, pastagem e florestas, de modo geral, o agrupamento definido pelo K-Means distinguiu melhor os alvos em relação ao agrupamento identificado pelo Clarans, utilizando as informações de NDVI, temperatura de superfície e albedo do AVHRR/NOAA. O albedo foi útil para separar áreas de água dos demais alvos, mas não foi suficiente para distinguir áreas com diferentes tipos de cobertura vegetal. O agrupamento dos demais alvos foi feito analisando os valores de temperatura da superfície, tendo valores altos nas áreas de solo exposto e áreas urbanas, e valores menores em áreas com vegetação densa.
Os resultados destes agrupamentos apresentaram mistura entre os alvos, agricultura e pastagem, provavelmente, porque culturas diferentes apresentam valores de NDVI similares em alguma fase fenológica durante o seu ciclo vegetativo, mas valores de NDVI são úteis para separar áreas agrícolas de áreas não agrícolas como, por exemplo, água, áreas urbanas e florestais. No entanto, a cana-de-açúcar foi bem delimitada ao longo dos anos-safra. Este fato deve-se porque a cana-de-açúcar tem um comportamento típico (ciclo longo e sazonal) diferente de outras culturas agrícolas normalmente cultivadas na área de interesse do trabalho. Foi possível observar a dinâmica da cultura ao longo da década, em que a área cultivada era baixa, no ano-safra 2001/2002, com área plantada e produção maior na região nordeste do estado, e com aumento significativo da área plantada em direção à região oeste do estado no final da década, nos anos-safra 2008/2009 e 2009/2010. Esta técnica de agrupamento em séries temporais tridimensionais foi eficiente para realizar a análise temporal do uso da terra, indicando que esta metodologia pode ser utilizada para identificar e analisar a dinâmica de uso e cobertura do solo.
Os resultados obtidos pelos modelos gerados pela Regressão Linear Múltipla indicaram tendências positivas e negativas da produção de cana-de-açúcar para as safras futuras, podendo destacar áreas potenciais ou restritas para o plantio de cana-de-açúcar no estado de São Paulo, e mostraram o comportamento da cultura, em função das condições climáticas possíveis e previstas para a próxima década.
Os modelos gerados para estimar a produção de cana-de-açúcar em relação aos dados de área plantada, NDVI e ISNA apresentaram coeficiente de correlação em torno de R2 = 0,9, sendo que, os modelos conseguiram estimar os valores de produção para todo estado de São
Paulo com precisão. Os modelos mostraram uma relação diretamente proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA. Os modelos gerados por valores de NDVI e precipitação mais baixos, isto é, para anos mais secos dentro de certos limites e mais quentes no período de dezembro a março, a produção de cana-de- açúcar tende a aumentar em torno de 3,5% no ano de 2020. Os modelos gerados por valores de NDVI e precipitação mais altos, isto é, para anos mais chuvosos, no mesmo período, a produção tende a aumentar em torno de 1,6% no ano de 2020, independentemente da área plantada.
Sugere-se, para a realização de trabalhos futuros, i) a estimativa da produção de cana- de-açúcar a partir de dados agroclimáticos proveniente de modelos de mudanças climáticas globais do IPCC em diferentes cenários de emissão de gases de efeito estufa; ii) o monitoramento e mapeamento da área de plantio de cana-de-açúcar em outros estados brasileiros como, por exemplo, Mato Grosso do Sul e Goiás e em áreas climaticamente diferentes do estado de São Paulo.
REFERÊNCIAS
ADAMI, M.; MELLO, M. P.; AGUIAR, D. A.; RUDORFF, B. F. T.; SOUZA, A. F. A Web Plataform Development to Perform Thematic Accuracy Assessment of Sugarcane Mapping in South-Central Brazil. Remote Sensing, v. 4, p.3201-3214, 2012a.
ADAMI, M.; RUDORFF, B. F. T.; FREITAS, R. M.; AGUIAR, D. A.; SUGAWARA, L. M.; MELLO, M. P. Remote Sensing Time Series to Evaluate Direct Land Use Change of Recent Expanded Sugarcane Crop in Brazil. Sustainability, v. 4, 574-585, 2012b.
ALFONSI, R. R.; PEDRO, M. J.; BRUNINI, O.; BARBIERI, V. Condições climática para a cana-de-açúcar. In: Paranhos, S. B (Ed.). Cana-de-açúcar: cultivo e utilização. São Paulo: Fundação Cargill. cap.1 v.1, p.42-87. 1987. 856p.
AMARAL, B. F.; CHINO, D. Y. T.; ROMANI, L. A. S.; GONÇALVES, R. R. V.; SOUSA, E. P.; TRAINA, A. J. M. Análise e mineração de dados de sensores orbitais para acompanhamento de safras de cana-de-açúcar. In: XXXI Congresso da Sociedade Brasileira de Computação, 2011, Natal - RN. Anais XXXI Congresso da Sociedade Brasileira de Computação, 2011. p. 1472-1481.
