Estimativa de produção de cana-de-açúcar com base em dados remotos de baixa resolução espacial e índices climáticos

(1)

UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE ENGENHARIA AGRÍCOLA

RACHEL SCRIVANI DA SILVA

ESTIMATIVA DE PRODUÇÃO DE CANA-DE-AÇÚCAR COM

BASE EM DADOS REMOTOS DE BAIXA RESOLUÇÃO

ESPACIAL E ÍNDICES CLIMÁTICOS

CAMPINAS 2016

(2)

RACHEL SCRIVANI DA SILVA

ESTIMATIVA DE PRODUÇÃO DE CANA-DE-AÇÚCAR COM

BASE EM DADOS REMOTOS DE BAIXA RESOLUÇÃO

ESPACIAL E ÍNDICES CLIMÁTICOS

Dissertação apresentada à Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Mestra em Engenharia Agrícola, na Área de Água e Solo.

Orientador: Prof. Dr. Jurandir Zullo Jr.

Coorientadora: Dra. Luciana Alvim Santos Romani

ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA DISSERTAÇÃO DEFENDIDA PELA ALUNA RACHEL SCRIVANI DA SILVA, E ORIENTADA PELO PROF. DR. JURANDIR ZULLO JUNIOR.

CAMPINAS 2016

(3)

(4)

(5)

Dedico este Mestrado à pessoa mais importante da minha vida, minha mãe, Walkyria Scrivani. Obrigada mãe!!!

(6)

AGRADECIMENTOS

Agradeço a todos que de alguma maneira, em algum momento, fizeram parte desta incrível etapa da minha vida e colaboraram para a realização deste mestrado.

Jurandir Zullo Junior, meu orientador, agradeço pela orientação, apoio e conselhos durante a realização deste trabalho.

À minha coorientadora, Luciana Alvim Romani, dedico um agradecimento especial, por tanto tempo e carinho dedicados não só ao trabalho, mas também a mim como pessoa. Quando ‘crescer’, eu quero ser como você.

Aos membros da banca examinadora que com suas críticas e sugestões engrandeceram meu trabalho.

A todos do Cepagri, e em especial a Priscila Coltri, a Ana Ávila, a Edilene e ao Claudir que me abriram as portas da Unicamp em 2011.

Ao pessoal da Embrapa Informática Agropecuária, pesquisadores, analistas, suporte, bolsistas, estagiários, manutenção, local no qual passei a maior parte dos meus últimos três anos e sempre muito feliz por isto.

Aos parceiros da computação, os colegas Bruno Amaral, Daniel Chino e Profa. Elaine Sousa do ICMC/USP São Carlos.

Aos amigos de velha data, que apesar de muitas vezes estarem distantes fisicamente, sempre estão presentes na minha vida.

Aos amigos que ganhei ao longo dessa rápida, porém suada jornada do mestrado.

Agradeço também às instituições Feagri, Cepagri e Embrapa, pela oportunidade acadêmico-profissional e pela infraestrutura oferecida e ao CNPq pelo apoio financeiro.

(7)

RESUMO

A cana-de-açúcar é um dos principais produtos do agronegócio brasileiro e se destaca no contexto das mudanças climáticas e recursos hídricos por ser uma fonte de energia renovável. O aumento das temperaturas e a alteração na distribuição espacial e temporal das chuvas têm trazido impactos ao setor agrícola, que precisa se adaptar, pois a demanda por alimentos, água e energia é crescente. Nesse contexto, o monitoramento automático da cultura da cana-de-açúcar é indispensável para os planejamentos agrícola e hídrico, sendo necessários o desenvolvimento e o aprimoramento de metodologias que auxiliem os tomadores de decisões em suas atividades. Assim sendo, este trabalho se propôs a avaliar a utilização do índice de vegetação NDVI (Normalized Difference Vegetation Index) calculados a partir de dados obtidos pelos sensores remotos AVHRR/NOAA e MODIS/Terra, de baixa resolução espacial e alta resolução temporal, para o monitoramento automático da cana-de-açúcar no estado de São Paulo, gerando modelos numéricos destinados à estimativa da produção anual da cultura. Regressões lineares realizadas com as séries temporais do NDVI de ambos os satélites indicaram que há correlação entre os sensores AVHRR e MODIS na resolução espacial de 1Km e 250 m. Concluiu-se, também, que o agrupamento por mineração de dados gerou, de forma automática, grupos representativos de regiões agrícolas. Os modelos gerados para estimar a produção de cana-de-açúcar com base em dados de produção e de área plantada do IBGE, do índice de vegetação NDVI e do índice hídrico ISNA apresentaram coeficientes de correlação R² > 0.93, conseguindo estimar a produção de cana-de-açúcar em municípios grandes produtores do estado de São Paulo.

Palavras-chave: sensoriamento remoto; AVHRR/NOAA; MODIS/Terra; NDVI;

(8)

ABSTRACT

The sugarcane is one of the main products of the Brazilian agribusiness and stands out in the context of climate change and water resources because this crop is used as source of renewable energy. Rising temperatures and changes in spatial and temporal distribution of rainfall have brought impacts to the agricultural sector forcing it to adapt since the demand for food, water and energy is growing. In this context, the automatic monitoring of sugarcane crop is essential for the agricultural and water planning, requiring the development and improvement of methodologies to assist decision makers in their activities. Therefore, this study aimed at evaluating the use of Normalized Difference Vegetation Index (NDVI) from calculated from data obtained by the remote sensors AVHRR/NOAA and MODIS/Terra with low spatial resolution and high temporal resolution for the automatic monitoring of sugarcane in the state São Paulo, generating numerical models to estimate annual crop production through numerical models. Linear regressions applied to the NDVI time series of both satellites indicated that there is a correlation between the AVHRR and MODIS sensors on the spatial resolution of 1km and 250 m. We also concluded that the clustering by data mining have generated automatically clusters representing agricultural regions. The generated models for estimating sugarcane production based on production data and planted area from IBGE as well as indices such as NDVI and ISNA showed correlation coefficients R² > 0.93 estimating the annual production of sugarcane in large municipalities producers of São Paulo.

(9)

LISTA DE ILUSTRAÇÕES

Figura 1 - Imagem do sensor MODIS/Terra 1Km, tile h13v11. ... 27

Figura 2 - Produtos disponíveis do sensor MODIS. ... 27

Figura 3 - Imagem do sensor AVHRR/NOAA com recorte do estado de São Paulo. ... 28

Figura 4 - Fluxograma das atividades para a comparação das séries dos sensores AVHRR/NOAA e MODIS/Terra. ... 36

Figura 5 - Página inicial da interface MRTWeb 2.0. ... 37

Figura 6 - Grade de “tiles” do sensor MODIS... 37

Figura 7– Mapa do estado de São Paulo com destaque para os 17 municípios analisados. ... 38

Figura 8 - Principais passos de funcionamento do software SatImag Explorer. ... 41

Figura 9 - Exemplo de planilha gerada após a realização da extração de dados e do agrupamento pelo software SatImag Explorer... 42

Figura 10 - Fluxograma das atividades para a geração dos modelos para estimativa de produção. ... 45

Figura 11 – Mapa (a) e gráfico (b) do NDVI de Piracicaba, sensor AVHRR/NOAA, período de 2003 a 2009. ... 48

Figura 12 – Mapa (a) e gráfico (b) do NDVI de Piracicaba, sensor MODIS/Terra período de 2003 a 2009. ... 49

Figura 13 - Gráficos resultantes de regressão linear entre os dados das séries de NDVI do MODIS e do AVHRR para o período de 2003 a 2009 para o município de Barretos. ... 52

Figura 14 - Gráficos resultantes de regressão linear entre os dados das séries de NDVI do MODIS e do AVHRR para o período de 2003 a 2009 para o município de Piracicaba. ... 53

Figura 15 - Gráficos resultantes de regressão linear entre os dados das séries de NDVI do MODIS e do AVHRR para o período de 2003 a 2009 para o município de Ribeirão Preto. ... 54

Figura 16 - Resultados do agrupamento para Piracicaba. Valor de NDVI e porcentagem por grupo (2003-2009) para (a) AVHRR/NOAA [Lilás 0,27 (4%); Azul 0,40 (12%); Verde 0,45 (41%); Amarelo 0,46 (15%); Vermelho 0,49 (27%)], (b) Terra/MODIS 1Km [Lilás 0,31 (3%); Azul 0,51 (13%); Verde 0,59 (41%); Amarelo 0,60 (19%); Vermelho 0,62 (23%)], (c) Terra/MODIS 250 m [Lilás 0,33 (3%); Azul 0,55 (27%); Verde 0,60 (20%); Amarelo 0,63 (36%); Vermelho 0,72 (11%)], (d) AVHRR pontos MODIS 1Km [Lilás 0,27 (4%); Azul 0,40 (12%); Verde 0,45 (40%); Amarelo 0,46 (16%); Vermelho 0,49 (26%)]. ... 57

