Avaliação da seca em cana-de-açúcar utilizando imagens de sensoriamento remoto

UNIVERSIDADE ESTADUAL DE CAMPINAS

Faculdade de Engenharia Mecânica

DANIEL GARBELLINI DUFT

Avaliação da Seca em Cana-de-Açúcar

Utilizando Imagens de Sensoriamento

Remoto

CAMPINAS

DANIEL GARBELLINI DUFT

Avaliação da Seca em Cana-de-Açúcar

Utilizando Imagens de Sensoriamento

Remoto

Orientador: Profª. Drª. Michelle Cristina Araujo Picoli

CAMPINAS

2016

Dissertação de Mestrado apresentada à Faculdade de Engenharia Mecânica da Universidade Estadual de Campinas como parte dos requisitos exigidos para obtenção do título de Mestre em Planejamento de Sistemas Energéticos.

ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA DISSERTAÇÃO DEFENDIDA PELO ALUNO DANIEL GARBELLINI DUFT, E ORIENTADA PELA PROFA. DRA MICHELLE CRISTINA ARAUJO PICOLI

FICHA CATALOGRÁFICA ELABORADA PELA

BIBLIOTECA DA ÁREA DE ENGENHARIA - BAE - UNICAMP

UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE ENGENHARIA MECÂNICA

COMISSÃO DE PÓS-GRADUAÇÃO EM ENGENHARIA

MECÂNICA

PLANEJAMENTO DE SISTEMAS ENERGÉTICOS

DISSERTAÇÃO DE MESTRADO ACADEMICO

Avaliação da Seca em Cana-de-Açúcar

Utilizando Imagens de Sensoriamento

Remoto

Orientadora: Michelle Cristina Araujo Picoli

A Banca Examinadora composta pelos membros abaixo aprovou esta Dissertação:

Profª. Dra. Michelle Cristina Araujo Picoli, Presidente - FEM/UNICAMP Prof. Dr. Jansle Vieira Rocha - FEAGRI/UNICAMP

Dr. Guerric Beaudouin Cathel Marie Le Maire - CIRAD

A Ata da defesa com as respectivas assinaturas dos membros encontra-se no processo de vida acadêmica do aluno.

Dedicatória

A meus pais Roberto e Solange por acreditarem no meu potencial sempre.

Agradecimentos

Agradeço a todos que de alguma forma colaboraram para a elaboração e conclusão deste trabalho. Além disso, agradeço à minha orientadora Drª Michelle C. A. Picoli por toda a orientação, dedicação, empenho com o trabalho e também por toda a paciência e compreensão com os momentos difíceis enfrentados nessa jornada.

Também agradeço a todos os colegas de trabalho que auxiliaram de alguma forma para a conclusão deste trabalho. Em especial a Thayse A. D. Hernandes pela presteza e suporte nos momentos chave e ao Dr. Manoel Régis L. V. Leal pela motivação em estudar o setor sucroenergético. Além disso, a Núria A. M. Rampazzo e a Cauã G. Miranda por estarem sempre dispostos a colaborar.

Ao doutor Gabriel C. Blain pela ajuda com os dados meteorológicos, ao Dr. Julio C. D. M. Esquerdo pelas extrações das imagens MODIS e ao doutor Guerric le Maire pelo auxílio com o cálculo dos índices.

Por fim agradeço ao CTBE (Laboratório Nacional de Ciência e Tecnologia do Bioetanol) e a FAPESP (2014/17090-5) pelo apoio e suporte financeiro para a elaboração do trabalho.

Resumo

O aquecimento do sistema climático global que ocorre desde 1950 é considerado atualmente inequívoco e muitas das mudanças observadas não têm precedentes. Neste cenário, a produção de combustíveis a partir de biomassa, como da cana-de-açúcar, para o setor de transporte tem se tornado uma alternativa cada vez mais explorada em vários países do mundo no intuito de mitigar esse problema. Os produtos derivados de cana-de-açúcar representam 18,1% da matriz energética brasileira e Brasil destaca-se como um dos líderes mundiais no desenvolvimento de tecnologias de produção e uso do etanol combustível. Desde 2005 até 2015, a produção de etanol vem aumentando a uma taxa média de 8% ao ano, com uma expansão da área plantada de cana-de-açúcar de cerca de 6 milhões para 10 milhões de hectares em dez anos.

Porém, o efeito das mudanças do clima, como a seca, já vem sendo observado. Um exemplo foi o que ocorreu nas safras 2009/10 e 2014/15 em que houve uma queda na produtividade na cana-de-açúcar também notada por conta da seca atípica nesses anos. O desenvolvimento de metodologias que possibilitem aos agricultores realizar um planejamento ao longo da safra em termos de aplicação de insumos, planos de irrigação, programação de colheita, entre outros, bem como de estimar a produção da mesma são instrumentos chave para adaptação às mudanças nos regimes de temperatura e precipitação em curso. Entre as várias ferramentas para quantificação e monitoramento de seca, os índices baseados em observações climáticas, meteorológicas e em sensoriamento remoto tem se mostrado muito promissores. A definição de soluções e normas padronizadas pode ser aplicada utilizando técnicas de geoprocessamento, as quais permitem a integração de dados de diversas fontes no contexto espaço-temporal para uma análise da paisagem em diferentes escalas. Portanto, este trabalho buscou mostrar que os índices, derivados de dados de sensores remotos, desenvolvidos para detectar e monitorar: vigor vegetativo, incidência de chuvas e umidade das culturas, podem ser utilizados para avaliar o impacto das mudanças do clima na cana-de-açúcar e qual é o índice mais indicado para essa cultura. Foi observado que os índices GVMI e NDI6 tem uma melhor resposta para a análise temporal e os índices NDWI e SRWI para uma análise espacial e que em conjunto podem detectar eventos de seca na cana-de-açúcar.

Abstract

The global climate system warming is occurring since 1950, it is considered currently clear, and many of the observed changes are unprecedented. In this scenario, the biofuels production, such as the one from sugarcane, for the transport sector, has become an alternative increasingly exploited in many countries in order to mitigate this problem. The products derived from sugarcane represent 18.1% of the Brazilian energy matrix and Brazil stands out as a world leader in the development of production technologies and use of ethanol fuel. From 2005 to 2015, ethanol production has increased at an average rate of 8% per year, with an expansion of the area planted with sugarcane from about 6 million to 10 million hectares in ten years.

However, the effect of climate change such as drought, has already been observed. An example is what happened in the 2009/10 and the 2014/15 season when there was a drop in productivity in sugarcane also noted due to the atypical drought in these years. The development of methodologies that enable farmers to carry out a plan along the crop in terms of application, irrigation schemes, crop programming, among others, as well as to estimate the production of the same are key instruments for adaptation to changes in temperature and current precipitation. Among the tools for measuring and monitoring drought indices based on climatic and meteorological observations and remote sensing has been very promising. A different methodological approach that allows diagnosis as well as the definition of standard solutions and standards can be applied using geoprocessing techniques, which enable the integration of data from many sources in space-time context for a landscape analysis in different scales. Therefore, this study aimed to show that the indices derived from remote sensing data, designed to detect and monitor vegetative vigor, rainfall and crops moisture can be used to assess the impact of climate change on sugarcane and what is the most appropriate index for this crop. It was observed that the GVMI and NDI 6 indices have a better answer to the temporal analysis and NDWI and SRWI indexes for spatial analysis and together can detect drought events in sugarcane.