ANTUNES, J.F.G. Aplicações de lógica fuzzy para estimativa de área plantada da cultura de soja utilizando imagens AVHRR/NOAA. 2005. 91p. Dissertação (Mestrado em Engenharia Agrícola) – Feagri/Unicamp, Campinas. 2005.
ANYAMBA, A.; TUCKER, C.J. Analysis of sahelian vegetation dynamics using NOAA- AVHRR NDVI data from 1981-2003. Journal of Arid Environments, v. 63, n.3, p.596-614, 2005.
AMBRIZZI, T.; ROCHA, R. P.; MARENGO, J. A.; PISNITCHENCO, I.; NUNES, L.A.; FERNANDES, J. P. R. Cenários regionalizados de clima no Brasil para o século XXI: projeções de clima usando três modelos regionais: Relatório 3. Brasília: MMA, 2007.
ASSAD, E.D.; PINTO H.S.; ZULLO JR., J.; ÁVILA, A.M.H. Impacto das mudanças climáticas no zoneamento agroclimático do café no Brasil. Pesquisa Agropecuária Brasileira, Scielo, Brasília, v. 39, n.11, pp.1057-1064, 2004.
ASSAD, E.D.; SANO, E.E.; BEZERRA, H.S.; Silva, S.C.; LOBATO, E.J.E. Uso de modelos numéricos de terreno na especialização de épocas de plantio. In: ASSAD, E. D.; SANO, E. E. Sistema de informações geográficas. Aplicações na agricultura. Brasília: Embrapa- SPI/Embrapa Cerrados, 1998.
BARBOSA, H. A.; HUETEA, A. R.; BAETHGENB, W. E. 20-year study of NDVI variability over the Northeast Region of Brazil. Journal of Arid Environments, v.67, p.288-307, 2006.
BARROS, G. Brazil: the challenges in becoming an agricultural superpower. In: Brazil as an economic superpower? Understanding Brazil’s changing role in the global economy, Brookings, Washington, DC, 2009.
BEGUE, A.; LEBOURGEOIS, V.; BAPPEL, E.; TODOROFF, P.; PELLEGRINO, A.; BAILLARIN, F.; SIEGMUND, B. Spatio-temporal variability of sugarcane fields and recommendations for yield forecast using NDVI. International Journal of Remote Sensing, v.31, n.20, p.5391-5407, 2010.
BERNDT, D.; CLIFFORD, J. Using dynamic time warping to find patterns in time series. In: AAAI Workshop on Knowledge Discovery in Databases, Seattle – Washington, p. 359-370, 1994.
BLACK, T. L. The new NMC mesoscale Eta/CPTEC model: Description and forecast examples. Wea. Forecasting, v. 9, p. 265-278, 1994.
BLOK, D.; SCHAEPMAN-STRUB, G.; BARTHOLOMEUS, H.; HEIJMANS, M. M. P. D. MAXIMO, T. C.; BERENDSE, F. The response of Arctic vegetation to the summer climate: relation between shrub cover, NDVI, surface albedo and temperature. Environmental Research Letters, v.6, p. 1-9, 2011.
BRUNINI, O.; ZULLO JÚNIOR, J.; PINTO, H. S.; ASSAD, E. D.; SAWAZAKI, E.; DUARTE, P. D.; PATERNIANI, M. E. Riscos climáticos para a cultura do milho no estado de São Paulo. Revista Brasileira de Agrometeorologia, Passo Fundo, v.9, n.3, p.519-526, 2001. Número especial.
BUNCHAFT, G.; KELLNER, S. R.O. Estatística sem mistérios. 2.ed. Petrópolis: Vozes, v.2. 1999. 303p.
CAMARGO, A.P. Contribuição para a determinação da evapotranspiração potencial no estado de São Paulo. Bragantia, Campinas, v.21, n.12, p.163-213, 1962.
CAMILLONI, I.; BIDEGAIN, M. Escenarios climáticos para El siglo XXII. In: BARROS, V.; MENÉNDEZ, A.; NAGY, G. (Ed.) El cambio climático en el rio de la Plata. Buenos Aires: CIMA/CONICET/UBA, 2005. P.33-39.
CARNEIRO, C. C. Modelagem espacial de dados aerogeofísicos e interpretação de imagens SAR aplicados ao mapeamento geológico e metalogenético da região central do Domínio Bacajá, Estado do Pará. Tese de Doutorado - Universidade Estadual de Campinas, Instituto de Geociências, 2010.