Figura 17 - Gráficos resultantes da regressão linear para os grupos 2 e 3 para Piracicaba. (a) MODIS/Terra 1Km com AVHRR/NOAA; (b) MODIS 250m com AVHRR/NOAA e (c) MODIS/Terra 1Km com AVHRR/NOAA pontos MODIS/Terra 1Km. ... 59

Figura 18 - Mapa (a) apresenta os resultados para a comparação entre séries temporais NDVI do MODIS/Terra 1Km e AVHRR/NOAA. Mapa (b) apresenta os resultados para a comparação entre séries temporais NDVI do MODIS/Terra 250 m e AVHRR/NOAA e mapa (c) apresenta os resultados para a comparação entre séries temporais NDVI do MODIS/Terra 1Km e AVHRR/NOAA (lat/lon MODIS/Terra 1Km). ... 62

Figura 19 - Gráfico com os valores de produção observados e os valores esperados para 2004. ... 69

(10)

Figura 23 - Gráfico com os valores de produção observados e os valores esperados para 2008. ... 74 Figura 24 - Gráfico com os valores de produção observados e os valores esperados para 2009. ... 75 Figura 25 - Gráfico com os valores de produção observados e os valores esperados para 2010. ... 76 Figura 26 - Gráfico com os valores de produção observados e os valores esperados para 2011. ... 77 Figura 27 - Gráfico com os valores de produção observados e os valores esperados para 2012. ... 78 Figura 28 - Gráfico com os valores de produção observados e os valores esperados para 2013. ... 80 Figura 29 - Gráfico com os valores de produção observados e os valores esperados para 2014. ... 81 Figura 30 - Gráfico com os valores de produção observados e os valores esperados para o período de 2004 a 2014. ... 84

(11)

LISTA DE TABELAS

Tabela 1 - Histórico de 2003 a 2013 da área cultivada (ha) para o estado de São Paulo. ... 22

Tabela 2 - Projeções Regionais - 2012/2013 a 2022/2023 – Cana-de-açúcar - mil toneladas. 22 Tabela 3 - Valores médios de NDVI dos três municípios (Barretos, Piracicaba e Ribeirão Preto) por grupo. ... 46

Tabela 4 - Resultado dos valores de NDVI e da regressão linear entre os valores de NDVI do MODIS 1Km e AVHRR/NOAA para o período de 2003 a 2009 por grupo. ... 50

Tabela 5 - Valores gerados pelo método de validação de k silhueta, para o período de 2003 a 2009. ... 51

Tabela 6 - Valor médio do NDVI por grupo para cada conjunto de imagens. ... 55

Tabela 7 - Resultados do coeficiente Silhueta para os testes realizados para os dezessete municípios de estudo com k=4 a k=7. ... 56

Tabela 8 - Valores para intensidade de correlação e valores de r obtidos da análise de correlação das séries de NDVI do sensor AVHRR/NOAA e MODIS/Terra 1Km com 5 grupos. ... 58

Tabela 9 - Valores para intensidade de correlação e valores de r obtidos da análise de correlação das séries de NDVI do sensor AVHRR/NOAA (lat/lon MODIS 1Km) e MODIS/Terra 1Km com 5 grupos. ... 60

Tabela 10 - Valores para intensidade de correlação e valores de r obtidos da análise de correlação das séries de NDVI do sensor AVHRR/NOAA e MODIS/Terra 250 m com 5 grupos. ... 61

Tabela 11 - Valor de regressão e valor de erro para comparação AVHRR/NOAA com MODIS/Terra 1Km. ... 64

Tabela 12 - Valor de regressão e valor de erro para comparação AVHRR/NOAA com MODIS/Terra 250m. ... 65

Tabela 13 - Valor de regressão e valor de erro para comparação AVHRR/NOAA (lat/lon MODIS/Terra 1Km) com MODIS/Terra 1Km. ... 66

Tabela 14 - Coeficientes do modelo gerado pela regressão linear múltipla de 2004. ... 68

Tabela 15 - Erro e coeficientes correlação de 2004. ... 68

(12)

Tabela 28 - Coeficientes do modelo gerado pela regressão linear múltipla de 2011... 77

Tabela 29- Erro e coeficientes correlação de 2011. ... 77

Tabela 36 - Coeficientes do modelo gerado pela regressão linear múltipla de 2003 a 2014. ... 82

Tabela 37 - Erro e coeficientes correlação de 2003 a 2014. ... 82

Tabela 38 – Coeficientes e erro das regressões para todos os modelos. ... 83

Tabela 39 - Valores de produção de cana-de-açúcar do município de Barretos. ... 85

Tabela 40 - Valores de produção de cana-de-açúcar do município de Jaú. ... 86

Tabela 41 - Valores de produção de cana-de-açúcar do município de Maracaí. ... 86

Tabela 42 - Valores de produção de cana-de-açúcar do município de Morro Agudo. ... 87

Tabela 43 - Valores de produção de cana-de-açúcar do município de Piracicaba. ... 87

Tabela 44 - Valores de produção de cana-de-açúcar do município de Ribeirão Preto. ... 88

(13)

LISTA DE ABREVIATURAS E SIGLAS AVHRR - Advanced Very High Resolution Radiometer

CANASAT – Monitoramento da Cana-de-açúcar via Imagens de Satélite

CBERS/WFI – Satélite Sino-Brasileiro de Recursos Naturais / Wide Field Imager Cepagri - Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura CLARANS – Clustering Large Applications Based on Randomized Search

CNA – Confederação da Agricultura e Pecuária do Brasil CONAB - Companhia Nacional de Abastecimento EOS – Earth Observation System

ETM – Evapotranspiração Máxima ETP – Evapotranspiração Potencial ETR – Evapotranspiração Real

FAO – Organização das Nações Unidas para Alimentação e Agricultura GEE - Gases de efeito estufa

GEOEYE – Satélites de Observação da Terra

IBGE - Instituto Brasileiro de Geografia e Estatística INPE - Instituto Nacional de Pesquisas Espaciais

IPCC - Painel Intergovernamental de Mudanças Climáticas ISNA – Índice de Satisfação das Necessidades de Água JAXA – Japan Aerospace Exploration Agency

KDD – Knowledge Discovery in Databases LANDSAT – Satélites de Observação da Terra

LP-DAAC - Land Processes Distributed Active Archive Center MAPA - Ministério da Agricultura Pecuária e Abastecimento MODIS - Moderate Resolution Imaging Spectroradiometer NASA - National Aeronautics and Space Administration

NESDIS - National Environmental Satellite Data and Information Service NDVI - Índice de Vegetação por Diferença Normalizada

NOAA - National Oceanic and Atmospheric Administration ONU - Organização das Nações Unidas

PBMC – Painel Brasileiro de Mudanças Climáticas PIB - Produto interno bruto

(14)

SIDRA – Sistema IBGE de Recuperação Automática SITS – Séries Temporais de Imagens de Satélite SPOT – Satélites de Observação da Terra TRMM – Tropical Rainfall Measuring Mission

Unesco - Organização das Nações Unidas para a educação, a ciência e a cultura Unica - União da Indústria de Cana-de-Açúcar

(15)

SUMÁRIO 1 INTRODUÇÃO ... 17 1.1 JUSTIFICATIVA ... 18 1.2 OBJETIVOS ... 19 1.2.1 Objetivo Geral ... 19 1.2.2 Objetivos Específicos ... 19 2 REVISÃO DE LITERATURA ... 20