Lista de Ilustrações

Figura 1.1 Produção de cana-de-açúcar e etanol no Brasil de 1980 a 2015...14

Figura 2.1 Estágios de crescimento da cana...19

Figura 2.2 Evapotranspiração de todo estágio de crescimento e a queda de produtividade.20 Figura 2.3 Evapotranspiração em cada estágio de crescimento e a queda de produtividade20 Figura 2.4 Comportamento de índices de vegetação do sensor MODIS...20

Figura 2.6 Comportamento espectral de alvos...22

Figura 3.1 Mapa de situação do estado de São Paulo...27

Figura 3.2 Fluxograma da Dissertação...28

Figura 4.1.1 Sugarcane Map of 2013...33

Figura 4.1.2 EOS Satellites - Source: NASA………...……36

Figura 4.1.3 Procedure to process all the images for drought map design………...…...36

Figura 4.1.4 Layers in a GIS...37

Figura 4.2.1 SPI para o período mensal...50

Figura 4.2.2 SPI para o período trimestral...50

Figura 4.2.3 Gráficos de dispersão dos índices espectrais em função do SPI mensal...51

Figura 4.2.4 Distribuição da chuva ao longo do ano pela normal climatológica...54

Lista de Tabelas

Tabela 2.1 Índices espectrais para monitorar seca...24

Tabela 2.2 Classe de SPI por valores...27

Tabela 4.1.1 SPI classes by values………...……….35

Tabela 4.1.2 Indices used to assess drought in vegetation………...……...…..36

Tabela 4.2.1 Índices espectrais utilizados...48

Tabela 4.2.2 Correlações em cada ID do ECMWF...56

Lista de Abreviaturas e Siglas

IPCC Intergovernmental Panel on Climate Change EPE Empresa de Pesquisa Energética

REN21 Renewable Energy Policy Network for the 21st Century UNICA União da Indústria da Cana-de-Açúcar

PDSI Palmer Drought Severity Index CMI Crop Moisture Index

SWI Surface Water Supply Index

NDVI Normalized Difference Vegetation Index CWSI Crop Water Stress Index

AVHRR Advanced Very High Resolution Radiometer NOAA National Oceanic and Atmospheric Administration

TM Thematic Mapper

ETM+ Enhanced Thematic Mapper AHS Airborne Hyperspectral Scanner SWIR shortwave infrared

NIR near infrared

LWCI Leaf Water Content Index

NDWI Normalized Differences Water Index GVMI Global Vegetation Moisture Index

Sumário

2.3. Índices Provenientes de Sensoriamento Remoto ... 22

2.4. SPI ... 23 3 METODOLOGIA GERAL ... 27 3.1. Área de estudo ... 27 3.2. Fluxograma da Dissertação... 28 3.3. Sensor MODIS ... 29 4 RESULTADOS ... 30

4.1 ARTIGO 1: Metodologia para monitoramento da seca para o planejamento energético brasileiro ... 30

4.1.1 Introduction ... 31

4.1.2. Identification of production areas ... 32

4.1.3. Anomalies Check in Precipitation Rates ... 33

4.1.4. Analysis of drought by indices using satellite images ... 35

4.1.5. Geographic Information System (GIS) as a tool ... 37

4.1.6. Drought impacts report and Brazilian energy plan ... 38

4.1.7. Conclusions ... 38

4.1.8. References ... 39

4.2 ARTIGO 2: Avaliação do desempenho de índices de seca do sensor MODIS na cana-de-açúcar ... 43 4.2.1 Introdução ... 44 4.2.2 Materiais e Métodos ... 47 4.2.3 Resultados e Discussão ... 50 4.2.4 Conclusão ... 58 4.2.5 Agradecimentos ... 59 4.2.6 Referências ... 59 5 DISCUSSÃO GERAL ... 63 6 CONCLUSÃO GERAL ... 63 Referências ... 65

1 INTRODUÇÃO

O aquecimento do sistema climático global que ocorre desde 1950 é considerado atualmente inequívoco e muitas das mudanças observadas não têm precedentes. Atmosfera e oceanos estão mais quentes, as quantidades de gelo e neve diminuíram, o nível dos mares aumentou e as concentrações dos gases de efeito estufa na atmosfera continuam crescendo (IPCC, 2014). Neste cenário, a produção de combustíveis a partir de biomassa, como da cana-de-açúcar, para o setor de transporte tem se tornado uma alternativa cada vez mais explorada em vários países do mundo no intuito de mitigar esse problema. Atualmente, biocombustíveis são utilizados como aditivos e substitutos da gasolina e diesel. Muitas nações, entre as quais os Estados Unidos, a Comunidade Europeia, China e Índia, projetam que cerca de 5% do transporte rodoviário será abastecido com combustível bioderivado nesta década (Timilsina, 2014).

Macedo et al. (2008) mostra que o balanço de carbono do etanol vindo de cana-de-açúcar é de 90% menos que as emissões dos combustíveis fósseis e que o balanço de energia mostra um potencial de o etanol produzir até 12 vezes a quantidade de energia fóssil consumida.

Os produtos derivados de cana-de-açúcar representam 18,1% da matriz energética brasileira (EPE, 2015). Analisando essa matriz é possível observar que em 2015 43,5% da energia produzida no Brasil foi renovável, sendo que 41,6% dessa energia renovável foi proveniente de cana-de-açúcar.

O Brasil destaca-se como um dos líderes mundiais no desenvolvimento de tecnologias de produção e uso do etanol combustível (REN21, 2012), com um quarto do transporte rodoviário sendo sustentado pelo uso de etanol derivado da fermentação da cana-de-açúcar (Ballester et al., 2010). Desde 2005 até 2015, a produção de etanol vem aumentando a uma taxa média de 8% ao ano, com uma expansão da área plantada de cana-de-açúcar de cerca de 6 milhões para 10 milhões de hectares em dez anos (UNICA, 2015).

Porém, o efeito das mudanças do clima, como a seca, já vem sendo observado. Sabe-se que entre os vários fatores físicos, bióticos e antrópicos que afetam a produtividade da cana-de-açúcar está a falta de disponibilidade hídrica, normalmente associada a longos períodos de estiagem durante a estação chuvosa, sendo uma das principais causas da queda na produção da cana-de-açúcar (Maciel et al., 2009).

Um exemplo foi o que ocorreu no período de colheita da safra 2009/10 e na safra 2014/15 (Figura 1.1), as chuvas incomuns para a época, seguidas por um longo período de seca na safra 2010/11 resultaram em uma diminuição expressiva da produtividade no período (Walter et al., 2014). Na safra 2014/15 houve uma queda na produtividade na cana também notada por conta da seca atípica no ano. Para os meses de dezembro, janeiro e fevereiro, desta safra, os níveis de precipitação foram 60% menores que a normal climatológica (INMET, 2016)

De acordo como o 5to _{relatório do Painel Intergovernamental de Mudanças} Climáticas (IPCC, 2014), eventos desta natureza deverão se tornar cada vez mais frequentes e intensos. Projeta-se que em muitas regiões haverá um aumento da quantidade de terras suscetíveis à seca e calor excessivos, impactando em um decréscimo na quantidade de terras cultiváveis (Heffernan, 2013). Portanto, a manutenção da produção agrícola (incluindo a cana-de-açúcar) e mesmo sua expansão dependem de medidas de gestão e políticas públicas que permitam a adaptação às mudanças em curso.

Figura 1.1: Produção de cana-de-açúcar e etanol no Brasil de 1980 a 2015. Fonte: UNICA, 2016.

Para tal, o desenvolvimento de metodologias que possibilitem aos agricultores realizar um planejamento ao longo da safra em termos de aplicação de insumos, planos de irrigação, programação de colheita, entre outros, bem como de estimar a produção da mesma são instrumentos chave para adaptação às mudanças nos regimes de temperatura e precipitação em curso. A disponibilidade de dados confiáveis, que consigam monitorar em tempo real as culturas e indicar se estas estão sendo prejudicadas pela seca, são fundamentais para a tomada de decisão pelos produtores. Isto iria favorecer não só agricultores, mas também daria suporte às políticas públicas.

Entre as várias ferramentas para quantificação e monitoramento de seca, os índices baseados em observações climáticas e meteorológicas tais como: Índice de Severidade de Seca de Palmer (Palmer Drought Severity Index - PDSI) (Palmer, 1965), Índice de Umidade da Cultura (Crop Moisture Index - CMI) (Palmer, 1968), Índice de Abastecimento de Água de superfície (Surface Water Supply Index – SWI) (Shafer e Dezman, 1982), Índice Padronizado Precipitação (Standardized Precipitation Index –SPI) (McKee et al., 1993 e 1995), têm se mostrado bastante úteis.