CHINO, D. Y. T., ROMANI, L. A. S. E TRAINA, A. J. M. Construindo séries temporais de imagens de satélite para sumarização de dados climáticos e monitoramento de safras agrícolas. In: REIC, v. 10, p. 1-16, 2010.
CHOU, S.C. Modelo Regional Eta. Climanálise. Edição Especial. Instituto Nacional de Pesquisas Espaciais. 1996.
CHOU, S. C.; MARENGO, J. A.; LYRA, A. A.; SUEIRO, G.; PESQUERO, J. F.; ALVES, L. M.; KAY, G.; BETTS, R. CHAGAS, D. J., GOMES, J. L. Downscaling of South America present climate driven by 4-member HadCM3 runs. Climate Dynamics, Germany, vol.38, n 3-4, p.635-653, 2011.
COMPANHIA NACIONAL DE ABASTECIMENTO (CONAB). Cana-de-açúcar: Safra 2012/2013 – Quarto Levantamento. 2013. Disponível em: <http://www.conab.gov.br> Acesso em: 27 novembro 2013.
COLTRI, P. P. Mitigação de emissão de gases de efeito estufa e adaptação do café arábica a condições climáticas adversas. Tese de Doutorado - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, 2012.
DING, H.; TRAJCEVSKI, G.; SCHEUERMANN, P.; WANG, X.; KEOGH, E. Querying and Mining of Time Series Data: Experimental Comparison of Representations and Distance Measures. In: VLDB Endowment, p. 1542-1552, 2008.
DOORENBOS, J.; KASSAM, A. H. Yield response to water. Roma: FAO, 1979. 193p. (FAO: Irrigation and drainage, n.33).
DOORENBOS, J.; KASSAM, A. H. Efeito da água no rendimento das culturas. Tradução de Gheyi H. R.; Sousa, A. A.; Damasceno, F. A. V.; Medeiros, J.F. Campina Grande: Universidade Federal da Paraíba, 1994. 306p.
ELMASRI, R.; NAVATHE, S. B. Fundamentals of Database Systems, Sixth ed. Boston: Addison-Wesley, 2010.
EMERY, W. J.; BALDWIN, D.; MATTGEWS, D. Maximum cross correlation automatic satellite image navigation and attitude corrections for open-ocean image navigation. IEEE Transactions on Geoscience and Remote Sensing, v.41, n.1, p.33-42, 2003.
ESQUERDO, J.C.D.M. Utilização de perfis multi-temporais do NDVI/AVHRR no acompanhamento da safra de soja no oeste do Paraná. 2007. 168p. Tese (Doutorado em Engenharia Agrícola) – Faculdade de Engenharia Agrícola, Universidade Estadual de Campinas, Campinas, 2007.
ESQUERDO, J.C.D.M.; ANTUNES, J.F.G.; BALDWIN, D.G; EMERY, W.; ZULLO JR, J. An automatic system for AVHRR land surface product generation. International Journal of Remote Sensing, v.27, n.18, p.3925-3942, 2006.
FAYYAD, U. M., PIATETSKY-SHAPIRO, G., SMYTH, P., and UTHURUSAMY, R. Advances in Knowledge Discovery and Data Mining. MIT Press, Cambridge, MA, USA, 1996.
FAGUNDES, J. D.; STRECK, N.A., BISOGNIN, D.A.; SCHWANTES, A.P.; ALBERTO, C.M. Produtividade simulada de tubérculos de batata em cenários de mudanças climáticas. Pesq. agropec. bras., Brasília, v. 45, n. 4, p.351-360, abr., 2010.
FARIAS, J. R.; ASSAD, E. D.; ALMEIDA, I. R.; EVANGELISTA, B. A.; AZZAROTTO, C.; NEUMAIER, N.; NEPOMUCENO, A. L. Caracterização de risco de déficit hídrico nas regiões produtoras de soja no Brasil. Revista Brasileira de Agrometeorologia, Passo Fundo, v.9, n.3, p.415-421, 2001. Número especial.
GIORGI, F.; BATES, G. T.; NIEMAN, S. J. The multi-year surface climatology of a regional atmospheric model over the western United States, J. Climate, v. 6, 75-95,1993a.
GIORGI, F., MARINUCCI, M. R.; BATES, G. T. Development of a second generation regional climate model (regcm2) Boundary layer and radioactive transfer processes, Mon. Wea. Rev., v. 121, p. 2794-2813. 1993b.
GONÇALVES, R. R. V.; NASCIMENTO, C. R.; ZULLO JR., J.; ROMANI, L. A. S. Relationship between the spectral response of sugar cane, based on AVHRR/NOAA satellite images, and the climate condition, in the state of São Paulo (Brazil), from 2001 to 2008. In: International Workshop on the Analysis of Multi-temporal Remote Sensing images (MultiTemp), 5, 2009, Groton. Proceedings… 2009, p. 315-322.