2.1 A CANA-DE-AÇÚCAR E O AGRONEGÓCIO BRASILEIRO ... 20

2.2 A IMPORTÂNCIA DOS RECURSOS HÍDRICOS PARA A PRODUÇÃO DE CANA-DE-AÇÚCAR ... 23

2.3 O SENSORIAMENTO REMOTO APLICADO AO MONITORAMENTO DA CULTURA DA CANA-DE-AÇÚCAR ... 25

2.4 A MINERAÇÃO DE DADOS ... 31

3 METODOLOGIA ... 33

3.1 ÁREA DE ESTUDO ... 33

3.2 DADOS ... 33

3.3 MÉTODO E ANÁLISE DE DADOS ... 34

3.3.1 Fase 1: Comparação das séries temporais de NDVI dos sensores AVHRR/NOAA e MODIS/Terra ... 34

3.3.2 Fase 2: Geração do modelo para estimativa de produção ... 43

4 RESULTADOS E DISCUSSÃO ... 46

4.1 COMPARAÇÃO DAS SÉRIES DOS SENSORES AVHRR/NOAA E MODIS/TERRA ... 46

4.2 MODELO PARA ESTIMATIVA DE PRODUÇÃO DA CANA-DE-AÇÚCAR ... 67

4.2.1 Modelo numérico 2003/2004 ... 68 4.2.2 Modelo numérico 2004/2005 ... 69 4.2.3 Modelo numérico 2005/2006 ... 70 4.2.4 Modelo numérico 2006/2007 ... 71 4.2.5 Modelo numérico 2007/2008 ... 72 4.2.6 Modelo numérico 2008/2009 ... 74 4.2.7 Modelo numérico 2009/2010 ... 75 4.2.8 Modelo numérico 2010/2011 ... 76

(16)

4.2.9 Modelo numérico 2011/2012 ... 77 4.2.10 Modelo numérico 2012/2013 ... 79 4.2.11 Modelo numérico 2013/2014 ... 80 4.2.12 Modelo numérico 2003/2014 ... 81 4.2.13 Modelos ... 82 5 CONCLUSÃO ... 89 REFERÊNCIAS BIBLIOGRÁFICAS ... 91

(17)

1 INTRODUÇÃO

As questões ambientais, como a emissão de gases de efeito estufa (GEE) na atmosfera e a gestão dos recursos hídricos, são temas de pesquisas científicas atuais em diversas áreas do conhecimento e fomentam discussões políticas recorrentes no mundo. De acordo com o Painel Intergovernamental de Mudanças Climáticas (IPCC), o aquecimento global está ocorrendo e a previsão de aumento das temperaturas para este século é de até 4,8°C, no cenário chamado pessimista, no qual há maior emissão de GEE, sendo o cenário mais drástico, o RCP 8,5 (Representative Concentration Pathways) (IPCC, 2013).

De acordo com a Organização das Nações Unidas (ONU, 2013), até a metade do século, áreas já secas poderão sofrer com a redução de 10% a 30% na disponibilidade de água devido à possibilidade das mudanças climáticas. Atualmente, mais de 40% da população mundial sofre com a escassez de água (FAO, 2012). Em previsão da Unesco apresentada por Marengo (2008), quase dois bilhões de pessoas enfrentarão escassez hídrica em 2025.

O Brasil é um país privilegiado em relação à reserva hídrica, com cerca de 12% da água doce superficial disponível no planeta em seu território, mas com uma distribuição espacial desigual, já que quase 80% da água existente está localizada na Amazônia (MARENGO, 2008). Há regiões no Brasil que já têm escassez e estresse hídrico devido a esta variabilidade espacial e à variabilidade temporal das águas e também à distribuição espacial e temporal irregular das precipitações pluviométricas (MMA, 2006; ANA, 2015).

O aumento das temperaturas e a alteração na distribuição espacial e temporal das chuvas trarão impactos ao setor agrícola que precisará se adaptar, pois a demanda por alimentos, água e energia são crescentes. Segundo a FAO - Organização das Nações Unidas para Alimentação e Agricultura (2012), para garantir a segurança alimentar da população mundial em 2050, será necessário um incremento entre 70% e 100% na produção de alimentos no mundo.

A cana-de-açúcar, dentre os principais produtos do agronegócio brasileiro, destaca-se no contexto das mudanças climáticas e recursos hídricos por ser uma fonte de energia renovável, sendo que a produção nacional de cana-de-açúcar na safra 2014/2015 foi de 634,8 milhões de toneladas (CONAB, 2015). A cana-de-açúcar, por apresentar um ciclo semi-perene, é influenciada pela variação das condições meteorológicas durante o ano inteiro e é uma cultura que demanda grande quantidade de água, sendo necessários 1.400 litros de água para a produção de 1 litro de álcool combustível. A demanda hídrica agrícola da cana-de-açúcar é em torno de 1.500 mm a 2.500 mm, variando de acordo com o solo, clima e

(18)

localização (DOORENBOS e KASSAM, 1994).

Dentre os vários tipos de dados disponíveis para acompanhar o desenvolvimento da cana-de-açúcar no Brasil, pode-se destacar os dados obtidos por sensoriamento remoto, por ampliar o campo do observador no plano vertical, permitindo que este conceito se torne operacional em escala regional (SUERTEGARAY e GUASSELLI, 2004). Além disso, tem-se que o sensoriamento remoto pode ser útil para a avaliação da expansão agrícola e disponibilidade de recursos hídricos, por permitir uma análise espaço-temporal destes processos a um baixo custo (PONZONI et al., 2012). A periodicidade e a regularidade de coleta de dados no sensoriamento remoto são vantagens que aumentam a acurácia dos trabalhos.

Neste contexto, a hipótese científica deste trabalho é que dados obtidos dos sensores orbitais de baixa resolução espacial, porém com alta resolução temporal, AVHRR/NOAA e MODIS/Terra, são úteis para o monitoramento agrícola e que estes dados, associados com dados climatológicos, permitem gerar um modelo numérico de estimativa da produção da cana-de-açúcar.

1.1 JUSTIFICATIVA

A Confederação da Agricultura e Pecuária do Brasil apontou em 2014 (CNA, 2014) que a soja, o milho e a cana-de-açúcar foram as principais culturas agrícolas responsáveis pelo crescimento de 7% do Produto Interno Bruto (PIB) da agropecuária em 2013. No entanto, alertou a entidade, as irregularidades climáticas terão efeito negativo sobre a produtividade das lavouras destas culturas. Com a alteração do regime de chuvas, do aumento das temperaturas e da intensificação da ocorrência de eventos extremos advindas das possíveis mudanças climáticas, a preocupação dos gestores do setor é crescente.

O monitoramento agrícola é item fundamental para o planejamento do setor. Estudos mostram que o monitoramento realizado por meio de sensores orbitais tem obtido resultados com divergência não significativa em relação aos dados oficiais como os do IBGE (MELLO et al., 2013).

Considerando assim a importância real da agropecuária para a economia brasileira, no que se refere à participação no PIB e na geração de divisas e as pressões competitivas, que nesse caso são cada vez maiores, somadas à situação das possíveis mudanças climáticas, o desenvolvimento da pesquisa científica é necessário para aumentar a competitividade e a sustentabilidade deste setor. Neste caso, o monitoramento agrícola e

(19)

ambiental por meio do sensoriamento remoto permite melhor acurácia destas atividades a um baixo custo.

Assim sendo, há necessidade de monitoramento da cana-de-açúcar como forma de subsídio para a tomada de decisões que visam à mitigação e adaptação do setor sucroalcooleiro, frente à possibilidade das mudanças climáticas e à provável crise hídrica nas regiões tradicionalmente produtoras e nas de expansão da cultura.

1.2 OBJETIVOS

1.2.1 Objetivo Geral

Avaliar o uso do índice de vegetação NDVI dos sensores remotos AVHRR/NOAA e MODIS/Terra de baixa resolução espacial e alta resolução temporal para o monitoramento automático da cana-de-açúcar no estado de São Paulo, gerando modelos numéricos para estimativa da produção anual da cultura.

1.2.2 Objetivos Específicos

1) Determinar a correlação dos valores de NDVI entre os sensores remotos de baixa resolução espacial e alta resolução temporal AVHRR/NOAA e MODIS/Terra;

2) Avaliar a viabilidade da técnica de agrupamento para realizar pré-classificação automática de áreas agrícolas, principalmente isolando áreas urbanas e de concentração de água das áreas potencialmente agrícolas;

3) Identificar a viabilidade do uso dos sensores remotos de baixa resolução espacial e alta resolução temporal AVHRR/NOAA e MODIS/Terra para o monitoramento da cultura da cana-de-açúcar;

4) Gerar modelos numéricos de estimativa da produção de safras futuras de cana-de-açúcar em escala regional, baseado nos propostos por GONÇALVES, (2014), utilizando dados de NDVI do sensor MODIS/Terra.

(20)

2 REVISÃO DE LITERATURA

A revisão da literatura aborda os principais tópicos discutidos no trabalho e está subdivida em: 1) A cana-de-açúcar e o agronegócio brasileiro; 2) A importância dos recursos hídricos para a produção de cana-de-açúcar; 3) O sensoriamento remoto aplicado ao monitoramento da cultura da cana-de-açúcar; e 4) A mineração de dados.