Manatsa et al. (2010) utilizaram o SPI para tratar várias características das secas agrícolas no Zimbabwe, África. Zhai et al. (2010) demonstraram que o SPI pode ser usado para descrever possíveis tendências de condições de seca e de alagamento nas regiões da China e em outros países. No entanto, estudos sobre mudanças climáticas, como o de Dubrovsky et al. (2008), concluíram que o PDSI é mais adequado que o SPI para avaliar os potenciais impactos do aquecimento global sobre as secas futuras, pois se baseia apenas em dados de precipitação.

Blain e Brunini (2007) observaram que índices que quantificam a seca sob o ponto de vista meteorológico, como o SPI e o PDSI adaptado, são restritos à escala temporal maior ou igual à mensal. Em pequenos intervalos de tempo (10 dias, por exemplo), a grande variabilidade temporal da precipitação dificulta o estabelecimento de um patamar esperado e consistente, que possa ser usado no cálculo de uma possível anomalia ou déficit. A tentativa de estimativa decendial dessas ferramentas resultará em valores numéricos que não apresentam correlação com parâmetros da seca agrícola ou meteorológica. Além disso, estes índices têm como limitante para seu cálculo o uso de dados que geralmente não estão disponíveis em tempo real na maior parte do Brasil, como a evapotranspiração. Portanto, não se mostram adequados para a realização do monitoramento da seca.

Entre as ferramentas desenvolvidas nas últimas décadas para aprimorar o cálculo e o monitoramento da seca, o sensoriamento remoto tem se mostrado muito promissor. Para tal, são utilizados índices de vegetação, de seca e de umidade, dados de temperatura de superfície extraídos de imagens de satélite e métodos empíricos usando a combinação desses dados (Ghulam et al., 2007).

O Índice de Vegetação por Diferença Normalizada (Normalized Difference Vegetation Index – NDVI; Tucker, 1979), tem sido amplamente utilizado para monitorar a condição da vegetação. Yang et al. (1998) identificaram correlações significativas entre o NDVI, calculado anualmente ou mensalmente, e a seca relacionada aos fatores climáticos. O trabalho de Tadesse et al. (2005) revelou que o NDVI, apesar de ser um indicador eficaz de umidade e das condições da vegetação, apresenta uma defasagem entre a ocorrência de uma seca e a mudança nos seus valores, sendo, um indicativo que este índice não é apropriado para monitorar as condições de seca de uma cultura em tempo real.

Um indicador eficaz de estresse hídrico da vegetação pode ser obtido pela relação entre a temperatura do dossel menos a temperatura do ar (Idso et al., 1981; Jackson et al.,1988), conhecido como Índice de Estresse Hídrico da Cultura (Crop Water Stress Index – CWSI). O CWSI tem sido utilizado para detectar a demanda de água da planta usando imagens termais (Ghulam, et al., 2007), como nos trabalhos de Tian et al. (1990) que utilizaram dados do sensor Advanced Very High Resolution Radiometer (AVHRR) a bordo do satélite NOAA; o de Moran et al. (1994) que utilizaram dados dos sensores Landsat Thematic Mapper (TM) e do Enhanced Thematic Mapper Plus (ETM+); e Sepulcre-Canto et al. (2006) que usaram o sensor Airborne Hyperspectral Scanner (AHS).

A refletância na faixa do infravermelho médio (shortwave infrared – SWIR) é caracterizada por feições relacionadas ao domínio da água na estrutura foliar da planta, já a refletância no infravermelho próximo (near infrared – NIR) é controlada pela estrutura anatômica da folha. A combinação da resposta espectral da superfície nesses dois comprimentos de onda, SWIR e NIR, tem sido usada para calcular índices que são sensíveis ao conteúdo de água como: o Índice de Conteúdo Água na Folha (Leaf Water Content Index – LWCI (Hunt e Rock, 1987), o Índice de Água por Diferença Normalizada (Normalized Differences Water Index – NDWI) (Gao, 1996), o Índice Global de Umidade da Vegetação (Global Vegetation Moisture Index – GVMI) (Ceccato et al., 2002), entre outros.

Estes e outros índices têm provado serem eficazes na detecção e no monitoramento da seca, principalmente em escalas regionais, pois variam não só com a sazonalidade da planta, mas também no espaço, sendo adequados para detecção de variabilidade espacial no campo (Viña et al., 2011). Outra vantagem do uso desses índices é que alguns deles possibilitam determinar o risco de incêndios florestais (Bowyer e Danson, 2004; Danson e Bowyer, 2004; Chen et al., 2005), bem como obter informações precisas sobre seca permitindo modelar o crescimento das culturas e, portanto, estimar com maior precisão a produtividade das mesmas (Savage, 2013).

Uma abordagem metodológica distinta que permite o diagnóstico e planejamento ambiental, bem como a definição de soluções e normas padronizadas pode ser aplicada utilizando técnicas de geoprocessamento, as quais permitem a integração de dados de diversas fontes no contexto espaço-temporal para uma análise da paisagem em diferentes escalas. Portanto, este estudo buscou mostrar que os índices, derivados de dados de sensores remotos, desenvolvidos para detectar e monitorar: vigor vegetativo, incidência de chuvas e umidade das culturas, podem ser utilizados para avaliar o impacto das mudanças do clima na cana-de-açúcar e qual é o índice mais indicado para essa cultura.

1.1. Objetivos

Considerando que os índices anteriormente citados foram desenvolvidos para outras culturas, este projeto teve como objetivo principal investigar se através dos índices espectrais, é possível verificar, estimar a ocorrência e duração dos eventos de seca na cultura da cana-de-açúcar. Os objetivos específicos são:

i) Gerar uma metodologia para detecção da seca na cana-de-açúcar para que se possa avaliar a disponibilidade de biomassa e seus impactos no planejamento energético brasileiro;

ii) Identificar qual índice tem maior representatividade para o estado de São Paulo para detectar a seca em cana-de-açúcar de maneira eficiente.

2 REVISÃO BIBLIOGRÁFICA

2.1. Fisiologia da Cana-de-Açúcar

A cana-de-açúcar é uma planta classificada como C4, essa classificação é por conta da forma que a concentração de CO2 nas células do mesófilo mobiliza as moléculas de CO2 e transporta-as na forma de uma molécula de quatro carbonos na descarboxilação das células da bainha vascular (Allen et al., 1985).

Esse mecanismo de concentração de CO2 nas células do mesófilo faz com que as plantas C4 consigam fechar parcialmente os estômatos reduzindo a condutância estomática e a transpiração quando submetidas a elevadas concentrações de CO2. Dessa forma, essas características anatômicas e fisiológicas, faz com que as plantas C4 respondam de modo mais pronunciado à elevação na concentração de CO2 fechando os estômatos mais do que as espécies C3 (Tolbert e Zelich, 1983).

O efeito da elevação da concentração de CO2 na cultura o aumento da eficiência do uso da água pode compensar a queda na disponibilidade de água mantendo a perspectiva de um cenário mais positivo para a cana-de-açúcar cultivada no Cerrado do Brasil (Marin et al., 2012). Por conta disso é preciso monitorar a resposta das plantas em relação ao efeito da seca para que perdas possam ser evitadas.

A cana-de-açúcar tem diferentes necessidades hídricas dependendo do seu estágio de crescimento. A Figura 2.1 mostra os estágios de crescimento da cana definidos pelo boletim técnico da FAO.

Figura 2.1: Estágios de crescimento da cana Fonte: FAO, 2015

Em cada uma das fases de crescimento da cultura existe uma necessidade hídrica. As Figuras 2.2 e 2.3 apresentam a necessidade hídrica em cada um dos estágios de crescimento com relação a produtividade. O eixo x representa a evapotranspiração potencial e da cultura enquanto o eixo y representa a produtividade potencial e de cultura, assim quanto mais a necessidade hídrica for suprida, maior a produtividade. Observa-se que os estágios de estabelecimento (10 a 30 dias) e vegetativo (150 a 350 dias) são os mais penalizados pela seca.

Figura 2.2: Evapotranspiração de todo estágio de crescimento e a queda de produtividade Fonte: FAO, 2015

Figura 2.3: Evapotranspiração em cada estágio de crescimento e a queda de produtividade Fonte: FAO, 2015

Pode-se verificar através de índices de vegetação ou de seca o comportamento da cana-de-açúcar durante os períodos de maior crescimento e estabelecimento para maturação. Para uma melhor compreensão de alguns índices que foram utilizados nesse trabalho, foram separados índices de vegetação e seca calculador a partir de dados do sensor MODIS a bordo do satélite AQUA (MYD) e TERRA (MOD). A Figura 2.4 mostra a média dos valores dos índices espectrais, utilizados nesse trabalho, separados por estágios de crescimento sendo: 1- estabelecimento, 3- ganho de produtividade e 4- maturação.

Figura 2.4: Comportamento de alguns índices de vegetação do sensor MODIS

A partir da Figura 2.4 é possível identificar que cada um dos índices apresenta comportamento diferente para cada um dos estágios de crescimento da cana. Desta forma, se faz necessário um estudo aprofundado para identificar quais os índices que conseguem correlacionar os eventos de seca e os impactos disso na cana.

2.2. Seca

Definir o evento de seca como algo mensurável ainda é um desafio (Dracup et al., 1980). Para diversos autores existem quatro tipos de seca: meteorológica, hidrológica, agrícola e socioeconômica (Wilhite e Glantz, 1987 e Rasmussen et al., 1993).

A seca meteorológica é fruto de um déficit de precipitação pluvial, a hidrológica é uma menor disponibilidade de água, incluindo lençol freático, reservatórios e rios (Wilhite, 2000). Enquanto a seca meteorológica pode iniciar-se rapidamente e acabar da mesma forma, a hidrológica precisa de um período prolongado de déficit de precipitação pluvial, entretanto persistirá por mais tempo que a meteorológica (Heim Junior, 2002).

A seca agrícola está ligada à baixa disponibilidade de umidade no solo, isso faz com que o suprimento de água para as culturas seja insuficiente para repor as perdas pela evapotranspiração (WMO, 1975). O começo de uma seca agrícola e de uma seca meteorológica podem ser bem diferentes, pois a agrícola depende quase exclusivamente da umidade das camadas superficiais do solo e do estádio vegetativo das culturas ali cultivadas (Heim Junior, 2002).

A seca socioeconômica ocorre quando a necessidade de água pela sociedade não for suprida, ou seja, quando a falta de água causa impactos em bens ou serviços (falta de água nas residências, energia elétrica, escassez de alimentos, entre outros) (Keyantash e Dracup, 2004). De acordo com Blain e Brunini (2005) e Wilhite e Glantz (1987), todos os tipos de seca iniciam-se por um déficit de precipitação que faz com que haja uma baixa disponibilidade hídrica para o fim necessário. De acordo com a American Meteorological Society (1997) a escala de tempo de análise e a distribuição espacial dos processos de oferta e demanda hídrica são bases para uma definição adequada de seca e, portanto, de qualquer índice para identificá-la.

2.3. Índices Provenientes de Sensoriamento Remoto

O surgimento dos índices de vegetação veio com Tucker et al. (1979) que normalizaram a razão simples para o intervalo de -1 a +1, propondo o índice de vegetação da diferença normalizada (NDVI). Para alvos terrestres o limite inferior torna-se aproximadamente zero (0) e o limite superior aproximadamente 0,80. Como maioria dos índices de vegetação tendem a ser específicos para uma determinada cultura, em geral não são robustos quando aplicados em diferentes cultivos com diferentes arquiteturas de copa e estruturas foliares (Viña et al., 2011). Desta, forma o grande desafio estudo é encontrar a relação entre a resposta da cultura no campo e a resposta espectral através de diferentes índices.

O comportamento espectral da cana é semelhante ao da vegetação. Na fase de crescimento a cana assemelha-se a vegetação verde, ao iniciar a senescência a no infravermelho médio ocorre a diminuição da intensidade das feições de absorção causadas pela água líquida da matéria viva, também resultante da desidratação (Gausman, 1985). Além dos pigmentos, espaços ocupados pela água e ar e estruturas celulares do mesófilo das folhas, a energia refletida pelas folhas é afetada, também, pelo conteúdo de água, maturação ou idade da folha, a posição nodal, condição de iluminação (expostas ao sol ou constantemente à sombra), a pubescência e a senescência. A Figura 2.5 mostra o comportamento espectral da vegetação verde e senescente.

Figura 2.5: Comportamento espectral de alvos Fonte: Steffen (2000)

Para isto, é necessário calcular índices espectrais que utilizam as bandas do vermelho, infravermelho próximo e infravermelho médio. A função desses índices é monitorar a vegetação e a influência de variáveis climáticas em seu desenvolvimento, esses índices não são sensíveis a mudanças no solo (por ex., umidade) e na atmosfera como mostra Ceccato et al. (2001), portanto suas alterações são respostas das plantas. O uso de bandas espectrais combinadas pode dar informação de conteúdo de água na planta e variações na estrutura interna e de matéria seca. Então foram encontrados oito índices espectrais (Tabela 2.1) para verificar se os mesmos detectam a seca na cana-de-açúcar, como fizeram em outras culturas.

Tabela 2.1: Índices espectrais para monitorar seca.

Índice Fórmula Referência

NDVI Tucker (1979) EVI2 Jiang (2008) GVMI Ceccato (2002) NDI6 Hunt (1989) NDI7 Chuvieco (2002) NDWI Zarco-Tejada (2003) SRWI Gao (1996) MSI Hunt (1989)

*Banda 1: 620-670nm | Banda 2: 841-876nm | Banda 5: 1230-1250nm | Banda 6: 1628-1652nm | Banda 7: 2105-2155nm

2.4. SPI

O SPI é um índice associado à seca meteorológica, que se baseia em dados de precipitação. O SPI utiliza a precipitação normalizada com base nos dados históricos, fornecendo informação do quanto o dado analisado está acima ou abaixo do total precipitado num dado período é em relação ao histórico daquela região.

Alguns autores como Caccamo et al. (2011) e Du et al. (2013) utilizaram o SPI para caracterizar seca. O uso deste índice é prático e eficaz, pois pode apontar eventos de seca meteorológica a partir da série histórica da região em questão

A grande vantagem do SPI é a sua simplicidade, pois não precisas de muitos parâmetros no seu cálculo, não é afetado por diferenças geográficas (Guttman, 1999) e utiliza escalas temporais mais adequadas aos tipos de seca que se queira identificar: seca meteorológica (1 a 2 meses), agrícola (1 a 6 meses) e hidrológica (6 a 24 meses) (WMO, 2012). Inicialmente, para o cálculo do SPI, deve-se definir a escala de tempo a ser adotada, que geralmente varia de 1, 3, 6, 9, 12, 24 ou 48 meses, dependendo do tipo de análise que será realizada. Os dados devem, preferencialmente, ter uma extensão de pelo menos 30 anos, sendo acumulados segundo o período escolhido e ajustados à distribuição Gama (Mckee et al., 1993). O valor do índice é obtido pelo cálculo da normal padrão inversa, o que permite considerar que os valores inferiores a zero representem períodos secos e os superiores úmidos. Desses resultados, segundo McKee et al. (1993), uma situação de seca, para uma determinada escala de tempo, será evidenciada quando o cálculo do SPI for continuamente negativo, atingindo valores de -1 ou inferiores.

O SPI pode ser calculado para diferentes escalas temporais, seguindo a metodologia descrita em Mckee et al. (1993), sendo a distribuição Gama de dois parâmetros (Blain e Brunini, 2007) aplicada para estimar a probabilidade de ocorrência dos dados mensais de precipitação pluvial. A distribuição Gama é definida para uma variável aleatória contínua positiva x pela função de densidade de probabilidade (Equação 2).