2.1 A CANA-DE-AÇÚCAR E O AGRONEGÓCIO BRASILEIRO

A cana-de-açúcar é uma gramínea semi-perene, constituída por quatro partes principais, que são: raízes, talho ou colmo, folhas e flores. O ciclo de desenvolvimento da cana-de-açúcar pode ser dividido em quatro fases: brotação, perfilhamento, crescimento e maturação. É cultivada de preferência entre as latitudes 15°N e 30°S (LUCCHESI, 1995).

Ela se adapta muito bem às regiões de clima tropical, quente e úmido, cuja temperatura predominante esteja entre 19°C e 32ºC e onde as chuvas sejam bem distribuídas, com precipitação acumulada acima de 1.000 mm por ano (MARIN, s.d.; INMAN-BAMBER e SMITH, 2005).

Apesar de não ser uma cultura exigente em solos, desenvolve-se melhor naqueles bem arejados e profundos, com boa retenção de umidade e alta fertilidade e, dentre os elementos climáticos, a temperatura, a radiação solar, a quantidade de chuvas e a deficiência hídrica são determinantes para a produção da cana-de-açúcar (MARIN et al., 2008).

As temperaturas acima de 35°C causam estresse térmico na cultura e a temperatura do solo influencia no processo de absorção de água (MONTEIRO, 2011). Outro fator em que a temperatura pode ser determinante, além do foto período, é o florescimento da cana-de-açúcar, que é um processo natural, porém evitado pelo produtor, pois inibe a formação de sacarose nos colmos, reduzindo o volume de caldo e aumentando o teor de fibras (ARALDI et al., 2010).

A deficiência hídrica prejudica o metabolismo da cana-de-açúcar, inclusive a fotossíntese, e diminui a produção de carboidratos que posteriormente se tornariam sacarose (CHAVES et al., 2008; YORDANOV et al., 2003; SINGELS et al., 2005; FLEXAS et al., 2006). Em geral, a relação entre o consumo de água pela cultura e a produtividade é de 8 a 12mm t-¹ (SEGATO et al., 2006).

O excedente hídrico também traz prejuízos financeiros à cultura, pois chuvas no período da colheita atrapalham o corte, o carregamento e o transporte (MARIN et al., 2009).

(21)

Assim sendo, dois dos principais fatores limitantes da produtividade da cultura são a temperatura e a água.

A cana-de-açúcar é matéria-prima para diversos setores, com tecnologia já disponível e/ou em desenvolvimento para as agroindústrias produtoras de açúcar, etanol e aguardente, para indústrias de biopolímeros, detergentes e solventes, cosméticos, lubrificantes, sabores e fragrâncias, alimentos e para a geração de energia. Porém, a produção de açúcar e etanol consome quase toda a produção nacional (DIAS, 2011). A área a ser colhida destinada à produção de açúcar e etanol na safra 2015/2016 foi em torno de 9,07 milhões de hectares, sendo o estado de São Paulo o maior produtor com 51,7% da área plantada (CONAB, 2015).

Segundo o Ministério da Agricultura Pecuária e Abastecimento (MAPA, 2013), o agronegócio brasileiro é moderno, eficiente e competitivo, sendo o Brasil um dos líderes mundiais na produção e exportação de vários produtos agropecuários. Sendo o primeiro produtor e exportador de café, açúcar, etanol de cana-de-açúcar e suco de laranja. Segundo a UNICA - União da Indústria de Cana-de-Açúcar (s.d), o PIB do setor sucroalcooleiro em 2012 foi de US$ 48 bilhões e deve ser de US$ 90 bilhões em 2020, sendo que as exportações em 2012 somaram US$ 15 bilhões e devem chegar a US$ 26 bilhões em 2020.

A produção nacional de cana-de-açúcar da safra 2014/2015 foi de aproximadamente 635 milhões de toneladas e a estimativa para a safra 2015/2016 foi de cerca de 655 milhões de toneladas (CONAB, 2015). A Região Sudeste concentra 65,9% da produção nacional, sendo que o estado de São Paulo, líder da produção nacional, é responsável por 54,9% da produção brasileira (IBGE, 2014). Na Tabela 1, organizada com dados do Canasat (http://www.dsr.inpe.br/laf/canasat/cultivo.html), tem-se o histórico da área cultivada de cana-de-açúcar no estado de São Paulo de 2003 a 2013, na qual se identifica um aumento significativo da área cultivada no estado neste período.

As projeções do MAPA para 2022/2023 são de expansão da área de 2,2 milhões de hectares de cana-de-açúcar e maior expansão de produtividade, com mais de 40% de expansão de produtividade prevista para o estado de São Paulo, conforme a Tabela 2. Para o Brasil, há a projeção de produção estimada de aproximadamente 833 mil a 1,02 bilhões de toneladas para 2022/2023, uma variação entre 41,4% e 74,5% (MAPA, 2013).´

(22)

Tabela 1 - Histórico de 2003 a 2013 da área cultivada (ha) para o estado de São Paulo.

Ano Área Disponível para colheita (ha)

2003 2.571.334 2004 2.889.860 2005 3.046.969 2006 3.354.471 2007 3.961.929 2008 4.445.277 2009 4.897.778 2010 4.996.459 2011 4.869.064 2012 4.865.348 2013 5.045.890 Fonte: Canasat (2015).

Tabela 2 - Projeções Regionais - 2012/2013 a 2022/2023 – Cana-de-açúcar - mil toneladas.

Estados Ano-safra Variação (%)

2012/2013 2022/2023 GO 52.727,2 95.836,0 81,8 MG 51.208,0 82.538,7 61,2 MT 16.319,0 20.850,9 27,8 PR 39.723,5 55.224,7 39,0 SP 330.694,9 466.920,8 41,2 Fonte: MAPA (2013).

(23)

2.2 A IMPORTÂNCIA DOS RECURSOS HÍDRICOS PARA A PRODUÇÃO DE CANA-DE-AÇÚCAR

A atividade agropecuária depende das condições ambientais e o Brasil é um dos principais responsáveis pela produção agropecuária do mundo. De acordo com as projeções do MAPA (2013), até 2021, o país irá disputar a liderança na produção de alimentos com os Estados Unidos devido às condições favoráveis de seu solo e clima para o desenvolvimento agrícola, entretanto, adversidades climáticas como seca, excesso de chuvas, granizo, geadas, vendaval e outras, afetam direta ou indiretamente a produção agrícola.

De acordo com Campos et al. (2010), as mudanças climáticas poderão comprometer a produtividade agrícola em todo o mundo. Segundo os resultados apresentados no quinto relatório do IPCC (2013), divulgado em 27 de setembro de 2013, o aquecimento global está ocorrendo e a previsão de aumento da temperatura para este século é de até 4,8°C

de acordo com o cenário pessimista, o RCP 8,5. O aquecimento global é correspondente ao aumento da temperatura do planeta

causado pelo excesso na emissão de Gases de Efeito Estufa (GEE) na atmosfera, principalmente o dióxido de carbono (CO2), sendo, atualmente, tema de pesquisa científica em diversas áreas e discussões políticas existentes em todo o mundo. As principais causas apontadas para o excesso das emissões dos GEE são a queima dos combustíveis fósseis, a industrialização em grande escala, o desmatamento e a agricultura. As principais consequências são o derretimento de geleiras, o aumento do nível dos oceanos, o aumento da ocorrência de eventos climáticos extremos, a perda de biodiversidade, o risco à segurança alimentar, o risco à disponibilidade hídrica e o agravamento de diversos problemas de ordem econômica e social, sendo que as nações menos desenvolvidas são as mais vulneráveis (ONU, 2013).

Outra questão ambiental, além das emissões de GEE, que tem tido destaque e relevância na comunidade científica e nas discussões políticas nas últimas décadas é a dos recursos hídricos. A ONU, por meio do capítulo 18 da Agenda 21 (MMA, s.d.) dedicado aos recursos hídricos, apresenta a água doce como indispensável para a existência e o desenvolvimento de toda e qualquer nação do mundo, sendo, porém, um recurso limitado, vulnerável e escasso. O parágrafo 17 da Agenda 21 preconiza o papel da água como um bem social, econômico e sustentador da vida e deve se refletir em mecanismos de manejo da demanda a serem implementados por meio da conservação e reutilização da água, avaliação de recursos e instrumentos financeiros. Há, portanto, necessidade de priorizar a conservação

(24)

quantitativa e qualitativa da água e a necessidade de desenvolver ações nesse sentido.