(1) em que:

α - parâmetro de forma, > 0 (adimensional); β - parâmetro de escala, > 0 (mm); e

Γ (α) - função Gama de (adimensional).

A função gama Γ(α) na Equação 1 é definida por:

Para a estimativa dos parâmetros e foi utilizado o método da máxima verossimilhança (Thom, 1958), segundo as Equações 3, 4 e 5.

(3)(4)(5) em que:

- média aritmética da precipitação pluvial (mm); e

N - número de observações da série de precipitação (adimensional).

Os resultados dos parâmetros de forma e escala foram utilizados para se calcular a probabilidade cumulativa de um evento de precipitação observado, para a escala de tempo considerada (mensal). A probabilidade cumulativa é dada pela Equação 6.

(6) Substituindo t = x/β, a Equação 6 transforma-se na função Gama incompleta (Equação 8).

(7) A distribuição gama é, por definição, indefinida para <0. Considerando que séries de chuva podem conter zeros, a probabilidade cumulativa utilizada no cálculo do SPI é dado por H(x), descrito na Equação 8.

(8)(9) em que:

m - número de observações com chuva igual a zero; e n - número de observações de chuva maior do que zero.

O valor de (Z) ou SPI pode ser obtido pela aproximação matemática desenvolvida por Abramowitz e Stegun (1965), que relaciona a distribuição de probabilidade cumulativa Gama e a Normal, sendo (Z) definido pelas Equações 10 e 11 e t pelas Equações 12 e 13.

(10)(11)(12)(13) Os coeficientes utilizados nas Equações 10 e 11 são apresentados logo abaixo. Para mais informações consultar Abramowitz e Stegun (1965).

C0 = 2,515517; C1 = 0,802853; C3 = 0,010328; d1 = 1,432788; d2 = 0,189269; d3 = 0,001308.

Valores próximos a zero são os normais enquanto os mais próximos de 3 são os mais úmidos e os próximos de -3 os mais secos. A Tabela 2.2 mostra as classes de SPI para cada valor.

Tabela 2.2: Classe de SPI por valores SPI Classe 2,00 a 3,00 Extremamente úmido 1,5 a 1,99 Muito úmido 1,00 a 1,49 Moderadamente úmido 0,99 a -0,99 Próximo ao normal -1,00 a-1,49 Moderadamente seco -1,50 a -1,99 Muito seco

- 2,00 a -3,00 Extremamente seco Fonte: McKee et al. (1995)

3 METODOLOGIA GERAL

3.1. Área de estudo

A área de estudo, para as análises espaciais dos índices de seca, foi o estado de São Paulo (Figura 3.1). O estado de São Paulo é o maior produtor de cana-de-açúcar do Brasil e na safra 2014/15 possuía uma área plantada de 5,6 milhões de hectares (IBGE, 2016). O clima segundo a classificação de Koppen é subtropical, tropical de altitude e tropical (Cfa, Cfb, Cwa, Cwb, Aw), com temperaturas variando em torno de mais de 22ºC no verão e maior que 10ºC no inverno (Peel et al., 2007). A precipitação média anual é de 1441 mm, de acordo com os dados do INMET (2016) para a normal climatológica calculada. Esses são fatores que segundo Manzatto et al. (2009) são propícios para o cultivo da cana-de-açúcar.

3.2. Fluxograma da Dissertação

A metodologia utilizada neste trabalho é descrita na Figura 3.2 Porém, o detalhamento desta pode ser visto nos capítulos 4.1 e 4.2.

Figura 3.2: Fluxograma da dissertação.

A estruturação desta dissertação está feita em dois artigos de resultados (Capítulos 4.1 e 4.2). O primeiro artigo apresenta uma proposta metodológica de como utilizar uma ferramenta prática de monitoramento da seca na cana-de-açúcar e estimar os seus impactos no planejamento energético brasileiro e o segundo é uma análise de vários índices espectrais para determinar qual apresenta melhor capacidade de indicar eventos de seca na cana de açúcar para o estado de São Paulo.

3.3. Sensor MODIS

O sensor MODIS a bordo de são parte integrante da missão chamada de Earth

Observing System (EOS). O primeiro satélite foi o TERRA lançado em dezembro de 1999

com passagem pela linha do Equador às 11:30hs. O segundo satélite lançado foi o AQUA, em maio de 2002, com o horário de passagem às 13:30hs. Uma das metas da NASA foi a de testar novas tecnologias, e com o sensor Moderate Resolution Imaging Spectroradiometer (MODIS), o principal sensor, com 36 bandas espectrais e uma resolução radiométrica de 12 bits iniciou-se este novo projeto. Este sensor possui um maior número de bandas espectrais que os outros imageadores de baixa - média resolução espacial já lançados.

No sensor MODIS, as primeiras 19 bandas estão posicionadas na região do espectro eletroradiométrico situado entre 405 nm a 2155 nm, de forma que as bandas 1-7 estão direcionadas para as aplicações terrestres; as bandas 8-16 para as observações oceânicas e as bandas 17-19 para as medições atmosféricas. As bandas 20-36, com exceção da banda 26 (1360-1390 nm), cobrem a porção termal do espectro (3660nm a 14385nm) e podem ser utilizadas por diferentes campos das ciências naturais (Barker et al., 1992).

A NASA disponibiliza diversos produtos com imagens do sensor MODIS. O produto MOD 9 é um produto MODIS de reflectância de superfície, e é computado a partir dos níveis 1A, nas bandas (1 a 7) de estudo da superfície terrestre (com os comprimentos de onda centrados em 648 nm, 858 nm, 470 nm, 555 nm, 1240 nm, 1640 nm, and 2130 nm, respectivamente). Este produto é uma estimativa da reflectância espectral de superfície para cada uma das bandas (Justice et al., 1998). Os procedimentos de correção atmosférica foram criados a partir de um modelo desenvolvido por Tanré et al. (1986), denominado Second

Simulation of the Satellite Signal in the Solar Spectrum Radiative Code (6S), o qual foi

4 RESULTADOS

4.1 ARTIGO 1: Metodologia para monitoramento da seca para o planejamento energético brasileiro

Artigo apresentado no 22º ISAF

The 22nd International Symposium on Alcohol Fuels – 22nd _ISAF

Sugarcane Drought Affecting Brazilian Energy Plan

Daniel Garbellini Dufta,b; Michelle Cristina Araujo Picolia,b*; Gabriel Constantino Blainc; Manoel Regis Lima Verde Leala

a: Brazilian Bioethanol Science and Technology Laboratory - CTBE, Postal code 6192 - 13083-970 - Campinas - SP, Brazil - {michelle.picoli, daniel.duft,

regis.leal}@bioetanol.org.br

b: School of Mechanical Engineering - FEM/UNICAMP, Postal code 6122 - 13083-970 - Campinas - SP, Brazil

c: Agronomic Institute of Campinas - IAC, Postal code 28, 13020-902 Campinas (SP) - gabriel@iac.sp.gov.br

Abstract

From all of primary energy produced in Brazil, the products derived from sugarcane represent 18.1% [1]. Therefore, it has great importance for the country to monitor how is the status of the sugarcane production in the field to make sure that there will be energy available for consumption.

The sugarcane is a semi-perennial plant resistant to bad weather, but events like the drought of 2014 that struck south-central Brazil, was highly harmful to sugarcane that should be harvested that year and especially the sugarcane that was planted in the previous year and should stay for another five crops cycles in the field. In addition to the energy, strategy and public policies of country have to rely on objective data of this biomass production, which is responsible for much of the fuel and electricity in the country. This is vital to be time to energy relocation policies and contingency plans.

This paper presents practical tools from geotechnologies, such as the use of remote sensing images, so it is possible to quantify losses due to drought events in Brazil and stimulate these tools to assist in the country energy planning.

4.1.1 Introduction

For the last decade, the global warming issues have been increasingly a focus of attention and greater use of biofuels. The production of liquid biofuels is rapidly increasing, as governments are setting targets to enlarge the share of biofuels in the energy matrix for the purposes of climate change mitigation, improving energy security, and fostering rural development [2].