De acordo com a ONU (2013), até a metade do século, áreas já secas ainda poderão ter a redução de 10 a 30% na disponibilidade da água devido às mudanças climáticas. Para o Brasil, os resultados divulgados em 2013 pelo Painel Brasileiro de Mudanças Climáticas (PBMC, 2013) são de que, com o aumento da temperatura, o Norte e o Nordeste brasileiro terão uma redução significativa da ocorrência de chuvas e haverá um incremento nos eventos extremos de secas e estiagens prolongadas, principalmente nos biomas da Amazônia, Cerrado e Caatinga. Esta mudança do ciclo das chuvas poderá impactar fortemente a produção de energia e também a agricultura, com prejuízos da ordem de 14 bilhões de reais até 2070. A disponibilidade de recursos hídricos ficará ainda mais comprometida. “No fim das contas, os principais impactos das mudanças climáticas previstos para as Américas do Sul e Central estão relacionados com a água” (BUCKERIDGE, 2014).

Atualmente, mais de 40% da população mundial sofre com a escassez de água (FAO, 2012). De 2012 a 2015, as regiões Nordeste e Sudeste do Brasil enfrentaram uma crise hídrica relacionada à seca, devido ao regime atípico de chuvas, com intensa redução nos índices pluviométricos em algumas regiões do país nos últimos anos (ANA, 2015). Porém, as baixas taxas pluviométricas não são a causa única desta crise; tem-se também a questão da gestão da água e a falta de planejamento estratégico (ANA, 2015; CÔRTES et al., 2015).

As reservas de água potável estão diminuindo e entre as principais causas estão o uso não racional (desperdício), a poluição, o desmatamento e o consumo crescente. Em previsão da Unesco apresentada por Marengo (2008), quase dois bilhões de pessoas enfrentarão escassez hídrica em 2025.

A agricultura é responsável por 70% de todo o consumo de água no planeta (UNW, 2011). Segundo a FAO (2012), para garantir a segurança alimentar da população global em 2050, será necessário um incremento entre 70% a 100% na produção de alimentos no mundo. Sendo assim, o planejamento da agricultura e da gestão dos recursos hídricos, incluindo seu uso racional e sustentável, além de uma boa governança, se faz cada vez mais necessário para reduzir impactos adversos e mitigar as mudanças climáticas.

Uma variável utilizada para medir o impacto do clima na produção agrícola é o balanço hídrico desenvolvido por Thornthwaite e Mather (1955), que qualifica e quantifica vários parâmetros hídricos de interesse. De acordo com Pereira et al. (2002), o balanço hídrico climatológico visa saber a quantidade de água armazenada no solo, sendo o cálculo da diferença da quantidade de água que entrou e da quantidade de água que saiu numa determinada área de estudo. O balanço hídrico de cultivos visa calcular a quantidade de água

(25)

armazenada no solo considerando qual o tipo de vegetação que cobre este solo. O balanço hídrico fornece estimativas de excedente e deficiência hídrica, dados necessários para o planejamento agrícola.

Outra variável útil para o planejamento hídrico de culturas é o ISNA (Índice de Satisfação das Necessidades de Água) (SILVA et al., 2013; BARBIERI et al., 2015), que varia de zero a um, sendo que um significa que a água armazenada no solo é suficiente para a produtividade máxima da cultura e zero o contrário. Este índice foi desenvolvido pela FAO, com o objetivo de avaliar o rendimento das culturas durante seu crescimento em relação a limitações hídricas. O ISNA é calculado por meio da equação 1.

ISNA= ETR / ETM (1)

onde, ETR é a evapotranspiração real e ETM é a evapotranspiração máxima.

2.3 O SENSORIAMENTO REMOTO APLICADO AO MONITORAMENTO DA CULTURA DA CANA-DE-AÇÚCAR

Segundo Novo (2006), sensoriamento remoto pode ser definido como “a utilização de sensores para a aquisição de informações sobre objetos ou fenômenos sem que haja contato direto entre eles”. O seu uso amplia o campo do observador no plano vertical permitindo que este conceito se torne operacional em escala regional (SUERTEGARAY e GUASSELLI, 2004).

Por meio do sensoriamento remoto, é possível avaliar as características biofísicas da vegetação pelo uso de índices que buscam combinar por meio de formas lineares, razões ou transformações ortogonais, as informações contidas na radiância refletida pelos dosséis, em regiões do espectro eletromagnético, especialmente no vermelho e infravermelho próximo, ressaltando o comportamento espectral da vegetação em relação ao solo e a outros alvos. Eles refletem o estado de desenvolvimento da cultura e, com isso, a expectativa de rendimento da mesma. A radiação visível no vermelho (0,4µm-0,72µm) é absorvida pela clorofila e a radiação no infravermelho próximo (0,72µm-1,1µm) é refletida pelas estruturas celulares das folhas (PONZONI et al., 2012).

O mapeamento da cobertura da terra, as estimativas de produtividade de culturas e a previsão de safras são informações importantes para o agricultor e para o governo,

(26)

essenciais para subsidiar decisões relacionadas à produção, estimativas de compra e venda e cálculos de importação e exportação. No Brasil, o IBGE realiza um levantamento de pesquisa que tem por objetivo fazer o censo das regiões de plantio e cultivo, realizado junto às entidades ligadas ao setor agrícola por meio de questionários, abrangendo todo o país. A CONAB faz o acompanhamento da trajetória agrícola do plantio até a colheita, realizando pesquisas de intenção de plantio e colheita, seis vezes durante o ano safra, por meio de enquetes com as entidades ligadas ao agronegócio (CONAB, 2015). Porém, estes métodos de coleta de dados são economicamente onerosos, requerem um tempo elevado para serem realizados e, por serem métodos subjetivos, a confiabilidade fica comprometida (JUNGES e FONTANA, 2009). Como forma de diminuir custos e prazos de execução do monitoramento agrícola e até mesmo melhorar a confiabilidade, o sensoriamento remoto pode ser uma alternativa.

São diversos os satélites e sensores orbitais disponíveis. Há satélites de alta resolução espacial, como o Ikonos, Quick-Bird, Geoeye e Rapideye. De média resolução espacial têm-se: Landsat, Spot e CBERS. De baixa resolução espacial, mas com alta periodicidade temporal, mencionam-se: o AVHRR/NOAA (Advanced Very High Resolution Radiometer / National Oceanic and Atmospheric Administration), o MODIS (Moderate Resolution Imaging Spectroradiometer) e o CBERS/WFI. Nos estudos de áreas agrícolas, o uso de múltiplos sensores pode ser a solução para a continuidade de estudos em longos prazos e situações que necessitam de dados de datas específicas e de maior período de dados gerando resultados melhores. Porém, os sensores têm especificações diferentes que podem levar a resultados equivocados ao se trabalhar com mais de um sensor indiscriminadamente.

O projeto TRMM (Tropical Rainfall Measuring Mission), missão da NASA em parceria com a JAXA (Japan Aerospace Exploration Agency) para estudar a precipitação em pesquisas de tempo e clima, lançou seu satélite em novembro de 1997 e, oficialmente, finalizou suas atividades em abril de 2015 (TRMM, 2015). Foi o primeiro satélite com a função específica de monitoramento de chuvas, obtendo registros em praticamente todo o globo terrestre, exceto os polos, inclusive fornecendo dados para regiões de oceano e abrangendo regiões terrestres, que não dispõem de estações físicas para monitoramento de precipitação de chuvas (KUMMEROW et al., 2000). O produto 3B42 disponibiliza dados diários com resolução temporal de três horas e resolução horizontal de 0,25°x 0,25° (NASA, 2013).

O MODIS é o principal sensor a bordo dos satélites Terra (EOS AM), lançado em dezembro de 1999 e que começou a coletar dados em fevereiro de 2000, e Aqua (EOS PM),

(27)

lançado em maio de 2002, que são Sistemas de Observação da Terra da NASA (National Aeronautics and Space Administration), adequado ao monitoramento de coberturas vegetais. As imagens deste sensor (Figura 1) são de baixa resolução espacial (250m a 1000m) e alta resolução temporal (1 a 2 dias), sendo disponibilizadas gratuitamente na forma de diferentes produtos (MODIS, 2014). Na Figura 2, são apresentados alguns produtos disponíveis do sensor MODIS/Terra.

Figura 1 - Imagem do sensor MODIS/Terra 1Km, tile h13v11.

Figura 2 - Produtos disponíveis do sensor MODIS.