Recently, some doubts about the actual benefits of biofuels regarding the mitigation of GHG emissions were raised. Many questions have also been raised about potential environmental, social and economic impacts, such as disruption of food supply, risks of losing biodiversity, impacts on water quality and water availability, and lack of benefits to those directly affected by biofuels production [3].

Brazilian ethanol policies started in 1975, when the Brazilian Alcohol Program (PROALCOOL) was launched to reduce the country's dependence on oil import. The program aimed at increasing ethanol production for use as a gasoline substitute and the ethanol thus produced would be blended with gasoline in a proportion up to 24% [4].

The second oil crisis in 1979, made the Brazilian government expand PROALCOOL to promote vehicle production, especially designed for ethanol use. The first ethanol vehicles were manufactured in 1979 and market penetration grew 92% from 1983 to 1988. During the end of second half of the 1980s, however, Brazilian ethanol program began experiencing problems. Huge fiscal deficits and high inflation led Brazil to launching economic reforms that included a cutback on ethanol production subsidies. At the same time, world oil prices dropped sharply during the period of 1985–1986, obviating the consumer benefit of replacing oil with ethanol. The economics became even more unfavorable in 1988, when the world sugar price rose considerably, and, at the same time, the government freed the sugar export market [5]. Towards the end of 1990s, some Brazilian engineers and policy makers sought to revive the ethanol fuel program. Ford launched its first flex-fuel prototype in 2002, followed by Volkswagen in 2003. Flex-fuel cars, able to run on ethanol, gasoline or any mixture of both of them caught on quickly [6].

Nowadays, sugarcane residue, the bagasse, is being used for power generation, in 2014, the Brazilian Energy Matrix presented 43.5% of renewable source, with the sugarcane products presenting a participation of 18.1%; energy from hydro-power of 11.8%; and 13.7%

of firewood, charcoal and other renewable sources. World average for renewable generation was around 15.6%. [1].

It is clear that sugarcane products are very important for the Brazilian energy matrix, but there are many physical, biotic and anthropogenic conditions that affect crop productivity and water availability. This are usually associated with long periods of drought during the rainy season, being one of the main reasons for the decrease in the production of sugarcane [7]. Climate change scenarios indicate that in Brazil there should be a rise in temperature and the length of periods of drought. It is projected that in many regions there will be an increase in the amount of land susceptible to excessive heat and drought, impacting on a decrease in the amount of arable land [8]. This effect has already been observed in 2014 [9] and it may become very frequent.

The Brazilian Energy Plan is highly influenced by renewable sources, thus the drought may affect both the hydraulic energy and other renewable sources such as biomass, especially sugarcane. This paper presents practical tools from geotechnologies, such as the use of remote sensing images, so it is possible to quantify losses due to drought events in Brazil and stimulate these tools to assist in the country energy planning. These tools will be shown as four simple steps.

4.1.2. Identification of production areas

Nowadays there are many tools for sugarcane production areas identification. The sugarcane areas mapping started in the 70’s when sugar mills started to expand and need to have some information of each sugarcane plot. In the 90’s mills were presented to the GPS, and the mapping methods were improved.

The biggest problem of these methods is that each player has its own map. The government needs to have all the area mapped, so in 2003 many sectors joined a partnership for mapping all the Brazilian sugarcane using satellite images. This project was called Canasat [10] and used LANDSAT imagery for mapping. This was the biggest sugarcane mapping project ever seen, but it was discontinued in 2013.

One way out to solve the problem of project interruption is to use systematic mapping methods so all areas are identified without much human effort, just using computational algorithms. Many authors used systematic methods such as [11] for soybeans

and [12] for sugarcane into one watershed. There are technology available to make the methods become an annual product to support the drought impact assessment. The Fig. 4.1.1 shows the sugarcane map for south central region of Brazil for 2013.

Fig.4.1.1 Sugarcane Map of 2013 Source: Canasat [10]

4.1.3. Anomalies Check in Precipitation Rates

There are many tools for measuring and monitoring drought. The most used are indices based on climatic and meteorological observations such as: Drought Palmer Severity Index (Palmer Drought Severity Index - PDSI) [13], Culture Moisture Index (Crop Moisture Index - CMI) [14], Surface Water Supply Index (Surface Water Supply Index. - SWI) [15], Standardized Precipitation Index (Standardized Precipitation Index -SPI) [16, 17]. All this have proved to be quite useful.

Authors like Manatsa et al. [18] used the SPI to treat many characteristics of agricultural drought in Zimbabwe, Africa. Zhai et al. [19] demonstrated that SPI can be used to describe trends of drought and flooding conditions in the regions of China and other

countries. However, studies that rely on climate change, such as Dubrovsky et al. [20] concluded that the PDSI is more appropriate than SPI to evaluate the impacts of global warming on future droughts, since SPI is based only on rainfall data.

Others authors like Blain and Brunini [21] observed that indices which quantify dry weather, such as SPI and adapted PDSI are restricted to the highest temporal level monthly. Calculating short intervals of time (10 days, for example), the temporal variability of precipitation establishes an expected and consistent level that can be used to calculate a possible anomaly or deficit. The ten-day estimate shows that these tools results in numerical values that do not correlate with agricultural or dry weather parameters. Moreover, these indices have a limitation for its calculation using data that are generally not available in real time in most parts of Brazil, such as evapotranspiration. Therefore, it does not seem to be suitable for carrying out the drought monitoring.

SPI uses a time series of precipitation and through standardization identifies dry and wet periods. Values close to zero are normal while those closest to 3 are the wettest and the next to -3 the driest. Table 4.1.1 shows the SPI classes for each value.

Table 4.1.1: SPI classes by values

SPI Class 2,00 to 3,00 Extremely Wet 1,5 to 1,99 Severely Wet 1,00 to 1,49 Moderately Wet 0,99 to -0,99 Normal -1,00 to -1,49 Moderate Drought -1,50 to -1,99 Severe Drought -2,00 to -3,00 Extreme Drought Source: McKee et al. [17]

The SPI is the easiest and most used index. Many tools are already developed using this to assess dry weather, that is, the pattern of rainfall below normal. There are other indices and calculations to measure the dry soil for example, but require more data and more complex processing, and in this work the objective is to identify anomalies when a dry weather phenomenon occurs.

4.1.4. Analysis of drought by indices using satellite images

The drought phenomenon is more common nowadays than on the 70’s. Various methods can be used to gather information via remote sensing. These methods are based on the development of indices and allow the rapid processing of large amounts of remote sensing data.

All the spectral indices have been and are still widely used to retrieve information on vegetation biophysical properties. In the spectrum domain, several attempts to estimate vegetation water content on the basis of satellite remote sensing data have relied on empirical relationships between vegetation moisture content and values of particular spectral indices (mostly the Normalized Difference Vegetation Index, NDVI) computed from spectral reflectance [22, 23].

Several authors proposed relationships between vegetation water content and spectral indices [24, 25]. Roberts et al. in 1997[26] using the hyperspectral radiometer Airborne Visible InfraRed Imaging Spectrometer (AVIRIS) created basis for many other studies , in 1996 Gao [27] developed the normalized difference water index (NDWI) that were the most important to guide other studies using spectral images. There are many indices that were already used to measure the drought in the vegetation, the Table 4.1.2 shows some off these indices and who designed that.

Table 4.1.2: Indices used to assess drought in vegetation

Index Reference

NDVI Tucker[28]

EVI2 Jiang [29]

GVMI Ceccato [30]

NDI6 Hunt and Rock [25]

NDI7 Chuvieco [31]

NDWI Gao [27]

SRWI Zarco-Tejada and Ustin [32] MSI Hunt and Rock [25]

To calculate these indices is needed satellite imagery with a good temporal resolution. NASA’s Earth Observing System (EOS) is a coordinated series of polar-orbiting and low inclination satellites for long-term global observations of the land surface. In this sense, using satellites of NASA’s EOS, it is easy to monitor drought by indices. Currently the most used are MODIS (Terra and AQUA), LANDSAT-8 and Suomi NPP. The Fig.4.1.2 shows all the satellites of NASA’s EOS.

Fig. 4.1.2 EOS Satellites. Source: NASA

The Fig.4.1.3 shows the procedure to process all the images for drought map design.

Fig.4.1.3 Procedure to process all the images for drought map design

The procedure is based on images processing. First it is necessary to extract only the pixels inside the sugarcane areas already mapped in the step 1. Then you need to calculate the indices. For sugarcane, as it is a plant that is grown in large areas, it is necessary to identify which is the index that most closely fits the location and management used. Then you need to compare the indices with SPI to identify whether there was dry period or if there

Extract sugarcane areas from images Calculate Indices Compare with SPI Drought Map

is any failure in imaging. By the end, it is made a drought map that can be categorized depending on the desired solution.

4.1.5. Geographic Information System (GIS) as a tool

GIS is an organized activity by which people measure and represent geographic phenomena then transform these representations into other forms while interacting with social structures. In practice, GIS is a tool that allows you to make operations with spatial character. Fig. 4.1.4 shows an example of GIS working with layers.

Fig. 4.1.4 Layers in a GIS

According to Mishra and Singh [33], the drought assessment and monitoring require access to several sources of meteorological, agricultural, hydrological and even socioeconomic data. In the last years, several indices have been proposed for assessing drought and monitoring its onset and evolution from meteorological and hydrological ground station. Moreover, the availability of remote sensing data, covering wide regions over relatively long periods, has progressively strengthened the role of vegetation indices derived from satellite images in environmental studies related to drought episodes [34].

In this sense, it is possible to monitor and estimate production losses only using remote sensing data. This data can be calibrated or manipulated to integrate more technical support, but is an important tool to assess drought impacts on the sugarcane fields.

A risk map is based on a time series analysis that shows some areas that are suffering with the drought in more than two years. This map will be in the dataset and will be analyzed with que current season drought map and sugarcane production dataset. All this data together are enough to create basis to generate criteria of drought impacts and production losses. The

algorithms will be constructed by statistics, considering different indices and different locations that means many local factors as sugarcane variety, production and water needs.

4.1.6. Drought impacts report and Brazilian energy plan

At the end of these four steps, the energy experts of the country, handling the results of the fourth stage, are able to calculate how much energy will be or will no longer be produced (due to drought).

If penalization of culture due to drought causes losses in productivity, contingency plans can be created to prevent major damage. Once the problem of losses by drought is the lack of rain and the hydro-power system also depends on rainfall, it is needed a system that can warn technical people the problems that the lack of rain will bring to the biomass in the field.

Gains from these methodologies are both. Characterize areas most affected by drought and measure the consequences in a practical way, not only with guided forecasts on meteorological models, and in this way improve the entire Brazilian energy planning program.

4.1.7. Conclusions

The use of a monitoring system is essential to estimate losses from drought in sugarcane, since this plant is responsible for 18.1% of the Brazilian energy matrix. Nowadays the country depends on the cane not only for fuel production (hydrous ethanol or anhydrous ethanol to mix in gasoline), but also depends on the sugarcane to generate electricity.

Energy planning in the country becomes highly sensitive when the same source is capable of generating more than one type of energy. Oil is an example of this and stocks monitoring and pricing is done in a specific and careful way. In the sugarcane sector does not happen that way. The sector has little regulation and there is no yield monitoring. Thus, we conclude that the monitoring system and drought impacts evaluation on sugarcane is very necessary for the country to have more autonomy and can further increase the share of renewables in the energy mix.

Acknowledgements

To the São Paulo Research Foundation (FAPESP) (project 2014/17090-5) for financing the project.

4.1.8. References

[1] EPE. Balanço Energético Nacional (Brazilian Energy Balance). Final Report (Rio de Janeiro; Ministério de Minas e Energia) 155. 2015.

[2] Macedo, I., Seabra, J. and Silva, J. Green house gases emissions in the production and use of ethanol from sugarcane in Brazil: The 2005/2006 averages and a prediction for 2020. Biomass and Bioenergy. v32. p582-595. 2008.

[3] Walter, A., Galdos, M., Scarpare, F., Leal, M., Seabra, J., da Cunha, M., Picoli, M. and de Oliveira, C. Brazilian sugarcane ethanol: developments so far and challenges for the future. WIREs Energy Environ, 2013. 3:70-92.

[4] Moreira, J.R., Goldemberg, J. The alcohol program. Energy Policy, 1999. 27:229–245 [5] Hollanda, J.B., Poole, A.D. Sugarcane as an energy source in Brazil [online] Available at: http://www.inee.org.br/down_loads/forum/SUGARCANE&ENERGY.pdf; Acess. July 2015.2001.

[6] Hofsetz, K. and Silva, M. Brazilian sugarcane bagasse: Energy and non-energy consumption. Biomass and Bioenergy, 2012. 46:564-573.

[7] Maciel, G. F.; Azevedo, P. V.; Andrade Junior, A. S. Impactos do aquecimento global no zoneamento de risco climático da soja no estado do Tocantins. Revista Engenharia Ambiental, Espírito Santo do Pinhal, 6:141-154, 2009.

[8] Heffernan, O. The dry facts. Nature, 501, S2–S3. 2013 doi:10.1038/501S2a. Available at: http://www.nature.com/nature/journal/v501/n7468_supp/full/501S2a.html Acess: December, 2013.

[9] Guha-Sapir D, Hoyois Ph, Below R. Annual Disaster Statistical Review 2014: The Numbers and Trends. Brussels: CRED 2015.

Mishra A K, Singh V P. A review of drought concepts. J. Hydrol. 2010: 391: 202–216. [10] Rudorff, B., de Aguiar, D., da Silva, W., Sugawara, L., Adami, M. and Moreira, M. Studies on the Rapid Expansion of Sugarcane for Ethanol Production in São Paulo State

(Brazil) Using Landsat Data. Remote Sensing,2010. 4:1057-1076.

[11] J. A. Johann, J. V. Rocha, D. G. Duft and R. A. C. Lamparelli, “Estimativa de Áreas com Culturas de Verão no Paraná, por Meio de Imagens Multitemporais EVI/Modis,” Pesquisa Agropecuária Brasileira, 2012, 47:1295-1306.

[12] Duft, D.G., Picoli, M.C.A., Scarpare, F.V., Hernandes, T.A.D., Galdos, M.V. Comparação do desempenho de índices de vegetação do sensor MODIS para mapeamento sistemático da cana-de-açúcar. SBSR, João Pessoa, 2015, pp. 2727-2734.

[13] Palmer, W. C. Meteorological drought. Research Paper, vol. 45. U.S. Department of Commerce Weather Bureau, Washington, DC. 1965.

[14] Palmer, W. C. Keeping track of crop moisture conditions, nationwide: the crop moisture index.Weatherwise, v. 21 (4), p. 156–161, 1968.

[15] Shafer, B. A.; Dezman, L. E. Development of a surface water supply index (SWSI) to assess the severity of drought conditions in snowpack runoff areas. Anais... 50th AnnualWestern Snow Conference, Colorado State University, Fort Collins, CO, USA, p. 164–175. 19-23 abril, 1982.

[16] McKee, T. B.; Doesken, N. J.; Kleist, J.; The relationship of drought frequency and duration to time scales. Anais... Eighth Conference on Applied Climatology, American Meteorological Society, Anaheim, CA, p. 179-184. 17–22 Janeiro, 1993.

[17] Mckee, T. B.; Doeskin, N. J.; Kleist, J. Drought monitoring with multiple time scales. Anais... Ninth Conference on Applied Climatology, American Meteorological Society, Boston, MA, p. 233-236. 15-20 jan, 1995.

[18] Manatsa, D.; Mukwada, G.; Siziba, E.; Chinyanganya, T. Analysis of multidimensional aspects of agricultural droughts in Zimbabwe using the Standardized Precipitation Index (SPI). Theoretical and Applied Climatology, v.102, p. 287-305, 2010.