(28)

O AVHRR é um sensor a bordo dos satélites da série NOAA, geridos pelo NESDIS (National Environmental Satellite Data and Information Service) em cooperação com a NASA. As imagens deste sensor (Figura 3) são de baixa resolução espacial (1,1km) e alta resolução temporal (diárias) sendo disponibilizadas gratuitamente (NOAA, 2014). O sensor AVHRR pode ser aplicado na área de agricultura, principalmente em estimativas de biomassa, índices de vegetação e monitoramento de queimadas.

Figura 3 - Imagem do sensor AVHRR/NOAA com recorte do estado de São Paulo.

Com o avanço do sensoriamento remoto nos últimos anos, estão disponíveis grandes conjuntos de imagens, devido à alta resolução temporal de alguns satélites como o MODIS/Terra e o AVHRR/NOAA. Isto permite a construção de séries temporais de imagens de satélites (SITS), nas quais há informações de espaço e tempo agregadas que podem ser aplicadas no monitoramento da dinâmica de vegetação, inclusive com foco na agricultura (JULEA et al., 2011). Petitjean et al. (2012) mostraram que as SITS são interessantes para melhorar a precisão da classificação da cobertura da terra.

O NDVI (Índice de Vegetação da Diferença Normalizada), proposto por Rouse et al. (1973), é um índice de vegetação que tem sido muito utilizado ao longo do tempo. É um índice de razão, que não sofre alteração de acordo com a luminosidade, sendo um indicador numérico que permite analisar dados de sensoriamento remoto de forma a identificar áreas com vegetação em relação às demais áreas e também é capaz de medir a quantidade e a

(29)

condição da vegetação em uma determinada área, pois quanto maior o valor do índice, que varia de -1 a 1, maior é a quantidade de biomassa verde. É um índice simples, da diferença entre a refletância no infravermelho próximo e no visível sobre a soma destas refletâncias, definido pela Equação 2:

NDVI = (ρNIR – ρR)/(ρNIR + ρR) (2)

onde ρNIR = Refletância no infravermelho próximo (0,75 – 0,90 µm) e ρR = Refletância no vermelho (0,63 – 0,70 µm).

No contexto das diferentes especificações dos sensores e suas implicações, há alguns trabalhos na literatura que apresentam comparações de dados de diferentes sensores. No Japão, uma comparação do NDVI de quatro sensores foi realizada mostrando que há concordância entre o NDVI do AVHRR e do MODIS e entre o NDVI do ETM+ (Enhanced Thematic Mapper Plus) e do ASTER (BUHEAOSIER et. al, 2003). Uma comparação do NDVI do MODIS e do AVHRR com imagens de 2002 e 2003 apresentou resultados bastante semelhantes para os dados de NDVI, quando amostrados em intervalos de tempo, áreas espaciais e tipos de cobertura de terra semelhantes (GALLO et. al, 2005). Dois trabalhos de comparação do NDVI dos sensores AVHRR/NOAA e MODIS/Terra foram realizados utilizando métodos de regressão (FENSHOLT e SANDHOLT, 2005 e JI et al., 2008). O estudo que foi realizado para uma região semiárida no Senegal concluiu que o NDVI foi melhor emulado pelo MODIS do que pelo AVHRR (FENSHOLT e SANDHOLT, 2005). O trabalho, que teve como área de estudo os Estados Unidos, concluiu que a continuidade de séries temporais NDVI de AVHRR para MODIS é satisfatória (JI et al., 2008). Fensholt et al. (2009) compararam dados de NDVI do AVHRR/GIMMS e MODIS/Terra para a região do Sahel, buscando padrões por meio de análises de consistência, concluindo que o resultado dos padrões encontrados são diferentes para áreas semiáridas e áreas mais úmidas. Fensholt e Proud (2012) analisaram dados de NDVI do AVHRR/GIMMS e MODIS/Terra em escala global, utilizando métodos de regressão linear. Os autores encontraram as maiores diferenças no hemisfério Sul (América do Sul e Austrália) e no norte do Ártico e concluíram que há compatibilidade global entre MODIS e GIMMS NDVI, mas com variações específicas da classe de cobertura do solo (dentro da classe e entre classes). Uma comparação de dados de índices de vegetação dos sensores MODIS e Vegetation 2 mostrou que mesmo os dados sendo de natureza similar e tendo pouca defasagem temporal eles não puderam ser considerados

(30)

correlacionados (PONZONI et al., 2013). Gonçalves et al. (2013) encontraram resultados satisfatórios em uma comparação do AVHRR/NOAA com o MODIS/Terra em áreas produtoras de cana-de-açúcar.

Há diferenças na formulação dos produtos gerados pelos diferentes sensores, levando a diferença nos valores do NDVI oriundos do AVHRR/NOAA e do MODIS, em função do ajuste da influência dos aerossóis aplicado apenas no MODIS (GALLO et al., 2005), das bandas do vermelho e do NIR do AVHRR que são mais amplas do que no MODIS, das imagens AVHRR que são redefinidas a partir de dados com uma resolução de 1,1km no nadir, enquanto as imagens MODIS são agregadas a partir dos dados originais com resolução de 250 m, das diferenças nos horários de captação das imagens, e uma pequena diferença nas técnicas de composição do NDVI (JI et. al, 2008). Na composição do MODIS, há a determinação dos dois maiores valores de NDVI para cada pixel por intervalo composto de 16 dias, sendo que o valor NDVI observado como o mais próximo ao estado crítico é o selecionado para inclusão no produto composto, enquanto a técnica de composição no AVHRR simplesmente seleciona o maior valor NDVI observado para cada pixel por intervalo composto de 16 dias (JI et al., 2008).

A cultura da cana-de-açúcar ocupa grandes extensões territoriais e tem características vegetativas uniformes o que possibilita o uso do sensoriamento remoto em seu monitoramento. Em 2003, o INPE (Instituto Nacional de Pesquisas Espaciais) iniciou o Projeto Canasat, que faz o monitoramento anual utilizando imagens obtidas pelos satélites Landsat, CBERS e Resourcesat-I das áreas plantadas e colhidas da cana-de-açúcar em alguns estados brasileiros, entre eles São Paulo (CANASAT, 2014).

Alguns estudos vêm mostrando potencial de aplicação do sensoriamento remoto no monitoramento da cana-de-açúcar com diferentes objetivos, como identificação de áreas canavieiras e distinção entre cana ano e cana ano-e-meio (RUDORFF et al., 2005; XAVIER et al., 2006), uso de água na irrigação (IMMERZEEL et al., 2008), detecção de doenças específicas como ferrugem amarela (APAN et al., 2004), identificação de diferentes variedades (FORTES e DEMATTÊ, 2006), expansão de áreas plantadas (RUDORFF et al., 2010 e GONÇALVES et al., 2012) e sustentabilidade hídrica da cultura (ZHANG et al., 2015).

Dependendo da resolução do sensor do satélite, o mapeamento da cultura da cana-de-açúcar pode ser feito por meio de interpretação visual, como quando foram utilizadas imagens do sensor TM (Thematic Mapper) e ETM+ a bordo dos satélites Landsat-5 e Landsat-7 com 30 m de resolução espacial por RUDORFF et al., 2005; RUDORFF et al.,

(31)

2010.

Picoli (2006) e Sugawara et al. (2007) estimaram a produtividade da cana-de-açúcar por meio de variáveis agrometeorológicas e espectrais utilizando dados do satélite Landsat, com abrangência local. Picoli et al. (2009) utilizaram o sensor MODIS na estimativa da produtividade da cana-de-açúcar, mas também com abrangência local.

Para mapeamento com abrangência regional, para grandes áreas produtoras de cana-de-açúcar, Vieira et al. (2012) utilizou, com sucesso, mineração de dados em séries temporais do satélite Landsat. Esta técnica também foi utilizada com sucesso por Romani et al. (2011) para auxiliar no monitoramento de safras de cana-de-açúcar, sendo neste trabalho utilizadas imagens do sensor AVHRR/NOAA. Aguiar et al. (2008) concluíram que imagens do sensor MODIS são capazes de monitorar a colheita de cana-de-açúcar.