[19] Zhai, J.; Su, B.; Krysanova, V.; Tobias, Vetter, T.; Gao, C.; Jiang, T. Spatial variation and trends in PDSI and SPI indices and their relation to streamflow in ten large regions of China. Journal of Climate, v. 23, p. 649-663, 2010.

[20] Dubrovsky, M., Svoboda, M.D., Trnka, M., Hayes, M.J. , Wilhite, D.A., Zalud, Z., Hlavinka, P., Application of relative drought indices in assessing climate-change impacts on drought conditions in Czechia. Theoretical and Applied Climatology. 2008. 96, 155-171. [21] Blain, G. C.; Brunini, O. Análise da escala temporal de monitoramento das secas agrícolas e meteorológicas no estado de São Paulo. Revista Brasileira de Meteorologia, v.

22, n. 2, p. 255-261, 2007.

[22] Ceccato, P., Flasse, S., Tarantola, S., Jacquemoud, S. and Grégoire, J. Detecting vegetation leaf water content using reflectance in the optical domain. Remote Sensing of Environment, 2001. 77:22-33.

[23] Tucker, C. (1980). Remote sensing of leaf water content in the near infrared. Remote Sensing of Environment, 10(1), pp.23-32.

[24] Downing, H.G., Carter, G., Holladay, K. and Cibula, W. The radiative-equivalent water thickness of leaves. Remote Sensing of Environment, 1993. 46:103-107.

[25] HUNTJR, E. and ROCK, B. Detection of changes in leaf water content using Near- and Middle-Infrared reflectances. Remote Sensing of Environment, 1989. 30:43-54.

[26] Roberts, D., Green, R. and Adams, J. Temporal and spatial patterns in vegetation and atmospheric properties from AVIRIS. Remote Sensing of Environment, 1997. 62:.223-240. [27] Gao, B. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 1996. 58:3:257-266.

[28] Tucker, C. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, v. 8, n. 2, p. 127-150, 1979.

[29] Jiang, Z., Huete, A.R., Didan, K., Miura, T, Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment. 2008. 112, 3833-3845.

[30] Ceccato, P., Gobron, N., Flasse, S., Pinty, B., Tarantola, S. Designing a spectral index to estimate vegetation water contente from remote sensing data: Part 1. Theoretical approach. Remote Sensing of Environment. 2002. 82 (2–3), 188-197.

[31] Chuvieco, E., Riano, D., Aguado, I., Cocero, D. Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data:Applications in fire danger assessment. International Journal of Remote Sensing. 2002. 23, 2145-2162. [32] Zarco-Tejada, P.J., Rueda, C.A., Ustin, S.L., Water content estimation in vegetation with MODIS reflectance data and model inversion methods. Remote Sensing of Environment. 2003. 85 (1), 109-124.

[33] Mishra, A., Singh, V. and Desai, V. Drought characterization: a probabilistic approach. Stochastic Environmental Research and Risk Assessment, 2007. 23:41-55.

[34] Horion S, Carrão H, Singleton A, Barbosa P, Vogt J. JRC experience on the development of Drought Information Systems. Europe, Africa and Latin America. EUR

25235 EN. Luxembourg (Luxembourg): Publications Office of the European Union 2012, JRC68769, doi: 10.2788/15761

4.2 ARTIGO 2: Avaliação do desempenho de índices de seca do sensor MODIS na cana-de-açúcar

AVALIAÇÃO DO DESEMPENHO DE ÍNDICES DE SECA DO SENSOR MODIS NA CANA-DE-AÇÚCAR

Daniel Garbellini Duft1,2_{; Michelle Cristina Araujo Picoli}2,3

1_{Laboratório Nacional de Ciência e Tecnologia do Bioetanol - CTBE, Campinas, SP, Brasil -}

daniel.duft@bioetanol.org.br

2

Faculdade de Engenharia Mecânica - FEM/UNICAMP, Campinas, SP, Brasil

3

Faculdade de Engenharia Agrícola – FEAGR/UNICAMP, Campinas, SP, Brasil – michelle.picoli@feagri.unicamp.br

Resumo

A cana-de-açúcar é uma cultura de grande importância econômica para o mundo, principalmente para o Brasil, onde representa 15% do PIB agrícola. Com as mudanças climáticas globais, alguns fenômenos extremos tendem a acontecer com mais frequência, entre eles, a seca que tem castigado várias culturas agrícolas. Apesar de ser uma planta resistente a seca, a ocorrência causa déficits de produtividade na cana-de-açúcar, causando enormes prejuízos aos produtores e um desequilíbrio no mercado de açúcar e combustíveis. Para monitorar eventos de seca diversos índices e métodos, baseados em dados climáticos ou em imagens espectrais, foram criados, porém nenhum deles é específico para a cultura da cana-de-açúcar. Testou-se as metodologias para identificar quais dos índices possuía capacidade de detecção de eventos de seca para a cana-de-açúcar. Para isso, foram utilizadas imagens espectrais dos sensores MODIS, para verificar se estes possuem capacidade de monitorar os efeitos da seca na cana-de-açúcar. Esta análise foi realizada em duas etapas: uma temporal e uma espacial. Os índices espectrais foram comparados com o SPI calculado para 1 e 3 meses. Foi observado que os índices GVMI e NDI6 tem uma melhor resposta para a análise temporal e os índices NDWI e SRWI para uma análise espacial.

4.2.1 Introdução

O Brasil é o maior produtor de cana-de-açúcar do mundo (FAO, 2016), sendo que na safra 2015/2016 atingiu uma produção recorde de 665 milhões de toneladas, onde 55% da produção total destinou-se a fabricação de etanol, chegando a 30,4 milhões de metros cúbicos de etanol (CONAB, 2016). O etanol de cana-de-açúcar é produzido no país desde o início do século XX, porém foi com incentivo governamental, através do PROALCOOL, nos anos 70 que houve um aumento na produção (Walter et al., 2011). Porém, com a inserção dos veículos bicombustíveis na frota nacional houve um novo aumento a partir do ano de 2003 (Machado et al., 2014). A cana-de-açúcar é uma cultura que traz grandes benefícios econômicos para o Brasil, o Produto Interno Bruto (PIB) da atividade sucroenergética foi de 108 bilhões de reais em 2015, isso representou quase 15% de todo PIB agrícola do país (CEPEA, 2016). Além disso, esse valor foi 20% maior que o PIB da cadeia da soja, que é a cultura com maior área cultivada no país.

A área destinada a produção de cana-de-açúcar, puxada pelo aumento na demanda por biocombustíveis, teve um aumento de aproximadamente 4,5 Mha entre os anos de 2000 e 2014 em todo território brasileiro (IBGE, 2016). Porém, a produtividade dos canaviais tem decrescido desde 2008 por diversos fatores como clima, manejo inadequado e dificuldades financeiras do setor (Walter et al., 2013).

Sabe-se que o crescimento dos colmos da cana-de-açúcar está altamente ligado a ausência de déficit hídrico no solo (Koehler et al., 1982), e que para as plantas terem um crescimento significativo precisam de água a disposição todo o tempo, e que períodos de seca podem ser um grande problema para seu desenvolvimento pleno (Doorenbos e Kassam, 1979). Contudo, estudos comprovam que nas últimas décadas em decorrência do aumento de temperatura, os períodos de seca tendem a ser mais recorrentes, uma vez que as mudanças climáticas globais aumentam a incidência de eventos extremos (Palmer, 2002; Orlowsky e Seneviratne, 2011; Zscheischler et al., 2014; IPCC, 2014). Portanto, a variação nos padrões espaciais da precipitação, para a agricultura não irrigada, como é o caso da cana-de-açúcar no Brasil, podem causar a perda de produtividade e até mesmo quebras de safra (Marin et al., 2012). A seca que ocorreu em 2014 no centro-sul do país prejudicou diversas culturas agrícolas, segundo a UNICA (2016) a cana-de-açúcar teve uma redução de 5% além de impactos na safra seguinte. Em valores monetários essa perda chegou perto de 2 bilhões de reais.