Neste contexto ressalta-se o papel das SITS, que vêm sendo utilizadas para mapear e monitorar regiões com produção de cana-de-açúcar (GONÇALVES et al.; 2012 VIEIRA et al., 2012), monitorar a expansão da cana-de-açúcar (FERREIRA et al., 2015) e também para estimar sua produção (MOREL et al., 2014; GONÇALVES et al., 2014 e 2015). Gonçalves (2014) utilizou SITS de NDVI do sensor AVHRR/NOAA, do período de 2001 a 2010, para a construção de um modelo matemático de estimativa de produção da cana-de-açúcar no estado de São Paulo, nos quais obteve coeficientes de correlação em torno de 0,9. É necessário que se aprimorem e que se desenvolvam novos métodos e modelos eficientes de monitoramento da cultura da cana-de-açúcar nos quais se utilizem dados de possível obtenção.

2.4 A MINERAÇÃO DE DADOS

À medida que o volume de dados aumenta, a capacidade do ser humano de organizar, filtrar e analisar dados de forma não automática diminui. Desta forma, há uma necessidade crescente de apoio da computação a fim de possibilitar a análise em tempo hábil da grande quantidade de dados disponível. Especialmente em áreas como sensoriamento remoto, meteorologia e climatologia, o volume de dados disponível é da ordem de terabytes. Neste cenário, é possível utilizar o processo de KDD - Knowledge Discovery in Databases que é definido como um “processo, não trivial, de extração de informações implícitas, previamente desconhecidas e potencialmente úteis, a partir dos dados armazenados em um banco de dados” (FAYYAD et al., 1996).

(32)

“a exploração e análise, de forma automática ou semiautomática, de grandes bases de dados com objetivo de descobrir padrões e regras” (BERRY e LINOFF, 1997).

Uma das tarefas de mineração de dados é a de clustering (agrupamento), que é uma tarefa descritiva, de aprendizado não supervisionado, na qual as classes não estão definidas, sendo que ela cria clusters (grupos), identifica padrões, “o mais homogêneo possível em si e mais heterogêneo entre si” (CÔRTES et al., 2002; RAI e SINGH, 2010).

Um método muito utilizado para agrupamento de imagens de satélite é o k-Means (PETIJEAN et al., 2012; VÄDUVA et al., 2013), um algoritmo de agrupamento baseado em particionamento, que consiste em fixar k centroides, de maneira aleatória, sendo um para cada cluster e associar cada indivíduo ao seu centroide mais próximo, recalculando a posição dos centroides com base no centro de gravidade do cluster até o último indivíduo. O número de clusters (k) é fornecido pelo usuário (HAN et al., 2001). Utilizando o valor médio dos elementos de cada grupo, o algoritmo recalcula iterativamente os centroides e redistribui todos os objetos até que não haja mais alterações nos agrupamentos (HAN e KAMBER, 2006). Gonçalves (2014) utilizou, entre outros algoritmos de agrupamento, o K-Means para mapeamento de áreas produtoras de cana-de-açúcar.

Além de contar com a avaliação dos especialistas para a escolha de k e para validar também a qualidade do processo de agrupamento, há o coeficiente de silhueta (do inglês, Silhouette coefficient), que tem demonstrado bons resultados (SCRIVANI et al., 2014 e XAVIER et al., 2011). O coeficiente de silhueta é um método de interpretação e validação de resultados de agrupamentos sendo uma medida que combina coesão e separação. A coesão mede o quanto os objetos dentro de um grupo se aglomeram perto do centro do grupo, enquanto a separação mede o quanto os centros dos agrupamentos estão separados entre si (ROUSSEEUW, 1987). O valor de silhueta varia de -1 a 1, sendo que quanto mais próximo do valor um, melhor é o agrupamento.

(33)

3 METODOLOGIA

3.1 ÁREA DE ESTUDO

A área de estudo definida para este trabalho é constituída pelo estado de São Paulo, que está localizado nas coordenadas 54°00’ e 43°30’ de longitude oeste e 25°30’ e 19°30’ de latitude sul. A escolha de São Paulo deve-se ao fato de ser o estado com a maior área plantada e a maior produtividade de cana-de-açúcar no Brasil. O período de estudo considerado para a realização das análises dos dados climáticos e do índice de vegetação foi de 2003 a 2014.

3.2 DADOS

Foram utilizados dados orbitais obtidos de três satélites: do satélite Terra, NOAA-17 e TRMM. Foram obtidos dois conjuntos de imagens do sensor MODIS tendo sido dois produtos diferentes. Um dos conjuntos de imagens do sensor MODIS foi do produto MOD13A2, com resolução temporal de 16 dias, composição, e resolução espacial de 1Km, para o período de 2003 a 2014, tile h13v11, disponibilizadas pelo Earth Observing System (EOS/NASA) por meio do Land Processes Distributed Active Archive Center (LP-DAAC). O outro conjunto de imagens foi do produto MOD13Q1, com resolução temporal de 16 dias, composição, e resolução espacial de 250m, recorte para o estado de São Paulo, para o período de 2003 a 2014, disponibilizadas pelo Banco de Produtos MODIS da Embrapa Informática Agropecuária (http://www.modis.cnptia.embrapa.br). Ambos os produtos são imagens com valores de NDVI.

Foram utilizadas também imagens com valor de NDVI do sensor AVHRR a bordo do satélite NOAA-17, com resolução temporal de 15 dias e resolução espacial de 1,1km, com recorte para o estado de São Paulo, para o período de 2003 a 2009, disponibilizadas pelo Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura, da Universidade Estadual de Campinas (Cepagri/Unicamp).

O terceiro satélite utilizado foi o TRMM (Tropical Rainfall Measuring Mission) com dados de precipitação por meio do produto TRMM 3B42. Dados de temperatura máxima e mínima foram estimados a partir de estações reais vizinhas aos pontos de grade do satélite TRMM pelas equações apresentadas por Pinto et al. (1972). Os dados estimados de temperatura foram obtidos no sistema Agritempo (www.agritempo.gov.br).

(34)

Os dados referentes à área plantada e produção da cana-de-açúcar no estado de São Paulo do período de 2003 a 2014 foram obtidos no SIDRA (Sistema IBGE de Recuperação Automática - www.sidra.ibge.gov.br).

3.3 MÉTODO E ANÁLISE DE DADOS

Para a execução deste trabalho, foram utilizados os recursos computacionais descritos a seguir. A interface disponibilizada pela LP-DAAC, MRTWeb 2.0 foi utilizada para realizar o download, a reprojeção e a conversão de formato de imagens de diversos produtos MODIS (https://mrtweb.cr.usgs.gov/).

O Sistema Envi, que é um software para visualização, exploração, análise e apresentação de dados na área de sensoriamento remoto e SIG, foi utilizado para a conversão de valores de NDVI das imagens MODIS.

O sistema SatImagExplorer, software livre para mineração de dados desenvolvido pelo ICMC da Universidade de São Paulo (USP), em parceria com a Embrapa Informática Agropecuária e o Cepagri/Unicamp (CHINO et al., 2010), foi utilizado para a extração das séries temporais e realização dos agrupamentos.

O R, software livre desenvolvido e mantido pela Foundation for Statistical

Computing (http://www.r-project.org), foi utilizado para cálculos matemáticos e análises

estatísticas.

O método utilizado nesta pesquisa foi dividido em duas fases:

Fase 1: Comparação das séries temporais de NDVI dos sensores AVHRR/NOAA e MODIS/Terra;

Fase 2: Geração do modelo para estimativa da produção de cana-de-açúcar.

3.3.1 Fase 1: Comparação das séries temporais de NDVI dos sensores AVHRR/NOAA e MODIS/Terra

A Figura 4 apresenta o fluxograma geral das principais atividades desenvolvidas na primeira fase da metodologia utilizada para atender aos três primeiros objetivos específicos descritos no item 1.2.2. Ela apresenta as imagens utilizadas como dados de entrada, o software SatImag Explorer utilizado para extração das séries temporais e mineração dos

(35)

dados, que resultaram em uma base de dados com informações geradas em formato de mapas, gráficos e planilhas com valores de NDVI. As planilhas foram analisadas com técnicas estatísticas que resultaram em outros gráficos e tabelas.

A Fase 1 foi composta pelas etapas seguintes:

Etapa 1: Aquisição e preparação das imagens dos sensores AVHRR, MODIS 1Km e MODIS 250m;

Etapa 2: Extração das séries temporais e análise de agrupamento;

Etapa 3: Análise comparativa das séries dos sensores por meio de regressão linear.

Etapa 1: Aquisição e preparação das imagens

A Etapa 1 da Fase 1 corresponde à aquisição das imagens dos sensores AVHRR/NOAA e MODIS/Terra. Para o conjunto de imagens proveniente do sensor MODIS a bordo do satélite Terra, produto MOD13A2 a ferramenta MODIS Reprojection Tool Web

Interface (MRTWeb) do LP-DAAC foi utilizada para a seleção, processamento e download

das imagens, como ilustrado na Figura 5. As imagens têm correções radiométrica, geométrica, atmosférica, projeção cartográfica, valores de NDVI e conversão do formato e são disponibilizadas no recorte de “tiles”, como apresentado na Figura 6.

Os passos prévios na interface MRTWeb 2.0 para solicitar o download foram a escolha do produto MOD13A2, a seleção da região de interesse, São Paulo, localizada no tile h13v11, a escolha do período das imagens (2003 a 2014) a definição de reprojeção e a definição de conversão do formato para o GeoTiff.

(36)

Figura 4 - Fluxograma das atividades para a comparação das séries dos sensores AVHRR/NOAA e MODIS/Terra.

Banco de Dados

I Immaaggeemm##22 IImmaaggeemm##22 Mapas Gráficos Análises Estatísticas Tabelas Gráficos AVHRR/

NOAA MODIS_1Km MODIS250 m I Immaaggeemm##11 I Immaaggeemm##22 Imagem n ... Imagem n1 ... Imagem n2 ... I Immaaggeemm##11 _I_I_m_m_a_a_g_g_e_e_m_m_#_#₁₁ _{SatImag Explorer}

(37)

Figura 5 - Página inicial da interface MRTWeb 2.0.

Figura 6 - Grade de “tiles” do sensor MODIS.

Fonte: MODIS (2015).

Para o segundo conjunto de imagens proveniente do sensor MODIS/Terra, produto MOD13Q1, foi feita a conversão dos valores do NDVI das imagens MODIS para -1 a 1, realizada no software Envi, deixando assim as imagens prontas para a extração das séries temporais.

As imagens provenientes do sensor AVHRR a bordo do satélite NOAA-17 foram previamente processadas por meio do sistema NAVPRO, conforme descrito por Antunes (2005) e Esquerdo (2007). As imagens dispõem de correções radiométrica, geométrica,

(38)

atmosférica, projeção cartográfica, valores de NDVI e conversão do formato.

Etapa 2: Extração das séries temporais e análise de agrupamento

Na etapa 2 da Fase 1 do trabalho, foram selecionados os municípios grandes produtores de cana-de-açúcar do estado de São Paulo (Figura 7). Nas análises preliminares, foram escolhidos três municípios: Barretos, Piracicaba e Ribeirão Preto. Para a execução do trabalho final foram acrescentados mais quatorze municípios: Bebedouro, Capivari, Guaíra, Jaboticabal, Jaú, Maracaí, Morro Agudo, Paraguaçu Paulista, Penápolis, São Carlos, São Simão, Tarumã e Valparaíso.

Figura 7– Mapa do estado de São Paulo com destaque para os 17 municípios analisados.

Para esta etapa, foram utilizadas as imagens com valor de NDVI do sensor MODIS/Terra e do sensor AVHRR/NOAA do período de 2003 a 2009. Este período foi definido pela disponibilidade de imagens do sensor AVHRR/NOAA.

Nas análises preliminares, foi realizada a extração das séries temporais de NDVI de ambos os sensores, AVHRR/NOAA e MODIS/Terra. No entanto para o sensor

(39)

MODIS/Terra só foram utilizadas as imagens do produto MOD13A2 com resolução espacial de 1Km, gerando grandes conjuntos de dados de 3.173 séries para o AVHRR/NOAA e 3.701 séries para o MODIS/Terra 1Km. Na execução final do trabalho, foram acrescentadas a extração das séries temporais do produto MOD13Q1 com resolução espacial de 250m do sensor MODIS/Terra.

Os três conjuntos de imagens resultaram no processamento total de 490 imagens, sendo 24 imagens por ano do AVHRR/NOAA, 23 imagens por ano do MODIS/Terra 1Km e 23 imagens por ano do MODIS/Terra 250m. Tanto a extração das séries temporais como os agrupamentos foram executados com o número total de pixels das imagens.

Também foi realizada a extração de séries temporais de NDVI e o agrupamento para o conjunto de imagens AVHRR/NOAA utilizando uma máscara de pontos (latitude e longitude) do MODIS/Terra 1Km. Para a realização dos dois processos desta etapa, de extração das séries temporais e de mineração dos dados, foi utilizado o software SatImagExplorer (Figura 8). Nele, tem-se a vantagem de trabalhar diretamente com as séries de imagens dos satélites. Após a inserção delas, foi realizada a inclusão da área de interesse, que pode ser por pontos, polígonos ou shapes. Foram utilizados arquivos em formato shape do estado de São Paulo. Os próximos passos foram selecionar a região de interesse, definir alguns parâmetros e extrair dados das séries temporais de imagens.

Em seguida, foi escolhida a tarefa de mineração de dados a ser utilizada, neste caso, agrupamento. Depois, definiu-se o algoritmo, sendo que, foi utilizado o K-means. Definiu-se também a função de distância, euclidiana. Por último, foi feito o ajuste dos parâmetros necessários, como a escolha do número de grupos.

Os resultados foram gerados em planilhas que podem ser visualizadas ou salvas, sendo possível ter uma planilha com os dados extraídos e outra dos grupos gerados (Figura 9). Os resultados também foram apresentados em um mapa geoespacializado e em dois gráficos temporais.

Na análise preliminar, foi utilizado o k=6 e foram extraídas as séries e realizados os agrupamentos para cada ano de imagem individualmente, de 2003 até 2009 e também para o período todo, isto é, de 2003 a 2009. A adequação do valor de k foi conferida pelo coeficiente de silhueta.

No trabalho final, com os dezessete municípios, a extração das séries temporais e os agrupamentos foram realizados apenas para o período todo do estudo, isto é, de 2003 a 2009. Foram realizados alguns testes com diversos valores de k entre 4 e 7 e, para a escolha e validação do melhor k, foi calculado o coeficiente de silhueta. Assim sendo, definiu-se para o

(40)

trabalho, de acordo com os resultados do coeficiente de silhueta e sugestões de especialistas em agrometeorologia, o valor de k igual a 5.

(41)

Figura 8 - Principais passos de funcionamento do software SatImag Explorer.

1º Entrada das Imagens

_{2º Inserção do shape}

_{3ºEscolha da região}

4º Definição de parâmetros para extração dos dados

5º Definição de parâmetros para agrupamento

(42)

(43)

Etapa 3: Análise comparativa

Para realizar esta etapa de comparação do NDVI dos sensores, os quatro conjuntos de dados com valores de NDVI originalmente extraídos em dados quinzenais foram convertidos para valores mensais de NDVI.

Com os valores mensais de NDVI, foram feitas as análises estatísticas de correlação de Pearson e regressão linear para comparar os seguintes conjuntos: AVHRR/NOAA com MODIS/Terra 1Km; AVHRR/NOAA com MODIS/Terra 250m; e AVHRR/NOAA usando uma máscara de pontos (latitude e longitude) do MODIS/Terra 1Km com MODIS 1Km.

Para finalizar esta etapa, foram criadas cinco classes indicativas da magnitude da correlação: 1 para correlação muito fraca, 2 para correlação fraca, 3 para correlação moderada, 4 para correlação forte e 5 para correlação muito forte. Foram gerados mapas e gráficos para apresentar os resultados.

3.3.2 Fase 2: Geração do modelo para estimativa de produção

A Figura 10 apresenta o fluxograma geral das principais atividades desenvolvidas na segunda fase da metodologia utilizada para atender ao quarto e último objetivo específico descrito no item 1.2.2. O fluxograma apresenta as duas etapas utilizadas nesta fase, as variáveis utilizadas como entrada para o processo de análise de regressão linear múltipla, que resultaram em modelos que fornecem as informações para a geração de mapas de previsão de produção.

A primeira etapa consistiu na conversão dos dados climáticos orbitais em dados mensais, que alimentaram a planilha para cálculo do balanço hídrico, gerando os dados de evapotranspiração. Na segunda etapa, os dados de evapotranspiração foram utilizados para cálculo do ISNA que junto com o NDVI e dados da cultura foram analisados estatisticamente pelo método de regressão linear múltipla, gerando os modelos matemáticos de estimativa de produção da cana-de-açúcar.

Para a segunda fase, as variáveis utilizadas foram: ISNA, NDVI, área plantada e produção de cana-de-açúcar. Elas foram selecionadas para compor o modelo de previsão de produção de cana-de-açúcar seguindo a metodologia proposta por Gonçalves (2014), no qual foi utilizado o NDVI do sensor AVHRR/NOAA. O período de estudo nesta fase foi ampliado,